整合氣壓移動滑台應用於機械手臂影像物件追蹤控制

### 整合氣壓移動滑台應用於機械手臂影像物件追蹤控制 #### Development of an Integrate Pneumatic Moving Slide for Vision Tracking Control of Transportable Robotic Arm --- <style> /* 只有加了 .top-align 的投影片，才會改成從上方開始排 */ .reveal .slides>section.top-align, .reveal .slides>section>section.top-align { top: 0 !important; transform: none !important; padding-top: 0px; /* 想更貼上緣就改 0 */ } </style>  Summary 🐟 論文摘要 🐟 系統架構 🐟 視覺方法 🐟 軌跡推算與控制 🐟 實驗結果 ---  論文摘要 本論文提出一套整合氣壓移動滑台與機械手臂的自動化控制系統，透過將手臂架設於氣壓滑軌上作為第四軸（外部軸），解決傳統固定式手臂工作範圍受限的問題。系統結合了機器視覺技術，能精準偵測、追蹤並抓取微小目標物（10mm 鋼珠），實現長距離的自動化取放作業。 系統流程： <div class="r-stack"> 1. 首先利用 PID 控制氣壓滑台移動至指定工作區域（抓取區或放置區），待滑台穩態後，啟動安裝於手臂末端的相機進行視覺辨識。 2. 採用霍夫圓偵測法（Hough Circle Transform）克服金屬反光干擾，精準鎖定鋼珠圓心，並透過仿射轉換（Affine Transformation）將影像座標轉換為機械手臂空間座標。 3. 最後，機械手臂依據計算出的座標進行追蹤與抓取，並透過三軸加速規驗證手臂移動軌跡的平滑度與準確性，經實驗驗證，鋼珠取放成功率達 100%。 ---  系統架構 設計核心 <ul style="font-size: 0.5em; line-height: 1.5; font-family: 'Times New Roman', '微軟正黑體', sans-serif;"> <li>異質系統整合：以 PC 為核心，透過 USB 整合 Arduino、LabVIEW (MyDAQ) 與 Python (視覺) 三大平台。</li> <li>擴展工作空間：將 uArm 機械手臂安裝於氣壓無桿缸滑台上，形成「3軸 + 1軸」的運動系統。</li> <li>Eye-in-Hand 視覺：工業相機固定於手臂末端，隨手臂移動進行動態偵測。</li> </ul> <img style="width: 50%;" src="https://hackmd.io/_uploads/ryQsxG-b-e.png" /> ---  系統架構 硬體設備 <ul style="font-size: 0.5em; line-height: 1.5; font-family: 'Times New Roman', '微軟正黑體', sans-serif;"> <li>執行機構：uArm Swift Pro (4軸手臂，負責抓取)、氣壓無桿缸 (1000mm，負責長距離移動)。</li> <li>感測器：IDS 工業相機 (視覺辨識)、HC-SR04 超音波 (位置回授)、HW-013 加速規 (軌跡驗證)。</li> <li>控制器：Arduino Mega 2560 (發送 G-Code 控制手臂)、NI MyDAQ (執行 PID 運算與訊號擷取)。</li> </ul> <img style="width: 50%;" src="https://hackmd.io/_uploads/Sy_juGWbZl.png" /> ---  系統架構 訊號連接 <ul style="font-size: 0.5em; line-height: 1.5; font-family: 'Times New Roman', '微軟正黑體', sans-serif;"> <li>Arduino (手臂端)：透過 Serial Port 發送 G-Code；並透過 Digital Pin 與 MyDAQ 交換「到位/抓取」訊號。</li> <li>MyDAQ (滑台端)：AO 輸出 0-10V 控制比例閥；DIO 讀取超音波感測器數值。</li> <li>USB-6008 (驗證端)：獨立擷取 HW-013 三軸加速規的類比電壓訊號，用於後續軌跡分析。</li> </ul> <img style="width: 60%;" src="https://hackmd.io/_uploads/rkcX_G-ZWg.png" /> ---  視覺方法 影像處理流程 <div class="r-stack"> <ul style=" margin: 0; padding-left: 100px; font-size: 0.5em; line-height: 1.5; font-family: 'Times New Roman', '微軟正黑體', sans-serif;"> <li>相機校正 (Camera Calibration)：使用棋盤格校正板，修正鏡頭畸變與內外參數。</li> <li>前處理 (Preprocessing)： <ul style="margin: 0; padding-left: 20px;"> <li>中值濾波：去除雜訊但保留邊緣。</li> <li>灰階化 & 二值化：分離目標與背景。</li> <li>形態學處理：利用膨脹/侵蝕去除反光造成的破洞。