趙麗君，李冰冰*，計 妍，鄧志高

（1.河北石油職業(yè)技術大學，承德 067000；2.承德華實機電設備制造有限責任公司，承德 067000）

0 引言

工業(yè)技術飛速發(fā)展過程中，工業(yè)機器人不斷優(yōu)化升級，為工件的分揀工作提供更加精準的控制技術，基于此出現了工業(yè)機器人分揀控制系統(tǒng)，依靠智能識別、跟蹤定位以及人機交互等技術，完成對工件的快速分揀工作[1]。但隨著儀器儀表精密程度的不斷提升，各種各樣的精密零件數量和種類都越來越多，工業(yè)機器人分揀過程中出現了許多問題，其中最典型的問題就是識別定位數據偏差較大，導致分揀過程中存在缺失工件、工件分類錯誤等問題，直接影響工業(yè)企業(yè)后續(xù)的制造生產進度。為了進一步提高工業(yè)機器人的工作效率，研究了基于遷移學習、場景特征的控制方法，但經過實際應用發(fā)現，這些方法盡管穩(wěn)定性較強、分揀速度較快，但對于分揀結果的優(yōu)化并不理想，針對這一問題，設計全新的工業(yè)機器人快速分揀控制方法。

1 基于視覺檢測的工業(yè)機器人快速分揀控制方法

1.1 工業(yè)機器人圖像傳感器標定

工業(yè)機器人分揀工件過程中，利用工業(yè)攝像機采集圖像，通過圖像顯示工件位置信息，實現精準抓取。為了降低視覺定位誤差，根據像素、成像單元以及待分揀工件之間的位置關系，標定圖像傳感器。已知機器人通過二維矩陣生成圖像，假設直角坐標系中像素坐標為（a，b），物理坐標為（x，y）。設置像元在感光陣列上的物理長度為Lx和Ly，則物理長度參數的關系公式為：

公式中：a0、b0表示像素初始坐標。通過上述公式得到圖像和成像坐標系存在的內在聯(lián)系。不考慮攝像機畸變，假設世界坐標系中存在隨機一點P，該點的三維坐標用P（X0，Y0，Z0）表示，映射到平面中的坐標用p（x，y）表示。設置工業(yè)攝像機的攝像焦距為f，根據式(1)獲得的矩陣為：

綜合上述兩組公式，獲得像素坐標和世界坐標之間的內在聯(lián)系，即坐標 (a，b，1)T和坐標（X0，Y0，Z0，1）之間的關系，公式為：

公式中：與式(1)一致的參數是可以改變的，這一改變由攝像機內部結構決定；Xi、Yi、Zi表示對應的拍攝坐標；S1、S2分別表示內參矩陣、外參矩陣，其中外參矩陣S2根據攝像機的位置決定；S表示攝像機投影矩陣[2]。根據工業(yè)機器人攝像機的參數，得到式(3)的值，實現工業(yè)機器人圖像傳感器標定。

1.2 基于視覺檢測識別定位分揀目標

1.2.1 目標物體點云數據處理

目標物體的視覺檢測技術，是工業(yè)機器人實現快速分揀的重要環(huán)節(jié)之一，研究以隨意擺放的無序工件為分揀目標，使用三維點云數據描述目標物體表面信息和外觀結構特征，增加物體信息的真實性。利用標定后的攝像機采集點云數據，由于該點云數據存在體量較大、分布不均以及幾何拓撲信息微弱的問題，此時的視覺檢測技術只能獲取物體表面信息。假設存在隨機數量的節(jié)點，這些節(jié)點為二維平面上隨機存在的點云數據，視覺檢測技術根據不同方向上的數據方差，將檢測區(qū)域劃分為兩個不同的部分，通過不同區(qū)域的遞歸處理得到只包含一個數據點的位置。根據該數據的節(jié)點位置Pi，建立協(xié)方差矩陣，得到：

公式中：C表示與節(jié)點位置Pi相鄰的節(jié)點總數；表示區(qū)域內識別元素的質心；表示第j個協(xié)方差矩陣的特征向量；αi表示匹配特征[3]。上述公式是對物體表面數據的反饋，但還缺少物體結構特性的描述。視覺檢測技術根據曲率計算公式，獲得目標物體的結構特征，包括坡度、角度以及彎曲程度等，該公式為：

