鞋底噴膠軌跡自動(dòng)生成算法研究

周棟鋒， 李俊峰

（浙江理工大學(xué)信息科學(xué)與工程學(xué)院， 杭州 310018）

0 引 言

目前，國(guó)內(nèi)外的鞋底噴膠系統(tǒng)都向智能化、自動(dòng)化、可視化的多功能數(shù)控集成系統(tǒng)的方向發(fā)展，但很多鞋業(yè)的片底涂膠還采用人工的方式。 機(jī)器視覺(jué)可以代替人眼對(duì)目標(biāo)進(jìn)行檢測(cè)和分析，并做出相應(yīng)的處理，現(xiàn)在的視覺(jué)噴膠技術(shù)大都集中在高幫鞋型，通過(guò)3D 點(diǎn)云的方式提取點(diǎn)［1］。 對(duì)點(diǎn)云進(jìn)行處理不僅十分費(fèi)時(shí)，且對(duì)片底來(lái)說(shuō)，采用線(xiàn)激光或結(jié)構(gòu)光提取輪廓精度不會(huì)很高。

在邊緣提取算法上，郭琳琴等［2］提出了基于分?jǐn)?shù)階微分算子的圖像邊緣檢測(cè)方法，通過(guò)構(gòu)造微分算子去計(jì)算x方向與y方向上的分?jǐn)?shù)階算子，此方法的計(jì)算復(fù)雜度比較高，且只計(jì)算了兩個(gè)方向的梯度，在邊緣準(zhǔn)確性上不太高；Feng Lin 等［3］提出了基于模糊徑向基數(shù)神經(jīng)網(wǎng)絡(luò)的圖像邊緣檢測(cè)算法，黃勝等［4］提出了基于語(yǔ)義信息的精細(xì)化邊緣檢測(cè)方法，鄭恩壯等［5］提出了各向異性的多尺度邊緣檢測(cè)算法，這3 種方法均需要對(duì)目標(biāo)圖片進(jìn)行人工標(biāo)注邊緣，對(duì)于工業(yè)生產(chǎn)來(lái)說(shuō)既費(fèi)時(shí)又不能保證穩(wěn)定性；田貝樂(lè)等［6］提出一種改進(jìn)的小波變換法替代高斯濾波，實(shí)現(xiàn)對(duì)圖像的降噪，采用改進(jìn)的迭代算法對(duì)高低閾值進(jìn)行計(jì)算，雖然增加了魯棒性，但邊緣的細(xì)化程度并不是很高；Hao［7］在普通Sobel 算法基礎(chǔ)上增加了其它方向上的梯度檢測(cè)，但這種只增加邊緣檢測(cè)，不做邊緣細(xì)化會(huì)產(chǎn)生邊緣斷開(kāi)的情況；Orhei Ciprian 等［8］在圖像濾波上采用擴(kuò)張濾波器，對(duì)邊緣會(huì)有比較好的保留效果，但對(duì)于背景復(fù)雜度不高的圖片來(lái)說(shuō)會(huì)增加邊緣的寬度，導(dǎo)致精度有所下降；G.Domínguez-Rodríguez 等［9］提出了新的邊緣細(xì)化方法，計(jì)算x、y方向上的梯度并通過(guò)循環(huán)方式與原圖進(jìn)行卷積，將卷積結(jié)果與設(shè)定閾值進(jìn)行比較，在保留邊緣的情況下細(xì)化邊緣，整個(gè)處理過(guò)程中不僅要保證邊緣提取的準(zhǔn)確性，還要保證處理速度不能過(guò)慢。

完成邊緣提取后，對(duì)邊緣進(jìn)行進(jìn)一步處理得到噴膠軌跡點(diǎn)，再通過(guò)標(biāo)定的方式將圖像坐標(biāo)轉(zhuǎn)變?yōu)闄C(jī)械坐標(biāo)。 在標(biāo)定上，Kenji Koide 等［10］都提出了手眼標(biāo)定的方式，這些手眼標(biāo)定的方式需要計(jì)算許多的轉(zhuǎn)換矩陣，計(jì)算復(fù)雜度比較高，且多次轉(zhuǎn)換計(jì)算有可能導(dǎo)致最終的誤差偏大。

