传统的工业机器人抓取工件的方式大多采用示教编程模式,该抓取方式存在灵活性差,对工件摆放位置要求高,精度和容错差等弊端。近年来,随着机器视觉在工业生产中应用增多,视觉引导工业机器人抓取作业受到了研究者和产业界的重视,并逐渐成为研究的热点。视觉的引入极大的扩展了机器人抓取应用的广度,增强了系统的适应性和可靠性,是工业自动化发展的趋势。目前基于视觉的工业机器人抓取研究中的工件多是表面平整、无镂空的,但在实际工业生产中,抓取表面不平整、镂空形的,且位置不固定的工件的任务占据了很大的比例。针对上述问题,课题以螺母等镂空型工件为代表对象开展相关研究。论文完成了以下工作:(1)以桌面级机械臂为基础搭建了视觉引导的工业机器人抓取仿真系统,并给出了图像采集子系统、运动控制子系统以及末端夹具部分的设计。其中,设计的夹具采用电动、气动组件控制的内外环结构,能够实现镂空工件的可靠夹取;(2)针对视觉引导下工件定位中坐标变换进行了理论分析,明确了不同坐标系的变换关系,并完成了系统的相机标定。设计系统标定后误差小于0.2mm;(3)针对在图像中定位工件时涉及的图像准确分割问题,论文在对比分析了基于几何模板匹配、特征点匹配以及传统脉冲耦合神经网络的图像分割的基础上,提出了改进的脉冲耦合神经网络模型,并以高噪声电动机盖工件图像进行了实验。在640×480像素图像上,能够0.5s内实现工件的分割和定位,在精度一致的条件下计算速度相比传统PCNN算法提高了 200%;(4)通过Uart总线形式,实现了图像定位系统与机械臂运动控制系统的互联,采用美国国家仪器(National Instruments,NI)的机器视觉工具包以及LabVIEW与MATLAB混合编程技术完成了整个系统的软件设计,实现了视觉引导下机械臂的抓取,并在实际搭建的仿真系统中进行实验。实验结果表明设计的系统能够可靠有效的实现镂空类的、表面不平整、不固定位置工件的夹取。论文针对高噪声背景下镂空工件图像分割问题,提出了 MPCNN算法。为了增强反馈对PCNN模型的相互激励作用,在MPCNN模型的调制方程中采用了线性模型来加速算法收敛速度;为了相互激励机制下能够快速形成神经元激活区,MPCNN简化了神经元间输入的连接;同时,采用分段阈值函数增强算法在噪声下的鲁棒性。通过与最大类间方差法、迭代法的对比实验证明了提出改进算法分割效果最好、用时最短。提出的MPCNN算法鲁棒性和计算效率较高。论文还针对镂空工件夹取问题,设计了一种内外环夹取结构,通过气缸、电机和微型丝杠控制内外夹具实现抓取传递。对于现有的二指类工件夹具,具有更好的适应性,能够提高抓取效率。论文提出的整体夹取方案能够有效的实现镂空工件夹取。课题研究结果对完善基于视觉引导的机械臂抓取理论研究和工程实现具有一定的促进和借鉴作用。