基于不規(guī)則曲面的海灣扇貝定向上料系統(tǒng)設計

摘要：

目前，海灣扇貝紅外加熱開殼取貝柱前多采用人工上料，上料準確率及生產效率低。扇貝的不規(guī)則曲面是實現(xiàn)自動化上料的難點所在，對海灣扇貝自動化定向上料系統(tǒng)進行設計。首先，傳送帶運輸的扇貝到達識別區(qū)時，視覺系統(tǒng)通過RANSAC算法對扇貝耳緣所呈直線進行擬合，確定海灣扇貝耳部朝向。其次，通過傳送帶及編碼器反饋的數據實現(xiàn)圖像信息坐標到機器人坐標的轉化，根據機器人末端運動軌跡信息確定實際抓取位置。最后，根據扇貝殼呈不規(guī)則曲面并具有多條放射肋的特性，確定Delta機器人末端執(zhí)行器的抓取方式。利用Box-Behnken進行多因素交互試驗分析，得到吸盤直徑為20mm、抓取點為扇貝中心線上距背緣為0.23倍殼高處、真空發(fā)生器的輸入氣壓為0.6MPa時，抓取成功率最高。根據優(yōu)化結果進行試驗驗證，結果表明：抓取成功率為95.80%，理論值和實際結果吻合良好，平均抓取時間為1.6s。耳部朝向識別的成功率達到95.33%，上料系統(tǒng)上料總成功率為91.67%，研究結果可為扇貝自動化加工領域提供參考。

關鍵詞：海灣扇貝；Delta機器人；定向上料；耳部朝向；響應面；末端執(zhí)行器；視覺系統(tǒng)

中圖分類號：S985.3+6

文獻標識碼：A

文章編號：2095-5553 （2025） 01-005-09

Design of bay scallop directional feeding system based on irregular surface

Zhu Hailiang， Wang Jiazhong， Kong Degang， Xing Yazhou

（College of Mechanical and Electrical Engineering， Hebei Agricultural University， Baoding， 071001， China）

Abstract：

At present， the infrared heating of bay scallops usually uses manual feeding before shelling and shell extraction， and the feeding accuracy and production efficiency are low. The irregular surface of scallops is the difficulty in realizing automatic feeding. This paper designs the automatic directional feeding system for bay scallops. Firstly， when the scallops transported by the conveyor belt arrive at the identification area， the visual system uses the RANSAC algorithm to fit the straight line of the scallop ear edge to determine the ear orientation of the bay scallop. Secondly， the conversion of image information coordinates to robot coordinates is realized through the data fed back by the conveyor belt and the encoder， and the actual grasping position is determined according to the trajectory information of the robot end. Finally， according to the irregular curved surface and multiple radial ribs of the scallop shell， the grasping method of the Delta robot end effector is determined. By using Box-Behnken to conduct multi-factor interactive test analysis， it is obtained that when the diameter of the suction cup is 20mm， the grasping point is 0.23 times the height of the shell from the center line of the scallop to the back edge， and the input air pressure of the vacuum generator is 0.6MPa， the success rate of grasping Highest. Experimental verification is carried out according to the optimization results， and the results show that the grasping success rate is 95.80%， the theoretical value and the actual result are in good agreement， and the average grasping time is 1.6s. The success rate of ear orientation recognition reaches 95.33%， and the total success rate of feeding system is 91.67%. The research results can provide a reference for the field of scallop automatic processing.

Keywords：

bay scallop; Delta robot; directional feeding; ear orientation; response surface; end effector; visual system

0"引言

扇貝作為我國沿海地區(qū)重要海洋經濟作物之一，營養(yǎng)價值較高，市場對于扇貝的需求量越來越大，扇貝規(guī)?；B(yǎng)殖得到了蓬勃發(fā)展^［1］，扇貝自動化加工需要經過清洗、分級、定向、上料及開殼等工序^［2］。目前，海灣扇貝在進行紅外加熱開殼前，大多通過人工將扇貝以特定的耳部朝向放到位置固定的加熱模具中，使扇貝輪廓與模具輪廓相吻合來實現(xiàn)海灣扇貝定向上料。人工上料生產效率低、精準度無法保障，并且隨著人工成本的提高，急劇加大了對自動化上料系統(tǒng)的需求。海灣扇貝有17～18條放射肋、曲面不規(guī)則以及貝殼表面有水附著，對耳部朝向的準確識別和對扇貝的快速穩(wěn)定抓取實現(xiàn)扇貝高效精準上料成為難點問題。

