李冰 楊旭 何煊 翟永杰
摘? 要: 為了提高薄板對焊焊接過程中焊縫識別的精度,基于斜率檢測算法并結合斜率置信算法和斜率適應值,提出一種自適應薄板焊縫識別算法。通過對激光束在焊接工件上的三原色圖像比較進行色位圖選擇,利用最大類間方差法提取圖像中的激光束輪廓,對激光束輪廓按列計算質心行位置并進行線性擬合優(yōu)化質心線數(shù)據(jù),最后利用自適應斜率檢測算法判斷焊縫與焊板間的圖像激光跳變位置,實現(xiàn)焊縫左右邊界檢測進而實現(xiàn)焊縫識別。試驗結果表明,自適應焊縫識別算法可以實現(xiàn)對焊焊縫的檢測與識別,與斜率檢測算法相比,識別精度更高,有效地提高了焊接質量與焊接效率。
關鍵詞: 焊縫識別; 焊接系統(tǒng); 激光束輪廓; 質心線數(shù)據(jù); 自適應斜率檢測; 實驗測試
中圖分類號: TN911?34; TG409? ? ? ? ? ? ? ? ? 文獻標識碼: A? ? ? ? ? ? ? ? ? ? ? 文章編號: 1004?373X(2020)18?0182?05
Abstract: An adaptive thin plate welding seam identification algorithm is proposed based on the slope detection algorithm and combined with the slope confidence algorithm and the slope adaptation value to improve the welding seam identification accuracy during the thin plate butt welding process. The color bitmap is selected by comparing the three?primary color images of the laser beam on the weld workpiece, and the laser beam profile in the image is extracted by means of the maximum inter?class variance method. The centroid row position is calculated according to the column of the laser beam profile, and the centroid line data is optimized by means of the linear fitting. The image laser jumping position between the welding seam and the welding plate is determined by means of the adaptive slope detection algorithm, so that he left and right boundary detection of welding seam is realized, and then the welding seam recognition is realized. The experimental results show that the adaptive welding seam recognition algorithm can realize the detection and identification of the welding seam, in comparison with the slope detection algorithm, the recognition accuracy is higher, and the welding quality and welding efficiency are effectively improved.
