Adept Technology 工业机器人系列编程：Quattro s400_Quattro_s400传感器集成与应用

最新推荐文章于 2024-10-06 18:02:37 发布
最新推荐文章于 2024-10-06 18:02:37 发布
阅读量419 收藏 4
点赞数 6
分类专栏： 机器人 文章标签： 机器人 opencv 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zhubeibei168/article/details/142719007
版权

Quattro_s400传感器集成与应用

在这里插入图片描述

传感器集成的重要性

在工业自动化领域，传感器的集成对于提高机器人的精度、灵活性和安全性至关重要。传感器可以提供环境感知、物体检测、位置和姿态信息等多种数据，这些数据对于机器人的决策和执行过程具有决定性的影响。Quattro s400机器人支持多种传感器的集成，包括视觉传感器、力传感器、位置传感器等。本节将详细探讨如何在Quattro s400机器人中集成这些传感器，并提供具体的编程示例。

视觉传感器集成

视觉传感器是工业机器人中常用的传感器之一，用于物体识别、定位和检测。Quattro s400机器人支持与多种视觉传感器的集成，包括2D摄像头和3D摄像头。以下是一个使用2D摄像头进行物体定位的示例。

2D摄像头物体定位

  1. 摄像头配置
    首先，需要配置摄像头的参数，包括分辨率、帧率和曝光时间等。这通常通过摄像头的API或SDK来完成。假设我们使用的是一个支持OpenCV的摄像头，可以使用以下代码进行配置：

    import cv2

# 初始化摄像头
cap = cv2.VideoCapture(0)

# 设置分辨率
cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)

# 设置帧率
cap.set(cv2.CAP_PROP_FPS, 30)

# 设置曝光时间
cap.set(cv2.CAP_PROP_EXPOSURE, 0.1)

  2. 图像处理
    接下来，需要对摄像头捕捉的图像进行处理，以识别和定位目标物体。这通常包括图像预处理、特征提取和物体检测等步骤。以下是一个使用OpenCV进行图像处理的例子：

    import cv2
import numpy as np

# 定义颜色范围（以红色为例）
lower_red = np.array([0, 120, 70])
upper_red = np.array([10, 255, 255])

while True:
    # 读取一帧图像
    ret, frame = cap.read()
    if not ret:
        break

    # 转换为HSV颜色空间
    hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)

    # 创建颜色掩码
    mask = cv2.inRange(hsv, lower_red, upper_red)

    # 腐蚀和膨胀操作，减少噪声
    mask = cv2.erode(mask, None, iterations=2)
    mask = cv2.dilate(mask, None, iterations=2)

    # 寻找轮廓
    contours, _ = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    # 遍历轮廓
    for contour in contours:
        # 计算轮廓的矩
        M = cv2.moments(contour)

        # 计算轮廓的中心
        center_x = int(M["m10"] / M["m00"])
        center_y = int(M["m01"] / M["m00"])

        # 绘制轮廓和中心点
        cv2.drawContours(frame, [contour], -1, (0, 255, 0), 2)
        cv2.circle(frame, (center_x, center_y), 5, (255, 255, 255), -1)

    # 显示处理后的图像
    cv2.imshow("Frame", frame)

    # 检测按键，按'q'退出
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放摄像头资源
cap.release()
cv2.destroyAllWindows()

    代码解释：

    • cv2.VideoCapture(0)：初始化摄像头。
    • cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) 和 cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)：设置摄像头分辨率。
    • cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)：将图像从BGR颜色空间转换为HSV颜色空间。
    • cv2.inRange(hsv, lower_red, upper_red)：创建一个颜色掩码，提取红色区域。
    • cv2.erode 和 cv2.dilate：进行腐蚀和膨胀操作，减少噪声。
    • cv2.findContours：查找图像中的轮廓。
    • cv2.moments：计算轮廓的矩，用于确定轮廓的中心。
    • cv2.imshow：显示处理后的图像。
    • cv2.waitKey(1) & 0xFF == ord('q')：检测按键，按’q’退出循环。

