基于AI 全自動紙質文檔處理機器人的設計

摘要：本文提出了一種高效智能的文檔處理機器人設計方案，旨在提高文檔處理效率，降低人力、物力、時間成本以及失誤率，以適應現代辦公環境的智能、自動化趨勢。該機器人可以根據用戶定義的關鍵字詞規則，實現智能地將紙質文檔分類或排序，此外還能實現內容采集與糾錯等任務。其采用三軸桁架結構的機械手，桁架結構由步進電機驅動，機械手包含攝像頭、真空吸盤以及多個傳感器。用戶放入待處理的紙質文檔，并通過局域網連接主控板進行發布任務，然后由機械手攝像頭檢測紙張位置以及識別文字，接著由真空吸盤吸取紙張，分類放置在指定位置。綜合以上設計，本方案大幅提高了辦公的效率和智能化，為自動化文檔處理領域提供了一個可行的解決方案。

關鍵詞：文檔處理機器人；三軸桁架結構；機械手；氣動；目標檢測；字符識別；自然語言處理；Python；YOLOv8

中圖分類號：TP311文獻標識碼：A

文章編號：1009-3044（2024）34-0028-05開放科學（資源服務）標識碼（OSID）：

0引言

在現代辦公環境中，紙質文檔的處理和管理一直是一個重要但耗時的任務。傳統的人工處理方式不僅效率低下，而且容易出現錯誤，導致人力和物力的浪費。隨著信息技術和自動化控制技術的快速發展，智能化辦公設備逐漸成為各行各業的迫切需求。通過引入機器人來替代人工進行重復性、高強度的工作，成為現代機器人研究的一個重要方向。

近年來，許多研究者在此領域作出了重要貢獻。例如，張銳通過對桁架機器人的可靠性分析和改進，設計了一款用于汽車傳動軸自動線的機器人，提升了自動化生產線的穩定性和效率[1]。此外，張岳、孫偉和唐慶偉設計了一種基于目標檢測的桌面整理機器人，能夠有效識別和整理桌面物品，展示了智能化辦公設備在提升工作效率方面的巨大潛力[2]。趙先的研究則為沖壓機械手設計了一種氣動真空系統，解決了因真空壓力不穩定而影響作業效率的問題，提升了機械手的工作可靠性[3]。謝波、熊立貴、吳文君等人設計并分析了碼垛機械手的吸附式手部裝置，該裝置基于真空系統，能夠高效地抓取和處理平整面產品、紙箱包裝產品以及袋裝包裝產品，從而顯著提高了碼垛機械手的性能[4]。王曉瑜和鄭夢強開發了一種基于視覺識別的智能分揀機械臂，該機械臂利用工業相機采集物料圖像，結合HALCON軟件處理圖像，并通過PLC系統實現了高精度的分揀操作，展現了智能化分揀系統的優越性[5]。

1總體設計

本設計方案開發了一款基于AI全自動紙質文檔處理機器人，整體結構如圖1所示。機器人包括硬件和軟件兩大部分，其中硬件設計包括結構框架、傳動系統、機械手。該機器人采用三軸桁架結構，通過步進電機驅動，由同步帶和齒輪齒條傳動，機械手包括攝像頭、限位開關、真空吸盤等。軟件設計包括算法應用和控制程序，而算法應用則包括目標檢測、字符識別和自然語言處理。目標檢測基于YOLOv8s模型，通過訓練和優化實現高效準確的實時圖像識別，用于識別紙張的位置，字符識別分別通過OpenCV和PyT?esseract進行預處理和OCR識別紙張上的內容，自然語言處理通過調用科大訊飛的API接口實現文檔內容的分析和處理。控制程序采用上位機與下位機相結合的形式，部署在魯班貓4開發板，前端基于Boot?strap框架開發用戶界面，后端基于Flask框架處理業務邏輯，通過GPIO引腳實現對電機、傳感器等硬件設備的控制以及數據傳輸，同時，用戶通過局域網實現任務發布和實時控制。

