并聯機器人在蠶繭分揀系統中的應用研究

王超　劉文烽　胡紫東

【摘 要】目的：蠶繭是繅絲生產中主要原材，蠶繭質量的好壞直接關系到繅絲質量，將蠶繭中的優質品與殘次品分選后，才能將優質品用于繅絲工序，確保繅絲過程中生絲質量和提高生產效率。方法：設計一套基于并聯機器人的動態選繭系統。該系統通過機器視覺系統動態識別與定位殘次繭，并聯機器人剔除重復識別過的蠶繭，通過傳送帶動態跟蹤法預測殘次繭抓取位置，利用吸盤吸取殘次繭，實現動態選繭功能。結果：實驗測試結果表明，自動選繭系統能準確地識別多種殘次繭，并實現動態抓取。結論：該選繭系統可以有效提高生產效率和降低勞動強度。

【關鍵詞】并聯機器人；動態；選繭；識別；定位

【中圖分類號】TP242.2 【文獻標識碼】A 【文章編號】1674-0688（2018）04-0087-04

0 引言

我國是世界蠶業的發源地，繭絲綢業一直占據國際市場的重要地位，繭絲綢業對國民經濟建設做出了極其重要的貢獻[1]。選繭，是指根據制絲工藝要求對原料繭進行篩選分類的過程。由于蠶本身體質和結繭時的環境不同，以及受收繭、烘繭、運輸等影響，所以往往有一部分難以繅制高級生絲的次繭和不能繅絲的下繭，本文將次繭與下繭統稱為殘次繭。為提高生產效率和繅制品質優良的蠶絲，必須設計更加高效的選繭系統。目前，蠶繭的分揀方法主要包括肉眼評定法和振動篩選2種方式。肉眼評定的整個作業過程基本上依靠人工完成，效率的高低在很大程度上依賴于員工的熟練程度，并且由于人本身具有主觀意識和情緒，無法恒定地評估產品的質量，且識別率難以得到保障，同時該方法勞動強度大，雖然人工分揀的前期投資較低，但是維持其運行的費用不斷上升，總體消耗大、企業利潤低。振動篩選是將顆粒大小不同的蠶繭多次通過均勻布孔的多層篩面，使原來雜亂無章排列的蠶繭發生分離，按顆粒大小進行分層，形成小顆粒在下、大顆粒居上的排列規則，通過振動實現對雙宮蠶繭的篩選[2]。此方法生產效率低，識別精度差，不適合實際工廠流水線作業。當今分揀方法大多數還是采取間歇式分揀，該分揀方法即在蠶繭到達檢測區時，傳送帶停止向前，實現靜態識別與定位，識別與定位完成后傳送帶繼續傳送到機器人抓取區域，蠶繭到達機器人抓取區域后，傳送帶停止傳送，機器人開始抓取，直到機器人完全抓取完，分揀進入下一次循環。該分揀方法的效率和識別精度雖然比振動篩選高許多，但是實際生產效率還是不夠高，且傳送裝置一直在運行和停止之間切換，對電機的損耗太大[3]。以上技術均不符合“中國制造2025”戰略，針對如今選繭技術中存在的不足，本文設計了用于提高選繭效率和選繭的準確性的動態選繭系統。

1 系統總體設計

動態選繭系統由視覺系統、并聯機器人、抓取裝置、傳送帶、上車繭下料區、殘次繭下料區等組成。系統結構總體示意圖如圖1所示。

動態選繭系統流程圖如圖2所示。該系統傳送帶一直勻速運動，將待檢測蠶繭輸送到視覺系統的檢測區域，視覺系統對蠶繭進行識別與定位并將殘次繭的視覺坐標通過TCP/IP協議傳送給并聯機器人，并聯機器人將接收到的數據進行篩選，剔除重復識別過的殘次繭，利用傳送帶動態跟蹤法預測殘次繭的末端位置，通過機器人末端上的真空泵排氣式吸盤吸取殘次繭，實現動態抓取。

