丁度坤，舒雨峰，謝存禧，張 鐵

（1.東莞職業(yè)技術(shù)學(xué)院，廣東 東莞 523808；2.華南理工大學(xué) 機(jī)械與汽車工程學(xué)院，廣東 廣州 510640）

1 引言

隨著人們生活水平的提高，對自身所穿著的鞋類品質(zhì)提出了更高的要求，個(gè)性化定制是將會是未來鞋業(yè)發(fā)展的趨勢[1]。近年來，中國經(jīng)濟(jì)飛速發(fā)展，我國已經(jīng)代替歐美國家，成為世界上最大的鞋業(yè)出口國[1]。據(jù)中國皮革協(xié)會提供相關(guān)的統(tǒng)計(jì)數(shù)據(jù)顯示，2005年，我國鞋類產(chǎn)量是100億雙，占世界的60%，2010年我國的鞋類產(chǎn)量是130億雙，占到了世界總產(chǎn)量的65%。

鞋類的制作過程，通常包括造型、裁斷、裝配等幾大工藝流程，整鞋的裝配就是其中一道非常重要的工藝，其目的是將鞋幫和鞋底裝配在一起以成為最終的整鞋[2]。裝配工藝的好壞，直接關(guān)系到最終整鞋的外輪廓及舒適度，乃至消費(fèi)者對該產(chǎn)品的最終認(rèn)同感。鞋類的裝配常見的有膠粘、縫制、模鞋、注塑及硫化等幾種方法。其中以膠粘工藝因其流程簡單等優(yōu)點(diǎn)，成為了應(yīng)用最廣泛的裝配工藝。據(jù)中國皮革協(xié)會統(tǒng)計(jì)，目前市場上80%以上的鞋子所采用的裝配方式都是膠粘工藝，它是用粘膠劑將鞋幫、內(nèi)底和外底粘合在一起的一種方法[3]。目前，制鞋的膠粘工藝基本上還是由工人手工完成，涂膠的質(zhì)量，容易受到工人情緒、健康及操作熟練程度的影響，無法保證涂膠厚度的一致性，同時(shí)涂膠過程中所揮發(fā)出來的氣體含有苯等劇毒元素，對工人的健康影響也很大。

實(shí)現(xiàn)涂膠過程的自動化，具有巨大的社會及經(jīng)濟(jì)效益。在鞋類自動涂膠機(jī)生產(chǎn)領(lǐng)域，國外的以意大利、法國的涂膠機(jī)較為知名。例如，意大利的Cerim公司開發(fā)了一種涂膠機(jī)，采用機(jī)器視覺自動識別鞋子的大小和形狀，將相關(guān)信息輸入給控制系統(tǒng)，再由控制器驅(qū)動5根軸聯(lián)動，使得涂膠手臂能夠在空間不同角度執(zhí)行涂膠作業(yè)；法國的ACTIS（豐雅）公司研制了一條涂膠生產(chǎn)線，以6軸工業(yè)機(jī)器人為核心，實(shí)現(xiàn)不同工藝間的連接[4]。目前我國的自動涂膠設(shè)備大多數(shù)制造企業(yè)仍處于仿制的階段，而且相關(guān)的功能單一，具有核心技術(shù)自主知識產(chǎn)權(quán)的企業(yè)還較少。

