基于OpenCV的机器人分拣系统设计

摘

要：从机械结构、电控部分和上位机软件三方面讲述了并联式3D打印机的组成，采用SolidWorks三维建模软件设计了一款并联式3D打印机，通过运动算法计算和步进电机算法对其进行控制。结果表明，其打印速度最快达到90mm/s，打印精度±0.2mm，设备整体尺寸仅为200mm×200mm×200mm，能作为桌面式教学设备，而且操作简单，造价成本较低，具有很好的推广应用价值。关键词：OpenCV；目标检测；图像处理；tesseract-OCR；机器人分拣系统0

引言随着各大电商的快速发展，我国快递行业的整体规模迅速壮大，包裹数量逐年增多，快递的错派、丢件等问题也日渐凸显，传统人工分拣已经无法适应当前的分拣需求，亟需一种用于自动检验、工件加工和装配自动化以及生产过程的控制和监视的图像识别机器，按任务需要从原始图像数据中提取有关信息、高度概括地描述图像内容，以便对图像的某些内容加以解释和判断。目前，针对机器人分拣系统的方案研究成为众多学者关注的热点。基于机器视觉设计了一种轻量化的分拣机器人，搭建了实验平台并完成了小型铸件的分拣。基于深度学习提出了工业机器人物品识别分拣系统设计，在建模解析分类之后工业机器人对物品进行实践分拣操作。将视觉技术、搬运机器人和无线控制网相结合，设计了一种智能搬运机器人的实验平台。构建了一套针对无序来料的定位系统，引导机械手对无序物料进行精确抓取和有序摆放。本文设计的工业机器人分拣系统与工业相机的快速拍照功能相结合，可实现包裹读码后的快速分拣及信息记录交互等功能，大量减少了分拣过程中的人工需求，提高了分拣效率及自动化程度，并大幅度提高了分拣准确率。1

OpenCV图像识别图像处理技术是用计算机对图像信息进行处理的技术，通过图像处理可以提取图像中的有用信息并精简数据量，是决定分拣过程是否能够达到精准且高效的关键。本设计采用OpenCV对原始图像进行预处理，提取图像特征，进行图像识别。本项目通过扫描物流包裹上的数字，对包裹进行识别，构建坐标系对机械臂完成协同控制，实现在复杂环境下的包裹分拣，提高了分拣过程中机械臂末端执行器的效能，物流快递包裹可进行有效分拣，达到快速分拣的目的，提高了工业生产效率，降低了工作成本。OpenCV图像处理流程图如图1所示。1.1

基于OpenCV的OCR文字识别传统的条形码虽然识别简单，但是需要学习多种编码方式。识别条形码下方数字单号可以直接把数据录入计算机进行数据处理，得到快递信息。OCR文字识别是指对图像文件进行分析识别处理，获取文字及版面信息的过程。首先，对快递信息进行图像读取及图像预处理，再用OpenCV内置的图像检测算子进行检测，最后传入tesseract-OCR进行识别。这种方法不仅速度快，而且抗外部干扰能力也比较好，可以准确识别快递的相关数字信息。OCR的技术路线如图2所示。1.2

图像预处理图像预处理是在图片识别之前对图片进行前期处理，抑制图片中的无关信息，增强开发者想要的重要信息。1.2.1

图像灰度化图像灰度化是将一张彩色图像向灰色图像转化的过程。相比于彩色图像，灰色图像更容易处理，可以消除颜色干扰。原图像如图3所示，灰度图像如图4所示。cv2.cvtColor()函数是颜色空间转换函数，可以实现图像的灰度化，代码如下：gray=cv2.cvtColor(image,

cv2.COLOR_BGR2GRAY)1.2.2

图像掩膜图像掩膜是用选定的图形对需要处理的图像（局部或全部）进行遮挡，来处理图像特定区域的处理过程。提取感兴趣区，用预先制作的感兴趣区掩膜与待处理图像相乘，得到感兴趣区图像，感兴趣区内图像值保持不变，而区外图像值都为0。掩膜图像如图5所示。1.2.3

