史偉民, 韓思捷, 屠佳佳,2, 陸偉健, 段玉堂

(1. 浙江理工大學(xué) 浙江省現(xiàn)代紡織裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室, 浙江 杭州 310018;2. 浙江機(jī)電職業(yè)技術(shù)學(xué)院 自動化學(xué)院, 浙江 杭州 310053)

近年來,由于我國紡織行業(yè)在國際市場中的競爭壓力越來越大[1],因此,國家在紡織行業(yè)發(fā)展綱要中將推進(jìn)紡織智能制造作為重點(diǎn)工程,包括自動化、數(shù)字化、智能化紡織裝備開發(fā)、智能工廠建設(shè)等內(nèi)容[2]。

在圓形緯編針織機(jī)器人自動化生產(chǎn)線中,換筒桁架機(jī)器人可以完成在備紗架取滿筒,在用紗架上放滿筒、取空筒的動作,來替代紗架上人工滿筒上料以及空筒下料。自動換筒過程中,由于受到紗筒的重力、放筒時的震動、滑動等因素的影響,紗筒口的位置會發(fā)生變化,從而影響機(jī)械爪對空筒的抓取。為了保證機(jī)械爪對空筒的準(zhǔn)確抓取,需要對筒口的位置進(jìn)行定位。若采取人工輔助定位:一方面需要進(jìn)入機(jī)器人工作區(qū),會產(chǎn)生安全隱患;另一方面,1臺圓緯機(jī)需要4排紗架,1排紗架有80個紗筒,人工定位工作量較大。

近年來,機(jī)器視覺在紡織領(lǐng)域得到了廣泛的應(yīng)用。在機(jī)器人定位方面,張文昌等[3]利用單目相機(jī)對紗籠上紗桿圖像進(jìn)行采集,通過傳統(tǒng)圖像處理實(shí)現(xiàn)紗桿的定位,完成相應(yīng)取放作業(yè),該方法在定位及實(shí)用性方面有較好表現(xiàn)。Tu等[4]利用單目相機(jī)、霍夫圓檢測算法,對紗桿端面圓形標(biāo)記物測距,實(shí)現(xiàn)紗架坐標(biāo)定位,為紗架換筒定位方法的研究提供了參考。在紗筒識別處理方面,張建新等[5]通過對紗筒圖像預(yù)處理及透視投影變換校正,還原了理想的紗筒側(cè)面圖像,為后續(xù)筒子紗密度檢測提供了準(zhǔn)確的紗筒體積。Shi等[6]利用圓形卷積核確定紗筒中心后,采取透視變換、擬合的方式實(shí)現(xiàn)了對紗筒直徑的估算,并在此基礎(chǔ)上實(shí)現(xiàn)了余紗量檢測。李靖宇等[7]采用可調(diào)均值遷移濾波算法去噪及外接矩的方式識別紗筒,該方法在圖像去噪方面有良好效果,但容易受到環(huán)境影響。金守峰等[8]利用Faster R-CNN模型進(jìn)行紗筒訓(xùn)練識別,該方法可以在復(fù)雜環(huán)境中識別紗筒大致位置,但無法做到對輪廓的準(zhǔn)確識別。

現(xiàn)有研究表明,單目相機(jī)在機(jī)器人定位方面表現(xiàn)良好,且成本低、便于安裝。此外在紗筒識別方面,傳統(tǒng)圖像處理易受環(huán)境影響,且圖片較大時處理速度太慢,深度學(xué)習(xí)方式對于紗筒輪廓邊緣識別較差?？紤]到換筒機(jī)器人抓取方式以及紗筒處于開放式的拍攝環(huán)境,本文采用單目相機(jī)作為圖像采集定位設(shè)備,提出一種深度學(xué)習(xí)與傳統(tǒng)圖像處理相結(jié)合的定位方法,首先通過深度學(xué)習(xí)方式識別紗筒口大致位置,避免了圖片背景影響并提高了識別速度,隨后采用傳統(tǒng)圖像處理方式擬合紗筒口,保證了識別精準(zhǔn),最后經(jīng)過實(shí)驗(yàn)驗(yàn)證了本文方法的有效性。

