BORUNTE BRTIRUS0707A 机器人
我们将原本属于不同领域的事物结合在一起：机器视觉系统engiAI配备了专用的神经网络训练系统，以及一台六轴工业机器人BORUNTEBRTIRUS0707A结果是，这个机器人不会执行预先设定的程序，而是..它能够识别零件，并在实时调整以适应该零件.
这是一个测试，证明了该系统的功能：一个盒子放在桌子上，操作员可以随意旋转它，从 0 到 360 度。 摄像头从上方观察，神经网络可以精确到度数的角度来确定旋转角度，然后机器人的手臂精确地重复盒子的位置，将夹具准确地放置在盒子下方。 没有任何支架、定位装置或位置传感器：只有摄像头、神经网络和机器人。
系统组成：
engiAI – 机器视觉系统。 该系统提供人工智能的完整解决方案，包括：连接工业相机（SICK、Hikrobot、GigE Vision、USB），在实时视频上直接标注检测区域，从少量图像生成训练数据集，利用GPU（CUDA）训练YOLO模型，以及实现与相机流速同步的实时推理。OUTPUT模块将识别结果转化为实际操作，例如：通过TCP协议将数据发送给机器人或PLC，以及控制相机的离散输出。
Robot1 — 机器人控制。 通过与 HC1 控制器的直接通信，使用开放的 JSON/TCP 协议，无需示教器或专用软件：手动控制每个轴，保存的姿态，以及包含基础姿态的 3D 机器人模型。 关键在于 接收来自人工智能的 TCP 命令：为每个轴定义命令、速度、偏移量、反向和角度调整至最近路径（±180°）。
程序之间的连接采用标准的TCP/IP协议。这一点至关重要：可以在连接链中插入任何能够建立套接字的设备，例如PLC（可编程逻辑控制器）、其他机器人、SCADA系统或ERP系统。
工作原理：从画面到动作
- 画面。 摄像头呈现出待检查区域的图像（在本演示中，即 SICK 公司的 2048×2048 矩阵）。
- 非常好。 YOLO 模型将零件的位置进行分类：每个旋转角度都对应一个不同的类别（0…359 度，对应一个完整的圆，或 0…180 度，对应对称的零件）。
- 包裹。 OUTPUT 规则会生成一个命令，例如“J6 315”，并将其通过 TCP 发送出去。 规则只在整个模型中定义一次：通过 {class} 自动传递已识别的类名。
- 坐标轴控制。 Robot1 应用坐标轴设置（包括反向、偏移和近端路径），并以指定的速度向控制器发送目标角度指令。
- 移动。 轴旋转时，夹具会精确地对准零件。
从箱子旋转到轴启动的时间延迟——大约一秒，并且是可控的：所有延迟都设置在参数中。
无需数据集和机器学习工程师进行训练
在工业生产中，机器学习面临的一个经典难题是收集和标注成千上万的图像。在 engiAI 中，这个问题通过生成合成数据来解决：操作员只需拍摄 一张 零件的图像，程序就会自动构建用于训练的数据集。
- 它能够以指定步长（例如 0.1°）旋转整个区域的窗格，从而将真实的背景和细节纳入画面，避免被边框裁剪：照片会自动扩展成对角线区域的方格。
- 可以调整亮度、对比度，并生成镜像；
- 自动将画面按类别（0…359）进行分类，并将数据集分为训练集和验证集。
从一张照片可以生成数百个训练文件。然后点击“训练 AI 模型”，经过一段时间，模型就准备好工作。整个“显示细节 → 训练 → 机器人工作”的流程由操作员完成，而不是由聘请的机器学习工程师完成。
数据流不应该影响机器人的正常运行。
神经网络可以进行数十次识别，但直接将其转化为动作是不可能的——伺服电机会因频繁的重新定向而发生故障。这种方案实现了多层保护，这些保护措施是在实际机器人上经过验证的：
- 死区：相邻的两个区域（315和312）之间没有明显的运动，因此轴线没有明显变化。
- 稳定性保证：新的类别必须在指定时间内保持稳定：神经网络中的单个错误帧不会导致轴向偏离，从而影响远距离航行。
- 平稳切换：如果目标发生了变化，在机器人行驶过程中，它不会到达过时的目标点。通过控制减速、清除控制器队列，并立即转向最后一个目标。中间指令会被丢弃，只有最新的指令才有效。
