منجم الفحم الحزام الناقل الفرز الروبوت تحديد الأجسام الغريبة ونظام تحديد المواقعكمعدات مهمة لإنتاج مناجم الفحم ، فإن التشغيل الآمن للناقل الحزام من مناجم الفحم هو أساس مهم لضمان الإنتاج الطبيعي لمنجم الفحم. ومع ذلك ، في عملية إنتاج الفحم ونقله ، يمكن أن تتأثر الأحزمة الناقلة لمناجم الفحم بالأجسام الغريبة الملغومة عن طريق التعدين الشامل أو التنقيب الشامل ، وما إلى ذلك ، مما قد يؤدي إلى حوادث خطيرة مثل الحزام الممزق والحزام المكسور. تعتبر الطرق التقليدية للكشف عن الأجسام الغريبة مثل الاكتشاف اليدوي والكشف عن الرادار وأجهزة الكشف عن المعادن غير فعالة ومكلفة ويصعب نشرها وصيانتها وتنطوي على مخاطر تتعلق بالسلامة.مع التطوير المستمر لتكنولوجيا رؤية الماكينة ، أجرى العلماء والمؤسسات المحلية والأجنبية الكثير من الأبحاث حول تطبيق تقنية رؤية الماكينة في مراقبة حالة حزام ناقل مناجم الفحم والكشف عن الهدف. على الرغم من أن رؤية الماكينة لها أساس نظري معين في الكشف عن الهدف وتحديد هدف ناقل حزام منجم الفحم ، إلا أن تحديد هدف الروبوت الحالي لفرز حزام ناقل منجم الفحم هو أساسًا لتحديد الشوائب ، وهناك القليل من الأبحاث حول تحديد هدف الأجسام الغريبة الذي يتسبب في اختراق الحزام والتمزق ، وما إلى ذلك ، وهناك أبحاث أقل حول تحديد المواقع بدقة للأجسام الغريبة المستهدفة. بموجب هذا ، صممت MingDe نظامًا آليًا لفرز الحزام الناقل لفرز الأجسام الغريبة ونظام تحديد المواقع ، والذي يمكنه تحديد وتحديد أنواع وأشكال مختلفة من الأجسام الغريبة على حزام النقل. من خلال كاميرا استريو متعددة الزوايا ، متعددة الأبعاد عالية الدقة ، فارز الروبوت الذكي يقوم بمسح المعدن الخام بسرعة على حزام النقل. تحدد خوارزمية التعرف على الأجسام الغريبة CRM-CNN التي تم تطويرها ذاتيًا بدقة الموقع ثلاثي الأبعاد للحطام ، وتتحكم في الروبوت للاستيلاء عليه الكائن الغريب ، ويضعه في مربع تجميع الكائن الغريب.خصائص المنتج 1: استنادًا إلى تقنية التعلم العميق ، جنبًا إلى جنب مع قاعدة بيانات كبيرة من المواد الخام الأجنبية ، فارز الروبوت الذكي لديه معدل عالٍ للتعرف على الأجسام الغريبة.2: باستخدام كاميرا استريو صناعية متعددة الزوايا والأبعاد وخوارزمية التعرف على الأشكال الهندسية ثلاثية الأبعاد ، يمكن لآلة فرز الروبوت الذكي قياس وتحديد عمق واتجاه وموقع الأجسام الغريبة بدقة.3: تحكم مرن للغاية ، يمكن إضافة الأجسام الغريبة الناشئة حديثًا في أي وقت.4: ذراع روبوت ذو مستويات حماية عالية مطور خصيصًا ، أسرع وأكثر مرونة ، يمكنه التكيف بشكل فعال مع سرعات النقل المختلفة والبيئات الصناعية القاسية5: مراقبة عن بعد ذكية للغاية وغير مراقبة واختيارية التحقق التجريبي يتم التحقق من موثوقية نظام التعرف على الأجسام الغريبة ونظام الفرز الآلي لفرز روبوت الحزام الناقل وخوارزميته بواسطة النموذج الأولي التجريبي باستخدام أجسام غريبة على شكل قضيب ككائن تجريبي. تُظهر النتائج التجريبية للنموذج الأولي للنظام أن معدل التعرف على الأجسام الغريبة لنظام التعرف على الأجسام الغريبة ونظام تحديد المواقع لفرز روبوت منجم الفحم لا يتأثر بالحجم والمادة واللون وما إلى ذلك ، ويمكنه تحقيق الاستحواذ والمعالجة ، واستخراج الميزات ، والتعرف عليها وتحديد موضعها لصورة الجسم الغريب المستهدف للحزام الناقل ، ومعدل التعرف أكثر من 99.5٪ ، ومتوسط الخطأ في تحديد موضع الجسم الغريب المستهدف حوالي 1٪.

