基于Halcon的非標異形零件分揀點通用定位方法

摘 要：目前，針對定制化非標異形切割零件的分揀工作仍然主要依賴人工操作。為了改變這一現狀，研究了一種創新的分揀視覺引導方案，該方案基于Halcon圖形分析及先進的點云匹配算法。首先，文章利用Halcon算子設計一種針對零件CAD圖紙的圖形分析算法，從而精確獲取最優的分揀位置，并將其作為匹配模板。其次，使用3D相機捕捉切割零件的點云數據，并進行有效的去噪和分割處理，從而獲取每個切割零件的點云模型。最后，將點云模型與零件模板進行匹配，準確獲取實際的分揀位置及零件類型。該方案不僅實現了對非標異形零件的高效分揀，還顯著提升了該領域的智能化水平和生產效率，具有極高的實際應用價值。

關鍵詞：Halcon；圖形分析；點云匹配

中圖分類號：TP242.6 文獻標識碼：A 文章編號：2096-4706（2025）02-0180-05

General Positioning Method of Sorting Points of Non-standard Special-shaped Parts Based on Halcon

WANG Tiannuo， ZHAN Wenxia

（Puyang Petrochemical Vocational and Technical College， Puyang 457001， China）

Abstract： At present， the sorting work of customized non-standard special-shaped cutting parts still mainly relies on manual operation. In order to change this situation， an innovative sorting visual guidance scheme is studied， and it is based on Halcon graphic analysis and advanced point cloud matching algorithm. Firstly， this paper designs a graphic analysis algorithm for CAD drawings of parts by using the Halcon operator， so as to accurately obtain the optimal sorting position and use it as a matching template. Secondly， it uses the 3D camera to capture the point cloud data of the cutting parts， and performs effective denoising and segmentation processing to obtain the point cloud model of each cutting part. Finally， the point cloud model is matched with the part template to accurately obtain the actual sorting position and part type. This scheme not only realizes the efficient sorting of non-standard special-shaped parts， but also significantly improves the intelligence level and production efficiency in this field， and has extremely high practical application value.

Keywords： Halcon; graphic analysis; point cloud matching

DOI：10.19850/j.cnki.2096-4706.2025.02.034

0 引 言

隨著工業4.0與人工智能技術交疊發展，中國制造業正在向智能化方向邁進，各類智能化設備正在逐漸涌現。智能化設備可利用機器視覺、圖像處理、深度學習、人工智能等技術，實現自主分析、判斷、定位、規劃等功能，從而提高生產效率或實現個性化、定制化的柔性生產。零件智能分揀是各個行業不可或缺的生產步驟，目前針對各種領域下零件智能分揀方案的研究也越來越多，但相對來說當前的分揀產品較為固定，分揀方案適用性不廣，尤其針對非標異性零件通用性分揀方案的研究還較少。

陳玉潔[1]以機器視覺技術為基礎，從軟硬件設計兩個角度探討生產線智能分揀系統的設計，主要利用區域生長算法對點云圖像進行分割，并利用Halcon將二維圖像與模板進行匹配，獲取抓取點。孫先濤等[2]結合了圖像分割模型Deeplab V3+的深度學習算法KPDM，實現異狀零件的抓取定位。戴福全等[3]通過相機采集圖像，并在上位機中經圖像預處理、位姿估計、模板匹配等步驟后，得到三維位姿和中心坐標，從而實現對多種堆疊物塊的識別和抓取。安廣琳等[4]利用基于YOLOv5的協同深度學習網絡實現多工件抓取點定位方法。薛珊等[5]運用 MATLAB 對得到的三維激光點云進行中心切片，得到點云的三視切片，然后運用Halcon軟件對點云進行處理，提取中心切片的邊界信息并提取區域的特征參數，進而識別工件的類型。蘇波等[6]利用Halcon中的3D表面匹配算法，確定工件位姿以供機器人抓取。吳雙峰等[7]設計的大型桁架式鋼板自動分揀機器人設備結構復雜，未對分揀原理進行說明。劉金龍等[8]設計的建筑鋼結構智能零件分揀中心具備分揀及質檢功能，但不能對切割完的零件直接分解。方羽等[9]設計的薄鋼板自動化下料系統是集上料、切割、分揀、運輸等環節的集成化生產線，切割完的鋼板需通過輥道運送至分揀工位進行分揀，無法直接在切割工位進行分揀。洪超等[10]設計的卷料激光切割自動化生產線利用單側六軸機械臂進行分揀，產品種類較少，且機械臂臂展范圍、承載能力都具有一定的局限性。