- 动作之间的停顿—— 这是一个限制控制器指令频率的硬性限制。
- 自动恢复：在发生故障时，控制器会自动重置，然后目标会重新设定；两款程序都会记录持续的文件日志。
与传统机器人相比，有什么优势？
传统的工业机器人会严格按照预先设定的轨迹运行。它所“知道”的关于零件的信息，都来自于它周围的机械结构。因此，成本和自动化限制的主要因素都与此有关。而利用人工智能的视觉系统，可以逐一消除这些问题。
成本和时间
- 不需要机械定位装置，例如：定位平台、支撑、振动缓冲器、定位站。零件可以随意放置，机器人会自动进行调整。为单个零件的定位装置通常价格与机器人本身相当，因此在这种情况下，不需要任何定位装置。
- 调整为新的产品——手表，而不是一周。 展示了相机细节，对模型进行了培训，并设定了规则——线条已正常工作。不需要集成商的现场支持和生产停顿。
- 小批量生产变得盈利。 传统的自动化只在大型生产中具有盈利能力。当调整成本几乎为零时，即使是单日的小批量生产，自动化也能带来收益。
- 用一个工具代替三个系统： 机器人定位、质量控制和缺陷检测功能均在同一程序中，使用单摄像头进行。
灵活性和质量
- 对现实世界的容忍度。 传送带出现故障，零件歪了，收到了一批不同颜色的零件——传统的蜂窝状结构开始工作，而人工智能蜂窝状结构仍在运行：它观察零件本身，而不是坐标。
- 质量检测免费。 与用于引导机器的相同型号，能够识别缺陷，例如：被压变形的纸盒、撕毁的标签、组装错误，并使用相同的规则机制将其排除。
- 任何轴都可以由人工智能控制。 规则适用于六个轴，每个轴的规则独立设置：今天，一个夹具可以一次性完成一次旋转，明天，可以同时对多个轴进行全方位定位。
- 持续的反馈。 这不是一个“盲目执行”的机器人：每个动作都是对画面中实际可见内容的反应，并与所有决策记录进行关联。
开放性和可扩展性
- 与机器人品牌的独立性。 通信方式：开放的 TCP/IP：目前使用 BORUNTE，但未来同样可以控制其他机械臂、旋转台或 PLC。
- 现场微调。 这种模型不是“固件”，当出现新的零件或缺陷时，只需在工厂的实际环境中，使用真实的照明条件，在一天之内进行微调即可。
- 单元复制：是指复制程序和模型文件，而不是重新设计集成方案。
- 透明性。 两个软件的日志记录和数据库中的事件记录：可以清晰地看到从单个帧到轴运动的完整历史。 这为统计、质量指标和预测性维护提供了基础。
适用场景
- 包装和物流： 提前规划箱子的摆放方式，混合类型的托盘堆叠和拆卸，以及使用传送带拣选散乱的物品。
- 质量控制与排除： 采用单摄像头，既进行检查，又控制执行机构。
- 机床（数控机床、压印机）： 采用整块材料或模具，不使用振动托盘。
- 组装： 零件的摆放、以及在每个步骤中检查安装是否正确。
- 食品生产和农业： 这类活动涉及多种不同的环节，在技术上几乎不可能进行机械化。
- 回收和分类： 对于那些“不在目录中”的物品，传统的自动化方法往往无能为力。
下一步
- 阶段和外部触发器： 包括步骤（所有轴的坐标和每个步骤的速度）、在界面中添加和删除阶段、通过来自视觉、PLC或操作员的 TCP 信号启动阶段。
- 夹具： 从一个轴的角度，将零件固定在多个轴上的不同位置和方向。
- 多摄像头单元 以及多个机器人的同步；
- 流式自动学习： 系统能够自动收集复杂的图像，并将其提供给新的学习数据集。
技术栈
.NET 9 (WinForms) · YOLO分类，ONNX，CUDA · SICK/Hikrobot/GigE Vision/DirectShow摄像头 · 机器人 BORUNTE BRTIRUS0707A (HC1控制器，支持开放的JSON/TCP协议) · SQLite · TCP/IP协议，可与任何设备集成。
该项目表明，进入“低成本”机器人领域的门槛已经降低。不再需要一支专门的机器学习工程师团队，也不再需要几个月的时间进行集成——只需要一张零件的照片、一个学习按钮和一个开放的协议。机器人不再是车间中最昂贵、最不灵活的设备——它变成了可以快速培训并用于各种任务的通用工具。
