英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料
基于局部阈值的对接焊缝识别与位置识别
哈罗尔·尼扎姆·穆罕默德·沙阿1，*马里赞·苏莱曼，艾哈迈德·扎基·舒科尔，扎利娜·卡米斯，阿尚·阿布·拉赫曼
马来西亚马六甲Teknikal大学电气工程学院机器人与工业自动化中心
文章资讯
关键词：局部阈值对焊定位对焊识别降噪KUKA焊接机器人
摘要
通过人工观察焊接图像实时检测和识别对接焊缝本质上是主观的，需要经验，有时会产生偏差。此外，由于大多数焊接机器人的应用程序都是通过“教与玩”编程的，这意味着它们每次处理新任务时都需要重新编程。这很费时，加上焊接参数也需要为每一个新的程序加以改进。因此，本研究针对上述问题，提出一种在三种情况下，即：（1）直线，（2）锯齿形和（3）曲线接头，自动识别和定位对焊起始点、中间点、辅助点和终点位置的方法。这是在事先不知道形状的情况下完成的。提出了一种基于图像预处理、噪声抑制和边缘区域点生成的对焊接头识别的局部阈值分割方法。根据这三种情况，通过轮廓点生成的形状选择来选择对接焊缝路径的区域点。每个点都由机器人控制器通常用于路径规划的二维坐标定位。实验结果表明，在三种不同的场景下，局部阈值法能够很好地实现对接焊缝位置的检测、识别和定位的研究目标。与背景减法等其它方法相比，局部阈值法由于产生的失配误差较小而损失较小。然而，它在对接焊缝边缘检测中给出了最好的结果。局部阈值法除了具有无需图像先验知识即可进行识别的优点外，还表明即使在低碳钢表面存在划痕等缺陷的情况下，它也能工作得很好。
- 介绍
针对目前焊接机器人的使用情况，有两种方法可应用于焊接机器人的编程，即手工和半自动与计算机集成[1]。每种方法都需要一个合格的焊工在技能，知识和经验方面处理焊接机器人。在自动化制造过程中，焊接机器人有一个弱点，即当焊接工件发生变化时，需要对焊接机器人进行重新编程。这是因为大多数焊接机器人都是通过示教和播放模式进行编程的[2]。为了解决这个问题，需要包括传感器。用于焊接机器人的传感器有很多种。最广泛使用的传感器是视觉传感器。视觉传感器相比其他传感器如速度快、精度高、非接触、信息量大等[1]。文献[3]中的研究者在气体保护焊（GMA）中，利用优化算法从焊缝跟踪中提取特征点和中心线，从而实现焊缝跟踪。但是骨架工艺不利于焊缝中心线的提取，因为可能会产生毛刺。作者在文[4]中采用了一种自适应的多步分割方法，提高了焊缝真实边缘的概率，提高了拟合精度。自适应阈值基于自然光，不需要辅助光。另一方面，Ge等人提出了一种利用熔池区域图像处理算法直接感知目标焊缝位置的实时焊缝跟踪系统。[5] 是的。该系统是为解决焊接过程中粗管焊缝产生偏差的问题而开发的。然而在速率识别方面，跟踪系统的性能和可靠性还有待提高。
文献[6]中的研究人员在不需要任何辅助光源的情况下，通过监测脉冲Nd:YAG激光焊接中的熔池来确定焊缝跟踪。视觉传感器通过对熔池的直接监测，可以在没有预瞄距离的情况下找到焊缝。同时，文[7]提取了熔池图像的质心作为焊缝位置的特征向量。并将卡尔曼滤波算法应用于熔池图像质心位置的估计。检测到的和被拒绝的虚假质心测量值与之前对质心运动的估计值以及相应的期望焊接轨迹测量值是一致的。另一方面，利用一种新的改进的Canny算法对焊接图像的特征进行分析，利用分段自适应PID控制器检测焊缝、熔池的边缘，提取焊接图像的特征参数。该系统克服了示教再现焊接机器人在钨极气体保护焊焊缝跟踪控制中的不足。同时，文[9]中的研究人员实现了一种模糊理论和预witt边缘算子检测方法，利用自动选择阈值生成图像的灰度特征因子、隶属度函数并识别出焊缝的最精确坐标。然而，这种方法不适用于焊缝轮廓，因为它在短距离内变化很大。文[10,11]介绍了一种基于环形激光的焊缝跟踪模型，该模型可以获得焊接接头特性的三维信息。焊缝跟踪模型包括去噪、图像分割、图像细化、工件深度值与离轴加工的关系。然而，该方法很难确定检测点和焊接点之间的任何不匹配。同时，Dinham和Fang[18]提出了利用中值滤波[12-14]、Laplacian、auto-matic阈值和Harris[15-17]角点检测和识别角点形状焊缝初始位置的背景分割方法。