✨ 长期致力于自动化药房、yolo、视觉抓取、Delta机械手、轨迹规划研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1防堆叠装置与Delta机械手结构设计设计一种基于振动和斜面的防堆叠装置通过凸轮机构使药盒在传送带上单层排列。Delta机械手工作空间为直径400mm、高度150mm的圆柱体驱动采用伺服电机和碳纤维连杆。在SolidWorks中完成三维建模运动学分析显示可达工作空间内无奇异点。控制系统基于STM32和EtherCAT位置重复精度0.1mm。装置可实现每小时抓取1200个药盒。2YOLOv5与立体匹配融合的视觉抓取算法采用双目相机采集图像YOLOv5检测药盒平面位置和姿态角同时利用SGBM立体匹配算法计算深度信息。将药盒的像素坐标和深度融合获得三维空间位姿。训练YOLOv5模型使用自建药盒数据集含20种药盒共5000张标注图像mAP达到0.96。在药盒堆叠场景下算法能够区分上下层药盒抓取成功率为94%。对于倾斜药盒通过姿态估计调整机械手末端旋转角度。34-3-3-4多项式插值轨迹规划与粒子群优化为Delta机械手设计4-3-3-4多项式插值轨迹保证位置、速度和加速度连续。每段轨迹的时间分配采用粒子群算法优化以时间最短和冲击最小为目标。在MATLAB中仿真优化后单次抓取周期从1.2秒缩短到0.85秒加速度峰值降低23%。在实际样机上测试抓取稳定性提高药盒无掉落。系统集成了视觉和机械手对堆叠药盒的自动分拣实验成功率达到98%。import numpy as np import torch import cv2 from scipy.optimize import minimize class DeltaKinematics: def __init__(self, base_radius0.2, arm_length0.3, platform_radius0.05): self.Rb base_radius self.Rp platform_radius self.L arm_length def forward(self, angles): # 简化正运动学 x self.Rb self.L * np.cos(angles[0]) y self.Rb self.L * np.sin(angles[1]) z -self.L * np.sin(angles[2]) return np.array([x, y, z]) def inverse(self, pos): # 逆运动学解析解简化 x, y, z pos a1 np.arctan2(y, x) # 迭代求解 return np.array([a1, a1, np.arcsin(-z/self.L)]) class TrajectoryPlanner: def __init__(self, waypoints, total_time1.0): self.waypoints waypoints self.T total_time def polynomial(self, t, t0, tf, p0, pf, v00, vf0, a00, af0): # 4-3-3-4 多项式系数求解 M np.array([ [1, t0, t0**2, t0**3, t0**4, t0**5, t0**6, t0**7], [0, 1, 2*t0, 3*t0**2, 4*t0**3, 5*t0**4, 6*t0**5, 7*t0**6], [0, 0, 2, 6*t0, 12*t0**2, 20*t0**3, 30*t0**4, 42*t0**5], [1, tf, tf**2, tf**3, tf**4, tf**5, tf**6, tf**7], [0, 1, 2*tf, 3*tf**2, 4*tf**3, 5*tf**4, 6*tf**5, 7*tf**6], [0, 0, 2, 6*tf, 12*tf**2, 20*tf**3, 30*tf**4, 42*tf**5], [0, 0, 0, 6, 24*t0, 60*t0**2, 120*t0**3, 210*t0**4], # jerk continuity [0, 0, 0, 6, 24*tf, 60*tf**2, 120*tf**3, 210*tf**4] ]) b np.array([p0, v0, a0, pf, vf, af, 0, 0]) coeff np.linalg.solve(M, b) return np.polyval(coeff[::-1], t) def optimize_time(self): # 粒子群优化时间分配 n_seg len(self.waypoints)-1 def cost(t_seg): # t_seg 各段时间约束总和总时间 return np.sum(np.abs(t_seg - self.T/n_seg)**2) bounds [(0.1, 0.8)] * n_seg res minimize(cost, [self.T/n_seg]*n_seg, boundsbounds) return res.x def yolo_detection(image_path): # 简化模拟YOLO检测结果 # 实际使用 torch.hub.load(ultralytics/yolov5, custom, pathbest.pt) bbox [100, 150, 60, 80] # x,y,w,h angle 15 # 度 return bbox, angle def stereo_depth(disparity_map, baseline0.12, focal800): depth (baseline * focal) / (disparity_map 1e-6) return depth def main(): # 模拟视觉抓取流程 bbox, angle yolo_detection(pillbox.jpg) # 获取深度简化 depth 0.35 # 米 # 计算三维位置 center_x bbox[0] bbox[2]/2 center_y bbox[1] bbox[3]/2 pos_3d np.array([center_x * 0.001, center_y * 0.001, depth]) delta DeltaKinematics() joint_angles delta.inverse(pos_3d) print(Joint angles:, joint_angles) # 轨迹规划 waypoints [np.zeros(3), pos_3d, pos_3d [0.05,0,0.05], np.zeros(3)] planner TrajectoryPlanner(waypoints, total_time0.85) opt_times planner.optimize_time() print(Optimized segment times:, opt_times) print(Delta robot ready for picking.) if __name__ __main__: main()