  3. 机器人控制
    一旦识别到目标物体的位置，可以使用Quattro s400的API来控制机器人进行抓取或操作。以下是一个简单的示例，假设我们已经通过视觉传感器获取了目标物体的中心位置：

    import robot_command as rc

# 连接机器人
robot = rc.connect_robot("192.168.1.100")

# 定义目标物体的位置
target_x = center_x
target_y = center_y

# 将像素坐标转换为机器人坐标
robot_x, robot_y = convert_pixel_to_robot(target_x, target_y)

# 移动机器人到目标位置
robot.move_to(robot_x, robot_y)

# 抓取物体
robot.grab_object()

# 断开连接
rc.disconnect_robot(robot)

    代码解释：

    • rc.connect_robot("192.168.1.100")：连接到Quattro s400机器人。
    • convert_pixel_to_robot(target_x, target_y)：将像素坐标转换为机器人坐标。
    • robot.move_to(robot_x, robot_y)：移动机器人到目标位置。
    • robot.grab_object()：抓取物体。
    • rc.disconnect_robot(robot)：断开与机器人的连接。
力传感器集成

力传感器用于检测机器人在操作过程中所受到的力和力矩，这对于精确控制和保护机器人免受损坏非常重要。Quattro s400机器人支持与多种力传感器的集成，以下是一个使用力传感器进行力反馈控制的示例。

力传感器配置

  1. 力传感器初始化
    首先，需要初始化力传感器并配置其参数。假设我们使用的是一个支持Modbus协议的力传感器，可以使用以下代码进行配置：

    import minimalmodbus

# 初始化力传感器
sensor = minimalmodbus.Instrument('/dev/ttyUSB0', 1)

# 设置波特率
sensor.serial.baudrate = 9600

# 设置超时时间
sensor.serial.timeout = 1

  2. 读取力传感器数据
    接下来，需要从力传感器中读取数据。以下是一个读取力传感器数据的例子：

    # 读取力传感器数据
force_x = sensor.read_register(0, 2)  # 读取X轴力
force_y = sensor.read_register(1, 2)  # 读取Y轴力
force_z = sensor.read_register(2, 2)  # 读取Z轴力
torque_x = sensor.read_register(3, 2)  # 读取X轴力矩
torque_y = sensor.read_register(4, 2)  # 读取Y轴力矩
torque_z = sensor.read_register(5, 2)  # 读取Z轴力矩

print(f"Force X: {force_x}, Force Y: {force_y}, Force Z: {force_z}")
print(f"Torque X: {torque_x}, Torque Y: {torque_y}, Torque Z: {torque_z}")

    代码解释：

    • minimalmodbus.Instrument('/dev/ttyUSB0', 1)：初始化力传感器。
    • sensor.read_register(0, 2)：读取力传感器的X轴力，第二个参数表示数据类型。
    • sensor.read_register(1, 2)：读取力传感器的Y轴力。
    • sensor.read_register(2, 2)：读取力传感器的Z轴力。
    • sensor.read_register(3, 2)：读取力传感器的X轴力矩。
    • sensor.read_register(4, 2)：读取力传感器的Y轴力矩。
    • sensor.read_register(5, 2)：读取力传感器的Z轴力矩。

  3. 力反馈控制
    一旦获取到力传感器的数据，可以使用这些数据进行力反馈控制，确保机器人在操作过程中不会超出预设的力阈值。以下是一个简单的力反馈控制示例：

    import time

# 定义力阈值
force_threshold = 100  # 单位：N

while True:
    # 读取力传感器数据
    force_x = sensor.read_register(0, 2)
    force_y = sensor.read_register(1, 2)
    force_z = sensor.read_register(2, 2)

    # 计算总力
    total_force = (force_x**2 + force_y**2 + force_z**2)**0.5

    # 检查总力是否超过阈值
    if total_force > force_threshold:
        print("Force threshold exceeded, stopping robot")
        robot.stop()
        break

