基于3D 視覺的輥道輸送線驅動盤裝配系統(tǒng)設計＊

吳 俊 袁海兵 夏 檑

（湖北汽車工業(yè)學院機械工程學院，湖北 十堰 442002）

輥道輸送線在制造領域中可節(jié)省大量勞動力，極大提高了制造效率與自動化水平[1]。其中，驅動盤是輥道輸送線的重要零部件，驅動盤總成的裝配質量在輥道輸送線中占有重要地位。

目前，國內(nèi)大部分輥道輸送線生產(chǎn)廠商，在進行驅動盤總成裝配時，仍然以傳統(tǒng)人工裝配的方式進行裝配，勞動強度大，工作效率低下，遠不能滿足目前輥道輸送線批量生產(chǎn)的需要。也有部分生產(chǎn)廠商使用傳統(tǒng)機器人替代人工進行裝配，但生產(chǎn)任務相對固定，在生產(chǎn)任務更換后需要對機器人重新示教編程，嚴重影響生產(chǎn)效率，缺乏柔性，智能化不高[2-4]。因此，采用視覺引導機器人完成零件搬運、裝配成為目前研究熱點[5-8]。

針對以上問題，設計了一套基于3D 視覺技術與工業(yè)機器人相結合的輥道線驅動盤總成智能裝配系統(tǒng)，通過安裝在機械手末端的工業(yè)相機獲取驅動盤零部件的點云圖像，并通過圖像處理獲取驅動盤零部件的位置和姿態(tài)，引導機器人抓取和裝配。該系統(tǒng)裝配精度高、可靠性好和適用性強，可大幅降低人工勞動強度，提高勞動效率。

1 驅動盤總成裝配系統(tǒng)設計方案

1.1 主要技術參數(shù)

該系統(tǒng)主要完成輥道輸送線驅動盤總成裝配工作，圖1 為驅動盤總成結構，由1 個驅動外盤、1個驅動內(nèi)盤、4 個螺釘以及4 個彈墊構成，外盤外形尺寸參數(shù)為375 mm×60 mm，內(nèi)盤外形尺寸參數(shù)為165 mm×15 mm。系統(tǒng)定位誤差不超過0.5 mm，裝配節(jié)拍20 s 以內(nèi)。

圖1 輥道線驅動盤總成

1.2 系統(tǒng)原理及組成

驅動盤總成裝配系統(tǒng)由Pro S Enhanced 工業(yè)相機、KUKA-kr60 六軸機器人和多功能夾具構成。多功能夾具包括內(nèi)盤抓手、外盤抓手、螺釘、彈墊抓手和伺服擰緊裝置。其中工業(yè)相機和機器人通過以太網(wǎng)連接通訊，如圖2 所示。多功能夾具安裝在機械臂末端，工業(yè)相機安裝在機器人抓手頂端，隨著機器人移動，機器人到達指定位置通過I/O 口發(fā)送拍照命令給相機對驅動內(nèi)盤、外盤、螺釘以及彈墊進行拍照，采集的圖像在計算機中進行處理，最后機器人根據(jù)處理結果進行抓取。

圖2 驅動盤總成裝配系統(tǒng)

待抓取的零件分別放置在同一平面的不同料框中，機器人末端到達料框正上方固定位置后先由外盤抓手將驅動外盤抓取放置分裝臺上，由于在放置過程中出現(xiàn)振動和抖動會導致工件定位孔與分裝臺定位孔產(chǎn)生移位，導致后續(xù)裝配過程產(chǎn)生誤差，為保證兩定位孔中心線重合，分裝臺會彈出定位軸使兩孔重合，從而減少后續(xù)裝配誤差。螺釘和彈墊輪廓較小，在抓取過程中有多種姿態(tài)產(chǎn)生，因此在抓取過程中機械手會分別把螺釘和彈墊放置螺釘定位槽和彈墊定位軸上使姿態(tài)固定方便后續(xù)裝配，如圖3 所示，最終由伺服擰緊裝置完成擰緊工作。

