向艷芳，潘躍亮，劉 苗*

（1 湖南工業(yè)職業(yè)技術學院，410208，湖南長沙；2 復雜薄壁精密零件智能柔性加工技術湖南省工程研究中心，410208，湖南長沙）

隨著國家智能制造政策出臺，作為智能制造關鍵設備的工業(yè)機器人高速發(fā)展，在眾多場合中應用起來。利用視覺識別技術實現(xiàn)機器人動態(tài)目標檢測與智能抓取，一方面提高機器人環(huán)境感知能力，另一方面也為技術更新升級、新產(chǎn)品研發(fā)生產(chǎn)提供動力[1-3]。

Python 作為開源系統(tǒng)，可供用戶自由開發(fā)，源代碼閱讀共享，利于交流學習。其結構簡單，容易上手，在數(shù)據(jù)處理、自動化技術、人工智能、機器視覺等領域得到廣泛應用。使用Python 軟件開發(fā)包中的灰度算法、高斯濾波算法、Canny 邊緣檢測算法，實現(xiàn)圖像的預處理；利用最小二乘算法，計算工件的中心點，通過數(shù)據(jù)分析建立坐標轉換矩陣，確定機器人抓取點位與圖像中心點位坐標關系，為開發(fā)和應用工業(yè)機器人視覺目標檢測技術提供參考[4]。

1 研究問題

用于執(zhí)行任務的機器人是華中數(shù)控公司生產(chǎn)的6自由度關節(jié)HsRobot605 機器人，使用?？怂箍礛VCA060-10GC/HIKVISION 攝像頭來進行樣圖采集，使用FQGH2-200X150-W 視覺光源增強光照效果。采用圓形柱狀物料作為抓取對象，物料經(jīng)傳送帶運至視覺鏡頭下方，傳輸位置具有隨機性。

在Python 環(huán)境下使用OpenCV 工作空間，可視化機器人圖像檢測和識別目標位置過程。系統(tǒng)工作過程主要包括基于Python 實現(xiàn)圖像處理、物料邊緣檢測、物體中心點計算、抓取坐標確定，然后通過機器人示教編程完成隨機傳送物料的動態(tài)抓取。

2 研究內容

2.1 圖像預處理

2.1.1 灰度算法 采用色彩空間轉換方法，將色彩鮮艷物料與單一背景區(qū)別開。同時，原始圖像由RGB 三個通道數(shù)據(jù)反映每個像素點的狀態(tài)信息，增加運算時長。而灰度圖像的每個像素點僅由一個通道數(shù)值決定，足夠表達圖像的大部分特征。

利用Python 自帶OpenCV 庫函數(shù)CvtColor 實現(xiàn)圖像灰度化，原圖如圖1（a）所示，灰度化處理后如圖1（b）所示。CvtColor 是OpenCV 里的顏色空間轉換函數(shù)，實現(xiàn)RGB 顏色空間向HSV、HSI 等顏色空間的轉換，也可以將彩色圖像轉換為灰度圖像。該函數(shù)本質上快速地使用RGB 三通道像素值加權求和，將導入的彩色圖片轉化為灰色圖片。

圖1 圖像預處理

式中：gray 為灰度化后的圖像名稱，COLOR_BGR2GRAY 表示將image 圖像進行灰度化處理。

2.1.2 高斯濾波算法 采集到的數(shù)字圖像存在干擾噪聲，影響后續(xù)圖像處理。本次采用高斯濾波算法抑制圖像噪聲，為圖像邊緣檢測作準備。利用Python 高斯模糊函數(shù)GaussianBlur 去噪，通過對鄰域內不同位置像素賦予不同權值方式，最大限度保留圖像的總體灰度分布特征，實現(xiàn)圖像平滑處理，如圖1（c）所示。

式中：src 為輸入圖像，即源圖像；dst 即目標圖像，需要和源圖片有一樣的尺寸和類型；ksize 為高斯內核的大小；sigmaX 表示高斯核函數(shù)在x 方向的標準偏差；sigmaY 表示高斯核函數(shù)在y 方向的標準偏差。

式中：gray 為灰度處理后圖像；（5，5）表示卷積矩陣為5*5；1.5 表示x 方向和y 方向標準差均為1.5。

2.1.3 邊緣檢測算法 邊緣檢測的目的是將數(shù)字圖像中亮度變化明顯的點標識出來，如深度上的不連續(xù)點、顏色變化明顯點、物質屬性變化點和場景照明變化點等[5]。