روبوت إزالة المواد MingDe مناور آلي ذراع الروبوت روبوت إزالة الأجسام الغريبةروبوت إزالة المواد الروبوت عبارة عن آلة ذكية يمكنها العمل بشكل شبه ذاتي أو بشكل مستقل تمامًا. يمكن برمجة الروبوتات والتحكم فيها تلقائيًا لأداء مهام مثل العمل أو الحركة.مبدأ المنتجمن خلال كاميرا استريو متعددة الزوايا ، متعددة الأبعاد عالية الدقة ، فارز الروبوت الذكي يقوم بمسح المعدن الخام بسرعة على حزام النقل. تحدد خوارزمية التعرف على الكائنات الغريبة CRM-CNN التي تم تطويرها ذاتيًا بدقة موقع الحطام ثلاثي الأبعاد ، وتتحكم في الروبوت لالتقاط الجسم الغريب ، وتضعه في صندوق تجميع الكائنات الغريبة.خصائص المنتج Mingde1: استنادًا إلى تقنية التعلم العميق ، جنبًا إلى جنب مع قاعدة بيانات كبيرة من المواد الخام الأجنبية ، فارز الروبوت الذكي لديه معدل عالٍ للتعرف على الأجسام الغريبة.2: باستخدام كاميرا استريو صناعية متعددة الزوايا والأبعاد وخوارزمية التعرف على الأشكال الهندسية ثلاثية الأبعاد ، يمكن لآلة فرز الروبوت الذكي قياس وتحديد عمق واتجاه وموقع الأجسام الغريبة بدقة.3: تحكم مرن للغاية ، يمكن إضافة الأجسام الغريبة الناشئة حديثًا في أي وقت.4: ذراع روبوت ذو مستويات حماية عالية مطور خصيصًا ، أسرع وأكثر مرونة ، يمكنه التكيف بشكل فعال مع سرعات النقل المختلفة والبيئات الصناعية القاسية 5: مراقبة عن بعد ذكية للغاية وغير مراقبة واختيارية مجالات التطبيقإنها تستخدم بشكل أساسي لفرز الخام ، وفرز قضبان التثبيت ، والنحاس الفولاذي ، والخرق ، والخشب ، وأجزاء الحديد ، وخط أنابيب تعبئة النفايات وغيرها من الحطام في عملية إنتاج الخام ونقله ، واستبدال الفرز اليدوي اليدوي ، ووضع الأساس لتقليل العمالة البشرية ، وخفض معدل فشل المعدات ، وتقليل الموظفين وزيادة الكفاءة.

تصميم نظام ثلاثي الأبعاد لإخراج الروبوتات من منصات القياس للمواد متعددة المقاييسإزالة المواد روبوت ذراع روبوت مناور آليالخلاصة: في التصنيع الصناعي واللوجستيات ، يعد إزالة المواد عن طريق الروبوتات أحد التطبيقات الشائعة. يعد إلغاء تحميل المواد سيناريو يتم فيه تحميل البضائع ذات المقاييس المختلفة (أي البضائع ذات الأحجام المختلفة أو الأوزان أو القوام) على منصات نقالة للتسليم. كان إلغاء تحميل الروبوت السابق قابلاً للتطبيق فقط على تفريغ البضائع الفردية ويتطلب ترتيب البضائع بترتيب ثابت ، ولم يكن لدى الروبوت القدرة على الإدراك ؛ تم تجهيز نظام إزالة منصات الروبوت الموجه بالرؤية الموضح في هذه الورقة بإمكانية إدراك البيئة في الوقت الفعلي لتوجيه عملية الإمساك ، وبالتالي حل مشاكل الأحجام المتغيرة من الأشياء التي سيتم تفريغها ووضع غير منتظم لأنظمة إزالة المواد متعددة المقاييس. الكلمات الرئيسية: التعرف على الرؤية ثلاثية الأبعاد ، الروبوت ، منصات التحميل الهجينة ، تحديد