公式中：q表示曲率；α1、α2、α3表示屬性不同的特征。視覺檢測通過上述兩個角度，實現對目標物體表面信息和結構特征的數據檢測。處理得到的云數據存在部分噪聲點或離群點，需要通過濾波處理降低數據誤差。該過程隨機抽取點云場景中存在的不共線點，根據不同點所在位置的構建平面，以其中任意一點為標準點，計算該點到平面的距離d。預設期望閾值d'，存在條件d≥d'時，說明該點位于識別區(qū)域之外，不滿足定位要求，需要重新處理點云數據，去除噪聲點和離群點；存在條件d＜d'時，說明該點在識別區(qū)域之內，滿足定位要求，利用該點遍歷整個場景中，統(tǒng)計局內點總數，直至在最大迭代次數中得到最優(yōu)擬合結果。選擇符合最優(yōu)平面的所有點，至此得到處理后的點云數據。

1.2.2 工件幾何特征提取與分類

視覺檢測技術完成上述處理工作后，以二值化的人方式處理圖像，假設圖形像素為(a,b)，其灰度值通過下列公式獲得：

式中：a、b分別表示寬度和高度。根據上述公式得到灰度值劃分結果，發(fā)現檢測圖像中只存在黑、白兩種顏色，其中黑色表示背景、白色表示工件。計算二值圖像中白色像素點的總數量，其中圖像的第i行白色像素點數量為：

公式中：i=1,2,…b'k(i)表示數量。以圖像行數為縱坐標，式(7)的計算結果為橫坐標，以圖像的左下角為坐標遠點繪制水平投影，根據投影情況估算像素點數量，按照不同數量區(qū)域進行分割。在分割后的區(qū)域上，定義單位圓x2+y2=1的復值函數，要求該函數具有正交性功能，公式為：

式中：m為正整數、n為整數，且|n|≤m；d'根據上一節(jié)已知；β表示夾角；Emn(d')表示實值徑向多項式[4]。將常用幅值作為特征向量，當圖像按照θ角度旋轉后，通過下列公式得到新的特征向量：

根據上述過程提取工件幾何特征，利用徑向基函數實現視覺檢測對工件幾何特征的分類，公式為：

公式中：xi表示特征目標；x表示預測值；σ表示方差。綜合上述兩個階段，通過點云數據處理和特征提取分類，實現對分揀目標的視覺檢測。

1.3 控制工業(yè)機器人快速分揀

根據上述設計方案，設計工業(yè)機器人分揀工件的控制程序，實現對不同工件的快速分揀。以目前常用的工業(yè)機器人型號為研究標準，設計工業(yè)機器人分揀指令：

1）循環(huán)指令LAB和跳轉指令JUMP。利用該指令控制機器人末端執(zhí)行器的運動軌跡；

2）運動指令MOVJ和MOVL。前者以關節(jié)插補的形式控制機器人到達指定位置；后者以直線插補的形式控制機器人不同的分揀位姿。

3）視覺反饋位姿指令GETVISION。該指令在視覺檢測結束后，向機器人反饋當前的運動姿態(tài)。

4）等待指令DELAY。控制機器人的工作間隔。

5）IO輸出控制指令DOUT、PULSE和IO輸入控制指令WAIT[5]。輸出控制指令中，第一個指令用于控制端口輸出電平，是對末端執(zhí)行器的控制；第二個指令用于控制端口輸出脈沖，是對工業(yè)攝像機的控制。輸入控制指令，控制等待超時的問題。根據上述指令編制工業(yè)機器人快速分揀流程，如圖1所示。

圖1 工業(yè)機器人快速分揀流程

根據圖1的分揀流程，控制方法要求機器人采集觸發(fā)脈沖信號，發(fā)送工業(yè)攝像機拍照信號和實時拍照，根據視覺檢測結果分揀目標物工件，根據抓取信號控制機械臂末端執(zhí)行器的開關。根據攝像機的實時采集圖像，機器人機械臂運動到不同的位置，通過收到的觸發(fā)信號向攝像機發(fā)送拍照脈沖，同時保持固定的時間間隔，根據抓取信號運動到目標位置，通過控制執(zhí)行器鉗爪快速抓取工件并擺放到目標位置，最后移開機械臂再次抓取其他工件，直至所有工件分揀完畢。至此通過視覺檢測技術，實現工業(yè)機器人對不同工件的快速分揀。