圖3 分裝臺與工件

2 3D 視覺系統(tǒng)設計

視覺系統(tǒng)采用梅卡曼德公司Pro S Enhanced 工業(yè)相機，該相機精度高，可對驅動盤產(chǎn)生完整的3D 點云數(shù)據(jù)，相機本身具有較高的防護等級，可應對輥道輸送線生產(chǎn)現(xiàn)場的粉塵、振動等環(huán)境。相機參數(shù)如表1 所示。

表1 Pro S Enhanced 相機參數(shù)

2.1 驅動盤深度測量

為了獲取料框中驅動盤完整點云數(shù)據(jù)，在進行圖像采集時，還需獲取驅動盤的深度信息。

與傳統(tǒng)的2D 視覺[9]測量相比，3D 視覺[10]測量獲取的信息能夠更全面、更真實地反應客觀物體，提供更多的信息量。Pro S Enhanced 3D 相機的測距原理如圖4 所示，P為目標工件位置，GL、GR分別是2 個相機的光心，點P在兩個相機感光器上的成像分別為PL和PR，f為相機的焦距，B為兩個相機的基線，Z為待求的驅動盤深度信息，設PL到PR的距離為dis，故

圖4 Pro S Enhanced 相機測距原理

根據(jù)相似三角原理可得

其中：焦距f、視差dis都可通過相機標定得到，基線B為相機的出廠參數(shù)，根據(jù)以上公式即可求得驅動盤的深度信息Z。

2.2 手眼標定

手眼標定是為了得到像素坐標系與機器人坐標系的坐標轉換關系。該視覺系統(tǒng)在標定過程中主要引入4 個坐標系：世界坐標系Ow(Xw,Yw,Zw)、相機坐標系Oc(Xc,Yc,Zc)、圖像坐標系Op(x,y)以及像素坐標系Oo(u,v)，為方便轉換計算以及更準確地描述物體位姿，將機器人坐標系看成世界坐標系。基于該系統(tǒng)所建立的各坐標系示意圖如圖5 所示。

圖5 基于各組件建立的坐標系

由像素坐標轉換為機器人坐標需要經(jīng)過放射變換、投影變換和剛體變換三次轉換。根據(jù)針孔成像原 理，像素坐標(u,v) 與世界坐標(Xw,Yw,Zw) 之間的轉換關系為

式中：S為比例因子；F為內(nèi)參數(shù)矩陣，R和T分別為相機坐標系轉換為世界坐標系的旋轉矩陣和平移向量；[R T]為相機的外參數(shù)矩陣。

本系統(tǒng)采用張正友標定法，相對于其他主動視覺標定法和自標定法具有操作簡單和設備成本低等優(yōu)點。具體做法為標定板放在工作臺上固定不動，通過機器人帶動相機在至少9 個不同位置進行拍照，如圖6 所示。

圖6 手眼標定

通過標定得到的Pro S Enhanced 相機參數(shù)信息如下。

相機的內(nèi)參矩陣為

相機的外參旋轉矩陣為

平移矩陣為

相機徑向畸變系數(shù)為

切向畸變系數(shù)為

2.3 圖像處理

圖像處理過程是機器人能否成功抓取目標物體的關鍵，本系統(tǒng)采用梅卡曼德公司的Mech-Vision軟件對驅動盤點云圖像進行處理，軟件操作界面如圖7 所示。Mech-Vision 作為新一代機器視覺軟件，可通過完全圖形化的無代碼編程環(huán)境，對采集的點云圖像進行分析處理。

圖7 Mech-Vision 圖像處理操作界面

2.3.1 點云濾波

由于相機投射光柵到驅動盤表面會產(chǎn)生密度不均勻的點云數(shù)據(jù)集，因此采集的點云圖像會有許多稀疏的離群點和凹凸點生成，不利于局部點云特征提取也會影響點云配準，為刪除圖像中的稀疏的離群點和凹凸點，在Mech-Vision 中使用Statistical Outlier Filterl 點過濾類型，設置保留的點云數(shù)據(jù)中點的坐標在某方向軸上的最小值和最大值，對點云的法向量進行計算并濾波。圖8 為相機采集的深度圖像轉換成的處理前的3D 點云圖像，圖9 為通過點云濾波處理后的點云圖像，通過圖中點云數(shù)據(jù)對比可以看出，去除稀疏點和凹凸點后，點云中點的個數(shù)由初始的2 304 000 個縮減到1 070 736 個。

