文/張昊武·中國機械總院集團機電研究所有限公司

彭群，杜貴江，李峰·北京機電研究所有限公司揚州分公司

為解決生產(chǎn)線上精沖件正反面實時分揀的問題，提出了一種基于像素點分割的判別算法，從提取的ROI 中心對圖像進行n(n＞3)等分，計算每份中非零像素點數(shù)量，并由此組成一個特征向量，然后通過計算待檢測圖像和模板兩者的特征向量的歐氏距離，根據(jù)其結果設定閾值用來判別正反面?；诖怂惴ㄔO計開發(fā)了一套檢測系統(tǒng)，整體平均運行速度達到2.68ms/件，準確率達到99.99%。

問題提出的背景

精沖零件的幾何形狀、尺寸和形位公差以及剪切面的質(zhì)量都遠優(yōu)于普通沖裁的零件，因此精沖工藝在汽車零件制造和航空航天等相關領域發(fā)揮著很大作用。利用機器視覺檢測，按照零件的正反面進行分揀，可減少人工，極大地提高生產(chǎn)效率，便于后續(xù)的直接裝配、去毛刺和打包裝箱等生產(chǎn)流程。

對于小型零件，模具往往采用多型腔設計，一次沖裁可以成形多個零件(2 ～6 個)。這種短時間內(nèi)成形多個零件的工作節(jié)拍，會導致一個周期內(nèi)掉落在送檢傳送帶上的零件間隔較小，在傳送帶長度有限的情況下，不能很好的將其間隔變大。在利用機器視覺進行檢測時，間隔較小對于觸發(fā)拍照的方式也有影響，即：當?shù)谝粋€零件還沒有走出拍照區(qū)域，第二個零件就觸發(fā)了拍攝開關，存在拍攝不到完整零件或者將上一個零件拍進照片的可能。

另外實際生產(chǎn)環(huán)境中油污、灰塵及零件料渣等可能對傳感器探頭造成一定遮擋，使觸發(fā)閾值發(fā)生變化；以及未去除的廢料粒觸發(fā)了開關，這些都有可能導致拍攝不到完整零件或將上一個零件再次識別，從而無法對零件進行檢測判斷。因此，急需一種快速穩(wěn)定的檢測技術對零件進行目標識別與正反面判斷，以解決上述問題。

目標識別

為了解決觸發(fā)拍照帶來的問題，本文使用視頻模式連續(xù)拍攝，對目標的完整性提出了以下判斷方法。其可以對出現(xiàn)在視野里的零件依次追蹤編號，由此可以將檢測結果與每個零件一一對應上，通過相關信息的判斷語句，在每個零件完全進入相機視野時，對其進行判斷。新零件出現(xiàn)在視野中時賦予其新編號，退出視野時取消其編號。其中關鍵在于，如何判斷目標完全進入視野和退出視野、檢測以及目標跟蹤。

首先用最小外接矩形框住進入視野的目標，然后設置兩個條件語句。條件一，矩形短邊的長度超過一個閾值；條件二，矩形中心點跨過“絆線”(圖1 中綠色豎線)。若條件一，二均為真，則認為該目標完全進入視野，沒有處于視野之外的部分，并且提取矩形框中的圖形作為ROI，流程圖如圖2 所示。目標進入視野時的情況如圖1 所示，時刻1 中，右側零件滿足條件一、二，矩形框為綠色表示已標記，標記為01 號零件；左側零件不滿足條件一、二，矩形框為藍色表示未標記，不進行標記編號。時刻2 中，左側零件越過絆線，滿足條件一、二，矩形框變?yōu)榫G色，標記為02 號零件。

圖1 目標進入視野的情況

圖2 判斷是否進入視野的流程圖

零件的正反判斷

位姿矯正

由于零件掉落到傳送帶上位姿是隨機的，以圖3為例，往往與模板之間存在一定的角度差異，以矩形框最下方一點為原點，過原點的水平線為角的始邊，過原點且位于原點右側的矩形的一邊為終邊，始邊與終邊所夾銳角為角度差異θ。逆時針旋轉θ 角度后，最小外接矩形連同零件的圖像被轉正。轉正后的圖像位姿與4 個模板(圖4 中a-d)其中之一相同。

圖3 待檢測圖像ROI

基于像素點分割的判別算法

將圖4a 的模板，以中心點為原點，按圖5 的方式進行四等分，分別計算各象限的黑色像素點數(shù)量。對于復雜的圖形，可以進行大于4 的等分。模板從第一象限到第四象限的黑色像素點數(shù)量組成向量a，以a 中最小值為第一個元素，同樣按照逆時針排序，得到向量b，b 作為模板向量。轉正后的待檢測圖像以同樣方法進行分割，從第一象限到第四象限為c，拼接兩個c 得到d。計算c 中最小值的索引為cmin，可以得到新的向量e，e 作為待檢測向量。向量a-e 見式1。

圖4 模板

圖5 分割圖

隨機抽取20 個零件檢測，結果如圖6 所示。結果表明，正面零件的歐式距離均大于500，反面零件的歐式距離均小于200?？梢栽O定判別閾值為350，據(jù)此來判別圖像的正反面。

圖6 歐氏距離分布圖

算法的實現(xiàn)與比較

根據(jù)本文提出的基于像素點分割的判別算法，利用C++編寫代碼，實現(xiàn)目標識別、ROI 提取和正反面判斷功能。被判斷為反面的零件，使用氣缸或機械臂將其放置于另一條傳送帶上，完成正反零件的分揀操作。若有需要可采用翻面機構將反面零件翻正，便于后續(xù)的去毛刺、打包裝箱和裝配等生產(chǎn)流程的進行。

連續(xù)采集100 件，整體的平均運行速度可達2.68ms/件，其中正反面判別部分的速度可達1.00ms/件，能夠滿足在20 ～60 幀/秒的視頻采集條件下運行。判別速度高于OpenCV中matchTemplate算子的5.00ms/件。本文算法與Hu 不變矩方法的判別速度相當，但其在實時檢測的情況下，誤判率更低，穩(wěn)定性更好。

結論

本文針對精沖零件，提出了一種用于正反面識別的基于像素點分割的判別算法。由此開發(fā)了一套精沖件實時分揀的技術，搭建了零件正反面檢測系統(tǒng)并進行了實驗驗證。研究結果表明：

⑴檢測系統(tǒng)運行流暢，本文算法切實可行；

⑵檢測系統(tǒng)對單個零件的檢測時間為2.68ms；

⑶檢測系統(tǒng)對精沖零件正反面判斷的準確率達到99.99%。

研究成果對類似場景下其他產(chǎn)品正反面判別及實時分揀技術的研發(fā)具有借鑒意義。