视觉分拣系统研究

唐镇城

摘要： 本文通过对众为兴机器人和视觉系统的分拣及抓取研究，在相关理论研究的基础上收集信息，对运行中的情况、问题进行梳理，深入研究视觉分类抓取的情况和存在的不足，并针对不足提出更好的策略。

Abstract： This paper collects information on the basis of related theoretical research by sorting and grabbing the Zhongwei Xing robot and vision system， combs the situation and problems in operation， and deeply studies the situation and deficiencies of visual classification crawling， and proposes better strategies for deficiencies.

關键词： 机器视觉；工业机器人；分拣

Key words： machine vision；industrial robots；sorting

中图分类号：TP242.6 文献标识码：A 文章编号：1006-4311（2018）18-0186-03

0 引言

随着中国经济转型升级，自动化智能化设备运用增加，自动化生产越来越受青睐，有利于提高生产效率。工业分拣是生产环节的主要部分，根据工件摆放的不同位置型号，实现识别、分拣、定位、抓取、放置的过程。

相对于传统的人工分拣以及机器人示教分拣，将视觉技术与机器人相结合的分拣，实现类似人眼的“识别”功能，将提高识别速度和生产效率，使分拣更柔性化、智能化，降低劳动成本，提高质量[1]，运行结果易于统计，有利于实现一体化信息集成，便于统计各类生产数据。

本文针对在自动化生产线上分拣特定工件，实现分拣抓取直通小型化柔性化经济化解决方案，满足占用空间小、自动识别、不同工件分拣上料等要求，提出基于边缘识别模板匹配的视觉识别算法，以众为兴ar5215四轴机械臂及Avs1100视觉系统为基础，利用ADTvision图像处理软件，对机械手及摄像机系统进行标定，建立工业机器人手眼关系[2]。通过图像处理软件，对工业相机采集的工件图像进行预处理，获取边缘信息，对模板图像与采集图像进行相似匹配，完成模板匹配，对抓取物体进行分拣识别、定位，并用机械手进行抓取验证研究结果。

1 工件特征提取及识别

图像提供的信息与人眼视觉接近，包含的信息量非常大，从图像中提取有用的特征进行分析识别是图像处理的基本问题[3]。本文工件图像识别采用的主要步骤：图像预处理、区域分割、工件特征提取、工件识别分拣。而要实现分拣需对工件进行特征模板提取和识别。本文研究工件在静止状态下的特征提取及识别。对采集图像进行预处理，选取目标区域，在目标区域内目标进行特征提取通过模板比对，用以确定目标工件坐标。

2 图像预处理

图像预处理作用在于提高识别效率、提高信噪比、消除无用信息，简化图像处理数据。一般受环境与设备影响，获取的图像包含各种噪声，不宜直接用于图像识别，图像预处理是图像识别的必要环节，通过图像处理希望最大限度消除图像识别的无关信息，从而更准确地提取有用信息，处理效果好坏对特征提取与识别有重要影响。有灰度变换、二值变换等环节。

本文研究对象光线分布均匀采用大津法。经过二值法处理后目标区能分割出来，效果较好。预处理还包括勾选检测区域、设置相机IP、触发及曝光模式、输出控制等。双击“采集图形”；可进入“采集图像设置界面”，可以选择相机号，并对相机的静态IP、采集触发控制、输出控制、曝光和增益调节、白平衡调节、光源调节等进行设置。

本文采用的触发模式是外接信号上升沿触发，关闭自动增益及自动曝光。相机号为CAM0，相机的静态IP192.168.1.110，子网掩码设为255.255.255.0。输出控制中输出控制引脚为Line1，引脚方向Output，引脚电平反转false（即不选取），输出有效电平时间为200ms。打开设备后调节相机的高度、相机的光圈、焦距以及外部光源，直至看到轮廓清晰的产品图像。

在工具栏内点击“蓝色虚线按钮”可对作业ROI区域进行选择，简化处理图像数据减少计算量。勾选完成后，图像分析只针对作业区域进行识别分析。

3 边缘检测

图像中背景与物体间，物与物的交界是边缘，交界边缘是目标提取和识别的基础，边缘是图像局部灰度变化剧烈的区域，包含图像的基本特征和大部分信息。边缘的灰度值是不连续的。常用的边缘检测算法有：Canny算法、Roberts算法、Laplacian算法、Sobel算法。边缘检测通过灰度变化的导数将发生阶跃、尖峰型变化的像素抽取出来，剔除不相关信息，提高后续处理图像的精度和性能。

在ADTvision作业流程，选取“边缘定位”。本文用Canny算法具有较高的信噪比和定位精度，其参数能根据不同要求调整识别不同的边缘特性，适用于不同环境下的边缘检测[3]。

实现工件的分类识别，需提取工件的边缘特征，这是区别不同种类工件的依据。通过模板的设置可对工件实现识别。双击作业流程中的“边缘定位”，弹出“模板设置”界面。可对模板进行添加、删除、编辑、加载操作，还可就模板匹配最大个数及模板匹配最低分数进行设置。模板匹配最低分数设置是进行有效判别的关键，分数设置过低匹配度过低容易造成误判，及假识别；分数设置过高匹配度过高容易造成识别率低废品率高。点击“匹配参数”界面，可对匹配参数、缩放比例、最大重叠度、角度范围、位置补偿等进行设置。

