摘要：基于Delta并联机械手创新采用了悬挂式机构，设计成为大范围抓取机载平台。通过卷积算法设计两个算子提取梯度图像，对图像梯度方向进行梯度大小的移动并进行像素叠加，可以快速收敛至待识别球心。提高了系统对球的识别精确度和系统鲁棒性。神经网络拥有良好的非线性逼近特性和自适应、自学习能力，利用机器学习神经网络的训练，进而可完成对场景目标的准确识别和抓取任务，构建成一个智能化的机械手抓平台。

关键词：并联机械手；神经网络；梯度位移；抓取

1. 项目简介

目前并联机械手因其性能高、成本低、负重比大、惯量低、动态性能好、运动精度高等优点，发展迅速。众多研究者在并联机械手机构上配以计算机视觉系统，试图达到对目标物体的自动识别、跟踪与抓放。但目前基于并联机械手的图像处理算法仅能满足目标识别的基本效果，缺乏精度及可移植性。

神经网络因其良好的非线性逼近特性和自适应、自学习能力而成为机器人视觉伺服的研究热点。利用机器学习中的相关统计学习方法提取目标的特征信息并完成对神经网络的训练，进而完成对场景目标的准确识别和抓取任务，构建一个智能化的机械手抓取平台成为可能。

本项目旨在设计实现准确高效的并联机械手，并在此基础上构建智能图像处理平台，采用机器学习算法结合神经网络的方法用于完成复杂物体的自动识别、跟踪与抓放，实现并联机械手的智能化。其中，利用神经网络和机器学习相结合的方法，能有效地提取特征并加权，同时使误差降到最低，具有良好的健壮性，能满足装置的高精度和多种环境的工作需求。

3. 项目方案

基于并联机械手的智能抓取平台主要利用图像处理和机器学习的相关 理论，实现对场景中被抓取目标的特征提取、特征学习和目标姿态判定，然后驱动机械手臂抓取特定的目标。在项目研制过程中，需要重点解决以下两个方面的问题：机械臂设计和基于图像处理的目标抓取。其中，在机械臂设计方面，需要完成机械手的建模和受力分析工作，同时考虑到机械手能够适应不同的应用场景，需要对机械臂的抓取空间进行合理布局和优化。在目标抓取过程中，需要考虑目标的特征信息、神经网络模型的构建和训练，以及如何控制机械臂实现准确、快速的目标抓取任务。通过设计合理的技术路线和研究方案，最终开发出一套能够快速、准确且具有智能性的机器人抓取平台。

3.1机械部分

机械部分建立在Delta机构并联机械手基础之上，同时对机械装置加以改进以扩大机械手的工作范围。运用SolidWorks对整体机械结构进行建模，并通过Ansys Workbench对受力情况、疲劳度等进行分析，确认最优方案。

舵角的计算：由于本项目采用的是是三自由度Delta并联机械手，对于三自由度 Delta 并联机械手而言，其运动学逆解一般都比较容易，通常可以直接用一个解析表达式来描述这种运动学逆解关系。

完成目标的位置进行定位之后，基于位置的视觉定位根据目标相对于机械臂的位姿和运动状态，可利用上式可推导出在目标坐标下三个舵机的理论转角，给出机械臂在柱坐标系内的运动指令并发送给下位机。利用STM32输入捕获接收信号，输出PWM波控制机械臂抓取目标。

3.2图像处理部分

在利用机器学习和神经网络手段构建智能抓取平台的过程中，具体的技术路线如图1所示。

该过程由上半部分的识别和下半部分的分析构成：识别部分完成对输入图像的预处理、特征提取、特征选择和姿态解算；分析部分完成对训练样本的预处理、特征提取、特征选择和规则学习，最终构建一个具有智能性的神经网络模型。图框右下角部分则为自适应处理部分，即通过训练样本给出判定规则，再对原训练样本进行依次检测，判断有无误差，进而不断改进判别规则，一直达到要求结束。

为了实现机器人依据视觉信息对三维空间目标物体的抓取，需要从摄像机获取的二维图像中提取出目标的特征信息。机器人视觉系统的关键技术是对目标实时、准确的提取，而目标提取的实质是图像分割。本部分以并联机械手为平台，对采集的图像进行相关处理，提取出目标物体的有用特征。然后，采用神经网络训练测试样本，完成了从图像空间到摄像机空间的坐标转换，实现了机器人根据视觉信息对三维空间目标的定位。机器学习神经网络的设计实现可分为 3个阶段，样本图像基本处理、神经网络训练和测试优化。图像的基本处理过程包括图像获取、灰值化与滤波、图像分割和图像增强等。本部分的基本流程如图2所示：

分享让更多人看到