物聯網智庫 原創

轉載請注明來源和出處

導  讀

機器視覺是賦予工業機器人智慧化,并助力整個工業從3．0時代步入4．0時代的關鍵一環,為智能制造的落地打開了“新窗口”。

早在十幾二十年前,隨便走進一家電子廠,人們會看到一排排工人正在進行裝配、貼標或質檢等重復性的勞動作業。這是工業1．0、2．0時代司空見慣的場景。

滄海桑田,如今,在許多現代化工廠,工人變成了流水線旁負責巡檢的“配角”,工業機器人替代了繁重的人工作業,電子信息技術的廣泛應用讓生產的自動化水平大幅提高,工業界也由此步入了3．0時代。

然而,傳統的工業機器人大多是通過示教再現或者預編程來實現各種簡單的操作,這極大地限制了機器人的應用。如果能讓機器像人一樣具有自我意識,可以根據產品的位置、亮度、顏色、表面特征等信息進行對應的操作,顯然能進一步解放生產力,完成柔性化的制造,而實現這一切的前提就是為機器人裝上“眼睛”,也就是“機器視覺”。

某種意義上可以說,機器視覺是賦予工業機器人智慧化,并助力整個工業從3．0時代步入4．0時代的關鍵一環,為智能制造的落地打開了“新窗口”。

“神通廣大”的機器視覺

顧名思義,機器視覺就是用機器代替人眼來做測量和判斷,通過視覺系統對產品圖像攝取,同時將被攝取的目標轉換為圖像信號傳送給專用的圖像處理系統,得到被攝目標的形態信息,再將像素分布和亮度、顏色等信息轉變成數字化信號,圖像系統對這些信號進行各種運算來抽取目標的特征,進而根據判別結果來控制現場的設備動作。

和人眼相比,機器視覺具有效率快、精準性高且永不知疲倦等顯著優勢,因而被廣泛應用于工業制造的各個環節,比如上下料過程中使用機器視覺進行定位,引導機械手臂準確抓取;比如在自動化包裝領域進行物品數量的識別和數據的追溯;再比如對一些精密度較高的產品進行分類和瑕疵檢測,這也是機器視覺目前應用最廣泛、取代人工最多的環節。

我們不妨以汽車輪轂分類/分割場景為例:作為輪胎的骨架,輪轂扮演著汽車配件中的重要角色,根據直徑、寬度、成型方式、材料不同種類繁多。

從制造的維度來看,汽車輪轂大多是鑄件,鑄造完成后要進行精加工,輪轂有上百種類型,不同的類型應選擇不同加工路線、加工機床、刀具等。在自動化生產線上要實現多品種的混流生產,首先要完成的就是輪轂類型的識別。除此之外,輪轂的質量好壞還直接決定了車輛行駛過程中的安全性能,然而其制造成型過程中受工藝參數、冷卻系統等因素的影響,卻極易產生氣孔、縮孔、縮松等內部缺陷。為了保證產品質量,缺陷檢測/分割環節也必不可少。

無論是輪轂分類還是分割,這些任務早期都是由人工方式來完成,流水線周而復始,工人沒有片刻休息時間。在工作強度大、時間長、長期緊張的工作狀態下,工人容易感到疲倦,在作業中也不可避免地受到情緒波動、注意力不集中、疏忽大意等因素的影響,導致分類/分割工作的速度、穩定性和準確性都無法保障。

不斷迭代的機器視覺方案

對癥下藥,基于上述痛點,越來越多機構開始探索自動化甚至智能化的輪轂分類/分割方案。

先來看輪轂分割場景。X射線無損探傷是目前檢測輪轂內部缺陷的最佳方式,具體而言,初始成型的毛坯輪轂被機電系統送入鉛房后,分區域多次成像,能實現整只輪轂的全部檢測。

為了替代傳統的手動檢測,有的企業采取半自動檢測的方式,即提前在下位機設置好輪轂的運行流程,每個部位的成像過程無需人工干預,檢測人員僅需觀察該部位的X射線圖像來決定產品質量;還有企業更進一步,在上位機設置好輪轂缺陷檢測的相關參數,整個過程無需人工干預,全部自動完成,而在全自動的檢測過程中,輪轂缺陷的自動分割算法起著至關重要的作用。

再來看輪轂分類場景,當前,已經有不少高校提出了基于機器視覺的分類算法。

東北大學提出了一種基于機器視覺的汽車輪轂識別系統,其根據實驗選擇了五個特征:輪轂中心是否有孔洞,輪轂邊緣區域的孔數,輪轂半徑,輪轂面積,以及旋轉不變性,利用投票分類器對提取的特征進行分類。與傳統方法相比能達到較好的效果,缺點是先驗信息太多,需要人工選擇較明顯的特征費時費力,且由于提取到的特征較少,對于結構復雜的輪轂辨識度差,結構相近的輪轂也難以區分。

中北大學提出了一種基于 OpenCV 和 MFC 平臺的輪轂分類技術,與傳統的識別方法相比節省了時間,但由于形態學處理的破壞,泛化程度較低;南京信息工程大學提出了一種基于統計模型的輪轂分類方法,使用背景去除、形態學處理、局部二值化和邊緣提取算子等多種方法進行特征提取,能進一步提高分類精度,但能夠成功識別分類的輪轂類型較少且檢測方法非常耗時……

通過上述分析我們可以得知,機器視覺解決方案的部署本身是一項非常復雜的工作,涉及許多專業技術,需要很多專業人才,期間會耗費大量成本且涉及大量試錯,制造商想要依靠自身開發這樣的一套解決方案,可謂難如登天。