基于雙目視覺的散亂工件識(shí)別定位技術(shù)研究

凌 龍，曲 圓，王 靜，溫 雪，張汝波

(1.大連民族大學(xué) 機(jī)電工程學(xué)院，遼寧 大連 116605；2.珠海科技學(xué)院 機(jī)械工程學(xué)院，廣東 珠海 519041)

在“十四五”規(guī)劃的新起點(diǎn)上，正值中國制造業(yè)飛速發(fā)展階段，工業(yè)自動(dòng)化水平已初見成效，為實(shí)現(xiàn)2035年新型工業(yè)化的遠(yuǎn)景目標(biāo)，對生產(chǎn)工廠和企業(yè)提出了新的要求。伴隨著工業(yè)產(chǎn)品的數(shù)量和種類的與日俱增，企業(yè)在相應(yīng)的生產(chǎn)鏈上出現(xiàn)大量散亂、堆積的工件，為保證其在出廠能完美分裝，并保持良好的產(chǎn)品質(zhì)量，提高企業(yè)生產(chǎn)效率，促進(jìn)自動(dòng)化水平進(jìn)一步發(fā)展[1]，散亂工件識(shí)別定位技術(shù)已成為工業(yè)生產(chǎn)過程中的重要研究內(nèi)容。目前，在工業(yè)生產(chǎn)中，對散亂工件分裝通常還采用傳統(tǒng)的人工分裝方法，效率低、失誤率高、勞動(dòng)強(qiáng)度大[2]，且成本較高，而且易受各種客觀因素的影響，導(dǎo)致散亂工件人為操作不易，不符合大規(guī)模工業(yè)生產(chǎn)的要求。

隨著人工智能和機(jī)器視覺技術(shù)的不斷發(fā)展，通過視覺的識(shí)別定位方法已經(jīng)逐漸取代傳統(tǒng)的人工方法，并在無人駕駛、機(jī)器人導(dǎo)航、缺陷檢測等領(lǐng)域開始實(shí)踐應(yīng)用[3]。機(jī)器視覺識(shí)別定位技術(shù)是一種在工業(yè)生產(chǎn)中以非接觸方式實(shí)施的自動(dòng)化技術(shù)，其中雙目視覺系統(tǒng)是通過模仿人類視覺原理所搭建的視覺系統(tǒng)，利用公共點(diǎn)的深度信息完成三維重建，為識(shí)別定位提供條件。具有安全可靠、檢測精度高、定位精準(zhǔn)、可長時(shí)間工作等優(yōu)點(diǎn)，是實(shí)現(xiàn)工業(yè)自動(dòng)化和智能化的有效途徑，在眾多行業(yè)的工廠中應(yīng)用廣泛[4]。

本文以雙目視覺系統(tǒng)對散亂工件識(shí)別定位為論述中心，首先闡述雙目視覺識(shí)別定位技術(shù)的國內(nèi)外研究現(xiàn)狀；然后將散亂工件識(shí)別定位技術(shù)歸納為采用邊緣特征與圖形特征進(jìn)行目標(biāo)定位、ICP配準(zhǔn)模型點(diǎn)云目標(biāo)定位及基于機(jī)器學(xué)習(xí)的三種目標(biāo)定位；最后對基于雙目視覺的散亂工件識(shí)別定位技術(shù)進(jìn)行總結(jié)，分析當(dāng)前此領(lǐng)域存在的問題和未來的發(fā)展趨勢。

1 雙目視覺識(shí)別定位系統(tǒng)

1.1 系統(tǒng)組成

雙目視覺識(shí)別定位系統(tǒng)由硬件和軟件兩部分組成，硬件部分主要通過圖像采集模塊對工業(yè)生產(chǎn)鏈上的目標(biāo)圖像進(jìn)行拍攝采集，再利用軟件部分對采集的圖像進(jìn)行處理和分析，去除圖像中的無關(guān)信息，提取相關(guān)信息，并根據(jù)相應(yīng)信息對散亂工件進(jìn)行識(shí)別定位。雙目視覺系統(tǒng)的主要組成如圖1。

