劉向前,閆娟,楊慧斌,賈茜偉

(上海工程技術(shù)大學(xué)機(jī)械與汽車工程學(xué)院，上海 201620)

0 前言

隨著智能化、自動化的快速發(fā)展，智能裝配生產(chǎn)線成為了當(dāng)今加工工藝中不可缺少的環(huán)節(jié)。智能裝配通俗上可理解為用智能化設(shè)備來代替原有人工參與的裝配，即通過多套機(jī)器人的智能聯(lián)動和分工協(xié)作來完成多種裝配任務(wù)。定位是保證其過程中零部件裝配質(zhì)量的一個重要環(huán)節(jié)。裝配對精度及穩(wěn)定性要求較高，該過程工作強(qiáng)度大，一旦裝配過程中出現(xiàn)部件裝配誤差較大的情況，就會導(dǎo)致機(jī)構(gòu)達(dá)不到預(yù)期的功能，甚至使整個機(jī)器出現(xiàn)故障，導(dǎo)致不能正常工作。當(dāng)前，傳統(tǒng)人工裝配的方式已經(jīng)無法滿足現(xiàn)代化裝配精度、效率等需求。因此，如何快速高效對各所需裝配零部件進(jìn)行準(zhǔn)確定位成為有待解決的技術(shù)痛點(diǎn)。

經(jīng)過不斷的研究與開發(fā)，機(jī)器視覺和圖像處理技術(shù)的應(yīng)用愈加廣泛?；跈C(jī)器視覺的識別檢測系統(tǒng)，采用的非接觸式定位方式，已經(jīng)成為當(dāng)今智能自動化生產(chǎn)裝配線的主流裝配方法，它不僅定位速度快、結(jié)構(gòu)簡單，而且精度較高。目前，類似的視覺定位應(yīng)用中，主要有閾值濾波、特征點(diǎn)的提取、Sobel算子提取、多濾波處理等。吳賽敏提出用SIFT算法對預(yù)處理后圖像特征點(diǎn)進(jìn)行提取，然后采用KD-Tree數(shù)據(jù)結(jié)構(gòu)實現(xiàn)對提取特征點(diǎn)的搜索，最后使用FANSAC算法實現(xiàn)特征點(diǎn)與位姿的最終匹配。于嘉鵬等提出一種自適應(yīng)天牛須搜索自動布局算法，使它在保證高效性的同時能搜索到最優(yōu)解，最終實現(xiàn)整個規(guī)劃的過程優(yōu)化。針對相機(jī)采集到的圖像存在復(fù)雜背景干擾問題，Lawrence ROBERTS提出一種邊緣處理技術(shù)，即采用Sobel算子與復(fù)合粒子群法相結(jié)合，利用復(fù)合粒子群搜索Sobel算子中最優(yōu)閾值，結(jié)果表明:優(yōu)化后的Sobel算子能夠準(zhǔn)確地檢測到圖像輪廓，并且對噪聲起到有效抑制作用。以上基于機(jī)器視覺檢測定位的方法，相比傳統(tǒng)檢測定位在精度與效率上都有所提高，但受其工作環(huán)境復(fù)雜、背景干擾的影響，上述方法的重復(fù)定位精度仍然較低。

本文作者基于機(jī)器視覺與圖像處理技術(shù)，通過改進(jìn)的小步長天牛須算法對工件進(jìn)行寬度檢測，以實現(xiàn)精確定位。首先，采用最小二乘圓擬合對采集的圖像進(jìn)行ROI提取；為降低圖像周邊對其定位造成的干擾，采用Sobel算子對外輪廓進(jìn)行處理；同時，通過傅里葉正反變換對圖像進(jìn)行濾波處理，并建立部件定位數(shù)學(xué)模型；最后，通過小步長天牛須算法進(jìn)行模型的求解。對不同型號、不同規(guī)格工件進(jìn)行定位裝配，結(jié)果表明：定位精度在98%以上，誤差可控制在裝配要求的范圍之內(nèi)，可有效解決裝配中檢測定位的問題。