2 動態選繭的實現

2.1 傳送帶裝置設計

傳送帶裝置的任務是對流水線的速度進行調控，傳送帶末端裝配了上車繭下料區。根據常見人工選繭傳送帶的尺寸和速度，確定傳送帶裝置相關參數如下：寬度約250 mm，長度約3 000 mm；輸送帶上表面距離地面約800 mm；輸送帶最大速度可達10 m/min；使用同步帶，避免打滑情況，使用伺服電機來調整和反饋傳送皮帶速度。

為了避免在抓取過程中，粘連蠶繭對其他蠶繭位置的影響，設計柔性凹形槽傳送帶如圖3所示，即在傳送帶上增添柔性凹形槽，每個凹形槽放一粒蠶繭，這樣可以避免蠶繭粘連造成機器人誤抓。每個凹形槽的長和寬都為50 mm，高為20 mm，即一排放5個蠶繭。

2.2 機器視覺設計

沒有配備機器視覺的機器人相當于“盲人”，要想讓機器人更加智能，需要給機器人裝上“眼睛”，即智能相機。通過智能相機對蠶繭進行識別與定位，將殘次繭坐標發送給并聯機器人。

2.3 去掉重復的圖像

為了保證每個通過檢測區的蠶繭都能被識別出來，檢測區域的寬度M與傳送帶速度v和相機觸發間隔時間T必須滿足下列關系：

M-v×T>0（1）

通過視覺定位算法，可以確定檢測區中每個蠶繭在視覺坐標系中的位置。建立如圖4的模擬蠶繭運動圖。

假設當前幀中，時刻為t，蠶繭A、B、C的坐標分別為（xa，ya）、（xb，yb）、（xc，yc）。則下一幀的時刻為t'，蠶繭A、B、C的坐標分別為（xa'，ya'）、（xb'，yb'）、（xc'，yc'）。為實現蠶繭的去重復，選取機器人抓取區域上邊界H作為固定參考位置，l1為檢測區的上邊界到H的距離，通過當前幀可計算A到達H的時刻：

2.5 同步時序

要想殘次繭在指定區域被抓取，必須設定抓取延時時間。機器人延時時間是傳送帶從檢測區域運動到指定抓取區域所用的時間。機器人的抓取區域的上邊界到檢測區域的上邊界的距離為650 mm，根據傳送帶的速度可以計算出延時時間為10 s，即機器人接受到殘次繭坐標后延時10 s。

為實現安全生產，當抓取點超過安全區域，自動釋放當前數據開始抓取下次傳送過來的數據。

2.6 機器人選型

此次研究成果主要運用在選繭方面，我們采用四軸并聯機器人，該機器人具有運動速度快、定位精確、效率高等優勢[4]。該機器人采用ARM9作為主控芯片，相比于傳統單片機，ARM9可以直接在片上運行Linux操作系統，并且處理速度獲得了極大的提高，比較適合做實時控制。

并聯機器人每個軸內其實是由獨立的伺服電機控制其運動，當4個軸內的伺服電機共同作業時，通過并聯機構，末端便能到達指定位置。因此，我們的主要任務是控制伺服電機的運動，即伺服電機的位移量。通過機器人運動學逆解[5]，可以根據末端位置反求每個軸的輸入角，即每個伺服電機的速度、運動時間、期望位移等變量。

動態抓取時，為實現殘次繭篩選，每次檢測的范圍只有r。即每次發送的數據為r內所有殘次繭的數據。

r=v×t×w=65 mm/s×2 s×250 mm=130 mm×250 mm（18）

公式（18）中，v為傳送帶速度，t為智能相機觸發延時時間，w為傳送帶的寬度。

為避免漏選，在2 s的拍照間隔內必須對殘次繭進行完全抓取，根據經驗在r范圍內，不粘連的蠶繭個數約13個，而殘次繭率最大為20%，即每批蠶繭最多只能有3個，因此機器人在2 s內必須抓取3個蠶繭，即機器人的工作節拍為2/3=0.6 s/次，考慮到吸附情況和其他情況，選取的并聯機器人的運動節拍必須小于0.5 s/次。

