基于機器視覺的碼垛機器人系統研究*

劉振宇，李中生,2,，張 濤，趙 雪

(1.沈陽工業大學 信息科學與工程學院,沈陽110870；2.空軍駐沈陽地區軍事代表室,沈陽110016；3.新松機器人自動化股份有限公司,沈陽 110168；4.沈陽防銹包裝材料有限責任公司,沈陽110084)

基于機器視覺的碼垛機器人系統研究*

劉振宇1，李中生1,2,3，張 濤3，趙 雪4

(1.沈陽工業大學 信息科學與工程學院,沈陽110870；2.空軍駐沈陽地區軍事代表室,沈陽110016；3.新松機器人自動化股份有限公司,沈陽 110168；4.沈陽防銹包裝材料有限責任公司,沈陽110084)

文章針對傳統碼垛機器人作業時存在的不足，從視覺的角度研究了相關技術難點，為實現生產自動化提供了解決方案。文章完成了基于機器視覺的碼垛機器人系統平臺的搭建，首先通過攝像機對傳送帶上進入工作區的工件進行圖像采集，然后對圖像處理分析，接著用不變矩對工件進行粗略快速識別，之后用SIFT算法對工件進行局部特征匹配，最后通過中心矩計算出工件的位置，引導機器人對工件進行抓取，機器人對抓取后的工件進行分類碼垛。同時，文中還提出了多目標分塊處理算法、SIFT和HU特征融合的單目視覺識別算法。實驗結果表明，該碼垛系統可以有效解決工件的分類碼垛的問題。

機器人; 機器視覺；碼垛；SIFT特征；圖像處理；

0 引言

伴隨著物流產業的飛速發展，國內外碼垛技術實現了跨越式的進步。早期的人工碼垛，負載量低，吞吐量小，勞動成本高，搬運效率低，不能夠滿足自動化生產的需求，在工業生產中，普遍用于自動化生產中的碼垛機器人實質上是一種普通的工業搬運機器人，主要負責執行裝載和卸載的任務，且一般都采用示教的方法，預先設定好抓起點和擺放點。這種工作方式不能夠對生產線的情況分析判斷，如不能夠區分工件大小，不能夠判斷工件是否合格，不能夠對工件進行分揀，而只是被動的搬運，適應性極差。

機器視覺技術指用攝像機來模擬人眼的視覺功能來對客觀事物進行測量和判斷。視覺技術在工業中得到了越來越廣泛的應用，對提高生產效率，達到生產智能化的目的起著至關重要的作用[1]。而將機器視覺與碼垛機器人結合起來，使之具有人眼識別功能，對于保證產品質量、降低勞動成本、優化作業布局、提高生產效率、增長經濟效益、實現生產的自動化等方面具有十分重要的意義。

工件的識別與定位是機器人抓取碼垛的前提和基礎，其識別和定位的正確與否直接影響到后續操作結果的準確性。基于機器視覺技術識別算法研究已經從最初的實驗室逐漸走向實際應用階段。例如，Zhu Junchao等研究了相關視覺處理算法，提出了一種區分行人和車輛的識別算法[2]。Wen Ying等人提出一種提出了一個新穎的陰影去除技術和字符識別算法，該算法應用于智能交通系統的車牌識別[3]。Xie F等人提出了一種改進型細化算法，該算法應用于人體姿勢識別系統[4]。Noor A等介紹了一種對指紋模板形成和匹配的自動識別算法，該算法保持了很高的精度誤差錯誤率不到3.5%[5]。

本文搭建立了基于視覺的碼垛系統試驗平臺，同時研究了相關的圖像處理算法，提出了多目標分塊處理算法、基于SIFT和HU特征融合的單目視覺識別算法，兩者結合可以有效解決工件的識別問題。

1 碼垛機器人系統平臺構成

本文以新松六自由度機械臂SRH6工業機器人為基礎，搭建了如圖1所示的基于機器視覺的碼垛機器人系統平臺。該實驗平臺主要由工件放置模塊、攝像機模塊、視覺分揀模塊、機器人RC控制模塊和機器人碼垛模塊等五大模塊組成。