1 定位系統(tǒng)的硬件搭建

硬件系統(tǒng)主要包含工控機(jī)、工業(yè)相機(jī)、相機(jī)鏡頭、條形光源、ABB機(jī)器人及控制服務(wù)器；圖像處理主要包含圖像采集、圖像分析及使用的軟件平臺。綜合考慮到使用環(huán)境、定位工件特征等多種因素，選取高分辨率的工業(yè)級?？低曄鄼C(jī)，其具體參數(shù)如表1所示。為補(bǔ)償亮度，采用條形光進(jìn)行端面補(bǔ)光。采用條形光源的優(yōu)點(diǎn)如下：(1)光源是直流電源，所以不存在頻閃現(xiàn)象；(2)照明均勻、穩(wěn)定，無虛影出現(xiàn)；(3)光源功耗小、熱量低且使用壽命比較長。

表1 相機(jī)參數(shù)

考慮到相機(jī)采集工件圖像時的效率，在軟件中設(shè)置相機(jī)采集圖像的方式為LINE外部觸發(fā)的方式。ABB機(jī)器人就位后，由PLC發(fā)出信號經(jīng)過工控機(jī)發(fā)出的采集信號使得相機(jī)對工件進(jìn)行拍照，然后由光纖網(wǎng)口傳入工控機(jī)進(jìn)行圖像處理；圖像處理完成后，由PLC發(fā)出信號驅(qū)使ABB 機(jī)器人直接定位到部件處進(jìn)行零部件夾取。該系統(tǒng)整體布局如圖1所示。

定位系統(tǒng)包含伺服控制系統(tǒng)、相機(jī)采集系統(tǒng)、圖像識別系統(tǒng)及指令收發(fā)系統(tǒng)。該系統(tǒng)執(zhí)行的流程如圖2所示。

圖1 系統(tǒng)整體布局

圖2 系統(tǒng)執(zhí)行流程

系統(tǒng)實施整體流程如下：(1)初始化ABB，確保工件到位狀態(tài)，所有的零部件由同步輸送機(jī)進(jìn)行輸送，然后觸發(fā)光電傳感器，當(dāng)?shù)竭_(dá)工位時，由圖像采集區(qū)域反饋信號給PC進(jìn)行處理，若ABB定位到位，將信號傳送PLC，觸發(fā)相機(jī)進(jìn)行拍照；若定位不到位，將會進(jìn)行報錯；(2)圖像采集完成后，PC將采集完成信號發(fā)送至PLC，驅(qū)動ABB夾具夾取工件，然后觸發(fā)輸送帶復(fù)位；(3)ABB機(jī)器人夾取零部件移至要與之裝配的液壓工作臺處，若放置準(zhǔn)確，則驅(qū)使夾具復(fù)位，否則系統(tǒng)會報錯處理；(4)在液壓臺上進(jìn)行裝配，完成后觸發(fā)端面光電傳感器工作，并驅(qū)使液壓工作臺轉(zhuǎn)向另一個要進(jìn)行裝配工序的機(jī)器人處。搭建的系統(tǒng)三維模型如圖3所示。

圖3 系統(tǒng)結(jié)構(gòu)三維模型

2 工件定位方法實現(xiàn)

由相機(jī)采集到的工件圖像如圖4所示。由于工件檢測外表面形狀的特殊性要求，可以看出提取的ROI區(qū)域形狀為一個圓區(qū)域或者矩形區(qū)域。但由于傳感器、夾具及復(fù)雜背景的存在，會對檢測造成干擾。針對此種多干擾環(huán)境下工件的定位處理問題，提出基于Sobel算子的形態(tài)學(xué)膨脹改進(jìn)算法。

圖4 工件上表面圖像采集

先對相機(jī)采集到的工件圖像進(jìn)行預(yù)處理，再對其進(jìn)行二值化及Blob分析。使用Sobel算子對邊緣特征進(jìn)行提取，然后選用膨脹運(yùn)算進(jìn)行優(yōu)化。根據(jù)工件初步形心坐標(biāo)可計算出實際偏移量，通過調(diào)節(jié)偏移量來驅(qū)動ABB電控運(yùn)動進(jìn)行實時調(diào)節(jié)。具體實施流程如圖5所示。