Keywords: welding seam identification; welding system; laser beam profile; centroid line data; adaptive slope detection; experimental measurement
0? 引? 言
由于焊接過程中產生的強光、煙塵等會危害到人體健康,同時人工焊接存在焊接質量不穩(wěn)定、效率低等問題,因此傳統(tǒng)的人工焊接方式已逐漸被自動焊接所替代[1]。自動焊接中進行焊縫檢測的傳感系統(tǒng)[2]主要有電弧傳感系統(tǒng)和視覺傳感系統(tǒng)2種。隨著電荷耦合元件(Charge?Coupled Device, CCD)等視覺傳感器以及數(shù)字圖像處理算法等領域的發(fā)展,視覺傳感系統(tǒng)以其信息廣泛、靈活智能等優(yōu)點在焊接控制和焊縫跟蹤等領域得到了廣泛應用[3?4]。其中,如何實現(xiàn)實時精確地焊縫位置跟蹤成為視覺傳感系統(tǒng)研究的熱點與難點[5?6]。在實際焊縫識別過程中,高精度的焊縫識別算法需要高性能處理器且占用大量內存,焊縫識別系統(tǒng)的成本較高。
通過對薄板對焊焊縫的識別與檢測進行研究,在傳統(tǒng)斜率檢測算法的基礎上,結合斜率置信算法和斜率適應值,提出一種自適應薄板焊縫識別算法,實現(xiàn)薄板對焊焊縫的識別與檢測。
1? 焊接系統(tǒng)的組成
自動焊接系統(tǒng)主要包括視覺傳感系統(tǒng)、焊接控制器、行走結構及焊槍位置調節(jié)機構。其工作過程為:視覺傳感系統(tǒng)識別焊縫位置并通過通信接口發(fā)送至焊接控制器,焊接控制器根據(jù)焊縫信息調節(jié)焊槍位置實現(xiàn)焊縫跟蹤和焊接行走控制[7?8]。
視覺傳感系統(tǒng)采用結構光型激光視覺傳感系統(tǒng),包括線性激光發(fā)射裝置、攝像機和ARM?M4高性能處理器等,如圖1所示。攝像機垂直于焊板安裝,激光發(fā)射裝置與焊板呈45°安裝,激光發(fā)射裝置發(fā)射的激光束投射到焊接工件上,攝像機捕捉激光束圖像經處理器計算標定后得到焊縫位置信息[9],通過串行通信接口送至焊槍控制器。
所選攝像機為OV5640攝像模塊,該面陣攝像頭體積小、工作電壓低,可得到240行320列的低分辨率彩色圖像。所選處理器為STM32F429核心板,具有低功耗、512 KB內存和180 MHz運行頻率等性能。所選激光發(fā)射裝置為安裝有鮑威爾光學劃線棱鏡的均勻一字激光模組,可以發(fā)射波長450 nm的高功率藍色激光。
2? 焊縫識別算法
選用的薄板焊接工件厚度約為3 mm,采用直縫對焊焊接方式,工件焊縫寬度約為1~4 mm。由于工件的厚度較小,焊接圖像具有以下特點:
1) 激光束照射在焊板及焊縫中的激光線分別為連續(xù)直線,且斜率大致相等;
2) 3段激光線為錯位斷續(xù)形態(tài)。
激光視覺傳感系統(tǒng)實現(xiàn)焊縫識別主要過程為:圖像采集、激光束輪廓提取、質心線數(shù)據(jù)計算、焊縫位置檢測等。算法流程圖如圖2所示。
2.1? 激光束輪廓提取
首先對攝像機采集的圖像進行RGB分解得到三色位等高線圖,如圖3所示。以紅色位等高線圖為例,每一像素點的顏色表示此像素點的色位值大小,顏色越亮表示此點色位值越大,即此處的紅色光越多,反之表示色位值越小。
由圖3可知,紅、綠色位圖與原圖差別較小,且焊板與激光束區(qū)域的色位值差別較大,能夠較好地反映焊接圖像特征,便于焊縫信息的提取。而藍色位圖中,由于高功率藍色激光投射在焊板上發(fā)生散射,導致藍色位圖非激光照射區(qū)域產生大量噪點塊,與焊接圖像差異較大,因此舍棄藍色位圖,將紅綠2種色位圖分別識別的焊縫邊界位置均值作為焊縫邊界位置。
以紅色位圖為例,激光束投射在工件上的區(qū)域與無激光束投射的焊板色位值相差較大,采用最大類間方差法對圖像進行二值化后提取激光束輪廓區(qū)域[3],結果如圖4所示,其中圖4a)橫坐標為圖像320列,縱坐標為圖像240行。
