基于嵌入式機(jī)器視覺(jué)的流水線分揀機(jī)器人設(shè)計(jì)

摘"要：針對(duì)傳統(tǒng)流水線上人工錯(cuò)誤率高、速度慢和人工成本高的問(wèn)題，設(shè)計(jì)了一種深度學(xué)習(xí)的流水線智能分揀機(jī)器人來(lái)緩解流水線的壓力。該機(jī)器人采用分層結(jié)構(gòu)設(shè)計(jì)，上位機(jī)采用Jetson"Nano來(lái)完成機(jī)器人的圖像采集、識(shí)別和處理，下位機(jī)由STM32G0作為主控，通過(guò)舵機(jī)和電機(jī)實(shí)現(xiàn)機(jī)器人的功能控制。同時(shí)上位機(jī)與下位機(jī)之間進(jìn)行有效的數(shù)據(jù)交互，實(shí)現(xiàn)了機(jī)器人的抓取和分揀協(xié)調(diào)工作。在實(shí)驗(yàn)測(cè)試中，該機(jī)器人能夠通過(guò)學(xué)習(xí)樣本實(shí)現(xiàn)自動(dòng)分揀不同類(lèi)型的對(duì)象，并且能夠精確識(shí)別。該流水線分揀機(jī)器人融入了計(jì)算機(jī)視覺(jué)與嵌入式系統(tǒng)，不僅使分揀機(jī)器人結(jié)構(gòu)更緊湊，而且有利于提高社會(huì)生產(chǎn)力水平，具有良好的應(yīng)用前景。

關(guān)鍵詞：流水線分揀機(jī)器人；深度學(xué)習(xí)；機(jī)器視覺(jué)；嵌入式系統(tǒng)

中圖分類(lèi)號(hào)：TP242.2""""""文獻(xiàn)標(biāo)識(shí)碼：A

Design"of"an"Assembly"Line"Sorting"Robot"Based"

on"Embedded"Vision

LIU"Jianwen，SHEN"Ruilin，MA"Shideng，LIN"Jin

（Neusoft"Institute"Guangdong，"Foshan，Guangdong"528200，China）

Abstract：In"response"to"the"problems"of"high"manual"error"rate，"slow"speed"and"high"labor"cost"on"the"traditional"assembly"line，"a"deeplearning"assembly"line"intelligent"sorting"robot"is"designed"to"relieve"the"pressure"on"the"assembly"line."The"robot"is"designed"in"a"hierarchical"structure，"with"the"upper"computer"using"Jetson"Nano"to"complete"the"image"acquisition，"recognition"and"processing"of"the"robot，"and"the"lower"computer"using"STM32G0"as"the"master"control"to"realize"the"functional"control"of"the"robot"through"the"servo"and"motor."At"the"same"time，"the"upper"computer"and"the"lower"computer"interact"with"each"other"effectively"to"realize"the"robot’s"grasping"and"sorting"coordination"work."In"the"experimental"tests"the"robot"was"able"to"automatically"sort"different"types"of"objects"by"learning"samples"with"accurate"and"efficient"recognition."This"line"sorting"robot"incorporates"computer"vision"and"embedded"system，"which"not"only"makes"the"sorting"robot"more"compact，"but"also"helps"to"improve"the"productivity"level"of"society"and"has"great"application"prospects.

Key"words：assembly"line"sorting"robot;"deep"learning;"machine"vision;"embedded"systems