對扇貝耳部的準確定向成為自動化上料過程中的關鍵問題。五香秀治^［3］、戸田勝善^［4］等就扇貝耳部定向問題提出了兩種機械定向的方法，但機械定向會產生震動、碰撞等，影響扇貝的活性或者是不方便后續(xù)處理。林艾光等^{［5， 6］}提出了通過機器視覺的方法并用隨機Hough變換檢測背緣線來確定蝦夷扇貝耳部朝向，但海灣扇貝殼頂較突出，背緣平直度較差，用此方法檢測海灣扇貝耳部朝向時成功率較低。

傳統(tǒng)上料環(huán)節(jié)是通過示教器或離線編程的方法，對機器人所作動作和抓取位置預先進行嚴格設定，一旦工作環(huán)境發(fā)生變化會產生嚴重錯誤^{［7， 8］}。應用機器視覺可以對機器人的運動以及抓取位置進行引導^［9］，并可以準確識別出扇貝姿態(tài)及抓取位置，并使機器人具有類似于人的目標識別跟蹤能力，機器視覺和機器人結合，可以大大提高生產線的自動化程度。

因此，本文為實現(xiàn)不規(guī)則曲面海灣扇貝的定向上料，對其進行設計與研究。通過視覺系統(tǒng)對扇貝耳緣呈直線的特征進行耳部朝向檢測，使用Delta機器人對扇貝進行實時跟蹤，根據抓取軌跡確定動態(tài)抓取位置，對不規(guī)則曲面的扇貝進行抓取研究，確定最佳抓取方案，最終實現(xiàn)對不規(guī)則曲面的海灣扇貝的定向上料，為扇貝紅外加熱開殼奠定基礎。

1"系統(tǒng)總體設計

1.1"系統(tǒng)架構設計

如圖1所示，海灣扇貝定向上料系統(tǒng)由傳送帶、視覺系統(tǒng)和Delta機器人組成，分為識別區(qū)Ⅰ、抓取區(qū)Ⅱ和紅外加熱開殼區(qū)Ⅲ。系統(tǒng)工作流程如圖2所示，首先，到達傳送帶上的扇貝左右殼朝向已經統(tǒng)一為左殼朝上，但耳部朝向是隨機的，扇貝隨傳送帶運動到識別區(qū)；然后，視覺系統(tǒng)獲取扇貝圖像并傳輸給上位機，上位機對扇貝耳部朝向和抓取位置進行確定；最后，扇貝運動到抓取區(qū)時，Delta機器人根據上位機傳輸的抓取位置信息和末端旋轉信息對扇貝進行追蹤抓取，將扇貝放入仿形模具中，使扇貝輪廓和模具輪廓相吻合。

1.2"傳送帶

紅外加熱開殼時需要將扇貝放入到開殼裝置起始端的仿形模具中，兩者并列放置，相距30mm。仿形模具到地面的高度為712mm，為便于抓取，將帶面到地面高度設置為與上述相同的高度，并且為防止輸送到傳送帶上的扇貝之間出現(xiàn)堆疊現(xiàn)象影響識別結果與上料效率，將帶寬設置為260mm?？紤]其他工位在傳送帶上所占面積，將長度設置為2000mm。

1.3"視覺系統(tǒng)

視覺系統(tǒng)通過相機將被攝目標轉換為圖像信號，傳輸至上位機，得到被攝目標的形態(tài)信息^［10］。選用分辨率為1200萬像素的?？低昅V-CU120-10GC的面陣相機，通訊接口為GigE接口，選用鏡頭型號為VM0820MP5的中聯(lián)科創(chuàng)鏡頭，采用LED光源進行補光來使拍攝的圖像更加清晰，工控機作為上位機，通過GigE接口接收圖像信息。

