本发明涉及工件对准定位，尤其涉及一种基于yolov8-rbt的中心对准定位方法及系统。
背景技术：
1、中心对准装置是一种用于精确定位和对准的装置，通常用于工业制造和装配过程中。对中装置在工作中主要能起到夹持、导向、防冲击的作用，相关技术利用弹性片的弹性形变或柔性材料组成的平行夹持机构已被广泛应用于利用被动顺应的中心对准装置中。该装置能够在无接触传感器的条件下，确保稳定抓握的同时，实现对物体的重新定位和定向。虽然平行夹持的对中装置具备良好的稳定性，但其仅能满足简单物品的对中，不适应于复杂物品的对中。由于该类中心对准装置力不可控，对易变形的零件不适用。另外，虽然欠驱动机械手在中心对准装置中具有更好的适应性，几乎可以适应任何大小和形状的物体，并且能够更加稳定地夹持和操纵物体，但其抓握力与对准精度却不能满足实际的工程需求。
技术实现思路
1、为了解决上述技术问题，本发明的目的是提供一种基于yolov8-rbt的中心对准定位方法及系统，能够提高轴类零件检测的位置、尺寸和角度的准确度并实现在预设范围内对轴类零件的轴径的中心对准。
2、本发明所采用的第一技术方案是：一种基于yolov8-rbt的中心对准定位方法，包括以下步骤：
3、获取待定位轴类零件的图像数据并进行图像预处理，得到预处理后的待定位轴类零件图像；
4、引入可变形卷积模块、双向特征金字塔网络结构与融合感受野注意力机制模块，构建改进的yolov8-rbt模型；
5、基于改进的yolov8-rbt模型对预处理后的待定位轴类零件图像进行目标检测，得到轴类零件的中心位置；
6、将轴类零件的中心位置与中心对准装置的中心坐标重合，控制中心对准装置对轴类零件进行收紧运动，得到轴类零件的中心对准定位结果。
7、进一步，所述获取待定位轴类零件的图像数据并进行图像预处理，得到预处理后的待定位轴类零件图像这一步骤，其具体包括：
8、根据预设采集方式获取待定位轴类零件的图像数据，所述预设采集方式包括手眼耦合方式与离体视觉方式，所述手眼耦合方式表示相机与待定位轴类零件处于同一水平平面，所述离体视觉方式表示相机与待定位轴类零件处于同一竖直平面；
9、对待定位轴类零件的图像数据进行图像去噪处理，得到去噪后的待定位轴类零件图像；
10、对去噪后的待定位轴类零件图像进行图像增强处理，得到预处理后的待定位轴类零件图像。
11、进一步，所述改进的yolov8-rbt模型包括主干网络模块、颈部模块和预测模块，所述主干网络模块的输出端与所述颈部模块的输入端连接，所述颈部模块的输出端与所述预测模块的输入端连接，其中：
12、主干网络模块包括卷积模块、融合感受野注意力机制模块和空间金字塔池化模块，融合感受野注意力机制模块包括全局平均池化层、第一线性激活函数层、第二线性激活函数层、分组卷积层、归一化线性整流层、形状匹配层、平均最大池化层、第一卷积激活函数层、第二卷积激活函数层与卷积层，其中，全局平均池化层、第一线性激活函数层与第二线性激活函数层依次连接，分组卷积层、归一化线性整流层与形状匹配层依次连接，第二线性激活函数层的输出端与第二卷积激活函数层的第一输入端连接，形状匹配层的输出端分别与平均最大池化层的输入端、第二卷积激活函数层的第二输入端连接，平均最大池化层的输出端与第一卷积激活函数层的输入端连接，第一卷积激活函数层的输出端与第二卷积激活函数层的第三输入端连接，第二卷积激活函数层的输出端与卷积层的输入端连接；
13、颈部模块采用双向特征金字塔网络结构；
14、预测模块包括第一组归一化层、第二组归一化层、掩膜偏置生成模块、第一任务对齐模块、第二任务对齐模块、可变形卷积模块、卷积激活模块与输出模块，所述输出模块包括若干卷积层，其中，第一组归一化层的输出端与第二组归一化层的输入端连接，第二组归一化层的输出端分别与掩膜偏置生成模块的输入端、第一任务对齐模块的输入端、第二任务对齐模块的输入端、卷积激活模块的输入端连接，掩膜偏置生成模块的输出端、可变形卷积模块的输入端与第一任务对齐模块的输入端连接，可变形卷积模块的输出端、第二任务对齐模块的输出端、卷积激活模块的输出端与输出模块的输入端连接。