圖1 基于機器視覺的碼垛機器人系統實驗平臺

工件放置模塊由工件、傳送帶、工件放置臺組成。工件如圖2所示為兩種牛奶盒，左邊為真果粒牛奶盒，尺寸: 14cm×5 cm×4 cm (長×寬×高)；右邊為優酸乳牛奶盒，尺寸：10.5 cm×6 cm×4 cm(長×寬×高)。選用黑色的傳送帶有助于與工件的顏色形成反差，便于從圖像中提取出目標，方便于算法的實現。工件放置臺用于對工件進行碼垛放置使用。

圖2 碼垛所使用的工件

攝像機模塊主要由GM1400千兆以太網工業相機、攝像機支架和光源組成。懸掛在支架上的工業相機的作用是獲取試驗臺上進入工作區的工件圖像。光源采用白色LED面式光源，為相機采集圖像提供照明，其固定在工件的上方，用來消除工件自身的陰影。

視覺分揀模塊由PC機和視覺軟件組成。主要是由視覺系統對工業相機采集的圖像進行處理，識別出目標種類，計算出工件的質心坐標。再根據圖像坐標系和物體坐標系的關系，計算出目標的空間位置，之后將信息參數傳入控制柜。

機器人RC控制模塊主要由示教盒、控制柜和RC控制器組成。示教盒：對機器人進行參數的初始化設置和機器人位姿的控制。機器人控制柜：與計算機相連，接受來自計算機的數據并控制工業機器人執行指定的動作，負責對參數進行分析，然后對機器人進行相關的操作。

機械人碼垛模塊主要由機械臂和吸盤組成。機械臂：完成控制器對電機的相關運動，以方便控制機械手作業。吸盤：采用真空吸盤來完成對目標的抓取和碼垛工作。

2 碼垛實現流程

基于機器視覺的碼垛機器人系統的圖像處理流程如圖3所示，整個分揀流程從視覺算法上分為四個部分：圖像預處理、目標識別、目標定位、分揀抓取。①圖像預處理：將圖像按照目標分塊進行處理，可以提高識別速率。②目標識別：首先采用Hu不變矩提取全局特征，進行粗略識別，然后采用SIFT算法進行更準確局部特征匹配。③目標定位：首先首先求取多凸目標輪廓上的角點，然后用中心矩求取質心坐標。④碼垛抓取：將工件目標質心坐標和外接矩形輪廓特征通過RS232發送特征信息給機器人控制柜，從而控制機器人的吸盤機械手進行抓取碼垛操作。

圖3 視覺算法流程圖

2.1 攝像機標定

機器視覺中CCD攝像頭的作用是采集目標圖像，攝像頭選用DALAS公司生產的GM1400千兆以太網工業相機。相機內參數為：焦距：4.2864 mm；精度：1.3020mm/像素(長)、精度：0.9765mm/像素(寬)；焦距：5mm；精度：1.116mm/像素。為了方便計算，可以近似認為1像素為1mm。

攝像機標定是視覺系統開發的關鍵步驟，它的基本任務就是通過對從攝像機采集到的圖像進行處理，以獲得三維空間中物體的幾何信息，并由此重建和識別物體[6]，是機器視覺在工業分揀生產線上得以應用的一個必要前提。攝像機標定的目的是建立各相關坐標系，獲得空間點在圖像坐標系和空間坐標系下的對應關系[7]。針孔模型是攝像機模型中最簡單的模型，本分揀系統以小孔成像為標定算法的模型，采用了張正友標定法。只需要拍攝2張相片，并根據圖像點之間對應關系即可標定出攝像機內參數與外參數[8]。如圖4所示，為了提高攝像機標定的精度，本文采用7張相片作為標定模板。攝像機標定是分揀系統跟蹤和抓取目標的前提，為后續抓取工作提供了基礎保證。

圖4 攝像機標定圖

標定結果：攝像機內參數fx=2241.1510，fy=2213.0495，u0=681.86539，v0=478.60121；攝像機畸變參數k1=0.053131，k2=0.944376，p1=0.001223，p2=0.00131。對實驗數據進行誤差分析，如表1所示。

表1 標定誤差分析(單位為像素)

2.2 多目標分塊

圖5 工件的外圍矩形

在圖像處理中，一般的算法都是把一張圖像作為整體來研究，每次對圖像處理分析都要掃描整個圖像。本文采用多目標分塊處理，把一副圖像分割為基于N個目標的不同目標塊BlockN(i,j)。這樣可以在處理目標圖像時，只針對目標塊這一小部分，有效的減小算法處理時間。如圖5所示，將多目標工件按照分塊進行處理。每個目標工件都有外圍矩形將每個目標都分開。