1 定位機(jī)構(gòu)設(shè)計

圖1 (a) 示出圓緯機(jī)自動化生產(chǎn)線中的換筒機(jī)器人整體機(jī)構(gòu),圖1 (b)示出末端執(zhí)行機(jī)構(gòu)。其中工業(yè)相機(jī)安裝在機(jī)械撐爪上與機(jī)器人同步運(yùn)動,光源安裝在工業(yè)相機(jī)上。機(jī)械爪在紗筒更換的過程中會運(yùn)動到紗筒拍攝工位,此時工業(yè)相機(jī)對紗筒圖片采集并傳輸給上位機(jī),經(jīng)過紗筒口識別及距離檢測后,上位機(jī)根據(jù)紗筒口位置信息控制換筒機(jī)器人繼續(xù)運(yùn)動。

圖1 換筒機(jī)器人

本文采用?？低昅A-CA050-10GM黑白工業(yè)相機(jī),工作時直接采集灰度圖避免紗筒顏色帶來的影響,增加檢測方法的泛化能力,鏡頭選用8 mm定焦鏡頭,采用LED燈作為補(bǔ)光燈。實(shí)驗(yàn)使用的圓柱筒的長為290 mm,外徑為75 mm,內(nèi)徑為57 mm;圓錐筒的長為170 mm,外徑為38 mm,內(nèi)徑為28 mm。

實(shí)際生產(chǎn)中,車間主要采用固定燈光照明,并通過安裝遮光簾排除陽光帶來的環(huán)境光變化的影響,使生產(chǎn)環(huán)境相對固定。曝光參數(shù)的調(diào)整可以改變圖片的亮度,因此,采用LED燈進(jìn)行補(bǔ)光后,通過調(diào)整曝光參數(shù)的方式改變紗筒口的亮度,達(dá)到紗筒口與環(huán)境有較強(qiáng)對比,突出紗筒口的目的。本文曝光參數(shù)設(shè)置為50 000 μs,圖片采集效果如圖2所示,分別為圓柱筒、圓錐筒。后續(xù)圖像處理示意圖均以圓柱筒為例。

圖2 紗筒圖

2 空紗筒口定位方法

2.1 空紗筒口定位流程

空紗筒口的定位分為以下步驟進(jìn)行:1)利用改進(jìn)的Yolov5模型框選紗筒口在圖片中的大致位置,為后續(xù)處理排除背景影響,同時減小計算量;2)對框定區(qū)域圖像處理,首先通過邊緣檢測提取梯度圖,隨后對梯度圖進(jìn)行閾值分割、濾波、形態(tài)學(xué)閉操作排除弱邊緣以及噪聲影響,最后對紗筒口進(jìn)行橢圓擬合求得紗筒口徑及中心坐標(biāo);3)通過單目相機(jī)測距原理完成紗筒口的定位。

2.2 空紗筒口識別模型設(shè)計

2.2.1 改進(jìn)的Yolov5模型

采集到的空紗筒圖片中包括紗架、滿紗筒等,在圖像處理過程中這些部分會對邊緣檢測、紗筒擬合等產(chǎn)生影響,同時對整張圖片的處理檢測速度會大大降低。為以較快速度同時獲取空紗筒口的類型以及其位置,本文選擇目前綜合效果最好的Yolov5目標(biāo)檢測算法進(jìn)行改進(jìn)檢測。

