一、引言
隨著機器人技術的日益成熟和汽車產業的高速發展，越來越多的工業機器人投入到汽車生產之中。作為汽車生產重要組成部分的涂膠環節，由于其工作軌跡復雜、工作強度大以及運動準確性和平穩性要求高的特點，正逐步完成從手工涂膠到機器人涂膠的轉變。近年來，隨著國內工業生產自動化的不斷推廣和汽車行業競爭的日益加劇，機器人涂膠質量的傳統檢測技術已無法滿足企業的實際生產要求，同時基于機器視覺技術的檢測系統正逐漸取代傳統的依賴于人類視覺能力的檢測方法，廣泛地應用于現代工農業生產中。因此，針對上述現狀，本文設計了基于機器視覺的機器人涂膠質量在線檢測系統以提高汽車企業的生產效率和自動化水平。
圖1 機器人涂膠質量檢測現場圖
二、系統介紹
涂膠質量在線檢測系統主要由機器視覺硬件平臺和在線質檢軟件兩部分構成，其目標任務是在線檢測汽車前蓋折邊膠的膠線截面直徑與膠線中心到車蓋邊緣的距離，圖1為機器人涂膠檢測現場。該系統在企業原有汽車前蓋機器人涂膠系統的基礎上，加裝工業相機、鏡頭和光源等視覺裝置，實時采集涂膠圖像送至視覺系統工控機進行圖像處理，并結合在線檢測之前建立的涂膠質量標準信息庫及涂膠機器人系統的相關數據，對涂膠質量信息進行分析，根據檢測結果判斷是否發出報警信號，同時將必要信息保存在本地數據庫中，方便進行質量追溯查詢，其系統框架如圖2所示。
視覺硬件平臺方面，由于相機鏡頭等固定在機器人末端，為了解決檢測過程中膠線被車蓋翹曲部分或膠槍頭擋住的問題，采用雙相機配置，并設計可拆卸、可調整的靈活安裝機構，通過示教調整機器人的涂膠軌跡和姿態以避免與車蓋干涉，同時利用對比實驗確定最優的安裝姿態角和安裝方位。
圖2 涂膠質量在線檢測系統框圖
涂膠質量在線檢測軟件直接與用戶交互，接受用戶的命令和參數進行檢測工作，并將涂膠質量的檢測結果反饋給用戶，主要包括圖像采集與處理、機器人控制器通信、相機標定操作、圖像分析、神經網絡預測及數據庫操作等模塊。圖3為基于MS Visual Studio平臺開發的系統軟件主界面。
圖3 視覺檢測系統軟件主界面
三、檢測原理分析
3.1 相機離散采樣標定
在分析圖像中被檢測物體的實際尺寸和位置時，需要通過相機標定事先獲得像素距離與實際距離的比例關系，同時得到膠線與圖像邊界的交點坐標以確定進行圖像分析的區域范圍。為了實現涂膠質量的實時檢測，方案中將相機鏡頭等固定安裝在機器人末端的膠槍上，其位置與姿態會沿涂膠軌跡時刻發生變化，導致涂膠位置的相機標定結果也隨之改變，因而需要在實際在線檢測之前對涂膠軌跡上每一個圖像采集位置進行相機標定。同時因為汽車前蓋曲面復雜，折邊膠線為空間三維物體，傳統的二維平面標定無法滿足檢測精度的需要。為了提高相機標定精度、簡化標定流程，專門制作了尺寸已知的與膠體形狀大小基本相同的標定物，將其固定在車蓋的標準涂膠位置上，控制機器人進行不出膠的涂膠運動，并通過相機周期采集標定物圖像，經處理分析得到標定結果，同時記錄圖像采集時刻的機器人末端位姿，完成離散采樣標定。
3.2 神經網絡涂膠信息預測
由于相機離散采樣標定無法給出涂膠軌跡上任意位置的標定結果，因而在線檢測的程序實現過程中會出現標定結果匹配不準確的現象。同時，大量實驗表明，當標定物圖像對應的機器人末端位置姿態非常接近時，其標定結果和交點坐標也十分相近。因此，在標定位置的分布足夠密集時，可以通過擬合預測的方法得到整個涂膠軌跡的任意位置所對應的標定結果和交點坐標的近似值。根據上述結論，本系統采用相機離散采樣標定得到的標定信息和機器人末端位姿作為神經網絡的訓練樣本，基于廣義回歸神經網絡的擬合預測功能建立包含涂膠軌跡上任意位置所對應的標定信息近似值的涂膠質量標準信息庫，為實際在線檢測時進行對比分析提供必要信息。
3.3 系統工作流程
由前文所述，本系統的工作流程主要分為兩個階段：首先，對采集到的每一幅標定物圖像進行圖像處理和分析，得到其標定結果及標定物與圖像邊界的交點坐標，然后以各標定物圖像對應的機器人末端位置姿態為輸入，以相應的標定結果和交點坐標為期望輸出，進行神經網絡的樣本訓練，此時訓練好的神經網絡即為涂膠質量標準信息庫；其次，實際在線檢測時，將當前膠線圖像對應的機器人末端位姿輸入到涂膠質量標準信息庫中，根據輸出的標定信息和交點坐標就可以對該膠線圖像進行分析檢測，最終得到涂膠質量信息。圖4中a)和b)分別為上述兩個階段的工作流程。
圖4 系統工作流程圖
四、檢測算法實現
4.1 圖像處理算法
在建立涂膠質量標準信息庫和進行涂膠質量在線檢測的過程中，需要對采集到的標定物和膠線原始圖像進行處理，去除干擾信息，突顯圖像的有效信息，以便于后續圖像分析的進行。圖5為涂膠質量檢測的圖像處理流程。