黑帽操作（突出更黑暗的区域）黑帽运算就是取出图片中亮度低的地方，即突出更黑暗的区域。黑帽操作图像如图6所示。morphologyEx()是形态学操作函数，可以方便地对图像进行黑帽操作，代码如下：heiphat=cv2.morphologyEx(gray,

cv2.MORPH_BLACKHAT,

rectKernel)1.3

文字检测1.3.1

边缘检测图像边缘检测可以大幅减少数据量，并剔除可以认为不相关的信息，保留图像重要的结构属性。基于查找的方法，通过寻找图像一阶导数中的最大和最小值来检测边界，通常是将边界定位在梯度最大的方向。Canny算子边缘检测函数的目标是找到一个最优的边缘检测算法，从而检测出图像边缘，代码如下：edged=cv2.Canny(gray,

75,

200)1.3.2

获取轮廓cv2.findContours()函数用于查找检测物体的轮廓，cv2.drawContours()函数用于在图像上绘制轮廓。代码如下：（1）检测轮廓：cnts=cv2.findContours(edged.copy(),

cv2.RETR_LIST,

cv2.CHAIN_APPROX_SIMPLE)（2）绘制轮廓：cv2.drawContours(image,

[screenCnt],

-1,

(0,

255,

0),

2)1.4

文本识别文本识别采用tesseract-OCR识别技术，tesseract-OCR是由TesseractGoogle开发并维护的OCR开源库，有着极高的精确度和灵活性，它可以通过训练识别出任何字体，也可以识别出数字和字符。识别出的轮廓图如图7所示，文本识别图如图8所示。2

分拣机器人系统2.1

系统整体方案本文对小型工业机械臂进行了运动学分析，并使用计算机建模软件（UG）对工业机器人及其运动空间进行了建模。该工业机器人分拣系统[6]采用树莓派和Arduino开发板作为控制单元，两个控制芯片以串口连接进行通信，树莓派用于对图像进行处理与识别；Arduino开发板用于控制步进电机、舵机和超声波红外测距模块。其中舵机用于控制机器人的转向，也用于控制机械夹爪的张合；超声波红外测距模块用于检测与物体的距离。整体流程图如图9所示。2.2

机械结构机械臂各部件通过UG建模，采用3D打印技术打印。在结构设计时使用平面轴承、滚动轴承、线性轴承等一系列标准件，具有增加精度、减少摩擦力等作用。机械臂底座采用铝板与机械臂连接，一定程度上减少了机械臂前倾现象。机械臂Z轴的上下移动采用丝杆传动，传动轴向力大、可自锁、定位精度高。使用同步带传动，避免步进电机在低转速下产生振动及噪声。机械臂整体装配图如图10所示。2.3

硬件系统设计2.3.1

主控电路本系统由Arduino开发板和ArduinoCNC电机扩展板组成，ArduinoCNC电机扩展板直接连接在Arduino开发板上即可。主控芯片图如图11所示。2.3.2

超声波测距模块超声波测距模块采用的是HC-SR04，可提供约2cm的非接触式距离感测功能，机械臂可以及时感测与快递包裹的距离，抓取物体。如图12所示，超声波测距模块包括VCC供5V电源、GND地线、Trig触发控制信号输入、Echo回响信号输出等4个接口端。2.4

软件系统设计首先，通过OpenCV图像处理技术识别快递单上的数字串和快递的坐标，判断快递运往方向；再由树莓派通过串口发送信息给ArduinoUno开发板，ArduinoUno开发板逆运动求解出各电机旋转角度；然后，控制各电机旋转角度到达目标位置，打开夹爪，当机械臂的Z轴下降到合适位置时，闭合夹爪，夹取快递；当夹取动作完成后，机械臂的Z轴上升，移动到快递发往地，将物品放到相应位置。主控流程图如图13所示。3

结语本文设计了一种基于OpenCV的机器人分拣系统，运用OpenCV对快递信息进行图像读取及图像预处理，再用Ope