技能库 1440 个

使用OpenCV或Halcon对工业相机进行标定，校正镜头畸变并获取内外参，确保视觉检测精度。

基于模板匹配、差影法或深度学习（如YOLO）实现表面缺陷、划痕等检测。

编写视觉定位与机器人坐标转换程序，实现抓取或装配引导

使用Python或专用工具生成棋盘格、圆点阵等标定板及缺陷样本，用于自动化机器人视觉检测系统的标定与测试

针对自动化产线的视觉检测系统，通过现场调整光源、镜头、算法参数，解决误判、漏检等实际问题，提升检测准确率与稳定性。

通过多线程、GPU加速或模型量化提升检测帧率，满足产线节拍

设计检测结果输出、NG品触发报警及日志存储机制，确保自动化视觉检测系统稳定运行与可追溯性。

设计滤波、去噪、增强、二值化等预处理步骤，提升后续检测稳定性。

融合激光雷达、IMU、视觉等多传感器数据，进行时间同步与空间校准

编写测试脚本验证电机驱动器、编码器、传感器等硬件通信与响应，确保机器人硬件接口符合设计规范。

设计故障场景（如传感器噪声、通信延迟）测试机器人系统容错能力，提升自动化检测系统的鲁棒性。

应用卡尔曼滤波、粒子滤波等方法估计机器人位姿与速度，适用于自动化机器人检测工程师岗位

使用路径规划算法（如RRT、A*）为机器人生成无碰撞运动路径

使用ROS工具（rviz、rqt、rosbag）分析节点通信与错误日志，快速定位自动化机器人系统中的故障。

在Gazebo、V-REP等仿真器中搭建机器人模型与场景，验证算法效果

使用Python/C++编写自动化测试用例，覆盖功能、性能与可靠性，确保机器人系统稳定可交付

在仿真或实际运行中检测机器人本体、工件、夹具之间的碰撞风险，并调整路径，确保切割过程安全高效。

从CAD模型或切割指令自动生成机器人可执行的代码（如RAPID、KRL等），用于自动化切割任务。

分析切割工序时间，通过并行操作、路径合并等方式缩短整体节拍，提升机器人切割产线效率。

根据工件几何特征和切割要求，生成并优化机器人运动轨迹，减少空行程和振动，提升切割效率与质量。

利用相机和图像处理算法自动识别工件位置、角度，并完成机器人坐标系标定。

基于材料类型和厚度，自动调整激光/等离子切割功率、速度、焦点位置等参数。

根据切割缝宽和实际测量结果，自动补偿轨迹偏移，保证切割精度。

基于传感器或视觉反馈实时检测挂渣、切不透等缺陷，并触发补偿或报警，提升切割质量与自动化水平