双目视觉自动化药房智能上药系统【附程序】
✨ 长期致力于自动化药房、yolo、视觉抓取、Delta机械手、轨迹规划研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1防堆叠装置与Delta机械手结构设计设计一种基于振动和斜面的防堆叠装置通过凸轮机构使药盒在传送带上单层排列。Delta机械手工作空间为直径400mm、高度150mm的圆柱体驱动采用伺服电机和碳纤维连杆。在SolidWorks中完成三维建模运动学分析显示可达工作空间内无奇异点。控制系统基于STM32和EtherCAT位置重复精度0.1mm。装置可实现每小时抓取1200个药盒。2YOLOv5与立体匹配融合的视觉抓取算法采用双目相机采集图像YOLOv5检测药盒平面位置和姿态角同时利用SGBM立体匹配算法计算深度信息。将药盒的像素坐标和深度融合获得三维空间位姿。训练YOLOv5模型使用自建药盒数据集含20种药盒共5000张标注图像mAP达到0.96。在药盒堆叠场景下算法能够区分上下层药盒抓取成功率为94%。对于倾斜药盒通过姿态估计调整机械手末端旋转角度。34-3-3-4多项式插值轨迹规划与粒子群优化为Delta机械手设计4-3-3-4多项式插值轨迹保证位置、速度和加速度连续。每段轨迹的时间分配采用粒子群算法优化以时间最短和冲击最小为目标。在MATLAB中仿真优化后单次抓取周期从1.2秒缩短到0.85秒加速度峰值降低23%。在实际样机上测试抓取稳定性提高药盒无掉落。系统集成了视觉和机械手对堆叠药盒的自动分拣实验成功率达到98%。import numpy as np import torch import cv2 from scipy.optimize import minimize class DeltaKinematics: def __init__(self, base_radius0.2, arm_length0.3, platform_radius0.05): self.Rb base_radius self.Rp platform_radius self.L arm_length def forward(self, angles): # 简化正运动学 x self.Rb self.L * np.cos(angles[0]) y self.Rb self.L * np.sin(angles[1]) z -self.L * np.sin(angles[2]) return np.array([x, y, z]) def inverse(self, pos): # 逆运动学解析解简化 x, y, z pos a1 np.arctan2(y, x) # 迭代求解 return np.array([a1, a1, np.arcsin(-z/self.L)]) class TrajectoryPlanner: def __init__(self, waypoints, total_time1.0): self.waypoints waypoints self.T total_time def polynomial(self, t, t0, tf, p0, pf, v00, vf0, a00, af0): # 4-3-3-4 多项式系数求解 M np.array([ [1, t0, t0**2, t0**3, t0**4, t0**5, t0**6, t0**7], [0, 1, 2*t0, 3*t0**2, 4*t0**3, 5*t0**4, 6*t0**5, 7*t0**6], [0, 0, 2, 6*t0, 12*t0**2, 20*t0**3, 30*t0**4, 42*t0**5], [1, tf, tf**2, tf**3, tf**4, tf**5, tf**6, tf**7], [0, 1, 2*tf, 3*tf**2, 4*tf**3, 5*tf**4, 6*tf**5, 7*tf**6], [0, 0, 2, 6*tf, 12*tf**2, 20*tf**3, 30*tf**4, 42*tf**5], [0, 0, 0, 6, 24*t0, 60*t0**2, 120*t0**3, 210*t0**4], # jerk continuity [0, 0, 0, 6, 24*tf, 60*tf**2, 120*tf**3, 210*tf**4] ]) b np.array([p0, v0, a0, pf, vf, af, 0, 0]) coeff np.linalg.solve(M, b) return np.polyval(coeff[::-1], t) def optimize_time(self): # 粒子群优化时间分配 n_seg len(self.waypoints)-1 def cost(t_seg): # t_seg 各段时间约束总和总时间 return np.sum(np.abs(t_seg - self.T/n_seg)**2) bounds [(0.1, 0.8)] * n_seg res minimize(cost, [self.T/n_seg]*n_seg, boundsbounds) return res.x def yolo_detection(image_path): # 简化模拟YOLO检测结果 # 实际使用 torch.hub.load(ultralytics/yolov5, custom, pathbest.pt) bbox [100, 150, 60, 80] # x,y,w,h angle 15 # 度 return bbox, angle def stereo_depth(disparity_map, baseline0.12, focal800): depth (baseline * focal) / (disparity_map 1e-6) return depth def main(): # 模拟视觉抓取流程 bbox, angle yolo_detection(pillbox.jpg) # 获取深度简化 depth 0.35 # 米 # 计算三维位置 center_x bbox[0] bbox[2]/2 center_y bbox[1] bbox[3]/2 pos_3d np.array([center_x * 0.001, center_y * 0.001, depth]) delta DeltaKinematics() joint_angles delta.inverse(pos_3d) print(Joint angles:, joint_angles) # 轨迹规划 waypoints [np.zeros(3), pos_3d, pos_3d [0.05,0,0.05], np.zeros(3)] planner TrajectoryPlanner(waypoints, total_time0.85) opt_times planner.optimize_time() print(Optimized segment times:, opt_times) print(Delta robot ready for picking.) if __name__ __main__: main()
