韓進宇，吳超群

(武漢理工大學(xué) 機電工程學(xué)院，湖北 武漢 430070)

在汽車卡鉗機器人自動化打磨時，為了能夠自動規(guī)劃機器人的打磨路徑，需要知道毛刺區(qū)域的輪廓信息和毛刺區(qū)域的位置信息。傳統(tǒng)毛刺信息檢測主要依靠測量工具進行手動測量，在對工件毛刺進行測量時容易對毛刺和測量工具造成磨損，并且當工件毛刺形狀比較復(fù)雜，毛刺數(shù)量比較多時測量效率不高。另外，汽車卡鉗屬于鑄造件，其毛刺的形狀和大小的一致性非常差，不同工件具有不同形狀和大小的毛刺，使得機器人離線編程難度加大。采用視覺對汽車卡鉗毛刺區(qū)域進行檢測和定位，既可以提高效率，又不會對毛刺區(qū)域造成損壞。因此研究復(fù)雜環(huán)境下汽車卡鉗毛刺打磨區(qū)域檢測和定位的圖像處理算法，可以實現(xiàn)汽車卡鉗毛刺打磨區(qū)域的在線檢測[1-2]。

1 檢測系統(tǒng)硬件組成

1.1 視覺系統(tǒng)的組成

毛刺檢測和定位系統(tǒng)主要由工業(yè)CMOS相機、PC機、光源、工件臺、過渡工裝和CMOS安裝支架等構(gòu)成，系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 毛刺檢測和定位系統(tǒng)示意圖

1.2 視覺系統(tǒng)的標定

由于CMOS相機本身存在不可避免的安裝誤差，采用多幅棋盤格圖像對相機的內(nèi)外參數(shù)進行標定。該方法運用了針孔成像原理和9×6(每格20 mm)的棋盤格，介于自標定和傳統(tǒng)標定方法之間，既具有較好的魯棒性，又不需要制作昂貴的標定板[3]。標定實驗完成后得到相機的內(nèi)參矩陣A和畸變矩陣B如式(1)和式(2)所示。結(jié)合內(nèi)參矩陣和畸變矩陣進行仿射變換即可對圖像進行畸變矯正。在相機標定過程中總會存在一定問題，因此矯正后的圖像并不一定非常標準，只能優(yōu)化原有圖像，提高后續(xù)毛刺加工區(qū)域的定位精度。

(1)

B=[-0.117 00 0.770 00 -0.007 00

0.001 07 0.003 50]

(2)

完成圖像的畸變矯正后為了得到毛刺輪廓區(qū)域的位置信息，需要對檢測系統(tǒng)進行線性標定，建立卡鉗圖像像素點和工件毛刺區(qū)域?qū)嶋H位置尺寸的對應(yīng)關(guān)系。首先對采集的標準量塊的圖像進行畸變矯正，然后對量塊圖像進行相應(yīng)的圖像處理，計算出數(shù)字圖像中標準量塊的長度值r(pixel)，若標準量塊的實際物理尺寸為r1(mm)，那么系統(tǒng)的線性標定系數(shù)為k，如式(3)所示。

k=r1/r

(3)

為了降低標定誤差，對標準量塊進行多次人工測量和視覺測量，計算多個標定系數(shù)，然后對所有標定系數(shù)取平均值得到最終的標定系數(shù)為0.087 mm/pixel。

2 圖像處理算法研究

2.1 中心矩形ROI區(qū)域提取

根據(jù)汽車卡鉗實際的物理尺寸，在已知圖像大小為(2 500,1 900)的條件下剪切出圖像目標區(qū)域(region of interest,ROI)，針對感興趣區(qū)域提取有效的圖像特征，最后對圖像特征進行分析和識別，ROI區(qū)域如圖2所示。根據(jù)實際拍攝圖像的大小，選取對角坐標為(1 000,900)和(1 450，1 530)的矩形區(qū)域?qū)ㄣQ中心矩形區(qū)域進行剪切提取。

圖2 ROI區(qū)域

2.2 工件圖像濾波算法研究

由于工廠環(huán)境和圖像采集儀器的影響，使得卡鉗圖像在采集和傳輸時會混入各種噪聲和失真。這些噪聲和失真會對圖像中的目標區(qū)域的特征提取造成影響，因此需要先對圖像進行降噪處理。

經(jīng)典的濾波方法有均值濾波、中值濾波、高斯濾波等，采用這些濾波方法對圖像進行降噪處理時會對毛刺區(qū)域的邊緣造成破壞，不利于毛刺加工區(qū)域檢測。筆者采用基于圖像梯度信息的自適應(yīng)濾波對卡鉗圖像進行濾波處理[4]，該方法步驟如下：

(1)設(shè)定迭代次數(shù)K；

(4)

(3)計算濾波核的權(quán)系數(shù)，如式(5)所示：

ω(k)(m,n)=

(5)

式中:h為恒定參數(shù)，他確定了可保留下的邊緣幅度。

(4)對f(k+1)(m,n)進行卷積運算，計算公式如式(6)所示：

f(k+1)(m,n)=

(6)

(5)根據(jù)指定的迭代次數(shù)K進行迭代，如果k=K，迭代結(jié)束，否則k++，轉(zhuǎn)步驟(2)，自適應(yīng)濾波流程如圖3所示。

