(1.廣州民航職業(yè)技術(shù)學(xué)院 航空港管理學(xué)院，廣州 510403; 2.廣東食品藥品職業(yè)學(xué)院 化妝品與藝術(shù)學(xué)院，廣州 510520)

0 引言

隨著國(guó)家人口紅利的消失，制造業(yè)面臨著高額人力成本和用工短缺的問題日益突出。另一方面，高速度、高精度、多樣化和個(gè)性化的生產(chǎn)需求，對(duì)工業(yè)智能化程度的要求越來越高。傳統(tǒng)的服裝行業(yè)是典型的勞動(dòng)密集型產(chǎn)業(yè)，用工成本在企業(yè)的運(yùn)營(yíng)成本中占比極高，讓諸多服裝生產(chǎn)企業(yè)不堪重負(fù)，因此企業(yè)對(duì)服裝智能制造寄予厚望。

雖然現(xiàn)代服裝業(yè)的個(gè)性化和定制化發(fā)展趨勢(shì)對(duì)員工的技能和經(jīng)驗(yàn)水平要求越來越高，但是“打板、裁剪、貼片和縫制”等重復(fù)性工序仍然是服裝生產(chǎn)的必要環(huán)節(jié)，其中，裁剪和縫制是核心工序。在傳統(tǒng)生產(chǎn)方式中，這些工序是對(duì)人力需求比較密集的環(huán)節(jié)，為“機(jī)器換人”提供了良好的契機(jī)。例如：裁剪、縫制等工序的上、下料操作均由人工完成，生產(chǎn)效率低下。若引入服裝機(jī)器人替代人工進(jìn)行軟面料的自主上下料，必將極大地提高服裝流水線的生產(chǎn)效率和節(jié)約用工成本。

目前圍繞服裝智能生產(chǎn)的研究?jī)?nèi)容主要集中在服裝的尺寸測(cè)量、模板縫紉及裁剪、分割領(lǐng)域。比如：文獻(xiàn)[1-5]提出了基于機(jī)器視覺的服裝尺寸自動(dòng)測(cè)量方法，解決了傳統(tǒng)人工測(cè)量帶來的誤差率高、成本高和效率低等問題；文獻(xiàn)[6-7]提出了基于機(jī)器識(shí)別的自動(dòng)服裝模板縫紉技術(shù)，提高了服裝作業(yè)的流水化、標(biāo)準(zhǔn)化和高效化，降低了服裝廠對(duì)熟練工的依賴性；文獻(xiàn)[8]提出了服飾圖案的機(jī)器視覺自動(dòng)尋邊切割技術(shù)，實(shí)現(xiàn)了對(duì)異形滿版服飾圖案的自動(dòng)尋邊切割；文獻(xiàn)[9]對(duì)服裝布料自動(dòng)裁剪機(jī)器人系統(tǒng)進(jìn)行了研究,分析了自動(dòng)裁剪的各種技術(shù)；文獻(xiàn)[10]介紹了一種面向服裝領(lǐng)域的模特機(jī)器人的設(shè)計(jì)方法，有效地實(shí)現(xiàn)了模特機(jī)器人與人體的匹配；文獻(xiàn)[11]提出了一種基于改進(jìn)遺傳算法的服裝自動(dòng)縫紉最優(yōu)路徑選擇算法，降低了不規(guī)則服裝存在的路徑?jīng)_突概率。

在目標(biāo)的識(shí)別與抓取操作方面，當(dāng)前已有較多的文獻(xiàn)成果，但是大多是以剛性物體為研究對(duì)象。針對(duì)柔軟的服裝面料進(jìn)行視覺檢測(cè)與定位、進(jìn)而引導(dǎo)機(jī)器人抓取和分揀的研究尚未發(fā)現(xiàn)。由于服裝面料過于柔軟的特性，給識(shí)別、定位以及抓取都帶來了較大的難度。針對(duì)上述問題，本文提出一種基于雙重濾波的自適應(yīng)邊緣定位方法，該方法不僅具有良好的有效性，而且針對(duì)不同形態(tài)的軟面料具有良好的魯棒性。本文的貢獻(xiàn)如下：

(1)首次將工業(yè)機(jī)器人上下料系統(tǒng)引入服裝制造行業(yè)，對(duì)提升服裝智能化生產(chǎn)水平具有良好的應(yīng)用價(jià)值。

(2)提出一種基于雙重濾波的自適應(yīng)邊緣定位方法，解決了由于軟面料由于毛刺、褶皺、折疊、模糊等因素造成的定位不準(zhǔn)確的問題，為服裝機(jī)器人自主抓取與分揀操作提供了應(yīng)用依據(jù)。

