[发明专利]一种协作机器人装置

权利要求书

1.一种协作机器人装置，包括机械臂(1)，其特征在于：所述机械臂(1)的表面固定连接有安装法兰(2)，所述安装法兰(2)的下表面开设有安装孔，所述安装孔的内壁转动连接有旋转轴，所述旋转轴的底端固定连接有安装架(3)，所述安装架(3)的内部固定安装有气缸(4)，所述气缸(4)的内壁滑动连接有伸长杆(5)，所述安装架(3)的下表面固定连接有连接块(6)，所述连接块(6)的下表面开设有安装槽，所述安装槽的内壁分别转动连接有第一夹紧板(7)和第二夹紧板(8)，所述第一夹紧板(7)和第二夹紧板(8)的相对面均开设有矩形槽，所述矩形槽的内壁转动连接有固定柱，所述固定柱的表面转动连接有传动杆(9)，所述第一夹紧板(7)和第二夹紧板(8)的侧面均固定连接有卡爪(10)。

2.根据权利要求1所述的一种协作机器人装置，其特征在于：所述安装法兰(2)的上表面开设有穿孔，所述穿孔的内壁插接有连接螺钉，所述安装法兰(2)通过连接螺钉与机械臂(1)固定连接，所述旋转轴的顶端延伸至机械臂内并固定连接有电机。

3.根据权利要求1所述的一种协作机器人装置，其特征在于：所述气缸(4)的数量为两个，且两个气缸(4)以安装架(3)正面的中线为对称轴对称设置在安装架(3)的内部。

4.根据权利要求1所述的一种协作机器人装置，其特征在于：所述伸长杆(5)的底端延伸至连接块(6)的内部，所述伸长杆(5)的底端开设有开口槽，所述开口槽的内壁与传动杆(9)的底端转动连接。

5.根据权利要求1所述的一种协作机器人装置，其特征在于：所述第一夹紧板(7)和第二夹紧板(8)的侧面分别通过螺钉与卡爪(10)的侧面固定连接，所述卡爪(10)的数量为四个，且两个卡爪(10)的相对面均开设有半圆凹槽，两个所述半圆凹槽的内壁均固定连接有橡胶垫。

6.根据权利要求1所述的一种协作机器人装置，其特征在于：所述机械臂(1)的底端固定连接有底座(11)，所述底座(11)的上表面固定连接有空气压缩机(12)，两个所述气缸(4)分别通过软管与空气压缩机(12)连通。

7.根据权利要求1所述的一种协作机器人装置，其特征在于，基于所述协作机器人夹取加工零件之前，包括：

基于激光扫描组件检测所述协作机器人是否合格，且检测步骤包括：

基于激光扫描组件对各个部件进行扫描，并按照时间顺序依次采集每个部件的部件被测面的面轮廓的点云数据，获得各个部件的第一点云数据，并将所述第一点云数据转换到三维坐标系中，获得各个部件的部件结构图；

基于激光扫描组件对相邻部件之间的连接区域进行扫描，并按照时间顺序依次采集每个连接区域的区域被测面的面轮廓的点云数据，获得连接区域的第二点云数据，并将所述第二点云数据转化到所述三维坐标系中，获得连接区域的区域结构图；

将所述部件结构图单独导入结构检测模型中，输出各个部件的第一检测信息；

将所述区域结构图单独导入所述结构检测模型中，输出各个连接区域的第二检测信息；

将所述部件结构图和区域结构图综合导入所述结构检测模型中，输出第三检测信息；

根据所述第一检测信息、第二检测信息以及第三检测信息，判断所述协作机器人是否合格；

若合格，基于设置在协作机器人上的报警器进行第一报警提醒；

否则，基于设置在协作机器人的报警器进行第二报警提醒。

8.根据权利要求1所述的一种协作机器人装置，其特征在于，所述协作机器人装置还包括智能识别组件，所述智能识别组件用于通过以下步骤识别加工零件的类型，达到夹取所需要的类型加工零件：

步骤A1，首先利用外界摄像头拍摄实验中的12个加工零件的k张图像作为图像数据集，每个加工零件的图像为张，根据以下公式将k张12个加工零件图像转换成像素矩阵：

其中，x代表k张的加工零件图像转换成像素矩阵，x₁代表第一张加工零件图像所转换的像素矩阵，x₂代表第二张加工零件图像所转换的像素矩阵，x_k代表第k张加工零件图像所转换的像素矩阵，k代表收集的12个加工零件图像的总张数，n,m用来衡量每张加工零件图像的像素值的个数，不同的外界摄像头拍出的加工零件图像大小不同，所转换成像素矩阵也是不同的，n＝1,2,3,..,n，m＝1,2,3,...,m，a_nm代表第m行第n列的所对应的像素值大小；

步骤A2，根据以下公式中的神经网络分类模型x_i*w+b对12个加工零件的k张图像进行类别的预测，获得各加工零件的类型的预测值：

其中，代表神经网络分类模型对k张加工零件的图像进行预测而得到的第i个加工零件的类型的预测值，i＝1,2,...,k，w代表神经网络分类模型初始化的权重值，初始化值为0，b代表神经网络分类模型初始化的偏执值，初始化值为0，e代表自然常数，其值为无理数2.71828......；

步骤A3，根据以下公式对神经网络分类模型中权重值及偏执值进行优化：

其中，k代表收集的12个加工零件图像的总张数，w代表神经网络分类模型初始化的权重值，初始化值为0，b代表神经网络分类模型初始化的偏执值，初始化值为0，代表优化后的权重值，代表优化后的偏执值；

步骤A4，将步骤A3中的优化后的权重值以及优化后的偏执值代入步骤A2中，以得到优化后的神经网络分类模型。