2.3 特征識別

2.3.1 Hu不變矩

矩的定義源于概率理論，是一種重要的數字特征，同時也具有直觀的物體意義[9]。Hu不變矩是1962年Hu最早提出的二維不變矩理論，是提取圖像平移、大小、旋轉情況等形態特征的方法[10]。圖像匹配實質是根據已知圖像特征從目標待測圖像中尋找相同圖像特征的過程[11]。本文使用Hu不變矩來提取三維物體的特征信息。

對于一幅大小為M×N的圖像I(i,j)，其(p+q)階矩為：

(1)

為了保證在圖像平移、縮放、旋轉保持不變性，定義中心矩為：

(2)

中心距Upq反映了區域中的灰度相對于灰度重心是如何分布的度量。為了得到矩的不變特征，定義歸一化的中心距為：

(3)

利用歸一化的中心矩，可以獲得利用式(3)中Upq表示的7個具有平移、比例和旋轉不變性的矩不變量。

φ1=ν20+ν02

(4)

(5)

φ3=(ν30-3ν12)2+(3ν21-ν03)2

(6)

φ4=(ν30+ν12)2+(ν03+ν21)2

(7)

φ5=(ν30-3ν12)(ν30+ν12)[(ν30+ν12)2-3(ν03+ν21)2]

+(3ν21-ν03)(ν21+ν03)[3(ν30+ν12)2-(ν03+ν21)2]

(8)

φ6=(ν20-ν02)[(ν30+ν12)2-(ν03+ν21)2]

+4ν11(ν30+ν12)(ν03+ν21)

(9)

φ7=(3ν21-ν03)(ν30+ν12)[(ν30+ν12)2-3(ν03+ν21)2]

+(3ν21-ν30)(ν21+ν03)[3(ν30+ν12)2-(ν21+ν03)2]

(10)

這七個不變矩稱為Hu不變矩的七階不變矩，在圖像平移、約束縮放、旋轉下具有不變性的。該全局特征反應了三維物體圖像的整體信息。之后SIFT就可以根據三維目標的大致信息進行局部的特征提取匹配，有效加快了SIFT識別算法。

2.3.2SIFT目標識別

雖然全局特征反應了三維物體圖像的整體信息，但是還需要在全局特征中更準確的進行特征匹配。SIFT(尺度不變特征轉換)從尺度不變關鍵點中獲取圖像的特征[12-14]。SIFT算法是一種提取局部特征的算法，在尺度空間尋找極值點，提取位置、尺度、旋轉不變量[15-16]。本文在SIFT算法基礎上實現目標識別過程，并在搜索策略和剔除錯誤匹配上進行了改進，大大提高了實時性和魯棒性。SIFT特征匹配算法主要包括兩個階段，第一個階段是SIFT特征的生成；第二個階段是SIFT特征向量的匹配。

SIFT特征的生成一般包括以下幾個步驟：

(1)構建尺度空間，檢測極值點，獲得尺度不變性。高斯卷積核是實現尺度變換的唯一變換核，所以一幅二維圖形尺度空間定義為：

(11)

其中，I(x,y)二維圖像，G(x,y,σ) 為二維高斯函數，(x,y)為空間坐標。σ是尺度空間因子，值越小表示圖像被平滑的越少，相應的尺度也就越小。大尺度對應于圖像的概貌特征，小尺度對應于圖像的細節特征。為了檢測尺度空間的穩定的關鍵點，采用不同尺度的高斯差分核與圖像卷積生來檢測那些在局部位置的極值點。LOG算子的尺度歸一化近似DOG算子為：

D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)

=L(x,y,kσ)-L(x,y,σ)

(12)

DOG算子與尺度歸一化的高斯拉普拉斯函數非常近似。構造D(x,y,σ)可以采用高斯金字塔的方法。如圖6所示為構造的不同尺度的高斯圖像。

圖6 不同層尺度的高斯圖像

首先采用不同尺度因子的高斯核對圖像進行卷積以得到圖像的不同尺度空間，將這一組圖像作為金子塔圖像的第一層。接著對第一層圖像進行2倍尺度采樣來得到金子塔圖像的第二層中的第一幅圖像，對該圖像采用不同尺度因子的高斯核進行卷積，以獲得金字塔圖像中第二層的一組圖像。再以金字塔圖像中第二層中的圖像進行2倍尺度采樣來得到金字塔圖像的第三層中的第一幅圖像，對該圖像采用不同尺度因子的高斯核進行卷積，以獲得金字塔圖像中第三層的一組圖像。這樣依次類推，從而獲得了如圖6所示的高斯圖像。