圖3 自適應(yīng)濾波流程

根據(jù)實驗發(fā)現(xiàn)K=3,h=14時該算法對圖像的邊緣有一定的銳化效果，同時對輪廓內(nèi)部區(qū)域有很好的平滑效果，自適應(yīng)濾波結(jié)果如圖4所示。

圖4 自適應(yīng)濾波結(jié)果圖

2.3 工件圖像的閾值分割

在對卡鉗毛刺區(qū)域進行提取和定位前，需要完成卡鉗圖像前景和背景的分割。全局閾值分割和局部閾值分割是常見的兩類閾值分割方法。全局閾值分割算法的計算效率高，但是對光照不均的圖像無法進行正確的分割。汽車卡鉗圖像存在光照不均和反光等問題，采用大津法(Otsu)等全局閾值分割法進行工件圖像分割時會造成一些邊緣缺失[5]，如圖5所示。

圖5 全局閾值二值化圖

針對全局閾值分割存在的問題，筆者采用局部自適應(yīng)閾值法對圖像進行二值化，該算法單獨計算每一個像素點k×k領(lǐng)域內(nèi)的灰度均值減去常數(shù)C的結(jié)果作為該點的閾值，使用局部自適應(yīng)閾值分割結(jié)果如圖6所示。

圖6 自適應(yīng)閾值二值圖

2.4 閾值分割后反光區(qū)域去除

由于工件表面鍍鋅，采集的工件照片存在反光區(qū)域，在完成閾值分割后該區(qū)域和背景區(qū)域灰度值相同，無法進行有效的區(qū)分，此時需要對二值圖像的反光區(qū)域進行去除。采用一種具有拓撲分析能力的邊界跟蹤算法將一幅二值圖像轉(zhuǎn)換成邊界描述。由于提取的信息是兩種邊界的包圍關(guān)系，這兩種邊界是：外層邊界和孔洞邊界。既然外層邊界和1連通域(1-component)之間、孔洞邊界和0連通域(0-component)之間存在一對一的對應(yīng)關(guān)系，則給定二值圖像的拓撲結(jié)構(gòu)是確定的[6]。根據(jù)這一原理調(diào)用Opencv中findcounter函數(shù)輸出檢測到的每一個連通區(qū)域輪廓點的集合vector〈vector〈point〉〉，然后調(diào)用drawContours()函數(shù)填充指定區(qū)域[7]，得到去除反光區(qū)域的二值圖像，具體程序流程如圖7所示。

2.5 毛刺區(qū)域提取

如圖8所示，分別對打磨好的模板工件圖像1和帶有未處理毛刺的工件圖像2進行二值化操作，得到去除反光的二值化圖像1和圖像2，將圖像1減去圖像2即可得到毛刺區(qū)域的二值化圖像[8]。使用Opencv中findcounter()函數(shù)查找每一毛刺區(qū)域的輪廓，然后使用Moment()函數(shù)計算每個輪廓的中心矩，進而計算出每個毛刺區(qū)域輪廓的質(zhì)心位置。

圖8 毛刺區(qū)域提取圖

2.6 定位矩形中心位置檢測

累計概率霍夫變換(progressive probabilistic hough transform,PPHT)算法在對圖像中的直線進行檢測時，可以設(shè)定直線的最小長度和該直線被擬合出來次數(shù)的累加值，只有當累加值大于設(shè)定閾值的直線才會取出。對打磨好的工件模板圖像的ROI區(qū)域二值圖像進行Canny邊緣檢測得到中心矩形的單邊緣圖像[9]，然后使用累積概率霍夫變換檢測矩形四條邊的直線區(qū)域[10]，根據(jù)檢測到的四條邊線的直線段區(qū)間求取矩形區(qū)域的4個頂點坐標(1 046,933)、(1 393,933)、(1 046,1 470)、(1 393,1 470)，由于系統(tǒng)硬件標定精度為0.087 mm/pixel進而求得矩形區(qū)域中心點的位置坐標(106.1 mm,104.5 mm)，實驗結(jié)果如圖9所示。

圖9 矩形中心位置

3 實驗結(jié)果

根據(jù)上述方法對一批卡鉗毛刺進行圖像處理，得到了每個毛刺區(qū)域輪廓的質(zhì)心相對定位矩形中心位置的像素坐標，根據(jù)標定精度再將像素坐標轉(zhuǎn)換成對應(yīng)的物理坐標，實驗結(jié)果如表1所示。利用所得到的物理坐標對毛刺區(qū)域進行定位可為后續(xù)的毛刺打磨工序提供依據(jù)。

表1 毛刺檢測實驗結(jié)果

4 結(jié)論

研究汽車卡鉗毛刺檢測和定位的方法，針對傳統(tǒng)濾波算法容易使毛刺邊緣模糊的問題，提出了一種基于梯度信息的自適應(yīng)濾波算法，針對工件圖像光照不均提出使用自使用閾值分割代替全局閾值分割，通過模板工件二值圖像和未打磨工件二值圖像相減獲得毛刺加工區(qū)域二值圖像，最后檢測定位矩形的中心位置對毛刺區(qū)域進行定位。該檢測系統(tǒng)的毛刺區(qū)域定位精度可以達到0.087 mm/pixel。