1 軟面料檢測(cè)與定位

本節(jié)將詳細(xì)闡述軟面料邊緣定位方法的實(shí)現(xiàn)過程。首先描述了服裝機(jī)器人自主上下料系統(tǒng)的工作場(chǎng)景，并對(duì)服裝軟面料的毛刺、褶皺、折疊、模糊等不同形態(tài)進(jìn)行了定量和定性分析，在此基礎(chǔ)上，提出了基于雙重濾波的自適應(yīng)邊緣定位方法，方法的具體實(shí)現(xiàn)過程如下所述。

1.1 服裝機(jī)器人自主上下料系統(tǒng)

上、下料操作存在于服裝制造各工序中，新興工業(yè)時(shí)代，上下料機(jī)器人能滿足“快速/大批量加工節(jié)拍”、“節(jié)省人力成本”、“提高生產(chǎn)效率”等要求，成為越來越多工廠的理想選擇。上下料機(jī)器人系統(tǒng)具有高效率和高穩(wěn)定性,結(jié)構(gòu)簡(jiǎn)單更易于維護(hù),可以滿足不同種類產(chǎn)品的生產(chǎn),對(duì)用戶來說,可以很快進(jìn)行產(chǎn)品結(jié)構(gòu)的調(diào)整和擴(kuò)大產(chǎn)能,并且可以大大降低產(chǎn)業(yè)工人的勞動(dòng)強(qiáng)度。

服裝機(jī)器人自主上下料系統(tǒng)代替人工實(shí)現(xiàn)各工序中上、下料操作。由本系統(tǒng)將軟面料從AGV小車搬運(yùn)至傳送帶，軟面料完成加工后，再由本系統(tǒng)將軟面料從傳送帶搬運(yùn)至AGV小車。服裝機(jī)器人自主上下料系統(tǒng)如圖1所示。

圖1 服裝機(jī)器人上下料系統(tǒng)工作示意圖

服裝機(jī)器人自主上下料系統(tǒng)需要解決兩個(gè)核心問題：軟面料的視覺定位和抓取，本文重點(diǎn)研究軟面料視覺定位問題。

1.2 基于雙重濾波的自適應(yīng)邊緣定位方法

本節(jié)首先闡述基于雙重濾波的自適應(yīng)邊緣定位方法過程：(1)降噪處理。采用高斯濾波+形態(tài)學(xué)濾波對(duì)灰度圖像進(jìn)行平滑操作，有效對(duì)軟面料毛刺、模糊等噪聲進(jìn)行了降噪；(2)邊緣提取。為了使方法能夠自動(dòng)適應(yīng)不同灰度圖像，采用基于邊緣梯度信息自動(dòng)計(jì)算高低閾值取代傳統(tǒng)Canny算子的固定閾值并完成邊緣檢測(cè)；為提高圖像邊緣的連續(xù)性，對(duì)邊緣檢測(cè)的圖像再次使用形態(tài)學(xué)濾波并提取外邊緣輪廓；最后結(jié)合攝像機(jī)標(biāo)定結(jié)果，實(shí)現(xiàn)軟面料邊緣像素坐標(biāo)系到三維空間坐標(biāo)的轉(zhuǎn)換?；陔p重濾波的自適應(yīng)邊緣定位方法的實(shí)現(xiàn)流程如圖2所示。

圖2 基于雙重濾波的自適應(yīng)邊緣定位流程

1.2.1 降噪處理

由于服裝軟面料的特殊性，在加工軟面料過程中易出現(xiàn)毛刺、褶皺、折疊等形態(tài)噪聲，本方法采用高斯濾波對(duì)褶皺、折疊噪聲進(jìn)行降噪。高斯濾波是一種線性平滑濾波，適用于消除高斯噪聲，廣泛應(yīng)用于圖像處理的降噪過程，即高斯濾波對(duì)整幅圖像進(jìn)行加權(quán)平均，每一個(gè)像素點(diǎn)的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過加權(quán)平均后得到。高斯濾波的具體操作：用一個(gè)模板(或稱卷積、掩模)掃描圖像中的每一個(gè)像素，用模板確定的鄰域內(nèi)像素的加權(quán)平均灰度值去替代模板中心像素點(diǎn)的值。高斯濾波的定義如式(1)所示。

(1)

其中：g(x,y)為高斯濾波圖像，A為幅值，(x0,y0)模板中心點(diǎn)坐標(biāo)(實(shí)驗(yàn)中采用13×13模板)，σx,σy為分別為x、y方向上的方差。