    # 移动机器人
    robot.move_to(robot_x, robot_y)

    # 等待一段时间
    time.sleep(0.1)

# 断开连接
rc.disconnect_robot(robot)

    代码解释：

    • force_threshold = 100：定义力阈值。
    • total_force = (force_x**2 + force_y**2 + force_z**2)**0.5：计算总力。
    • if total_force > force_threshold：检查总力是否超过阈值。
    • robot.stop()：如果总力超过阈值，停止机器人。
    • robot.move_to(robot_x, robot_y)：移动机器人到目标位置。
    • time.sleep(0.1)：等待一段时间，确保数据的稳定性。
位置传感器集成

位置传感器用于检测机器人各个关节的位置和姿态，这对于实现精确的运动控制和路径规划非常关键。Quattro s400机器人支持与多种位置传感器的集成，以下是一个使用位置传感器进行关节位置反馈的示例。

位置传感器配置

  1. 位置传感器初始化
    首先，需要初始化位置传感器并配置其参数。假设我们使用的是一个支持RS-485协议的位置传感器，可以使用以下代码进行配置：

    import serial

# 初始化位置传感器
sensor = serial.Serial('/dev/ttyUSB1', baudrate=9600, timeout=1)

  2. 读取位置传感器数据
    接下来，需要从位置传感器中读取数据。以下是一个读取位置传感器数据的例子：

    # 读取位置传感器数据
sensor.write(b'GET_POSITION\r\n')
response = sensor.readline().strip()

# 解析响应数据
positions = response.decode('utf-8').split(',')

# 转换为浮点数
joint_positions = [float(pos) for pos in positions]

print(f"Joint positions: {joint_positions}")

    代码解释：

    • sensor.write(b'GET_POSITION\r\n')：向位置传感器发送读取位置的命令。
    • response = sensor.readline().strip()：读取传感器的响应数据并去除首尾空格。
    • positions = response.decode('utf-8').split(',')：将响应数据解析为关节位置列表。
    • joint_positions = [float(pos) for pos in positions]：将位置数据转换为浮点数。
    • print(f"Joint positions: {joint_positions}")：打印关节位置。

  3. 关节位置反馈控制
    一旦获取到位置传感器的数据，可以使用这些数据进行关节位置反馈控制，确保机器人在运动过程中保持在预设的路径上。以下是一个简单的关节位置反馈控制示例：

    import time

# 定义目标关节位置
target_positions = [10.0, 20.0, 30.0, 40.0]  # 单位：度

while True:
    # 读取位置传感器数据
    sensor.write(b'GET_POSITION\r\n')
    response = sensor.readline().strip()
    positions = response.decode('utf-8').split(',')
    joint_positions = [float(pos) for pos in positions]

    # 计算位置误差
    position_errors = [target - current for target, current in zip(target_positions, joint_positions)]

    # 检查位置误差是否在允许范围内
    if all(abs(error) < 1.0 for error in position_errors):
        print("Robot has reached the target position")
        break

    # 调整机器人位置
    for i, error in enumerate(position_errors):
        if error < 0:
            robot.move_joint(i, -1.0)  # 向负方向移动
        else:
            robot.move_joint(i, 1.0)  # 向正方向移动

    # 等待一段时间
    time.sleep(0.1)

# 断开连接
rc.disconnect_robot(robot)

    代码解释：

    • target_positions = [10.0, 20.0, 30.0, 40.0]：定义目标关节位置。
    • position_errors = [target - current for target, current in zip(target_positions, joint_positions)]：计算每个关节的位置误差。
    • if all(abs(error) < 1.0 for error in position_errors)：检查所有关节的位置误差是否在允许范围内。
    • robot.move_joint(i, -1.0) 和 robot.move_joint(i, 1.0)：根据位置误差调整机器人关节的位置。
    • time.sleep(0.1)：等待一段时间，确保数据的稳定性。
传感器数据融合

在某些复杂的应用中，单个传感器的数据可能不足以满足需求。此时，可以使用多个传感器进行数据融合，以提高系统的鲁棒性和精度。以下是一个使用视觉传感器和位置传感器进行数据融合的示例。