</li> </ul> </li> </ul> <img class="fragment" style="width: 100%;" src="https://hackmd.io/_uploads/SyEBkFWWbe.png" /> <img class="fragment" style="width: 100%;" src="https://hackmd.io/_uploads/HyvwkF-bbe.png" /> <img class="fragment" style="width: 60%;" src="https://hackmd.io/_uploads/BJk45mWZZl.png" /> </div> ---  視覺方法 核心辨識演算法比較 <div class="r-stack"> <ul style=" margin: 0; padding-left: 100px; font-size: 0.5em; line-height: 1.5; font-family: 'Times New Roman', '微軟正黑體', sans-serif;"> <li>方法一：輪廓法 (Contour Method) <ul style="margin: 0; padding-left: 20px;"> <li>原理：找尋二值化後的連通區域。</li> <li>缺點：易受鋼珠表面反光點干擾，造成誤判。</li> </ul> </li> <li>方法二：霍夫圓偵測 (Hough Circle) [採用] <ul style="margin: 0; padding-left: 20px;"> <li>原理：將影像轉換至參數空間，利用投票機制找圓。</li> <li>優點：抗噪性佳，能忽略反光點，辨識準確率高。</li> </ul> </li> </ul> <img class="fragment" style="width: 100%;" src="https://hackmd.io/_uploads/S1IpAm-W-x.png" /> <img class="fragment" style="width: 100%;" src="https://hackmd.io/_uploads/rySUbEW-bx.png" /> <img class="fragment" style="width: 100%;" src="https://hackmd.io/_uploads/r1gY-EZZ-g.png" /> </div> ---  視覺方法 方法一：輪廓法 <div class="r-stack"> <ul style=" margin: 0; padding-left: 100px; font-size: 0.5em; line-height: 1.5; font-family: 'Times New Roman', '微軟正黑體', sans-serif;"> <li>實作流程 (Python + OpenCV)： <ol style="margin: 0; padding-left: 20px; "> <li>前處理： 將影像二值化 (Binarization)。</li> <li>找輪廓： 取得所有連通區域的邊界點。</li> <li>算質心： 計算輪廓的矩 (Moments)，再代入公式求出中心座標 (Cx, Cy)。</li> </ol> </li> <li>本研究遇到的限制 (缺點)： <ul style="margin: 0; padding-left: 20px; color: #d9534f;"> <li>光線敏感：鋼珠表面的反光亮點會導致二值化後的輪廓破裂。</li> <li>誤判：OpenCV 會將破裂的輪廓視為多個不同物體，導致質心計算錯誤或追蹤不穩定。</li> </ul> </li> </ul> <img class="fragment" style="width: 95%;" src="https://hackmd.io/_uploads/SJhS54bbbx.png" /> <img class="fragment" style="width: 96%;" src="https://hackmd.io/_uploads/Bkj85E-ZZe.png" /> </div> ---  視覺方法 方法二：霍夫圓偵測 (Hough Circle) [本研究採用] <div class="r-stack"> <ul style=" margin: 0; padding-left: 100px; font-size: 0.5em; line-height: 1.5; font-family: 'Times New Roman', '微軟正黑體', sans-serif;"> <li>核心原理 (投票機制)： <ol style="margin: 0; padding-left: 20px; "> <li>邊緣轉換： 將影像空間中的每個邊緣點，轉換到參數空間。</li> <li>畫圓投票： 每個邊緣點都畫出可能的圓，這些圓交會最密集的地方就是「圓心」。</li> <li>確認圓心： 透過累加器 (Accumulator) 找出票數最高的點，即為鋼珠中心。</li> </ol> </li> <li>本研究採用的優勢 (優點)： <ul style="margin: 0; padding-left: 20px; color: #d9534f;"> <li>抗噪性強： 即使鋼珠中間有反光白點（導致邊緣不連續），只要外圍輪廓存在，就能準確投票出圓心。</li> <li>單次辨識準確： 相比輪廓法，霍夫圓能直接濾除內部雜訊，一次就能抓到正確的圓心位置。</li> </ul> </li> </ul> <img class="fragment" style="width: 100%; margin-top: 10px;" src="https://hackmd.io/_uploads/Byl52NZ-Zl.png" /> <img class="fragment" style="width: 100%; margin-top: 10px;" src="https://hackmd.io/_uploads/ByA2hEZ--e.png" /> </div> ---  軌跡推算與控制 氣壓滑台定位控制 <div class="r-stack"> <ul style=" margin: 0; padding-left: 100px; font-size: 0.5em; line-height: 1.5; font-family: 'Times New Roman', '微軟正黑體', sans-serif;"> <li>控制目標： 使滑台精準移動並停駐於兩個工作點： <ul style="margin: 0; padding-left: 20px;"> <li>抓取區 (180mm)</li> <li>放置區 (680mm)</li> </ul> </li> <li>閉迴路控制系統 (Closed-loop Control)： <ul style="margin: 0; padding-left: 20px;"> <li>感測器 (Sensor)： HC-SR04 超音波測距模組 (回授當前位置)。