基于OpenCV的机器人分拣系统设计

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。韦志文[1]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。李殷[2]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。马泽明等人[3]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。王连庆等人[4]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[5]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Tesseract Google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Arduino CNC电机扩展板组成，Arduino CNC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2 cm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5 V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Arduino Uno开发板，Arduino Uno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OpenCV内置的图像检测算子进行检测，最后传入tesseract-OCR进行识别，协同控制机械臂，实现在复杂环境下的包裹分拣。该设计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，并大幅提高了分拣准确率。同时，将视觉技术应用到工业分拣中，提高了企业运营效率，降低了企业生产成本，能够促进工厂和企业的升级，因而具有较好的应用前景。

审核编辑：刘清