1.4"Delta機器人

Delta機器人因其靈活性、高速度和高精度可以實現(xiàn)對物體的快速拾放，廣泛應用于工業(yè)自動化、食品等領域，在提高生產效率、降低人力成本方面具有重要作用。Delta機器人機架橫跨紅外加熱開殼裝置和傳送帶，安裝在機架中心，為保證上料準確率，Delta機器人主動臂和中間軸的驅動電機均為伺服電機。

考慮到主動臂長度和安裝位置需要避免觸碰到機架邊緣，設計主動臂桿長為250mm，靜平臺半徑為87mm，為便于安裝末端執(zhí)行器，設計動平臺半徑為48mm。以工作空間最大值為目標^［11］，得到從動臂桿長為570mm，通過上述確定的機器人尺寸計算機器人的工作空間，采用數值法并基于位置正解求解工作空間^［12］，將3個主動臂的最大轉角設置為70°，最小轉角設置為-20°，通過MATLAB編程，在約束角度范圍內對隨機輸入的主動臂角度求取工作空間，其結果如圖3所示。

扇貝在傳送帶抓取區(qū)到仿形模具中心的距離為290～480mm（圖4），在Z軸方向上的-700～-450mm范圍內可以滿足機器人實際抓取任務并且也避免了正常工作時運動到極限位置影響機器人壽命。

2"海灣扇貝耳部朝向檢測

對海灣扇貝耳部朝向的檢測準確度決定了其與加熱模具輪廓的吻合程度，扇貝放置不規(guī)范會導致紅外加熱開殼效率低^［13］。海灣扇貝背緣近似為直線（圖5），是檢測耳部朝向的關鍵特征。RANSAC算法^{［14， 15］}采用迭代的方式在一組含有異常值的數據中估算出數學模型，具有剔除不合格數據的思想，此算法魯棒性強，并且在特定數據集中估計出的模型具有唯一性。在扇貝輪廓中背緣所占比例較小，且期望得出的直線只有一條，故RANSAC算法非常適用于對扇貝耳緣處直線的擬合。

根據RANSAC算法思想，對關鍵擬合參數進行確定，各參數如表1所示。

通過表1的數據，對耳緣近似的直線進行擬合，得到迭代次數內最佳直線模型，返回模型對應參數k、b，最后將模型可視化，結果如圖6所示。

將斜率k轉化為傾斜角度θ，如式（1）所示。

θ=arctank×57.29577

（1）

接著對耳部朝向相反但是斜率相同的情況進行判斷，最終得到機器人末端的旋轉角度。

3"Delta機器人扇貝抓取的實現(xiàn)

3.1"動態(tài)位置獲取與抓取位置確定

海灣扇貝隨傳送帶輸送到識別區(qū)后，視覺系統(tǒng)對扇貝進行識別定位后得到圖像的坐標信息，通過傳送帶編碼器反饋的數據進行手眼標定可以實現(xiàn)圖像信息坐標到機器人坐標的轉化^［16］。分別進行傳送帶與機器人、相機與傳送帶的標定，確定對應的轉換關系，最終得到任意扇貝隨傳送帶運動到抓取區(qū)內在機器人坐標下的動態(tài)位置。

傳送帶和機器人標定，確定傳送帶和機器人的轉換關系T^R_B。分別建立傳送帶坐標系O_B和機器人坐標系OR，在傳送帶上放置物體W，啟動傳送帶使物體在機器人抓取范圍內運動一段距離，分別記錄起點和終點在機器人坐標系下的坐標O^W_1R、O^W_2R以及傳送帶編碼器的變化量ΔC，接著將機器人末端沿Y軸方向移動一段距離，記此時機器人末端坐標為O^Y_R。