另一方面，研究人员在[19]中实现了一个可以被视为直线的小窗口来确定树丛边缘的位置。该方法通过平滑滤波、直方图生成和二值化后图像极值的计算，完成了焊缝坡口的识别过程。同时，Moradi等人提出了一种自适应线增长算法。[20] 无论焊缝形状如何，都能可靠地识别焊缝。该方法能够在不预先知道焊缝形状或位置的情况下检测任意形状的角焊缝。作为焊缝路径识别和识别相关工作的结论，我们可以将研究人员最近的工作分为五个主要部分。它们是：（1）从CCD摄像机、带X射线扫描仪的CCD摄像机和射线图像中采集图像的选择；（2）对接接头、三通、搭接接头、V形槽和角接等焊接接头类型；（3）低碳钢、铝、铝合金和不锈钢等工件材料；（4）焊缝路径信息识别根据焊缝形状和焊缝接头信息；最后；（5）识别和识别焊缝位置和焊缝路径的方法，以往的大多数研究者对此并不关注。因此，本文的主要目的是对金属惰性气体（MIG）焊接机器人对接接头的起始、终止和辅助位置进行识别。通过局部阈值法，在三个实例的基础上，从选择的轮廓区域生成特征点，选择属于对接焊缝的点：（1）直线；（2）锯齿；（3）不同接头形状的曲线。该方法提供了一种有效的识别对接焊缝的方法，不需要任何信息和工件图像形状的先验知识。
- 方法论
本文的输出是对接焊缝路径接头的位置和位置表示，为了从灰度图像中识别和定位对接焊缝路径接头，采用了如图1所示的图像处理程序，输入由CCD摄像机捕捉。下一节将详细讨论所涉及的过程。
2.1．图像预处理
预处理是一项从数据中删除不需要的像素并隔离重要数据的边界以进行下一个处理的任务。在这个过程中，需要设置一个分析窗口来分离背景和对接焊缝路径连接区域。使用窗口的原因是它可以减少处理整个图像所需的时间，并且可以消除与对接焊缝路径接头干扰的冗余信息。窗口实际上是一个称为感兴趣区域（ROI）的矩形，由图像右上角和左下角的行和列生成。工件将位于ROI矩形内，以确保分析窗口包含足够的接缝路径连接信息。
2.2.滤波
对接焊缝路径接头图像中，由于材料反射、阴影和光照等原因会产生噪声。因此，有必要使用一种填充技术来去除不需要的信息。有两种类型的滤波器，即线性平滑滤波器和中值滤波器。但是，如果与中值滤波器相比，线性平滑滤波器会产生更好的效果。这是因为中值滤波更适合于盐类和纸张类噪声。本文研究了3times;3、5times;5和7times;7的灰度输入图像的线性平滑滤波器。结果表明，尺寸为7times;7的滤光片效果最好。线性平滑滤波器的运算如式（1）所示。同时，图2（a）和（b）显示了7times;7大小的图像的线性平滑和中值滤波的结果。如图2所示，在焊接过程中，工件周围使用夹具将其保持在静态状态。
其中，h(i)(j)是原始图像中的像素灰度，而(u)(v)是线性平滑滤波器之后的像素灰度。
-
- 边缘检测
为了将灰度图像转换为二值图像，本文采用了阈值法。由于光照条件、阴影和材料反射在焊缝路径接头检测过程中的变化，不适合采用固定阈值。本文采用局部阈值法对图像进行分割，其中目标尺寸直径由滤波器的掩模尺寸决定，以识别图像的分割区域。设g{O}=g{OriginImage}和g{t}=g{ThresholdImage}，然后阈值从输入图像中选择像素满足阈值条件的区域，如等式（2）所示。重要的是，偏移量不能设置为零；因为这将导致发现太多的小区域，这意味着噪声水平将增加。如果选择较大的偏移值，则提取的区域将变小。因此，偏移值6是合理的。
图1 对接焊缝路径连接过程识别与定位流程图
图2 图像7times;7大小的结果 （a）线性平滑滤波器，（b）中值滤波器
2.4. 基于形态学运算的噪声抑制
在对图像进行分割区域处理后，计算前景的连通分量。每一个区域都指示一个特征形状，而在本文中，区域被选为形状特征，其中区域范围是从最小区域像素开始设置的。设置的最小值越大，过滤的噪声越大，但也可能消除对接焊缝路径接头边缘。所以，我们将MinArea设置为10像素。由于图像的形状和结构的噪声和纹理造成的缺陷或失真，从选定区域合并的结果将用带半径的圆形结构元素进行放大。此过程的目的是通过设置较大的半径来确保最近的未连接接缝线连接在一起。但是，如果半径太大，不需要的接缝线可能会连接在一起。经过多次实验，我们将半径设置为4.5像素。为了区分不需要的接缝线，根据1到10像素的区域特征使用选定的形状。基于试错法选取最小面积、半径和面积特征范围的设定值。形状选择过程的操作如方程式所示。（3）和（4）。图3（a）–（e）显示去除不需要的接缝路径的降噪过程。