数据融合配置

  1. 初始化传感器
    首先，需要初始化视觉传感器和位置传感器。假设我们使用的是上文提到的2D摄像头和RS-485位置传感器，可以使用以下代码进行初始化：

    import cv2
import serial

# 初始化摄像头
cap = cv2.VideoCapture(0)
cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)
cap.set(cv2.CAP_PROP_FPS, 30)
cap.set(cv2.CAP_PROP_EXPOSURE, 0.1)

# 初始化位置传感器
sensor = serial.Serial('/dev/ttyUSB1', baudrate=9600, timeout=1)

  2. 数据融合
    接下来，需要将视觉传感器和位置传感器的数据进行融合，以确定目标物体的精确位置。以下是一个数据融合的例子：

    import numpy as np

def fuse_data(image_center, joint_positions):
    # 假设视觉传感器的像素坐标转换为机器人坐标
    robot_center_x, robot_center_y = convert_pixel_to_robot(image_center[0], image_center[1])

    # 使用位置传感器数据进行修正
    fused_x = robot_center_x + joint_positions[0] * 0.1
    fused_y = robot_center_y + joint_positions[1] * 0.1

    return fused_x, fused_y

while True:
    # 读取摄像头图像
    ret, frame = cap.read()
    if not ret:
        break

    # 处理图像，获取目标物体的中心位置
    image_center = process_image(frame)

    # 读取位置传感器数据
    sensor.write(b'GET_POSITION\r\n')
    response = sensor.readline().strip()
    positions = response.decode('utf-8').split(',')
    joint_positions = [float(pos) for pos in positions]

    # 进行数据融合
    fused_x, fused_y = fuse_data(image_center, joint_positions)

    # 移动机器人到融合后的目标位置
    robot.move_to(fused_x, fused_y)

    # 检测按键，按'q'退出
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

# 释放摄像头资源
cap.release()
cv2.destroyAllWindows()

# 断开连接
rc.disconnect_robot(robot)

    代码解释：

    • def fuse_data(image_center, joint_positions)：定义数据融合函数。
    • robot_center_x, robot_center_y = convert_pixel_to_robot(image_center[0], image_center[1])：将视觉传感器的像素坐标转换为机器人坐标。
    • fused_x = robot_center_x + joint_positions[0] * 0.1 和 fused_y = robot_center_y + joint_positions[1] * 0.1：使用位置传感器数据进行修正。
    • robot.move_to(fused_x, fused_y)：移动机器人到融合后的目标位置。
    • cv2.waitKey(1) & 0xFF == ord('q')：检测按键，按’q’退出循环。
传感器数据处理与分析

在实际应用中，传感器数据的处理和分析是非常重要的步骤，可以提高系统的性能和可靠性。以下是一些常见的传感器数据处理和分析方法。

数据滤波

  1. 均值滤波
    均值滤波是一种简单的滤波方法，通过计算多个数据点的平均值来减少噪声。以下是一个使用均值滤波的例子：

    import numpy as np

def mean_filter(data, window_size):
    return np.convolve(data, np.ones(window_size), 'valid') / window_size