為解決3D 相機(jī)成本過(guò)高且邊緣檢測(cè)精度不高的問(wèn)題，本文提出采用2D 相機(jī)采集圖像并使用改進(jìn)Sobel 算法提取片底邊緣輪廓的方式來(lái)代替3D相機(jī)進(jìn)行邊緣提取。 為解決普通九點(diǎn)標(biāo)定算法引入過(guò)多轉(zhuǎn)換矩陣導(dǎo)致轉(zhuǎn)換誤差過(guò)大問(wèn)題，本文提出新的標(biāo)定方式，直接對(duì)圖像坐標(biāo)與機(jī)器人世界坐標(biāo)系進(jìn)行轉(zhuǎn)換，通過(guò)將得到的圖像坐標(biāo)系的坐標(biāo)數(shù)據(jù)與轉(zhuǎn)換矩陣相乘來(lái)得到世界坐標(biāo)系實(shí)際數(shù)據(jù)。

本文首先使用自動(dòng)掩膜生成算法去除背景干擾，再通過(guò)改進(jìn)Sobel 算法提取邊緣，對(duì)提取的邊緣進(jìn)行進(jìn)一步處理得到噴膠點(diǎn)位，最后通過(guò)本文使用的新的標(biāo)定算法對(duì)點(diǎn)位進(jìn)行轉(zhuǎn)換，所有步驟結(jié)合即為本文鞋底噴膠軌跡自動(dòng)生成算法。

最后，本文對(duì)改進(jìn)Sobel 算法邊緣提取精度與普通Sobel 算法邊緣提取精度進(jìn)行對(duì)比實(shí)驗(yàn)，發(fā)現(xiàn)改進(jìn)Sobel 算法邊緣提取精度高于普通Sobel 算法邊緣提取精度；此外，本文又對(duì)鞋底噴膠軌跡自動(dòng)生成算法執(zhí)行時(shí)間進(jìn)行實(shí)驗(yàn)，發(fā)現(xiàn)鞋底噴膠軌跡自動(dòng)生成算法執(zhí)行時(shí)間均小于1 s，符合生產(chǎn)節(jié)拍需求；實(shí)際噴膠測(cè)試，總體噴膠合格率在96%左右。 符合生產(chǎn)需求。

1 系統(tǒng)總體方案

本文所處理的片底樣式有兩種，分別是16Q328與16Q329，如圖1 所示。 每一種片底樣式存在35 ～39 四個(gè)鞋碼與左右腳，總共8 種不同的情況。

圖1 片底樣式Fig. 1 Sheet bottom style

2 邊緣提取算法

2.1 圖像預(yù)處理

圖像預(yù)處理過(guò)程流程如圖2 所示。

圖2 圖像預(yù)處理過(guò)程流程圖Fig. 2 Flow chart of the image preprocessing process

由于相機(jī)采集得到的圖像的背景比較復(fù)雜，對(duì)邊緣提取會(huì)產(chǎn)生很多的干擾。 本文提出自動(dòng)掩膜生成，在覆蓋所需片底的情況下盡可能減少圖片的背景。 由于片底的顏色為黑色，與周?chē)h(huán)境的像素值有較大的差異，通過(guò)大量的測(cè)試數(shù)據(jù)發(fā)現(xiàn)片底區(qū)域的像素分布在0～150 范圍內(nèi)，而背景區(qū)域的像素分布在151～255 的范圍內(nèi)。 故通過(guò)像素分布的特征，設(shè)計(jì)自動(dòng)掩膜生成特征區(qū)域，使得掩膜部分可以完全包括片底。

設(shè)原圖像為G，產(chǎn)生掩膜圖像M步驟如下：

Step 1設(shè)置一個(gè)篩選的最小與最大的像素閾值，本文選擇像素閾值范圍為（0＜Pixel＜150）；

Step 2對(duì)滿(mǎn)足像素閾值范圍的點(diǎn)進(jìn)行分析，計(jì)算出所有點(diǎn)行的最小值、列的最小值、行的最大值及列的最大值；

Step 3將行的最大值與行的最小值相減再除以2，將行的最大值與列的最小值相減再除以2，得到掩膜矩形的中心點(diǎn)坐標(biāo)；

Step 4將行的最大值與行的最小值相減后的值加上60 作為矩形掩膜的長(zhǎng)，將列的最大值與列的最小值相減后的值加上60 作為矩形掩膜的寬（加上60 是為了保證矩形掩膜可以覆蓋整個(gè)片底區(qū)域）；

