基于特征识别的汽车复杂零件自校正检测系统

信建杰

(长春职业技术学院汽车学院,吉林 长春 130000)

1 引 言

随着工业生产技术从自动化到智能化的深入发展[1],针对汽车复杂零件的智能化装配成为了一项研究热点。虽然自动化装配技术已经得到了广泛应用,但消费市场的迭代更新也越来越快[2],新车型的外形轮廓、结构位置调整、新组建加装都会受制于固化的生产线。所以,工业生产线自动化向智能化的研究成为了新的热点[3],具有一定智能反馈调整能力的装配系统是未来工业机器人的发展趋势,而实现智能反馈调整的基础是精确的检测系统。

针对汽车车体、曲面零件而言,三维形貌检测技术是实现逆向设计[4]、装配反馈调整等的重要步骤,检测方法主要分为接触型和非接触型两种[5],接触测量有三坐标测量机[6]、关节型测量机械臂[7]等,通过触碰工件采集触碰点的三维坐标值,该种方法结构简单、灵活性好,对测试环境开敞性要求不高,但对易变形工件、怕划伤工件测试会大幅影响精度,同时,当待测曲面较复杂时,为了获取足够反映表面特性的点云数据,其测试扫描过程会占有很长时间,工作效率低。非接触型主要以摄影测量[8]和光栅投影测量[9]为主,具有精度高、速度快等优点,在测试环境开敞性良好的条件下,相比接触型方法具有显著优势。

国内外相关研究中主要是侧重摄影测量的图像匹配,从而与传统图像识别算法相结合,诸如Aminzadeh M等人[10]利用图像直方图模式简化了图像数据处理量,提高了系统处理速度。司小婷等人[11]通过视觉检测技术对零件进行识别与定位,实现了6种简单结构物体的快速匹配。陈琦等人[12]采用机器视觉对轴承缺陷检测,最优精度可达0.3 mm,并完成了5种常用缺陷的识别。Adedotun O K团队[13]将改进的滤波算法应用于图像识别前的像质优化,提升了图像配准的稳定性。本文为了解决复杂曲面零件人为测量速度慢精度不稳定的问题,实现一定程度的智能反馈调整,设计搭建了基于光学扫描的复杂曲面自动检测系统。

2 系统组成

机械臂选用YASKAWA公司的SP165型6轴多关节型机械臂,光学系统采用ATOS 3D扫描设备以及相关处理软件组成。系统结构如图1所示。

图1 系统结构示意图Fig.1 Schematic diagram of system structure

如图所示,机械臂前端夹持光学扫描系统,采集待测样件的三维形貌点云数据,处理系统将扫描数据带入自动调整算法中,分析待测件曲面的变化趋势,从而为调整机械臂位置、位姿提供调整参数。将该检测系统与控制模块相连接后,就能够实现根据光学扫描三维面形的位置数据进行在线实时调整机械臂位姿的反馈控制,从而使其具有一定的智能化控制能力。

3 测量机理

系统采用光栅扫描方式获取复杂曲面的三维面形,系统由激光投影光源和两个CCD共同组成,测量机理如图2所示。

图2 测量系统工作原理图Fig.2 Working principle diagram of measurement system

如图2所示,激光光源的坐标系为B(xB,yB,zB),CCD1和CCD2的坐标系分别为A(xA,yA,zA)和C(xC,yC,zC),其中,三个z轴分别在三个光学系统的光轴上。系统的位置通过平面参考点P和Q进行定位。可以看出,复杂曲面的高度就是参考坐标系O(xO,xO,xO)中的z轴值。当激光照射在待测复杂曲面的任一点M和N时,其高度有zM=MM′和zN=NN′。由几何三角关系可知,AM与zA之间的夹角为θ。当没有复杂曲面时,激光照射在M″处反射至CCD1,当存在复杂曲面时,激光照射在M′处反射至CCD1,对于N点同理。由此可见,可以通过计算CCD1中θ的改变量求解zM数值,从而将整个复杂曲面的三维点云数据解出。但由于照射角度的问题,在参考坐标系中xO-zO斜率为负的曲面CCD1无法采集,故采用CCD2补充,两组数据刚好可以覆盖复杂曲面的全部区域。

4 基于特征识别的自校正算法

4.1 边缘提取

对测量系统中CCD采集的图像进行边缘提取,从而依据特征识别获得目标位置及姿态,再将该目标的准确三维坐标反馈给系统,实现在线调整。

设σ为标准差,对初始图像f(x,y)进行高斯平滑滤波[14],函数可表示为:

(1)

