CN111299815A - 一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法 - Google Patents

Abstract

本发明公开了一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法，利用机器视觉方法实现橡胶垫飞边轮廓检测，并根据视觉检测结果进行激光切割完成橡胶垫飞边切除。该方法由图像采集，全局图像定位，局部图像轮廓提取，几何轮廓拟合，激光切割轨迹规划等步骤组成。通过以上步骤，构建了一种面向低灰度图像工件自动识别加工的方法，提高生产效率。

Description

一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法

【技术领域】

本发明属于智能制造领域，涉及一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法。

【背景技术】

橡胶减震垫是高铁平稳运行关键零件。橡胶垫加工过程是采用注塑成型工艺，其特点在于橡胶垫是一个平面型的对象，其外观基本轮廓为方形，其表面分布有圆形凸起与条形凹槽。由于注塑成型工艺要求，导致橡胶垫产生飞边，因此需要对橡胶垫进行二次加工将飞边切除。

目前针对橡胶垫飞边的切除问题，基本采用人工切除的方法，人工成本高，且加工性能差。橡胶垫因其柔性特征，难以夹持固定。因此构建一种自动定位，非接触加工的智能制造方法显得十分必要。采用机器视觉检测轮廓特征和激光切割对橡胶垫飞边进行切割，填补橡胶垫自动化飞边切除的空白显得十分必要。

机器视觉技术近年得到广泛的应用，所谓机器视觉是指利用计算机信息技术和图像采集技术完成计算机对客观世界场景的展示，识别和认知。而机器检测技术是指利用机器视觉技术在工业现场实现对工件的检测、测量的新一代智能测绘技术。橡胶垫加工过程中，视觉检测特征识别的必要性体现在：橡胶垫加工过程需要进行实时定位，研究确定基准点位置和方位角视觉方法，并根据基准点位置确定轮廓位置，因此视觉检测技术十分必要。

根据视觉检测的轮廓特征，分析激光切割特点，构建激光切割轨迹的方法同样十分必要。激光切割应当遵循高效，灵活，准确的原则，针对橡胶垫切割特点，基于最短路径原则和橡胶垫多维变形的特点，提出激光切割的轨迹优化方法，并得到激光切割轨迹。

【发明内容】

本发明的目的在于解决现有技术中的问题，提供一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法，该该方法利用机器视觉方法实现橡胶垫飞边轮廓的识别，利用智能算法实现切割轨迹的规划，完成橡胶垫的激光切割，提高生产效率。

为达到上述目的，本发明采用以下技术方案予以实现：

一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法，包括以下步骤：

步骤1，对橡胶垫全局及局部进行图像采集；

步骤2，通过全局图像定位，实现橡胶垫在工位上的粗定位；通过分析橡胶垫结构特点，利用橡胶垫的两个椭圆实现几何特征定位；

步骤3，利用图像去噪和图像分割的方法获取轮廓边缘的分割点，实现橡胶垫飞边轮廓的精确定位；

步骤4，根据轮廓提取结果，进行加工几何图像轮廓拟合，对分割点集进行圆弧和直线拟合；

步骤5，根据视觉检测与几何拟合结果进行激光切割的轨迹规划，根据最短路径原则利用遗传蚁群算法进行切割轨迹规划。

与现有技术相比，本发明具有以下有益效果：

1.本发明直接面向的技术对象是橡胶减震垫，其目的是应用自动化技术解决橡胶垫飞边切割问题。利用机器视觉技术对橡胶垫的飞边进行视觉检测，获得待切割轮廓，然后分析切割过程的实质，完成轨迹规划，解决了橡胶垫自动化切割过程中的难题。

2.本发明应用机器视觉技术对橡胶制品进行了检测，其整体思路为先整体，后局部，先粗糙，后精细，该思路对于其他精密检测的具有启发作用。利用整体定位的结果作为参考，通过标记部件上的关键部位，利用数控***对关键部位进行高精度的局部图像采集与处理，获得高精度的检测结果。

3.本发明针对具有纹理噪声的图像处理问题，提出利用Gabor变换与模糊水平集向结合的思路，有效的解决了低对比度，高纹理噪声的图像特征提取问题。机械加工行业中由于材料与加工工艺的限制，是加工的部件表面往往存在刀具的纹理噪声，本文提供的视觉特征提取思路不仅仅局限于橡胶制品的应用。