計算編碼器的比例因子λ，根據向量幾何關系得到式（2）。

O^W_1RO^W_2R·O^B_RO^Y_R=0

O^W_1RO^W_2R×O^B_RO^W_2R=0

（O^Y_RO^B_R×O^W_1RO^W_2R）×O^W_1RO^W_2R=0

（2）

求解得到傳送帶基坐標，確定轉換關系為

T^R_B=

X_BY_BZ_BO^B_R

0001

（3）

O^W_R=T^R_BO^W_B

（4）

相機與傳送帶的標定確定兩者之間的轉換關系T^B_C。將物體放置在相機拍攝范圍內，記錄相機坐標系下的坐標O^W₁^′_C，物體在傳送帶上的坐標為O^W₁^′_B=T^B_CO^W₁^′_C。當物體隨傳送帶到達機器人抓取范圍內，記錄物體在機器人坐標系下的坐標O^W₂^′_R以及傳送帶編碼器編碼量的差值ΔC′。物體W在傳送帶上由位置1運動到位置2的轉換關系如式（5）所示。

O^W₂^′_B=T_rO^W₁^′_B=

100ΔL

0100

0010

0001

O^W₁^′_B

（5）

式中：

Tr——傳送帶的運動矩陣。

其中，ΔL=ΔC′·λ。

由傳送帶坐標到機器人坐標的轉換可以得到

O^W₂^′_B=T^R_B^－1O^W₂^′_R

（6）

由式（7）可得相機與傳送帶的轉換關系T^B_C。

T^B_C=T^R_B^－1T_r^－1O^W′_C^－1O^W′_R

（7）

最終得到任意物體在相機坐標系下隨傳送帶運動到機器人抓取范圍內機器人坐標下的動態(tài)位置為

O^W′_R=T^B_CT^R_BT_rO^W′_C

（8）

機器人末端從初始位置運動到抓取點所經歷時間Δt，在此期間扇貝也隨傳送帶運動。如圖8所示，點A為目標扇貝的位置，但是實際抓取位置為點B，實際抓取路徑為BC。

為簡化求解過程，忽略扇貝運動過程中在Y軸和Z軸的細微變化，得到點B坐標如式（9）所示。

x_B=x_A+Δt·v

y_B=y_A

（9）

末端初始位置坐標為（xc，yc）已知，得出機器人末端位移為

s

=（x_B－x_c）²+（y_B－y_C）²

=（x_A+Δt·v-x_c）²+（y_A－y_C）²

（10）

其中，Δt為未知量，需要對Delta機器人的運動路徑進行分析才可以將Δt求解。

Delta機器人在抓取過程中其運動軌跡大致為“門”字形，運動軌跡如圖9所示。在每次進行抓取時共經歷3個階段：P1-P2的上升階段、P2-P3的平移階段和P3-P4的下降階段。

為了機器人末端可以在角點處實現(xiàn)平滑過渡，避免機器人震動使抓取精度降低并影響機器人的壽命，在角點處采用圓弧過渡。為使機器人末端在各個階段可以快速實現(xiàn)加減速并運行平穩(wěn)，采用修正梯形軌跡規(guī)劃算法^［17］，其具有良好的速度連續(xù)性并降低了機器人的剛性沖擊。

修正梯形運動規(guī)律在一個運動周期T內的加速度描述如式（11）所示。

a=

amaxsin4πTt0≤t≤18T

amax18lt;t≤38T

amaxcos4πTt-38T38Tlt;t≤58T

－amax58Tlt;t≤78T

－amaxcos4πTt-38T78Tlt;t≤T

（11）

式中：

amax——最大加速度。

對式（11）進行二次積分可得位移表達式如式（12）所示。

s=

－T4π²amaxsin4πT+14πamaxTt

0≤t≤18T

12amaxt²+14π－18amaxTt

+1128－116π²amaxT²

18Tlt;t≤38T

－T4π²amaxcos4πTt-38T+14π+14amaxTt-116amaxT²

38Tlt;t≤58T

-12amaxt²+14π+78a+116π²－33128amaxT²

58Tlt;t≤78T

T4π²amaxcos4πTt-78T+14πamaxTt+18amaxT²

78Tlt;t≤T

（12）

最終可得位移、時間和加速度關系如式（13）所示。

T=s（0.25π+0.25）amax

（13）

結合式（9）、式（10）和式（13），即可得到實際抓取位置。

3.2"抓取方案確定

3.2.1"末端執(zhí)行器設計

海灣扇貝殼表面存在17～18條放射肋，表面不平整，且殼面呈不規(guī)則的曲面，真空吸盤吸取過程中漏氣現(xiàn)象嚴重，海綿吸盤吸附面大，適用于表面不平整的物料抓取，并且海綿吸盤結構簡單安裝方便，抓取速度快，故選用海綿吸盤，采用真空負壓的方式抓取扇貝。