15、进一步，所述双向特征金字塔网络结构包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第一融合层、第二融合层、第三融合层、第四融合层、第五融合层、第一上采样层、第二上采样层、第一c2f模块、第二c2f模块、第三c2f模块、第四c2f模块、第五c2f模块，其中，第一卷积层的输出端、第四卷积层的输出端与第三融合层的输入端连接，第一卷积层、第二融合层、第二c2f模块、第三融合层、第三c2f模块与第五卷积层依次连接，第二卷积层的第一输出端、第一c2f模块的第一输出端、第五卷积层的输出端与第四融合层的输入端连接，第二卷积层、第一融合层、第一c2f模块与第二上采样层依次连接，第三卷积层的第一输出端与第一上采样层的输入端连接，第一上采样层的输出端第一融合层的输入端连接，第四融合层、第四c2f模块与第六卷积层依次连接，第三卷积层的第二输出端、第六卷积层的输出端与第五融合层的输入端连接，第五融合层的输出端与第五c2f模块的输入端连接。
16、进一步，所述基于改进的yolov8-rbt模型对预处理后的待定位轴类零件图像进行目标检测，得到轴类零件的中心位置这一步骤，其具体包括：
17、将预处理后的待定位轴类零件图像输入至改进的yolov8-rbt模型；
18、基于改进的yolov8-rbt模型的主干网络模块，对预处理后的待定位轴类零件图像进行特征提取处理，得到待定位轴类零件特征图像；
19、基于改进的yolov8-rbt模型的颈部模块，对待定位轴类零件特征图像进行特征融合处理，得到待定位轴类零件特征融合图像；
20、基于改进的yolov8-rbt模型的预测模块，对待定位轴类零件特征融合图像进行缺陷特征检测处理，输出轴类零件的中心位置。
21、进一步，所述基于改进的yolov8-rbt模型的预测模块，对待定位轴类零件特征融合图像进行缺陷特征检测处理，输出轴类零件的中心位置这一步骤，其具体包括：
22、将待定位轴类零件特征融合图像输入至改进的yolov8-rbt模型的预测模块；
23、基于预测模块的第一组归一化层与第二组归一化层，对待定位轴类零件特征融合图像进行归一化与相加处理，得到归一化后的轴类零件特征图；
24、基于预测模块的掩膜偏置生成模块，对归一化后的轴类零件特征图进行掩膜偏置计算，得到掩膜偏置值；
25、基于预测模块的第一任务对齐模块与第二任务对齐模块，分别对归一化后的轴类零件特征图进行对齐处理，得到第一对齐后的轴类零件特征图与第二对齐后的轴类零件特征图；
26、基于预测模块的可变形卷积模块，对掩膜偏置值与第一对齐后的轴类零件特征图进行回归计算，得到回归后的轴类零件特征图；
27、基于预测模块的卷积激活模块，对归一化后的轴类零件特征图进行映射并与第二对齐后的轴类零件特征图进行相乘计算，得到加权后的卷积权重；
28、基于预测模块的输出模块，将回归后的轴类零件特征图与加权后的卷积权重进行组合输出，得到轴类零件的中心位置。
29、进一步，所述将轴类零件的中心位置与中心对准装置的中心坐标重合，控制中心对准装置对轴类零件进行收紧运动，得到轴类零件的中心对准定位结果这一步骤，其具体包括：
30、构建中心对准装置，获取中心对准装置的中心坐标并构建中心对准装置的运动学模型；
31、根据中心对准装置的运动学模型获取装置位移方程；
32、对装置位移方程进行微分计算获取装置夹持点的速度方程；
33、对装置夹持点的速度方程进行微分计算获取装置夹持点的加速度方程；
34、将轴类零件的中心位置与中心对准装置的中心坐标重合，结合装置夹持点的加速度方程，控制中心对准装置对轴类零件进行收紧运动，得到轴类零件的中心对准定位结果。
35、进一步，所述中心对准装置通过若干局部连杆滑块结构镜像组装得到，每个局部连杆滑块结构包括若干连杆，连杆通过柔性铰链连接。
36、本发明所采用的第二技术方案是：一种基于yolov8-rbt的中心对准定位系统，包括：
37、第一模块，用于获取待定位轴类零件的图像数据并进行图像预处理，得到预处理后的待定位轴类零件图像；
38、第二模块，用于引入可变形卷积模块、双向特征金字塔网络结构与融合感受野注意力机制模块，构建改进的yolov8-rbt模型；
