物聯(lián)網(wǎng)智庫 原創(chuàng)

轉(zhuǎn)載請注明來源和出處

導  讀

機器視覺是賦予工業(yè)機器人智慧化,并助力整個工業(yè)從3．0時代步入4．0時代的關(guān)鍵一環(huán),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(zhì)檢等重復性的勞動作業(yè)。這是工業(yè)1．0、2．0時代司空見慣的場景。

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

然而,傳統(tǒng)的工業(yè)機器人大多是通過示教再現(xiàn)或者預編程來實現(xiàn)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(jù)產(chǎn)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(chǎn)力,完成柔性化的制造,而實現(xiàn)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(yè)機器人智慧化,并助力整個工業(yè)從3．0時代步入4．0時代的關(guān)鍵一環(huán),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(tǒng)對產(chǎn)品圖像攝取,同時將被攝取的目標轉(zhuǎn)換為圖像信號傳送給專用的圖像處理系統(tǒng),得到被攝目標的形態(tài)信息,再將像素分布和亮度、顏色等信息轉(zhuǎn)變成數(shù)字化信號,圖像系統(tǒng)對這些信號進行各種運算來抽取目標的特征,進而根據(jù)判別結(jié)果來控制現(xiàn)場的設(shè)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(yōu)勢,因而被廣泛應用于工業(yè)制造的各個環(huán)節(jié),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(lǐng)域進行物品數(shù)量的識別和數(shù)據(jù)的追溯;再比如對一些精密度較高的產(chǎn)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(huán)節(jié)。

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(jù)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(chǎn)線上要實現(xiàn)多品種的混流生產(chǎn),首先要完成的就是輪轂類型的識別。除此之外,輪轂的質(zhì)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(shù)、冷卻系統(tǒng)等因素的影響,卻極易產(chǎn)生氣孔、縮孔、縮松等內(nèi)部缺陷。為了保證產(chǎn)品質(zhì)量,缺陷檢測/分割環(huán)節(jié)也必不可少。

無論是輪轂分類還是分割,這些任務(wù)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(tài)下,工人容易感到疲倦,在作業(yè)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(wěn)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(gòu)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(nèi)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(tǒng)送入鉛房后,分區(qū)域多次成像,能實現(xiàn)整只輪轂的全部檢測。

為了替代傳統(tǒng)的手動檢測,有的企業(yè)采取半自動檢測的方式,即提前在下位機設(shè)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(chǎn)品質(zhì)量;還有企業(yè)更進一步,在上位機設(shè)置好輪轂缺陷檢測的相關(guān)參數(shù),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(guān)重要的作用。

再來看輪轂分類場景,當前,已經(jīng)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(tǒng),其根據(jù)實驗選擇了五個特征:輪轂中心是否有孔洞,輪轂邊緣區(qū)域的孔數(shù),輪轂半徑,輪轂面積,以及旋轉(zhuǎn)不變性,利用投票分類器對提取的特征進行分類。與傳統(tǒng)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(jié)構(gòu)復雜的輪轂辨識度差,結(jié)構(gòu)相近的輪轂也難以區(qū)分。

中北大學提出了一種基于 OpenCV 和 MFC 平臺的輪轂分類技術(shù),與傳統(tǒng)的識別方法相比節(jié)省了時間,但由于形態(tài)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(tǒng)計模型的輪轂分類方法,使用背景去除、形態(tài)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(yè)技術(shù),需要很多專業(yè)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(fā)這樣的一套解決方案,可謂難如登天。