通過(guò)自動(dòng)掩膜生成的方式產(chǎn)生一個(gè)矩形掩膜，將矩形掩膜圖像與原圖進(jìn)行或運(yùn)算，或運(yùn)算得到結(jié)果圖記為O，或運(yùn)算的計(jì)算，式（1）：

為使片底區(qū)域與背景的對(duì)比度更大，方便后續(xù)的邊緣提取，先將或運(yùn)算后圖像中鞋底的區(qū)域進(jìn)行填充，將原先像素分布在0 ～150 范圍之內(nèi)的像素點(diǎn)都填充為0。 填充步驟如下：

Step 1計(jì)算圖像中像素在0～150 的點(diǎn)；

Step 2將滿(mǎn)足Step1 的點(diǎn)的像素都變?yōu)?。

將填充后圖像記為F，填充后圖像如圖3 所示。

圖3 填充后圖像FFig. 3 Post-fill image F

2.2 邊緣提取

為得到準(zhǔn)確的片底邊緣信息，本文對(duì)傳統(tǒng)的Sobel 算子做了改進(jìn)，在邊緣提取之前增加濾波操作來(lái)平滑片底邊緣。 在邊緣提取過(guò)程中采用8 個(gè)不同的卷積算子對(duì)圖像8 個(gè)方向進(jìn)行卷積操作，以防止圖像的邊緣出現(xiàn)斷裂情況。 完成邊緣提取后，增加邊緣細(xì)化操作，將多余的邊緣像素剔除掉，以便得到更加細(xì)致光滑的邊緣。

2.2.1 均值濾波

對(duì)預(yù)處理后的圖像F使用均值濾波器進(jìn)行均值濾波，使得鞋底邊緣更加平滑，以便于后續(xù)邊緣提取的準(zhǔn)確性。 采用以下3×3 卷積核對(duì)圖像進(jìn)行濾波操作，將濾波后圖像記為G。 將目標(biāo)矩陣與卷積核相乘得到新的矩陣卷積矩陣G（x，y），式（2）：

其中，F(xiàn)（x，y） 是填充后圖像F中目標(biāo)點(diǎn)與目標(biāo)點(diǎn)周?chē)? 個(gè)點(diǎn)，共9 個(gè)點(diǎn)組成的目標(biāo)矩陣。

將得到的G（x，y） 矩陣中的9 個(gè)元素取出相加后取平均值即為目標(biāo)點(diǎn)像素值。 通過(guò)計(jì)算得到所有點(diǎn)濾波后像素值即可組成新的濾波后圖像G。 為了便于邊緣提取，將濾波后圖像中周?chē)谏珶o(wú)關(guān)部分進(jìn)行了剔除，濾波后圖像如圖4 所示。

圖4 濾波后圖像GFig. 4 Filtered image G

2.2.2 8 方向邊緣檢測(cè)

本文共使用8 個(gè)方向的邊緣檢測(cè)算子，從不同的方向進(jìn)行數(shù)據(jù)提取，每個(gè)方向的卷積算子卷積核如式（3）～式（10）所示，8 方向邊緣檢測(cè)結(jié)果如圖5所示。

圖5 8 方向邊緣檢測(cè)結(jié)果Fig. 5 Eight-way edge detection results

因?yàn)檎麄€(gè)圖像采用8 個(gè)方向的檢測(cè)值，用原有方法計(jì)算各個(gè)方向梯度的時(shí)間復(fù)雜度比較高。 為了減少計(jì)算量，本文采用式（11）計(jì)算某一個(gè)點(diǎn)的像素值S（x，y）：

2.2.3 邊緣細(xì)化

為得到更加細(xì)致的邊緣，本文對(duì)Sobel 算子得到的邊緣進(jìn)一步邊緣。 圖像像素點(diǎn)8 連通域如圖6所示。

圖6 8 連通域Fig. 6 Eight-linked domain

在完成邊緣提取后得到的圖像中，邊緣部分像素為255，其他地方像素均為0，對(duì)Sobel 算法所提取的所有邊緣點(diǎn)P0進(jìn)行細(xì)化的步驟如下（E（P0） 表示P0周?chē)袼貫? 的點(diǎn)的個(gè)數(shù)）：