圖8 驅動盤原始點云圖像

圖9 濾波后驅動盤的點云圖像

2.3.2 點云分割

經(jīng)過前期的點云濾波已經(jīng)降低了圖像中點云的數(shù)量，但是剩余的點云數(shù)量依然很大，因此還需進行點云分割，將濾波后的點云進行點云分割，可以移除背景點云，得到驅動盤的點云。

點云分割主要是根據(jù)空間、幾何和紋理等特征對目標點云進行劃分，通過點云分割，可以劃分出許多點云子集，使得同一劃分區(qū)域內(nèi)的點云子集具有相似特征。常用的點云聚類分割方法有歐式距離聚類分割、區(qū)域生長分割和超體聚類分割等。

歐式距離聚類分割方法是一種基于近鄰屬性的分割方法，利用點云的特征屬性進行聚類，每個點對應一個特征向量，包含了若干個屬性不同的特征值，將不同屬性的點云分割出來。歐式距離聚類具體算法流程如圖10 所示。

圖10 歐式距離聚類分割算法流程

對于空間中某點云數(shù)據(jù)P，通過KD-tree 近鄰搜索算法找到N個距離P最近的點，并且將這些點中距離小于設定閾值的點聚類到集合Q中，如果搜索過程中Q中的元素數(shù)目不再增加則完成聚類，否則再集合Q中選取P以外的點重復上述過程，直至Q中元素不再增加位置。為提高搜索效率和精度，這里將輸出類中相鄰點距離設置為5 mm，類的最小點數(shù)105，類的最大點數(shù) 3×106，圖11 為點云聚類分割后的圖像。

圖11 通過聚類分割處理后的圖像

2.3.3 點云匹配

要確定料框中散亂疊放的驅動盤位置和姿態(tài)，需要獲取用于進行點云匹配的模板點云，再將模板點云與已經(jīng)分割的驅動盤點云進行點云匹配，最終得到散亂疊放狀態(tài)下驅動盤的位置和姿態(tài)。

獲取模板點云有兩種方式，一種方式可從生產(chǎn)企業(yè)獲得驅動盤的CAD 理論模型，然后通過離散處理得到驅動盤的點云數(shù)據(jù)；另一種方式通過生產(chǎn)現(xiàn)場拍照測量，對實物圖像進行重建和拼接從而形成點云模板。通過第二種方式得到的模板使用更加簡單、方便，因此本文采用第二種方式建立匹配模板，驅動盤點云模板如圖12 所示。

圖12 驅動盤現(xiàn)場測量建立的點云模板

目前，ICP（iterative closest point）算法是點云匹配最常用的匹配算法之一，與其他算法相比，ICP 匹配搜索目標臨近點更快，匹配精度較高，具有很好的魯棒性。通過不斷求解模板點云與目標點云之間的變換矩陣，直到兩幅點云之間的配準誤差收斂于局部最優(yōu)解。具體實現(xiàn)步驟如下。

（1）給定模板點云集合和目標點云集合，P={pi,i=1,2,···,Np}和Q={qi,i=1,2,···,Nq}。

（2）在P中找到Q中任意一點pi的最鄰近點qi得到配對的點的集合 {(p1,q1),(p2,q2),···,(pNp,qNq)}。

（3）計算模板點云集與目標點云集之間的旋轉矩陣R*和平移矩陣T*。

（4）計算最優(yōu)匹配參數(shù)使得兩點云之間的均方誤差函數(shù)最小，誤差函數(shù)為

（5）重復以上步驟，當均方誤差不再改變或者低于設定值時，終止迭代。

迭代停止后即可得到模板點云與目標點云之間的旋轉矩陣R*和平移矩陣T*。驅動盤目標點云與模板點云配準結果如圖13 所示。其中深色部分為目標點云圖像，淺色部分為模板點云圖像。