殼長在55～60mm范圍內的扇貝殼厚最大偏差為5mm左右^［18］，機器人末端每次下降的距離相同，使用不可伸縮式的末端執(zhí)行器可能會將扇貝壓碎或者觸碰不到扇貝表面。使用可伸縮式吸盤固定架，其伸縮量為8mm左右，可以保證末端下降相同的高度時可以和不同殼厚的扇貝完全接觸（圖10）。

3.2.2"抓取位置

使用直徑為15mm的吸盤對扇貝殼表面可抓取位置進行分析，用吸盤接觸扇貝并壓緊扇貝，觀察扇貝是否發(fā)生較明顯的位姿變化及吸盤是否和扇貝完全貼合如圖11（a）所示。對兩個耳部直接接觸發(fā)現(xiàn)扇貝姿態(tài)發(fā)生較大變化并且吸盤不能和耳部完全貼合，故確定耳部為非可抓取區(qū)域。去除耳部區(qū)域，其輪廓近似為圓，故以圓心為起點分別向輪廓邊緣進行試驗確定可抓取位置，為精準確定最佳抓取位置并避免大量試驗次數，讓每個抓取位置中心相距8mm左右，共確定出37個抓取位置，用吸盤中心對準每個抓取位置中心進行試驗，得到5個可抓取位置如圖11（b）所示，其中，H為扇貝殼高。

5個可抓取位置近似處于扇貝中心線上，通過實際測量，各抓取位置中心到背緣距離如表2所示。

3.2.3"輸入氣壓

吸盤水平吸取時理論吸附力的計算如式（14）所示。

F=S×Pμ

（14）

式中：

S——有效吸附面積，mm²；

P——真空壓力，MPa；

μ——安全系數。

由式（14）可知，吸盤的吸附力與吸盤的大小、真空壓力有關，使用真空發(fā)生器作為負壓發(fā)生裝置，真空壓力的大小與輸入氣壓的大小和氣體泄露量有關^{［19， 20］}。貝殼外形有弧度，放置在水平傳送帶上抓取時必然會產生氣體泄漏現(xiàn)象，不同抓取位置以及不同吸盤大小還會導致漏氣量有所不同，對于理論吸附力的計算較難實現(xiàn)，故需要通過試驗與分析來確定輸入氣壓、抓取位置和吸盤直徑最佳組合。

3.3"單因素分析

3.3.1"不同吸盤大小對扇貝抓取成功率的影響

將輸入氣壓調節(jié)為0.6MPa，抓取位置為4，選擇不同大小直徑的吸盤，試驗并觀察抓取效果，結果如圖12所示。吸盤直徑大小在10～20mm范圍內，抓取成功率隨吸盤直徑的增加逐漸增高，直徑超過20mm時，由于貝殼表面為有弧度的不規(guī)則曲面，且有17～18條放射肋，隨著吸盤的增大，吸盤不能與貝殼完全接觸，發(fā)生大面積的氣體泄漏現(xiàn)象，導致抓取成功率呈現(xiàn)下降趨勢，因此選擇吸盤直徑為15～25mm。

3.3.2"不同抓取位置對扇貝抓取成功率的影響

保持輸入氣壓為0.6MPa，吸盤直徑為20mm，對不同抓取位置進行試驗，不同抓取位置抓取成功率如圖13所示。抓取位置靠近邊緣時抓取成功率較低，靠近扇貝中心位置時成功率較高，因此，綜合考慮確定抓取位置為3～5。

3.3.3"不同輸入氣壓對扇貝抓取成功率的影響

保持吸盤直徑為20mm，在抓取位置4處進行抓取，在不同真空發(fā)生器的輸入氣壓下進行試驗，不同輸入氣壓情況下抓取成功率如圖14所示。當輸入氣壓在0.5MPa左右時，抓取成功率較高，抓取成功率不隨輸入氣壓的增加而增加的原因是真空發(fā)生器的工作壓力達到最佳，不會無限制的增加，超過最佳輸入氣壓會使真空發(fā)生器性能下降，導致抓取成功率下降，最終確定輸入氣壓的范圍為0.4～0.6MPa。

