弧焊机器人视觉检测平台设计与应用

洪 磊，王保升，徐振钦，邢红辉

(南京工程学院 a.汽车与轨道交通学院；b.智能制造装备研究院 江苏省智能制造装备工程实验室；c.机械工程学院,南京 211167)

0 引言

随着机器视觉技术的发展，基于视觉传感器的焊缝检测方法已经成为智能化焊接的热门研究领域[1-5]。相对于传统双目视觉通过特征点检测和立体匹配来完成检测不同，结构光视觉传感器属于主动视觉技术，它通过投射结构光在焊接工件表面形成条纹，条纹可反映焊缝形状位置等信息。由于焊接件多属于金属结构材料，背景灰度单一，特征点提取及立体匹配较难实现，故双目视觉应用较为困难，而结构光条纹相较于背景灰度具有明显差异，更容易实施检测，因此，本文提出了一种基于结构光视觉传感器的弧焊机器人检测系统方法，下文将首先介绍弧焊机器人及其检测系统的硬件结构，然后重点阐述结构光焊缝图像的处理方法及焊缝结构信息的检测过程。最后通过实验测试该系统的检测精度，验证其实用性。

1 系统组成

实验采用的弧焊机器人系统包括工业机器人本体及控制器、焊机系统、结构光视觉传感器、主控计算机等构成。如图1所示。其中，弧焊机器人采用ABB1410工业机器人，重复定位精度可达0.05mm，其控制器为IRC5控制器。焊机采用松下焊机YD-350GR。采用的线结构光视觉传感器由1/3inXC-ES50CE CCD工业摄像机和波长635nm的MTO- laser一字线性激光器组成，摄像机配置8mm Computar镜头，摄像机通过大恒DH CG410图像采集卡将采集到的图像数字化供主控机处理。整个线结构光传感器固定安装在ABB1410工业机器人末端，构成线结构光手眼视觉检测系统。

图1 弧焊机器人系统

2 算法设计

2.1 焊缝结构光图像处理

采集到的焊缝结构光原始图像大小为768×576像素，焊缝识别过程需要首先把结构光条纹从原始图像中准确提取出来，良好的图像处理方法可以降低结构光条纹提取的复杂度，提高提取结果的准确性。图像处理的基本过程主要有中值滤波、阈值分割和条纹中心线特征提取。

2.1.1 中值滤波

在原始图像采集、量化和传输过程中产生了大量噪声，这些噪声的产生具有随机性，可认为是高斯白噪声，为此，对原始图像进行中值滤波，为兼顾处理质量和效率，实验采用5×5的滤波窗口，该窗口沿图像顺次扫描，使得与周边像素灰度差较大的像素接近周边像素值，从而在较大程度上消除噪声[8]，此过程中并不改变图像结构光条纹的形态特征。

2.1.2 阈值分割

由于焊接工件多为金属材料，其背景较为单一，且图像灰度值较低，而反映焊缝信息的结构光则为窄形折线条纹，灰度值较高，由此形成了条纹与背景两个不同灰度区域，根据图像分割理论，灰度级之间的差别可用来分割图像中的不同区域，据此可从背景中分割出结构光条纹区域。

本文方法选用计算简单且效率较高的阈值法，阈值法的核心在于如何选择合适的阈值K，以最大限度的减小误差并保留条纹区域。针对结构光焊缝图像的特点，实验采用最大类间方差法[9]，其原理是选择使分割的图像类间方差和最大的值为阈值，其主要计算步骤为:

(1)计算图像目标和背景各自的均值和方差:

(1)

(2)计算类间方差，选取最大值对应的K为阈值：

(2)

根据式(1)～式(2)对原始图像求取阈值K并进行二值化，即可分割出结构光条纹区域。

2.1.3 结构光条纹中心线特征提取

由阈值分割只能得到结构光条纹的所在区域，通常来说，条纹宽度一般远大于1个像素，这会影响测量的精度，因此，实际应用必须获取结构光条纹的中心，以反映其最精确的检测位置。实验中采用骨架细化法来细化光条纹区域。骨架细化法是一种将形态学应用于结构光条纹中心提取的方法[10]，骨架保留了光条纹的拓扑结构，反映了它的基本几何形态，因此可以表征条纹中心线的基本特性。提取到结构光条纹中心之后，需进一步检测中心线，进而得到焊缝特征。实验中采用一种基于直线拟合的斜率分析法快速检测特征线和特征拐点。