圖13 點云配準結果

3 機器人裝配系統(tǒng)設計

本系統(tǒng)采用KUKA 公司的Kuka kr60-3 機器人，內(nèi)置六軸伺服電機、諧波減速器和制動器系統(tǒng)，具有結構緊湊、安裝空間小和定位準確等特點，可廣泛應用于物料搬運、碼垛和自動化裝配等工業(yè)場景。Kuka kr60-3 機器人的常規(guī)參數(shù)如表2 所示。

表2 Kuka kr60-3 機器人參數(shù)

通過Mech-Vision 視覺軟件對工件圖像處理后，可以準確得到驅動盤抓取點的坐標信息。機器人與工控機接口程序使用TCP/IP 通信協(xié)議，工控機將處理好的坐標信息發(fā)送給機器人控制柜，控制柜下達抓取指令，機器人將驅動盤、螺母和墊片抓放置分裝臺上，由伺服擰緊裝置完成擰緊工作。流程簡圖如圖14 所示。

圖14 裝配流程圖

機器人抓放程序在Work visual 庫卡編程軟件中完成，操作界面如圖15 所示。可在線顯示機器人控制系統(tǒng)的系統(tǒng)信息，并且可以對機器人進行離線編程。

圖15 Work visual 操作界面

4 實驗與結果分析

在驅動盤總成裝配過程中，驅動盤能否被準確識別定位至關重要，可直接影響后面的裝配工序能否正常運行，驅動外盤作為其他工件的抓取基準，因此抓取實驗對象選為驅動外盤，驅動外盤初始圖像如圖16 所示。通過改變外盤的擺放位置，對其進行多次抓取實驗。機械手法蘭末端位置與圖像位姿信息數(shù)據(jù)對比如表3 所示。通過表中實驗數(shù)據(jù)表明，該裝配系統(tǒng)在工作過程中機械手法蘭末端位置與視覺定位結果的誤差值在0.13～0.47 mm，具有較高的定位精度，滿足生產(chǎn)任務中定位精度要求。

表3 實際抓取機械手法蘭末端位置與視覺定位結果對比 mm

圖16 驅動外盤原始圖像

產(chǎn)生定位誤差的主要原因，一方面在企業(yè)進行驅動盤裝配實驗時，工件表面光滑，相機進行圖像采集時會受到生產(chǎn)現(xiàn)場光照影響；另一方面視覺標定以及相機自身的畸變系數(shù)都會影響定位精度。

通過現(xiàn)場裝配測試，該系統(tǒng)裝配節(jié)拍為12 s，人工裝配節(jié)拍24 s 左右，使用該裝配系統(tǒng)，生產(chǎn)節(jié)拍提高了50%。提高了驅動盤總成的裝配效率，降低了勞動強度。

5 結語

針對國內(nèi)企業(yè)輥道輸送線驅動盤總成人工裝配勞動強度大、效率低的問題，本文將3D 視覺與工業(yè)機器人相結合，設計了一套基于3D 視覺的裝配系統(tǒng)，該系統(tǒng)使用KUKA 機器人、Pro S Enhanced工業(yè)相機等硬件。通過EIH 手眼標定獲取相機的內(nèi)參和外參，完成相機與機器人的坐標轉換。通過Mech-Vision 軟件對驅動盤的點云圖像進行濾波、聚類分割等圖像處理，獲取工件抓取點的位置和姿態(tài)，實現(xiàn)了機器人自動抓取裝配的過程。最后通過實驗數(shù)據(jù)表明，該系統(tǒng)抓取定位誤差范圍0.13～0.47 mm，裝配節(jié)拍12 s，相比傳統(tǒng)人工裝配，裝配節(jié)拍提高了50%，滿足企業(yè)生產(chǎn)需求。