39、第三模块，用于基于改进的yolov8-rbt模型对预处理后的待定位轴类零件图像进行目标检测，得到轴类零件的中心位置；
40、第四模块，用于将轴类零件的中心位置与中心对准装置的中心坐标重合，控制中心对准装置对轴类零件进行收紧运动，得到轴类零件的中心对准定位结果。
41、本发明方法及系统的有益效果是：本发明通过获取待定位轴类零件的图像数据并引入可变形卷积模块、双向特征金字塔网络结构与融合感受野注意力机制模块，进而构建得到改进的yolov8-rbt模型，可变形卷积模块能够对输入特征图进行适当的形变，使卷积核能很好地适应不同物体的形状和姿态变化，从而提高对旋转目标的检测精度，双向特征金字塔网络结构能够更好地融合低层的细粒度位置信息和高层的语义特征，提高检测旋转目标的位置、尺寸和角度的准确度，融合感受野注意力机制模块能够捕捉更多的特征图的细节信息，进一步基于改进的yolov8-rbt模型对预处理后的待定位轴类零件图像进行目标检测，得到轴类零件的中心位置，最后将轴类零件的中心位置与中心对准装置的中心坐标重合，控制中心对准装置对轴类零件进行收紧运动，得到轴类零件的中心对准定位结果，无需传感器，简化控制流程，可以实现一定范围内轴径的中心对准，避免在工业过程中配备多种尺寸的夹持装置。
1.一种基于yolov8-rbt的中心对准定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于yolov8-rbt的中心对准定位方法，其特征在于，所述获取待定位轴类零件的图像数据并进行图像预处理，得到预处理后的待定位轴类零件图像这一步骤，其具体包括：
3.根据权利要求2所述一种基于yolov8-rbt的中心对准定位方法，其特征在于，所述改进的yolov8-rbt模型包括主干网络模块、颈部模块和预测模块，所述主干网络模块的输出端与所述颈部模块的输入端连接，所述颈部模块的输出端与所述预测模块的输入端连接，其中：
4.根据权利要求3所述一种基于yolov8-rbt的中心对准定位方法，其特征在于，所述双向特征金字塔网络结构包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第一融合层、第二融合层、第三融合层、第四融合层、第五融合层、第一上采样层、第二上采样层、第一c2f模块、第二c2f模块、第三c2f模块、第四c2f模块、第五c2f模块，其中，第一卷积层的输出端、第四卷积层的输出端与第三融合层的输入端连接，第一卷积层、第二融合层、第二c2f模块、第三融合层、第三c2f模块与第五卷积层依次连接，第二卷积层的第一输出端、第一c2f模块的第一输出端、第五卷积层的输出端与第四融合层的输入端连接，第二卷积层、第一融合层、第一c2f模块与第二上采样层依次连接，第三卷积层的第一输出端与第一上采样层的输入端连接，第一上采样层的输出端第一融合层的输入端连接，第四融合层、第四c2f模块与第六卷积层依次连接，第三卷积层的第二输出端、第六卷积层的输出端与第五融合层的输入端连接，第五融合层的输出端与第五c2f模块的输入端连接。
5.根据权利要求4所述一种基于yolov8-rbt的中心对准定位方法，其特征在于，所述基于改进的yolov8-rbt模型对预处理后的待定位轴类零件图像进行目标检测，得到轴类零件的中心位置这一步骤，其具体包括：
6.根据权利要求5所述一种基于yolov8-rbt的中心对准定位方法，其特征在于，所述基于改进的yolov8-rbt模型的预测模块，对待定位轴类零件特征融合图像进行缺陷特征检测处理，输出轴类零件的中心位置这一步骤，其具体包括：
7.根据权利要求6所述一种基于yolov8-rbt的中心对准定位方法，其特征在于，所述将轴类零件的中心位置与中心对准装置的中心坐标重合，控制中心对准装置对轴类零件进行收紧运动，得到轴类零件的中心对准定位结果这一步骤，其具体包括：
8.根据权利要求7所述一种基于yolov8-rbt的中心对准定位方法，其特征在于，所述中心对准装置通过若干局部连杆滑块结构镜像组装得到，每个局部连杆滑块结构包括若干连杆，连杆通过柔性铰链连接。
9.一种基于yolov8-rbt的中心对准定位系统，其特征在于，包括以下模块：
