工业机器人视觉定位及图像处理分析

2022-07-23刘永兴

现代制造技术与装备 2022年6期

沈涛郭超刘永兴

（宜宾职业技术学院，宜宾 644000）

当前，在智能制造领域中，越来越多的加工制造企业引入工业机器人作为其智能化设备的核心。工业机器人视觉系统的应用不仅降低了工人负担，还提高了产品生产效率及其加工精度。工业相机与工业机器人在图像采集及其轨迹运行时，需对其各自的相对位置关系进行明确，因此需对相机和工业机器人进行标定。完成标定后，才能获取工业机器人与工件的相对位置，再通过工业机器人轨迹规划等方式，使工业机器人与工件的相对运动达到预期设计[1]。在工业机器人视觉系统中，通过工业相机提取产品特征，利用图像处理技术识别产品的形状、颜色等特征信息并反馈至工业机器人控制系统。

1 工业机器人视觉成像

工业机器人视觉成像充当了在加工制造过程中工人的眼睛，是工业机器人进行轨迹运动的重要信号依据。它主要将采集的工件颜色、形状等特征转换为数字信号，并传输至工业机器人总控系统，从而控制下位机的运行。因此，在信号采集过程中应收集工件加工过程中所需的全部特征，确保图像能够完整体现。影响工业机器人视觉成像的成效主要有图像获取和图像处理两大关键要素[2]。除视觉传感器等硬件设施外，外部光源对图像获取的稳定性也有很大影响。因此，在图像获取的过程中往往会在工业机器人视觉系统上增设照明系统。工件图像往往利用视觉传感器获取，采用最大类间方差法（OTSU）、自适应阈值算法、Canny算子等图像处理算法[3]，将外部采集的模拟信号转换为机器人能够识别的数字信号，从而使工业机器人按照采集的工业图像的特征确定其类型及其位置。

2 工业机器人视觉定位

2.1 手眼标定

手眼标定方法主要根据工业相机与工业机器人末端执行器充当的角色而定义，将工业相机的坐标系与工业机器人坐标系连接，反映其相对位置关系。根据工业相机固着的方式，有Eye-in-Hand与Eye-to-Hand两种，分别如图1和图2所示。

图1的系统中，工业相机固定，机器人工具坐标系随轨迹的运动而改变，仅机器人基坐标系固定，因此相机坐标系和机器人基坐标系相对固定，可确定相机坐标系与机器人基坐标系的相对位置关系。工业机器人视觉系统定位时，首先确定工件在相机中的相对位置特征，其次确定工件在工业机器人基坐标系中的位置特征，最后通过矩阵变换获取工业相机坐标系与工业机器人基坐标系的相对位置关系[4]。

图2的系统中，工业相机处于活动状态而工业机器人基坐标系固定不动，因此相机坐标系与工业机器人基坐标系无法实现相对固定，但工业相机固定在工业机器人末端执行器上，工业相机坐标系与工业机器人末端执行器坐标系相对固定。在进行工业机器人视觉定位时，可通过获取工件在相机坐标系中的位置特征和工件在工业机器人末端执行器坐标系中的位置特征，利用相机参数变化矩阵和机器人末端位姿变化矩阵求取手眼关系矩阵，从而获取工业相机坐标系与工业机器人基坐标系的相对位置关系。

相较两种手眼标定系统，Eye-in-Hand手眼系统标定明显较为复杂，是当前工业机器人视觉系统研究的热门课题之一。

2.2 TCP标定

工具中心点（Tool Center Point，TCP）标定是当前工业机器人示教系统中必备的坐标系之一[5]。一般而言，它以工业机器人末端执行器上工具的末端中心位置作为坐标系原点。因工业机器人末端执行器种类多样，大小不同，在调试过程中需重新标定工具坐标系。工具坐标系的标定往往采用“四点标定法”或“九点标定法”。通过工业机器人末端执行器上工具的中心点在工业机器人不同位姿状态下多次采集工业机器人工作区域中的某一固定点，以采集到固定点的坐标值在工业机器人世界坐标系坐标值相等为条件列取方程，从而获得工具坐标系的相对位置。

TCP标定常采用外部基准法和自标定法两种方法来计算。外部基准法系统复杂且造价较贵，标定精度很大程度上依赖于外部基准精度。若外部基准发生偏移，对TCP标定影响很大，因此该方法在生产中的应用受到限制。

自标定法对设备的需求较少，在企业生产中得到了广泛应用，其中“四点标定法”是其典型代表[6]。若自标定法采取非接触式标定，仅需在工业机器人配置摄像头或激光测距装置即可，扩大了该种标定方法的适用范围。

3 工件特征提取

工业机器人视觉系统反馈至工业机器人总控系统中的数字量信号需采集工件的特征信息。相机在采集工件的特征信息时，由于外部环境的影响会产生大量的冗余信息，需要相机通过一定的方式从大量的采集信息中提取所需的特征信息[7]。本文以阈值分割法和边缘检测两种方式分析工件特征提取。

3.1 阈值分割

以阈值分割提取工件的特征信息时，有固定阈值和自动阈值之分[8]。固定阈值设置的阈值是固定不变的。在外部环境多变的情况下，固定阈值不能根据环境的变化而改变，严重影响采集图像的精准度，如图3所示。

自动阈值会在外部图像像素变化的情况下自动调整，根据图像像素的灰点分布自动选取适合的阈值。此种方式适用于Eye-in-Hand手眼系统，相机采集的图形随机器人运动而图形灰度值不断变化的情况，如图4所示。

3.2 边缘检测

在阈值分割获取工件特征信息后，为获取更精准的图形信息，往往采取边缘检测方式，并利用Canny算子等方法分析计算边缘检测结果，以达到对图像进行精确处理的效果。

在计算过程中，先使用高斯滤波平滑图像计算全局梯度，去除局部梯度不是最大的像素点，保留局部梯度最大的像素点，消除由噪点或颜色变化形成的假边缘段，用一个高阈值和一个低阈值来区分边缘像素点[9]。一般情况下，高阈值约为低阈值的两倍[10]。抑制掉小于低阈值的点，可形成如图5和图6所示边缘检测的效果。最后，提取出工件边缘像素点即工件图像的轮廓，如图7所示。