機械視覺自動對刀系統(tǒng)開發(fā)

韓佳霖　閆娟　龔金濤　等

摘要：研究基于機器視覺的對刀方法。構(gòu)建由CCD模擬攝像機和視頻采集卡組成的圖像采集和處理系統(tǒng)，利用labview控制平臺實現(xiàn)對加工點的獲取，進而實現(xiàn)自動對刀。

關(guān)鍵詞：

機器視覺；對刀；CCD攝像機

中圖分類號：TB

文獻標識碼：A

文章編號：16723198（2015）17019802

0引言

隨著時代的發(fā)展進步機械加工已逐步轉(zhuǎn)入自動化科技化，在機械加工中，產(chǎn)品的加工質(zhì)量和生產(chǎn)效率直接受刀具安裝的精度和效率的影響，因此探索一種合適的刀具對刀方法，可以有效的提高加工精度和節(jié)省對刀時間，使生產(chǎn)更快捷。

目前，工廠對刀技術(shù)中手動對刀占主導地位，而手動對刀主要是人為進行，會對工件加工的精確度產(chǎn)生影響，也會對機床或人員產(chǎn)生傷害。此外零件的加工中，刀對零件加工時間大約只占總時間的55%，刀具的裝夾和對刀等輔助時間卻占45%。一般而言，在一個平面上的向一個運動方向上找到零件的加工起點較為簡單，只要有簡單的加工基準點就可以較快地完成對刀。而在一個平面上的向兩個運動方向上找到零件的加工起點就比較麻煩，需要緩慢細致的調(diào)整刀刃的兩個運動方向上的位置；由于刀對零件的起始加工點的位置不易檢測，實際生活中的方法是進行試觸加工，再根據(jù)加工偏差來調(diào)整刀具，這種過程一般需要重復多次才能完成對刀?？梢姕p少加工輔助時間是能夠極大提高工業(yè)生產(chǎn)加工效率的必要辦法。

本文對利用機器視覺技術(shù)對對刀的方法進行了初步研究，利用視覺對刀來代替手工對刀，通過Labview控制平臺進行對刀控制，利用CCD攝像機提高對刀加工的精確性、效率性。將運動控制與機器視覺相結(jié)合，基于圖像采集、處理，確定零件的中心坐標并將像素坐標轉(zhuǎn)換為機械坐標從而實現(xiàn)機器視覺對刀。

1總體設計方案

1.1硬件平臺

系統(tǒng)的硬件平臺主要由：三軸運動平臺、CCD攝像機、圖像采集卡、PC機和運動控制卡等組成，其結(jié)構(gòu)如圖1系統(tǒng)結(jié)構(gòu)圖所示。

圖1系統(tǒng)結(jié)構(gòu)圖

1.2系統(tǒng)工作原理

在系統(tǒng)中，加工零件受到光源照射，CCD攝像機將獲取的零件的圖像信息轉(zhuǎn)化為模擬電信息，輸送至圖像采集卡。圖像采集卡將接收到的模擬電信息轉(zhuǎn)變成數(shù)字圖像信息輸送到計算機。再由GalilToos控制系統(tǒng)的程序編寫將計算機中的Labview控制平臺和運動控制卡聯(lián)系起來，實現(xiàn)零件的對刀與加工。系統(tǒng)原理如圖2所示。

圖2工作原理圖

2圖像獲取后的預處理

2.1灰度化

為方便處理，以及減小計算機的運算壓力，在對獲取到圖像進行處理之前，先將計算機從CCD照相機得到的24位的圖像轉(zhuǎn)化為8位的灰度圖。最常用的灰度轉(zhuǎn)換公式如式（1）所示，灰度值F為：

F=0.30R+0.59G+0.11B

（1）

（1）式中：R、G、B分別表示每個像素中綠、藍、紅三分量的值。由于實驗使用的是CCD黑白攝像機，需要轉(zhuǎn)換圖像為黑白圖像，我們只需提取R分量的值即可。在24位黑白圖像中，R=B=G。

2.2平滑濾波

本文中的實驗工件為白色石蠟，為使石蠟和背景在拍攝過程中能有較明顯的劃分，便于圖像中工件信息的采集，我們用一張黑色的卡紙覆蓋在在運動控制平臺上。在這些準備工作都完成后，得到的圖像表現(xiàn)為色差區(qū)別大的圖像，但在石蠟邊緣處存在一部分椒鹽噪聲。查找相關(guān)資料我們找出了對抗椒鹽噪聲最好的方法就是中值濾波法，在嘗試過多種方法后，還是中值濾波法效果最明顯。

3邊緣檢測

邊緣檢測是圖像處理和計算機對刀中的基本問題，邊緣檢測的目的是找出圖像中亮度變化較大的點。圖像亮度變化較大的一些點通常能反映出圖像的重要信息，實質(zhì)是采用某種算法來提取出圖像中對象與背景間的交界線。

3.1圓形檢測

首先利用濾波對圖像進行平滑處理，在3×3的范圍窗內(nèi)，給定像素T與沿曲線的切線方向上的兩個像素進行相比，假如T的斜度的最大值比這兩個像素的斜度最大值都大。則保留原值。否則令p=0。最后用雙閾值算法檢測和連接邊緣。凡大于高閾值的則是邊緣，凡小于低閾值的一定不是邊緣，只要高低閾值數(shù)值設置合理就可準確找出輪廓。

圓柱或圓孔形零件的對刀點，即圓心位置。根據(jù)輪廊查找結(jié)果，確定表示圓形的序列，假設坐標為（x，y），設圓的半徑為R圓心坐標為（a，b）。如果沒有誤差，則根據(jù)圓的方程：（X1-a）2+（Y1-b）2=R2，

