基于機器視覺的自動裝配生產線定位方法

基于機器視覺的自動裝配生產線定位方法

裝配是產品生產的一個分支過程，在制造業(yè)中發(fā)揮著重要作用。傳統(tǒng)的裝配生產線上,裝配機器人的操作都是預先嚴格設計好的,只能做一些固定的動作,這些機器人利用各種傳感器來進行控制,稱為敏感控制機器人。進行裝配操作時,所有的動作都要預先設定,同時要求零件位置、包裝箱的位置和方向放置得非常嚴格。為此要有價格昂貴的夾具或固定機構,還需要有精心設計的特殊傳輸帶。將視覺系統(tǒng)引入工業(yè)機器人,可以大大地擴展機器人的使用性能和應用范圍,使機器人在完成指定任務的過程中,具有更大的適應性。在實際應用中,由于各種原因,零件的位置往往不能嚴格固定,從而造成裝配機器人拾取零件時出錯,這時需要機械手能根據工件的實際位置動態(tài)調整抓取操作。本文通過CCD攝像機獲取零件的圖像,并通過圖像處理和識別算法,計算位置偏移量,從而動態(tài)改變機械手的抓取操作,提高了裝配操作的智能化。系統(tǒng)構成簡單,開發(fā)成本低,具有很好的應用前景。1系統(tǒng)介紹1.1零件監(jiān)控模塊整個系統(tǒng)可分為3個主要模塊:視覺模塊,監(jiān)控模塊和執(zhí)行模塊。視覺模塊通過一臺固定在傳送帶上方的CCD攝像機攝取待裝配的零件圖像;監(jiān)控模塊監(jiān)控裝配線各工作站狀態(tài),并進行圖像處理和識別定位,將結果傳給下位機;執(zhí)行模塊根據反饋結果,動態(tài)調整機械手抓取零件操作。其中,監(jiān)控模塊中嵌入了圖像處理識別子模塊,完成對零件圖像的采集、處理、識別和定位,是實現(xiàn)智能裝配的前提,也是本文工作的重點。1.2圖1:美國模式對采集的零件圖進行圖像處理和識別的系統(tǒng)框圖如圖1所示。對一幅采集的零件圖像,需要經過濾波預處理,去除加性噪聲,再對圖像進行分割,提取零件特征,并對零件進行識別和定位。2零件的數據處理和識別2.1圖像濾波處理在進行圖像采集過程中,不可避免地受到各種干擾而混入隨機噪聲。為了減少識別誤差,需對圖像進行濾波處理。本文采用中值濾波算法,在濾除隨機噪聲的同時,很好地保持了圖像的邊緣信息,適應性強。圖2(a)示出了采用該算法對采集圖像的預處理結果。2.2圖像分割的閾值在實際應用中,零件為亮色金屬,將裝載零件的托盤漆成黑色,使得采集圖像的物體和背景形成明顯的灰度差,將極大地簡化圖像處理過程,提高識別的速度和準確性。圖像的直方圖呈現(xiàn)明顯的雙峰,因此可采用二值化方法對圖像進行分割。分割的閾值由最優(yōu)閾值化方法確定,直方圖采用正態(tài)分布的概率密度函數來近似,閾值取為離對應于兩個或更多個正態(tài)分布最大值之間的最小概率處最近的灰度值。最優(yōu)閾值選擇的迭代算法:(1)求圖像中最小和最大灰度值1μ和μM,令初始閾值為(2)在第t步,分別計算背景和物體的灰度均值μtB和μOt,其中在第t步將圖像分割為背景和物體的閾值是Tt:其中,f(i,j)是圖像上點(i,j)的灰度值,N(i,j)是點(i,j)的權重系數,通常取N(i,j)=1;(3)設,如果T(t+)1=Tt則停止,否則返回第(2)步。圖2(b)是對經過預處理的零件圖像采用該分割算法處理后的結果。2.3平均平均標記的選擇在進行圖像分割同時,采用連通域序貫標記算法對連通域進行標記并給同一連通成分的所有點分配同一標記。序貫算法要求對圖像進行二次處理,算法描述如下:(1)第1遍掃描:從左到右、從上到下搜索整個圖像R,設算法已經查到了該像素的這兩個鄰點,對每個非零像素R(i,j)賦一個非零的值V,根據鄰域像素的標號來選擇V值:1)如果這兩個鄰點都是背景像素(其像素值為0),則R(i,j)被賦予一個新的標記。