在大家的印象中，機械臂通常被應用在工業領域，執行一些重復性工作，以幫助和替代人類。然而，機械臂不僅限于此，它們也可以成為陪伴型機器人，為我們提供更多樣化的互動體驗。

今天，我想探索機械臂的一些與眾不同的功能。通過結合人臉表情識別技術，我們可以讓機械臂感知到我們的情緒變化。當我們開心時，機械臂可以跟著一起開心地舞動；當我們傷心難過時，它可以過來安慰我們，給予溫暖的撫摸。這種基于表情反饋的互動能讓機械臂更好地陪伴我們。

在接下來的部分中，我們將詳細介紹這種系統的工作原理、技術實現和應用場景，展示機械臂。

文章會分為機械臂介紹，技術點介紹，項目的實現三部分，首先我將介紹我使用到的機械臂。

Robotic Arm
myCobot 320 M5
Mycobot 320，一款具備六自由度的協作型機械臂，憑借其獨特的設計和高精度伺服電機成為了領域內的亮點。這款機械臂擁有最大350mm的工作半徑和最大1000g的末端負載能力，使其適用于廣泛的應用場景。Mycobot 320不僅支持靈活的視覺開發應用，還提供了深入的機械運動原理解析，為用戶帶來了12個標準的24V工業IO接口，滿足不同的開發需求。

它的開放性極高，兼容大多數主流操作系統和編程語言，包括Python和ROS等，為開發者提供了極大的靈活性和自由度。無論是在教育、研發還是工業應用中，Mycobot 320都能提供強大支持，使創新和應用開發更加便捷高效。

攝像頭模組
適配于myCobot 320M5的攝像頭模組可以安裝在機械臂末端。通過攝像頭用USB數據線進行通信，實時獲取到機械臂末端的一個畫面，就能夠識別人臉的表情處于怎樣的一個狀態。

技術概覽
pymycobot
pymycobot 是一個用于與 mycobot 機械臂進行串行通信和控制的 Python API。這個庫是為了方便開發者使用 Python 語言控制 mycobot 機械臂而設計的。它提供了一系列的函數和命令，讓用戶可以通過編程方式控制機械臂的動作和行為。例如，用戶可以使用該庫獲取機械臂的角度、發送角度指令來控制機械臂的移動，或者獲取和發送機械臂的坐標信息。

使用這個庫唯一的標準是，得使用mycobot 系列的機械臂，這是專門為mycobot進行適配的一款機械臂。

pymycobot · PyPI

deepface
DeepFace 是一個強大的 Python 庫，用于面部識別和面部屬性分析。它基于多種深度學習模型，如 VGG-Face、Google FaceNet、OpenFace、Facebook DeepFace、DeepID 和 Dlib 等，提供了面部驗證、面部檢測、面部屬性分析（如性別、年齡、種族和情緒）等功能。DeepFace 通過簡單的接口使得復雜的面部識別和分析任務變得更加容易，廣泛應用于安全系統、用戶身份驗證和智能交互等領域。

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

開發過程
項目架構
我將該項目主要分為兩個功能：

Emotion detection Recognition: 主要用來處理人臉面部的情緒識別，能夠返回信息當前人臉的情緒主要是什么，平常，開心，還是傷心等表情

Robotic Arm Control:主要功能用于設置機械臂的運動控制，例如坐標控制，角度控制等等。

情緒識別功能實現
現在的人臉情緒識別已經很多厲害的人提供了各種識別的方法在github上了，但如果想自己做一個識別人臉情緒的功能的話還是分為4 個步驟：

1. 數據收集和預處理

2. 模型選擇和訓練

3. 模型優化和測試

4. 部署和應用

從0開始的話，需要做蠻多步驟的，如果我們只是單純的使用，沒有刻意需要用在某些應用場景當中，我們可以選擇一款別人已經訓練好的檢測模型，我們直接使用就好了！現在目前有OpenCV,FER(Facial Expression Recognition),DeepFace,Microsoft Azure Face API等等。

這次我們用deepface進行emotion識別的使用。

環境搭建

首先當然是安裝使用環境啦，opencv的版本不要使用較低的版本會影響使用。

pip install deepface
pip install opencv-python

它有很多功能有年齡的檢測，性別的檢測，情緒的檢測等等多種模型，本次我們主要是用到的是情緒的檢測，要用到“facial_expression_model_weights.h5”這個模型，再使用的過程會自動幫忙下載這個模型來使用。