邊緣檢測任務中，選用Canny 算子進行邊緣檢測。當設置不同的閾值時，使用Canny 算子處理后產(chǎn)生一定的結果偏差。閾值的設置會對結果產(chǎn)生影響，對比效果如圖2 所示。

圖2 邊緣檢測效果對比

2.2 圖像中心點確定

本次選用最小二乘法求解確定圓形物料圓心和半徑，中心點確定問題轉換為邊緣點到圓心（A，B）距離與半徑R 差值最小化問題。

最小二乘法擬合圓曲線：R2=（x-A）2+（y-B）2，也即x2+y2+ax+by+c=0。

樣本集（xi，yi）點到圓心距離平方與半徑平方差為：

根據(jù)最小二乘法原理，構建Q（a，b，c）=∑δi2，求參數(shù)a，b，c 使得Q（a，b，c）的值最小。利用偏導數(shù)等于0，得到極值點。

解得a，b，c 值即可得A，B，R 的估計擬合值。

在Python 編程中，使用matrix 函數(shù)構建矩陣、inv對矩陣求逆、pow 開方等數(shù)學運算，確定圓心坐標A 和B 及半徑R，處理效果如圖3 所示。

圖3 確定圓心坐標

2.3 機器人抓取

2.3.1 圖像坐標系與相機坐標系 定義圖像平面坐標系（u，v），以像素為單位。相機坐標系以攝像機光心為原點，其所在平面坐標系（x，y）；z 軸為攝像機光軸，與圖像平面垂直，用f 表示[6]。圖像坐標系與相機坐標系關系表示為：

式中：s 為常數(shù)；dx 和dy 為像素在x 軸和y 軸方向上的物理尺寸；M1為參數(shù)矩陣。2.3.2 相機坐標系與機器人基坐標系 機器人基坐標系是以大地為參考的直角坐標系，常為機器人的默認坐標系。工具坐標系用來定義工具中心點位置和工具姿態(tài)坐標系[7]。兩坐標系關系如下：

式中：x1、y1、z1為工具坐標系下坐標值；xb、yb、zb為機器人基坐標系下坐標值；M2為機器人基坐標系與相機坐標系的變換矩陣。

機器人坐標與相機坐標關系如下：

式中：M3為相機坐標系與工具坐標系的變換矩陣。

2.3.3 圖像坐標系與機器人基坐標系 由公式1 和公式3 可得

其中：M 為圖像坐標系與機器人基坐標系之間的轉換矩陣。

2.3.4 坐標轉換矩陣算法 從圖像坐標系到機器人基坐標系轉換矩陣M，通常包括平移矩陣關系（5）、縮放矩陣關系（6）和旋轉矩陣關系（7）[8]。

利用Python 中Solve 函數(shù)求解M 矩陣。本次隨機選用標定的3 組數(shù)值建立視覺圖像和機器人基坐標系的矩陣關系。

經(jīng)計算與驗證可得轉換矩陣：

3 結果驗證與結論

結合M 矩陣數(shù)據(jù)和擬合圖像圓心數(shù)據(jù)，（u，v）=（1586.1971，995.3053），根據(jù)（8）式代入可得機器人抓取坐標（xb，yb）=（239.7052，-491.7815），該數(shù)據(jù)通過ModBus 協(xié)議發(fā)送至機器人笛卡兒坐標LR 寄存器。機器人獲取機器人基坐標系抓取點位數(shù)值，通過示教器示教與編程，實現(xiàn)機器人動態(tài)智能抓取物料。經(jīng)3 組隨機樣本測試，計算結果偏差在0.5 mm 以內，機器人視覺識別和動態(tài)抓取準確性很高。

本文利用Python 環(huán)境，實現(xiàn)機器人視覺圖像識別，方便物料位置快速定位，通過HsRobot 機器人完成對象精準抓取?？梢暬佻F(xiàn)了機器人視覺檢測與抓取的過程，能夠快速跟蹤視覺失敗問題及其原因，為機器視覺應用方案提供一種參考。盡管該算法能夠正確識別和抓取形狀簡單對象，但對于復雜形狀工件檢測與識別還在進一步研究中，接下來研究工作主要包括檢測算法優(yōu)化及基于此的柔性控制方案的設計，最終實現(xiàn)對復雜對象的快速、精準識別與抓取。