圖5 圖像實施處理流程

3 模型建立與求解

3.1 模型建立

在處理目標(biāo)工件圖像時，考慮到效率、精度問題以及背景復(fù)雜的干擾性情況，不可能對采集到的圖像進(jìn)行全部分析處理，即要對某一特定區(qū)域進(jìn)行提取。在工件中，ROI區(qū)域為圓形區(qū)域，而且需要對存在的背景干擾進(jìn)行降低、消除。又由于夾具、工位環(huán)境的復(fù)雜及不可預(yù)知性，利用傳統(tǒng)閾值分割方法處理或者連通域面積方法很難將工件ROI區(qū)域提取出。鑒于此，本文作者結(jié)合工件特征提出用最小二乘法對工件內(nèi)外圓與邊緣分別進(jìn)行擬合、提取，然后對生成的區(qū)域求其差集，具體流程如圖6所示。

圖6 圖像ROI提取

對工件圖像進(jìn)行Blob分析、形態(tài)學(xué)處理和對邊緣進(jìn)行亞像素的提取。其定義擬合方程為

=(+)+(+)

(1)

整理變換式(1)可得一般形式方程為

++++=0

(2)

設(shè)工件輪廓邊緣上任一點(diǎn)坐標(biāo)為(,)，其中∈(1,2,3,…,)。令：

(3)

由弦長公式、垂弦定理可解得參數(shù)、及為

(4)

為使式(3)值最小，則需要使值最小。

對式(3)進(jìn)行求解可得：

(5)

(6)

(7)

其中：

=∑-∑

將、、值代入式(4)中可解得擬合中心坐標(biāo)值(，)及半徑值。對求得的內(nèi)外徑及圓心區(qū)域值求差集，即可獲得工件感興趣的區(qū)域。

3.2 圖像干擾的抑制

由于在對工件進(jìn)行圖像采集的過程中，存在的光照、背景等一些干擾因素都會對成像造成影響，導(dǎo)致采集到的圖像中分布著大小不一的噪聲。為減少干擾，結(jié)合頻域的特點(diǎn)，對它進(jìn)行傅里葉變換，將空間域轉(zhuǎn)換到頻率域進(jìn)行處理。具體轉(zhuǎn)換如下：

(8)

(9)

式中：(,)為一個規(guī)格為×的圖像；、為頻域變量。變換后對應(yīng)的頻譜圖及中心頻譜圖如圖7所示。

圖7 變換后的頻譜圖

對比圖7可知，中心化頻譜圖呈四周發(fā)散狀態(tài)分布。本文作者選用卡爾曼濾波進(jìn)行濾波再處理，最后對濾波后的圖像進(jìn)行反變換將其轉(zhuǎn)換為空間域，實現(xiàn)對工件原圖像干擾的降噪與抑制。

3.3 模型求解

對采集到的圖像進(jìn)行ROI提取、圓擬合及濾波處理后，建立工件的定位模型。采用基于小步長天牛須的算法對建立的模型進(jìn)行求解。

3.3.1 小步長天牛須算法

天牛須算法也被稱為甲殼蟲搜索算法，于21世紀(jì)20年代由LI提出的一種啟發(fā)式新型算法。該算法是LI受到天牛覓食原理啟發(fā)而探索出的一種智能算法,以進(jìn)行最優(yōu)化的求解策略。但是，由于天牛須算法最初采用的步長值是固定值，這使得在進(jìn)行全局搜索過程時適應(yīng)性較差，導(dǎo)致效率較低，并且精度不高。針對此問題，本文作者采用改進(jìn)的小步長天牛須算法，達(dá)到對濾波后的圖像進(jìn)行小步長精細(xì)化的搜索，將兩者結(jié)合有效保障算法在效率、精度與速度之間的平衡。

3.3.2 改進(jìn)的算法流程

步驟1：對濾波處理后圖像進(jìn)行數(shù)據(jù)提??；

步驟2：初始化改進(jìn)的小步長天牛須算法參數(shù)；

步驟3：求解左、右質(zhì)心坐標(biāo)值：

(10)

(11)

其中：為天牛左坐標(biāo)；為天牛右坐標(biāo)；為左右之間的距離；為初始值；

步驟4：引入價值函數(shù)：

=()

(12)

=()

(13)

步驟5：由小步長改變策略求解下一個質(zhì)心點(diǎn)坐標(biāo)：

(14)

