一種基于機器視覺的復雜零件分揀系統

李 夢,王旭揚,韓幫國

（安徽信息工程學院，安徽 蕪湖241000 ）

零件分揀是工業(yè)生產中不可或缺的重要環(huán)節(jié)，國內大部分工廠仍然采用人工分揀，分揀的效率低、出錯率高。隨著生產速度的加快，已無法滿足實際的生產需求[1]。與此同時，隨著機器視覺在工業(yè)領域，特別是工控分類的逐漸廣泛應用，目前已經借助視覺分類和機器人控制技術，達到了信息自動化采集與分類識別，完成自動分揀與搬運碼物動作[2]。美國Adept 公司研發(fā)的圖像處理系統可以在復雜的光照條件完成目標的抓舉與放置[3]。德國KUKA機器人結合系統ISRA視覺技術，對2D與3D的零件進行識別，精確控制機器人預設方位完成任務[4]。日本FANUC 公司研發(fā)的機器人集成視覺功能，可以檢測位置偏差與定位誤差補償[5]。瑞典ABB 機器人公司推出的Flex Picker 機器人可以快速準確的抓取目標跟蹤性能好[6]。納斯達克技術公司生產的Quattro 4 軸并聯機器人支持在傳送帶上快速抓取放置[7]。國內視覺技術起步較晚，卻發(fā)展迅速，但與國外的分揀精度與控制技術還存在一定差距。如臺達集團研發(fā)的DMV 機器視覺系統，與機械手自由組合拾放系統[8]。

目前現有的國內、外基于視覺的分揀系統設備雖然不少，但是價格都比較昂貴，設計復雜，維護困難，大多針對零件的某一關鍵尺寸，借助機器視覺進行測量，或是針對多個關鍵尺寸采用多次測量。本文通過機器視覺對復雜零件進行多尺寸測量與誤差級聯運算完成合格判斷，借助串口通信對下位機控制，分離出不合格品，系統成本低、測量精度高、識別準確率高、分揀速度快。

1 系統整體設計

本文針對復雜軸類零件設計分揀系統，系統主要包括機器視覺圖像處理模塊、多尺寸級聯誤差分類模塊、分揀系統設計模塊3 部分組成。機器視覺處理模塊對攝像頭采集到的零件圖像進行處理，得到零件外輪廓尺寸。根據零件加工要求，將圖紙中指定的多段關鍵尺寸組合成級聯分類器，對單個關鍵尺寸的誤差范圍值進行串聯求與運算。當滿足所有關鍵尺寸的測量結果均處于圖紙規(guī)定的誤差范圍內時，級聯分類器輸出為真，判斷為合格品。當檢測出不合格品時，通過搭建的PLC 分揀系統進行不合格品的有效分離。

2 機器視覺圖像處理系統設計

借助機器視覺算法對采集的零件圖像進行處理，完成對零件輪廓的尺寸測量。主要包括以下部分組成：鏡頭畸變矯正、像素參數標定、圖像預處理、零件幾何尺寸測量。

視覺系統建立在攝像頭成像模型搭建的實際場景與拍攝圖像之間映射關系，從三維空間到二位平面的圖像信息轉換。由于成像過程中鏡頭不可避免地存在失真、非線性的鏡頭畸變[9]，所以需要對鏡頭畸變進行矯正，提高測量精度。

2.1 鏡頭畸變與矯正

2.1.1 徑向畸變矯正

徑向畸變是理想成像點與實際成像點不重合而產生的距離值，導致物體成像變形，產生彎曲畸變。研究徑向畸變，以光學中心的畸變?yōu)?，當遠離光學中心時，畸變現象越明顯，最終產生枕形或桶形畸變變形。

徑向半徑r2=x2+y2，r=0 處通過泰勒級數進行展開后，保留前幾項。可得：

(x,y)為畸變點原始位置，(xcorrected，ycorrected)為畸變矯正后的位置。

2.1.2 切向畸變矯正

由于薄透鏡制造工藝可能存在的缺陷，使得透鏡本身與圖像平面發(fā)生傾斜，具體表達式如下：

2.1.3 鏡頭矯正處理

本文中，選用圓形標定板在VBAI 中構建模板完成對鏡頭的矯正設置，形成標定模板后進行訓練，得到的矯正后平均誤差為0.0003mm，鏡頭的測量精度得到很大提高。

2.2 像素參數標定

本文中零件尺寸以mm為單位，根據與像素坐標轉換關系，完成像素當量的標定[10]。選擇OpenCV 55mm的棋盤標定板，對直線距離進行標定。對標定后的棋盤進行寬度尺寸測量，白色與黑色棋盤的間距均為2.50mm，與實際物理長度值完全相同。