搜索模板匹配最大个数用于设置匹配本模板的最大个数，以提高检索效率，防止重复，当有多个目标需要匹配本模板时可以把个数加大。最大重叠度，用以区分工件之间的位置关系，如果工件不出现叠放的情况，可把最大重叠度设置为1，防止模板匹配时同一位置的工件，识别成多个工件。位置补偿用于每次定位出现固定方向、固定大小的偏差时直接使用位置补偿消除偏差。

4 工件识别分类

添加模板，弹出“边缘模板学习界面”，中间黑色区域为建立模板的拍摄图片或预存图片，右方为“绘制ORI及创建模板栏”。可对照片进行ORI绘制及加减，用以对图片进行勾线提取工件的几何特征，以建立模板进行精准的分类。用绿色线表示模板边缘，绿色边缘线条多且连续性好表示模板创建的效果越好。

本文以一个圆形目标工件举例说明，点击选取ROI模式“单ORI”及ROI类型“圆形”，对目标工件用圆形进行框选如图1所示。框选成功后出现的绿色线条即为工件提取的几何特征。模板创建过程中，如果想剔除掉一些不需要的边缘，如图1产品中的三角形的绿色边缘，可以认为是无效的干扰边缘。可以将ROI模式选择为“ROI相减”，在需要剔除边缘的地方画一个ROI，确定后再创建模板，此时生成的模板边缘将不再包含剔除ROI部分的边缘，即假设任务只需对工件的外形“圆形”实现识别不须对中间的符号进行分类，则先进行的“单ORI”识别，提取边缘包含多余的的几何特征，影响识别精度及识别效率。再通过点击ROI模式“ROI相减”及ROI类型“圆形”，再次提取特征，阻碍判断的多余几何特征已被剔除。

通过模板基本参数界面，可对“起始角度”、“角度范围”、“角度步长”、“最小缩放比例”、“最大缩放比例”、“缩放步长”进行设置；亮度参数设置界面可对“金字塔层数”、“优化选项”、“匹配极性”、“对比度”、“滞后对比度”、“最小尺寸”、“最小对比度”进行设置。

参数设置及特征提取完成后，创建模板，便可建立模板进行模板识别。

5 视觉系统作业及网络设置

视觉系统的网络设置及作业设置的目的，是建立起视觉系统与机器人之间的网络联系，传输相关的分类参数及坐标参数。

在作业流程栏添加“以太网”。点击进入“以太网设置界面”，服务器，即机器人端，可就“服务器IP”、“服务器端口”、“传输协议类型”、“连接模式”、“站号”进行设置。本地端口及视觉系统连接机器人的端口。

点击工具栏的“设置”下端的“作业设置”，弹出“作业设置窗口”，可就“输出格式”、“输出内容”、“输出校验”、“输出地址”进行设置。

6 机械臂视觉配置用户坐标设定

机械臂用户坐标标定及视觉配置的目的，是建立起机器人与视觉系统的网络关系，使机器人能接收来自视觉系统的网络信号，建立起机器人坐标与视觉坐标的对应关系。

“视觉配置界面”可对“视觉类型”、“网络模式”、“触发方式”、“网络接收格式”、“堵塞方式”、“位置补偿”、“坐标设定”等进行设置。

7 实验结果及其分析评价

实验：对随意放置不同材料的圆形工件进行物料物件进行分拣（如图2），四轴机器人每次只能抓取一个物料，因此拍摄后只对相似度最高的工件进行位置识别，并提取出对应工件的角度、轮廓、面积等进行综合判断，从而计算出工件质心的坐标。

实测中视觉系统能准确判断三种不同物料并准确分拣到对应的料仓，料仓的直径比工件大1mm，经500次试验成功率99.8%。

经过试验验证，机器视觉的工业机器人能实现精准的分拣和定位，比传统分拣更能提高工业生产效率，减低劳动成本和劳动强度。本文通过对视觉及机器人系统的搭建及相机标定，静态环境下工件的模板提取、识别、定位的研究，实现了分拣抓取。主要内容如下：①完成机器人本体选型及传送带设计、视觉系统的选型设计、机器人程序设计。选用由伺服电机驱动，采用吸附式取料手的四轴工业机器人；从相机及镜头参数选择、照明方式、视觉工控机等方面设计了机器视觉系统，对主要硬件选型。②相机标定是视觉系统的重要组成，标定的好坏直接影响系统的精度，是系统精确工作的前提。以针孔模型为基础对常用标定方法简要介绍，通过ADTvision图像处理软件完成对相机标定，求解出相机内外参数和相对误差。为目标识别，抓取提供基础经实际实验，证明标定有效可行。③通过图像预处理、边缘检测、模板建立及识别，实现了对静态工件的识别与定位。通过预处理减少检测区域、通过提取工件边缘轮廓进行边缘检测与比对为分拣提供依据。通过对工件质心定位，为抓取提供依据。④通过对视觉系统的网络设置、作业设置，及机器人用户坐标的标定，建立起视觉系统坐标与机器人用户坐标之间的联系，实现精准抓取。

参考文献：

[1]何家恒.基于众为兴ar5215机械臂及avs1100视觉抓取应用[J].科技视界，2017（06）.

[2]郑佳彤.视觉抓取机器人系统研究与实现[D].东北大学， 2013-12-07.

[3]蒋书贤.基于机器视觉的工業机器人分拣系统研究[D].西南交通大学，2014-12-05.