圖1 雙目視覺系統(tǒng)組成

1.1.1 硬件系統(tǒng)選型及作用

圖像采集裝置主要包括上位機(jī)、圖像采集卡、工業(yè)CCD相機(jī)、工業(yè)鏡頭及光源等。工業(yè)CCD相機(jī)主要通過成像傳感器將產(chǎn)生的光學(xué)圖像轉(zhuǎn)換成模擬信號，上位機(jī)負(fù)責(zé)對其進(jìn)行相應(yīng)處理，相機(jī)的成像質(zhì)量決定了上位機(jī)進(jìn)行圖像處理的效果能否達(dá)到預(yù)期，因此相機(jī)的選型是之后工作的重要基礎(chǔ)。圖像采集卡的作用是將采集到的圖像數(shù)據(jù)傳送到上位機(jī)，上位機(jī)對其進(jìn)行采樣，并轉(zhuǎn)化為數(shù)字信號。工業(yè)鏡頭在選型時(shí)應(yīng)考慮采集距離、焦距等影響，其中焦距作為鏡頭最重要的參數(shù)之一，在選型過程中需著重計(jì)算。光源是視覺系統(tǒng)進(jìn)行圖像采集時(shí)的重要輔助裝置，主要有環(huán)形光源、條形光源等多種類型。選擇光源時(shí)應(yīng)充分考慮光源的均勻性、對比度、照射角度等因素[5]，這些因素將影響采集圖像的質(zhì)量。

1.1.2 雙目視覺系統(tǒng)成像原理

雙目視覺模型是以人眼視覺模型為基礎(chǔ)，通過水平放置相距一定距離的兩臺(tái)相機(jī)分別獲取同一目標(biāo)工件圖像，基于視差原理計(jì)算兩幅圖像對應(yīng)點(diǎn)之間的位置偏差，以還原目標(biāo)工件原始三維位置的深度信息。雙目視覺系統(tǒng)成像原理如圖2。

圖2 雙目視覺系統(tǒng)原理示意圖

系統(tǒng)由左右(L,R)兩個(gè)相機(jī)組成，OL、OR分別為其坐標(biāo)原點(diǎn)，二者之間距離稱為基距。CL、CR為左右相機(jī)的圖像坐標(biāo)系，焦距表示為fL與fR，若兩相機(jī)型號相同，即焦距相等。當(dāng)目標(biāo)工件在雙目視覺系統(tǒng)中成像時(shí)，目標(biāo)工件中的任一點(diǎn)A(X,Y,Z)，在左右相機(jī)的圖像坐標(biāo)分別為aL(uL,vL)和aR(uR,vR)。定義視差值為空間一點(diǎn)的兩幅圖像位置差，即d=uR-uL。根據(jù)式(1)和式(2)，當(dāng)左右相機(jī)處于同一平面時(shí)，vL=vR。通過尋找空間上某點(diǎn)在左右相機(jī)的圖像面上的對應(yīng)點(diǎn)，根據(jù)相機(jī)標(biāo)定獲得相機(jī)的內(nèi)、外參數(shù)，可以確定點(diǎn)A的三維坐標(biāo)，為后續(xù)識(shí)別定位提供條件。

(1)

(2)

1.2 基于雙目視覺的散亂工件識(shí)別定位方法

目前，基于雙目視覺的散亂工件識(shí)別定位方法主要通過圖像處理得到特征信息，再進(jìn)行模板匹配，模板匹配的任務(wù)是針對某一特定目標(biāo)物體的形狀或輪廓，對目標(biāo)工件進(jìn)行識(shí)別定位。在三維空間中進(jìn)行目標(biāo)識(shí)別定位是現(xiàn)階段三維應(yīng)用的重點(diǎn)研究方向，并已有大量工作開始研究空間物體的定位。獲取目標(biāo)工件的三維位置信息采用的方法主要有以下三種。