图2 斜率分析法特征提取

如图2所示，方法首先将光条上的所有点按像素坐标大小顺序排列，各像素点记为Pi(i=1～n)，共计n个点，取Pi到Pi+n0-1(i=1～n-n0+1) 连续n0个点集做直线拟合并记录直线斜率值ki(i=1～n-n0+1)，当Pi从起始点P1顺次推移到Pn+n0-1的过程中，各直线斜率值随之连续变化，形成以点序i为横坐标，斜率ki为纵坐标的斜率变化曲线(i=1～n-n0+1)。当斜率不变时，说明对应的n0点集在同一条纹直线上；当斜率变化时，说明n0点集分散在不同条纹直线上，特别是当n0点集通过条纹折线拐点时，斜率曲线发生急剧变化，形成极小或极大值。因此，斜率变化反映了点在条纹线上的分布情况，对斜率变化曲线的分析可作为点的分布划分依据，进而可以提取条纹特征点。

2.2 焊缝检测

图像处理得到的焊缝信息需要转换到机器人基坐标系才能引导机器人工作。故需建立整个弧焊机器人系统的数学模型，并分析各坐标系之间的关系。

建立的数学模型如图3所示。

图3 弧焊机器人系统各坐标系

光平面与工件表面相交形成激光条纹，点P为光条纹在坡口位置形成的特征点。该点图像坐标设为Pu(u,v,1)T，可由第2.1.3节方法得到，再由Pu得出P在机器人{B}系下的坐标Pb(xb,yb,zb,1)T，如下式所示：

(3)

3 实验与结果分析

本系统进行V型坡口对接焊测试实验如下：

(1)对焊件结构光图像进行处理

图4中分别是采集的原始图像、对原始图像进行阈值分割、细化和特征点提取后的结果。

(a) 原始图像 (b) 阈值分割

(c) 细化 (d) 特征点提取 图4 V型坡口结构光焊缝图像处理

(2)焊缝特征检测

根据上述图像处理得到的焊缝特征点提取检测数据如表1所示，其中，P1～P3对应V型坡口结构的3个特征点，该3点在图像坐标单位为像素(pixel), 在摄像机坐标系和机器人基坐标系下的三维坐标单位均为mm。

表1 焊缝图像特征点提取检测数据

表2 焊缝图像形态特征提取精度比较

通过计算，焊缝形态特征检测精度实验结果如表2所示，V型坡口的角度α、高度h和宽度b的相对误差较小，均控制在0.5%范围以内，实验结果表明该实验平台的检测精度可满足现场需求。

(3)焊接规划仿真与实验

根据焊缝坡口形态的检测结果，通过焊接截面等效处理，采用RobotStudio进行编程规划，规划采用4层10道焊缝，焊接顺序为从右往左顺序焊。焊接起始点位姿如图5所示。

(a) 打底焊 (b) 填充焊1

(c) 填充焊2 (d) 盖面焊 图5 多层多道焊接点位姿

图6 多层多道焊接实验

根据上述多层多道焊接路径，生成相应的Rapid机器程序,引导机器人完成焊接过程,如图6所示，实验结果表明焊枪可较精确的跟踪焊缝，机器人运行平稳，未出现奇异。

4 结束语

本文设计了一种基于结构光视觉传感器的弧焊机器人视觉检测平台。阐述了该系统的整体结构和视觉检测算法，该算法包括图像处理和焊缝检测两部分。其中图像处理部分包括中值滤波、阈值分割和光条纹中心线提取，从而得到焊缝特征点的图像坐标；而焊缝检测部分则通过视觉平台与机器人系统之间的位姿变换关系，将检测到的焊缝特征点映射到机器人基坐标系。V型坡口焊缝检测实验结果说明视觉平台设计合理，测量精度较高，能满足工业现场的实际需求。