對圖6所示的不同尺度的高斯圖像每一層相鄰的高斯圖像相減，就得到了如圖7的高斯差分圖像。因為高斯差分函數是歸一化的高斯拉普拉斯函數的近似，所以可以從高斯差分結構中提取極值點作為候選特征點。對DOG尺度空間每個點與相鄰尺度和相鄰位置的點逐個進行比較，得到的局部極值位置即為特征點所處的位置和對應的尺度。

圖7 高斯差分圖像

(2)極值點的精確定位，刪除邊緣特征點得到關鍵點，并且確定關鍵點的位置和所處的尺度。如圖8所示，計算圖像相關點在每一尺度下DoG的響應值,與同尺度的8個相鄰點和上下相鄰尺度對應的9×2個點共26個點比較，如果該點值最大或者最小，則該點將作為一個局部極值點,記下它的位置和對應尺度。

圖8 DoG尺度空間局部極值檢測

利用Hessian矩陣H，過濾掉邊緣處的低對比度特征點。也就是通過計算高斯差分算子的主曲率來濾除不穩定的邊緣響應點，從而確立特征點，公式如下：

(13)

矩陣H的特征值與D的主曲率是成正比的，假設α是矩陣H較大的特征值，β是矩陣H較小的特征值，可以通過公式(14)和(15)計算出α、β的比例γ。

Tr(H)=Dxx+Dyy=α+β

(14)

Det(H)=DxxDyy-(Dxy)2=αβ

(15)

其中Tr(H)表示矩陣H的跡，Det(H)表示矩陣H行列式的值矩陣。令α=γβ，則有：

(16)

對γ取一閥值，當γ大于閥值時即作為邊緣特征點刪除。

(3)為特征點方向分配方向值，使用極值點鄰域梯度的主方向作為關鍵點的方向特征，以實現算子對尺度和方向的無關性。利用特征點鄰域像素的梯度方向分布特性為每個關鍵點指定方向參數，使算子具備旋轉不變性。利用關鍵點鄰域像素的梯度及方向分布的特性，可以得到梯度模值和方向如下：

m(x,y)=

(17)

θ(x,y)=

tan-1(L(x,y+1)-L(x,y-1)/L(x+1,y)-L(x-1,y))

(18)

在以關鍵點為中心的鄰域窗口內采樣，并用直方圖統計鄰域像素的梯度方向。如圖9所示，為八個方向的直方圖計算結果。梯度直方圖的范圍是0～360o，其中每10o一個方向，總共36個方向。

圖9 八個方向的直方圖計算結果

至此，圖像的關鍵點已檢測完畢，每個關鍵點有三個信息：位置、所處尺度、方向。

(4)關鍵點描述子生成。如圖10所示，為由關鍵點鄰域梯度信息生成特征向量。每個特征點使用4×4鄰域內共16個種子點來描述，這樣對于一個關鍵點就可以產生128個數據，最終形成128維的SIFT特征向量。此時SIFT特征向量已經去除了尺度變化、旋轉等幾何變形因素的影響,再將特征向量的長度歸一化，則可以進一步去除光照變化的影響，從而精確描述特征點。

鄰域梯度方向 關鍵點特征向量圖10 由關鍵點鄰域梯度信息生成特征向量

本文采用最近鄰算法(NearestNeighbor-NN)配準，即采用樣本特征點的最近鄰特征點距離與次近鄰特征點距離的比值來對特征點進行匹配。最近鄰特征點是指目標圖像中與模板圖像特征點具有最短歐幾里德距離的特征點。次近鄰特征點是指具有比最近鄰距離稍長的歐幾里德距離的特征點。用最近鄰與次近鄰比值來進行特征點的匹配可以取得很好的效果 。其內容如下：