1.2.1 基于邊緣特征與圖形特征的目標(biāo)識(shí)別定位

基于邊緣特征與圖形特征的目標(biāo)識(shí)別定位方法主要是利用模板圖像的描述符來描述模板，在匹配過程中，會(huì)在待匹配圖像中搜索與其相似的描述符，通過比較兩個(gè)描述符的相似程度決定是否匹配。因此，當(dāng)目標(biāo)物體發(fā)生平移、旋轉(zhuǎn)、尺度變化或傾斜等情況，仍可以有效地識(shí)別，具有一定的魯棒性。郭宏達(dá)[6]通過對基于雙目視覺系統(tǒng)的堆疊零件識(shí)別定位問題進(jìn)行研究，采用輪廓特征匹配方法進(jìn)行模板匹配，該算法精確實(shí)現(xiàn)了對散亂工件的識(shí)別定位，并使消耗時(shí)間減少。郝明[7]研究了機(jī)器視覺在雜亂工件分揀中的應(yīng)用，利用豪斯多夫距離算法對模板圖像和待匹配圖像進(jìn)行匹配，成功識(shí)別雜亂工件的目標(biāo)位置。曾超[8]研究了基于機(jī)器視覺的機(jī)器人拾取散亂工件技術(shù)，通過區(qū)域生長法對圖像進(jìn)行分割，并對工件表面輪廓進(jìn)行重建，最后對輪廓點(diǎn)云與CAD模型點(diǎn)云進(jìn)行匹配，獲取了工件的最終位姿信息，定位成功率較高。劉曉陽[9]研究了基于激光點(diǎn)云的散亂工件識(shí)別定位技術(shù)，通過自主研發(fā)的擺動(dòng)式線激光掃描儀獲取散亂工件場景點(diǎn)云，并通過點(diǎn)云全局特征和局部特征相似度加權(quán)的匹配方法完成對目標(biāo)工件位姿確定。Song K T等[10]使用RGB-D深度相機(jī)基于CAD模型姿勢估計(jì)解決隨機(jī)箱體抓取問題，首先生成目標(biāo)對象點(diǎn)云數(shù)據(jù)庫，再通過投票法識(shí)別出不同物體的6-DOF姿態(tài)，識(shí)別率為92.39%。佐立營[11]提出一種基于Kinect的散亂零件位姿估計(jì)方法，采用Kinect傳感器完成工件三維場景信息的獲取，基于全局閾值和平面特征將目標(biāo)從背景中分離，分割出目標(biāo)點(diǎn)云，最后使用RANSAC細(xì)匹配確定工件空間位姿。Chen L T等[12]設(shè)計(jì)了基于雙目視覺的機(jī)器人識(shí)別定位抓取系統(tǒng)，采用MLP分類器的視覺算法實(shí)現(xiàn)堆疊工件的識(shí)別，再通過可變形模板匹配算法將堆疊工件從背景中分離，最后經(jīng)過立體匹配、深度計(jì)算完成矩形和圓柱形工件的三維位姿提取，具有良好的分類效果和較高的識(shí)別定位精度。蔣萌[13]利用改進(jìn)的模板匹配方法實(shí)現(xiàn)目標(biāo)識(shí)別，再進(jìn)行三維重建，以最小化重投影誤差為目標(biāo)函數(shù)，用迭代算法求解目標(biāo)物體的位姿，最后通過機(jī)器人抓取實(shí)驗(yàn)進(jìn)行驗(yàn)證。江濤[14]提出了用于識(shí)別定位分散的自塞鉚釘?shù)碾p攝像頭方法，先通過多腐蝕和膨脹的圖像處理，獲得鉚釘?shù)妮喞畔ⅲ⑹褂媚０鍒D像多次減法的方式進(jìn)行重建，最終成功定位抓取。張海波[15]在基于雙目視覺的工件識(shí)別定位與分揀系統(tǒng)研究中，采用提取特征點(diǎn)的匹配算法完成對待抓取工件的識(shí)別定位與分揀，實(shí)現(xiàn)了螺母零件的分揀工作，且在被遮擋的情形下，工件識(shí)別的準(zhǔn)確性仍有保證，具有一定的魯棒性。