2.2? 質心線數(shù)據(jù)提取與優(yōu)化
感興趣區(qū)域(Region of Interest, ROI)廣泛應用于機器視覺和圖像處理領域,常用方框、圓、不規(guī)則多邊形等圖形在圖像中勾勒出目標區(qū)域[10]。由于目標圖像是以投射在工件上的激光束位置作為焊縫識別的依據(jù),所以ROI應采用線型的激光輪廓質心數(shù)據(jù)。為此,遍歷圖4a)中每一列輪廓通過下式得到輪廓質心作為該列ROI的質心線數(shù)據(jù)。
最終得到320個激光束行質心位置,紅色位圖部分數(shù)據(jù)如表1所示。
由表1中優(yōu)化前數(shù)據(jù)和圖4a)可知,157~160列由于缺少激光束輪廓導致數(shù)據(jù)值為0。由圖3a)可知,因為激光發(fā)射裝置中心與焊縫中心之間存在偏差,導致焊板對激光投射產生遮擋,使焊縫內左側微小區(qū)域內無激光投射,因此無激光束輪廓,其質心位置為0。此類無數(shù)據(jù)段一般出現(xiàn)在焊縫左邊界或右邊界位置,但仍屬于焊縫區(qū)域。為了降低識別誤差,采用最小二乘法擬合該區(qū)域質心線數(shù)據(jù),擬合流程如圖5所示。
算法結果如表1優(yōu)化后數(shù)據(jù)和圖6所示。其中圖6a)為優(yōu)化前數(shù)據(jù)(上方綠色“*”點)與優(yōu)化后數(shù)據(jù)(下方紅色“[?]”點)的對比圖,橫坐標為圖像320列,縱坐標為各列質心數(shù)據(jù)。
2.3? 斜率檢測算法與斜率置信算法
由圖4b)可知,焊板上和焊縫內的質心線數(shù)據(jù)差值不大,但焊板與焊縫間由于激光錯位導致數(shù)據(jù)有較大的突變。結合上述特征,選取斜率檢測法識別焊縫與焊板的跳變沿,即計算質心線數(shù)據(jù)每一點與其下一點之間的色位值變化率為:
式中:[Δi]為第[i]點的變化率;[yi]為第[i]點的色位值;[xi]為圖像列坐標。通過上述算法,得到1行319列的斜率矩陣,由大到小排序后檢測結果如表2所示。其中,k1,k2,k3表示斜率矩陣按斜率值排序后最大的3個斜率點。
由于焊縫內色位值數(shù)據(jù)大小集中,且與焊板上數(shù)據(jù)存在大幅度階躍,因此斜率矩陣的分布規(guī)律如圖7所示,即兩跳變沿處斜率數(shù)值較大且相近,其余位置的斜率數(shù)值較小且與跳變沿處斜率值有較大差異。依據(jù)上述焊縫斜率特點,通過設計斜率置信算法來提高跳變沿識別精度,若[k1-k2 2.4? 自適應斜率檢測算法 結合表2數(shù)據(jù)與斜率置信算法可知,紅色位圖跳變沿識別結果符合置信要求,綠色位圖跳變沿識別不可信。由圖3c)可知,由于激光發(fā)射裝置中心與焊縫中心之間存在角度偏差,導致綠色位圖中焊縫右邊界處存在激光斑點噪聲,致使激光束輪廓提取有誤。 為了提高焊縫識別的正確率,設計一種自適應斜率檢測算法:將斜率置信算法作為判別檢測結果的反饋環(huán)節(jié),判斷是否滿足預期檢測期望,若不滿足則逐級加入斜率適應值,同時調整權重,以增加檢測深度,迭代得到最優(yōu)解。算法流程圖如圖8所示。 在應用自適應斜率檢測算法時,首先進行正常的斜率檢測,根據(jù)斜率置信算法判斷跳變沿位置是否滿足要求。若可信則不再加入斜率適應值并結束檢測,若不可信則加入一級斜率適應值,與斜率檢測值求和再次判斷。其中,一級斜率適應值為質心線數(shù)據(jù)中某點[xi]的左右一點[xi-1]和[xi+1]對應色位值之差:[yi+1-yi-1]。 若一級斜率適應跳變沿檢測可信則結束檢測,若不可信則加入二級斜率適應值,與一級斜率適應值、斜率檢測值三者求和再次判斷。其中,二級斜率適應值為質心線數(shù)據(jù)中某點[xi]的左右兩點[xi-2]和[xi+2]對應色位值之差:[yi+2-yi-2]。以此類推,若迭代最末級適應值加入后,跳變沿位置依然不符合置信算法,則結束檢測并認定此色位圖檢測結果不可信。 由963張不同焊縫形態(tài)的圖像進行不同迭代次數(shù)的實驗,識別率結果如表3與圖9所示。 