(1)采用歐式距離作為特征點間的相似性度量。

(2)采用優先K-D樹近似BBF(Best-Bin-First)搜索算法行搜索來查找每個特征點的最近鄰和次近鄰特征點。K-D樹搜索算法是二叉檢索樹的擴展，K-D樹的每一層將空間分成兩個，樹的頂點結點按一維進行劃分，下一層結點按照另一維進行劃分，以此類推各個維循環往復。K-D樹的實質就是一種數據結構，用于搜索高維最鄰近點，同事也是一種二叉樹，每個節點是一個高維向量。

(3)計算特征點到最近鄰距離與次近鄰距離的比值，若小于閾值T，則該特征點與最近鄰特征點匹配成功。

(4)利用RANSAC隨機抽樣一致性算法去除錯誤匹配，提高魯棒性。

根據NN算法對工件圖像進行特征點的匹配，首先對兩幅圖像進行特征點集提取，然后設置最近鄰距離與次近鄰距離比值為0.6，其中檢測出的兩幅圖像特征點分別為513和651個，匹配特征點結果為203對，如圖11所示，匹配的特征點對之間用綠色直線相連。

圖11 SIFT對工件匹配結果

2.4 幾何中心計算

在工件的碼垛操作中，首先要對工件進行抓取，即要知道工件的質心坐標，一般來說對物體的幾何中心計算，都是背景下有單一目標，不能進行多目標的幾何中心計算。本文提出了一種多目標物體的質心計算快速方法。首先利用多目標分塊處理的結果，保存下外接矩形的四個頂點坐標：

(19)

然后針對每單一目標的外接矩形的所有角點求取x軸向坐標值的最小坐標值、最大坐標值；y軸向坐標的最小坐標值、最大坐標值。

(20)

然后分別對于目標進行求取質心。求取工件的質心過程采用圖像的中心矩來計算。

(21)

(22)

(23)

圖12 工件質心

2.5 抓取碼垛

拍攝運動物體的時候，拍攝目標與攝像系統之間存在相對運動極易形成拖影。對于尺寸測量的項目，拖影對測量精度會有嚴重影響，在這種情況下，就會要求拖影長度盡可能短，本實驗要求拖影不超過1/3像素。在硬件固定的情況下，直接影響拖影長度的參數是物體的運動速度和曝光時間。一般情況下由下式就可以保證：

物體運動速度Vp×曝光時間Ts<允許最長拖影s單位系統精度

根據選取的相機曝光時間為22μs到1000ms和確定的測量精度為0.9375mm/像素，可以得到物體的運動速度Vp，即傳送帶Vmax為42.613 m/s。結合實際情況，設定傳送帶速度0.3m/s。

得到工件的質心坐標后，將其通過RS232傳送至控制柜，從而引導機器人機械手進行抓取。

通過識別出的特征信息，來匹配工件的種類，其中工件的高度已知，機器人根據不同工件類型進行不同位置的碼垛，如圖所示：

放置臺尺寸：120cm×100cm(長×寬)

碼垛類型：5×3×3(長×寬×高)。

碼垛方式如圖13所示采用逐層碼垛。

圖13 碼垛類型

3 實驗結果

根據工件的質心坐標，機器人控制吸盤機械手能夠精準的抓取物體，能夠順利的將物體分類碼垛，實驗效果如圖14所示。本方法能夠對奶盒、紙箱、木塊等紋理性較強的物料進行分揀碼垛。在實驗中，工件正確識別率達到98.65%，抓取成功率達到99.23%，定位誤差小于1.5mm，碼垛誤差小于2mm。實驗表明該方法魯棒性好，速度較快，抓取成功率高。

(a)

(b)

(c)

4 結束語

本文搭建了基于機器視覺的碼垛機器人系統實驗平臺，并詳細介紹了所使用的主要算法，首先采用目標分塊的方法減少后續識別算法的大范圍掃描所帶來的識別時間上的浪費。其次采用圖像幾何不變矩對工件圖像進行快速粗略檢測，大大提高了識別效率，最后運用SIFT特征對局部特征進行識別匹配。運用中心矩計算工件質心坐標，以引導機器人準確的完成抓取工作，抓取后對工件進行分類碼垛，實驗結果算法有很好的魯棒性，為工業自動化生產提供了方法。

[1]李婷，柳寧. 基于機器視覺的圓定位技術研究[J]. 計算機工程與應用, 2012(9)：153-156.