2硬件設計

2.1結構框架

結構框架采用三軸桁架機械手結構，桁架結構由鋁型材通過緊固件連接而成。其結構包括X、Y、Z三軸。首先使用12支鋁型材構成長方體，頂部的兩條長邊作為X軸，在X軸上增加一條橫梁垂直于X軸作為Y軸，接著在Y軸上再增加一條豎梁垂直于X軸和Y軸作為Z軸，最后在Z軸上連接機械手，使機械手在X、Y、Z三個方向上具有獨立自由度，能夠覆蓋三維坐標系中的任意位置。

2.2傳動系統

在X、Y、Z軸上分別安裝傳動裝置，每個軸由一個步進電機驅動，以確保機械手在三維空間中的精確運動和定位。在X軸上，安裝直線導軌，滑塊在導軌上滑動。滑塊上固定橫梁，橫梁能夠在X軸的基礎上線性運動。為了保證橫梁兩端的平衡同步運動，采用一個步進電機的輸出軸同時驅動兩側的同步帶，即采用梅花聯軸器將輸出軸和光軸相連，然后將兩側的同步帶輪固定在光軸上，實現機械手在X軸方向上的左右移動。橫梁作為Y軸，采用齒輪齒條傳動，步進電機驅動齒輪，而齒輪與齒條緊密嚙合，從而將電機的旋轉運動轉化為導軌滑塊的線性運動，實現機械手在Y軸方向上的前后移動。Z軸連接Y軸的導軌滑塊，同樣采用齒輪齒條傳動，使機械手能夠在垂直于XY平面的方向上進行上下移動。機器人利用SolidWorks軟件進行建模和仿真，如圖2所示。

步進電機均為兩相四線制，四根線分別為A+、A-、B+、B-，這些線連接到TB6600驅動器的信號輸出端，驅動器接上12V開關電源，其信號輸入端有ENA、DIR、PUL三組控制引腳與主控板的GPIO引腳對應連接，然后通過編寫程序實現對步進電機的控制。具體來說，可以通過對ENA+引腳輸入低電平對步進電機進行使能，電機的正轉或反轉由DIR+引腳高低電平控制，并通過向PUL+引腳發送PWM脈沖信號來控制電機的旋轉速度，而ENA-、DIR-、PUL-引腳接地。在一定周期內，PWM波形的占空比越大，電機的轉速就越快。限位開關的作用是限制機械運動范圍，防止設備損壞，同時向控制系統提供位置信號。其公共端輸入3.3V，常開端連接GPIO引腳。主控板不斷讀取引腳輸入值，當X、Y、Z軸移動到達盡頭時限位開關被按下，引腳值變為高電平，步進電機停止移動。

2.3機械手

機械手是基于氣動系統的設計，包括微型真空泵、微型電磁閥、繼電器、氣動管道、真空吸盤、負氣壓傳感器、激光測距模塊和USB攝像頭。微型真空泵通過12V直流無刷電機產生負壓，并結合負氣壓傳感器實時監測氣壓值，感知紙張是否被吸取，且是否為單張紙。為適應不同質量的紙張，通過PWM調速來調節真空泵的輸出負壓。微型電磁閥負責控制氣流的通斷，其開閉由繼電器控制，而繼電器的通斷又由主控板控制。真空吸盤采用丁腈橡膠材料，專門設計用于吸附紙張和塑料薄膜。激光測距模塊用于實時檢測機械手到紙張的精準距離，攝像頭連接到主控板的USB接口，而其余傳感器則連接到相應的GPIO引腳。在分揀操作中，微型真空泵啟動，電磁閥開啟，產生的負壓通過氣動管道傳遞至真空吸盤，使其吸附紙張。需要釋放紙張時，電磁閥關閉，負壓被消除，紙張自然脫離吸盤。機械手結構如圖3所示，電氣結構如圖4所示[6]。

3軟件設計

3.1算法應用

3.1.1目標檢測

首先，進行標注以創建數據集。基于YOLOv8s預訓練模型，調整參數進行訓練。在PC端訓練得到.pt格式模型，將其轉換為.onnx格式，再轉換為.rknn格式，作用是轉換成適配瑞芯微NPU的模型，在NPU上獲得更高的推理效率。主控板通過攝像頭采集實時圖像進行驗證推理。對模型性能方面，進行參數調整，并對學習率、注意力機制、多線程技術等進行優化，改進卷積神經網絡結構，提高推理速度和處理效率，最終實現了在復雜場景下的實時檢測和識別能力，為實際應用提供了更為高效的解決方案。目標檢測流程如圖5所示。