改進(jìn)后的網(wǎng)絡(luò)框架如圖3所示。模型訓(xùn)練時紗筒圖片經(jīng)過數(shù)據(jù)增強(qiáng)擴(kuò)充數(shù)據(jù)集等操作后進(jìn)入主干網(wǎng)絡(luò)[9]。主干網(wǎng)絡(luò)中首先對紗筒圖片進(jìn)行普通卷積操作獲得尺寸為320像素×320像素,通道數(shù)為32的特征圖。再通過Ghost模塊提取不同尺度特征圖,并通過注意力機(jī)制以及SPPF模塊對得到的筒口特征進(jìn)行提取融合。隨后利用FPN和PAN結(jié)構(gòu)對不同尺度紗筒特征做進(jìn)一步融合處理,最后在預(yù)測部分對紗筒口進(jìn)行檢測輸出預(yù)測結(jié)果。

注:圖中320×320×32表示特征圖尺寸為320像素×320像素,通道數(shù)為32,其它依此類推。

2.2.2 網(wǎng)絡(luò)輕量化

空紗筒口訓(xùn)練時,普通卷積會產(chǎn)生許多相似的紗筒特征圖,且產(chǎn)生這部分特征圖的卷積參數(shù)量較大,造成計算資源浪費(fèi)。為減少模型參數(shù)量及計算量,提高模型檢測速度,本文采用Ghost[10]模塊將網(wǎng)絡(luò)輕量化。

相似的紗筒特征圖可由真實(shí)特征圖通過參數(shù)量及計算量較小的廉價操作得到。首先通過普通卷積生成部分真實(shí)紗筒口特征圖,隨后以這些特征圖為基礎(chǔ),通過調(diào)整卷積分組參數(shù)形成的廉價分組卷積操作,從而產(chǎn)生相同數(shù)量的Ghost紗筒特征圖,最后將2個部分特征圖拼接作為輸出組成Ghost卷積模塊,其結(jié)構(gòu)如圖4所示。

圖4 GhostConv模塊

同時以Ghost卷積模塊為基礎(chǔ)將C3模塊中的瓶頸層修改為Ghost瓶頸層(GhostBottleneck),其結(jié)構(gòu)如圖5所示。該瓶頸層模塊包括2個Ghost卷積模塊。其中第1個卷積模塊產(chǎn)生一定數(shù)量特征圖,第2個卷積模塊最終的輸出不經(jīng)過激活函數(shù),對模塊最終輸出的通道進(jìn)行調(diào)節(jié)用以匹配前后網(wǎng)絡(luò)。

圖5 GhostBottleneck模塊

2.2.3 注意力機(jī)制

輕量化后的網(wǎng)絡(luò)模型在空紗筒口檢測精度上有所降低,為解決此問題,利用注意力機(jī)制提升模型精度?？占喭部趫D片在網(wǎng)絡(luò)訓(xùn)練過程中傳遞的特征信息包含了紗架、滿紗筒等,通過注意力機(jī)制可以弱化背景的特征權(quán)重,增強(qiáng)紗筒口的權(quán)重,達(dá)到模型優(yōu)化效果。本文選擇由通道注意力機(jī)制和空間注意力機(jī)制2部分組成CBAM[11](convolutional block attention module)注意力機(jī)制,其結(jié)構(gòu)如圖6所示。

圖6 CBAM網(wǎng)絡(luò)結(jié)構(gòu)

通道注意力機(jī)制能夠提高重要特征通道的權(quán)重。紗筒口特征圖經(jīng)過最大池化、平均池化忽略掉紗筒特征圖尺寸,送入共享權(quán)重的多層感知器[12]訓(xùn)練。對結(jié)果進(jìn)行相加并通過Sigmoid激活函數(shù)后,有利于紗筒口識別的特征通道權(quán)重被增強(qiáng)。

空間注意力機(jī)制可以增強(qiáng)目標(biāo)位置信息。紗筒口特征圖經(jīng)過最大池化、平均池化后將通道信息融合,只留下2個原尺寸的特征圖。隨后進(jìn)行通道拼接,經(jīng)過卷積操作以及Sigmoid激活函數(shù)后重要位置的特征權(quán)重被增強(qiáng)。