3.4"多參數交互影響分析

為分析吸盤直徑X1、抓取位置X2和輸入氣壓X3三個因素對扇貝抓取成功率的交互作用影響，使用Box-Behnken設計試驗方案，進行三因素三水平正交試驗，試驗因素與水平如表3所示。按照Box-Behnken design設計試驗，試驗結果如表4所示。

使用Design-Expert對數據進行三元二次的回歸擬合，剔除不顯著交互項，得到扇貝抓取成功率的簡化回歸方程為

Y=

89.93+2.63X₁－5.60X₂+11.96X₃+

1.09X₁X₂+4.99X₁X₃+3.73X₂X₃－

8.08X₁²－4.52X₂²－4.93X₃²

（15）

對擬合的簡化回歸方程進行方差分析如表5所示。由表5可知，上述三個因素對扇貝抓取成功率影響顯著，失擬項不顯著，所建立的模型可靠性較高。X1、X2、X3、X1X3、X2X3、X1²、X2²、X3²與抓取成功率呈極顯著關系。

各因素交互作用對抓取成功率影響的響應面曲線如圖15所示。由圖15可知，三個因素交互作用對抓取成功率影響顯著。采用Design-Expert優(yōu)化分析，可以得出吸盤直徑為20mm、抓取位置4（扇貝中心線上距背緣為0.23倍殼高H處）和真空發(fā)生器的輸入氣壓為0.6MPa時，抓取成功率為最佳，抓取成功率理論值為97.07%。

4"試驗驗證

4.1"試驗材料

試驗所用扇貝產自河北省昌黎扇貝養(yǎng)殖基地，將扇貝打撈上岸后對扇貝進行清洗和分級，保證扇貝統(tǒng)一大小和表面光潔程度，選取55～60mm殼長的扇貝作為研究對象。

4.2"試驗設備

海灣扇貝定向上料系統(tǒng)使用型材上的仿形模具代替紅外加熱裝置上的仿形模具，為了保證試驗可行性，使安裝在型材上仿形模具的位置和設計方案中的位置相同。機器人末端吸盤大小、輸入氣壓及抓取位置使用3.3節(jié)的優(yōu)化結果，在工控機上對抓取位置進行設置，并將仿形模具上方設置為放置點。設置傳送帶速度為120mm/s，機器人末端平均移動速度為470mm/s，旋轉速度為15rad/s。

4.3"試驗結果

為驗證識別和抓取方案的可行性，對100只扇貝進行試驗，經3組試驗驗證，每組試驗100只。將扇貝依次放在傳送帶上，到達識別區(qū)后記錄是否將扇貝耳部朝向識別，扇貝耳部朝向識別失敗有兩種情況：（1）由于光源及對比度的問題，無法提取扇貝輪廓導致沒辦法檢測出耳部所呈直線。此時，扇貝到達抓取區(qū)不會被機器人抓?。唬?）扇貝的輪廓可以被提取，但得到的耳部朝向是錯誤的。在此情況下，扇貝輸送到抓取區(qū)時會被機器人抓取。

當扇貝運動到抓取區(qū)時，記錄機械手能否準確將扇貝抓入仿形模具中，將扇貝可以從傳送帶成功抓取到仿形模具中作為抓取成功的指標，將扇貝與仿形模具的吻合情況作為上料成功的指標；個別貝殼表面有鱗狀突起以及附著藤壺等生物，或是有些貝殼形狀有些畸形，不僅會影響耳部朝向識別結果，還會導致扇貝可以被抓取但是與仿形模具吻合程度非常差最終上料失??；有時也會出現(xiàn)耳部朝向識別錯誤但是與仿形模具中吻合程度較好的情況，因此上料成功的數量和抓取成功的數量有所差異。分別統(tǒng)計識別情況、抓取情況以及上料成功情況如表6所示，最終得到識別成功率、抓取成功率以及上料成功率如表7所示。