2.3 圖像預處理

2.3.1 圖像灰度化

圖像為彩色RGB圖像，會增加整體計算時間和內存使用量，影響最后檢測效果。對原始彩色圖像進行灰度化處理。根據人眼特性和人類對顏色的心理反應研究發(fā)現，物體的亮度Y 可以用不同比重的RGB 三基色表示，RGB 比重分別為：0.299,0.587,0.114處理采集圖像。

2.3.2 Brightness亮度設置與圖像優(yōu)化

對灰度圖的參數：亮度值Brightenss，對比度值Contrast，伽馬值Gamma進行設置，強化圖像處理結果，在此基礎上對存在的金屬反光的部分進行邏輯運算進行去除。

2.3.3 Basic基礎形態(tài)學設置

為了提高邊界檢測的準確性，在提取閾值時更便于設置，對圖像進行反轉設置，顯示為圖像底片像素值。

2.4 零件幾何尺寸測量

零件尺寸測量通過邊緣檢測算法對上述預處理步驟中得到的圖像結果進行灰度變化，提取圖像中不連續(xù)的邊緣點，采用Fit Line 直線擬合優(yōu)化算法對所有離散的邊緣數據點進行擬合求解，通過直線擬合成績LFS 對去除外圍遠點后直線的擬合精度進行評價，獲得最優(yōu)擬合直線。最后對擬合后的直線測量像素間距，并在此基礎上轉換為物理距離。

邊緣檢測算法是在興趣區(qū)域ROI 中對圖像中的點從左上角開始從左到右、從上到下逐點掃描，對每個像素值都以其為模板中心進行模板運算，獲得圖像中的孤立點與其鄰域內像素點灰度值差異。

當結果高于門限閾值時，說明該孤立點鄰域的灰度值有較大差異，將根據閾值T來認定是否為邊緣點。

在理想閾值T的基礎上設定裕量（hysteresis），當搜索到大于等于“理想閾值量與裕量之和”的像素點時，定義為上邊緣點，當尋找到小于等于“理想閾值量減去裕量”時，該點記為下邊緣點。盡可能減小噪聲干擾，提高邊緣點分辨的精度。

對檢測到的所有離散邊緣點進行Fit Line 直線擬合優(yōu)化算法處理：

1.根據像素半徑從特征數據集中選擇數據子集。像素半徑用于確定有效的像素點，指像素點到擬合直線之間的最大距離。開始擬合時，算法先隨機選擇兩個點作一條直線，并在此條直線像素半徑范圍內組成一個子集。

2.針對數據子集擬合直線，并計算所有子集的像素點到直線的平均平方距離值。平均平方距離值（MSD）用于衡量擬合的直線質量。是數據集中所有像素點到擬合直線之間距離平方的平均值。MSD數值越小，擬合直線越好。

3.除去上次擬合的數據子集，對剩余的數據重新擬合，并計算MSD值，重復步驟過程，當所有數據均被擬合后，選取最小的MSD值作為候選直線。

4.對候選直線進行優(yōu)化，算法不斷去除最遠外圍點后擬合的直線，通過計算直線擬合成績（Line Fit Iteration,LSF）求解精度最高的直線：

其中，PR2為像素半徑，像素點越靠近擬合線，MXD值越小，LFS值越大。當擬合直線的成績達到要求分數時，則返回最佳擬合直線。

擬合出所有邊界直線后，測量的尺寸距離的像素值，通過像素的參數標定，獲得實際的物理長度值。

3 多尺寸級聯分類

對于實際生產中的大多數復雜零件，需要同時滿足多個關鍵尺寸同時達到精度要求，才能視為合格。根據級聯分類器的設計思路，每個關鍵尺寸使用一個特征檢驗條件，即通過計算該尺寸值是否在圖紙設定誤差范圍作為該級滿足條件的判斷依據。各級進行串聯運算后，得到最終的檢測結果。全部通過時，視為合格品。多尺寸級聯分類器示意圖如圖1所示。

圖1 級聯分類器示意圖

通過圖像處理得到零件的所有尺寸值，可以根據實際需要，快速提取出所需的關鍵尺寸進行合格判斷，具有較好的適應性與靈活性。

4 分揀系統設計

經過尺寸測量與合格判斷后，借助LabVIEW軟件編程完成PC 與下位機PLC 的通信與輸出控制，根據Modbus ASCII 協議，選擇RS485 串口通信通訊方式，對二位四通的電磁閥進行控制。通過活塞帶動機械執(zhí)行機構直線往復運動，推送出不合格品至不合格品區(qū)后復位，完成分揀動作。