</li> <li>控制器 (Controller)： LabVIEW 實作 PID 演算法。</li> <li>致動器 (Actuator)： 電磁閥 (調節 4.8V~5.6V 電壓控制氣流量)。</li> </ul> </li> </ul> <img class="fragment" style="width: 75%; margin-top: 10px;" src="https://hackmd.io/_uploads/BksHGSZZZg.png" /> </div> ---  軌跡推算與控制 機械手臂軌跡推算 <div class="r-stack"> <ul style=" margin: 0; padding-left: 100px; font-size: 0.5em; line-height: 1.5; font-family: 'Times New Roman', '微軟正黑體', sans-serif;"> <li>目的： 利用外部感測器驗證機械手臂之實際運動路徑與平滑度。</li> <li>訊號處理流程： <ol style="margin: 0; padding-left: 20px;"> <li>校正與中心化： 將電壓轉換為加速度 (g)，並扣除靜止時的平均偏差 (Bias) 使其歸零。</li> <li>濾波 (Filtering)： 使用低通濾波器濾除高頻雜訊，並設定門檻值 (Threshold) 消除靜止時的微小震動。</li> <li>積分運算 (Integration)： <ul style="margin: 0; padding-left: 20px;"> <li>一次積分 → 速度 (Velocity)</li> <li>二次積分 → 位移 (Displacement)</li> </ul> </li> </ol> </li> <li>驗證結果： 推算出之 3D 軌跡圖能清楚呈現「抓取 → 移動 → 放置」的三段連續動作，符合預期路徑。</li> </ul> <img class="fragment" style="width: 100%; margin-top: 10px;" src="https://hackmd.io/_uploads/rJqOSSWWZx.png" /> <img class="fragment" style="width: 100%; margin-top: 10px;" src="https://hackmd.io/_uploads/BJYoQrWW-l.png" /> <img class="fragment" style="width: 100%; margin-top: 10px;" src="https://hackmd.io/_uploads/r1KRQHWb-e.png" /> </div> ---  實驗結果與結論 系統整合測試結果 <div class="r-stack"> <ul style=" margin: 0; padding-left: 100px; font-size: 0.5em; line-height: 1.5; font-family: 'Times New Roman', '微軟正黑體', sans-serif;"> <li>測試條件： <ul style="margin: 0; padding-left: 20px;"> <li>對 10 顆 10mm 鋼珠進行連續取放測試。</li> <li>整合滑台移動、視覺辨識與手臂動作。</li> </ul> </li> <li>量化成果： <ul style="margin: 0; padding-left: 20px;"> <li>抓取成功率： 100%</li> <li>放置成功率： 100%</li> <li>單次循環時間： 約 57 秒</li> </ul> </li> <li>定位精度： <ul style="margin: 0; padding-left: 20px;"> <li>影像解析度：640 x 480。</li> <li>視覺定位誤差 < 3 pixel。</li> <li>(換算：10mm 鋼珠 ≈ 30 pixel，故 3 pixel ≈ 1 mm)</li> </ul> </li> </ul> <img class="fragment" style="width: 100%; margin-top: 10px;" src="https://hackmd.io/_uploads/SkZ5hrbWZl.png" /> <img class="fragment" style="width: 100%; margin-top: 10px;" src="https://hackmd.io/_uploads/ry_jhBZ-Wx.png" /> <img class="fragment" style="width: 100%; margin-top: 10px;" src="https://hackmd.io/_uploads/S19anSWW-g.png" /> <img class="fragment" style="width: 100%; margin-top: 10px;" src="https://hackmd.io/_uploads/B10RhHbZbl.png" /> <img class="fragment" style="width: 100%; margin-top: 10px;" src="https://hackmd.io/_uploads/SJvxpHW-Zg.png" /> <img class="fragment" style="width: 100%; margin-top: 10px;" src="https://hackmd.io/_uploads/B1CWaB-WWg.png" /> </div>