軟面料的邊緣毛刺易導(dǎo)致檢測(cè)的圖像邊緣不連續(xù)，本方法采用形態(tài)學(xué)濾波對(duì)毛刺噪聲進(jìn)行降噪，以提高邊緣檢測(cè)的擬合度。形態(tài)學(xué)濾波是由一組形態(tài)學(xué)的代數(shù)運(yùn)算子組成的，它的基本運(yùn)算有4個(gè)：膨脹、腐蝕、開運(yùn)算和閉運(yùn)算，它們?cè)诙祱D像和灰度圖像中各有特點(diǎn)?；谶@些基本運(yùn)算還可推導(dǎo)和組合成各種數(shù)學(xué)形態(tài)學(xué)實(shí)用算法，用它們可以進(jìn)行圖像形狀和結(jié)構(gòu)的分析及處理，包括圖像分割、特征抽取、邊緣檢測(cè)、 圖像濾波、圖像增強(qiáng)和恢復(fù)等。

1.2.2 邊緣提取

邊緣是指周圍像素灰度有階躍變化或屋頂變化的那些像素的集合。邊緣檢測(cè)主要是灰度變化的度量、檢測(cè)和定位。有很多種不同的邊緣檢測(cè)方法，同一種方法使用的濾波器也不盡相同。邊緣檢測(cè)的基本思想：(1)利用邊緣增強(qiáng)算子，突出圖像中的局部邊緣，(2)定義象素的“邊緣強(qiáng)度”，通過設(shè)置閾值的方法提取邊緣點(diǎn)集。常用的邊緣檢測(cè)算子有微分算子、拉普拉斯高斯算子和canny算子。Canny邊緣檢測(cè)是從不同視覺對(duì)象中提取有用的結(jié)構(gòu)信息并大大減少要處理的數(shù)據(jù)量的一種技術(shù)，是目前應(yīng)用最為廣泛的邊緣檢測(cè)算法。

服裝軟面料的顏色、紋理豐富多樣，采用傳統(tǒng)的固定閾值Canny算子進(jìn)行邊緣檢測(cè)難以自適應(yīng)于不同顏色、紋理軟面料圖像。本方法采用一種基于Canny算子的自適應(yīng)邊緣檢測(cè)方法，方法首先將整幅圖像分割為若干子圖像，并計(jì)算各子圖像的邊緣梯度信息，然后結(jié)合全局邊緣梯度特征信息自適應(yīng)地生成動(dòng)態(tài)閾值，提高了邊緣檢測(cè)的自動(dòng)化程度，其計(jì)算過程如式(2)、(3)所示。

THigh=(1-U)TH+UTh

(2)

TLow=(1-U)TL+UTl

(3)

其中：TH和Th為整幅圖像的全局高、低閾值，TL和Tl為子圖像的局部高、低閾值，U為閾值調(diào)整率(實(shí)驗(yàn)中U=0.3)，THigh和TLow為最終確定的高、低閾值。

通過自適應(yīng)閾值Canny算子對(duì)圖像完成邊緣檢測(cè)后，根據(jù)邊緣輪廓面積大小篩選，保留最大面積的邊緣輪廓，完成圖像外邊緣提取。

1.2.3 攝像機(jī)標(biāo)定與邊緣定位

在邊緣提取的基礎(chǔ)上，邊緣定位過程將圖像邊緣像素坐標(biāo)轉(zhuǎn)換成三維空間坐標(biāo)，以便機(jī)器人能夠準(zhǔn)確抓取目標(biāo)對(duì)象。邊緣定位主要包括邊緣坐標(biāo)提取、攝像機(jī)標(biāo)定和坐標(biāo)轉(zhuǎn)換。

(1)邊緣坐標(biāo)提取。本方法通過獲取圖像邊緣的輪廓矩信息，計(jì)算軟面料邊緣圖像的質(zhì)心坐標(biāo)，并以該質(zhì)心坐標(biāo)代表服裝軟面料的位置。輪廓是一個(gè)很好的圖像目標(biāo)的外部特征，這種特征對(duì)于我們進(jìn)行圖像分析，目標(biāo)識(shí)別和理解等更深層次的處理都有很重要的意義。輪廓提取指提取圖像中的對(duì)象邊界，更偏向于關(guān)注上層語義對(duì)象，它會(huì)得到每一個(gè)輪廓并以點(diǎn)向量方式存儲(chǔ)，除此也得到一個(gè)圖像的拓?fù)湫畔?，即一個(gè)輪廓的后一個(gè)輪廓、前一個(gè)輪廓、父輪廓和內(nèi)嵌輪廓的索引編號(hào)。在提取到目標(biāo)對(duì)象的輪廓后，以包含該輪廓的最大外切矩形即為相應(yīng)的輪廓矩。