4.本发明对于机械加工领域的轨迹规划问题进行了阐述，总结出轨迹规划的TSP模型，利用遗传算法与蚁群算法结合的思路，优化了TSP求解的过程。本发明从数学角度探讨了轨迹规划的数学本质，针对目前存在的用于解决轨迹规划的方法进行了对比，在前期利用遗传算法全局搜索的优点，后期利用蚁群算法收敛快的优点，完成轨迹规划的任务。

【附图说明】

图1为本发明的整体流程图；

图2为本发明实施例的相机采集全局图像；

图3为本发明实施例的相机采集局部图像；

图4为本发明实施例的小波增强图像；

图5为本发明实施例的椭圆平行弦中点连线过中心原理示意图；

图6为多组中心连线求椭圆中心示意图

图7为多个交点聚类示意图

图8为本发明实施例的全局图像检测结果；

图9为本发明实施例的局部关键点分布图；

图10为本发明实施例的局部采集图像；

图11为本发明实施例的局部轮廓提取流程图；

图12为本发明实施例的局部图像提取结果图，左侧为局部图像采集原图，右侧为提取结果图

图13为本发明实施例的几何轮廓拟合结果图，左侧为直线拟合结果图，右侧为圆弧拟合结果图

图14为本发明实施例的轨迹规划流程图。

【具体实施方式】

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，不是全部的实施例，而并非要限制本发明公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要的混淆本发明公开的概念。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。

本发明公开的上下文中，当将一层/元件称作位于另一层/元件“上”时，该层/元件可以直接位于该另一层/元件上，或者它们之间可以存在居中层/元件。另外，如果在一种朝向中一层/元件位于另一层/元件“上”，那么当调转朝向时，该层/元件可以位于该另一层/元件“下”。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

下面结合附图对本发明做进一步详细描述：

参见图1，本发明用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法，包括以下步骤：

步骤1，图像采集；本实施例采用CCD工业相机，针对橡胶垫全局图像采集，采用广角相机，垂直布置于橡胶垫上方0.5-1m处，并对相机进行平面标定，采用白色日光灯进行均匀布光，所采集图像见图2；针对局部图像采集，根据全局图像识别结果，利用二轴运动平台，实现局部采集相机的运动，局部相机微距相机，垂直布置于橡胶垫上方2cm处，采集图像见图3。

步骤2，利用小波变换对图像进行增强；采用“sym”小波对图像进行分解，根据阈值量化小波系数进行重构，对重构后的小波进行聚合得到增强后的图像，见图4。滤波采用高斯滤波方法，去除噪声平滑图像，在二维平面上，高斯滤波利用高斯核对图像进行加权求均值，高斯核公式如下：

边缘检测使用的是Canny算子，其基本步骤为：对平滑后的图像进行梯度幅值图像和角度图像计算梯度幅值图像进行应用非最大抑制；用双阈值处理和连接分析来检测并连接边缘。

对边缘检测的结果进行凸凹性检测的目的是判断圆弧是否能够构成椭圆。椭圆中心估计是利用椭圆的性质：一组平行弦的中点连线必过椭圆中心。利用3段不同象限的弧，两两组合求出椭圆的中心点，若中心点距离小于阈值则认为这三段弧可能属于同一椭圆。其几何示意图见图5、图6和图7，求取公式如下：

利用椭圆几何公式计算其几何参数，并计算聚类结果，获得椭圆检测结果，对结果大小和圆度进行约束其识别结果见图8所示。

步骤3，根据全局定位结果，在橡胶垫关键部位进行图像采集，其分布如图9所示，其采集结果如图10所示；对采集结果进行如图11所示的局部轮廓提取流程。

首先，分析原图像可知存在着严重的纹理噪声，对图像分割造成干扰，因此采用Gabor滤波对图像进行纹理抑制。Gabor滤波方法的主要思想是：不同纹理一般具有不同的中心频率及带宽，根据这些频率和带宽可以设计一组Gabor滤波器对纹理图像进行滤波，每个Gabor滤波器只允许与其频率相对应的纹理顺利通过，而使其他纹理的能量受到抑制，从各滤波器的输出结果中分析和提取纹理特征，用于之后的分类或分割任务。二维Gabor函数的具体公式根据以下公式来表示：