موضع الكائن ، خوارزمية إزالة المنصات في التصنيع الصناعي واللوجستيات ، يمكن استخدام العديد من الروبوتات الصناعية لتحسين تدفق البضائع ، وأحد التطبيقات الشائعة هو فك المواد. يشير مصطلح "نزع المنصات الآلية" عادةً إلى عملية التفريغ المتسلسل للمواد من المنصات باستخدام أذرع آلية ويمكن استخدامها لتحل محل الأعمال اليدوية البسيطة ولكنها ثقيلة. في مجال الخدمات اللوجستية ، هناك سيناريوهات يتم فيها تسليم البضائع بمقاييس مختلفة (أي أحجام أو أوزان أو مواد مختلفة) في صناديق ، كما هو موضح في الشكل 1.ومع ذلك ، تم التحكم في أنظمة إزالة المنصات الآلية المبكرة يدويًا بشكل أساسي لإكمال إمساك الروبوت ، والذي كان ينطبق فقط على تفريغ شحنة واحدة ويتطلب ترتيب الشحنة بترتيب ثابت ، ولم يكن لدى الروبوت القدرة على الإدراك للتفاعل مع التغييرات الخارجية. ومع ذلك ، تتطلب أنظمة إزالة المواد متعددة المقاييس من الروبوتات أن يكون لديها وعي بيئي في الوقت الحقيقي لتوجيه عملية الإمساك لأن الأشياء المراد تفريغها متغيرة الحجم وموضوعة بشكل غير منتظم.مع تطوير أجهزة استشعار بصرية مختلفة ، تم إدخال تقنية رؤية الكمبيوتر تدريجياً في مهام استيعاب الروبوت لتحسين قدرة الروبوت على الحصول على المعلومات الخارجية. عادةً ما يحتوي نظام إزالة منصات الروبوت الموجه بالرؤية على خمس وحدات ، وهي وحدة اكتساب معلومات الرؤية ، ووحدة تحليل وتوطين الكائن ، ووحدة حساب موضع الإمساك ، ووحدة تحويل تنسيق اليد والعين ، ووحدة تخطيط الحركة ، كما هو موضح في الشكل 2. من بينها ، الوحدات الثلاث الأولى هي الجزء الرئيسي من نظام الرؤية ، وهي المسؤولة عن الحصول على المعلومات المرئية ومعالجتها وتوفير أوضاع الكائنات. يتم استخدام آخر وحدتين بشكل أساسي لتوفير معلومات التحكم للروبوت وإكمال وظيفة الإمساك. في ما يلي ، سوف نقدم كل وحدة ، والأساليب الشائعة وحالات التنفيذ.I. الرؤية وحدة اكتساب المعلوماتيتمثل دور وحدة الحصول على معلومات الرؤية في التقاط المعلومات المرئية وتقديم مدخلات للخطوات اللاحقة. في الوقت الحاضر ، تشتمل المدخلات المرئية شائعة الاستخدام على صور ثنائية الأبعاد RGB وصور سحابة ثلاثية الأبعاد وصور RGB-D مدمجة ثنائية وثلاثية الأبعاد. من بينها ، يعتبر استيعاب الذراع الروبوتية بمساعدة الرؤية استنادًا إلى صور 2D RGB حاليًا حلاً ناضجًا في الصناعة ، والذي يحول مشكلة استيعاب الروبوت إلى مشكلة القيام باكتشاف هدف الكائن أو تجزئة الصورة على صور RGB. ومع ذلك ، تفتقر الرؤية ثنائية الأبعاد إلى معلومات المقياس المطلقة للأشياء ولا يمكن استخدامها إلا في ظل ظروف محددة ، مثل السيناريوهات ذات المنصات الثابتة وأحجام المواد المعروفة. بالنسبة للسيناريوهات التي يكون فيها مقياس المواد غير معروف ، فإن وحدة الرؤية مطلوبة لتزويد الروبوت بمعلومات دقيقة عن الحجم المطلق للكائن المراد التقاطه ، لذلك يمكن فقط استخدام صور سحابة نقطية ثلاثية الأبعاد أو صور RGB-D مع مزيج من 2D و 3D مستخدم. بالمقارنة مع معلومات RGB ، تحتوي معلومات RGB-D على معلومات المسافة المكانية من الكاميرا إلى الكائن ؛ مقارنة بصور سحابة نقطية ثلاثية الأبعاد ، تحتوي معلومات RGB-D على معلومات نسيج ألوان غنية. لذلك ، يمكن استخدام صور RGB-D كمدخل للمعلومات المرئية لنظام إزالة المواد متعدد المقاييس.