近年來(lái)，機(jī)器人、機(jī)器視覺(jué)應(yīng)用和人工智能在傳統(tǒng)制造業(yè)中的使用日益增多，機(jī)器人為工程師和技術(shù)人員準(zhǔn)確地執(zhí)行復(fù)雜的功能提供支持，并緩解流水線人員的工作壓力，提高分揀服務(wù)的效率。為了順應(yīng)時(shí)代的發(fā)展，許多公司將機(jī)器人引入各種自動(dòng)化生產(chǎn)線，比如工業(yè)集裝箱搬運(yùn)，汽車(chē)行業(yè)的噴漆作業(yè)，快遞貨物的分揀等[1]。對(duì)于一些特定的分揀場(chǎng)合，可以不使用高端計(jì)算機(jī)，達(dá)到實(shí)時(shí)視覺(jué)圖像采集和圖像處理控制的效果[2]，且隨著智慧工廠與邊緣計(jì)算技術(shù)的快速融合，使用低成本、小功耗的結(jié)構(gòu)緊湊型嵌入式機(jī)器視覺(jué)系統(tǒng)分揀機(jī)器人能更符合未來(lái)超級(jí)工廠的需求。"因此，將嵌入式機(jī)器視覺(jué)系統(tǒng)融入分揀機(jī)器人能夠呈現(xiàn)出更好的工業(yè)智能應(yīng)用。

作為工業(yè)智能化發(fā)展的重要模式，嵌入式機(jī)器視覺(jué)系統(tǒng)和深度學(xué)習(xí)技術(shù)得到了業(yè)界的密切關(guān)注。文獻(xiàn)[3]中將機(jī)器人的視覺(jué)系統(tǒng)部署在樹(shù)莓派4B上，并通過(guò)YOLOv4目標(biāo)檢測(cè)算法控制機(jī)械臂，實(shí)現(xiàn)自動(dòng)分揀不同類(lèi)型的垃圾，構(gòu)建機(jī)器人代替人工完成復(fù)雜工作的應(yīng)用。文獻(xiàn)[4]中應(yīng)用改進(jìn)YOLOv4算法與全卷積網(wǎng)絡(luò)進(jìn)行融合設(shè)計(jì)抓取系統(tǒng)零件識(shí)別與平臺(tái)的工業(yè)機(jī)器人，使得工業(yè)機(jī)器人在檢測(cè)速度與精度上都有極大的提升，但是其難以在低算力資源的計(jì)算機(jī)、嵌入式設(shè)備或移動(dòng)端上運(yùn)行。文獻(xiàn)[5]中選用intel的微型計(jì)算機(jī)配合意法半導(dǎo)體公司的STM32F103C8T6進(jìn)行物體種類(lèi)識(shí)別，并利用逆運(yùn)動(dòng)學(xué)進(jìn)行機(jī)械臂軌跡的規(guī)劃。該分揀機(jī)器人初步實(shí)現(xiàn)了嵌入式系統(tǒng)與傳統(tǒng)機(jī)器視覺(jué)算法領(lǐng)域的平臺(tái)驗(yàn)證，但與新技術(shù)的結(jié)合尚有欠缺。

嵌入式機(jī)器視覺(jué)系統(tǒng)的流水線智能分揀機(jī)器人以智慧工廠流水線智能分揀為應(yīng)用場(chǎng)景，基于Keras+Tensoflow深度學(xué)習(xí)框架搭建了英偉達(dá)（NVIDIA）Jetson"Nano嵌入式流水線視覺(jué)分揀機(jī)器人。將待分揀對(duì)象使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）快速識(shí)別物體和種類(lèi)，在識(shí)別的圖像中定位目標(biāo)物體的位置，然后進(jìn)行目標(biāo)抓取。在本文樣機(jī)的整個(gè)運(yùn)作過(guò)程中，彌補(bǔ)了應(yīng)用型本科機(jī)器人專(zhuān)業(yè)的課外實(shí)踐的不足，通過(guò)對(duì)系統(tǒng)進(jìn)行進(jìn)一步優(yōu)化，提高了工廠的分揀效率，降低了工廠的生產(chǎn)成本，使工作高效有序。

1"系統(tǒng)總體結(jié)構(gòu)