[2]Junchao Zhu, Jie Zhou, Baofeng Zhang．Research on moving human and vehicle's recognition algorithm [C]．Qinhuangdao: ICCDA，2010.

[3]Ying Wen, Yue Lu, Jingqi Yan, et al．An Algorithm for License Plate Recognition Applied to Intelligent Transportation System[J]．IEEE Intelligent Transportation Systems Society，2011, 13(3): 830-845.

[4]Xie F, Xu G, Cheng Y, et al．Human body and posture recognition system based on an improved thinning algorithm [J]．Institution of Engineering and Technology，2011, 5(5): 420-428.

[5]Noor A, Manivanan N, Balachandran W．Transformation invariant algorithm for automatic fingerprint recognition [J]．Institution of Engineering and Technology，2012, 48(14): 834-835.

[6]陳天飛,馬孜,李鵬。一種基于非量測畸變校正的攝像機標定方法[J]. 控制與決策控制與決策,2012,27(2):243-246,251

[7]Zheng you Zhang. A Flexible New Technique for Camera Calibration[J]. IEEE Transactions On Pattern Analysis And Machine Intelligence, 2000, 22(11)：1330—1334.

[8]Elsayed E．Hemayed. A Survey of Camera Self—Calibration[J]. Proceedings of the IEEE Conference on Advanced Video and Signal Based Surveillance, 2003.

[9]張偉,何金國. Hu不變矩的構造與推廣[J]．計算機應用, 2010, 30(9): 2449-2452.

[10]田秋紅, 孫政榮. 基于Hu不變矩和BP網絡的條形碼圖像識別方法[J]．計算機工程與設計, 2012, 33(4): 1563-1568.

[11] 王洪濤,丁國清. 基于不變矩圖像匹配的工件種類判別應用研究[J]．制造業自動化, 2012, 34(1): 141-144.

[12] 熊英,馬惠敏．3維物體SIFT特征的提取與應用[J]．中國圖象圖形學報，2010, 15(5): 814-819.

[13] 劉立,萬亞平,劉朝暉,等．基于SIFT匹配算法的移動機器人單目視覺定位研究[J]．系統仿真學報，2012, 24(9): 1-4.

[14] 朱飛,王興起．基于SIFT算法的體育類圖像分類與應用研究[J]．計算機應用與軟件，2011, 28(10): 231-234.

[15] 董蓉, 李勃, 陳啟美. 基于SIFT特征的目標多自由度mean-shift跟蹤算法[J]．控制與決策, 2012, 27(3): 399-407.

[16] 息朝健, 郭三學. 基于簡化Forstner算子改進的SIFT無人機圖像識別算法[J]．計算機應用與軟件, 2012, 29(5): 254-300.

(編輯 趙蓉)

Research of Palletizing Technology Based on Industrial Robot of Machine Vision

LIU Zhen-yu1,LI Zhong-sheng1, 2, 3,ZHANG Tao3,ZHAO Xue4

(1.Information Science and Engineering School, Shenyang University of Technology, Shenyang 110870, China；2.Airforce Military Representative Office Resident in Shenyang Region, Shenyang 110016, China)

For the existing palletizing workpieces problems in the industrial production lines, this paper has discussed the technical difficulties in visual perspective and providing a solution to realize automation. Firstly, this paper built the grasping intelligently platform on the industrial production line. Firstly, the experimental system using the industrial camera which on the production line acquired pictures of workpieces that placed on the platform, next preprocessed the digital image and distinguished the models quickly by moment invariants, then recognized the workpieces by sift, later calculated the geometric center coordinates of the model and guided the manipulator to sort the models，finally the robot placed the workpieces regularly. Experimental shows that the palletizing system can effectively solve the placements of workpieces.

robot; machine vision; palletize; sift ; image processing;

1001-2265(2014)04-0009-06

10.13462/j.cnki.mmtamt.2014.04.003

2013-07-10

國家高技術研究發展863計劃：機器人模塊化技術的典型行業應用示范(2012AA041405)；沈陽市工業科技攻關項目：工業機器人智能化關鍵技術研究(F12-010-2-00)

劉振宇(1973—),男，遼寧復縣人, 沈陽工業大學副教授，博士,主要研究方向為視覺伺服及離線編程，(E-mail)Liu_zhenyu0419@sina.com。

TH264;TG65

A