圖5 圖像處理流程圖
首先，由于圖像中標定物或膠線都是從膠槍出膠口處開始向各個方向延伸，當相機安裝位置固定后，出膠口在圖像中的坐標為定值，且出膠口附近的光照條件較好，因此以膠槍出膠口為中心對原始圖像進行裁剪；其次，工業現場環境復雜，圖像在采集和傳輸過程中常常會受到外界干擾而產生噪聲，影響圖像質量和檢測精度，故根據噪聲隨機高頻的特性，選擇中值濾波器對圖像進行濾波處理；由于膠線和標定物均為黑色，而車蓋表面為金屬灰色，兩者在圖像中的灰度值差異較大，可以通過最大類間方差法將膠線和標定物從車蓋背景中分割出來，以便于后續處理的進行；圖像經二值化分割處理后，在目標區域內可能會出現孔洞、邊緣凹凸等缺陷，需要通過閉合運算與開啟運算等形態學處理進行修正；最后，由于膠線和標定物的寬度和位置信息主要通過圖像邊緣體現，因此選用Roberst算子法對圖像進行邊緣檢測。
4.2 圖像分析算法
在涂膠質量標準信息庫的建立過程中，由于標定物的實際截面直徑和固定位置已知，因此只需要分析出每幅標定物圖像中標定物直徑方向的像素距離與位置方向的像素距離，就可以得到該標定物圖像對應的標定結果。標定物直徑與位置信息檢測算法實現流程為：先確定標定物與圖像邊界交點的準確坐標，然后以出膠口和交點的連線為中心，搜索圖像中待檢測區域的標定物中心線，接著以得到的中心線為基準，搜索線上指定位置處的標定物邊緣點，對應邊緣點間像素距離即為需要的標定物直徑信息，同時在中心線的指定位置處搜索車蓋邊緣點，線上該點與對應車蓋邊緣點間像素距離即為待求的標定物位置信息。
涂膠質量在線檢測時，膠線圖像的分析算法與標定物直徑位置檢測算法大體相同，區別在于分析對象由標定物的邊緣圖像轉變為膠線的邊緣圖像，同時膠線與圖像邊界交點坐標的近似值由涂膠質量標準信息庫提供。在得到膠線直徑方向和位置方向的像素距離后，將其與涂膠質量標準信息庫中的預測值進行對比，通過相應的比例關系計算出膠線的實際尺寸和位置信息：
式中，D(i)、d(j)分別為指定位置處膠線的截面直徑與膠線中心到車蓋邊緣的距離；Dia(i)、Dis(j) 分別為指定位置處膠線直徑和位置方向的像素距離；FD、Fd分別為圖像對應涂膠位置處直徑和位置方向上的坐標投影比例；Dstd、dstd分別為標定物的截面直徑與其中心到車蓋邊緣的實際距離；D?ia、D?is分別為圖像對應涂膠位置處的相機標定結果預測值（像素距離）。
4.3 神經網絡預測算法
廣義回歸神經網絡是一種基于非線性回歸理論的前向型神經網絡，其較BP神經網絡具有更好的函數逼近能力和穩定性，結構如圖6所示。經實驗分析可知，由于標定物圖像的檢測區域較小，標定物的尺寸和位置精度較高，同時相機離散采樣的密度較大，因此本文選取每幅標定物圖像經處理分析后得到的4個變量（xint, yint, Dia, Dis）作為訓練樣本的期望輸出，其中xint, yint為圖像邊界交點坐標，Dia, Dis分別代表標定物的直徑信息和位置信息；同時將與每幅標定物圖像一一映射的6個機器人末端位置姿態變量（x, y, z, Rx, Ry, Rz）作為訓練樣本的輸入，進行神經網絡的訓練學習，最終得到涂膠質量標準信息庫。而實際在線檢測時，只需將當前膠線圖像對應的機器人末端位姿輸入涂膠質量標準信息庫中，就可以得到相應的相機標定結果及交點坐標的預測值，用于后續的涂膠質量分析。
圖6 廣義回歸神經網絡結構圖
五、系統在線運行實驗
在完成涂膠在線質檢系統軟硬件平臺搭建，并進行了相機離散采樣標定和涂膠質量標準信息庫的建立之后，本文在機器人涂膠現場對視覺質檢系統進行了在線運行實驗，最終隨機抽取20個在線質檢樣本。為了得到本系統檢測性能的定量檢驗結果，采用人工檢測方式對在線質檢樣本中各檢測位置的膠線直徑和位置尺寸進行手動測量，并將其作為準確尺寸對質檢系統的檢測結果進行分析。
綜合分析人工檢測與自動檢測所得數據可知，涂膠質量在線檢測系統在線運行時直徑尺寸檢測結果的平均絕對誤差為0.3160mm，標準誤差為0.3411mm，滿足0.5mm的直徑檢測精度要求；位置距離檢測結果的平均絕對誤差為0.6242mm，標準誤差為0.6675mm，滿足1.0mm的位置檢測精度要求；同時在線檢測時間間隔為150ms，滿足200ms的檢測周期要求。
六、總結
本文開發了汽車前蓋機器人涂膠質量在線檢測系統，該系統基于機器視覺技術和神經網絡技術，對采集到的汽車前蓋機器人涂膠圖像進行處理和分析，得出折邊膠膠線的直徑和位置信息，實現了其質量的在線檢測?；跈C器視覺的自動檢測技術是我院今后的研究重點和發展方向，同時結合公司在人工智能領域的研究成果，我院將為更多的企業或行業提供更加智能化的技術解決方案。