在鞋底運(yùn)動軌跡的自動識別方面，國外的例如文獻(xiàn)[5]采用結(jié)構(gòu)光+機(jī)器視覺系統(tǒng)測量鞋底輪廓，獲取鞋底輪廓點(diǎn)數(shù)據(jù)，引入NURBS曲線進(jìn)行點(diǎn)插補(bǔ)；文獻(xiàn)[6]先對鞋底進(jìn)行三維CAD掃描，由此來獲取涂膠運(yùn)動軌跡。國內(nèi)的例如文獻(xiàn)[7]基于鞋底的CAD模型，通過讀取鞋底CAD模型里的數(shù)據(jù)，獲取到了涂膠點(diǎn)云數(shù)據(jù)，再對所獲得的點(diǎn)云數(shù)據(jù)進(jìn)行插補(bǔ)；文獻(xiàn)[8]中對涂膠路徑的規(guī)劃進(jìn)行研究，在獲取到鞋底點(diǎn)數(shù)據(jù)的基礎(chǔ)上，用蟻群算法，以最短路程構(gòu)造優(yōu)化模型，生成最優(yōu)的涂膠路徑。從未來的發(fā)展來看，最新的機(jī)器人、人工智能、物聯(lián)網(wǎng)以及機(jī)器視覺技術(shù)在制鞋等生產(chǎn)制造領(lǐng)域的應(yīng)用是趨勢[9]。因此，研究了一種基于機(jī)器視覺的中后幫涂膠機(jī)運(yùn)動軌跡識別新方法，在自主研發(fā)的涂膠機(jī)上，引入視覺檢測技術(shù)，在自然光條件下，實(shí)時(shí)采集鞋底中后幫圖像。在此基礎(chǔ)上，用最新的GA人工智能方法，自動獲取最優(yōu)閾值，得到理想的鞋底二值化圖像，并進(jìn)行了邊緣提取，為后期的涂膠軌跡生成奠定基礎(chǔ)。

2 自開發(fā)中后幫鞋機(jī)自動涂膠系統(tǒng)

課題組自主開發(fā)了中后幫自動涂膠機(jī)，如圖1（a）所示。其硬件架構(gòu)，如圖1（b）所示。主要包括了機(jī)械本體、工控機(jī)、運(yùn)動控制器、伺服驅(qū)動器、交流伺服電機(jī)、圖像采集卡及CCD相機(jī)等。其中工控機(jī)主機(jī)、運(yùn)動控制器、伺服驅(qū)動系統(tǒng)及圖像采集系統(tǒng)安裝于床身之內(nèi)，人間交互通過與主機(jī)相連的觸摸屏及控制柜上的按鈕實(shí)現(xiàn)。機(jī)械本體主要包括了涂膠進(jìn)給Y軸、左涂膠X1軸及右涂膠X2軸，三個(gè)軸均由交流伺服電機(jī)驅(qū)動。工作時(shí)，隨著Y軸的進(jìn)給運(yùn)動，X1軸及X2軸上的涂膠槍將逐漸偏離鞋底軌跡。此時(shí)，CCD相機(jī)實(shí)時(shí)采集鞋底信息，將運(yùn)動點(diǎn)坐標(biāo)反饋給工控機(jī)，以驅(qū)動左右涂膠軸對涂膠過程的運(yùn)動軌跡進(jìn)行實(shí)時(shí)跟蹤，從而實(shí)現(xiàn)涂膠過程的自動化。

圖1 自開發(fā)涂膠機(jī)及其硬件架構(gòu)Fig.1 The Developped Gumming Automatic Shoe Machine and its Hardware Structure

3 基于遺傳算法的中后鞋底圖像識別研究

自然界的生物在與外界惡劣環(huán)境的抗?fàn)幹校粩噙M(jìn)化，只有適應(yīng)環(huán)境的生物，才能夠生存下來，并不斷的繁衍總?cè)?，沒法適應(yīng)自然界環(huán)境的生物將慘遭淘汰。遺傳算法是對自然界生物“優(yōu)勝劣汰”機(jī)制的一種模擬，目前在機(jī)器人運(yùn)動控制、尋優(yōu)計(jì)算、信息處理等各領(lǐng)域得到了廣泛應(yīng)用。利用遺傳算法強(qiáng)大的尋優(yōu)迭代功能，實(shí)時(shí)獲取最優(yōu)的鞋底圖像閾值[10]，提高圖像分割效果。