(2)攝像機(jī)標(biāo)定。本方法采用兩步標(biāo)定法進(jìn)行攝像機(jī)標(biāo)定。兩步法是基于徑向校正約束(RAC. Radial Alignment Constraint)的標(biāo)定法，先利用直接線性變換方法或透視投影變換矩陣求解攝像機(jī)參數(shù)，然后以求得的參數(shù)作為初始值，考慮攝像機(jī)畸變因素，利用非線性優(yōu)化方法進(jìn)一步提高標(biāo)定的精確度?；趶较蛐Ｕs束(RAC)的兩步標(biāo)定法的第一步是用最小二乘法求解線性方程組，得出攝像機(jī)外部參數(shù)；第二步求解攝像機(jī)內(nèi)部參數(shù)。

相機(jī)標(biāo)定采用角點(diǎn)數(shù)為6×4、方格尺寸大小為20×20 mm的黑白棋盤格作為標(biāo)定模板，攝像機(jī)標(biāo)定結(jié)果如表1所示。其中，fu、fv為相機(jī)的焦距，u0、v0為相機(jī)成像原點(diǎn)，R、T分別為旋轉(zhuǎn)矩陣和平移矩陣。

根據(jù)式(4)進(jìn)行矩陣變換、計(jì)算后，得到軟面料邊緣像素點(diǎn)坐標(biāo)(u，v)對(duì)應(yīng)的三維空間坐標(biāo)(Xw，Yw，Zw)。

(4)

2 實(shí)驗(yàn)驗(yàn)證

2.1 實(shí)驗(yàn)平臺(tái)及數(shù)據(jù)集

本實(shí)驗(yàn)采用丹麥Universal Robots公司研發(fā)的UR3機(jī)器人+拓德公司生產(chǎn)的末端執(zhí)行器作為研究平臺(tái)。Universal Robots生產(chǎn)的工業(yè)機(jī)器人手臂一向以編程的簡(jiǎn)易性、以及與人類一起工作的協(xié)作性和安全可靠性享譽(yù)業(yè)內(nèi)。隨著UR3的推出，Universal Robots將其獨(dú)特的技術(shù)擴(kuò)展到了更多的應(yīng)用領(lǐng)域，同時(shí)可立即受益于機(jī)器人裝配和生產(chǎn)自動(dòng)化的企業(yè)的數(shù)量和類型也大大增加。這樣，該公司也大大拓寬了其目標(biāo)市場(chǎng)范圍，它們易于使用、性能卓越、價(jià)格實(shí)惠，且無需安全防護(hù)即可與人們近距離一起工作，每個(gè)人都能從中獲益。

一臺(tái)高清工業(yè)攝像機(jī)固定在上方，攝像視野涵蓋UR3機(jī)器人、布料及運(yùn)輸布料的工具車。在服裝生產(chǎn)過程中，純白色、無紋理布料使用的非常少，因此，在實(shí)驗(yàn)過程中，為增加布料和背景的區(qū)分度、有利于布料圖像邊緣提取，放置布料的平面均為純白色。

為驗(yàn)證基于雙重濾波的自適應(yīng)邊緣定位方法的有效性和魯棒性，本實(shí)驗(yàn)采用了兩個(gè)數(shù)據(jù)集：(1)數(shù)據(jù)集I來源于佛山某知名服裝工廠隨機(jī)拍攝1000幅布料圖像(格式：jpg，分辨率：1024像素×768像素，以如圖3所示的3幅圖像為例)，它們?cè)诖笮?、形狀、顏色、紋理等方面都不盡相同，用于測(cè)試方法的有效性和魯棒性。(2)數(shù)據(jù)集II來源于人工實(shí)地挑選的一批帶有毛刺、褶皺、重疊和模糊等表征的布料，用于進(jìn)一步測(cè)試方法的魯棒性，如圖4所示。

圖3 數(shù)據(jù)集I：不同大小、形狀、顏色、紋理的布料

圖4 數(shù)據(jù)集II：同一布料的4種形態(tài)