視覺系統(tǒng)對耳部朝向識別結果如圖16（a）所示，Delta機器人扇貝抓取效果如圖16（b）所示。對耳部朝向識別最大角度誤差為3°，平均誤差為1.4°。扇貝放置時扇貝輪廓可以和模具輪廓基本吻合，平均誤差為2.2°，最大誤差為5.3°。抓取過程平穩(wěn)，平均抓取時間為1.6s，扇貝在抓取工程中沒有被甩落的情況。Delta機器人對扇貝抓取的成功率為95.80%，與理論值基本一致，認為以上參數優(yōu)化方法可行。

5"結論

1） 針對不規(guī)則曲面的海灣扇貝紅外加熱開殼時上料難問題，設計海灣扇貝定向上料系統(tǒng)，確定傳送帶、Delta機器人的尺寸，設計視覺系統(tǒng)，完成上料系統(tǒng)的搭建。

2） 應用機器視覺技術，通過RANSAC算法對海灣扇貝耳部朝向進行檢測，耳部朝向識別的成功率達95.33%，識別角度的平均誤差為1.4°。

3） 通過手眼標定實現(xiàn)圖像信息坐標到機器人坐標的轉化，根據機器人末端運動軌跡信息確定實際抓取位置，并確定使用海綿吸盤采用真空負壓的形式抓取扇貝。

4） 通過單因素試驗及多因素組合響應面分析，以抓取成功率為響應指標，確定最佳吸盤直徑為20mm、抓取位置扇貝中心線上距背緣為0.23倍殼高H處、真空發(fā)生器的輸入氣壓為0.6MPa時，抓取成功率最高。試驗表明：抓取成功率可達95.80%，理論值和實際結果吻合良好。綜合識別與抓取情況，Delta機器人定向上料總成功率為91.67%，能夠很好解決海灣扇貝紅外加熱開殼前定向上料問題。

參"考"文"獻

［1］ 賈振超， 張鋒， 孔凡祝， 等. 我國扇貝加工裝備現(xiàn)狀及發(fā)展趨勢［J］. 農業(yè)裝備與車輛工程， 2019， 57（S1）： 218-220.

Jia Zhenchao， Zhang Feng， Kong Fanzhu， et al. Current situation and development trend of scallop processing equipment in China ［J］. Agricultural Equipment and Vehicle Engineering， 2019，57（S1）： 218-220.

［2］ 李磊， 王家忠， 弋景剛， 等. 曲面滑切式海灣扇貝剝殼機的設計［J］. 現(xiàn)代食品科技， 2020， 36（12）： 198-203.

Li Lei， Wang Jiazhong， Yi Jinggang， et al. Design of curved sliding-cut bay scallop sheller ［J］. Modern Food Science and Technology， 2020， 36（12）： 198-203.

［3］ 五香秀治. 二枚貝連続供給裝置［J］. 公開特許公報 （A）， 1992： 171-182.

［4］ 戸田勝善， 林艾光， 矢田貞美. 動力學モデルに基づいた養(yǎng)殖用ホタテ稚貝の左殻上向き運動の解析［J］. 農業(yè)機械學會誌， 2002， 64（3）： 70-78.

［5］ 林艾光， 孫寶元， 馬先英. 蝦夷扇貝定向檢測方法研究［J］. 大連理工大學學報， 2008（1）： 79-83.

［6］ 林艾光. 吊耳養(yǎng)殖蝦夷扇貝耳部鉆孔自動化關鍵技術研究［D］. 大連： 大連理工大學， 2009.

Lin Aiguang. Study on key techniques of automatic drilling for scallop culturing by ear-hanging ［D］. Dalian： Dalian University of Technology， 2009.

［7］ 倪鶴鵬， 劉亞男， 張承瑞， 等. 基于機器視覺的Delta機器人分揀系統(tǒng)算法［J］. 機器人， 2016， 38（1）： 49-55.

Ni Hepeng， Liu Yanan， Zhang Chengrui， et al. Sorting system algorithm based on machine vision for Delta robot ［J］. Robot， 2016， 38（1）： 49-55.

［8］ 吳旭清， 黃家才， 周磊， 等. 并聯(lián)機器人智能分揀系統(tǒng)設計［J］. 機電工程， 2019， 36（2）： 224-228.