# 读取力
zhubeibei168
关注
专栏目录
Adept Technology 工业机器人系列编程：Quattro s400_Quattro_s400系统集成与调试
zhubeibei168的博客
10-06 341
Quattro s400系统的集成与调试是一个复杂但有序的过程，涉及机械安装、电气连接、软件配置、传感器与末端执行器的集成、安全设置以及调试测试等多个方面。通过合理的系统集成和调试，可以确保机器人系统在工业生产中高效、安全、可靠地运行。机械安装与调整：确保机器人本体、末端执行器和传感器的安装位置和姿态符合设计要求。电气连接与配置：正确连接电源和信号线，配置电源参数和通信协议。软件配置与编程：设置控制软件，编写和调试控制程序。传感器与末端执行器的集成：将传感器和末端执行器与控制系统进行连接和配置。
Adept Technology 工业机器人系列编程：Quattro s400_Quattro_s400应用案例分析
zhubeibei168的博客
10-06 367
通过以上几个应用场景的分析，我们可以看到Quattro s400在实际生产中的强大功能和灵活性。无论是物料搬运、装配任务、焊接作业、涂胶应用还是视觉检测，Quattro s400都能够通过精确的运动控制、灵活的工具配置和高效的传感器集成来完成各种复杂任务。希望这些案例能够帮助读者更好地理解和应用Quattro s400的编程技术，提高生产效率和质量。在实际应用中，根据具体需求和环境，可能还需要进行更多的优化和调整。
Adept Technology 工业机器人系列编程：Quattro s400_Quattro_s400安全操作与规范
zhubeibei168的博客
10-05 877
为了应对可能出现的紧急情况，必须制定详细的应急预案。紧急停机：描述在不同情况下如何紧急停机，确保操作员能够迅速反应。人员撤离：描述在紧急情况下如何迅速撤离工作区域，确保人员安全。故障排查：提供常见的故障排查方法和步骤，帮助操作员迅速定位问题。安全操作是Quattro s400工业机器人运行的基础。通过穿戴适当的个人防护装备、检查工作环境、接受充分的培训、设置紧急停机按钮、安装安全围栏和安全传感器，可以有效预防和应对各种安全问题。
Adept Technology 工业机器人系列编程：Quattro s400_Quattro_s400硬件组成与功能
最新发布
zhubeibei168的博客
10-06 253
Quattro s400是一款功能强大的四轴SCARA工业机器人，广泛应用于装配、搬运和检测等工业自动化场景。其机械结构、传感器、控制系统、电源系统和通信系统都经过精心设计，确保了机器人的高精度和可靠性。通过本节的详细介绍，用户可以更好地了解Quattro s400的硬件组成和功能，为后续的编程和操作打下坚实的基础。
Adept Technology 工业机器人系列编程：Quattro s400_Quattro_s400故障诊断与维护
zhubeibei168的博客
10-06 505
故障诊断是确保工业机器人正常运行和高效生产的关键环节。在Quattro s400系统中，故障诊断涉及对机器人的硬件和软件进行全面检查，以识别和解决潜在的问题。本节将介绍故障诊断的基本步骤和常用工具，帮助操作人员和维护工程师快速定位和解决问题。
Adept Technology 工业机器人系列编程：Quattro s400_Quattro_s400路径规划与优化
zhubeibei168的博客
10-06 702
在 Quattro s400 中，路径点是机器人运动轨迹上的关键点。路径点可以通过笛卡尔坐标系（X, Y, Z, Rx, Ry, Rz）或关节坐标系（J1, J2, J3, J4, J5, J6）来定义。// 定义笛卡尔坐标系的路径点// 定义关节坐标系的路径点。
Adept Technology 工业机器人系列编程：Quattro s400_Quattro_s400机器人系统简介
zhubeibei168的博客
10-06 614
/ 定义整型变量// 定义浮点型变量// 定义字符串变量// 定义整型常量// 定义浮点型常量// 定义字符串常量// 定义一个自定义函数// 函数体Quattro_s400 机器人系统以其高精度、高速度和紧凑的设计，成为工业自动化领域的理想选择。通过理解其结构、技术参数、控制系统架构和编程方法，用户可以更好地利用 Quattro_s400 机器人系统，提高生产效率和质量。同时，定期维护和安全操作也是确保系统长期稳定运行的重要保障。
Adept Technology 工业机器人系列编程：Quattro s400_Quattro_s400编程实战演练