（X2-a）2+（Y2-b）2=R2，

（X3-a）2+（Y3-b）2=R2，可得圓心坐標。

3.2矩形檢測

矩形零件的對刀點，即矩形零件的頂點。矩形零件對刀點的確定可以依據(jù)Harris邊緣檢測算法檢測出矩形零件的具體位置信息，確定矩形的四個頂點，選擇最合適的對刀點。Harris角點檢側(cè)算法是一種基于特征信號的點提取算法其原理是利用微積分的原理，在工件上取一微元，以一個像素為其中心在不同的方向上進行移動，我們可以用一個表達式表示出其變化。

假設以（X，Y）為中心在水平方向上移動了u，在豎直方向上移動了v，則其灰度值的△量表達式為：

其中，灰度值△量的函數(shù)我們定義為E（x，y），Wx，y是微元的函數(shù)，一般定義Wx，y=e（-x2-y2）/2，灰度函數(shù)為I，將無窮小項省略之后得：

其中A=（Ix）2wx，y，B=（Iy）2wx，y，C=（Ix，Iy）2wx，y

將Ex，y化為二次型有：

Ex，y=[uv]M

uv

M為實對稱矩陣：

M=wx，y

I2IxIy

IxIyI2y

圖像I的Y方向的斜度用Iy表示，圖像I的X方向的斜度用Ix表示。從M中可以得出，一階曲率就是M矩陣的特征值，當兩個這兩個值都很高的時候，就可認為這個點是工件的角點。

在上述內(nèi)容的基礎上，定義出響應函數(shù)CRF：

CRF=det（M）-k·trace2（M）

其中det（M）為矩陣M的行列式；trace（M）為矩陣M的跡；k為常數(shù)，一般取0.04。CRF的局部極大值所在點即為角點。在檢測進行時，當檢測微元在工件內(nèi)表面和工件輪廓以外移動時，微元內(nèi)的灰度值并不會發(fā)生改變，如圖3a所示；當微元移動到直線上時，灰度值在直線上的量是一樣的，不會發(fā)生改變，但是直線左右的灰度值出現(xiàn)了變化，如圖3b所示；當微元移動到工件圖像的角點上時，灰度值會出現(xiàn)多方向的急劇變化，如圖3c所示。Harris角點識別算法就是微元內(nèi)灰度值是否是多方向、急劇變化來確定出工件的輪廓特征和位置信息。

圖3三個區(qū)域的檢測

4標定

在機器視覺中，建立相機成像的幾何模型可以確定物體關(guān)鍵幾何位置與其圖像中的對應點的相互關(guān)系，這種比例上的關(guān)系稱為相機參數(shù)。標定即通過實際測量與計算得到這些參數(shù)的過程。

攝像機標定和系統(tǒng)標定是常用的兩種標定方法。攝像機標定一般應用于機器人視覺、車輛導航等領(lǐng)域。但使用此標定方法精度不高，在本實驗中采用系統(tǒng)標定。系統(tǒng)標定中，通過實驗得到圖像尺寸和物體實際尺寸之間的轉(zhuǎn)換系數(shù)，將以像素為單位數(shù)據(jù)乘上轉(zhuǎn)換系數(shù)從而轉(zhuǎn)換為空間中以毫米為單位的尺寸。在商業(yè)用的機器視覺開發(fā)平臺中應用較多。

本實驗以攝像頭與物體距離H固定、且已知攝像頭獲取的圖像中點機床坐標（X，Y）為前提，對物體加工點機床坐標進行確定。在距離為H時，可測定工件實際尺寸與圖像比例為1/K pix/mm，即K mm/pix。此數(shù)值表示，每一個像素單位，實際尺寸為Kmm。

在像素坐標系中，假設攝像頭獲取的圖像中點像素坐標為原點。通過邊緣檢測，可知加工點像素坐標為（x，y），則其機床坐標為（X+Kx，Y+Ky）。在此基礎上，可實現(xiàn)視覺對刀。

5結(jié)語

本文在不改變機床基本結(jié)構(gòu)的情況下，針對傳統(tǒng)對刀方法中存在的缺點和不足，提出基于機器視覺的對刀方法。

通過對工業(yè)攝像機采集到的工件圖像進行處理、分析。確定工件坐標系和機床坐標系的相對位置，獲取工件對刀點。使對刀點與刀位點重合即可完成對刀操作。該方法能夠較準確、快速地獲取對刀點優(yōu)化工作環(huán)境，解決了手動對刀中效率低下、精度不高的問題。使車削加工的自動化得以實現(xiàn)。

參考文獻

[1]馮恩娟，康敏，傅秀清等.機器視覺的電解車削對刀間隙檢測[J].現(xiàn)代制造工程，2010，（4）：155156.

[2]蘇恒強，馮雪，于合龍等.基于Harris角點檢測的位移測量算法[J].實驗力學，2012，27（1）：4553.

[3]C.GHarris， M.J.Stephens.A combined corner and edge detector[C].Proceedings Fourth Alvey Vision Conference. Manchester，U.K，1988：147151.

[4]魏學光.基于機器視覺的數(shù)控機床自動對刀技術(shù)研究[D].北京：北方工業(yè)大學，2014：2930.

[5]趙立濤，王婥，劉渝.基于機器視覺技術(shù)的電腦輔助對刀系統(tǒng)研究[J].林業(yè)實用技術(shù)，2013，（1）：5960.