3.1.2字符識別

在需要進行字符識別任務時，利用OpenCV對機器人攝像頭采集到的圖像進行預處理，包括灰度處理、二值化處理以增強對比度和高斯濾波處理以提高清晰度，降低識別難度。預處理完成后，將圖像交由PyTesseract進行OCR字符識別，以識別文檔中的文字內容并提取信息。

3.1.3自然語言處理

在需要進行自然語言處理時，通過WebSocket進行鑒權并調用科大訊飛的星火大模型API接口進行處理。識別得到的文字將進行拼寫和語法檢查，提示錯誤并提出修改建議。根據用戶需求，還可以對文檔進行潤色優化、提取關鍵信息、分析語義，實現文檔分類放置，并對紙質問卷等進行答案提取匯總，無須人工操作。

3.1.4排序算法

本項目采用歸并排序（MergeSort）算法對文檔進行排序，歸并排序是一種分治法（DivideandConquer），可以將大規模問題拆解為較小的子問題進行解決，最后再合并結果。它通過將文檔序號列表遞歸地拆分為較小的部分，再逐步合并已排序的部分來完成排序，時間復雜度為O（nlogn），適合處理較多文檔并保證排序穩定性。排序步驟如下：假設每個文檔都有各自的序號，將所有文檔合成一個列表。首先將文檔列表不斷對半拆分，直到每個子列表只剩一個文檔；然后在合并階段，比較各子列表的第一個文檔，按照編號的數字順序將其合并成一個新的排序列表。這個過程遞歸進行，最終將所有文檔按正確順序排序。

defmerge_sort（arr）：

#基本情況：如果列表只有一個元素，直接返回

iflen（arr）lt;=1：

returnarr

#將數組對半拆分

mid=len（arr）//2

left_half=merge_sort（arr[：mid]）#遞歸排序左半部分

right_half=merge_sort（arr[mid：]）#遞歸排序右半部分

#合并排序后的左右兩部分

returnmerge（left_half，right_half）

defmerge（left，right）：

sorted_list=[]

i=j=0

#比較左半部分和右半部分的元素，按順序合并

whileilt;len（left）andjlt;len（right）：

ifleft[i]lt;=right[j]：

sorted_list.append（left[i]）

i+=1

else：

sorted_list.append（right[j]）

j+=1

#處理剩余的元素

sorted_list.extend（left[i：]）

sorted_list.extend（right[j：]）

returnsorted_list

#示例：對數字列表進行排序

arr=[38，27，43，3，9，82，10]

sorted_arr=merge_sort（arr）

print（\"排序后的數組：\"，sorted_arr）

3.2控制程序

控制程序采用上位機與下位機相結合的一體化形式的程序，僅需要在機器人主控板上完成部署，然后電腦或手機等終端通過本地網絡，確保和機器人在同一個局域網下，訪問其IP地址，即可進行輕量化的發布任務、調試參數、實時控制等一系列操作。控制程序采用Web網頁的形式，這樣確保能夠在手機和電腦上訪問，而且本地無須部署環境、無須安裝軟件等煩瑣步驟，實現開機即用。

控制程序開發分為前端和后端，前端負責顯示用戶操作界面，使用HTML5、CSS和JavaScript，在Boot?strap框架基礎上編寫代碼。后端負責處理業務邏輯，包括接收和發送HTTP響應、調用算法、執行命令行、硬件控制等，使用Python語言開發。Web服務框架采用Flask庫，硬件控制采用AdafruitBlinka庫。程序控制流程如圖6所示。

4實驗與結果

4.1實驗環境

4.1.1開發環境

開發環境采用了一臺配備IntelCorei7-12700KFX86架構CPU、32GBRAM和NVIDIAGeForce306012GBGPU的PC，運行Ubuntu22.0464bit操作系統。搭建了CUDA12.6、Anaconda3、Python3.10、Py?torch2.4.0+cu121、OpenCV、Ultralytics、RKNNTool?kit2.1等環境，便于訓練YOLO模型和處理其他深度學習任務。開發工具方面，使用PyCharm編寫Python程序以及HTML5、CSS、JavaScript前端程序。