1.1"整體設(shè)計(jì)方案

設(shè)計(jì)的流水線分揀機(jī)器人系統(tǒng)拓?fù)淙鐖D1所示，其完成的功能主要由三個(gè)部分組成：上位機(jī)深度學(xué)習(xí)機(jī)構(gòu)、下位機(jī)控制機(jī)構(gòu)和執(zhí)行機(jī)構(gòu)。其中，上位機(jī)深度學(xué)習(xí)機(jī)構(gòu)由嵌入式"AI"計(jì)算機(jī)模塊"NVIDIA"Jetson"Nano使用卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)分揀對(duì)象進(jìn)行視覺(jué)分類(lèi)識(shí)別；下位機(jī)控制機(jī)構(gòu)由STM32控制板通過(guò)串口負(fù)責(zé)機(jī)械臂和傳輸帶的運(yùn)動(dòng)控制，同時(shí)控制板還可以通過(guò)WiFiI實(shí)時(shí)傳輸分揀對(duì)象的數(shù)量、機(jī)械臂和傳輸帶狀態(tài)到云端；執(zhí)行機(jī)構(gòu)主要有3軸機(jī)械臂和傳輸帶，機(jī)械臂帶有步進(jìn)電機(jī)接口，可直接控制傳輸帶啟停。用戶只需通過(guò)機(jī)械臂的串行接口，就可控制機(jī)械臂和傳輸帶的運(yùn)動(dòng)[4]。

1.2"AI計(jì)算機(jī)模塊Jetson"Nano

NVIDIA"Jetson"Nano是一款高集成度和高性價(jià)比的深度學(xué)習(xí)嵌入式核心處理器，如圖2所示，它支持一系列不同的機(jī)器學(xué)習(xí)框架，包括"TensorFlow、PyTorch、MxNet、Keras和Caffe，可以達(dá)到實(shí)時(shí)視覺(jué)圖像采集與視覺(jué)圖像處理控制的效果。它是支持入門(mén)級(jí)邊緣計(jì)算的微型電腦，幾乎具備PC機(jī)上的所有基本功能[6]，而且具有千兆以太網(wǎng)、4個(gè)USB"3.0插座、HDMI和"DisplayPort端口、MIPICSI攝像頭插座、微型SD卡插槽，使分揀機(jī)器人結(jié)構(gòu)更緊湊，在降低成本的同時(shí)也滿足本文開(kāi)發(fā)的易用性需求。

2"系統(tǒng)硬件電路設(shè)計(jì)

分揀機(jī)器人第一部分以STM32G070RBT6為下位機(jī)控制核心，添加三自由度機(jī)械臂以及電源構(gòu)成硬件主體；第二部分由AI計(jì)算機(jī)模塊Jetson"Nano和攝像頭組成上位機(jī)系統(tǒng)，用于圖像畫(huà)面采集和處理；第三部分通過(guò)OLED、USB轉(zhuǎn)串口、按鍵外圍電路實(shí)現(xiàn)輔助調(diào)試和模式設(shè)置。本文采用模塊化和抽象化的思想進(jìn)行系統(tǒng)框架的硬件設(shè)計(jì)，硬件系統(tǒng)結(jié)構(gòu)圖如圖3所示。

2.1"電源電路設(shè)計(jì)

電源采用12"V或24"V，機(jī)械臂的“關(guān)節(jié)”較多，在極端情況下，機(jī)械臂所有關(guān)節(jié)一起運(yùn)動(dòng)需要釋放的瞬間電流較大，所以電池通常需要20"A。電源開(kāi)關(guān)電路如圖4所示。

P1為12"V電源接口，S1為開(kāi)關(guān)，F(xiàn)1為一次性保險(xiǎn)絲，D1和D2為肖特基二極管，與F1組成防反接電路。當(dāng)電源反接時(shí)，D1阻斷用電回路，所有電流由D2正極流向F1保險(xiǎn)絲，F(xiàn)1保險(xiǎn)絲此時(shí)迅速斷開(kāi)，達(dá)到保護(hù)電路及用電器的效果。C1和C2為去耦電容，過(guò)濾接入電源的噪聲。

2.2"USB轉(zhuǎn)串口電路設(shè)計(jì)

