基于特征識別的汽車復雜零件自校正檢測系統

信建杰

(長春職業技術學院汽車學院,吉林 長春 130000)

1 引 言

隨著工業生產技術從自動化到智能化的深入發展[1],針對汽車復雜零件的智能化裝配成為了一項研究熱點。雖然自動化裝配技術已經得到了廣泛應用,但消費市場的迭代更新也越來越快[2],新車型的外形輪廓、結構位置調整、新組建加裝都會受制于固化的生產線。所以,工業生產線自動化向智能化的研究成為了新的熱點[3],具有一定智能反饋調整能力的裝配系統是未來工業機器人的發展趨勢,而實現智能反饋調整的基礎是精確的檢測系統。

針對汽車車體、曲面零件而言,三維形貌檢測技術是實現逆向設計[4]、裝配反饋調整等的重要步驟,檢測方法主要分為接觸型和非接觸型兩種[5],接觸測量有三坐標測量機[6]、關節型測量機械臂[7]等,通過觸碰工件采集觸碰點的三維坐標值,該種方法結構簡單、靈活性好,對測試環境開敞性要求不高,但對易變形工件、怕劃傷工件測試會大幅影響精度,同時,當待測曲面較復雜時,為了獲取足夠反映表面特性的點云數據,其測試掃描過程會占有很長時間,工作效率低。非接觸型主要以攝影測量[8]和光柵投影測量[9]為主,具有精度高、速度快等優點,在測試環境開敞性良好的條件下,相比接觸型方法具有顯著優勢。

國內外相關研究中主要是側重攝影測量的圖像匹配,從而與傳統圖像識別算法相結合,諸如Aminzadeh M等人[10]利用圖像直方圖模式簡化了圖像數據處理量,提高了系統處理速度。司小婷等人[11]通過視覺檢測技術對零件進行識別與定位,實現了6種簡單結構物體的快速匹配。陳琦等人[12]采用機器視覺對軸承缺陷檢測,最優精度可達0.3 mm,并完成了5種常用缺陷的識別。Adedotun O K團隊[13]將改進的濾波算法應用于圖像識別前的像質優化,提升了圖像配準的穩定性。本文為了解決復雜曲面零件人為測量速度慢精度不穩定的問題,實現一定程度的智能反饋調整,設計搭建了基于光學掃描的復雜曲面自動檢測系統。

2 系統組成

機械臂選用YASKAWA公司的SP165型6軸多關節型機械臂,光學系統采用ATOS 3D掃描設備以及相關處理軟件組成。系統結構如圖1所示。

圖1 系統結構示意圖Fig.1 Schematic diagram of system structure

如圖所示,機械臂前端夾持光學掃描系統,采集待測樣件的三維形貌點云數據,處理系統將掃描數據帶入自動調整算法中,分析待測件曲面的變化趨勢,從而為調整機械臂位置、位姿提供調整參數。將該檢測系統與控制模塊相連接后,就能夠實現根據光學掃描三維面形的位置數據進行在線實時調整機械臂位姿的反饋控制,從而使其具有一定的智能化控制能力。

3 測量機理

系統采用光柵掃描方式獲取復雜曲面的三維面形,系統由激光投影光源和兩個CCD共同組成,測量機理如圖2所示。

圖2 測量系統工作原理圖Fig.2 Working principle diagram of measurement system

如圖2所示,激光光源的坐標系為B(xB,yB,zB),CCD1和CCD2的坐標系分別為A(xA,yA,zA)和C(xC,yC,zC),其中,三個z軸分別在三個光學系統的光軸上。系統的位置通過平面參考點P和Q進行定位。可以看出,復雜曲面的高度就是參考坐標系O(xO,xO,xO)中的z軸值。當激光照射在待測復雜曲面的任一點M和N時,其高度有zM=MM′和zN=NN′。由幾何三角關系可知,AM與zA之間的夾角為θ。當沒有復雜曲面時,激光照射在M″處反射至CCD1,當存在復雜曲面時,激光照射在M′處反射至CCD1,對于N點同理。由此可見,可以通過計算CCD1中θ的改變量求解zM數值,從而將整個復雜曲面的三維點云數據解出。但由于照射角度的問題,在參考坐標系中xO-zO斜率為負的曲面CCD1無法采集,故采用CCD2補充,兩組數據剛好可以覆蓋復雜曲面的全部區域。

4 基于特征識別的自校正算法

4.1 邊緣提取

對測量系統中CCD采集的圖像進行邊緣提取,從而依據特征識別獲得目標位置及姿態,再將該目標的準確三維坐標反饋給系統,實現在線調整。

設σ為標準差,對初始圖像f(x,y)進行高斯平滑濾波[14],函數可表示為:

(1)

則原始圖像轉換成:

fG(x,y)=G(x,y)?g(x,y)

(2)

通過求解一階偏導[15],可以得到兩個軸向像素點對應的梯度有:

(3)

由此利用像素梯度分布的數據極大性特征完成邊緣信息的提取。

4.2 特征識別與自校正

將擬識別的零件幾何特征模板與測試圖像中的數據進行匹配分析,通過計算相似度差異最小的圖形實現目標零件的識別。為了匹配過程具有一定的普適性,針對曲面零件進行分析,其匹配相似度函數[16]有

(4)

其中,x和y分別表示圖像中行和列的任意取值；i和j分別表示在x和y的特征提取段的標號,符合1

(5)

其中,Pt為預設的相似度閾值。可見,當式(4)小于閾值時,認為是同一特征,提取目標零件數據；否則不匹配,重新尋找合適目標零件。經以上匹配過程可實現待測目標零件的自動校正,從而將其精確的三維坐標傳遞給系統,系統根據設計需要完成對機械臂的在線調整,達到具有一定反饋調整的智能化控制的目的。采用該算法可以有效地解決傳統自動化裝配過程中隨機環境干擾引起的裝配問題,使系統具有很好的自適應性是本算法的重要特點。

5 實 驗

實驗對雙凸曲面結構件進行了測試,通過MOTOSIM-VRC軟件完成檢測路徑仿真,仿真數據采集界面及待測件實物如圖3所示。

圖3 仿真實驗模擬及數據采集界面Fig.3 Simulation experiment simulation and data acquisition interface

為了通過基于原始數模獲得的仿真分析結果去評價自動調整算法對機械臂控制的效果,將仿真機械臂的6自由度數據分別與固定掃描軌跡和基于特征識別的自動調整掃描軌跡進行對比,將相同測試位置的坐標與位姿參數進行比較。用于驗證測試結果的靶標點作為測試位置,該位置的選取原則是均勻分布在零件整個區域,重點集中在不同平面或者曲面斜率變化較大的位置。基于數模的仿真分析數據、固定掃描路徑測試數據及基于特征識別反饋的掃描路徑測試數據對比如表1所示。

表1中X、Y和Z分別表示測試位置的坐標值,θX、θY和θZ分別表示對應坐標軸上的位姿角,由這6個自由度信息就可以將復雜零件的精確位置及位姿信息傳遞給機械臂,從而實現依據反饋信息進行掃描路徑優化。由表中數據分布計算可知,固定掃描路徑測試數據的最大位置偏差為0.084 mm,平均位置偏差為0.045 mm,最大位姿偏角為0.095°,平均位姿偏角為0.051°；自動調整掃描路徑測試數據的最大位置偏差為0.028 mm,平均位置偏差為0.011 mm,最大位姿偏角為0.026°,平均位姿偏角為0.017°。無論是測試位置的坐標信息還是坐標處的位姿信息,自動調整掃描路徑的測試數據精度和穩定性明顯優于未經調整的。

表1 測試結果數據對比Tab.1 Test data comparison

為了分析數據分布的波動性,對相同參數進行標準差σ求解,有:

(6)

其中,X為測試數據;μ為測試數據均值;N為樣本數。將測試數據代入(6)式計算可知,固定掃描路徑測試數據位置偏差的方差為0.0498 mm,自動調整掃描路徑測試數據位置偏差的方差為0.0124 mm；固定掃描路徑測試數據位姿偏角的方差為0.0567°,自動調整掃描路徑測試數據位姿偏角的方差為0.0190°。由此可見,采用基于特征識別反饋控制測試結果的坐標位置精度提高了約4倍,位姿精度提高了約3倍,驗證了本系統可以為汽車零件、復雜結構等提供具有自動調整的掃描路徑規劃,增加系統控制的適用范圍。由此可見,本系統在用于復雜零件精確位姿的在線調整中具有明顯的優勢。該算法創新之處在于將復雜零件數模作為基礎數據源,再結合特征識別就能夠獲得精度與數模精度接近的測量精度,相比傳統的預設掃描路徑法、應變傳感測量法等大幅提升了補償參數的準確性。

5 結 論

針對零件在裝配過程中位置偏差或位姿偏角造成的裝配問題,本文設計了一種基于激光三維掃描的復雜零件檢測系統,并提出了基于特征識別的自動調整算法。實驗針對雙凸曲面零件進行了掃描測試分析,結果顯示,采用本系統自動調整掃描路徑的測試數據明顯優于固定路徑的測試數據。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測試精度均提升1倍以上,標準差均在3倍以上。由此可見,本系統用于機械臂自動調整與控制領域,可大幅提升復雜零件裝配的自適應性。