Step 1首先檢查邊緣點(diǎn)P0周?chē)? 個(gè)點(diǎn)像素是否全為0，若E（P0）＝0，則判定這個(gè)點(diǎn)為離散點(diǎn)，直接剔除；

Step 2若滿(mǎn)足如下條件，則標(biāo)記P0為待剔除邊緣點(diǎn)；

（1） 1 ≤E（P0） ≤7；

（2）P1＋P7＋P8≠0，P1＋P2＋P3≠0，P3＋P4＋P5≠0 且P5＋P6＋P7≠0；

Step 3一次循環(huán)遍歷后，將標(biāo)記為待剔除點(diǎn)像素置0，將其剔除。

Step1 與Step2 兩步構(gòu)成一次循環(huán)，多次循環(huán)執(zhí)行Step1 與Step2 直到?jīng)]有滿(mǎn)足標(biāo)記的條件為止。

在經(jīng)過(guò)邊緣細(xì)化后的邊緣相比之前會(huì)變得更加細(xì)致，連續(xù)性也更高。

邊緣提取結(jié)果如圖7 所示，最終的邊緣細(xì)化結(jié)果如圖8 所示。

圖7 邊緣提取結(jié)果Fig. 7 Edge extraction results

圖8 邊緣細(xì)化結(jié)果Fig. 8 Edge refinement results

3 邊緣點(diǎn)提取與轉(zhuǎn)換

片底邊緣細(xì)化后，對(duì)邊緣特征點(diǎn)進(jìn)行進(jìn)一步的提取并轉(zhuǎn)換，并將邊緣點(diǎn)信息轉(zhuǎn)變?yōu)闄C(jī)器人循跡所需要的實(shí)際點(diǎn)位信息。 具體的邊緣點(diǎn)提取與轉(zhuǎn)換步驟流程如圖9 所示。

圖9 邊緣點(diǎn)提取與轉(zhuǎn)換流程圖Fig. 9 Edge point extraction and transformation flowchart

3.1 內(nèi)縮輪廓

輪廓內(nèi)縮需要將得到的輪廓以相同的距離往內(nèi)側(cè)收縮，形成一個(gè)新的內(nèi)縮輪廓。 以邊緣提取得到的輪廓中的每一個(gè)點(diǎn)為圓心，以自定義內(nèi)縮半徑為圓半徑繪制圓形，將所有圓形區(qū)域所包含的所有點(diǎn)組成一張新的圖像。 圓形公式（12）：

其中，（X0，Y0） 是圓心坐標(biāo)，R為圓半徑。

由于圓具有8 分對(duì)稱(chēng)性，圓心位于原點(diǎn)的圓有4 條對(duì)稱(chēng)軸X＝0、Y＝0、X＝Y(jié)和X＝-Y，若已知圓弧上一點(diǎn)P（X，Y），就可以得到其關(guān)于4 條對(duì)稱(chēng)軸的7 個(gè)對(duì)稱(chēng)點(diǎn)：（X，-Y）、（-X，Y）、（-X，-Y）、（Y，X）、（Y，-X）、（-Y，X）、（-Y，-X），這種性質(zhì)稱(chēng)為8 分對(duì)稱(chēng)性。 因此只要能畫(huà)出1／8 的圓弧，就可以利用對(duì)稱(chēng)性的原理得到整個(gè)圓。

假設(shè)輪廓上某個(gè)點(diǎn)為（0，0），圓半徑大小為R，那么以這個(gè)（0，0） 點(diǎn)為圓心，R為半徑的圓上的1／8弧上的點(diǎn)可以通過(guò)以下方式求得，這里以（0，R） 點(diǎn)作為起始點(diǎn)，順時(shí)針計(jì)算1／8 圓弧。

圓函數(shù)如式（13）所示，將平面區(qū)域分成圓內(nèi)和圓外，如圖10 所示。

圖10 圓內(nèi)圓外示意圖Fig. 10 Schematic diagram of the inside and outside of the circle

假設(shè)圓弧的生成方向是從A到B方向，當(dāng)某個(gè)點(diǎn)Pi被確定以后，Pi的下一個(gè)點(diǎn)Pi＋1的取值就根據(jù)F（Xi，Yi） 的值進(jìn)行判定，判定的原則：