由結果可知,圖像識別率隨迭代深度的提高而提高,當深度大于5時識別率提高幅度下降,且算法運行時間大大增加,不利于實時快速地提取焊縫。因此選取5級迭代,即若加入4級斜率適應值后檢測結果仍不可信,則結束本色位圖識別,并將上次焊縫識別結果作為本次識別結果。 由于多個斜率適應值的加入會降低初始斜率檢測結果所占比重,因此對各級斜率適應值加權考量。如表4所示,保持斜率檢測值權重為1,最末級斜率適應值權重為0.5,其余各級斜率適應值取0.5~1之間的等分值。 3? 識別結果與對比分析 通過上述算法對不同焊縫圖像的識別結果如圖10所示,其中焊縫部分以紅色標注,焊板部分以綠色標注。由圖10可知,該算法可以精確地實現(xiàn)焊縫圖像中激光束投射區(qū)域內的焊板與焊縫的劃分,實現(xiàn)了焊縫識別與檢測。 為了試驗自適應斜率檢測算法的魯棒性,對所提算法與斜率檢測法以及平均斜率法進行敏感度測試: 不同算法識別結果比較如表5所示。 由表5可知,有權重自適應斜率檢測法的識別率高達98.89%,高于無權重自適應斜率檢測法識別率1.58%,高于斜率檢測法識別率2.73%,且遠高于平均斜率法識別率。結果表明: 1) 平均斜率法過度強調多點變化趨勢,忽視了焊縫質心線數(shù)據(jù)階躍變化特點,導致識別率較低。 2) 自適應斜率檢測法的識別置信度比斜率檢測法高,即檢測結果更可信。 3) 自適應斜率檢測算法中各適應值設置權重可提高識別率。通過試驗可知,自適應斜率檢測算法可以精準識別拼接薄板的焊縫位置,滿足準確性、實時性、魯棒性等生產工藝要求。 4? 結? 論 通過對焊縫識別圖像中激光束的分布特性進行圖像預處理和ROI特征提取,將斜率置信算法與斜率檢測算法相結合對焊縫輪廓質心進行優(yōu)化,設計了具有反饋迭代功能的自適應斜率檢測算法,從而實現(xiàn)了薄板對焊焊縫識別與檢測。試驗結果表明,所設計算法焊縫識別精度較高,用于自動焊接中,焊縫識別效果性能穩(wěn)定,能夠滿足焊接要求,大大提高了薄板對焊焊接效率,具有較強的適用性。 參考文獻 [1] 翟培卓,薛松柏,陳濤,等.焊縫跟蹤過程傳感與信號處理技術的研究進展[J].材料導報,2019,33(7):1079?1088. [2] 呂健,呂學勤.焊接機器人軌跡跟蹤研究現(xiàn)狀[J].機械制造文摘,2017(1):18?25. [3] 劉輝榮.焊縫跟蹤系統(tǒng)中的圖像處理技術研究[D].沈陽:沈陽工業(yè)大學,2008. [4] 高世一,楊凱珍,劉師田,等.基于數(shù)據(jù)擬合的激光焊接焊縫圖像表面缺陷檢測[J].現(xiàn)代電子技術,2011,34(14):188?190. [5] 許皓.基于機器視覺的焊縫識別及軌跡規(guī)劃[D].南寧:廣西大學,2017. [6] 劉衛(wèi)朋.焊接機器人焊接路徑識別與自主控制方法研究及應用[D].天津:河北工業(yè)大學,2016. [7] WANG X P, BAI R L, LIU Z T. Weld seam detection and feature extraction based on laser vision [C]// Proceedings of the 33rd Chinese Control Conference. Nanjing: IEEE, 2014: 1021?1032. [8] LIU S Y, LIU L T, ZHANG H, et al. Study of robot seam tracking system with laser vision [C]// International Conference on Mechatronics & Automation. Changchun: IEEE, 2009: 1296?1301. [9] 王灤平.圖像處理技術在機器人焊接中的應用[J].電子科學技術,2016,3(5):570?573. [10] 雷正龍,呂濤,陳彥賓,等.基于掃描激光視覺傳感的焊縫圖像特征信息識別[J].焊接學報,2013,34(5):54?58.