通過以上研究發現，當前的分揀定位識別方法存在以下問題：

1）僅適用于有限的零件類型。

2）抓取適用性不高，難以應用在零件形狀復雜多變的場合。

3）深度學習方法需要顯卡資源，成本較高，適用性受限。因此，本文研究了一種基于Halcon圖形分析及點云匹配算法的分揀視覺引導方案，實現對非標異形零件的分揀引導。

1 分揀方法概述

在非標定制化物料切割生產中，首先需要把目標產品拆解成零件，然后設計每個零件的CAD圖紙，并用排版軟件按照材料利用率最大化的方式進行排版，最后根據排版結果進行切割。由于這種生產方式的高度定制化特性，每次切割作業所涉及的零件種類及其排布均不相同，且零件形態多為非標準復雜形狀，這極大地增加了自動分揀的實施難度。為了實現切割后對零件進行直接、高效且準確地分揀，同時兼顧經濟性和效率，就必須對自動抓取算法及配套的抓取工裝提出更為嚴苛和特定的要求，確保分揀引導方案能夠靈活應對各種異形件的抓取需求，實現精準分揀，從而提升整體生產流程的自動化水平和生產效率。

工裝選擇方面，由于切割零件的零件形狀大小各異，若選用矩陣形多磁柱電磁鐵，一方面切割平臺上的切割邊條可能會卡入磁柱間隙；另一方面由于矩陣電磁鐵外輪廓尺寸過大，可能會造成難以預估的零件干擾，適用局限性較大。因此本文提出利用多規格圓形電磁鐵或氣動吸盤并配以快換裝置作為分揀工具，以適應不同形狀和大小的零件，同時減少分揀過程的干擾。圖1為某品牌電磁鐵外形，不同規格的電磁鐵直徑范圍可由13 mm到100 mm不等，吸力范圍為1 kg到240 kg不等，可滿足大部分鋼鐵類切割零件的分揀需求。本文選取直徑分別為30 mm、60 mm、80 mm的電磁鐵作為分揀工裝，對應的最大吸力分別為15 kg、80 kg、120 kg。因此，分揀引導方案就是要找到對應直徑的最優內接圓位置。

算法選擇方面，由于每次切割的零件形狀規格完全不一樣，因此深度學習算法并不是最優選擇，且深度學習算法需要顯卡支持，成本較高。本文采用Halcon圖形分析算法為核心，首先對同批次所有零件進行預處理，通過圖形分析確定每個零件的理論抓取位置，并構建零件模板庫。在實際抓取過程中，利用3D相機實時獲取切割平臺的點云數據，通過點云分割等手段提取零件的三維信息。最后，將處理后的點云數據與零件模板庫進行精確匹配，從而快速準確地識別出每個零件的實際抓取位置及其類型。具體工作流程如圖2所示。

2 分揀位置分析

分揀位置分析主要是利用Halcon內置算子，分析確定各種形狀規格零件的最優內接圓位置。Halcon是一款由德國知名企業MVtec精心研發的機器視覺應用軟件，其架構由上千個功能算子構成。該軟件覆蓋了從圖像濾波、形態學分析到物體分類等眾多機器視覺算法，適用于工業視覺方案的快速研發。

2.1 分揀位置分析算法

分揀位置分析即利用Halcon的圖形分析算子，對零件圖紙進行處理，找到最優內接圓的圓心坐標。并且為了防止零件掉落，最優分揀位置應為零件質心，當質心不滿足分揀要求時則應考慮零件最大內接圓的圓心位置，但抓取位置偏移造成的重力矩不應超過分揀工裝的承受能力。算法流程如圖3所示。

具體步驟如下：

1）利用Halcon中的read_contour_xld_dxf算子，讀取零件CAD圖紙。并根據企業的零件信息庫獲取零件質量，分配合適直徑的電磁鐵工裝。

2）利用area_center_xld算子獲取所讀取零件輪廓的質心坐標位置，同時以質心為圓心，利用gen_region_contour_xld算子繪制相應直徑的圓形輪廓，從而模擬工裝分揀位置。