（1）當(dāng)F（Xi，Yi） ≤0 時(shí)，取Xi＋1＝Xi＋1，Yi＋1＝Y(jié)i，從圓內(nèi)走向圓外；

（2）當(dāng)F（Xi，Yi）＞0 時(shí)，取Xi＋1＝Xi，Yi＋1＝Y(jié)i-1，從圓外走向圓內(nèi)。

對(duì)于判別式F（xi，yi） 的遞推公式，也要分兩種情況分別推算：

（1）當(dāng)F（Xi，Yi） ≤0 時(shí)，Pi的下一個(gè)點(diǎn)Pi＋1取Xi＋1＝Xi＋1，Yi＋1＝Y(jié)i，判別式F（Xi＋1，Yi＋1） 的推算過(guò)程如式（14）所示；

（2）當(dāng)F（Xi，Yi）＞0 時(shí)，Pi的下一個(gè)點(diǎn)Pi＋1取Xi＋1＝Xi，Yi＋1＝Y(jié)i- 1，判別式F（Xi＋1，Yi＋1） 的推算過(guò)程如式（15）所示。

在得到1／8 圓弧后，通過(guò)圓的8 分對(duì)稱(chēng)性即可得到整個(gè)圓所包含的點(diǎn)的信息。

通過(guò)循環(huán)的方式多次繪制外接圓，將每一個(gè)外接圓都進(jìn)行填充變?yōu)橐粋€(gè)區(qū)域，再求取每一個(gè)外接圓，形成區(qū)域的并集形成新的區(qū)域，新的拼接區(qū)域如圖11 所示。 在得到新的拼接區(qū)域后，通過(guò)邊緣提取算子可以得到新區(qū)域的內(nèi)外輪廓，內(nèi)外輪廓如圖12所示。 通過(guò)比較兩個(gè)輪廓的實(shí)際長(zhǎng)度，長(zhǎng)度較小的輪廓即為所需要的內(nèi)縮輪廓。

圖11 拼接區(qū)域Fig. 11 Splicing area

圖12 內(nèi)外輪廓Fig. 12 Inner and outer contours

3.2 輪廓重組

每一個(gè)內(nèi)縮輪廓由多個(gè)離散的點(diǎn)擬合而成，經(jīng)過(guò)測(cè)試發(fā)現(xiàn)不同角度鞋底圖片得到的點(diǎn)的起始位置是不確定的，導(dǎo)致輪廓信息存在不確定性。 因?yàn)檩喞钠瘘c(diǎn)無(wú)法確定，所以在執(zhí)行后續(xù)處理算法前增加了將輪廓重組操作，輪廓重組以整個(gè)輪廓行最小值位置為起點(diǎn)，最小點(diǎn)基本處于鞋尖位置，故通過(guò)輪廓重組后的輪廓數(shù)組均可以鞋尖位置作為起點(diǎn)。

輪廓重組過(guò)程：假設(shè)原輪廓行數(shù)據(jù)數(shù)組為［TR0…TRend］，通過(guò)輪廓重組后得到的行數(shù)據(jù)數(shù)組為［TRmin…TRend…TR0］，其中［TRmin是行數(shù)據(jù)數(shù)組輪廓［TR0…TRend］ 中最小值所在索引位置，同樣輪廓重組后得到列數(shù)據(jù)數(shù)組為［TCmin…TCend…TC0］ 。

通過(guò)重組操作不管鞋底角度如何變化，原輪廓起點(diǎn)在什么位置，新的輪廓的起點(diǎn)都確定在鞋尖位置。

3.3 關(guān)鍵點(diǎn)提取

在每一次軌跡生成時(shí)，都需要知道鞋底、鞋跟兩個(gè)點(diǎn)的位置與鞋尖點(diǎn)的位置，這3 個(gè)點(diǎn)為整個(gè)輪廓的轉(zhuǎn)折點(diǎn)，需要提前取得。 通過(guò)繪制內(nèi)縮輪廓外接圓的方式可以得到內(nèi)縮輪廓的外接圓，再求取外接圓與內(nèi)縮輪廓的交點(diǎn)，其中一個(gè)交點(diǎn)為鞋尖點(diǎn)，另一個(gè)交點(diǎn)為左側(cè)鞋跟交點(diǎn)。 由于在實(shí)際操作時(shí)確定了鞋底來(lái)料的大致方向，所以在圖像窗口中鞋底永遠(yuǎn)在上方，可以保證鞋底點(diǎn)的行坐標(biāo)永遠(yuǎn)都是小于鞋尖點(diǎn)的行坐標(biāo)，通過(guò)比較兩個(gè)交點(diǎn)的行坐標(biāo)即可確定鞋尖點(diǎn)和鞋跟點(diǎn)。