該系統采用優愛寶DELTA700并聯機器人，實體圖如圖5所示。其工作范圍為700 mm×700 mm，最大負載為3 kg，工作節拍可達0.4 s/次。

2.7 機器人末端抓取裝置設計

因為蠶繭比較密集，機械夾鉗式取料手體積過大，抓取時容易觸碰到其他蠶繭，致使蠶繭的實際坐標與抓取坐標不一致，從而導致抓取失敗。氣吸式機器人末端執行器利用吸盤內產的負壓產生的吸力來吸住并移動工件。吸盤就是用軟橡膠或者是塑料制成的皮碗中形成的負壓來吸住工件。常見的氣吸式吸盤有擠壓式吸盤、氣流負壓式壓盤、真空泵排氣式吸盤3種。

蠶繭表面比較粗糙，擠壓難以將吸盤中的空氣全部排出，形成的負壓不足于將殘次繭吸住。氣流負壓式吸盤利用氣流控制閥將來自氣泵中的壓縮空氣自噴嘴噴入，形成高速射流，將吸盤內腔中的空氣帶走從而使腔內形成負壓，然后吸盤吸住物體，但高速射流會對蠶繭的位置造成擾動，影響精準抓取。真空泵排氣式吸盤利用電磁控制閥將真空泵與吸盤連接，當控制閥抽氣時，吸盤腔內的空氣被抽走時，形成腔內負壓從而吸住物體。反之，控制閥將吸盤與大氣連接時，吸盤會失去吸力從而松開工件。因此我們采用真空泵排氣式吸盤，吸盤抓取裝置通過連接法蘭安裝在機器人末端工具端臺上。由于蠶繭的高度不一，因此統一將吸盤下降到離傳送帶1cm處抓取，當夾具快碰到殘次繭的時候開啟氣壓，實現抓取功能。機器人末端抓取裝置如圖6所示。

吸盤直徑的計算公式如公式（19）所示，其中D為真空吸盤的直徑（單位為mm），W為被吸蠶繭的重量（單位為N），t為安全系數，水平吸取時t≥4，垂直吸取時t≥8，n為吸盤數量，P為真空度（單位為MPa）。

D≥■（19）

該系統是為了抓取殘殘次繭，殘殘次繭中雙宮繭的質量最大，取雙宮繭的最大重量為W，根據經驗雙宮繭的重量小于10 g/個，因此W取0.1 N。采取單個作業，因此n取1。為了避免抓取中途脫落對后續抓取蠶繭造成的影響，安全系數t取8。實驗所用的真空泵，真空度為0.2 MPa。根據以上數據計算得到針式吸盤的直徑D=5.09 mm。

3 結論

為驗證該系統的可靠性，通過蠶繭的分揀實驗，對機器人的蠶繭分揀工作的有效性和速率進行測試。對多種殘次繭的識別率和抓取率見表1。其中，識別率是針對同一批蠶繭機器視覺系統識別的殘次繭總數與人眼辨別殘次繭總數的比值。抓取率是針對同一批實際抓取的總數與人眼辨別殘次繭總數的比值。

實驗表明：采用該系統可對蠶繭進行快速分揀，分揀速度可達到80次/min，可以做到利用分揀機器人代替人工作業的效果。由于形狀不規則的蠶繭難以準確確定其重心及吸盤擠壓過高的蠶繭引起傳送帶震動使重心發生偏移，因此導致抓取率下降。

該系統對殘次繭的識別、分選準確，效率高，有助于提高蠶繭的附加值，改善勞動條件。

參 考 文 獻

[1]薛振福.選繭對繅絲產量質量回收率的影響[J].遼寧絲綢，2006（1）：27-28.

[2]譚政榮，周金坤，姚建良，等.蠶繭分揀裝置[P].中國專利：201611117942.3，2017-02-22.

[3]張朝陽.基于視覺的機器人廢金屬分揀系統研究[D].北京：中國農業大學，2015.

[4]徐振偉，金嘉琦，馬佰勝.碼垛機器人運動分析與仿真[J].企業技術開發，2017，36（1）：45-47.

[5]郭曉彬.Delta并聯機器人運動規劃與動力學控制[D].廣州：廣東工業大學，2015.

[責任編輯：鐘聲賢]