基于AI 全自动纸质文档处理机器人的设计

摘要：本文提出了一种高效智能的文档处理机器人设计方案，旨在提高文档处理效率，降低人力、物力、时间成本以及失误率，以适应现代办公环境的智能、自动化趋势。该机器人可以根据用户定义的关键字词规则，实现智能地将纸质文档分类或排序，此外还能实现内容采集与纠错等任务。其采用三轴桁架结构的机械手，桁架结构由步进电机驱动，机械手包含摄像头、真空吸盘以及多个传感器。用户放入待处理的纸质文档，并通过局域网连接主控板进行发布任务，然后由机械手摄像头检测纸张位置以及识别文字，接着由真空吸盘吸取纸张，分类放置在指定位置。综合以上设计，本方案大幅提高了办公的效率和智能化，为自动化文档处理领域提供了一个可行的解决方案。

关键词：文档处理机器人；三轴桁架结构；机械手；气动；目标检测；字符识别；自然语言处理；Python；YOLOv8

中图分类号：TP311 文献标识码：A

文章编号：1009-3044（2024）34-0028-05 开放科学（资源服务）标识码（OSID） ：

0 引言

在现代办公环境中，纸质文档的处理和管理一直是一个重要但耗时的任务。传统的人工处理方式不仅效率低下，而且容易出现错误，导致人力和物力的浪费。随着信息技术和自动化控制技术的快速发展，智能化办公设备逐渐成为各行各业的迫切需求。通过引入机器人来替代人工进行重复性、高强度的工作，成为现代机器人研究的一个重要方向。

近年来，许多研究者在此领域作出了重要贡献。例如，张锐通过对桁架机器人的可靠性分析和改进，设计了一款用于汽车传动轴自动线的机器人，提升了自动化生产线的稳定性和效率[1]。此外，张岳、孙伟和唐庆伟设计了一种基于目标检测的桌面整理机器人，能够有效识别和整理桌面物品，展示了智能化办公设备在提升工作效率方面的巨大潜力[2]。赵先的研究则为冲压机械手设计了一种气动真空系统，解决了因真空压力不稳定而影响作业效率的问题，提升了机械手的工作可靠性[3]。谢波、熊立贵、吴文君等人设计并分析了码垛机械手的吸附式手部装置，该装置基于真空系统，能够高效地抓取和处理平整面产品、纸箱包装产品以及袋装包装产品，从而显著提高了码垛机械手的性能[4]。王晓瑜和郑梦强开发了一种基于视觉识别的智能分拣机械臂，该机械臂利用工业相机采集物料图像，结合HALCON软件处理图像，并通过PLC系统实现了高精度的分拣操作，展现了智能化分拣系统的优越性[5]。

1 总体设计

本设计方案开发了一款基于AI全自动纸质文档处理机器人，整体结构如图1所示。机器人包括硬件和软件两大部分，其中硬件设计包括结构框架、传动系统、机械手。该机器人采用三轴桁架结构，通过步进电机驱动，由同步带和齿轮齿条传动，机械手包括摄像头、限位开关、真空吸盘等。软件设计包括算法应用和控制程序，而算法应用则包括目标检测、字符识别和自然语言处理。目标检测基于YOLOv8s模型，通过训练和优化实现高效准确的实时图像识别，用于识别纸张的位置，字符识别分别通过OpenCV和PyT⁃esseract进行预处理和OCR识别纸张上的内容，自然语言处理通过调用科大讯飞的API接口实现文档内容的分析和处理。控制程序采用上位机与下位机相结合的形式，部署在鲁班猫4开发板，前端基于Boot⁃strap框架开发用户界面，后端基于Flask框架处理业务逻辑，通过GPIO引脚实现对电机、传感器等硬件设备的控制以及数据传输，同时，用户通过局域网实现任务发布和实时控制。