通過(guò)大量測(cè)試輪廓總點(diǎn)數(shù)與鞋跟兩側(cè)所隔點(diǎn)數(shù)的關(guān)系可以獲得一個(gè)擬合方程，式（16）：

其中，［Distance］ 是取整后的距離，PointT是外輪廓點(diǎn)數(shù)。

通過(guò)計(jì)算得到鞋跟右側(cè)交點(diǎn)與左側(cè)交點(diǎn)所隔點(diǎn)的數(shù)量，從而在輪廓數(shù)組中找到右側(cè)交點(diǎn)。 得到的3 個(gè)關(guān)鍵點(diǎn)如圖13 所示。

圖13 3 個(gè)關(guān)鍵點(diǎn)Fig. 13 Three key points

3.4 獲取其他關(guān)鍵點(diǎn)

在得到了3 個(gè)關(guān)鍵點(diǎn)之后，通過(guò)其在輪廓數(shù)組中的索引的位置即可得到其它位置軌跡點(diǎn)的信息，將軌跡點(diǎn)進(jìn)行組合就可以得到完整的軌跡信息，得到的軌跡如圖14 所示。

圖14 全部點(diǎn)與軌跡Fig. 14 All points and trajectories

3.5 坐標(biāo)轉(zhuǎn)換

首先在鞋底中繪制9 個(gè)固定點(diǎn)，將鞋底放置在相機(jī)下進(jìn)行圖像采集。 在圖像坐標(biāo)中找到之前手動(dòng)繪制的9 個(gè)固定點(diǎn)，并記錄下9 個(gè)點(diǎn)的行列坐標(biāo)值，再將機(jī)器人移至9 個(gè)固定點(diǎn)，記錄實(shí)際機(jī)器人TCP（Tool Center Position）的X／Y值。

通過(guò)式（17）即可計(jì)算得到圖像坐標(biāo)系中點(diǎn)位與實(shí)際機(jī)器人坐標(biāo)系之間的轉(zhuǎn)換關(guān)系。 本文為了使得轉(zhuǎn)換矩陣更加的準(zhǔn)確，在標(biāo)定過(guò)程中選擇9 個(gè)點(diǎn)作為標(biāo)定點(diǎn)。

通過(guò)計(jì)算式（17）即可得到轉(zhuǎn)換矩陣H，有了轉(zhuǎn)換矩陣H就可以把圖像坐標(biāo)系上任意一個(gè)點(diǎn)坐標(biāo)變?yōu)閷?shí)際的機(jī)器人世界坐標(biāo)系下的點(diǎn)坐標(biāo)。

4 實(shí)驗(yàn)

實(shí)驗(yàn)所使用的計(jì)算機(jī)配置為：工控機(jī)CPU 為AMD Ryzen5 4600H，內(nèi)存條為兩個(gè)Hynix 的8 GB內(nèi)存條，頻率為4 600 MHz，軟件使用編譯器為VS2019，框架為NET 4.6.1。

4.1 改進(jìn)Sobel 算子邊緣精度實(shí)驗(yàn)

對(duì)普通Sobel 算法與本文所提出的改進(jìn)Sobel算法的邊緣檢測(cè)準(zhǔn)確性進(jìn)行比較，將提取的邊緣點(diǎn)數(shù)據(jù)進(jìn)行坐標(biāo)轉(zhuǎn)換后轉(zhuǎn)為實(shí)際機(jī)器人可以使用的實(shí)際坐標(biāo)，并通過(guò)移動(dòng)機(jī)器人比較兩個(gè)算法的準(zhǔn)確性。

