基于視覺反饋的工業機器人打磨拋光檢測系統應用研究*

徐旋波，王寅飛，張 偉

（1.廣東省機械研究所，廣東廣州 510635；2.廣東工業大學，廣東廣州 510006）

1 概述

本文以金屬手機外殼的工業機器人打磨拋光為例，研究通過基于計算機視覺反饋的表面粗糙度和缺陷檢測，實現對各種缺陷的判斷和粗糙度檢測，搭建基于計算機視覺反饋的工業機器人打磨拋光檢測系統，使其滿足金屬工件自由曲面打磨拋光的需要并提高打磨拋光的效率和質量，降低生產成本，同時對減輕工人勞動的工作強度。

2 工藝路線

工藝路線如圖1所示。

3 總體方案設計

整個系統主要由打磨工作平臺、視覺檢測系統以及基于PC機的控制系統組成，如圖2所示。

圖1 工藝路線

圖2 系統組成

3.1 打磨工作站設計

如圖3所示，打磨工作站主要由Kawasaki RS020N六軸機器人、打磨及上下料夾具、工件安裝定位夾具、除塵裝置、力控制設備和終端執行器等外圍設備硬件系統、基于PC機的機器人控制系統組成，其中上下料夾具和打磨工件的安裝定位夾具根據工件專門設計和定制，并使用機器人仿真、視覺和導航方面有出色的表現的ROS作為開發工具，結合具體硬件來編寫驅動程序。

圖3 打磨工作站

RS020N六軸機器人主要規格參數及工作范圍見表1。

3.2 視覺檢測系統設計

視覺檢測系統用于實現對手機外殼表面的缺陷檢測和表面粗糙度檢測，包括工件缺陷檢測系統和表面粗糙度檢測系統。如圖4所示，視覺檢測系統主要由可沿X、Y、Z軸移動的平臺及夾具、PLC觸摸控制屏、LED光源照明系統、工業級CCD圖像采集系統、OpenCV圖像處理系統和結果輸出以及控制系統組成。

檢測時以機器人夾取或人工的方式將工件放置于移動平臺的安裝夾具上，工件移動至設定位置后通過YH-3001高清CCD攝像頭或非接觸式J9型光切法顯微鏡對手機外殼進行圖像采集，通過提取表面輪廓信號、構建表面粗糙度與圖像灰度值的線性關系等數據處理后，與手機外殼標準樣本、粗糙度樣板進行比對和分析，判斷是否存在缺陷和粗糙度是否符合要求，視覺反饋決策系統對于檢測出有缺陷的工件實時返回檢測結果，對于沒有達到金屬零件表面粗糙度要求的工件收集進行重新的打磨。

表1 RS020N六軸機器人主要規格參數

圖4 視覺檢測系統

3.2.1 缺陷檢測

3.2.1.1 采集后的圖像預處理

缺陷檢測時通過YH-3001高清CCD攝像頭進行圖像采集，采集完成后圖像處理系統首先對采集后的手機外殼圖片進行統一規格處理，比如統一設為800 600像素，然后進行圖像灰度化、二值化、選取最大連通區域等處理，采用仿射變換來自動實現圖像的平移、旋轉和縮放等修正后，將最大連通域后的結果與真實比例自適應并記錄坐標。如圖5所示，對所采集的圖片進行預處理，并對其進行2.6h旋轉，標記手機外殼寬為443，高為217。3.2.1.2缺陷分析和結果輸出

圖5 圖像預處理

將預處理后的圖片與手機外殼標準樣本圖片比對進行缺陷分析，首先對預處理后的手機外殼圖片表面劃分為多個部分并進行區域劃分和放大，運用共軛矩陣方法進行計算處理以實現圖像的紋理抑制[1]，減弱放大后紋理對檢測的影響，然后對放大后的手機外殼圖片進行圖像的主結構提取，用自適應邊緣檢測Roberts方法[2]進行邊緣檢測和通過中值濾波、數學形態學運算、區域連通性等方法處理后，進一步去除例如攝像頭等固定特征，如圖6和圖7所示，并與手機殼標準樣本圖片進行比對分析，提取擦痕、劃痕、缺損等缺陷并輸出檢測結果（圖8、圖9）[3]。

圖6 邊緣檢測

圖7 感興趣區域

圖8 檢測結果

從上述檢測結果可以看出檢測到的缺陷在手機外殼的相對中心坐標為（73.5，110.5），大約在寬比例為16.59%，高比例為50.92%的位置，缺陷的大小為寬9、高19。3.2.2粗糙度檢測