4.1.2運行環境

運行環境為魯班貓4開發板，搭載瑞芯微RK3588SSoC，集成了四核Cortex-A76和四核Cortex-A55的ARM架構CPU，具有高達6Tops的NPU算力。開發板配備了8GBLPDDR4X內存和64GBeMMC存儲器，提供40PinGPIO引腳、USB3.0接口、千兆以太網接口和WLAN無線網卡，操作系統為Ubuntu20.04。搭建了Miniconda3、OpenCV、RKNNToolkitLite2.1、Flask、AdafruitBlinka、PyTesseract等環境，便于推理YOLO模型、控制GPIO引腳和OCR字符識別等。

4.2模型的訓練與部署

4.2.1搭建環境

在PC端Ubuntu22.04環境下，安裝與顯卡驅動版本相匹配的CUDAToolkit，安裝Anaconda3并搭建Py?thon3虛擬環境，在此虛擬環境中安裝與CUDA版本相匹配的GPU版Pytorch，以及OpenCV、Ultralytics、RKNNToolkit2等。在魯班貓4板卡端Ubuntu20.04環境下，安裝Miniconda3并搭建Python3虛擬環境，在此虛擬環境中安裝OpenCV、RKNNToolkitLite2等。

4.2.2制作數據集

通過拍攝和網上采集大量紙質文檔的相關圖片作為樣本，利用labelImg標注工具對每個樣本圖片進行人工標注。標注完成后以6∶2∶2的比例隨機劃分為訓練集、驗證集和測試集，以便在訓練過程中進行模型評估和調優。

4.2.3訓練模型

使用YOLOv8s官方預訓練模型對自制的數據集進行訓練，對模型配置文件YOLOv8s.yaml進行參數修改，學習率（learningrate）初始值設置為1e-3（0.001）、批處理大小（batchsize）設置為32、訓練輪數（epochs）設置為200等。此外，利用torch.optim.lr_scheduler.StepLR調度器實現學習率的步進衰減，每50個訓練輪數學習率降低10%。配置完成后便可開始訓練模型[7]。

4.2.4模型部署

在PC端訓練完成得到.pt格式模型，利用Pytorch庫中的torch.onnx.export函數轉換為.onnx格式，再將.onnx格式模型通過RKNNToolkit2轉換為.rknn格式。在板卡端，利用RKNNToolkitLite2讀取.rknn模型，同時配合OpenCV調用攝像頭實時采集視頻流進行推理。

4.2.5推理結果

在模型的性能方面，最終模型在交并比（IoU，In?tersectionoverUnion）等于0.5的情況下，平均精度均值（mAP，meanAveragePrecision）達到了0.934，對文檔的識別精度較高。在模型部署在板端后的硬件性能方面，攝像頭在460×480分辨率下，平均幀率分別為29.5fps，NPU平均占用半分比分別為27.3%；推理一張分辨率為640×640的圖片平均用時為483.2ms。均能準確識別出紙質文檔或印章，目標檢測模型推理結果如圖7所示。對100張紙質文檔進行推理測試，模型的識別準確率為96%，誤判率為4%，其中部分誤判主要由于圖像模糊或攝像頭角度不佳引起。

4.3文檔分類與排序實驗

4.3.1實物制作與調試

機器人由主控板、攝像頭、步進電機、微型真空泵、負氣壓傳感器等重要零件組成，做好電氣連接和管道連接，最后把待處理的紙質文檔放置在機器人框架內。辦公機器人實物如圖8所示。

4.3.2準備實驗材料

準備A4、A5、A6規格的紙質文檔共1000張作為實驗材料，每張文檔右上角均標有一個由字母和數字組合的編號，例如A1、A2、B3、C4等。編號前綴字母作為分類，共有A、B、C三類，而后綴數字為序號。如圖9所示。