3）調用intersection_contours_xld算子，判斷所繪制的圓形輪廓是否與零件輪廓相交，若不相交則以此位置作為該零件的分揀位置。若兩輪廓相交或質心位置在零件外時，則利用inner_circle算子計算零件輪廓最大內接圓直徑及圓心坐標。

4）再次判斷內接圓直徑是否大于分揀工裝直徑，當內接圓直徑小于所分配的電磁鐵工裝直徑時，則該零件為不可分揀零件。當內接圓直徑大于所分配的電磁鐵工裝直徑時，還要進一步計算其重力矩，判斷是否超過分揀工裝的承受能力，若不超過則此內接圓圓心作為分揀位置。重力矩計算公式如式（1）所示：

（1）

式中M表示重力矩，x1、y1表示零件內接圓圓心坐標，x2、y2表示零件質心坐標，G表示零件重力。

圖4為某異形零件分揀位置示例。根據該零件實際重量，需為該零件分配的電磁鐵工裝直徑為60 mm。圖中十字準星為利于area_center_xld算子計算出的零件質心所在位置，該準星外側圓是以質心為圓心以60 mm為直徑繪制的圓形輪廓，通過intersection_contours_xld算子可判斷出圓形輪廓與零件輪廓相交，因此該零件質心不可作為該零件的分揀位置。左側大圓為inner_circle算子求得的最大內接圓，其直徑大于60 mm，同時該位置所計算出的重力矩并沒有超過電磁鐵承載能力，所以該圓內部的小圓即為該零件的分揀位置。

2.2 零件特征提取及模板制作

除了分析抓取位置之外，還需要對零件的主要特征進行提取，以提高后續匹配效率。因此，需要分別利用Halcon中的length_xld、area_center_xld、area_holes、smallest_rectangle1_xld算子處理讀取到的每一個零件輪廓，分別計算出該零件的周長、面積、內部圓孔總面積及外接矩形尺寸等特征信息。最后，利用create_shape_model_xld算子創建零件模板文件并保存備用。

3 點云分割及模型匹配

三維點云是一種用于表示三維空間中對象的數據結構，包含了多個三維坐標點（X，Y，Z）的集合。相較于二維圖像而言，三維點云可以獲取更為準確的輪廓尺寸信息及高度信息，更加適用于工業測量及匹配。

3.1 點云分割

根據相機原理不同，獲取點云數據的主要方式包括：激光雷達、結構光、雙目視覺、TOF等。根據實際工況要求，可選取面陣結構光相機采集點云數據。從工廠實際情況及經濟成本的角度出發，為了獲取更多數據，本文利用SolidWorks對各種零件進行建模，同時對模型尺寸添加正負1 mm誤差，用以模擬3D相機的采集誤差；然后利用Open3D將三維模型轉為點云數據并增加噪聲，以此來模擬更多數據。圖5為SolidWorks建模的切割零件模型，各零件隨意排布，零件下方為切割平臺。圖6為其點云數據模型，以此來模擬3D相機獲取的點云數據。

由于切割平臺高度及零件板厚度均為已知量，因此在獲取點云數據后，首先根據零件板表面高度過濾出零件表面點云數據，再利用離群點去除、濾波等方法進行去噪，即可得到清晰完整的零件表面點云數據。獲取零件表面點云數據后，利用連通區域算子connection_object_model_3d對平面進行分割。最后再利用edges_sub_pix算子獲取獨立的零件輪廓。圖7為分割處理后獲取的零件輪廓數據。

3.2 模型匹配

獲取零件輪廓后，逐一遍歷每一個零件輪廓，并利用length_xld、area_center_xld、area_holes、smallest_rectangle1_xld算子提取零件輪廓的周長、面積、內部孔總面積以及外接矩形尺寸等特征信息。通過以上特征信息初步篩選出符合條件的零件模板，然后再調用“read_shape_model”算子讀取模板，從而加快匹配效率，提高匹配準確率；接下來利用find_shape_models算子對零件輪廓與篩選出的零件模板逐一進行匹配，獲取匹配分值。由于該過程為一對多匹配，因此需要根據各零件模板匹配得分選出分值最高的模型，得到相應的實際分揀位置、旋轉角度以及零件種類。圖8為最終匹配結果，圖中的圓形輪廓即為實際分揀位置。

在獲取零件實際抓取位置后，還需要經過坐標變換轉化為物理空間下的實際坐標，然后通過通信協議將坐標位置傳給PLC控制系統，控制桁架移動到相應位置后，通過快換裝置將電磁鐵工裝更換為相應型號，再進行分揀即可。

