叶家五少爷2020年，为了让更多人学习机械臂知识，我们推出了世界上最小的6轴机器人手臂：myCobot，之后陆续推出码垛机械臂mypalletizer，小六轴mechArm，双臂myBuddy。将昂贵的工业机械臂转化成桌面级机械臂，通过较低的价格，搭建了一个机器人研究和教育平台，降低了AI人工智能领域的学习门槛。

　　为了满足更多用户的需求，我们不断扩大桌面级机械臂产品线，推出功能更强大、操作更便捷的高精度桌面机械臂奥创ultraArm，并搭配完善写字画画、激光雕刻与视觉识别相关套装，用户可直接选用。

　　ultraArm奥创机械臂是一款超小型桌面机械臂，全身采用经典金属结构设计，本体占用面积只有A4纸张的一半，灵活使用。搭载高性能步进电机，能够实现±0.1mm重复定位精度和高稳定性。可进行写字画画，激光雕刻，可自由搭配滑轨、传送带、智能小车、视觉相机等配件，根据不同需求完成不同实训项目，广泛应用到高等教育科研教学、职业应用教育等多个领域。

　　金属光泽配合工业风格硬朗的外观，340mm的运动半径,650g的有效负载，协助实现您的理想控制场景。

　　ultraArm奥创机械臂占用极少的空间，比一张A4纸还要小，随手摆放，能够更轻松地融入各种生产环境当中，具有灵活部署、快速响应的特点。

　　搭配快换接口，适配多种末端执行器，只需简单安装即可更换工具，大大提高效率。

　　快速便捷的硬件电气接口，一体化的设计，操作简单，激光雕刻接口、自适应夹爪接口吸泵接口、烧录开关轻松切换。人手一机，让每位学生通过实操练习获得更好的学习体验

　　MyBlockly 是一款积木式拖拽编程可视化软件，“拖拽”编程是一种基本的技术，它允许通过拖拽代码构建块或者其他视觉线索，而不是手动编写基于文本的代码。如此一来，复杂又抽象的编程语言就变得容易理解

　　采用全球主流机器人通讯框架ROS开发，并且支持仿真，在虚拟环境中进行控制及算法的验证，降低了对实验环境的要求提高了实验效率

　　ultraArm作为桌面级多功能开源机械臂实训平台，为满足开展机器人技术项目教学实践而设计，实践内容涉及机器人机构学、机器人运动控制技术、传感器及检测技术、机器视觉、机器人建模与仿真、机器人操作系统等课程内容，可用于机器人专业、机电相关专业、智能制造专业、自动化专业、电子信息专业等根据课程需要开展专业课程实训、专业拓展实训。

　　ultraArm有5种套装可选择，有写字画画套装、激光雕刻套装、视觉抓取套装、滑轨识别套装、传送带识别套装。

　　提供机器人场景及功能应用、机器人算法的应用实例及源码，可自主兴趣DIY和学习视觉识别相关知识。

　　一键轨迹生成可视化软件，配有工作平台，笔夹，激光雕刻，温馨时刻在线制作。DIY制作铭牌，手机壳，AI画图，跟随时尚潮流热点，享受创作快感。

　　机械臂以其高精度和稳定性，可以书写出流畅的线条。自研Elephant luban 软件可以自定义图形大小、落笔位置，也提供了让用户将图片转换功能，快速将图片生成运行轨迹，给用户更大的创意空间。

　　想要拥有专属于自己的标志，还可以进行激光雕刻，独家定制你自己想要的图案和标志。

　　提供开源的AI算法，配套相关的教学应用场景，视觉抓取，滑轨，传送带套装， 静态视觉，动态视觉的一站式体验快速上手。

　　通过距离传感器感应物流距离实现抓取；通过传送带传输物流进行视觉识别分类。

　　使用Python编程，配合跨平台的计算机视觉库OpenCV，具备目标检测、图像分类和智能分析等Al能力，支持深度学习和自主训练。

　　配合高清摄像头，ultraArm奥创机械臂可以通过AI视觉算法，对特定颜色的物体进行智能分拣。

　　图像处理采用基于LAB颜色空间的色彩阈值二值化，通过腐蚀、膨胀等操作，实现对物体颜色的提取和识别，然后根据颜色自动分拣至对应位置。

　　使用eye-to-hand的模式，使用摄像头，通过 OpenCV 加载Tensorflow 训练出来的模型数据，识别图像物块并定位图像物块位置。通过相关点位，计算出物块相对于机械臂的空间坐标位置，为机械臂设置一套相关动作，将识别的物块放入桶中。

　　物体的形状识别是模式识别的重要方向，在计算机中物体的形状有多种表示方式，基于不同的形状表示方式，提出了多种形状识别方法，如基于傅里叶描述子、主分量分析、不变性距等方法。在形状识别中，识别所基于的模式特征非常重要。

　　通过预处理：图像的灰度变化：灰度级修正、灰度变换、直方图修正，图像平滑：邻域平均法、中值滤波。形状提取（分割）：基于边缘检测的方法、基于阈值选取的方法、基于区域生成的方法。提取后处理：形状特征提取。

　　在特征提取模块中，我们使用纹理特征提取算法从原始输入图像中提取出多分辨率直方图特征、局部二值模式特征和边缘方向直方图特征，这三种纹理特征的表达形式均为一维数组。我们将这 3 个数组连接为 1 个一维数组，作为后续分类模块的输入。

　　在特征分类时，我们希望保留所有属于二维条形码的图像子块，同时去除所有属于背景的图像子块。在该模块中，我们使用了自适应Spatialboost算法。

　　FAST角点检测，通过考察像素点与周围领域内的16个像素点的差异来确定特征点，并且通过分割测试算法对检测效率做了极大的提升。

　　传统的目标检测系统利用分类器来执行检测。为了检测对象，这些系统在测试图片的不同位置不同尺寸大小采用分类器对其进行评估。如目标检测系统采用deformable parts models (DPM)方法，通过滑动框方法提出目标区域，然后采用分类器来实现识别。近期的R-CNN类方法采用region proposal methods，首先生成潜在的bounding boxes，然后采用分类器识别这些bounding boxes区域。最后通过post-processing来去除重复bounding boxes来进行优化。这类方法流程复杂，存在速度慢和训练困难的问题。

　　我们将目标检测问题转换为直接从图像中提取bounding boxes和类别概率的单个回归问题，只需一眼（you only look once，YOLO）即可检测目标类别和位置。

　　运用世界知名广泛使用的ROS，皆可进行二次开发，提供充足的教育资料，帮助您进行机器人和编程知识的学习，并满足您的开发需求，给高校、高职、研究所等教学及研究工作带来极大的便利。

　　ultraArm奥创机械臂作为功能完善的消费级产品，具备高度可玩性，适合广大创客和硬件爱好者。其丰富的扩展空间和简易的开发环境，能方便有能力的玩家进行硬件DIY和二次开发。

　　ultraArm奥创机械臂具有高精度和高稳定性的特点，控制简单、高度可拓展、容易开发等特性，让它能针对多种应用场景进行快速部署，是高性价比的轻量级工业解决方案。