4.3.3工作流程

現將所有文檔進行分類和排序，用戶在控制程序中，選擇通過關鍵字詞分類，手動框選編號所在范圍。工作流程如下：首先，機器人可分為6個放置文檔的分區，假設1號區放置亂序文檔堆，則其余5個分區用于分類和排序工作。然后分配臨時分區，2號區存放A類文檔，3號區存放B類文檔，以此類推。接著逐個文檔讀取文檔編號的字母部分，拾取文檔，根據字母將其放到對應的分區。最后是采用歸并排序算法對分類好的文檔進行排序。分揀過程如圖10所示。

4.3.4結果與性能分析

本實驗共測試了1000張文檔，經過10次實驗，機器人能夠成功地將文檔按編號分揀到對應區域，分揀的成功率達到了92%。分揀過程中，未出現卡紙、漏分等情況，整個分揀過程平穩、高效。

4.3.5改進方向

模型優化方面，為了提高關鍵字識別的準確性，未來將對YOLOv8s模型進行進一步優化，以更好地處理復雜文檔格式和多關鍵詞的情況。硬件改進方面，針對吸附效果的不足，將考慮增強吸盤設計和負壓傳感器精度，確保不同材質文檔能夠被更穩定地分揀。

5結束語

本論文深入探討了智能辦公機器人系統的設計與實現，聚焦于提高文檔處理效率和自動化水平。隨著現代辦公環境對智能化設備需求的不斷增加，傳統的紙質文檔處理方式已顯得不夠高效和經濟。為應對這一挑戰，本研究結合目標檢測、圖像處理和自然語言處理技術，提出了一種集成化的智能辦公解決方案。

在機械設計方面，運動機構設計則確保了機械手的精準移動和穩定操作。步進電機驅動的傳動機構提供了高精度的運動控制，而導軌系統則確保了機械手在執行任務時的穩定性和一致性[8]。

通過應用YOLOv8s模型實現了對文檔內容的高效目標檢測，為系統提供了準確的圖像識別能力。在圖像處理方面，利用Tesseract對文字進行精準識別，并通過科大訊飛的星火大模型進行自然語言處理，確保了系統能夠處理復雜的文檔內容和進行智能化的文本分析。這些技術的集成，使得系統能夠自動化地進行文檔內容的識別和處理，大幅提升了工作效率。

論文還探討了系統在實際應用中的可靠性和改進空間，包括優化機械結構、改進控制系統和提升智能化水平。通過對現有文檔處理設備的不足之處進行分析，提出了有針對性的改進措施，以提高設備的穩定性和適用性。

本論文的研究不僅在智能辦公設備領域展示了先進技術的應用潛力，也為未來的技術發展和實際生產提供了理論支持和實踐經驗。隨著技術的不斷進步，未來的工作可以進一步拓展系統的應用場景，提升設備的智能化程度和處理能力。通過持續的研究和改進，智能辦公機器人系統將更加高效、智能，為現代辦公環境的自動化和數字化轉型貢獻更大的力量。

參考文獻：

[1]張銳.桁架機器人可靠性分析與設計[D].杭州：浙江工業大學，2018.

[2]張岳，孫偉，唐慶偉.基于目標檢測的桌面整理機器人的設計與實現[J].電腦知識與技術，2023，19（31）：55-58.

[3]趙先.沖壓機械手氣動真空系統的設計與應用[J].鍛壓裝備與制造技術，2023，58（4）：37-40.

[4]謝波，熊立貴，吳文君，等.碼垛機械手吸附式手部裝置的方案設計與分析[J].塑料包裝，2023，33（3）：47-52.

[5]王曉瑜，鄭夢強.基于視覺識別的智能分揀機械臂設計與實現[J].自動化與儀表，2023，38（6）：85-90.

[6]任雪婷.基于多傳感器融合的智能分揀機器人研究[J].機器人產業，2024（4）：96-102.

[7]常文龍，譚鈺，周立峰，等.基于改進YOLOv5s的自然環境下番茄成熟度檢測方法[J].江西農業大學學報，2024，46（4）：1025-1036.

[8]李哲，伍世英，袁寶欣，等.一種智能高效識別與分揀機器人方案設計思路[J].科技風，2023（30）：1-3.

【通聯編輯：梁書】

基金項目：2024年廣東大學生科技創新培育專項資金資助項目（項目編號：pdjh2024a676），項目名稱：基于AI全自動辦公智能機器人的設計