1.2.2 基于ICP配準(zhǔn)模型點(diǎn)云的目標(biāo)識(shí)別定位

迭代最近點(diǎn)(Iterative Closest Point，ICP)算法是一種在獲得目標(biāo)點(diǎn)云與模型點(diǎn)云后，通過迭代計(jì)算，得到目標(biāo)點(diǎn)云與模型點(diǎn)云剛體變換矩陣的算法。常用于點(diǎn)云配準(zhǔn)以及初始姿態(tài)輸入的優(yōu)化，以獲取高精度的位姿信息[16]。假設(shè)兩幅點(diǎn)云已經(jīng)完成了粗略配準(zhǔn)，匹配點(diǎn)之間的距離在一定閾值內(nèi)，則可以在場景目標(biāo)中尋找距離模型庫中最近的點(diǎn)，作為匹配的點(diǎn)對[17]。基本步驟如下：

(1)在場景目標(biāo)中尋找模型庫中距離相近的匹配點(diǎn)，并設(shè)定好距離的上限，可降低誤匹配率；

(2)利用估計(jì)模型庫和目標(biāo)場景之間的旋轉(zhuǎn)平移矩陣；

(3)將模型庫中的點(diǎn)通過旋轉(zhuǎn)平移到新的位置，若旋轉(zhuǎn)平移矩陣的變化沒有達(dá)到設(shè)定值則繼續(xù)執(zhí)行第一步，若迭代次數(shù)達(dá)到設(shè)定值或旋轉(zhuǎn)平移矩陣變化達(dá)到設(shè)定值則退出迭代。

譚歡[18]通過對基于雙目視覺的散亂工件分揀技術(shù)進(jìn)行研究，提出了一種三維點(diǎn)云分割方法，使目標(biāo)點(diǎn)集與模版點(diǎn)集進(jìn)行配準(zhǔn)，篩選出最優(yōu)匹配結(jié)果，使定位精度得到提高。柯科勇[19]研究了基于雙目視覺的散亂堆放工件拾取系統(tǒng)，使用了點(diǎn)云模板匹配方法對工件進(jìn)行識(shí)別定位，通過內(nèi)部形狀描述子(Intrinsic Shape Signatures，ISS)提取關(guān)鍵點(diǎn)，采用方向直方圖特征(Signature of Histogram of Orientation，SHOT)描述符對關(guān)鍵點(diǎn)進(jìn)行描述，得到匹配點(diǎn)，最后用ICP算法完成點(diǎn)云精確估計(jì)。崔旭東等[20]對基于3D視覺的散亂工件抓取進(jìn)行研究，先獲取了三維點(diǎn)云數(shù)據(jù)并分割，通過邊緣法分割后的點(diǎn)云和模型點(diǎn)云的主成分分析(Principal Component Analysis，PCA)、姿態(tài)變換與ICP匹配，實(shí)現(xiàn)了對散亂工件的識(shí)別定位，有較好的速度與準(zhǔn)確度。王德明等[21]提出了實(shí)例分割網(wǎng)絡(luò)和迭代優(yōu)化算法對散亂堆疊工件識(shí)別定位，在獲取的目標(biāo)點(diǎn)云上，通過改進(jìn)4點(diǎn)一致集算法(4-Points Congruent Set,4PCS)和ICP算法進(jìn)行姿勢估計(jì)，并將細(xì)分點(diǎn)云與目標(biāo)模板匹配，從而得到最終的位姿信息，定位誤差1 mm，偏轉(zhuǎn)角1°。王沖[22]通過Kinect V2傳感器對散亂工件識(shí)別定位進(jìn)行研究，利用Kinect V2傳感器采集目標(biāo)場景的RGB圖像和深度圖像，精確獲得散亂工件的點(diǎn)云數(shù)據(jù)，采用非極大值抑制和滯后閾值方法得到最有輪廓，最后通過對經(jīng)典ICP算法的改進(jìn)，降低了點(diǎn)云配準(zhǔn)的誤差，實(shí)現(xiàn)了對散亂工件的快速識(shí)別定位。田青華[23]通過點(diǎn)云處理完成了對散亂工件識(shí)別定位技術(shù)研究，先提出改進(jìn)歐式聚類的工件分割方法，得到點(diǎn)云數(shù)據(jù)并進(jìn)行關(guān)鍵點(diǎn)描述，使用ICP算法精確配準(zhǔn)，得到散亂工件的空間位姿信息。

