- 文献综述（或调研报告）：
1 引言
目前，工业机器人已经大量应用于汽车、电子行业等劳动密集型产业，用于取代人工以提高生产效率和经济效益。曹泓浩在文献[1]中提到，目前来看，工业机器人的主要工作依然以喷涂、焊接、搬运为主，占总市场的 70%以上。而喷涂、焊接、搬运等工作，更多的是依靠示教操作使机器人重复进行轨迹固定的几个动作，所以用于喷涂、焊接、搬运等工作的机器人不需要安装传感器，但是对工件的摆放位置的要求较高。简单地说，这类机器人对于重复性工作的效率较高，但无法对环境的改变做出有效应对。
而随着新的市场需求的出现，任务的复杂程度急剧提高，传统的示教-再现的生产方式由于无法对环境的变化做出应对，即使是工件位置稍作改变都需要重新示教，故此不再适合新的任务需求。为了适应这种需求的改变，产生了一种新型的人工分拣机器人。这种工业分拣机器人将虚拟样机技术、机器视觉技术以及智能控制技术和视觉与分拣进行了结合，通过这些技术可以对工作台上面的物件进行准确的识别和分类，随后进行智能分拣与抓取[2]。基于机器视觉的工业机器人定位抓取技术在工业中具有非常高的应用价值，主要表现在两个方面：第一个方面是降低工业生产成本。在工业生产过程中，工业生产成本和工厂的盈利有着直接的联系，工厂的生产成本下降会直接提高工厂的盈利。基于机器视觉的工业机器人定位抓取技术的应用减少了工厂的成本支出，一方面工厂减少了工人的数量，工资费用得到了降低，另一方面工厂的原材料利用率得到了提高，原料成本降低了许多。第二个方面是提高了工业生产效率。工业生产效率是一个工厂实力的体现，影响着工厂的产量，从而影响着工厂的利益。基于机器视觉的工业机器人定位抓取技术的应用提高了工厂的生产效率，机器人能够快速完成生产任务，并且能够保证产品的质量，产品的产量也有了明显的增加。智能分拣机器人通过给机器人加装2D相机（单目，针对平面物体识别，提取轮廓和边缘即可）或3D相机（kinect、双目或多目，需要识别物体的空间几何形状）等方式，使机器人能够感知外界环境的变化并依此做出调整。为了刺激这项技术的发展，亚马逊在2015、2016和2017年的ICRA的会议上都举行了Picking Challenge比赛。美国的Fetch Robotics公司发布了两款面向仓储的新机器人, Fetch和Freight。Fetch Robotics的系统由一个自我导航的机器人夹具构成，其能够在仓库中移动，对产品进行识别并将它们取下货架。通过公司设计的别名为“Freight”的自动货架车，该系统可以自动处理仓库的仓储任务，无需费时费力的重新配置或安装。
2 基于视觉的自主抓取机器人系统；
2.1、物体识别
文献[3]中提到，机器人识别的关键技术主要有三个部分：目标识别、目标跟踪和视觉伺服。其中，目标跟踪负责将目标物体的视频分为多帧的图像，并得出目标物体的位置时间序列，使得机器人可以实现对目标物体的跟踪。目标识别负责把目标跟踪得到的图像信息进行处理，并利用计算机技术对目标进行识别。视觉伺服主要是图像识别后，计算机驱动机械臂完成对目标进行分拣的过程。一般常用的是混合视觉伺服。
2.1.1、目标跟踪
目标跟踪方法[7]主要分为边缘跟踪、形心跟踪和质心跟踪。边缘跟踪主要是对单帧图像中目标图像边线的提取，勾勒出目标的边缘特征。形心跟踪主要是对目标图像与背景图像二值化分割，对得到的二维图像处理计算得出目标中心位置的方法。在背景相对简单的情况下，形心跟踪具有较高的精度，但当背景更为复杂时，计算量增大，跟踪性能不理想。质心跟踪算法与形心跟踪算法相似，不受跟踪目标大小、旋转运动影响，但需要计算二级质心，计算量较大。边缘跟踪主要是对单帧图像中目标图像边线的提取，勾勒出目标的边缘特征。Canny 算子具有良好的信噪比（SNR），能够精准定位边缘位置，使得到的边缘特征图像更加清晰，保证了视觉分拣系统的精度。Roberts 算子根据对角线方向相邻两像素之间近似梯度幅值检测边缘，定位精度较高，但对噪声敏感，无法区分图像的主体与背景，获得的图像轮廓不清晰，边缘平滑度较差。Sobel 算子属于非线性边缘检测算法，对噪声有较好的平滑效果，能够准确定位边缘位置，但有较多假边缘，适用于检测精度较低的系统。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
