开源六轴协作机器人myCobot 320结合人脸表情识别情绪！

在大家的印象中，机械臂通常被应用在工业领域，执行一些重复性工作，以帮助和替代人类。然而，机械臂不仅限于此，它们也可以成为陪伴型机器人，为我们提供更多样化的互动体验。

今天，我想探索机械臂的一些与众不同的功能。通过结合人脸表情识别技术，我们可以让机械臂感知到我们的情绪变化。当我们开心时，机械臂可以跟着一起开心地舞动；当我们伤心难过时，它可以过来安慰我们，给予温暖的抚摸。这种基于表情反馈的互动能让机械臂更好地陪伴我们。

在接下来的部分中，我们将详细介绍这种系统的工作原理、技术实现和应用场景，展示机械臂。

文章会分为机械臂介绍，技术点介绍，项目的实现三部分，首先我将介绍我使用到的机械臂。

Robotic Arm

myCobot 320 M5

Mycobot 320，一款具备六自由度的协作型机械臂，凭借其独特的设计和高精度伺服电机成为了领域内的亮点。这款机械臂拥有最大350mm的工作半径和最大1000g的末端负载能力，使其适用于广泛的应用场景。Mycobot 320不仅支持灵活的视觉开发应用，还提供了深入的机械运动原理解析，为用户带来了12个标准的24V工业IO接口，满足不同的开发需求。

它的开放性极高，兼容大多数主流操作系统和编程语言，包括Python和ROS等，为开发者提供了极大的灵活性和自由度。无论是在教育、研发还是工业应用中，Mycobot 320都能提供强大支持，使创新和应用开发更加便捷高效。

摄像头模组

适配于myCobot 320M5的摄像头模组可以安装在机械臂末端。通过摄像头用USB数据线进行通信，实时获取到机械臂末端的一个画面，就能够识别人脸的表情处于怎样的一个状态。

技术概览

pymycobot

pymycobot 是一个用于与 mycobot 机械臂进行串行通信和控制的 Python API。这个库是为了方便开发者使用 Python 语言控制 mycobot 机械臂而设计的。它提供了一系列的函数和命令，让用户可以通过编程方式控制机械臂的动作和行为。例如，用户可以使用该库获取机械臂的角度、发送角度指令来控制机械臂的移动，或者获取和发送机械臂的坐标信息。

使用这个库唯一的标准是，得使用mycobot 系列的机械臂，这是专门为mycobot进行适配的一款机械臂。

pymycobot · PyPI

deepface

DeepFace 是一个强大的 Python 库，用于面部识别和面部属性分析。它基于多种深度学习模型，如 VGG-Face、Google FaceNet、OpenFace、Facebook DeepFace、DeepID 和 Dlib 等，提供了面部验证、面部检测、面部属性分析（如性别、年龄、种族和情绪）等功能。DeepFace 通过简单的接口使得复杂的面部识别和分析任务变得更加容易，广泛应用于安全系统、用户身份验证和智能交互等领域。

GitHub - serengil/deepface: A Lightweight Face Recognition and Facial Attribute Analysis (Age, Gender, Emotion and Race) Library for Python

开发过程

项目架构

我将该项目主要分为两个功能：

Emotion detection Recognition: 主要用来处理人脸面部的情绪识别，能够返回信息当前人脸的情绪主要是什么，平常，开心，还是伤心等表情

Robotic Arm Control: 主要功能用于设置机械臂的运动控制，例如坐标控制，角度控制等等。

情绪识别功能实现

现在的人脸情绪识别已经很多厉害的人提供了各种识别的方法在github上了，但如果想自己做一个识别人脸情绪的功能的话还是分为4 个步骤：

数据收集和预处理
模型选择和训练
模型优化和测试
部署和应用

从0开始的话，需要做蛮多步骤的，如果我们只是单纯的使用，没有刻意需要用在某些应用场景当中，我们可以选择一款别人已经训练好的检测模型，我们直接使用就好了！现在目前有OpenCV,FER(Facial Expression Recognition),DeepFace,Microsoft Azure Face API等等。

这次我们用deepface进行emotion识别的使用。

环境搭建

首先当然是安装使用环境啦，opencv的版本不要使用较低的版本会影响使用。

python 复制代码

pip install deepface
pip install opencv-python

它有很多功能有年龄的检测，性别的检测，情绪的检测等等多种模型，本次我们主要是用到的是情绪的检测，要用到"facial_expression_model_weights.h5"这个模型，再使用的过程会自动帮忙下载这个模型来使用。

简单介绍一下使用的功能。

python 复制代码

import os
import cv2
from deepface import DeepFace
# 读取图像
image = cv2.imread(image_path)