最終改進(jìn)后的模型檢測效果如圖7所示。得到空紗筒口在圖片中的位置后可將該區(qū)域作為空紗筒口擬合的輸入圖像。

圖7 模型檢測效果

2.3 空紗筒口圖像處理方法

2.3.1 紗筒口邊緣處理算法

獲得紗筒口的位置區(qū)域后,為了對紗筒口擬合,首先需要得到紗筒口的輪廓。紗筒口的邊緣為灰度值突變的位置,因此,通過具有較高效率的Sobel算子進(jìn)行邊緣檢測獲取紗筒邊緣梯度,其擁有如圖8所示X和Y方向2個算子。

圖8 Sobel算子

Sobel算子對紗筒圖中點(diǎn)(i,j) 進(jìn)行卷積計算,求得X、Y方向梯度Gx、Gy,將二者絕對值相加可求得最終梯度。

邊緣檢測結(jié)果如圖9(a)所示。紗筒口梯度圖中,梯度大小反映了邊緣的強(qiáng)弱,紗筒口邊緣屬于強(qiáng)邊緣,通過特定的梯度閾值可以將弱邊緣排除,然而固定的閾值無法適應(yīng)不同紗筒圖片的需求,為此,采取具有自適應(yīng)能力的OTSU閾值法進(jìn)行分割。

圖9 邊緣檢測結(jié)果

首先預(yù)設(shè)閾值T將紗筒圖分為背景部分及筒口邊緣部分。背景部分灰度值小于T,其灰度均值為T1,全圖中屬于背景部分的概率為p1。筒口邊緣部分灰度值大于T,其灰度均值為T2,全圖中屬于筒口邊緣的概率為p2。T0為全圖灰度均值。當(dāng)2個部分灰度均方差σ2取最大值時,背景部分與筒口邊緣部分差距最大,此時T為理想閾值,其公式為

σ2=p1(T1-T0)2+p2(T2-T0)2

閾值分割后的紗筒口圖會產(chǎn)生一些噪聲,且多為離散的點(diǎn),對后續(xù)的輪廓擬合產(chǎn)生影響。為消除噪聲的同時保留紗筒口圖閾值化后的灰度值,避免再次閾值化,采取中值濾波進(jìn)行處理,該方法將噪聲點(diǎn)及其周圍的灰度值進(jìn)行排序,取序列的中值作為該像素點(diǎn)的新灰度值[13],對椒鹽噪聲有良好的效果。

濾波后的紗筒口邊緣存在部分像素點(diǎn)與邊緣接近并且有黏連,為將該部分像素點(diǎn)包括進(jìn)輪廓中使紗筒輪廓平滑,對圖片進(jìn)行閉運(yùn)算。閉運(yùn)算是形態(tài)學(xué)處理中先膨脹再腐蝕的運(yùn)算方法。膨脹運(yùn)算可以將像素級小的缺口相連接,腐蝕運(yùn)算可以消除膨脹后的邊緣擴(kuò)散情況。邊緣處理效果如圖9(b)～(d)所示。

2.3.2 邊緣輪廓擬合

要獲取空紗筒口外徑及其圓心坐標(biāo),需要對紗筒口的邊緣進(jìn)行擬合。在生產(chǎn)使用期間筒口的形狀可能產(chǎn)生一定變化,同時紗筒口在映射到成像平面時會產(chǎn)生微小的形變,其形狀更接近橢圓,因此,采用最小二乘法對紗筒口邊緣輪廓進(jìn)行橢圓擬合。最小二乘法是通過最大似然估計法推導(dǎo)得到的一種最優(yōu)估計的方法。

基于最小二乘法擬合橢圓的目標(biāo)函數(shù)為

f(A,B,C,D,E)=

式中:A、B、C、D、E為橢圓的5個參數(shù);xi、yi為待擬合點(diǎn)的坐標(biāo)。

空紗筒口圖片經(jīng)過邊緣處理得到由n個點(diǎn)組成的紗筒邊緣。將每個點(diǎn)對應(yīng)坐標(biāo)代入目標(biāo)函數(shù)進(jìn)行擬合,當(dāng)目標(biāo)函數(shù)取最小值時即為擬合的最佳橢圓。此時,根據(jù)極值原理可以推導(dǎo)出線性方程組并求得參數(shù)A、B、C、D、E。隨后根據(jù)橢圓的一般方程可求得圖片中紗筒中心坐標(biāo)及紗筒外徑的長短軸。