上位機(jī)Jetson"Nano識(shí)別數(shù)據(jù)通過(guò)USB轉(zhuǎn)串口發(fā)送給下位機(jī)STM32G0處理，USB轉(zhuǎn)串口電路如圖5所示。J1為USB接口，F(xiàn)3為保險(xiǎn)絲，RV1、RV2、RV3為壓敏電阻，當(dāng)上位機(jī)信號(hào)一瞬間接入U(xiǎn)SB時(shí)，產(chǎn)生的大電涌可能會(huì)燒壞串口，所以當(dāng)電涌來(lái)臨時(shí)，RV1、RV2、RV3的阻值為0，進(jìn)而吸收浪涌，達(dá)到保護(hù)通信、釋放靜電的作用。

2.3"機(jī)械臂關(guān)節(jié)驅(qū)動(dòng)電路

分揀機(jī)器人共采用３個(gè)舵機(jī)對(duì)機(jī)械臂動(dòng)作進(jìn)行控制，在機(jī)械臂肩膀位置與肘關(guān)節(jié)分別采用DS3115舵機(jī)對(duì)機(jī)械手動(dòng)作進(jìn)行控制［7］。電源芯片TPS54331降壓在6"V電壓下，DS3115旋轉(zhuǎn)速度為67"r/s，扭矩為15"kg·cm，可控角度范圍0～180°。下位機(jī)主控STM32G0通過(guò)控制PWM脈沖信號(hào)的高電平占比來(lái)實(shí)現(xiàn)分揀機(jī)器人的抓取和分揀協(xié)調(diào)工作，機(jī)械臂關(guān)節(jié)驅(qū)動(dòng)電路如圖6所示。

3"系統(tǒng)軟件設(shè)計(jì)

嵌入式機(jī)器視覺(jué)的流水線分揀機(jī)器人的軟件實(shí)現(xiàn)主要由上位機(jī)的圖像識(shí)別和下位機(jī)的機(jī)械臂抓取控制兩大模塊組成。其中，上位機(jī)基于卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了物體的檢測(cè)與種類(lèi)識(shí)別，下位機(jī)通過(guò)STM32控制機(jī)械臂完成物體的抓取與分揀，兩者通過(guò)USB轉(zhuǎn)串口通信實(shí)現(xiàn)數(shù)據(jù)傳輸。

3.1"系統(tǒng)軟件設(shè)計(jì)

流水線分揀機(jī)器人的主要功能是快速識(shí)別物體以及進(jìn)行目標(biāo)物體的自動(dòng)分揀放置工作［8］，使用STM32Cube軟件完成項(xiàng)目開(kāi)發(fā)的基礎(chǔ)配置。首先啟動(dòng)機(jī)器人，攝像頭采集流水線信息數(shù)據(jù)，通過(guò)上位機(jī)識(shí)別后獲取目標(biāo)物體的位置坐標(biāo)；然后通過(guò)控制PWM的占比來(lái)控制機(jī)器臂擺動(dòng)到達(dá)指定位置，啟動(dòng)機(jī)械臂抓取物料后放置到指定流水線位置，接著下位機(jī)將目標(biāo)物料的種類(lèi)與顏色信息上傳到云端；最后機(jī)械臂回到初始位置。機(jī)器人系統(tǒng)流程如圖7所示。

3.2"上位機(jī)深度學(xué)習(xí)算法

卷積神經(jīng)網(wǎng)絡(luò)模型通過(guò)將網(wǎng)絡(luò)層之間的全連接替換為卷積獲取圖像特征的操作，被廣泛應(yīng)用于圖像識(shí)別領(lǐng)域。流水線分揀機(jī)器人以完成物體的檢測(cè)與種類(lèi)識(shí)別為應(yīng)用場(chǎng)景，基于模塊化Keras+Tensorflow框架構(gòu)建小規(guī)模的圖像數(shù)據(jù)集的卷積神經(jīng)網(wǎng)絡(luò)模型[8]，利用交叉熵?fù)p失函數(shù)和Adam優(yōu)化算法實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)模型在嵌入式NVIDIA"Jetson"Nano平臺(tái)上對(duì)流水線物料進(jìn)行視覺(jué)分類(lèi)，通過(guò)STM32"控制機(jī)械臂實(shí)現(xiàn)抓取和分揀協(xié)調(diào)工作。