1.2.3 基于機(jī)器學(xué)習(xí)的目標(biāo)識(shí)別定位

隨著機(jī)器學(xué)習(xí)的發(fā)展與成熟，其在工件分揀識(shí)別定位領(lǐng)域的研究不斷加強(qiáng)。徐慧等[24]提出了一種語義分割和點(diǎn)云注冊相融合的方法對散亂工件識(shí)別定位，先創(chuàng)建各種工件場景并標(biāo)記RGB圖像數(shù)據(jù)集，通過完全卷積網(wǎng)絡(luò)(Fully Convolutional Networks，F(xiàn)CN)進(jìn)行訓(xùn)練，推斷輸入圖像的語義細(xì)分結(jié)果，通過整合深度信息估計(jì)工件的實(shí)時(shí)位姿，定位誤差小于10 mm，角度偏轉(zhuǎn)2°。周偉峰等[25]提出利用支持向量機(jī)(SVM)在組合矩中實(shí)現(xiàn)工件識(shí)別的應(yīng)用研究，利用SVM對工件的各種矩特征進(jìn)行分類，從而對工件識(shí)別定位，識(shí)別率達(dá)到94.1%。彭澤林[26]對堆疊目標(biāo)的識(shí)別與定位抓取系統(tǒng)進(jìn)行研究，利用改進(jìn)的Hough變換擬合算法完成對目標(biāo)物體的邊緣擬合，利用SVM對目標(biāo)物體進(jìn)行識(shí)別分類，通過三維重建得到目標(biāo)空間位姿。Kneip J等[27]開發(fā)了基于立體相機(jī)系統(tǒng)，使用GPU快速匹配相機(jī)圖像產(chǎn)生的點(diǎn)云作物邊緣檢測算法，使用高斯混合模型的“期望-最大化算法”獲得作物和地面的分割，通過線性回歸處理產(chǎn)生潛在作物的邊緣位置，以得到整體的線性邊緣模型。王正波等[28]為解決散亂工件識(shí)別定位問題，利用機(jī)器視覺技術(shù)，通過改進(jìn)快速穩(wěn)健特性(Speeded Up Robust Features，SURF)+視覺字袋(Visual Word Bag,BOW)+SVM進(jìn)行識(shí)別定位，使用深度傳感器Kinect對散亂工件定位，定位誤差小于5 mm。Kim W S等[29]設(shè)計(jì)了基于機(jī)器視覺的高度測量系統(tǒng)，通過立體聲匹配，得到深度地圖，用于確定感興趣區(qū)域的邊緣分割，重疊的圖像仍能檢測出目標(biāo)區(qū)域。Lin C M等[30]提出基于深度學(xué)習(xí)的視覺對象識(shí)別與隨機(jī)對象拾取系統(tǒng)，結(jié)合CNN和完全連接的條件隨機(jī)場層實(shí)現(xiàn)圖像的語義分割功能，通過模型姿勢估計(jì)方法得到目標(biāo)3D姿態(tài)，可在雜亂無章的環(huán)境中穩(wěn)定準(zhǔn)確實(shí)現(xiàn)識(shí)別分類，三個(gè)軸的平均定位誤差和旋轉(zhuǎn)誤差都小于0.52 cm和3.95°。李榮華等[31]提出基于重要區(qū)域目標(biāo)識(shí)別的雙目視覺分揀系統(tǒng)，對拍攝的工件照片使用深度學(xué)習(xí)算法提取目標(biāo)工件的重要區(qū)域，從而計(jì)算出目標(biāo)工件的三維坐標(biāo)，實(shí)驗(yàn)結(jié)果表明對工件的識(shí)別定位精度高、穩(wěn)健性強(qiáng)。Periyasamy A S等[32]提出了一種使用語義分割和姿勢回歸網(wǎng)絡(luò)方法，在雜亂無章場景下進(jìn)行姿勢估計(jì)，通過快速數(shù)據(jù)采集方法和數(shù)據(jù)合成，并結(jié)合語義分割工作，在雜亂無章環(huán)境中分離出單個(gè)對象，提取相應(yīng)的目標(biāo)姿勢。不同方法對散亂工件識(shí)別定位的評價(jià)與梳理見表1。