經(jīng)過輪廓擬合后需要對所得橢圓進(jìn)行后處理,排除受噪聲像素影響產(chǎn)生的軸長超出范圍或圓度不符合要求的橢圓。本文主要通過設(shè)定橢圓短長軸的比例大于0.9排除較為扁平的橢圓,隨后根據(jù)紗筒口外徑的大小選取合適的長短軸范圍,排除不符合要求的橢圓,符合要求的橢圓均參與定位并取均值作為結(jié)果,擬合結(jié)果如圖10所示。

圖10 橢圓擬合結(jié)果

2.4 單目相機(jī)測距原理

在進(jìn)行紗筒口的定位時,為不干涉機(jī)械爪運(yùn)動,相機(jī)安裝空間小,導(dǎo)致有效取圖位置有限。為解決此問題,選擇體積小、成本低且精度高的單目工業(yè)相機(jī)完成近距離紗筒口圖像采集。

本文通過單目相機(jī)小孔成像原理進(jìn)行紗筒口的測距,測距原理如圖11所示。物體平面指紗筒口所在平面,針孔平面指工業(yè)相機(jī)鏡頭所在平面,成像平面指工業(yè)相機(jī)感光元件所在平面,xc為相機(jī)主光軸。

圖11 測距原理示意圖

工業(yè)相機(jī)進(jìn)行拍照時,紗筒口通過針孔平面映射到成像平面,根據(jù)小孔成像原理[14]可得

式中:d為已知的紗筒口外徑尺寸,mm;D為筒口到相機(jī)的距離,mm;f為相機(jī)焦距,mm;N為圖片中筒口外徑的像素數(shù),像素;μ為相機(jī)像元尺寸,mm。

測距時筒口外徑在感光元件上的尺寸o′w′,可由圖11中筒口外徑的像素數(shù)N,與相機(jī)像元尺寸μ確定,進(jìn)而通過相似三角形求得紗筒口與相機(jī)的距離D。

檢測原理示意圖如圖12所示。通過單目測距原理求得紗筒口與相機(jī)正對方向的距離Dx后,經(jīng)過圖像處理獲得紗筒口中心O坐標(biāo)與圖片中心的像素差值。隨后可根據(jù)相同原理求得紗筒口中心與相機(jī)主光軸,即工業(yè)相機(jī)橫向距離Dy和縱向距離Dz。

圖12 檢測原理示意圖

3 實(shí)驗(yàn)結(jié)果與分析

3.1 模型結(jié)果分析

為驗(yàn)證本文方法的可行性,首先需要驗(yàn)證紗筒口識別模型的有效性,因此,本文采取消融實(shí)驗(yàn)的方式驗(yàn)證紗筒口識別模型的改進(jìn)效果。本文模型實(shí)驗(yàn)紗筒口識別模型應(yīng)在準(zhǔn)確率達(dá)到98%以上的基礎(chǔ)上進(jìn)行優(yōu)化,使其具有更小的體積、更快的速度。

采集不同環(huán)境、不同光照條件下的位于紗架上的紗筒圖片575張進(jìn)行訓(xùn)練,76張進(jìn)行測試。深度學(xué)習(xí)的訓(xùn)練環(huán)境為:NVIDIA GeForce GTX 1060顯卡、Windows操作系統(tǒng)、 Pytorch 1.11.0框架、Cuda11.3版本、cudnn8.2版本。訓(xùn)練的批次大小選擇為16,訓(xùn)練300輪。采用參數(shù)量對網(wǎng)絡(luò)模型的大小進(jìn)行評估,以平均準(zhǔn)確率(mAP)對網(wǎng)絡(luò)模型識別準(zhǔn)確率進(jìn)行評估,每秒檢測圖片數(shù)量(FPS)對網(wǎng)絡(luò)模型檢測速度進(jìn)行評估。檢測結(jié)果如表1所示。