其主要过程为，第一步：建立Gabor滤波器组：选择6个尺度，4个方向，这样组成了24个Gabor滤波器；第二步：Gabor滤波器组与每个图像块在空域卷积，每个图像块可以得到24个滤波器输出；第三步：高斯低通滤波补偿局部变化，平滑Gabor幅度信息。第四步：添加空间位置信息的映射，该附加信息允许分类器优选在空间上靠近在一起的分组。第五步：通过主成分分量PCA方法对数据进行降维，得到Gabor滤波数据。

其次，对滤波数据进行FCM聚类，FCM聚类是一种基于目标函数的模糊聚类算法，主要用于数据的聚类分析。理论成熟，应用广泛，是一种优秀的聚类算法。基于此，假定数据集为X，如果把这些数据划分成c类的话，那么对应的就有c个类中心为C，每个样本j属于某一类i的隶属度为u_ij，那么定义一个FCM目标函数及其约束条件如下所示：

属度函数的表达式：

聚类中心公式：

通过对聚类结果进行评估，选择空间频率最小的一个聚类结果进行水平集分割，主要包括驱动力计算，图像演变曲面，确定迭代次数完成分割。通过水平集可以得到一个基于边缘的几何活动轮廓模型，如公式7所示。根据该模型实现图像演化，获得分割结果，其结果对比如图12所示。

步骤4，根据局部分割结果进行直线和圆弧几何轮廓拟合，直线拟合采用线性最小二乘，假定拟合的直线方程为：

y＝ax+b (8)

则对由两特征点分段得到的数据点，最小二乘距离：

采用误差估计法进行圆弧拟合。已知圆弧点列(x₁,y₁)…(x_i,y_i)…(x_n,y_n)，设其圆心坐标为(x_c,y_c)，半径为R，则点列半径为：

此时误差定义如式所示。

由于函数必须取得最小值，所以上式取R、x_c、y_c的偏导必须等于0，可获得圆弧参数。利用以上两种方法获得直线与圆弧拟合结果，如图13所示。

步骤5，通过局部轮廓整合获得切割轨迹；加工过程开始时激光切割头从机床原点快速移动到下一个待切割轮廓，以该轮廓上所有顶点中的其中一个来作为切割起止点，后沿着该轮廓轨迹将该环加工完，再移动到下一个待切割环上，重复上述过程直至切割完该工件所包含的所有环。通过加工过程分析，可以统一抽象为同一类数学问题，即是如何在很多封闭轮廓上寻找一系列点，然后在加工原则范围内，用某种顺序把这些点连接起来，使刀具在轮廓间移动的路径较短，大大提高生产率，节约加工成本。

首先确定切割轮廓的特征点，选取圆弧段的中点，直线端的端点进行特征确定。采用最邻近原则选取特征点作为轮廓打孔点。

轨迹规划的目的是使空行程最短，激光切割头空程运行时X、Y轴都可以允许的最高速度移动。设激光切割的编程原点为，那么X、Y轴路径优化问题的数学模型可表述为：

因此，激光切割轨迹规划问题转换为经典的组合优化问题—旅行商TSP问题。通过分析采用遗传算法+蚁群算法解决路径优化问题可以获得较优解。其流程图见图14，通过遗传算法与蚁群算法的结果，获得轨迹规划结果。

群算法进行高精度搜索，实现一种新的智能启发算法。

在利用遗传算法解决TSP问题时，需要将遗传算法的相关步骤与实际问题进行结合，具体如下：

适应度函数与编码问题：结合TSP问题，采用十进制实数编码，以点的遍历次序作为编码，以距离函数的倒数作为优化适应度函数。

初始种群与染色体选择：利用随机函数产生初始种群，根据适应度函数的取值对父染色体进行选择与取舍。

交叉算子：采用顺序交叉方法，先完成常见的双点交叉，再实现巡回路线修改。

变异算子：采用逆转变异方法。且逆转算子具有单方向性，逆转后适应度函数得到改善的变异结果得以保留，否则应当舍弃。

遗传算法完成后，将优化结果进行记录，在相关路径上进行信息素的初始化加权分布。蚁群算法具有分布式并行计算与强反馈特性，利用蚁群算法对TSP问题进行求解，一般包括以下步骤：