2 硬件设计

2.1 结构框架

结构框架采用三轴桁架机械手结构，桁架结构由铝型材通过紧固件连接而成。其结构包括X、Y、Z三轴。首先使用12支铝型材构成长方体，顶部的两条长边作为X轴，在X轴上增加一条横梁垂直于X轴作为Y轴，接着在Y轴上再增加一条竖梁垂直于X轴和Y 轴作为Z轴，最后在Z轴上连接机械手，使机械手在X、Y、Z三个方向上具有独立自由度，能够覆盖三维坐标系中的任意位置。

2.2 传动系统

在X、Y、Z轴上分别安装传动装置，每个轴由一个步进电机驱动，以确保机械手在三维空间中的精确运动和定位。在X轴上，安装直线导轨，滑块在导轨上滑动。滑块上固定横梁，横梁能够在X轴的基础上线性运动。为了保证横梁两端的平衡同步运动，采用一个步进电机的输出轴同时驱动两侧的同步带，即采用梅花联轴器将输出轴和光轴相连，然后将两侧的同步带轮固定在光轴上，实现机械手在X轴方向上的左右移动。横梁作为Y轴，采用齿轮齿条传动，步进电机驱动齿轮，而齿轮与齿条紧密啮合，从而将电机的旋转运动转化为导轨滑块的线性运动，实现机械手在Y 轴方向上的前后移动。Z轴连接Y轴的导轨滑块，同样采用齿轮齿条传动，使机械手能够在垂直于XY平面的方向上进行上下移动。机器人利用SolidWorks 软件进行建模和仿真，如图2所示。

步进电机均为两相四线制，四根线分别为A+、A-、B+、B-，这些线连接到TB6600驱动器的信号输出端，驱动器接上12V开关电源，其信号输入端有ENA、DIR、PUL三组控制引脚与主控板的GPIO引脚对应连接，然后通过编写程序实现对步进电机的控制。具体来说，可以通过对ENA+引脚输入低电平对步进电机进行使能，电机的正转或反转由DIR+引脚高低电平控制，并通过向PUL+引脚发送PWM脉冲信号来控制电机的旋转速度，而ENA-、DIR-、PUL-引脚接地。在一定周期内，PWM波形的占空比越大，电机的转速就越快。限位开关的作用是限制机械运动范围，防止设备损坏，同时向控制系统提供位置信号。其公共端输入3.3V，常开端连接GPIO引脚。主控板不断读取引脚输入值，当X、Y、Z轴移动到达尽头时限位开关被按下，引脚值变为高电平，步进电机停止移动。

2.3 机械手

机械手是基于气动系统的设计，包括微型真空泵、微型电磁阀、继电器、气动管道、真空吸盘、负气压传感器、激光测距模块和USB摄像头。微型真空泵通过12V直流无刷电机产生负压，并结合负气压传感器实时监测气压值，感知纸张是否被吸取，且是否为单张纸。为适应不同质量的纸张，通过PWM调速来调节真空泵的输出负压。微型电磁阀负责控制气流的通断，其开闭由继电器控制，而继电器的通断又由主控板控制。真空吸盘采用丁腈橡胶材料，专门设计用于吸附纸张和塑料薄膜。激光测距模块用于实时检测机械手到纸张的精准距离，摄像头连接到主控板的USB接口，而其余传感器则连接到相应的GPIO引脚。在分拣操作中，微型真空泵启动，电磁阀开启，产生的负压通过气动管道传递至真空吸盘，使其吸附纸张。需要释放纸张时，电磁阀关闭，负压被消除，纸张自然脱离吸盘。机械手结构如图3所示，电气结构如图4所示[6]。

3 软件设计

3.1 算法应用

3.1.1 目标检测

首先，进行标注以创建数据集。基于YOLOv8s预训练模型，调整参数进行训练。在PC端训练得到.pt 格式模型，将其转换为.onnx格式，再转换为.rknn格式，作用是转换成适配瑞芯微NPU的模型，在NPU上获得更高的推理效率。主控板通过摄像头采集实时图像进行验证推理。对模型性能方面，进行参数调整，并对学习率、注意力机制、多线程技术等进行优化，改进卷积神经网络结构，提高推理速度和处理效率，最终实现了在复杂场景下的实时检测和识别能力，为实际应用提供了更为高效的解决方案。目标检测流程如图5所示。