zhubeibei168的博客
10-06 378
通过以上实战演练，我们学习了如何在Quattro s400上使用Adept V+编程语言进行基本的运动控制、输入输出控制、传感器集成、通信与网络操作，以及任务调度和多线程编程。这些技能是开发高效、可靠机器人应用的基础。希望这些示例能够帮助您更好地理解和掌握Quattro s400的编程技巧，为您的实际项目提供参考。
Adept Technology 工业机器人系列编程：Quattro s400_Quattro_s400高级编程技巧
zhubeibei168的博客
10-06 287
Quattro s400高级编程技巧包括多任务编程、高级运动控制、传感器集成与数据处理、仿真与调试以及与外部系统的通信。通过掌握这些技巧，开发者可以实现更复杂、更精确的机器人控制，进一步提高机器人的工作效率和智能化水平。此外，安全与故障处理也是确保机器人可靠运行的重要部分，需要在编程时给予足够的重视。希望本文能够帮助开发者更好地理解和应用Quattro s400的高级编程功能。
工业机器人在智能制造中的应用研究.pdf
08-14
国外如ABB、FANUC、KUKA和Adept Technology等公司已具备成熟的工业机器人生产技术，能够提供多种专业机器人，满足不同的工业需求。相比之下，我国的工业机器人技术成熟度较低，关键零部件依赖进口，性能及精度需要...
工业机器人技术.pdf
04-06
国际标准化组织对工业机器人的定义强调了其自动控制、可编程和多功能的特点，使其成为一种广泛应用于不同领域的机电一体化设备。工业机器人的基本结构包括操作机（机械本体）、控制器、伺服驱动系统和传感器，它们...
Adept 移动机器人.pdf
10-24
**欧姆龙Adept移动机器人**是应用于制造和物流行业的先进自动化解决方案，旨在提升效率、减少错误并优化工作流程。这种室内自主导航车(AIV)能够显著提高生产量，缩短机器停留时间，同时确保物料的精确追踪。欧姆龙...
工业机器人的发展与应用.pdf
09-29
随后，文档可能会提及在1967年由AMF公司制造的另一款工业机器人，这标志着机器人技术在工业应用上的开端。 在1970年代，工业机器人行业迎来快速发展，不同国家的公司开始研发自己的机器人产品。例如，1973年，OTC...
工业机器人五大知识技术 除了控制还有什么
07-21
对于控制软件开发环境，工业机器人公司通常都有自己的开发环境和编程语言，如日本Motoman公司、德国KUKA公司、美国Adept公司与瑞典ABB公司等。许多大学在机器人开发环境方面也开展了大量研究，提供了许多开放源码的...
新能源汽车储充机器人：能源高效与智能调度
2401_83953933的博客
09-29 466
例如，在高峰时段，机器人会优先为即将耗尽电量的车辆提供充电服务，而在低峰时段，则会为储能设备充电，以备不时之需。储充机器人技术的出现，正是为了解决这一难题，为新能源汽车的广泛应用铺平道路。想象一下，在繁忙的商业区，这些智能设备在无人干预的情况下，自动为停靠在充电站的新能源汽车进行充电。总之，储充机器人的出现不仅为新能源汽车的充电问题提供了创新的解决方案，还为未来能源高效利用与智能调度描绘出一幅美好的蓝图。随着技术的不断进步和应用的不断拓展，我们有理由相信，储充机器人将在未来的能源革命中发挥至关重要的作用。
基于Arduino的自弹尤克里里机器人
weixin_51141489的博客
09-29 1802
在这个充满创意的项目中，我们将一起探索如何使用Arduino Uno微控制器来构建一个可以自主演奏音乐的自弹尤克里里机器人。这是一个结合了3D打印、电子工程和编程的有趣项目，适合所有级别的爱好者。
巡检机器人室内配电室应用
2401_87107622的博客
09-29 1908
基于机器人的智能巡检系统，打破了传统体系模式下生产时间和空间的限制，实现了以设备状态自动感知及预测、风险实时预警、智能辅助决策、远程生产指挥、精益过程管控为代表的实时化、跨空间运检模式体系，并对现场设备运行状态进行多角度、多维度的分析，优化巡检策略、故障缺陷分析，全面推动生产管理模式方式由“事后应对”向“事前防范”转变，“分散现场管控”向“集约远程指挥”转变，“传统人工生产”向“数据智能驱动”转变，显著提升了管理效率。一条巡检记录包含的信息有，对应巡检任务的任务名，执行时间，检测点数，异常点数等信息。
FANUC机器人—PCDK
wnw1234的博客
10-04 494
白日作梦夜未央,嫖尽天下苦泪歌。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值