3.1 鞋底圖像灰度的編碼及解碼

初始的染色體總?cè)河捎?jì)算機(jī)隨機(jī)生成，以代表圖像的灰度等級。定義每條染色體個(gè)體包含8個(gè)基因位，基因位的取值為0或1，初始染色體個(gè)體的基因位取值由計(jì)算機(jī)隨機(jī)產(chǎn)生，染色體個(gè)體解碼，如式（1）所示：y=a8×27+a7×26+…+a1×20（1）

式中：y—鞋底圖像的分割閾值，取值范圍（0～255）；ai—圖像灰度染色體個(gè)體第i位的數(shù)值，ai=0或1。

3.2 鞋底圖像閾值適應(yīng)度函數(shù)

將圖像灰度的最大類間方差函數(shù)定義為灰度染色體個(gè)體的適應(yīng)度函數(shù)。假設(shè)當(dāng)前圖像的閾值為k（0≤k≤255），C0灰度級為［0，1，…，k-1］的像素類，C1為灰度值為［k，k+1，…，L-1］的像素類，則圖像灰度的類間方差定義如下[10]：

式（2）中各參數(shù)的表達(dá)式如下：

3.3 遺傳操作

遺傳算法來源于自然界的生物進(jìn)化理論，對生物的遺傳、選擇與變異操作進(jìn)行了數(shù)學(xué)化的模擬，以獲取問題的最優(yōu)解，具體的操作流程如下[10]。

3.3.1 選擇與復(fù)制

選擇與復(fù)制操作基于生物的“適者生存”原則，從總?cè)褐刑暨x適應(yīng)度最高的個(gè)體進(jìn)行復(fù)制，個(gè)體的適應(yīng)度越高，其產(chǎn)生的后代個(gè)體也更多，從而使得優(yōu)秀生物個(gè)體的遺傳信息能夠更好的傳遞下去，選擇與復(fù)制操作原則如式（4）所示。

式中：gi—第i個(gè)灰度個(gè)體產(chǎn)生的后代個(gè)體數(shù)目，單位：個(gè)；N—生物總?cè)褐袀€(gè)體總數(shù)，單位：個(gè)；f（di）—第i個(gè)圖像灰度個(gè)體的適應(yīng)度。

3.3.2 交叉

交叉操作體現(xiàn)了自然界生物通過交換遺傳信息來創(chuàng)造新個(gè)體的機(jī)制，首先確定要交叉的基因位置，然后將親代生物個(gè)體左邊或右邊的染色體片段進(jìn)行交換，由此產(chǎn)生新的生物個(gè)體，以期望能夠得到適應(yīng)度更高的生物個(gè)體，其過程，如圖2所示。

圖2 交叉操作Fig.2 The Crossover Operation

3.3.3 變異

在自然界中，當(dāng)生物受外界某些偶然因素的影響時(shí)，其基因位可能發(fā)生變異，由此創(chuàng)造出全新的生物個(gè)體，進(jìn)而產(chǎn)生了適應(yīng)度不同的新個(gè)體，遺傳算法的變異操作就是對自然界生物這種變異現(xiàn)象的模擬。具體的過程為首先定義一個(gè)圖像灰度個(gè)體變異的概率值及總?cè)旱淖儺愰撝担叶葌€(gè)體的變異值由計(jì)算機(jī)隨機(jī)產(chǎn)生。當(dāng)個(gè)體的變異值大于總?cè)旱淖儺愰撝禃r(shí)，圖像灰度個(gè)體將發(fā)生變異，即圖像灰度個(gè)體中的基因位的數(shù)值將發(fā)生逆轉(zhuǎn)（0變?yōu)?，或者1變?yōu)?），如圖3所示。