3.1.2 字符识别

在需要进行字符识别任务时，利用OpenCV对机器人摄像头采集到的图像进行预处理，包括灰度处理、二值化处理以增强对比度和高斯滤波处理以提高清晰度，降低识别难度。预处理完成后，将图像交由PyTesseract进行OCR字符识别，以识别文档中的文字内容并提取信息。

3.1.3 自然语言处理

在需要进行自然语言处理时，通过WebSocket进行鉴权并调用科大讯飞的星火大模型API接口进行处理。识别得到的文字将进行拼写和语法检查，提示错误并提出修改建议。根据用户需求，还可以对文档进行润色优化、提取关键信息、分析语义，实现文档分类放置，并对纸质问卷等进行答案提取汇总，无须人工操作。

3.1.4 排序算法

本项目采用归并排序（Merge Sort） 算法对文档进行排序，归并排序是一种分治法（Divide and Conquer） ，可以将大规模问题拆解为较小的子问题进行解决，最后再合并结果。它通过将文档序号列表递归地拆分为较小的部分，再逐步合并已排序的部分来完成排序，时间复杂度为O（n log n），适合处理较多文档并保证排序稳定性。排序步骤如下：假设每个文档都有各自的序号，将所有文档合成一个列表。首先将文档列表不断对半拆分，直到每个子列表只剩一个文档；然后在合并阶段，比较各子列表的第一个文档，按照编号的数字顺序将其合并成一个新的排序列表。这个过程递归进行，最终将所有文档按正确顺序排序。

def merge_sort（arr）：

# 基本情况：如果列表只有一个元素，直接返回

if len（arr） <= 1：

return arr

# 将数组对半拆分

mid = len（arr） // 2

left_half = merge_sort（arr[：mid]） # 递归排序左半部分

right_half = merge_sort（arr[mid：]） # 递归排序右半部分

# 合并排序后的左右两部分

return merge（left_half， right_half）

def merge（left， right）：

sorted_list = []

i = j = 0

# 比较左半部分和右半部分的元素，按顺序合并

while i < len（left） and j < len（right）：

if left[i] <= right[j]：

sorted_list.append（left[i]）

i += 1

else：

sorted_list.append（right[j]）

j += 1

# 处理剩余的元素

sorted_list.extend（left[i：]）

sorted_list.extend（right[j：]）

return sorted_list

# 示例：对数字列表进行排序

arr = [38， 27， 43， 3， 9， 82， 10]

sorted_arr = merge_sort（arr）

print（"排序后的数组："， sorted_arr）

3.2 控制程序

控制程序采用上位机与下位机相结合的一体化形式的程序，仅需要在机器人主控板上完成部署，然后电脑或手机等终端通过本地网络，确保和机器人在同一个局域网下，访问其IP地址，即可进行轻量化的发布任务、调试参数、实时控制等一系列操作。控制程序采用Web网页的形式，这样确保能够在手机和电脑上访问，而且本地无须部署环境、无须安装软件等烦琐步骤，实现开机即用。

控制程序开发分为前端和后端，前端负责显示用户操作界面，使用HTML5、CSS和JavaScript，在Boot⁃strap框架基础上编写代码。后端负责处理业务逻辑，包括接收和发送HTTP响应、调用算法、执行命令行、硬件控制等，使用Python语言开发。Web服务框架采用Flask库，硬件控制采用Adafruit Blinka库。程序控制流程如图6所示。

4 实验与结果

4.1 实验环境

4.1.1 开发环境

开发环境采用了一台配备Intel Core i7-12700KFX86 架构CPU、32GB RAM 和NVIDIA GeForce 306012GB GPU 的PC，运行Ubuntu 22.04 64bit操作系统。搭建了CUDA12.6、Anaconda3、Python3.10、Py⁃torch2.4.0+cu121、OpenCV、Ultralytics、RKNN Tool⁃kit2.1等环境，便于训练YOLO模型和处理其他深度学习任务。开发工具方面，使用PyCharm编写Python程序以及HTML5、CSS、JavaScript前端程序。