表1 模型檢測結(jié)果

如表1所示,本文通過消融實(shí)驗(yàn)對模型進(jìn)行比較,表中4種模型分別為Yolov5原始模型、Yolov5單獨(dú)加入CBAM注意力機(jī)制的模型、Yolov5單獨(dú)加入Ghost模塊的模型以及Yolov5融合注意力機(jī)制與Ghost模塊的本文最終的模型。由表1可知,4種模型的準(zhǔn)確率都達(dá)到了99%以上,說明模型對于紗筒口的識別具有良好的效果。其中單獨(dú)加入注意力機(jī)制的模型準(zhǔn)確率降低了0.1%,其原因是原模型對于特征提取效果已經(jīng)趨于飽和,加入注意力機(jī)制后對權(quán)重調(diào)整時,反而將一些相對有用的特征權(quán)重進(jìn)行了弱化導(dǎo)致精度降低。注意力機(jī)制模塊的加入使模型的參數(shù)量增加了約0.03 M,但由于重要特征圖被增強(qiáng)所以檢測速度變快。單獨(dú)加入Ghost模塊后由于卷積模塊產(chǎn)生的真實(shí)特征圖比原模型少,導(dǎo)致一些有用特征產(chǎn)生損失,因此準(zhǔn)確率降低0.2%,參數(shù)量相對于原模型減少了約一半,通過實(shí)驗(yàn)可以得到,Ghost模塊能夠達(dá)到在不改變通道數(shù)的前提下降低計算成本的目的,且具有顯著的輕量化效果,同時檢測速度也有了較大的提升。將Ghost模塊以及CBAM模塊同時加入網(wǎng)絡(luò)模型,檢測準(zhǔn)確率為99.2%,相對于輕量化模型增加了0.2%,在真實(shí)特征圖較少的情況下加入注意力機(jī)制后效果較為明顯;參數(shù)量(3.71 M)在加入注意力機(jī)制后有少量增加,對于本身就比較輕量化的網(wǎng)絡(luò)而言檢測速度(54.3幀/s)相對降低。

綜上,本文改進(jìn)的網(wǎng)絡(luò)模型能夠在保證準(zhǔn)確率的情況下,有效減少參數(shù)量,提高檢測速度。

3.2 定位結(jié)果分析

為驗(yàn)證本文定位方法的可行性,采集紗筒圖片后,利用本文方法處理獲得定位距離結(jié)果,并與實(shí)際距離進(jìn)行比較來證明定位滿足需求。根據(jù)換筒機(jī)器人的運(yùn)動方向定義,取相機(jī)正對的方向?yàn)閄軸,橫向?yàn)閅軸,縱向?yàn)閆軸。其中X軸均為正值,Y軸向左為負(fù)值、向右為正值,Z軸向上為正值、向下為負(fù)值,且機(jī)器人運(yùn)動誤差小于2 mm。

換筒機(jī)器人末端執(zhí)行機(jī)構(gòu)的撐爪部分采用三合一的可分離式結(jié)構(gòu),機(jī)械爪通過旋轉(zhuǎn)張開的方式來撐緊空筒完成空筒的抓取。設(shè)計的機(jī)械撐爪部分長為120 mm,閉合后的直徑為16 mm,為方便進(jìn)入紗筒,撐爪頭為錐形。

抓取圓柱筒時,撐爪進(jìn)入圓柱筒內(nèi)90～120 mm處可穩(wěn)定抓取圓柱筒,取105 mm為預(yù)設(shè)值。抓取圓錐筒時,撐爪進(jìn)入筒內(nèi)40～70 mm處可穩(wěn)定抓取,取55 mm為預(yù)設(shè)值。由此可得X方向的誤差可接受范圍為-15～15 mm。Y軸和Z軸的誤差范圍以滿足圓錐筒需求為準(zhǔn),撐爪進(jìn)入圓錐筒后筒內(nèi)共有12 mm的盈余,預(yù)留2 mm安全距離后,Y軸、Z軸的誤差可接受范圍為-4～4 mm。