وحدة تحديد المواقع وتحليل الكائنتستقبل وحدة تحديد موضع الكائن وتحليلها مدخلات البيانات من وحدة الحصول على معلومات الرؤية ، وتحلل المواد الموجودة في المشهد ، وتحصل على المعلومات الأساسية مثل موضعها ووضعها ، ثم تُدخل هذه المعلومات الأساسية في وحدة حساب وضعية الاستيعاب. بشكل عام ، يمكن تحويل مشكلة توطين المواد في نظام إزالة المنصات الآلي إلى اكتشاف الهدف أو مشكلة تجزئة الصورة في مجال الرؤية. يمكن أن يقوم حل استيعاب الروبوت المستند إلى الرؤية RGB-D أولاً بإجراء الكشف عن الهدف ثنائي الأبعاد أو تجزئة الصورة ثنائية الأبعاد على صورة RGB للمادة ، ثم دمج خريطة العمق لإخراج الحجم المطلق للكائن ووضعية الإمساك ؛ أوقم بالكشف عن الهدف أو تقسيمه مباشرة على خريطة سحابة النقطة ثلاثية الأبعاد. فيما يلي مقدمة موجزة للعمل ذي الصلة.1.2D الكشف عن الهدفمدخل اكتشاف الهدف ثنائي الأبعاد هو صورة RGB للمشهد ، والمخرج هو فئة وموضع الكائن في الصورة ، ويتم إعطاء الموضع في شكل حد أو مركز. يمكن تقسيم طرق الكشف عن الهدف إلى طرق تقليدية وأساليب قائمة على التعلم العميق. تستخدم طرق الكشف عن الهدف التقليدية بشكل عام نافذة منزلقة لاجتياز الصورة بأكملها ، بحيث تصبح كل نافذة منطقة مرشحة. لكل منطقة مرشحة ، يتم أولاً استخراج الميزات باستخدام SIFT و HOG وطرق أخرى ، ثم يتم تدريب المصنف على تصنيف الميزات المستخرجة. على سبيل المثال ، تستخدم خوارزمية DPM الكلاسيكية SVM لتصنيف ميزات HOG المعدلة لتحقيق تأثير اكتشاف الهدف. الطريقة التقليدية لها عيبان واضحان: أولاً ، إنها تستغرق وقتًا طويلاً لاجتياز الصورة بأكملها باستخدام نافذة منزلقة ، مما يجعل تعقيد الوقت للخوارزمية مرتفعًا ويصعب تطبيقه على سيناريوهات واسعة النطاق أو في الوقت الفعلي ؛ ثانيًا ، غالبًا ما تحتاج الميزات المستخدمة إلى التصميم يدويًا ، مما يجعل هذه الخوارزميات أكثر اعتمادًا على التجربة وأقل قوة.2. تجزئة الصورة ثنائية الأبعاديمكن اعتبار تجزئة الصورة مهمة تصنيف صورة على مستوى البكسل. اعتمادًا على معنى نتيجة التجزئة ، يمكن تقسيم تجزئة الصورة إلى التجزئة الدلالية وتجزئة المثيل. يصنف التقسيم الدلالي كل بكسل في صورة ما إلى فئة مقابلة ، بينما لا يؤدي تجزئة المثيل تصنيف مستوى البكسل فحسب ، بل يميز أيضًا مثيلات مختلفة على أساس فئات معينة. بالنسبة إلى المربع المحيط لاكتشاف الهدف ، يمكن أن يكون تجزئة المثيل دقيقًا لحواف الكائنات ؛ بالنسبة للتجزئة الدلالية ، يحتاج تجزئة المثيل إلى تسمية أفراد مختلفين من كائنات متشابهة على الرسم البياني. في تطبيقات إزالة المنصة ، نحتاج إلى استخراج حواف المواد بدقة لحساب موضع الإمساك ، لذلك نحتاج إلى استخدام تقنيات تجزئة المثيل. يمكن تقسيم تقنيات تجزئة الصور الحالية إلى طرق تقليدية وأساليب قائمة على التعلم العميق. تعتمد معظم طرق تجزئة الصور التقليدية على تشابه أو تغير القيم الرمادية في صورة ما لتحديد ما إذا كانت وحدات البكسل تنتمي