2)如果這兩個鄰點中只有一點為1,且分配了標記L,那么就把這個標記賦予像素R(i,j)。3)如果這兩個鄰點都為1,且已分配了標記L,則把標記L賦予R(i,j);但是若鄰點被分配了不同標記M與N,則這兩個標記被用于了同一組元,需將它們合并?？蓪颂枌ψ鳛榈葍r的標號保存起來。等價對被保存在單獨的數據結構等價表中。等價表包含了給每一連通成分分配唯一標記的信息,所有屬于同一連通成分的標記被視為是等價的。(2)第2遍掃描:從等價集中選擇一個標記并分配給連通域中所有像素點,通常將最小的標記分配給一個連通域。第2次掃描將給每一連通域分配唯一的標記。對二值化分割圖,設定面積閾值去除背景噪聲,再經過序貫算法標記后圖像如圖3所示,不同的連通域分別以標號1到4進行了標記。2.4零件特征匹配大部分零件是由圓形、方形等簡單幾何形狀組合構成。因此我們可通過零件中的這些特征幾何形狀識別判別零件。即是采用圓形和方形的圓形度、矩形度、面積和周長等特征識別不同的目標零件。充分利用零件本身的形狀和幾何特征,避免了樣本訓練、特征匹配等通用模式識別帶來的算法復雜等缺點。采用的特征值分別定義如下:(2)周長P:是圍繞一個區(qū)域的所有像素的外邊界的長度;(4)矩形度R:其中:AR為最小外接矩形面積;表1列出了圖3中的4個區(qū)域(其中3個是目標零件)的特征值。識別時,由定位算法先得到區(qū)域的中心坐標,并根據標準圖的零件中心位置,初步得到一個匹配結果。再計算零件的幾何屬性,分別用面積、周長、圓形度、矩形度等特征量對目標區(qū)域進一步進行匹配。采用該方法進行匹配速度很快,滿足機器視覺在線識別的要求,同時也能夠得到準確的匹配結果。2.5擴展分析模塊設計零件定位是確定零件的位置和方向。首先確定零件的質心,對于二值圖像,零件的中心位置與零件的質心相同?？赏ㄟ^下式求得由于是通過對圖像進行“全局”運算得到的一個點,因此它對圖像中的噪聲相對來說是不敏感的。其次要確定零件的方向,這需要通過分析待測零件,選取合適的特征。在軟件中可以將這部分設計成擴展分析模塊,即為每種所需裝配零件單獨建立處理模塊,根據需要裝載。這種設計可以方便地擴展系統(tǒng)對零件更改的適應性。下面是針對兩種特定的零件的定位方法。其中帶孔圓形零件,可將小孔作為特征,根據孔中心形成的直線表示其方向。凹長方形零件,采用最小二階矩軸來表示其長軸方向,并根據凹槽相對于物體中心的坐標方位來確定該偏移零件的旋轉方向。最小二階矩軸是這樣一條直線,使物體上的全部點到該線的距離平方和最小。給出一幅二值圖像B[i,j],計算物體點到直線的最小二乘方擬合,使所有物體點到直線的距離平方和最小,表示如下:為了避免直線處于近似垂直時的數值病態(tài)問題,將直線表示成極坐標形式:ρ=xcosθ+ysinθ,式(3)可重寫為則極小化問題變?yōu)槠渲?由式(1)和式(2)求得,將式(4)對x2求微分,并令微分結果為零,得采用本文方法對經過以上處理的圖像進行定位識別,并計算其坐標偏移和旋轉角度,如表2所示。3視頻輸入和采集卡采用帶有透鏡徑向一階畸變的小孔攝像機模型,利用基于徑向排列約束(RAC)的兩步標定法對攝像機進行了標定,并在裝配線上進行了機器人裝配操作抓取實驗。其中,下位機使用OMRON公司的CPMIA型PLC控制器,圖像輸入設備是采用MINTRON公司MS-1133型黑白CCD攝像頭,像素為542(H)×582(V),CCD光敏像元尺寸為7.2μm(H)×4.7μm(V)。圖像采集卡選用大恒公司的DH-VRT-CG200采集卡,最大分辨率為768×576×24bit。系統(tǒng)以一臺PC機為上位機,對整條裝配生產線進行監(jiān)控,并進行圖像的采集、處理和識別,同時將識別的結果傳給下位機PLC,由PLC將位移角度參量變換成電平量并傳給機器人控制器,控制機械手完成相應的抓取