實(shí)驗(yàn)過程中在不同的位置采集紗筒圖片后,首先經(jīng)過深度學(xué)習(xí)模型框出紗筒口大致位置,隨后通過傳統(tǒng)算法的紗筒口擬合,求得紗筒口的中心點(diǎn)坐標(biāo)以及紗筒口口徑。通過單目相機(jī)測距原理測得紗筒口相對于工業(yè)相機(jī)X、Y、Z方向的距離后,與實(shí)際測得距離進(jìn)行比較得出誤差,實(shí)驗(yàn)結(jié)果如表2所示。

表2 定位實(shí)驗(yàn)結(jié)果

從表2結(jié)果可以得到,X軸、Y軸、Z軸的最大誤差絕對值分別為1.3、1.9、0.7 mm,3個軸的誤差均在誤差允許范圍內(nèi)。

在保證定位方法有效的前提下,本文在CPU為i5系列6200u、運(yùn)行內(nèi)存4 G、Visual Studio 2017、OpenCV4.5.5的環(huán)境下對本文方法進(jìn)行耗時分析。在對紗筒進(jìn)行擬合時,耗時基本一致約為1 s。粗定位時,基于深度學(xué)習(xí)的定位方式檢測速度約為2 s,采用傳統(tǒng)方式直接進(jìn)行筒口擬合耗時約為5 s,效率提升150%。其原因在于傳統(tǒng)算法需要對整張圖片進(jìn)行卷積得到邊緣檢測結(jié)果,該部分操作計算量較大導(dǎo)致速度變慢。同時傳統(tǒng)算法相較于深度學(xué)習(xí)更容易受到環(huán)境的影響,輪廓擬合時容易產(chǎn)生較多干擾,或無法正確擬合出紗筒。深度學(xué)習(xí)的方式可有效排除環(huán)境的干擾,為紗筒的擬合提供有利條件。

在實(shí)際工作中,紗筒口平面與相機(jī)平面不平行會對測量產(chǎn)生一定影響,因此,在工作前需根據(jù)紗筒的正常角度,利用機(jī)器人旋轉(zhuǎn)軸對拍攝工位以及相機(jī)安裝角度進(jìn)行校準(zhǔn),使二者平行,并在使用一定時間后重新校準(zhǔn),經(jīng)過校準(zhǔn)后本文方法可直接使用。若紗筒角度偏差過大則無法擬合出預(yù)期橢圓,此時紗筒位置產(chǎn)生需人工干預(yù)的較大錯誤 ,可通過控制系統(tǒng)傳出錯誤信息。綜上分析,本文提出的空紗筒口定位方法可以實(shí)現(xiàn)換筒機(jī)器人空筒定位功能。

4 結(jié)束語

本文提出了深度學(xué)習(xí)與傳統(tǒng)圖像處理相結(jié)合的定位方法,解決了圓緯機(jī)自動化生產(chǎn)線中換筒桁架機(jī)器人在紗架上取空筒時的空筒口定位問題。首先通過改進(jìn)后的Yolov5模型進(jìn)行紗筒口大致位置的框定,隨后經(jīng)過傳統(tǒng)算法的圖像處理以及橢圓輪廓擬合的方式獲得得空筒口信息,最后利用單目相機(jī)測距原理對空筒口進(jìn)行定位。實(shí)驗(yàn)證明改進(jìn)后的模型體積更小且有較高的準(zhǔn)確率,定位結(jié)果誤差也在允許范圍內(nèi),基本滿足換筒桁架機(jī)器人空筒定位功能需求,為紡織行業(yè)自動換筒技術(shù)的完善和發(fā)展提供了參考。