إلى نفس الفئة. تشمل الطرق الشائعة الاستخدام الطرق القائمة على نظرية الرسم البياني ، والطرق القائمة على التجميع والطرق القائمة على اكتشاف الحافة. أدت الأساليب القائمة على التعلم العميق إلى تحسين دقة تجزئة الصور ثنائية الأبعاد بشكل كبير مقارنة بالطرق التقليدية. تضيف أطر الشبكة العصبية العميقة النموذجية ، مثل AlexNet و VGGNet و GoogleNet وما إلى ذلك ، طبقة متصلة بالكامل في نهاية الشبكة لتكامل الميزات ، متبوعة بـ softmax لتحديد فئة الصورة بأكملها. لحل مشكلة تجزئة الصورة ، يستبدل إطار عمل FCN هذه الطبقات المتصلة بالكامل بطبقات deconvolution ، مما يجعل ناتج الشبكة من احتمال أحادي البعد إلى مصفوفة بنفس دقة المدخلات ، وهو العمل الرائد للتطبيق التعلم العميق للتجزئة الدلالية.3. كشف الهدف ثلاثي الأبعاديتيح الكشف عن الهدف ثلاثي الأبعاد للروبوتات إمكانية التنبؤ والتخطيط بدقة لسلوكها ومساراتها عن طريق حساب الموضع ثلاثي الأبعاد للكائنات مباشرةً لتجنب الاصطدامات والانتهاكات. ينقسم الكشف عن الهدف ثلاثي الأبعاد إلى كاميرا أحادية ، وكاميرا ثنائية العين ، وكاميرا متعددة العدسات ، ومسح LIDAR لسطح الخط ، وكاميرا عمق وكاميرا الأشعة تحت الحمراء للكشف عن الهدف وفقًا لنوع المستشعر. بشكل عام ، تتيح أنظمة الاستريو / الرؤية المتعددة التي تتكون من كاميرات متعددة الرؤية أو LiDAR قياسات سحابة ثلاثية الأبعاد أكثر دقة ، حيث يمكن للطرق القائمة على العرض المتعدد استخدام المنظر من الصور ذات المناظر المختلفة للحصول على خرائط العمق ؛ الأساليب المستندة إلى السحابة النقطية تحصل على معلومات الهدف من السحب النقطية. بالمقارنة ، نظرًا لأنه يمكن قياس بيانات عمق النقاط مباشرة ، فإن اكتشاف الهدف ثلاثي الأبعاد المستند إلى السحابة النقطية هو في الأساس مشكلة تحديد نقطة ثلاثية الأبعاد وبالتالي فهو أكثر سهولة ودقة. ثالثًا ، وحدة حساب وضع الالتقاطتستخدم وحدة حساب وضعية الإمساك معلومات وضعية الموضع لإخراج الكائن المستهدف من الوحدة الثانية لحساب وضعية إمساك الروبوت. نظرًا لوجود العديد من الأهداف التي يمكن إدراكها في نظام إزالة منصات المواد متعدد المقاييس ، يجب أن تحل هذه الوحدة مشكلتين "أيهما يجب فهمه" و "كيفية فهمه".الخطوة الأولى هي حل مشكلة "أي". الهدف من هذه المشكلة هو تحديد أفضل هدف زحف من بين العديد من أهداف الزحف ، وغالبًا ما يلزم تحديد "الأفضل" هنا من خلال المتطلبات الفعلية. على وجه التحديد ، يمكننا تحديد بعض المؤشرات التي لها تأثير على حكم الزحف وفقًا للوضع الفعلي ، ثم تحديد أولويات هذه المؤشرات.الخطوة الثانية هي حل مشكلة "كيفcatch ". يمكننا اختيار تحليل وحساب وضعية الإمساك عن طريق التحليل الميكانيكي ، أو يمكننا أولاً تصنيف الكائن عن طريق طريقة التعلم ، ثم تحديد نقطة الإمساك وفقًا للتصنيف ، أو التراجع مباشرة عن وضع الإمساك. رابعًا ، وحدة تحويل تنسيق اليد والعينمع الوحدة الثالثة ، حصلنا على وضعية إمساك مجدية. ومع ذلك ، فإن وضع الإمساك يعتمد على الوضع في نظام إحداثيات الكاميرا ، ويجب تحويل وضع الإمساك إلى نظام إحداثيات الروبوت قبل إجراء تخطيط الحركة. في أنظمة