圖9 結果輸出

采用非接觸式J9型光切法顯微鏡實現對手機外殼的表面粗糙度的檢測，根據檢查和分析表面粗糙度檢測結果對不合格產品采用不同控制策略重新進行打磨。

圖10 光切法原理圖

光切法是利用光切原理來測量表面粗糙度的方法，如圖10所示，將一束平行光帶以一定角度（45h）投射與被測表面上，具有齒狀的不平表面，被光亮的具有平直邊緣的狹縫像的亮帶照射后，表面的波峰在S點產生反射波谷在S′點產生反射，最后形成的光帶與表面輪廓相交的曲線影像即反映了被測表面的微觀幾何形狀，解決了工件表面微小峰谷深度的測量問題，避免了與被測表面的接觸[4]。由于可測表面的輪廓峰谷的最大和最小高度要受物鏡的景深和鑒別率的限制，峰谷高度超出一定的范圍，就不能在目鏡視場中成清晰的真實圖像而導致無法測量或者測量誤差很大，因此需要通過測量表面光滑度曲線的高峰值和低峰值，計算出物體表面粗糙度平均高度Rz，再通過換算得到表面光潔度等級Ra。

表2 光潔度與粗糙度Ra、Rz數值對照換算表μm

檢測處理流程框圖如圖11所示。

圖11 粗糙度檢測方法流程框圖

待檢測的手機外殼通過移動平臺到達指定位置后，利用句柄自動打開光切機的驅動軟件，CCD工業攝像機和非接觸時式的光切法顯微鏡對手機外殼進行圖像采集，為了測量的表面粗糙度的結果更為精確，進行在手機外殼表面進行多次采樣以減少實驗的誤差。本次研究所采用的14倍物鏡，CCD工業攝像機采集后的圖片格式為2048 1536，用OpenCV圖像處理系統統一縮小至800 600的標準。然后對表面圖像進行縮放、灰度化、二值化、中值濾波[5]、自適應的邊緣檢測等一系列的圖像處理工作（如圖12所示），利用測得的散射特征值和已知表面粗糙度標準樣塊參數值建立關系曲線。

圖12 圖像預處理

因已經提取出最終的曲線圖是由CCD攝像機采樣得到的，為避免曲線傾斜的現象和減小誤差，可使用最小二乘法擬合曲線進行修正后[6]，從對曲線圖提取5個波峰值和5個波谷值，從而得到一個手機外殼表面平均高度Rz。同時因采樣了若干張圖片以得到比較多的數據，可從多個手機外殼表面平均高度Rz先去除幾個極高值和幾個極低值，設置一個自適應的權值來修訂最后的結果參數，以減小檢測誤差。

通過這種構建表面粗糙度與圖像灰度值的線性關系快速和準確地檢測工件的整體表面輪廓粗糙度并輸出檢測結果（圖13）[7]，對于沒有達到表面粗糙度要求的情況進行重新的打磨和再次進行檢測。

4 結論

圖13 粗糙度檢測結果輸出

本文對目前結合機器視覺的工業機器人打磨拋光技術中出現的亟待解決的缺陷檢測技術、表面粗糙度檢測技術進行了深入研究，針對金屬表面的復雜紋理和缺陷較小容易造成誤檢或者漏檢的情況，綜合分析了目前工件復雜底紋的缺損檢測方法，提出了一種基于機器視覺的手機外殼復雜紋理的缺陷檢測算法；采用的非接觸式的光學散射表面粗糙度檢測方法，利用測得的散射特征值與已知表面粗糙度標準樣塊的參數值建立關系曲線從而測得其表面粗糙度，相對于傳統的觸針測量法，具有測量速度快、測量條件限制少、不損傷表面等特點，同時還具有系統體積小、易于集成、動態響應好、適于在線檢測等優點[8]。

［1］陳志華，劉怡，袁玉波，等.一種針對復雜紋理圖像的圖像顯著性分析方法.CN 103985130 B［P］.2017.

［2］康牧，許慶功，王寶樹.一種Roberts自適應邊緣檢測方法［J］.西安交通大學學報， 2008，42（10）：1240-1244.

［3］張偉，曾碧.針對復雜紋理的手機外殼缺陷檢測方法［J］.計算機應用與軟件，2017（11）：217-222.

［4］劉斌，馮其波，匡萃方.表面粗糙度測量方法綜述［J］.光學儀器，2004，26（5）：54-58.

［5］時小軍，張玉琴，張小輝.基于機器視覺技術的研磨表面粗糙度檢測［J］.機械設計與研究，2010，26（3）：101-103.

［6］丁克良，沈云中，歐吉坤.整體最小二乘法直線擬合［J］.遼寧工程技術大學學報， 2010，29（1）：44-47.

［7］易懷安，劉堅，路恩會.基于圖像清晰度評價的磨削表面粗糙度檢測方法［J］.機械工程學報，2016，52（16）：15-21.

［8］周莉莉，趙學增.表面粗糙度的激光及相關在線測量方法［J］.激光雜志，2004，25（3）：4-8.