簡單介紹一下使用的功能。

import os
import cv2
from deepface import DeepFace
# 讀取圖像
image = cv2.imread(image_path)

# 分析圖像中的面部表情
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}]

我們可以看到返回的數據angry 占81就說明此時的表情是生氣的。

這只是一張圖片的檢測，我們多看看幾張圖片檢測他的準確率如何。

這是圖片的檢測，我們需要用到一個持續的，所以就會要啟動攝像頭一直的對畫面進行分析，所以將一張張照片拼接在一起就是一個視頻了。

以下是對視頻的代碼處理。

import cv2
from deepface import DeepFace

# 打開攝像頭
cap = cv2.VideoCapture(0)

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

while True:
   # 讀取視頻幀
   ret, frame = cap.read()
   if not ret:
       break

   # 分析視頻幀中的面部表情
   try:
       result = DeepFace.analyze(frame, actions=['emotion'], enforce_detection=False)
       emotion_info = result[0]['emotion']  # 獲取情緒信息
       dominant_emotion = result[0]['dominant_emotion']  # 獲取主要表情
       emotion_probability = emotion_info[dominant_emotion]  # 獲取主要表情的概率

       # 在視頻幀上顯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)

       # 顯示視頻幀
       cv2.imshow('Emotion Detection', frame)
   except Exception as e:
       print(f"Error analyzing frame: {e}")

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

# 釋放攝像頭并關閉窗口
cap.release()
cv2.destroyAllWindows()

就能夠得到下面的效果了。我們可以根據主要的表情來返回數值。

有時候確實會出現一些不夠準確的情況，但是我們可以人為的進行判斷，一個表情長時間出現的時候才觸發機械臂的運動。

機械臂運動控制
在這一部分我來介紹如何對mycobot 320進行機械臂的控制，主要用到的是pymcyobot庫。

首先還是安裝環境

pip install pymycobot

以下是幾種常用mycobot機械臂的控制方法，

from pymycobot.mycobot import MyCobot

send_angles(degrees, speed)
功能: 發送所有角度給機械臂所有關節
參數:
degrees: (List[float])包含所有關節的角度 ,六軸機器人有六個關節所以長度為 6，四軸長度為 4，表示方法為：[20,20,20,20,20,20]
speed: 表示機械臂運動的速度，取值范圍是 0-100

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

角度控制是對每個關節的角度進行調整，用于一些固定點位的控制比較合適，使用的范圍比較局限，接下來還有另一種控制方法，坐標控制。

坐標控制指的是精準控制機械臂末端執行器的位置和姿態，使其在特定的坐標系中完成各種操作任務，是比較常用的一種控制方式。

from pymycobot.mycobot import MyCobot

send_coords(coords, speed, mode)

功能: 發送整體坐標和姿態,讓機械臂頭部從原來點移動到您指定點
參數:
coords:
六軸：[x,y,z,rx,ry,rz]的坐標值，長度為 6
四軸：[x,y,z,rx]的坐標值，長度為 4
speed: (int) 表示機械臂運動的速度，范圍是 0-100
mode: (int): 取值限定 0 和 1
0 表示機械臂頭部移動的路徑為非線性，即隨機規劃路線，只要機械臂頭部以保持規定的姿態移動到指定點即可。
1 表示機械臂頭部移動的路徑為線性的，即智能規劃路線讓機械臂頭部以直線的方式移動到指定點.

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

為了讓整體代碼看起來可讀性高，可修改性高，創建機械臂類方便進行調用和修改,將對應的動作給提前寫入進去。

class RobotArmController:

       def __init__(self,port):
       #初始化鏈接
       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):
           ...

當我生氣的時候在我面前打招呼

當我開心的時候它和我一起開心的跳起舞來了

總結
科技發展的越來的越快，在未來應該也會有智能的人形機器人，搭配ChatGPT等一些人工智能的模型，說不定在某一天能夠幫助人們排憂解難，甚至可以成為心理醫生來治療一些有心理疾病的人，真期待未來科技的發展。

審核編輯 黃宇