# 分析图像中的面部表情
results = DeepFace.analyze(image, actions=['emotion'], enforce_detection=False)

print(result)
[{'emotion': {'angry': 81.24255537986755, 'disgust': 16.530486941337585, 'fear': 1.6193315386772156, 'happy': 6.932554015293135e-05, 'sad': 0.4116043448448181, 'surprise': 0.1861470052972436, 'neutral': 0.009808379400055856}, 'dominant_emotion': 'angry', 'region': {'x': 136, 'y': 65, 'w': 124, 'h': 124, 'left_eye': None, 'right_eye': None}, 'face_confidence': 0.9}]

我们可以看到返回的数据angry 占81就说明此时的表情是生气的。

这只是一张图片的检测，我们多看看几张图片检测他的准确率如何。

这是图片的检测，我们需要用到一个持续的，所以就会要启动摄像头一直的对画面进行分析，所以将一张张照片拼接在一起就是一个视频了。

以下是对视频的代码处理。

python 复制代码

import cv2
from deepface import DeepFace

# 打开摄像头
cap = cv2.VideoCapture(0)

if not cap.isOpened():
    print("Error: Could not open webcam.")
    exit()

while True:
    # 读取视频帧
    ret, frame = cap.read()
    if not ret:
        break

    # 分析视频帧中的面部表情
    try:
        result = DeepFace.analyze(frame, actions=['emotion'], enforce_detection=False)
        emotion_info = result[0]['emotion']  # 获取情绪信息
        dominant_emotion = result[0]['dominant_emotion']  # 获取主要表情
        emotion_probability = emotion_info[dominant_emotion]  # 获取主要表情的概率

        # 在视频帧上显示主要表情及其概率
        text = f'{dominant_emotion}: {emotion_probability:.2f}%'
        cv2.putText(frame, text, (50, 50), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2, cv2.LINE_AA)

        # 显示视频帧
        cv2.imshow('Emotion Detection', frame)
    except Exception as e:
        print(f"Error analyzing frame: {e}")

    # 按 'q' 键退出
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放摄像头并关闭窗口
cap.release()
cv2.destroyAllWindows()

就能够得到下面的效果了。我们可以根据主要的表情来返回数值。

有时候确实会出现一些不够准确的情况，但是我们可以人为的进行判断，一个表情长时间出现的时候才触发机械臂的运动。

机械臂运动控制

在这一部分我来介绍如何对mycobot 320进行机械臂的控制，主要用到的是pymcyobot库。

首先还是安装环境

python 复制代码

pip install pymycobot

以下是几种常用mycobot机械臂的控制方法，

python 复制代码

from pymycobot.mycobot import MyCobot

send_angles(degrees, speed)
功能: 发送所有角度给机械臂所有关节
参数:
degrees: (List[float])包含所有关节的角度 ,六轴机器人有六个关节所以长度为 6，四轴长度为 4，表示方法为：[20,20,20,20,20,20]
speed: 表示机械臂运动的速度，取值范围是 0-100

ex:
mc = MyCobot("com10",115200)
mc.send_angles([0,0,0,0,0,0],100)

角度控制是对每个关节的角度进行调整，用于一些固定点位的控制比较合适，使用的范围比较局限，接下来还有另一种控制方法，坐标控制。

坐标控制指的是精准控制机械臂末端执行器的位置和姿态，使其在特定的坐标系中完成各种操作任务，是比较常用的一种控制方式。

python 复制代码

from pymycobot.mycobot import MyCobot

send_coords(coords, speed, mode)

功能: 发送整体坐标和姿态,让机械臂头部从原来点移动到您指定点
参数:
coords:
六轴：[x,y,z,rx,ry,rz]的坐标值，长度为 6
四轴：[x,y,z,rx]的坐标值，长度为 4
speed: (int) 表示机械臂运动的速度，范围是 0-100
mode: (int): 取值限定 0 和 1
0 表示机械臂头部移动的路径为非线性，即随机规划路线，只要机械臂头部以保持规定的姿态移动到指定点即可。
1 表示机械臂头部移动的路径为线性的，即智能规划路线让机械臂头部以直线的方式移动到指定点.

ex
mc = MyCobot("com10",115200)
mc.send_coords([100,20,30,-50,60,-100],100,1)

为了让整体代码看起来可读性高，可修改性高，创建机械臂类方便进行调用和修改,将对应的动作给提前写入进去。

python 复制代码

class RobotArmController:

        def __init__(self,port):
        #初始化链接
        self.mc = MyCobot(port, 115200)
        self.init_pose = [0.96, 86.22, -98.26, 10.54, 86.92, -2.37]
        self.coords = [-40, -92.5, 392.7, -92.19, -1.91, -94.14]
        self.speed = 60
        self.mode = 0
        
        def SadAction(self):
            ...
            
        def HappyAction(self):
            ...

当我生气的时候在我面前打招呼

当我开心的时候它和我一起开心的跳起舞来了

总结

科技发展的越来的越快，在未来应该也会有智能的人形机器人，搭配ChatGPT等一些人工智能的模型，说不定在某一天能够帮助人们排忧解难，甚至可以成为心理医生来治疗一些有心理疾病的人，真期待未来科技的发展。