表1 不同方法對散亂工件識(shí)別定位的評價(jià)與梳理

1.3 應(yīng)用實(shí)例

近年來，人工智能迅速發(fā)展，已在目標(biāo)識(shí)別、缺陷檢測、無人駕駛等方面都取得了較大突破。雙目視覺系統(tǒng)在工業(yè)生產(chǎn)中得到了廣泛應(yīng)用。

日本Fanuc公司推出了基于iRVision 3DL視覺傳感器的機(jī)器人拾取系統(tǒng)，該系統(tǒng)采用自主研制的3D視覺傳感器對場景信息進(jìn)行采集與分析，實(shí)現(xiàn)了圓柱體散亂工件的定位拾取[33]。埃夫特公司為提升奇瑞汽車的生產(chǎn)效率，節(jié)省人力成本，開發(fā)了一臺(tái)搭載3D視覺相機(jī)和Vision Pro 3D軟件的搬運(yùn)機(jī)器人，該系統(tǒng)通過采集工件的3D信息，實(shí)現(xiàn)了對擺放位置不確定、存在小于20°傾斜角的缸蓋進(jìn)行自動(dòng)抓取[34]。丹麥Scape Technologies公司的SCAPE Bin-Picker Cell系統(tǒng)采用結(jié)構(gòu)光視覺完成三維場景信息的采集，并將視覺系統(tǒng)與機(jī)器人集成于一體，實(shí)現(xiàn)了隨機(jī)放置的管狀工件位姿測量[35]。上海沸谷自動(dòng)化科技有限公司研發(fā)了一套FG-IR2003D機(jī)器視覺識(shí)別定位系統(tǒng)，采用激光與結(jié)構(gòu)光相結(jié)合的方法來獲取散亂工件的點(diǎn)云數(shù)據(jù)，其定位精度可達(dá)到0.2 mm。瑞士ABB公司研發(fā)的機(jī)器人智能3D系統(tǒng)True View[36]，能對工件的樣式與位置的變化進(jìn)行檢測，同時(shí)可以精確定位料架上的工件，實(shí)現(xiàn)了全過程的自動(dòng)化生產(chǎn)。德國ISRA Vision公司利用兩臺(tái)相機(jī)及激光裝置組成3D視覺系統(tǒng)，用以分揀零件，可在2 s內(nèi)獲取零件的3D信息，后通過對視覺系統(tǒng)不斷更新，可以對不同類型的零件進(jìn)行識(shí)別抓取。2016年，河南省埃爾森智能科技公司推出一套針對散亂堆放工件定位的雙目機(jī)器人系統(tǒng)，該系統(tǒng)定位精度較高[37]。2017年，武漢庫柏特公司展示了其自主研發(fā)的3D視覺系統(tǒng)對LED外殼進(jìn)行無序分揀，該視覺系統(tǒng)可以對物體表面輪廓進(jìn)行掃描，形成點(diǎn)云數(shù)據(jù)，再分析處理，計(jì)算出位置信息，再轉(zhuǎn)換成機(jī)器人抓取的位姿信息，傳遞給機(jī)器人實(shí)現(xiàn)自動(dòng)抓取[38]。Rouhollahi Ali等[39]利用物體與傳送帶背景顏色的不同，將圖像顏色空間由RGB轉(zhuǎn)為HSV，提取物體輪廓，將位置反饋給機(jī)器人，實(shí)現(xiàn)機(jī)器人定位抓取。北京大恒圖像對散亂工件問題進(jìn)行了研究，研發(fā)了一套機(jī)器人3D視覺智能裝配系統(tǒng)，通過3D智能傳感器對零件進(jìn)行掃描成像，得到其點(diǎn)云數(shù)據(jù)，再采用3D表面匹配得到模板零件和當(dāng)前零件的仿射矩陣，完成零件識(shí)別和位姿獲取，控制機(jī)械臂抓取零件并擺放。