1)初始时刻，依据遗传算法结果对路径上的信息素进行初始化，同时要对坐标信息，距离矩阵进行初始化。

2)设置轨迹选择的约束条件。

3)路径选择。依据蚁群算法原理，蚁群转移主要受两个条件影响：信息素浓度和相应路径的长度，综合考虑两个因素的影响，用

表示在t时刻蚂蚁k从节点i转移到节点j的概率，其公式表达如下：

4)信息素更新函数。在(t+n)时刻在路径(i,j)上的信息素更新如下式所示：

5)η_ij(t)距离更新函数，与路径(i,j)的长度有关，其表达式如下：

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (6)

1.一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法，其特征在于，包括以下步骤：

步骤1，对橡胶垫全局及局部进行图像采集；

步骤2，通过全局图像定位，实现橡胶垫在工位上的粗定位；通过分析橡胶垫结构特点，利用橡胶垫的两个椭圆实现几何特征定位；

步骤3，利用图像去噪和图像分割的方法获取轮廓边缘的分割点，实现橡胶垫飞边轮廓的精确定位；

步骤4，根据轮廓提取结果，进行加工几何图像轮廓拟合，对分割点集进行圆弧和直线拟合；

步骤5，根据视觉检测与几何拟合结果进行激光切割的轨迹规划，根据最短路径原则利用遗传蚁群算法进行切割轨迹规划。

2.根据权利要求1所述的用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法，其特征在于，所述步骤1采用CCD工业相机，对橡胶垫全局进行图像采集；CCD工业相机垂直布置于橡胶垫上方0.5-1m处，并对CD工业相机进行平面标定，采用白色日光灯进行均匀布光，采集橡胶垫的全局图像；

针对采用微距相机，对橡胶垫局部进行图像采集；微距相机垂直布置于橡胶垫上方2cm处；根据采集到全局图像的识别结果，利用二轴运动平台，实现微距相机的运动。

3.根据权利要求1所述的用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法，其特征在于，所述步骤2的具体方法如下：

步骤2-1，利用小波变换对图像进行增强；采用“sym”小波对图像进行分解，根据阈值量化小波系数进行重构，对重构后的小波进行聚合得到增强后的图像；

步骤2-2，采用高斯滤波对增强后的图像进行预处理，实现模糊处理和降噪，得到平滑图像，在二维平面上，高斯滤波利用高斯核对图像进行加权求均值，高斯核公式如下：

其中，σ表示高斯核函数的离散度参数，x表示图像中的横坐标，y表示图像中的纵坐标，e表示自然对数；

步骤2-3，使用Canny算子对预处理后的图像进行边缘检测，具体方法为：对平滑后的图像进行梯度幅值计算和角度幅值计算，并对梯度幅值计算的图像结果应用非最大抑制算法进行计算；用双阈值处理检测并连接边缘；

步骤2-4，对边缘检测的结果进行凸凹性检测，根据函数凹凸性质以及圆弧约束，对边缘进行筛选；

步骤2-5，利用筛选后的弧段进行椭圆参数估计，交叉验算获得椭圆的中心坐标，计算椭圆拟合质量，并设定阈值进行筛选；利用三段不同象限的弧，两两组合求出椭圆的中心点，若中心点距离小于阈值则认为这三段弧属于同一椭圆，求取公式如下：

其中，C表示目标椭圆的中心，

表示弧线上第一组平行弦的中心质点，

表示弧线上另一组平行弦的中心质点，t₁表示弧线上第一组平行弦的中点连线斜率，t₂表示弧线上另一组平行弦的中点连线斜率；

步骤2-6，利用计算出的圆心参数，长轴，倾角参数对结果进行聚类，获得椭圆检测结果，对结果大小和圆度进行约束，得到符合实际橡胶垫结构特征的两个定位椭圆的实际坐标，完成全局定位。

4.根据权利要求1所述的用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法，其特征在于，所述步骤3具体方法如下：

步骤3-1，图像去噪；

采用Gabor滤波器对图像进行滤波，每个Gabor滤波器只允许与其频率相对应的纹理顺利通过，而使其他纹理的能量受到抑制，从各滤波器的输出结果中分析和提取纹理特征，用于之后的图像分割；二维Gabor函数的具体公式如下：

