人工智能应用素养 课件 第13章　智能制造领域中AI的应用——智能分拣实战.pptx

;01;机器人发展;机器人发展

制造业是国家经济发展的重要支柱，“中国制造2025”概念提出引领发展。

工业机器人作为先进技术装备对产业的升级发展起着重要作用，工业机器人在国内的数量增长迅速

工业机器人是一种应用范围非常广并且技术附加值较高的数字控制装备。

;智能制造优点：

为了避免工人在工业化生产流水线上进行不断地机械式重复劳动，工人脱离危险生产环境。

严格保证产品质量，极大地提高了工业化生产效率。

机器人行业的竞争激烈，成本正在逐步降低

人工劳动力的成本却不同程度地上涨，这导致高性价比的机器人需求量迅速增加，

;分拣机器人：

工业生产线上大量分拣业务如汽车零件分拣组装、电子产品零部件分拣等。

高的定位精度和较好的工作稳定性

避免人工因素导致的分拣错误，提高了工业生产效率和质量

传统的分拣机器人通过示教编程或离线编程方法控制机器人，使得机器人按照规划的移动路线和运行姿态完成分拣任务。

;传统机器人缺点

传统分拣机器人通常只能运用在待抓取位置固定的应用场景

如果待分拣工件的摆放位置或姿态发生变化，该类型机器人很难准确抓取到工件

当实际作业环境发生变化时，需要重新通过示教或离线编程设置机器人。

;视觉机器人产生;视觉机器人产生定义：

为了能够实现分拣操作，机器人需要知道待分拣的工件类型以及工件在传送带上运动时的实时位置信息

需要给机器人安装图像传感器设备，使其具有获取外部图像信息的能力，增强其自适应性以满足分拣种类繁多的机械零部件的要求

;机器视觉

是一门涉及较多领域的交叉学科，包括计算机图形学、信号处理、计算机科学和光学理论等领域。机器视觉能对三维空间中的客观事物进行测量和判断，包括缺陷检测、图像识别、视觉定位等。

主要工作流程

;感谢您的观看！;;01;需求分析;需求分析

制造业企业的生产技术改造需求，传统的流水线作业需要大量人工进行操作，经营成本较高。

该企业需要一款低成本且具有良好分拣性能的工件分拣系统。

视觉分拣系统要对传送带上合格品和瑕疵品工件实现实时定位和精准分拣作业，且系统具有低构造成本的特点。

;整体方案设计

;整体方案设计;控制设备单元

各个模块之间的互联通讯，进行信息的处理和传递。

采用树莓派作为主控制器

树莓派主板上面集成的功能齐全，支持的外设，可自行装载系统。

;图像采集单元;图像采集单元

包括工业相机、光学镜头和传输网线，该单元将采集到的工件图像传输给图像处理单元进行处理。

特点：千兆以太网工业相机

传送带上的工件具有种类多且分布位置随机的特点，加上工件出现在相机摄影范围的时间较短，这就对工业相机的拍摄频率和传输带宽提出了较高要求

使用普通以太网通信会出现比较大的传输延迟；

千兆以太网通信最快可以达到大约1000Mbps的传输速率，使用千兆以太网工业相机可以满足视觉分拣系统对图像数据高速率传输的要求。

;人工智能分拣算法;图像处理单元

核心单元，包括视觉处理算法、工控机和显示器。

处理单元中的工控机接收到图像采集单元所采集的工件图像后，调用视觉处理算法对工件图像进行处理分析

得到图像中工件对应的种类信息和位置坐标信息，最后将该信息发送给机器人分拣单元。

;机器人分拣单元;机器人分拣单元

机器人分拣单元主要是利用机械臂实现抓取功能。

机器人分拣单元是基于视觉的工件分拣系统的执行机构，负责接收图像处理单元发送的分拣信息，并根据分拣信息对传送带上的工件进行抓取与放置

其中根据工件的位置坐标信息确定分拣机器人的抓取点，根据工件的种类信息确定分拣机器人的放置区域。

;感谢您的观看！;;01;卷积神经网络;卷积神经网络

本质上是一个多层感知机，其成功是由于采用了局部连接和共享权值的方式，使得神经网络易于优化，降低过拟合的风险。

卷积神经网络可以使用图像直接作为神经网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程

;卷积神经网络在二维图像处理上有优势

如能自行抽取图像特征，在复杂任务上具有良好的鲁棒性和运算效率等。

卷积神经网络可以处理环境信息复杂、背景知识不清楚、推理规则不明确情况下的问题;卷积神经网络

最主要的功能是特征提取和降维。

特征提取是的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。

特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域;降维

指通过线性或非线性映射，将样本从高维度空间映射到低维度空间，

获得高维度数据的一个有意义的低维度表示过程。

;卷积神经网络：一种特殊的深层神经网络模型，它的特殊性体现在两个方面：

它的神经元的连接是非全连接的（局部连接或稀疏连接）

同一层中某些神经元之间的连接的权重是共享的（即相同的）

卷积