2 應用測試

2.1 搭建實驗環(huán)境

實驗測試依靠工業(yè)機器人、計算機兩個主要設備完成分揀，其中工業(yè)機器人用于數據獲取、計算機用于分揀控制。目前的工業(yè)機器人始終采用工件坐標系執(zhí)行工作，利用該坐標系獲得工件位置信息，為了保證機器人有良好的數據通訊功能，修改計算機和機器人的IP地址為同一網段，分別為192.168.1.10和192.168.1.15。將計算機、機器人與無線網絡之間建立連接，通過人機交互界面控制工業(yè)機器人的分揀動作，圖2為控制界面和搭建的實驗測試環(huán)境。

圖2 測試準備

在操作臺上放置兩張白紙，分別作為操作區(qū)域A和操作區(qū)域B。選擇四種不同的工件作為分揀目標，并隨機散放到操作區(qū)域A當中。視覺檢測通過圖2(a)獲得分揀目標的表面信息、結構特征和位置間隔，通過設置時間間隔，控制圖2(b)中的機械臂，將目標工件由區(qū)域A分揀到區(qū)域B中，并按照同屬性分類排序。

為了證實基于視覺檢測的控制方法，能夠控制工業(yè)機器人有更好的快速分揀效果，引入2種常規(guī)的控制方法作為對照組，分別為基于遷移學習的控制方法和基于場景特征的控制方法。利用兩組常規(guī)方法和本文方法進行分揀控制，比較三組方法的應用效果。

2.2 快速分揀效果

四種不同工件分別為圓形、三角形、長方形以及正方形，為多目標快速分揀測試提供更有利的測試條件。分揀測試開始之前，操作臺上區(qū)域A中的工件擺放位置，如圖3所示。

根據上圖可以確定，四類工件以隨機的方式被散放在區(qū)域A中，分別利用三種方法將圖3中的工件快速分揀到操作區(qū)域B中，并按照類別排序，得到的結果如圖4所示。

圖3 操作區(qū)域A內的工件

比較圖3與圖4，發(fā)現本文方法將四種工件按照不同類型分揀到操作區(qū)域B中，且沒有丟失任何一種工件。兩個對照組盡管也能歸類四種工件，但此次測試中，基于遷移學習的控制方法丟失了1個長方形工件、1個正方形工件和2個圓形工件；基于場景特征的控制方法丟失了全部正方形工件。導出區(qū)域A中四種工件的實際位置坐標和三組方法識別定位到的理論位置坐標，其中缺失工件的坐標識別定位結果，如表1所示。

表1 工件位置數據表

圖4 快速分揀控制結果

對比表1顯示的工件坐標，發(fā)現本文方法的理論坐標與實際坐標之間的差異不超過0.1mm；兩個對照組方法的理論坐標與實際坐標差異極大。綜合上述測試結果可知，基于視覺檢測的控制方法，能夠獲得更加精準的工件理論坐標，所以能得到更加精準的快速分揀結果。

3 結語

此次研究綜合常規(guī)快速分揀控制方法目標工件坐標定位效果不佳的問題，利用視覺檢測優(yōu)化了目標識別定位效果，實驗證實了基于視覺檢測的快速分揀控制方法，能夠幫助工業(yè)機器人快速分揀工件，并按照類別正確排序。但綜合整個設計來看，此次研究存在兩點不足：第一該方法的計算量較大，難免會出現一些計算誤差，導致工業(yè)機器人的機械臂會稍稍偏離工件中心，可能在抓取過程中出現工件掉落的情況。第二該方法只是在原有快速分揀控制的基礎上設計的，并沒有更新機器人的基本硬件。今后可以設置一套評估算法實時檢驗識別定位結果，在抓取之前補償數據，同時更新工業(yè)機器人硬件，保證分揀控制工作不受硬件影響。