其中，λ表示正余弦函数的波长，θ表示核函数的角度，

表示正余弦函数的相位角，x′表示坐标转换后的横坐标，y′表示坐标转换后的纵坐标；

具体步骤如下：第一步：建立Gabor滤波器组：选择6个尺度，4个方向，这样组成了24个Gabor滤波器；第二步：Gabor滤波器组与每个图像块在空域卷积，每个图像块得到24个滤波器输出；第三步：高斯低通滤波补偿局部变化，平滑Gabor幅度信息；第四步：添加空间位置信息的映射，该空间位置信息允许分类器优选在空间上靠近在一起的分组；第五步：通过主成分分量PCA方法对数据进行降维，得到Gabor滤波数据；

步骤3-2，对滤波数据进行FCM聚类；

假定数据集为X，把这些数据划分成c类，对应的就有c个类中心为C，每个样本j属于某一类i的隶属度为u_ij，那么定义一个FCM目标函数及其约束条件如下：

其中，J表示目标函数数值，c表示聚类中心，n表示某一类的数据总数，i表示类别序列，j表示某一类中单个数据的序列，m表示隶属度函数幂指数，x_j表示第j个单个数据，c_i表示第i个聚类中心；

属度函数u_ij的表达式：

其中，k表示聚类中心的序列，c_k表示第k个聚类中心；

聚类中心公式：

步骤3-3，图像分割；

通过对聚类结果进行评估，选择空间频率最小的一个聚类结果进行水平集分割；包括驱动力计算，图像演变曲面，确定迭代次数完成分割；通过水平集得到一个基于边缘的几何活动轮廓模型；根据该几何活动轮廓模型实现图像演化，获得分割结果：

其中，φ表示水平集函数，u表示水平集演化内部能量的常系数，div表示散度运算，d_p表示对能量密度函数p求微分符号，

表示水平集函数梯度，δ_τ表示正则化的狄克拉函数，g表示边缘检测函数，α表示水平集面积演化能量的常系数，τ表示正则化参数的常阈值。

5.根据权利要求1所述的用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法，其特征在于，所述步骤4中几何图像轮廓拟合包括直线和圆弧几何轮廓拟合，具体方法如下：

采用线性最小二乘进行直线拟合，假定拟合的直线方程为：

y＝ax+b (8)

则对由两特征点分段得到的数据点，最小二乘距离：

其中，i表示数据点的序列；

采用误差估计法进行圆弧拟合；已知圆弧点列(x₁,y₁)…(x_i,y_i)…(x_n,y_n)，设其圆心坐标为(x_c,y_c)，半径为R，则点列半径为：

此时误差定义如式所示；

由于函数取得最小值，所以上式取R、x_c、y_c的偏导等于0，能够获得圆弧参数。

6.根据权利要求1所述的用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法，其特征在于，所述步骤5的具体方法如下：

首先确定切割轮廓的特征点，选取圆弧段的中点，直线端的端点进行特征确定；采用最邻近原则选取特征点作为轮廓打孔点；

设激光切割的编程原点为(X₁,Y₁)，那么X、Y轴路径优化问题的数学模型表述为：

激光切割轨迹规划问题转换为TSP问题；通过分析采用遗传算法和蚁群算法解决路径优化问题获得较优解；通过遗传算法与蚁群算法的结果，获得轨迹规划结果；具体方法如下：

步骤5-1，初始时刻，依据遗传算法结果对路径上的信息素进行初始化，同时要对坐标信息，距离矩阵进行初始化；

步骤5-2，设置轨迹选择的约束条件；

步骤5-3，路径选择；依据蚁群算法原理，蚁群转移主要受两个条件影响：信息素浓度和相应路径的长度，综合考虑两个因素的影响，用

表示在t时刻蚂蚁k从节点i转移到节点j的概率，其公式表达如下：

其中，

表示t时刻蚂蚁k从节点i转移到节点j的概率，

表示从节点i到节点j的信息素含量的α次方，

表示从节点i到节点j的能见度参数的β次方，

表示求和过程中的从节点i到节点u的信息素含量的α次方，

表示求和过程中的从节点i到节点u的能见度参数的β次方，β表示能见度参数的幂指数数值，代表了能见度参数的重要程度；

步骤5-4，信息素更新函数；在(t+n)时刻在路径(i,j)上的信息素更新如下式所示：

其中，ρ表示信息素损耗系数，Δτ_ij表示信息素增量，Q表示信息素分布总量，为常数，L_k表示信息素分布扩散系数，与距离有关；

步骤5-5，η_ij(t)距离更新函数，与路径(i,j)的长度有关，其表达式如下：

其中，d_ij表示第i个节点到第j个节点的距离。

Images