基于机器视觉的防错技术在高铁零件加工中的应用

2019-10-10贾广跃宋福田

数字制造科学 2019年3期

贾广跃，韩磊，马力，宋福田

(1.中车青岛四方机车车辆股份有限公司，山东青岛 266111；2.华中科技大学无锡研究院，江苏无锡 214174)

机器视觉系统一般由相机(含光源、镜头)、图像处理模块、通信模块组成，其一般的工作过程为光源补光后，相机拍摄目标对象，采集图像信息，进而通过图像处理模块对所拍摄到的图像信息进行形状、尺寸、颜色的处理，并根据预设的业务判断逻辑将处理结果转换成对现场设备/系统的控制信息，从而驱动后续设备动作或业务流程[1-4]。

构架作为高铁生产过程中的重要零部件，其生产过程属于典型的离散型加工模式，存在比较多的人工操作环节。为避免人工作业过程中的随意性对于零件加工质量的影响，企业在日常生产管理过程中制定了相应的流程制度规范，同时也在考虑利用智能制造技术对于构架生产过程进行优化。以发动机制造和整车生产为代表的汽车制造业，利用设计、工艺以及机器视觉等手段实现的防错技术在其中已取得了广泛应用[5-7]。随着机器视觉技术的成熟和高铁产品标准化与系列化的推进，利用该技术在生产现场进行防错成为了一个实际的选择。

构架在龙门加工中心进行正装/反装加工的过程中，在目前已实现的自动扫描无线射频识别RFID(radio frequency identification)标签判断构架类型，分布式数字控制DNC(distributed numerical control)自动下载对应数控加工代码，并控制设备自动开工的基础上，如果RFID标签内容读/写错误，导致误下载了其他构架的加工程序将可能会造成撞刀、设备损坏等严重后果。因此，在下载数控加工代码前，有必要通过视觉技术判断当前构架类型并与RFID的扫描结果进行比对，从而最终实现构架加工的防错。

1 基于机器视觉的构架模型

1.1 方案架构

本系统设计采用三层架构实现视觉防错功能，各层的具体组成如图1所示。

图1 系统架构图

(1)物理层。由RFID读写器、相机、光源、控制器和网络等硬件组成，是构成系统的硬件基础。

(2)逻辑层。系统的核心业务逻辑主要由构架比对系统与DNC系统组成，构架比对系统负责处理视觉采集数据，匹配构架信息并将判断结果反馈给DNC系统，DNC系统根据结果判断下一步操作。

(3)展示层。由集中控制系统中防错展示及移动终端平台防错展示模块组成，将构架视觉识别的结果展示给用户。

1.2 网络拓扑

在视觉处理的业务场景中，由于其中存在大数据量的图像传输需求，为保证远距离图像传输性能，降低线缆成本，以Gigabit Ethernet协议为标准的GigE接口成为工业应用场景中的一种新型图像接口，其可支持通过一台服务器对多台工业相机进行图像采集。因此在车间现场构建了如图2所示的网络拓扑结构。其中，视觉识别系统部署在服务器上，而服务器通过其千兆位网卡与交换机连接，各个工位上相机的网络接口通过6类网线与交换机连接，通过这种千兆位工业以太网的方式实现服务器与各个相机的控制与数据传输。其中需特别注意的是，相机与服务器应处于同一网段内。

图2 网络拓扑图

1.3 构架识别特征点及硬件布置

典型的构架零件均符合对称布置的工艺特征，不同类型的产品具有明显的识别特征点。例如，标准动车组与城际列车组构架的主要区别在于横梁突出侧梁部分；动车与拖车构架的主要区别在于拖车的踏面清扫器与动车的制动吊座部分。获取这些位置的特征数据并与标准模板进行对比，即能判断当前构架类型。

结合现场工况与零件装夹特征，若以进加工位方向为前方，则相机放置于待加工位构架上方高2.6 m，取构架左侧1/4区域俯视照片，如图3方框1区域所示，方框2为光源位置，方框3为相机所在位置。

图3 特征识别区域(俯视图)

1.4 硬件安装方案

因设备与零件间的相对位置关系固定，使用铝合金型材搭建防错相机光源支架，同时使用专用杯型地脚，利用膨胀螺栓使其与地面连接，如图4所示。此方案在Z轴方向上可以实现一定范围内安装高度的调节，通过调整相机镜头的安装高度以及镜头焦距共同完成视觉系统标定。

图4 硬件安装支架设计示意图

2 现场应用流程

2.1 构架类型自动获取

每一个构架零件的类型信息以及生产计划相关其他信息在构架上线前，已通过RFID发卡器写入了构架RFID螺钉标签中，而标签通过构架上的工艺孔实现了物料标识与待加工工件的唯一对应关系绑定。构架在车间流转的过程中，RFID读写器可自动读取到附着在构架上的标签中的信息。DNC系统则根据RFID读写器所读取的构架螺钉标签数据，解析并存储到数据库中，从而实现构架类型的自动获取。

2.2 DNC与视觉模块的协同

DNC系统根据标签所对应设备信息给指定位置的相机传递电信号，控制相机与光源摄取构架照片。由于构架逐步由装夹位、待加工位、直至加工位的移动速度较慢，且在待加工位会因等待上一构架的加工完成而停留十余分钟。因此，在控制DNC与视觉模块的协同时，DNC系统每隔30 s查询数据库中对应设备位置的识别信息，没有数据则继续下一周期的查询动作，有数据则控制拍照。

2.3 视觉识别防错过程

由于构架本身存在一定差异，因此一致性判断中最为常见的方法是平均绝对差异值法(mean absolute difference, MAD)[8]，即将待分析的对象与模板进行比较，二者各像素灰度值的差异小于设定的阈值时认为一致。为了避免求和计算时图像区域越大，则差异值越大的情况，因此需要将计算出来的总和除以像素个数，如式(1)所示。

T(s,t)|；1≤i≤m-M+1，1≤j≤n-N+1

(1)

式(1)表示在搜索图S中，以(i,j)为左上角，取M×N大小的子图，计算其与模板的相似度；遍历整个搜索图，在所有能够取到的子图中，找到与模板图最相似的子图作为最终匹配结果。在做构架一致性判断时，选取出足够包含构架特征的区域作为模板，找到最相似子图后，判断平均绝对偏差的大小。显然，平均绝对差D(i,j)越小，表明越相似，故根据找到最小的D(i,j)值即可确定当前构架是否与模板的构架相一致。

本项目基于Halcon视觉分析平台开发，相较于其他视觉开发包，Halcon内置的函数以及数据管理功能，可以提高开发效率，快速输出结果[9]。构架模板的设置如图5所示，在视觉识别模块中，可针对不同零件类型配置相应的产品模板照片，模板中各方框处即为零件特征。

图5 构架模板的设置

在采集到新的构架照片后(如图6所示，各十字标识即为所识别出的零件特征)，通过对特征点相似度分析评分，在Halcon中，代表各点匹配质量的值Score是一个0～1之间的小数。图例中4个特征的匹配质量分别是0.790，0.708，0.712，0.800。进而综合判断出防错结果，保存到数据库，供DNC系统调用。根据一段时间的运行状态跟踪，利用本方法共识别、判断了153个构架产品，其中误报2次，无漏报现象，系统识别准确率达到了98.7%,基本取代了人工判断的过程。