在設(shè)計(jì)系統(tǒng)模塊時(shí)，將系統(tǒng)劃分為自定義圖像的制作、數(shù)據(jù)增強(qiáng)、卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練、圖像的精確識(shí)別以及嵌入式系統(tǒng)的部署等幾個(gè)模塊。自定義數(shù)據(jù)集的制作模塊對(duì)網(wǎng)上收集到的圖片進(jìn)行預(yù)處理以及圖像標(biāo)注，在圖像中分別標(biāo)注4類(lèi)標(biāo)簽：水果、動(dòng)物、塑料盒、數(shù)字。獲得標(biāo)注圖像后，在數(shù)據(jù)增強(qiáng)模塊過(guò)程中對(duì)4類(lèi)標(biāo)簽圖像進(jìn)行數(shù)據(jù)擴(kuò)充——隨機(jī)旋轉(zhuǎn)和剪裁以及亮度增強(qiáng)等來(lái)提高測(cè)試的正確率。數(shù)據(jù)集擴(kuò)充后按照比例劃分為訓(xùn)練集與測(cè)試集，用于后續(xù)CNN網(wǎng)絡(luò)的訓(xùn)練[10]。網(wǎng)絡(luò)構(gòu)建后，首先根據(jù)訓(xùn)練數(shù)據(jù)集不斷學(xué)習(xí)并調(diào)整權(quán)重參數(shù)，然后依靠交叉熵?fù)p失函數(shù)使模型的損失函數(shù)曲線達(dá)到收斂，最后將誤差反向傳播采用自適應(yīng)學(xué)習(xí)率優(yōu)化方法中的Adam調(diào)整網(wǎng)絡(luò)的權(quán)重值，訓(xùn)練過(guò)程如圖8所示。嵌入式部署模塊引入計(jì)算機(jī)上訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型文件，并使用NVIDIA的神經(jīng)網(wǎng)絡(luò)推理引擎"TensorＲT將深度學(xué)習(xí)模型在NVIDIA"Jetson"Nano平臺(tái)上優(yōu)化和部署加速。上位機(jī)具體識(shí)別流程設(shè)計(jì)如圖9所示。

3.3"下位機(jī)機(jī)械臂抓取算法

分揀機(jī)器人的機(jī)械臂利用DH法在每個(gè)關(guān)節(jié)建立坐標(biāo)系，通過(guò)齊次變換描述機(jī)械臂末端的位置和朝向，最后根據(jù)目標(biāo)物體位置利用逆運(yùn)動(dòng)學(xué)算法得出各個(gè)機(jī)械臂關(guān)節(jié)的角度［12，13］。在本系統(tǒng)中，三自由度機(jī)械臂實(shí)際只用到了軸O1和軸O2，以圖10中所示的（X，Y）建立二維平面坐標(biāo)系，令a1為第一個(gè)軸O1鏈接的長(zhǎng)度，a2為第二個(gè)軸O2鏈接的長(zhǎng)度，則機(jī)械臂末端的位置坐標(biāo)為：

由式（1）和式（2）可知，機(jī)械臂的頂部所到達(dá)的點(diǎn)（PX，Py）為我們所求的點(diǎn)，β0和β1分別為機(jī)械臂軸O1和軸O2對(duì)應(yīng)舵機(jī)轉(zhuǎn)動(dòng)的角度。所以使用逆運(yùn)動(dòng)學(xué)列寫(xiě)運(yùn)動(dòng)方程求解其旋轉(zhuǎn)角度可以保證機(jī)械臂到達(dá)二維平面內(nèi)的點(diǎn)，"求解方程可以得到：