3.3 實驗驗證

為驗證本文方法的有效性，選取零件圖紙，構建零件模板庫及任意零件組合排布的點云數據，進行實驗驗證。實驗利用分揀覆蓋率及匹配準確率作為評判指標。實驗環境為聯想拯救者Y7000 64位筆記本電腦，CPU為i7-10750，運行內存為16 GB，Halcon版本為18.11，SolidWorks版本為2020。具體實驗步驟如下：

1）選取25種形狀大小不一的零件CAD圖紙，形成零件庫，所有零件圖紙需為DXF格式。

2）任意選取2到6種不同類型的零件進行排版，并通過SolidWorks建模的方式構建了共計50種不同零件排布的三維模型并轉化為點云數據，所有點云數據中的零件總數為200個。

3）對所有零件圖紙逐一進行Halcon分揀位置分析，得到每一個零件的分揀位置及特征信息，并建立零件匹配模板庫。圖9為某些零件的分揀位置分析結果示例，其中零件1、零件2用到的是60 mm直接工裝，零件3用到的是30 mm工裝，零件4用到的是80 mm直徑工裝。

對50個點云數據，逐一進行Halcon點云分割、特征篩選、模型匹配等步驟。圖10為上述4個零件構成的最終匹配結果。

5）統計實驗結果，經驗證，25種零件中可分揀的零件種類為23個，因此可分揀覆蓋率為92%，不可分揀零件的主要原因是質心在零件輪廓外且最大內接圓不能滿足抓取要求。分割出的200個零件點云數據中，匹配正確的模型總數為185個，匹配錯誤的模型總數為9個，不可分揀的零件為6個，因此匹配準確率為95.3%，匹配錯誤的主要原因是零件輪廓及尺寸相似度較高。

4 結 論

通過本文的Halcon圖形分析及點云匹配方法，可以實現對非標異形零件的分揀定位引導，解決了該領域加工制造過程中的分揀難題。經初步測試，圖形分析方法可以獲取92%以上非標異形零件的分揀位置，點云匹配準確率高達95.3%以上，具備較高的工程應用價值。該方法有助于提升我國自主研發設備的智能化水平，推動我國制造業由自動化向智能化邁進。

參考文獻：

[1] 陳玉潔，黃龍亮，王海軍，等.基于機器視覺的生產線智能分揀系統設計 [J].自動化應用，2024，65（3）：36-38+42.

[2] 孫先濤，楊茵鳴，王辰，等.基于深度學習的異狀零件抓取檢測方法 [J/OL].計算機集成制造系統2025：1-17[2025-01-02].http：//kns.cnki.net/kcms/detail/11.5946.TP.20230223.1532.014.html.

[3] 戴福全，劉路杰.基于視覺引導的機器人抓取分類系統設計 [J].福建工程學院學報，2020，18（6）：530-534.

[4] 安廣琳，李宗剛，杜亞江，等.基于深度學習的多工件抓取點定位方法 [J].激光與光電子學進展，2023，60（12）：311-321.

[5] 薛珊，呂南方，沈雨鷹，等.基于激光三維點云的機械工件識別方法 [J].紅外與激光工程，2019，48（4）：169-176.

[6] 蘇波，鄭孟州.基于智能傳感器的工件抓取系統研究 [J].軟件導刊，2018，17（12）：8-11+17.

[7] 吳雙峰，莊圓，李周，等.大型桁架式鋼板自動分揀機器人設計研究 [J].制造業自動化，2016，38（8）：111-114.

[8] 劉金龍，周春暉，陳兆文.建筑鋼結構智能零件分揀中心研發與應用 [J].信息技術與信息化，2021（12）：60-64.

[9] 方羽，趙天生.工程機械中薄鋼板自動化下料系統設計及實施 [J].機電工程技術，2023，52（1）：206-209.

[10] 洪超，周鵬飛，崔凱，等.一種卷料激光切割自動化生產線 [J].鍛壓裝備與制造技術，2018，53（5）：29-31.

作者簡介：王天諾（1993.12—），男，漢族，河南濮陽人，中級職稱，碩士，研究方向：智能制造；詹文霞（1991.01—），女，漢族，陜西商洛人，初級職稱，碩士，研究方向：自動化儀表。

收稿日期：2024-07-05