數(shù)據(jù)集I將用于測(cè)試?yán)没陔p重濾波的自適應(yīng)邊緣定位方法檢測(cè)與人工檢測(cè)的吻合度，以驗(yàn)證該方法的有效性和準(zhǔn)確率。準(zhǔn)確率定義為檢測(cè)得到邊緣輪廓和對(duì)應(yīng)版型邊緣輪廓的相似度，如式(5)所示，邊緣檢測(cè)準(zhǔn)確率≥96%視為有效檢測(cè)，以質(zhì)心坐標(biāo)代表軟面料定位。數(shù)據(jù)集II將用于進(jìn)一步檢測(cè)該方法的有效性及魯棒性。

(5)

2.2 有效性驗(yàn)證

針對(duì)數(shù)據(jù)集I，利用本文提出的方法進(jìn)行邊緣檢測(cè)、定位，然后通過人工檢測(cè)評(píng)判本方法的有效性和準(zhǔn)確率。實(shí)驗(yàn)參數(shù)為：高斯濾波內(nèi)核大小13×13，形態(tài)學(xué)濾波卷積核的大小5×5，Canny算子中的Sobel孔徑大小為3、雙閾值自動(dòng)確定。方法分別對(duì)圖3(a)、圖3(b)、圖3(c)進(jìn)行邊緣檢測(cè)、定位，運(yùn)行效果如圖6所示，準(zhǔn)確率如表2所示。

圖5 數(shù)據(jù)集I的邊緣檢測(cè)、定位

表2 數(shù)據(jù)集I的準(zhǔn)確率

定性分析：以上實(shí)驗(yàn)驗(yàn)證結(jié)果表明針對(duì)不同大小、形狀、顏色、紋理的布料，應(yīng)用本文提出的方法進(jìn)行檢測(cè)的準(zhǔn)確率均超過了96%，說明本文提出的邊緣定位方法和人工檢測(cè)結(jié)果高度吻合，能夠準(zhǔn)確提取、定位服裝機(jī)器人所采集布料圖像。

2.3 魯棒性驗(yàn)證

針對(duì)數(shù)據(jù)集II，進(jìn)一步驗(yàn)證方法的有效性及魯棒性。實(shí)驗(yàn)參數(shù)與上小節(jié)相同。方法分別對(duì)圖5所示的毛刺、褶皺、折疊及模糊形態(tài)進(jìn)行邊緣檢測(cè)、定位，效果如圖6所示，準(zhǔn)確率如表3所示。

圖6 4種形態(tài)的邊緣檢測(cè)、定位

表3 數(shù)據(jù)集II的準(zhǔn)確率

定性分析：以上實(shí)驗(yàn)驗(yàn)證說明，針對(duì)毛刺、褶皺、折疊及模糊4種常見形態(tài)，應(yīng)用本文提出的邊緣檢測(cè)、定位方法進(jìn)行檢測(cè)的準(zhǔn)確率也超過了96%，說明該方法具有良好的魯棒性。另外，毛刺對(duì)邊緣提取的影響較大，該方法能較好的解決這一問題。

2.4 方法效果對(duì)比

將本文方法(Proposal)和Sobel、Canny算法對(duì)數(shù)據(jù)集I和數(shù)據(jù)集II進(jìn)行邊緣檢測(cè)、定位效果對(duì)比實(shí)驗(yàn)，對(duì)于圖像邊緣較平滑、形狀較規(guī)則的圖像，Sobel、Canny算法邊緣定位的準(zhǔn)確率比較高，但仍然低于96%。另外，Sobel和Canny算法針對(duì)布料4種不同形態(tài)的邊緣定位的效果很差，尤其是針對(duì)毛刺形態(tài)，說明Sobel、Canny算法的魯棒性很差。通過和Sobel、Canny算法對(duì)數(shù)據(jù)集I和數(shù)據(jù)集II邊緣定位的對(duì)比，進(jìn)一步證明了本文方法的有效性和魯棒性。

3 結(jié)束語

本文以UR3機(jī)器人為研究平臺(tái)對(duì)“服裝機(jī)器人自主上下料系統(tǒng)的軟面料視覺定位問題”進(jìn)行了研究，提出了一種基于雙重濾波的自適應(yīng)邊緣定位方法。該方法針對(duì)不同顏色、紋理的軟面料，能夠準(zhǔn)確實(shí)現(xiàn)邊緣定位，并對(duì)軟面料的毛刺、褶皺、折疊和模糊這4種常見形態(tài)具有很好的魯棒性，為引導(dǎo)機(jī)械手抓取提供了有效的計(jì)算依據(jù)。下一步將該方法集成到機(jī)器人自主上下料系統(tǒng)中，對(duì)整個(gè)系統(tǒng)的工作性能做全面測(cè)試和評(píng)估。