[发明专利]一种工件定位系统及基于深度学习的工件定位方法

说明书

本发明公开了一种工件定位系统，包括机器人、机器人控制柜、嵌入式工控机、模组、工件姿态调整件、工件和视觉传感器。并且还公开了相应的工件定位方法，包括以下步骤：S1、将工业相机连续采集的工件图像发送到嵌入式工控机，提取工件中心点并制作数据集。对目标检测器进行训练，保存训练权重；S2、工业相机将工件图像发送到嵌入式工控机，利用训练好的目标检测器对工件图像进行中心点定位；S3、将工件中心点的像素坐标值位置转换为工业机器人基坐标系下的三维坐标值，传输到机器人控制柜进行处理，并控制机器人工具末端对准工件。本发明能不易受到光照强度、工件表面平整性等一系列因素的影响，有较强的鲁棒性，可满足实际操作的精度要求。

技术领域

本发明属于工业机器人应用领域，特别涉及一种工件定位系统及基于深度学习的工件定位方法。

背景技术

近年来，为了满足各种工业需求，不同类型的机器人应运而生。以机器人代替传统的人工完成工件的装配、抓取、分拣等任务，可提高生产效率、降低劳动强度、保障人身安全。要使机器人顺利完成操作，其中一个关键环节就是对工件进行准确的识别与定位。因此，如何快速准确提取工件的中心点成为值得研究的重要问题。

随着机器视觉和图像处理技术的发展，基于形态学处理的工件定位方法因其速度快，能够直观地捕捉边缘、色彩等信息而被广泛应用。如申请公布号为CN110625644A的中国发明专利，然而由于光照强度、加工表面平整性等因素的影响，定位过程中中心点容易偏离真实中心点，因而难以满足工业生产应用中高效率、高精度和高质量的要求。

随着深度学习技术的发展，目标检测算法以高效的神经网络，可学习到丰富的语义信息和细节信息，具有较强的鲁棒性和适应性，被广泛应用于目标检测与定位。如申请公布号CN110599544A的中国发明专利，采用Faster-R-CNN神经网络作为检测模型对工件进行定位，精度高。但由于Faster-R-CNN是两阶段算法，检测速度较慢。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种工件定位系统及基于深度学习的工件定位方法，可以对工件进行准确快速的识别与定位。

本发明至少通过如下技术方案之一实现。

一种工件定位系统，包括机器人、机器人控制柜、嵌入式工控机、模组、工件姿态调整件、工件和视觉传感器，

机器人控制柜通过电缆线与机器人相连，嵌入式工控机和工业机器人、机器人控制柜通过以太网线相连；

工件姿态调整件固定在模组上；

工件固定在工件姿态调整件上以随着工件姿态调整件的转动而调整姿态；

视觉传感器固定在机器人的末端，且视觉传感器包括用于给工件拍照的工业相机。

本发明还提供一种基于深度学习的工件定位方法，包括步骤：

S1、所述视觉传感器的工业相机把连续采集的每一帧工件图像发送到嵌入式工控机，采用形态学处理提取工件中心点并制作数据集，将数据集划分为训练集与测试集。采用训练集对目标检测器进行训练，保存最终的训练权重；

S2、所述视觉传感器的工业相机将采集的工件图像发送至所述嵌入式工控机，采用步骤S1训练好的目标检测器对图像进行中心点定位；

S3、将步骤S2图像中工件中心点的像素坐标值转换成工业机器人基坐标系下的三维坐标值后与当前机器人三维坐标值作差，得到偏差值，并发送给机器人控制柜进行处理，控制机器人工具末端对准工件。

具体而言，所述步骤S1具体包括：

S11、通过自动拍照系统控制工业相机实现连续采集图像；

S12、在采集照片时，使工业相机与工件保持一定的距离，确保在图像采集过程中既能捕捉到清晰的图像，又不会使得视觉传感器和工件发生干涉；