Wu Xuqing， Huang Jiacai， Zhou Lei， et al. Design of intelligent sorting systemof parallel robots ［J］. Mechanical and Electrical Engineering， 2019， 36（2）： 224-228.

［9］ Liu Z， Zhao B， Zhu H. Research of sorting technology based on industrial robot of machine vision ［C］. 2012 Fifth International Symposium on Computational Intelligence and Design， IEEE， 2012， 1： 57-61.

［10］ 張園， 王慧芬， 王翰銘. 機器視覺技術、標準及安全產業(yè)應用［J］. 電信科學， 2020， 36（11）： 104-112.

Zhang Yuan， Wang Huifen， Wang Hanming. Machine vision technology， standardization and application in safety industry ［J］. Telecommunication Science， 2020， 36（11）： 104-112.

［11］ 梁艷陽， 王效杰， 劉恒. Delta機器人結構參數與期望工作空間之間關系研究［J］. 機械設計與制造， 2015（2）： 154-156， 160.Liang Yanyang， Wang Xiaojie， Liu Heng. Research on the relationship between delta robot structure parameters and its desired workspace ［J］. Machine Design amp; Manufacture， 2015（2）： 154-156， 160.

［12］ 姜軼輝. 三自由度Delta并聯(lián)機器人工作空間研究［D］. 西安： 長安大學， 2018.

Jiang Yihui. Study on the woekspace of 3-DOF delta robot ［D］. Xi，an： Chang ，an University， 2018.

［13］ 王家忠， 李磊， 孔德剛， 等. 基于紅外輻射的鮮活扇貝開殼方法與參數優(yōu)化［J］.農業(yè)工程學報， 2022，38（1）：324-332.

Wang Jiazhong， Li Lei， Kong Degang， et al. Fresh scallop shell opening method and parameter optimization based on infrared radiation ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（1）： 324-332.

［14］ 傅燈斌， 江茜， 齊龍， 等. 基于區(qū)域生長順序聚類-RANSAC的水稻苗帶中心線檢測［J］. 農業(yè)工程學報， 2023， 39（7）： 47-57.

Fu Dengbin， Jiang Qian， Qi Long， et al.Detection of the centerline of rice seeding belts based on region growth sequential clustering-RANSAC ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（7）： 47-57.

［15］ Derpanis K G. Overview of the RANSAC Algorithm ［J］. Image Rochester NY， 2010， 4（1）： 2-3.

［16］ 趙鵬宇. Delta并聯(lián)機器人目標識別與抓取技術研究［D］. 太原： 中北大學， 2022.

Zhao Pengyu. Research on target recognition and grasping technology of delta parallel robot ［D］. Taiyuan： North University of China， 2022.

［17］ 胡寒. 基于機器視覺的Delta機器人動態(tài)抓取系統(tǒng)關鍵技術的研究［D］. 廣州： 廣東工業(yè)大學， 2019.

Hu Han. Research on key technologies of Delta robot dynamic grabbing system based on machine vision ［D］. Guangzhou： Guangdong University of Technology， 2019.

［18］ 張志軍. 扇貝分級設備關鍵部件設計與試驗研究［D］. 保定： 河北農業(yè)大學， 2015.

Zhang Zhijun. Design and experimental research on key components of scallop grading equipment ［D］. Baoding： Hebei Agricultural University， 2015.

［19］ 白聯(lián)強， 宋仲康， 王鵬. 不同泄漏情況下真空吸盤內部流場仿真分析［J］. 機械工程師， 2018（7）： 33-35， 38.

Bai Lianqiang， Song Zhongkang， Wang Peng. Simulation analysis of internal flow field of a vacuum suction cup under different leakage conditions ［J］. Mechanical Engineer， 2018（7）： 33-35， 38.

［20］ 付海鵬， 王庫， 王向榮. 編織袋用真空吸盤系統(tǒng)設計［J］. 鈾礦冶， 2021， 40（2）： 139-142.

Fu Haipeng， Wang Ku， Wang Xiangrong. Design of vacuum sucker system for woven bag ［J］. Uranium Mining and Metallurgy， 2021， 40（2）： 139-142.