用同樣的方法只需直接加上Z軸進(jìn)行解算，控制舵機(jī)運(yùn)動(dòng)對(duì)應(yīng)角度即可實(shí)現(xiàn)下位機(jī)的抓取了分揀。

4"測(cè)試結(jié)果與分析

為了測(cè)試最終是否實(shí)現(xiàn)了流水線分揀機(jī)器人的功能，以及測(cè)試系統(tǒng)整體的可靠性，本文搭建測(cè)試平臺(tái)，如圖11所示，進(jìn)行分揀機(jī)器人正常輸出環(huán)境實(shí)驗(yàn)測(cè)試。其中用于計(jì)算機(jī)部署訓(xùn)練模型的硬件配置為Intel7處理器，內(nèi)存為8"G，顯卡為NVIDIA"GTX"1060。

4.1"模型測(cè)試

通過(guò)Keras接口，結(jié)合Tensorflow后端，以Python為編程語(yǔ)言，采用自適應(yīng)學(xué)習(xí)率優(yōu)化方法中的Adam作為模型優(yōu)化器進(jìn)行訓(xùn)練。經(jīng)過(guò)訓(xùn)練后的模型損失函數(shù)與準(zhǔn)確率曲線已然收斂，從模型曲線的結(jié)果來(lái)看，識(shí)別準(zhǔn)確率達(dá)到了91.62%。在模型數(shù)據(jù)增強(qiáng)影響下達(dá)到了較好的識(shí)別效果，模型相關(guān)的驗(yàn)證識(shí)別準(zhǔn)確率與損失函數(shù)曲線如圖12所示。

4.2"通信穩(wěn)定性

如圖13所示，上位機(jī)Jetson"Nano識(shí)別后獲取目標(biāo)物體的位置坐標(biāo)，通過(guò)串口通信將目標(biāo)位置坐標(biāo)發(fā)送給下位機(jī)STM32G0，STM32G0采用115200的波特率獲得詳細(xì)信息數(shù)據(jù)后控制機(jī)器臂擺動(dòng)，如表1所示，串口通信均能正常執(zhí)行。

4.3"Jetson"Nano識(shí)別測(cè)試

在Jetson"Nano完成模型部署，使用3D打印機(jī)制造多種顏色的正方體和數(shù)字作為分揀對(duì)象，按不同流水線的需求夾取不同顏色和種類(lèi)的對(duì)象，在相同的環(huán)境光照條件下的多次試驗(yàn)統(tǒng)計(jì)的分揀測(cè)試結(jié)果見(jiàn)表2。經(jīng)過(guò)實(shí)驗(yàn)可見(jiàn)，訓(xùn)練好的模型在不同種類(lèi)、不同顏色的情況下，機(jī)械臂在距離范圍之內(nèi)可以實(shí)現(xiàn)對(duì)分揀對(duì)象的準(zhǔn)確識(shí)別夾取。

5"結(jié)"論

智慧工廠流水線智能分揀為應(yīng)用場(chǎng)景設(shè)計(jì)的嵌入式視覺(jué)分揀機(jī)器人。該分揀機(jī)器人采用分層結(jié)構(gòu)設(shè)計(jì)，上位機(jī)采用Keras+Tensoflow搭建卷積神經(jīng)網(wǎng)絡(luò)模型，卷積網(wǎng)絡(luò)和機(jī)器視覺(jué)技術(shù)相結(jié)合，并部署到Jetson"Nano嵌入式設(shè)備，來(lái)完成對(duì)目標(biāo)對(duì)象的識(shí)別與分類(lèi)；下位機(jī)以STM32G0控制器為核心，融入分揀機(jī)器人抓取系統(tǒng)中進(jìn)行抓取任務(wù)。實(shí)驗(yàn)測(cè)試表明卷積神經(jīng)網(wǎng)絡(luò)部署在嵌入式設(shè)備上能夠很好地實(shí)現(xiàn)流水線的分揀工作，極大地克服了對(duì)于一些特定的分揀場(chǎng)合嵌入式設(shè)備難以運(yùn)行的問(wèn)題，在降低成本的同時(shí)彌補(bǔ)了人工分揀的不足，具有良好的實(shí)用價(jià)值。本系統(tǒng)機(jī)械臂在空間運(yùn)動(dòng)的自由度受限，后期可以換成六自由度來(lái)提高它在空間中的靈活性，進(jìn)一步拓展新的輕量級(jí)深度學(xué)習(xí)算法，提高現(xiàn)場(chǎng)分揀的實(shí)時(shí)性和穩(wěn)定性。