则原始图像转换成:

fG(x,y)=G(x,y)⊗g(x,y)

(2)

通过求解一阶偏导[15],可以得到两个轴向像素点对应的梯度有:

(3)

由此利用像素梯度分布的数据极大性特征完成边缘信息的提取。

4.2 特征识别与自校正

将拟识别的零件几何特征模板与测试图像中的数据进行匹配分析,通过计算相似度差异最小的图形实现目标零件的识别。为了匹配过程具有一定的普适性,针对曲面零件进行分析,其匹配相似度函数[16]有

(4)

其中,x和y分别表示图像中行和列的任意取值；i和j分别表示在x和y的特征提取段的标号,符合1

(5)

其中,Pt为预设的相似度阈值。可见,当式(4)小于阈值时,认为是同一特征,提取目标零件数据；否则不匹配,重新寻找合适目标零件。经以上匹配过程可实现待测目标零件的自动校正,从而将其精确的三维坐标传递给系统,系统根据设计需要完成对机械臂的在线调整,达到具有一定反馈调整的智能化控制的目的。采用该算法可以有效地解决传统自动化装配过程中随机环境干扰引起的装配问题,使系统具有很好的自适应性是本算法的重要特点。

5 实 验

实验对双凸曲面结构件进行了测试,通过MOTOSIM-VRC软件完成检测路径仿真,仿真数据采集界面及待测件实物如图3所示。

图3 仿真实验模拟及数据采集界面Fig.3 Simulation experiment simulation and data acquisition interface

为了通过基于原始数模获得的仿真分析结果去评价自动调整算法对机械臂控制的效果,将仿真机械臂的6自由度数据分别与固定扫描轨迹和基于特征识别的自动调整扫描轨迹进行对比,将相同测试位置的坐标与位姿参数进行比较。用于验证测试结果的靶标点作为测试位置,该位置的选取原则是均匀分布在零件整个区域,重点集中在不同平面或者曲面斜率变化较大的位置。基于数模的仿真分析数据、固定扫描路径测试数据及基于特征识别反馈的扫描路径测试数据对比如表1所示。

表1中X、Y和Z分别表示测试位置的坐标值,θX、θY和θZ分别表示对应坐标轴上的位姿角,由这6个自由度信息就可以将复杂零件的精确位置及位姿信息传递给机械臂,从而实现依据反馈信息进行扫描路径优化。由表中数据分布计算可知,固定扫描路径测试数据的最大位置偏差为0.084 mm,平均位置偏差为0.045 mm,最大位姿偏角为0.095°,平均位姿偏角为0.051°；自动调整扫描路径测试数据的最大位置偏差为0.028 mm,平均位置偏差为0.011 mm,最大位姿偏角为0.026°,平均位姿偏角为0.017°。无论是测试位置的坐标信息还是坐标处的位姿信息,自动调整扫描路径的测试数据精度和稳定性明显优于未经调整的。

表1 测试结果数据对比Tab.1 Test data comparison

为了分析数据分布的波动性,对相同参数进行标准差σ求解,有:

(6)

其中,X为测试数据;μ为测试数据均值;N为样本数。将测试数据代入(6)式计算可知,固定扫描路径测试数据位置偏差的方差为0.0498 mm,自动调整扫描路径测试数据位置偏差的方差为0.0124 mm；固定扫描路径测试数据位姿偏角的方差为0.0567°,自动调整扫描路径测试数据位姿偏角的方差为0.0190°。由此可见,采用基于特征识别反馈控制测试结果的坐标位置精度提高了约4倍,位姿精度提高了约3倍,验证了本系统可以为汽车零件、复杂结构等提供具有自动调整的扫描路径规划,增加系统控制的适用范围。由此可见,本系统在用于复杂零件精确位姿的在线调整中具有明显的优势。该算法创新之处在于将复杂零件数模作为基础数据源,再结合特征识别就能够获得精度与数模精度接近的测量精度,相比传统的预设扫描路径法、应变传感测量法等大幅提升了补偿参数的准确性。

5 结 论

针对零件在装配过程中位置偏差或位姿偏角造成的装配问题,本文设计了一种基于激光三维扫描的复杂零件检测系统,并提出了基于特征识别的自动调整算法。实验针对双凸曲面零件进行了扫描测试分析,结果显示,采用本系统自动调整扫描路径的测试数据明显优于固定路径的测试数据。其最大位置偏差、平均位置偏差、最大位姿偏角及平均位姿偏角的测试精度均提升1倍以上,标准差均在3倍以上。由此可见,本系统用于机械臂自动调整与控制领域,可大幅提升复杂零件装配的自适应性。