圖3 變異操作Fig.3 The Variation Operation

4 基于遺傳算法的中后幫鞋底軌跡識別

4.1 中后幫鞋底圖像預(yù)處理

基于圖1的系統(tǒng)，在自然光條件下，采集中后幫鞋底圖像，如圖4（a）所示。由圖4（a）可以看出，由于未采用外加光源，圖像較為昏暗，對比度不足。與此同時(shí)，在鞋底的周邊還充斥著夾具、各種裝夾螺釘?shù)葯C(jī)械部件的干擾。為改善圖像質(zhì)量，提高鞋底與周邊機(jī)械部件的對比度，對圖像進(jìn)行了中值濾波及灰度增強(qiáng)處理，處理后圖像如圖4（b）所示，由圖4（b）不難看出，經(jīng)過預(yù)處理后的圖像，亮度得到提高，對比度顯著增強(qiáng)，但鞋底周邊的干擾信息也得到了增強(qiáng)。

圖4 預(yù)處理前后鞋底圖像Fig.4 The Shoe Images Before and After Preprossing

4.2 基于遺傳算法的鞋底運(yùn)動軌跡提取

由圖4的分析可以看出，圖像預(yù)處理在增強(qiáng)圖像對比度的同時(shí)，鞋底周邊的干擾信息也被強(qiáng)化了。必須選擇最優(yōu)的圖像分割閾值，以去除鞋底圖像周邊的夾具、各種裝夾螺釘?shù)雀蓴_信息。研究了基于遺傳算法的鞋底圖像閾值分割算法，以獲取最優(yōu)的圖像分割閾值。初始的圖像灰度個(gè)體由計(jì)算機(jī)隨機(jī)產(chǎn)生，將圖像灰度總?cè)簜€(gè)體數(shù)設(shè)為400，每個(gè)灰度級個(gè)體包括8個(gè)基因位，基因位取值分別為｛0，1｝。按照解碼公式（1），個(gè)體解碼后的數(shù)值對應(yīng)圖像的（0-255）共256個(gè)灰度等級，灰度個(gè)體交叉概率設(shè)為0.6，總?cè)鹤儺愰撝翟O(shè)為0.001，總?cè)捍鷶?shù)設(shè)為100代。如前所示，GA算法分別包括了圖像灰度個(gè)體的隨機(jī)生成、選擇、交叉、變異等遺傳操作。通過算法的不斷迭代，使總?cè)褐谢叶燃墏€(gè)體的適應(yīng)度不斷提高，直到個(gè)體的適應(yīng)度收斂于某一個(gè)限定值，即個(gè)體的適應(yīng)度不再提高了為止，圖像最終的閾值處理效果，如圖5（a）所示。普通的ostu閾值法處理效果，如圖5（b）所示。

圖5 GA與Otsu處理后圖像Fig.5 Images After GA and Ostu Process

由圖5（a）的圖像閾值處理結(jié)果不難看出，與傳統(tǒng)的Ostu算法對比，基于GA的自動閾值處理能夠獲取到更優(yōu)的分割閾值，有效地去除鞋底周邊機(jī)械部件的干擾，準(zhǔn)確地定位到鞋底區(qū)域，在去除周邊干擾信息的同時(shí)，較好地保留了鞋底圖像。從圖5（a）也可以看出，在中后幫鞋底圖像的周邊存在一些孤立點(diǎn)的干擾。為去除這些干擾，對圖5（a）的圖像進(jìn)行了數(shù)學(xué)形態(tài)學(xué)處理，如圖6（a）所示。同時(shí)進(jìn)行了邊緣檢測，得到了較為理想的鞋底邊緣，如圖6（b）所示。在忽略機(jī)械本體誤差的前提下，鞋底軌跡圖像誤差由圖像數(shù)學(xué)形態(tài)學(xué)的腐蝕處理造成，最終的圖像誤差為±0.03mm。