4.1 系統硬件選型

根據系統設計，進行分揀系統硬件選型：臺達PLC（型號DVP-32EH（EH2）），流水線皮帶輪驅動直流電機（GEAR HEAD，型號為Z2D6-24GN，直流24V 驅動），電磁閥（亞德克4V110-06，二位四通電磁閥），氣缸（亞德克PB16X75SU），光電開關（RVKO，三線制NPN 型光電開關）。搭建的系統實物圖如圖2所示。

圖2 PLC分揀系統實物圖

4.2 系統軟件設計

根據PLC 手冊中規(guī)定的報文格式，上位機對下位機發(fā)送數據。使用while 循環(huán)體持續(xù)運行上位機程序，完成串口的相關參數設置。下位機通過梯形圖編程，對各負載運行狀態(tài)進行控制。程序設計流程如圖3所示。

圖3 程序設計流程圖

下位機采用臺達編程軟件WPL 進行編程。當上位機按下“PLC 啟動按鈕”，LabVIEW 調用VISA函數將Modbus ASCII 數據發(fā)送給下位機控制，當位機成功寫入M0數據時，M2與M3將被置位，傳送帶由直流電機驅動運行。若攝像頭監(jiān)測到不合格信號則電磁閥動作，驅動氣缸分離不合格產品，當上位機程序寫入M5 數據時，梯形圖復位，所有動作停止，直至上位機繼續(xù)發(fā)送啟動指令。

5 實驗驗證

選擇1 種復雜的軸類零件，根據該零件的實際生產要求，選定3 段軸的直徑為關鍵尺寸，分別為作為合格品判斷依據，零件二維圖如圖4所示。

圖4 零件二維圖

根據零件尺寸選擇圖像處理硬件：相機（大恒HV1300FM 1394 彩色），鏡頭（3Mega Pixel 5-55mm，F1.4 IR），標定板（圓形，直徑為5.00mm，圓心距10mm，精度等級±0.001mm），標定板（棋盤形，方格尺寸2.5mm，有效尺寸50*40mm，精度等級±0.001mm）。

5.1 尺寸測量結果分析

利用搭建的機器視覺圖像處理系統，對采集到的零件進行處理，得到的圖像預處理結果。處理后的零件圖像經邊緣點提取、Fit Line 直線擬合優(yōu)化算法處理、像素尺寸轉換后得到實測的尺寸，包括3段關鍵尺寸的軸直徑、2段臺階長度值與零件總長6個數據，結果如圖5中第2～7行所示。其中3段軸尺寸分別為：9.998mm，23.20799mm，15.9264mm。針對3 段關鍵尺寸，通過所測軸直徑值是否在圖紙誤差范圍內進行合格判斷，單尺寸合格判斷結果分別為True，False，True，如圖5 中第8～10 行所示。多尺寸級聯尺寸合格判斷結果如圖5 最后1 行所示，結果為False。

圖5 零件尺寸測量結果

選用精度為±1um，平行度±1um，平面度3um，測力5～10N 的三豐數顯千分尺對以上6 個尺寸進行測量。具體數據如下表1所示。

表1 千分尺測量數據（單位：mm）

根據表1 計算出千分尺所測得的6 個尺寸參量5 個數據的平均值，如表2 第2 列所示。結合圖像處理的實際測量值進行誤差分析，得到所有參數尺寸的測量誤差值，測量值與測量誤差分別如表2 的第3、4列所示。

表2 圖像處理誤差分析

從表2 中可以看出，機器視覺圖像處理后的6個尺寸測量值的誤差值在-0.0006～-0.00264mm 范圍，而3段軸直徑的長度平均誤差≤-0.002mm，測量精度接近千分尺的測量精度。

5.2 分揀結果分析

從測得所有尺寸中提取出關鍵尺寸后，經過級聯分類器進行合格品檢測，針對534 個加工零件進行視覺識別分揀，統計數據如表3所示。

表3 零件分揀結果統計

經人工多次復檢與分揀驗證，不合格品數量與本文視覺系統檢測分揀結果相同。分揀正確率為100%。當識別出不合格品時，下位機通過電磁閥控制氣缸動作，活塞往復運動完成不合格品分離。選擇10個不合格零件測量其分揀時間，分揀單個不合格零件的系統運行時間在1.5s以內，效率高，能滿足生產要求。

6 結論

本文通過機器視覺處理，完成零件尺寸的測量與顯示，從中提取所需的關鍵尺寸數值。根據圖紙具體的誤差要求，設計多尺度的級聯判斷的合格品識別模式，借助串口通信對下位機進行控制，最終實現對不合格品的分揀。

系統利用視覺尺寸測量，測量誤差小、精度高。零件合格識別準確率高，下位機控制執(zhí)行器分揀速度快、效率高。系統硬件成本低，可以針對不同零件進行柔性設計，在工控生產加工過程將有很好的實用價值。