إزالة المنصة ، عادةً ما تُستخدم معايرة اليد والعين لحل هذه المشكلة. اعتمادًا على موضع تثبيت الكاميرا ، يمكن تقسيم طريقة معايرة اليد والعين إلى حالتين. أحدهما هو أن الكاميرا مثبتة على ذراع الروبوت وتتحرك الكاميرا مع الذراع ، تسمى عين في اليد ، كما هو موضح في الشكل 3. في هذه العلاقة ، تظل علاقة الموضع بين قاعدة الروبوت ولوحة المعايرة ثابتة أثناء حركتي ذراع الروبوت ، والكمية التي تم حلها هي علاقة الموضع بين الكاميرا ونظام إحداثيات نهاية الروبوت. يتم تثبيت النوع الآخر من الكاميرا على حامل منفصل ، يسمى "وجهاً ليد" ، كما هو موضح في الشكل 4. في هذه الحالة ، تظل علاقة الموقف بين نهاية الروبوت ولوحة المعايرة كما هي أثناء حركتي الذراع ، والحل هو علاقة الموقف بين الكاميرا ونظام الإحداثيات لقاعدة الروبوت. تتحول كلتا الحالتين في النهاية إلى مشكلة حل مع AX u003d XB ، ويمكن تحويل المعادلة إلى معادلة خطية باستخدام مجموعة الكذب وجبر الكذب لحل كميات الدوران والترجمة ، على التوالي.الخامس. وحدة تخطيط الحركةتنظر هذه الوحدة بشكل أساسي في علم الحركة والديناميكيات والتحليل الميكانيكي وتخطيط الحركة للروبوت لتخطيط مسار حركة ممكن لا يتعارض مع البيئة. بضرب وضع الإمساك في نظام إحداثيات الكاميرا الذي تم الحصول عليه بواسطة وحدة حساب وضعية الإمساك مع مصفوفة التحويل التي تمت معايرتها بواسطة وحدة تحويل تنسيق اليد والعين ، يمكننا الحصول على وضع الإمساك في نظام إحداثيات ذراع الروبوت. بناءً على هذا الموقف ، يمكن تنفيذ تخطيط الحركة ويمكن توجيه ذراع الروبوت لإكمال مهمة إزالة المنصة. لذلك ، فإن مدخلات وحدة تخطيط الحركة هي مواضع البداية والهدف لذراع الروبوت ، والإخراج هو مسار حركة ذراع الروبوت. يمكن تقسيم خوارزمية تخطيط الحركة الكاملة إلى الخطوات الثلاث التالية.الخطوة 1: الحل الحركي العكسي. من أجل تجنب مشاكل مثل التفردات ، يتم إجراء تخطيط حركة الذراع الآلية بشكل عام تحت مساحة المفصل. لذلك ، يجب علينا أولاً إجراء الحل الحركي المعكوس بناءً على المدخلات التي تطرح للحصول على القيم المشتركة المقابلة للأوضاع.الخطوة 2: تخطيط المسار. باستخدام خوارزمية تخطيط المسار ، يمكننا الحصول على مسار حركة الذراع الآلية. الهدف من هذه الخطوة ذو شقين: الأول هو تجنب العوائق ، لضمان عدم اصطدام الذراع الآلية بأشياء أخرى في المشهد أثناء حركتها ؛ والثاني هو تحسين سرعة التشغيل من أجل زيادة كفاءة تشغيل النظام. من خلال التخطيط لمسار حركة معقول ، يمكن جعل وقت تشغيل قبضة واحدة للذراع الآلي أقصر ، وبالتالي تحسين الكفاءة.الخطوة 3: وقت الاستيفاء. على الرغم من أنه يمكننا بالفعل الحصول على مسار حركة ممكن من خلال تخطيط المسار ، إلا أن هذا المسار يتكون من نقطة موقع واحدة تلو الأخرى. عندما تعمل ذراع الروبوت على طول هذا المسار ، فإنها تحتاج إلى الحفاظ على التسارع والتباطؤ ، لذلك سيكون لها تأثير على سرعة الجري. لهذا السبب ، نحتاج إلى إجراء استيفاء زمني للحصول على معلومات السرعة والتسارع والوقت لكل نقطة على المسار بينما يتحرك ذراع الروبوت إلى تلك النقطة. بهذه الطريقة ، يمكن لذراع الروبوت