圖6 后期處理后圖像Fig.6 Image After Post Process

5 結(jié)論

（1）自主開發(fā)了中后幫鞋底自動涂膠機(jī)系統(tǒng)，引入了視覺檢測方法，采集鞋底圖像，并自動保存至計(jì)算機(jī)硬盤；（2）在自然光條件下，對采集到的鞋底圖像進(jìn)行了中值濾波及灰度增強(qiáng)處理。在此基礎(chǔ)上，研究了基于遺傳算法的圖像閾值算法，獲取最優(yōu)的圖像分割閾值。結(jié)果表明，與傳統(tǒng)的ostu算法相比，基于遺傳算法的圖像分割能較好地去除周邊機(jī)械部件及由于亮度不均所帶來的信息干擾，準(zhǔn)確提取鞋底信息；（3）對閾值分割后的圖像進(jìn)行了數(shù)學(xué)形態(tài)學(xué)處理，以濾除鞋底周邊的孤立點(diǎn)，并用邊緣檢測算法較好地提取了鞋底輪廓的邊緣，最終的圖像誤差為±0.03mm，為后期的鞋底運(yùn)動軌跡生成奠定基礎(chǔ)。

［1］李波.基于變形控制的涂膠機(jī)器人結(jié)構(gòu)優(yōu)化設(shè)計(jì)［D］.南昌：南昌航空大學(xué)，2013.（Li Bo.A structural optimization of spraying robot based on the deformation errors control［D］.Nachang：Nanchang Hangkong University，2013.）

［2］趙燕偉，鐘允暉，陳建.基于制鞋涂膠工藝的機(jī)器人噴涂速度控制研究［J］.機(jī)械設(shè)計(jì)與制造，2013，42（3）.（Zhao Yan-wei，Zhong Yun-hui，Chen Jian.Study on the speed control of robot spraying based on shoemaking glue process［J］.Machine Design and Manufacture，2013，42（3）.）

［3］郝根旺.基于機(jī)器人的制鞋成型過程智能控制策略設(shè)計(jì)［D］.大連：大連理工大學(xué)，2014.（Hao Gen-wang.The design of intelligent control strategy for shoemaking assembly process based on robot［D］.Dalian：Dalian University of Technology，2014.）

［4］汪安國.甚干結(jié)構(gòu)光的鞋底信息提取與機(jī)器人噴膠軌跡生成方法研究［D］.杭州：浙江理工大學(xué)，2010.（Wang An-guo.Research on the methods for shoe information extraction basedonstructurelightandrobotgummingpathgeneration［D］.Hangzhou：Zhejiang Sci-Tech University，2010.）

［5］Hu Zhongxu，Bicker Robert，Taylor Paul.Computer vision for shoe upper profile measurement via upper and sole conformal matching［J］.Optics and Lasers in Engineering，2006，45（1）.

［6］Kim，J.Y.CAD-based automated robot programming in adhesive spray systems for shoe outsoles and uppers［J］.Journal of Robotic Systems，2004，21（11）.

［7］武傳宇，賀磊盈，李秦川.基于CAD模型的鞋底噴膠軌跡生成方法［J］.計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2008，20（5）.（Wu Chuang-wu，He Lei-ying，Li Qin-chuan.CAD-based method for generating spraying trajectory of adhesive on shoe soles［J］.Journal of Computer-Aided Design&Computer Graphics，2008，20（5）.）

［8］胡小兵，黃席樾.基于蟻群算法的三維空間機(jī)器人路徑規(guī)劃［J］.重慶大學(xué)學(xué)報(bào)，2004，27（8）.（Hu Xiao-bing，Huang Xi-yue.Path planning in 3-D space for robot based on ant colony algorithm［J］.Journal of Chongqing University，2008，20（5）.）

［9］拜穎乾，赫東鋒，劉波.表面貼裝LED全自動編帶機(jī)視覺檢測系統(tǒng)研制［J］.機(jī)械設(shè)計(jì)與制造，2013（7）.（Bai Ying-qian，He Dong-feng，Liu Bo.Led of automatic taping machine visiondetectionsystemdevelopment［J］.MachineryDesign&Manufacture，2013（7）.）

［10］段海濱，張祥銀，徐春芳.仿生智能計(jì)算［M］.北京：科學(xué)出版社，2011.（Duan Hai-bin，Zhang Xiang-yin，Xu Chun-fang.Bionic Intelligent Computing［M］.Beijing：Science press，2011.）