參考文獻(xiàn)

［１］"ZHANG"Y"，CHENG"W"."Visionbased"robot"sorting"system[J]."IOP"Conference"Series"Materials"Science"and"Engineering，"2019，24：32-36.

［2］"王成軍，韋志文，嚴(yán)晨.基于機(jī)器視覺(jué)技術(shù)的分揀機(jī)器人研究綜述[J].科學(xué)技術(shù)與工程，2022，22（3）：893-902.

［3］"陳藝海，黎蓮花，謝昊璋，等.基于機(jī)器視覺(jué)的垃圾分揀機(jī)器人[J].儀器儀表與分析監(jiān)測(cè)，2022（1）：30-35.

［4］"吳蓬勃，姚美菱，王拓，等.基于TensorFlow的垃圾分揀機(jī)器人設(shè)計(jì)[J].實(shí)驗(yàn)室研究與探索，2020，39（6）：117-122.

［5］"徐維."基于改進(jìn)YOLOv4算法的工業(yè)機(jī)器人零件識(shí)別與抓取研究[D].重慶：重慶理工大學(xué)，2022.

［6］"羅順元，李志強(qiáng)，馬文顥.基于樹(shù)莓派的無(wú)人值守信息處理系統(tǒng)[J].計(jì)算機(jī)測(cè)量與控制，2018，26（9）：227-231.

［7］"張亞婉，朱穎，黎偉健.基于視覺(jué)識(shí)別物料分揀機(jī)器人的設(shè)計(jì)[J].電子測(cè)量技術(shù)，2020，43（23）：12-16.

［8］"羅炤茜，陳月芬，占煜輝，等.基于Keras和CNN的蘋(píng)果自動(dòng)分級(jí)[J].系統(tǒng)仿真技術(shù)，2021，17（1）：48-52.

［9］"孫小飛，余濤，陳銳.基于ROS的自動(dòng)分揀機(jī)器人系統(tǒng)設(shè)計(jì)[J].制造業(yè)自動(dòng)化，2021，43（7）：141-146.

［10］李彧，余心杰，郭俊先.基于全卷積神經(jīng)網(wǎng)絡(luò)方法的玉米田間雜草識(shí)別[J].江蘇農(nóng)業(yè)科學(xué)，2022，50（6）：93-100.

［11］馬嘉寧，張立昂，張榮峰，等.智能垃圾分揀機(jī)器人[J].河北農(nóng)機(jī)，2021（7）：80-81.

［12］千承輝，侯天遠(yuǎn)，肖若蘭，等.基于機(jī)器視覺(jué)的垃圾分揀機(jī)器人設(shè)計(jì)[J].單片機(jī)與嵌入式系統(tǒng)應(yīng)用，2019，19（9）：39-42.

［13］何浪，謝明紅，劉馳弋.六自由度機(jī)械臂運(yùn)動(dòng)學(xué)分析與仿真研究[J].機(jī)械工程師，2022（5）：44-48.

［14］黃樹(shù)琳，張鋒.基于視覺(jué)識(shí)別的物料分揀機(jī)器人設(shè)計(jì)[J].自動(dòng)化與儀表，2019，34（11）：36-38+55.

［15］陳洲."三自由度醫(yī)療輔助機(jī)器人的建模與控制[D].沈陽(yáng)：沈陽(yáng)工業(yè)大學(xué)，2019.