2 存在的問題

雙目視覺識(shí)別定位技術(shù)涉及眾多學(xué)科和理論，完整的雙目視覺系統(tǒng)包括圖像采集、相機(jī)標(biāo)定、立體校正、立體匹配和深度恢復(fù)等環(huán)節(jié)。每一個(gè)環(huán)節(jié)都直接或間接影響視覺系統(tǒng)的整體性能。基于雙目視覺散亂工件識(shí)別定位技術(shù)的理論研究和工業(yè)應(yīng)用已有一定基礎(chǔ)，但仍存在一些問題和難點(diǎn)，有較大提升空間。

(1)在圖像采集階段，受光照條件、現(xiàn)場環(huán)境等外界因素的影響，采集的散亂工件現(xiàn)場圖的表觀特征發(fā)生變化，造成識(shí)別定位的精度下降；在三維重建時(shí)，對于光亮表面的工件三維重建的效果不如預(yù)期，容易產(chǎn)生更多的噪聲。噪聲的干擾以及散亂工件的遮擋或傾斜對圖像的質(zhì)量存在一定影響，識(shí)別定位性能較差。如何提高圖像采集的質(zhì)量，是需要解決的問題之一。

(2)由于工件在散亂堆疊狀態(tài)是隨機(jī)的樣式，因此在某次工件抓取過程中，導(dǎo)致散亂工件隨機(jī)滾動(dòng)，這可能會(huì)使所有分割、三維配準(zhǔn)失效及接下來所有結(jié)果不可執(zhí)行的情況發(fā)生。為解決該現(xiàn)象，需在硬件設(shè)計(jì)與軟件設(shè)計(jì)層面添加一些錯(cuò)誤恢復(fù)機(jī)制，具備更好的魯棒性。多采用靜態(tài)采集圖像的方式，圖像處理操作相對較容易，在對運(yùn)動(dòng)中的工件進(jìn)行識(shí)別定位抓取時(shí)，還需進(jìn)一步提高算法精確度。

(3)目前在散亂工件識(shí)別定位方向，圓柱體或正方體等規(guī)則形狀的工件較多，識(shí)別效果較好，對輪廓較為復(fù)雜的工件算法還需完善。如何選擇合適的算法，提高雙目視覺識(shí)別定位系統(tǒng)的可靠性和實(shí)時(shí)性，使雙目視覺識(shí)別定位技術(shù)進(jìn)一步向智能化和精準(zhǔn)化方向發(fā)展是未來需著重解決的問題。

3 研究展望

目前，雙目視覺技術(shù)已經(jīng)在醫(yī)療、汽車、航海、工業(yè)生產(chǎn)等領(lǐng)域有了突破性進(jìn)展，但仍有較大提升空間。由于工件的形式多種多樣且數(shù)量越來越多，工件散亂堆疊放置在傳送鏈上的情況愈發(fā)嚴(yán)重。采用全自動(dòng)化的方式將散亂工件從傳送鏈上取出并有序擺放就成了現(xiàn)階段自動(dòng)化生產(chǎn)中的重要一環(huán)。截至目前，在實(shí)際應(yīng)用中還沒有達(dá)到現(xiàn)代化工業(yè)生產(chǎn)所具備的高精化和智能化的要求，利用雙目視覺技術(shù)對工業(yè)生產(chǎn)鏈上的散亂工件進(jìn)行識(shí)別定位，并結(jié)合機(jī)械臂對散亂工件進(jìn)行精確分類抓取，是現(xiàn)代化工業(yè)生產(chǎn)的發(fā)展趨勢。

深度學(xué)習(xí)在工業(yè)生產(chǎn)領(lǐng)域飛速發(fā)展，但在散亂工件的識(shí)別定位方向，還沒有最大發(fā)揮深度學(xué)習(xí)的作用，相關(guān)研究仍停留在借鑒主流神經(jīng)網(wǎng)絡(luò)框架，對其進(jìn)行調(diào)整改進(jìn)，然后完成對散亂工件的識(shí)別與分類階段。未來，更加適合該領(lǐng)域的深度學(xué)習(xí)框架，提高散亂工件識(shí)別定位系統(tǒng)的有效性和準(zhǔn)確性，是實(shí)現(xiàn)工業(yè)生產(chǎn)鏈全自動(dòng)化的趨勢。