其中：為變化參數(shù)；為步長值。

步驟6：求解是否滿足結(jié)束條件；若滿足，迭代結(jié)束；否則返回，繼續(xù)進(jìn)行迭代計算。其具體執(zhí)行流程如圖8所示。

圖8 算法實現(xiàn)執(zhí)行流程

4 實驗驗證與結(jié)果

4.1 實驗環(huán)境及參數(shù)配置

此實驗中硬件配置環(huán)境為Windows10運(yùn)行系統(tǒng)、Inter(R)Core(TM)i5-5200U CPU、頻率為2.20 GHz、RAM為8 GB的PC機(jī)。系統(tǒng)軟件是基于Vision Master環(huán)境開發(fā)的，PLC采用SIEMENS的S7-1200，選用多臺ABB機(jī)器人相互協(xié)作進(jìn)行實驗研究。

4.2 實驗數(shù)據(jù)處理與分析

為驗證所涉及算法的合理性，針對相機(jī)采集圖像進(jìn)行補(bǔ)光、濾波、降噪處理和最終的工件定位實驗，實驗環(huán)境基于Vision Master平臺進(jìn)行開發(fā)，具體實施流程如圖9所示。

圖9 平臺實施流程

具體流程:(1)對相機(jī)采集圖像進(jìn)行干擾降噪處理；(2)圖像邊緣處使用Sobel算子進(jìn)行直線查找；同理，在其他邊緣處也采用相同方法求解；(3)為精確檢測到每個工件的中心坐標(biāo)值，將改進(jìn)的小步長天牛須算法引入腳本中，以對每一個工件坐標(biāo)值進(jìn)行精確搜索及計算；(4)用卡尺工具驗證工件的實際中心坐標(biāo)值；(5)將所有處理完成的數(shù)據(jù)發(fā)送至服務(wù)終端。

實驗中選用6組不同型號、規(guī)格的機(jī)械零部件進(jìn)行定位、裝配實驗，并計算其裝配誤差，各樣本的求解數(shù)據(jù)如表2所示，改進(jìn)前后定位檢測效果如圖10所示。

表2 樣本采集數(shù)據(jù)

圖10 定位檢測示意

由圖10(a)可看出:求解的工件定位點(diǎn)分布在工件邊緣的兩側(cè)，且分布不均勻，明顯偏移邊緣中心。由圖10(b)可以觀察到：此時每個工件計算定位點(diǎn)都在其邊緣左、右傾斜線中點(diǎn)處。這樣不僅可以保證實現(xiàn)工件定位的準(zhǔn)確性，同時也將有效減小裝配導(dǎo)致的可能誤差。

為了驗證算法定位策略的準(zhǔn)確性，針對理想情況下、改進(jìn)前及改進(jìn)后3種情況，對樣本進(jìn)行大于100次的測試實驗，記錄實驗數(shù)據(jù)，選取具有代表性的20次數(shù)據(jù)結(jié)果，并由MATLAB進(jìn)行數(shù)據(jù)統(tǒng)計，結(jié)果如圖11所示。

圖11 數(shù)據(jù)對比統(tǒng)計結(jié)果

由圖11可知：該圖像檢測定位算法可有效求解出工件定位中心坐標(biāo)值；從準(zhǔn)確率上來講，其精度達(dá)到98.57%以上，誤差控制在1.5%以下，滿足實際裝配工藝要求；從效率上來講，可節(jié)約大量時間及勞動力，極大地提高生產(chǎn)效率?？傮w上來說，該算法滿足實際加工工藝裝配精度需求，可縮短生產(chǎn)周期，提高裝配效率，具有較高的準(zhǔn)確性及可靠性。

5 結(jié)語

本文作者為解決工件在裝配中定位誤差問題，提高生產(chǎn)中裝配效率，提出一種采用機(jī)器視覺技術(shù)對工件進(jìn)行精確定位的方法。首先，對相機(jī)采集到的圖像進(jìn)行最小二乘圓擬合ROI提取，使用Sobel算子對其邊緣進(jìn)行處理；為抑制背景的干擾，采用傅里葉正反變換進(jìn)行濾波處理，并建立工件定位數(shù)學(xué)模型；最后，采用改進(jìn)的小步長天牛須算法對其模型進(jìn)行求解?；赩ision Master平臺開發(fā)環(huán)境，搭建了不同算法腳本。對比不同型號、不同類別工件檢測定位出的實驗數(shù)據(jù)，結(jié)果表明：所提出的系統(tǒng)定位策略可有效提高定位的精度，誤差可控制在2%以下，滿足實際裝配需求。