Etäohjattava Dobot-robotti konenäköjärjestelmällä

Abstract

Tämän opinnäytetyön tarkoituksena oli suunnitella ja toteuttaa Dobot-robotin konenäköjärjestelmä, joka mahdollistaa kohteiden tunnistamisen ja robottisovelluksen automaattisen toiminnan. Opinnäytetyössä tutkittiin, kuinka tehokkaasti konenäköjärjestelmä voidaan integroida Dobot-robottiin ja miten järjestelmä suoriutuu kohteiden tunnistuksessa erilaisissa käyttötilanteissa.

Opinnäytetyön teoreettinen viitekehys keskittyi konenäköjärjestelmien perusteisiin, robotiikan ja automaation menetelmiin sekä tunnistusalgoritmeihin. Tutkimusmenetelminä käytettiin käytännön kokeita ja järjestelmän suorituskyvyn arviointia erilaisten testiskenaarioiden avulla.

Tulokset osoittivat, että konenäköjärjestelmä toimi tehokkaasti robotiikan sovelluksissa ja mahdollisti automaattisten toimintojen, kuten kohteiden poimimisen ja siirtämisen. Järjestelmän tarkkuus oli hyvä standardiolosuhteissa, mutta haasteita ilmeni erityisesti heikossa valaistuksessa ja monimutkaisten kohteiden tunnistuksessa.

Tätä konenäköjärjestelmää voidaan hyödyntää laajasti opetuksessa, ja se tarjoaa potentiaalia jatkokehitykselle. Järjestelmän laajentamismahdollisuudet sisältävät kehittyneempien tunnistusalgoritmien, kuten syväoppimismallien, käyttöönoton sekä järjestelmän skaalaamisen mobiilirobotteihin. Myös keinoälyn hyödyntäminen konenäköjärjestelmässä on lupaava jatkotutkimuskohde.

The purpose of this thesis study was to design and implement a machine vision system for the Dobot robot enabling object recognition and automated operation in robotic applications. The study aimed to investigate the effectiveness of integrating a machine vision system with the Dobot robot and assess its performance in various object recognition scenarios.

The study employed practical experiments and system performance evaluations across different test environments. The results demonstrated that the machine vision system performed efficiently in enabling automated operations such as object picking and placement. The system accuracy was reliable under standard lighting conditions, although challenges were identified in low-light environments and with complex object recognition tasks.

This machine vision system holds potential for educational use and further development. Future advancements may include the implementation of more advanced recognition algorithms, such as deep learning models, and scaling the system for mobile robotic applications. Additionally, integrating artificial intelligence offers promising opportunities for further research.