（广东速美达自动化股份有限公司 广东省 东莞市 523850）
摘要：本文简述了基于机器视觉的高速机器人分拣系统的组成及工作原理，对其软件系统设计进行探讨，详细分析了高速机器人分拣系统的应用，为提高分拣系统的分拣成功率及工作效率提供参考。
关键词：机器视觉技术；高速机器人；分拣系统；探讨
引言
随着科技的发展，机器视觉技术已经广泛应用在各个领域，机器视觉技术可实现非接触测量、自动分拣、自动分装等工作。可靠性高，保证了产品质量，提高生产效率、降低劳动强度。其中基于视觉传感器的机器视觉系统，采用专用开发软件，集图像处理器、I/O 接口、数字摄像机于一体，软件开发周期短，二次开发方便、可靠性高、识别速度快，在分拣系统中应用广泛。
1 高速机器人分捡系统
产品加工自动生产线要保证100% 的合格率，尽量避免二次污染。人工检测、分拣、分级及分装准确度低，生产效率低，已经不能适应批量生产的需要。基于机器视觉的高速机器人分拣系统已经广泛应用在各种产品生产线，极大的提高生产率。
1.1系统组成
图1为产品生产线上基于机器视觉的高速机器人分拣系统示意图。分拣系统包括：机器视觉系统、工业控制计算机、机器人、夹持器及运动控制器组成。
图1高速机器人分拣系统
1.2 工作原理
机器人分捡系统工控机含有图像处理、人机接口、运动控制等单元。图像处理系统利用工业相机采集输送带上的运动产品图像并进行处理，通过计算对产品进行定位、跟踪及分级; 运动控制单元利用运动控制器，控制机器人与夹持器执行动作，将产品按不同的要求装入制定的包装箱进行分拣。并联机器人器人分拣产品时，LED光源照亮传送带上处于特定拍摄位置的目标产品，利用工业相机拍摄图像，上传给图像处理系统进行分析处理，提取产品的边缘特征，确定该产品的位姿。控制系统按设定的延迟时间控制夹持器抓取产品进行分拣操作。
2.机器视觉软件系统分析
2.1 总体设计
基于机器视觉的分捡系统利用工业相机采集图像。机器视觉系统需要实时确定传送带上规则产品的特征点与角度，因此选用CR-GEN3-M640X面阵工业相机，图像清晰、速度快、分辨率为640X480，全分辨率条件下可达到帧/行频 64fps，总数据率 39.3 MB/s，像元尺寸7.4μm、输出格式 GigE Vision 。该相机采用千兆以太网技术，无拖尾不失真、黑白成像、可捕捉移动目标的瞬间画面。
本次分析的机器视觉分拣系统选用Sherlock专用机器视觉软件二次开发其软件系统。Sherlock专用机器视觉软件，基于 Windows 环境开发，极易配置操作，适用于检测、搜索、包装及质量控制等应用，采用测量、几何运算、图像处理运算及分析等视觉算法，图形化用户界面，接口灵活，易于二次开发。
2.2机器视觉软件系统二次开发
本次分析的视觉系统在VC环境下对视觉系统 Sherlock专用机器视觉软件进行二次开发，编制适用于机器视觉分拣系统的软件，建立基于MFC的工程项目，添加Ipe Dsp Ctrl 控件。编制的开发的程序主要包括人机界面、图像处理、边缘提取、测量分析、几何运算、视觉算法，数据转换与存储、输入输出等功能，满足分拣线使用要求。
3 机器视觉技术在高速机器人分拣系统的应用
3.1摄像机标定
摄像机的标定是是比较关键的步骤，通过计算机的标定可确定图像坐标系与三维世界坐标系之间的关系。摄像机标定方式有多种。本次分析的机器视觉分拣系统利用Open CV 算法库进行摄像机标定。首先拍摄多张不同位置的目标图像，确定每个角点的坐标；分别定义世界坐标系下的角点坐标，可按平面坐标系定义z为0，x、y为等间距；利用函数计算相机内参、畸变系数及外参，确定图像坐标到世界坐标的转换，实现了摄像机的标定过程。
3.2图像预处理
采集的图像不可避免的出现噪声干扰，图像预处理的作用就是提高图像的信噪比，消除噪声干扰。图像预处理后的结果不能丢失图像重要特征，图像的处理质量直接关系到机械人及末端执行机构的工作执行效果。图像的预处理工作一般要经过二值化处理及边缘检测等步骤。图像二值化处理有利于减少信息量及后期提取边缘信息，图像二值化处理时要注意阈值的选取。保证二值化处理后图像的准确性及特征的显著性。图像边缘检测的目的是保留边缘信息并剔除干扰信息的，本系统采用Canny算子进行边缘检测，Canny算子采用变分法进行边缘标定，具有较高的边缘检测精度及检测速度。
3.2 圆检测及角点检测
图像预处理步骤完成后，系统将识别及提取图像特征。针对圆形产品，机器视觉系统采用Hough转换进行检测，Hough转换是利用图像空间与参数空间的关联性，通过聚焦点的累积程度来实现圆形产品检测。Hough转换可平滑不连续的边缘，检测精度高、抗噪声干扰能力强。针对多边形产品，由于产品存在角点（水平方向与竖直方向两个具备极大变化性的点），采用角点检测的方式提取多边形产品特征信息。目前许多图像识别算子都有较高的降维处理的速率及向量特征描述精度，但产品生产线分拣系统的特征性向量，很多算子都无法识别。本次分析的视觉检测系统采用Harris算法进行角点检测，检测精度高，稳定性强。
2.3产品轮廓的找寻与逼近
机器人执行分拣操作前，需要对产品进行定位，定位计算时要选用简单的群目标集合中心的计算方法，进行多目标质心计算，用质心坐标描述产品位置信息。利用Canny算子获取图像目标轮廓，将图像进行二值化处理为图像目标产品中的一个外围曲线。利用Open CV将轮廓表示出来。采用逼近法获取目标轮廓或逼近角点。
4.结论
机器觉技术与高速机器人分拣系统的融合，提高了分拣机器人的智能化程度、分拣成功率及分拣效率，极大的提高了生产效率，为生产企业带来了经济效益。随着机器视觉技术、机器人技术、计算机技术及通讯技术的的不断发展，基于机器视觉的高速机器人分拣系统将更加完善。
参考文献：
[1]李婷婷.基于机器视觉的工业机器人分拣技术研究[J].现代制造技术与装备,2017(12):171+173.
[2]陈恳. 基于机器视觉的物料分拣工业机器人关键技术研究[D].深圳大学,2017.
[3]王诗宇,林浒,孙一兰,王品.基于机器视觉的机器人分拣系统的设计与实现[J].组合机床与自动化加工技术,2017(03):125-129+133.
[4]卓书芳.基于机器视觉的工业机器人分拣技术应用研究与系统开发[J].辽宁科技学院学报,2017,19(01):8-10.
姓名：谭有生（1978.12-05）；性别：男，籍贯：江西省瑞金市人，学历：专科，毕业于新余高等专科学校(现名新余学院)；现有职称：视觉技术工程师；研究方向：机器视觉；
论文作者:谭有生
论文发表刊物:《科技研究》2018年8期
论文发表时间:2018/10/23
标签：视觉论文; 机器论文; 图像论文; 系统论文; 机器人论文; 产品论文; 技术论文; 《科技研究》2018年8期论文;