العمل بشكل مستمر وسلس ، وبالتالي تحسين الكفاءة. السادس. مثال التنفيذبناءً على البحث أعلاه ، يمكن استخدام نظام رؤية كامل يتكون من كاميرا عمق ثلاثية الأبعاد ونظام إضاءة وجهاز كمبيوتر وبرمجيات معالجة الرؤية في سيناريو تعريف مادة الصندوق المقطعي للحصول على بعض المعلومات الخاصة حول الأشياء الحقيقية ، والمعلومات التي تم الحصول عليها من خلال هذا يمكن استخدام النظام لإنجاز بعض المهام الخاصة ، مثل الحصول على موضع الصندوق من خلال نظام الرؤية ، والذي يمكن أن يوجه الروبوت لفهم معلومات كمية الصندوق والحصول عليها كمعايرة للمهمة. المكونات الرئيسية لهذا النظام كما هو موضح في الشكل 5.تُستخدم الكاميرا ثلاثية الأبعاد ونظام الإضاءة بشكل أساسي لتصوير الصور ، حيث يمكن للكاميرا ثلاثية الأبعاد الحصول على بيانات العمق ضمن نطاق معين. ويرتبط تصوير الصور الرقمية بنظام الإضاءة. من ناحية أخرى ، يشتمل الكمبيوتر على أجهزة حوسبة وتخزين للأغراض العامة لحفظ الصور ومعالجة الصور من خلال برامج الرؤية المتخصصة وأيضًا للشبكةالتواصل مع الأنظمة الأخرى. تسهل شاشة الصور المشغل تشغيل برنامج معالجة الرؤية ومراقبة تشغيل النظام. يتم استخدام التخزين ذو السعة الكبيرة للتخزين الدائم أو المؤقت للصور أو البيانات الأخرى. من ناحية أخرى ، تشتمل برامج الرؤية المتخصصة على معالجة الصور الرقمية وتحليل بيانات الصور وبعض الوظائف الخاصة. بشكل عام ، تتميز كاميرا العمق ثلاثية الأبعاد بمعدل إطار من 1 إلى 30 إطارًا في الثانية ، ودقة صورة RGB تبلغ 640 × 480 ، و 1280 × 960 ، و 1920 × 1080 ، و 2592 × 1944 ، ونطاق عمق يتراوح من 500 مم إلى حوالي 5000 مم. واعتمادًا على السعر ، هناك دقة ونطاق مختلفان. فيما يلي مثال لعلامة تجارية للكاميرا ثلاثية الأبعاد مع معلمات كما هو موضح في الشكل 6 والدقة كما هو موضح في الشكل 7.باستخدام الكاميرا ثلاثية الأبعاد ، يمكنك الحصول على صور RGB وصور عميقة لمشاهد خاصة ، ووفقًا لمعالجة هذه الصور وتحليلها (انظر الشكل 8) ، يمكنك الحصول على بعض المعلومات حول موضع العناصر وعددها ومعلوماتها في مشهد.المربع المستطيل في الشكل 9 هو خريطة موضع الاستيلاء على الصندوق التي تم تحديدها بعد المعالجة. ترتيب أعلى اليسار ، وأسفل اليسار ، وأعلى اليمين ، وأعلى اليمين هو "2 ، 3 ، 3 ، 2" على التوالي ، أي أن يد الروبوت ستلتقط صندوقين على اليسار ، وثلاثة مربعات على اليسار ، وثلاثة مربعات على على اليمين ومربعين على اليمين وفقًا لمعلومات الموقع التي يوفرها نظام التعرف على الصور.سابعا. ملخصفي هذه الورقة ، قدمنا إطار العمل والأساليب الشائعة لنظام إزالة منصات روبوت المواد متعدد المقاييس الموجهة بالرؤية ثلاثية الأبعاد ، وحددنا العديد من الوحدات الأساسية التي يحتاجها الإطار ، وهي وحدة اكتساب معلومات الرؤية ، ووحدة توطين الكائن والتحليل ، استيعاب وحدة حساب الموضع ، وحدة تحويل تنسيق اليد والعين ، ووحدة تخطيط الحركة ، وشرح المهام الرئيسية والأساليب الشائعة لكل وحدة. في التطبيقات العملية ، يمكن استخدام طرق مختلفة لتنفيذ هذه الوحدات حسب الحاجة دون التأثير على وظائف الوحدات الأخرى والنظام ككل.