本文做邊緣準(zhǔn)確度實(shí)驗(yàn)所取的邊緣點(diǎn)數(shù)均為40 個(gè)，每一次的誤差值是所有40 個(gè)點(diǎn)中每個(gè)點(diǎn)到真實(shí)邊緣距離的平均值。 測(cè)試方式為機(jī)器人走至算法給出的邊緣點(diǎn)，再通過(guò)人為操作機(jī)器人控制器將機(jī)器人TCP（Tool Center Position）移至實(shí)際邊緣記錄算法給出的Xf／ Yf值與控制器上實(shí)際邊緣的Xr／Yr值。 通過(guò)計(jì)算得出每一個(gè)點(diǎn)的誤差值，式（18）：

本文總共進(jìn)行了100 次對(duì)比實(shí)驗(yàn)，普通Sobel算法邊緣提取與改進(jìn)后Sobel 算法邊緣準(zhǔn)確度對(duì)比如圖15 所示。

圖15 邊緣檢測(cè)準(zhǔn)確度對(duì)比圖Fig. 15 Edge detection accuracy comparison chart

實(shí)驗(yàn)結(jié)果表明，普通Sobel 算法的平均邊緣提取誤差為0.248 3，而改進(jìn)后Sebel 算法的平均邊緣提取誤差為0.223 8，更加符合精度需求。

4.2 算法執(zhí)行時(shí)間實(shí)驗(yàn)

對(duì)不同鞋型鞋碼的片底進(jìn)行隨意旋轉(zhuǎn)（旋轉(zhuǎn)角度控制在0°～180°之間），對(duì)不同位置與角度的片底進(jìn)行軌跡提取。 本文總共對(duì)1 000 張不同樣式角度的鞋底進(jìn)行軌跡提取，算法運(yùn)行時(shí)間統(tǒng)計(jì)如圖16 所示，在1 000次算法執(zhí)行實(shí)驗(yàn)中算法執(zhí)行最長(zhǎng)耗時(shí)為0.990 s，最短耗時(shí)為0.416 s，大多數(shù)算法執(zhí)行時(shí)間在0.4～0.8 s 之內(nèi)，提取結(jié)果算法均十分理想，且所有算法執(zhí)行時(shí)間都控制在1 s 之內(nèi)，經(jīng)計(jì)算1 000算法執(zhí)行的平均時(shí)間為0.661 1 s，符合生產(chǎn)所需要速度要求。

圖16 算法運(yùn)行時(shí)間結(jié)果Fig. 16 Algorithm runtime results

部分軌跡提取結(jié)果如圖17 所示。

圖17 部分軌跡提取結(jié)果Fig. 17 Partial trajectory extraction results

4.3 實(shí)際噴膠實(shí)驗(yàn)

本文對(duì)片底進(jìn)行了實(shí)際噴膠測(cè)試。 經(jīng)過(guò)500 次噴膠測(cè)試，在500次的噴膠結(jié)果中合格樣品數(shù)量達(dá)到480 只，總體的合格率高達(dá)96%符合生產(chǎn)要求。

5 結(jié)束語(yǔ)

本文針對(duì)當(dāng)前3D 相機(jī)處理片底價(jià)格昂貴且邊緣提取精度不高的問(wèn)題，提出了通過(guò)使用2D 相機(jī)的方式來(lái)提取軌跡。 通過(guò)改進(jìn)邊緣提取算法得到準(zhǔn)確度更高的邊緣輪廓，并通過(guò)邊緣點(diǎn)提取算法從邊緣輪廓中獲取噴膠點(diǎn)位數(shù)據(jù)；最后，通過(guò)坐標(biāo)轉(zhuǎn)換算法將圖像點(diǎn)位數(shù)據(jù)轉(zhuǎn)為實(shí)際機(jī)器人噴膠點(diǎn)位。

在不影響精度的情況下，如果可以找到更快速得到內(nèi)縮輪廓的方式，可以使得軌跡生成的速度控制在0.5 s 之內(nèi)。 目前的執(zhí)行速度已經(jīng)可以滿(mǎn)足生產(chǎn)的要求，從算法執(zhí)行時(shí)間的測(cè)試數(shù)據(jù)來(lái)看，每一次的算法執(zhí)行速度都控制在了1 s 之內(nèi)，加上皮帶運(yùn)行時(shí)間和機(jī)器人加工時(shí)間，全自動(dòng)噴膠的總體速度也可以控制在5 s 之內(nèi)，且最終的噴膠穩(wěn)定性也符合生產(chǎn)要求，相比人工有很大的提升。