图3 去除不需要的焊缝路径的降噪处理 （a）选定区域，（b）并集，（c）扩张，（d）带噪声的焊缝路径，（e）去除噪声后的焊缝路径
其中Fi是分割过程后对象的特征，A（Fi）是Fi的面积。
2.5.对焊接头找边
骨架是在选定区域上构造每个点的过程。当点完全包含在区域中时，它可以被视为半径最大的圆的中心点。轨迹接缝路径的点由区域和轮廓区域的点绘制。在轮廓区域，利用边缘模式生成亚像素类型的数据（XLD）轮廓，其中边缘像素的外缘用作轮廓点。选择像素边缘点所属的轮廓点作为对接接头的起点、中点、终点和辅助点。
2.6. 对接焊缝识别
本文通过文献[22]介绍的三个实例，研究了对接焊缝路径的表示方法。
2.6.1. 实例研究1
实例研究1是一个直线对接焊缝，表明提出的方法能够准确识别直线。起点和终点由生成区域中提取的最大和最小列坐标确定。取起点和终点的平均值计算中点。
2.6.2.实例研究2
实例研究2为锯齿形对接焊缝。该对接焊缝证明了所提出的方法在识别直线和尖角方面的有效性。最大列定义为终点，最小列定义为起点。辅助点由相互相交的两条线确定。
2.6.3.实例研究3
实例研究3是一个曲面对接焊缝，它被选择来提出一种能够从焊缝线中识别非直线的方法。起点和终点取决于最大列或最小列。中点是根据起点和终点的平均列的最近值确定的。
- 结论
3.1.实验验证
实验采用可重复精度为0.08mm的6轴工业机器人KUKA-KR 150（2000系列）机械手进行。机器人装有弗罗纽斯焊接系统。另一方面，视觉系统由一个带支架的Basler-CCD摄像机、取景器、两个光源、工作台和一个工件组成。工件由低碳钢制成，尺寸为4英寸times;4英寸times;6毫米，每个厚度。它们有三种不同的对接焊接接头，分别是直的、锯齿形的和弯曲的。实验是在光线充足的环境中进行的。工件被放在工作台的中心位置。同时，相机固定在支架上，使其与工作台垂直放置。本实验的图像尺寸为533times;400像素，CCD摄像机距离工件300毫米。另一方面，对于KUKA焊接机器人，机器人焊接接触到工作台的距离约为30.7英寸。CCD摄像机和KUKA焊接机器人的设置如图4所示图5(a)-(c)显示了用于验证焊缝识别和定位方法的图像。图像包含对接焊缝，案例研究1的焊缝为直线，案例研究2的焊缝为锯齿，案例研究3的焊缝为曲线。这些是工业应用中通常使用的设置。可见，工件和工作台之间的光线和对比度是不同的。这是由于光源、阴影和现有工件或工作台反射的位置造成的。本文将图像中白色字母X的标记作为对接焊缝路径的起点、中点、辅助点和终点的参考点。
图4 CCD摄像机与KUKA焊接机器人的位置设置
3.2.焊缝路径识别结果
焊缝路径识别结果将与[12,18]中的现有方法进行比较，以显示现有方法和建议方法之间的有效性。焊缝路径识别的建议结果如图6(a)-(c)所示，以黄色线和橙色点作为焊缝路径接头的位置。可见，对于三种对接焊缝形状，焊缝路径接头的位置和位置精度都位于焊缝路径线的中心。在实验过程中，偏移量的最佳值设置为18像素，这是一个基于反复试验的数字。
3.3.与现有方法的比较
本文从分割[12]和焊缝路径识别[18]两个方面对所提出的方法与现有方法进行了比较。文[12]中的处理是从一个3times;3中值滤波器开始，然后用拉普拉斯算子来平滑和重新移动图像上的噪声。然后，采用自动阈值法对图像进行二值化处理。这种方法不适用于高对比度工件，如铝或不锈钢，因为在低碳钢上，焊缝路径不可见。对接焊缝路径分割结果如图7(a)-(c)所示。在焊缝路径识别中，采用两次10times;10中值滤波，然后用Sobel边缘滤波算子进行平滑，去除图像中不需要的信息。然后利用自适应阈值将灰度图像转换成黑白二值图像。之后，进行膨胀和侵蚀，以确保边缘线不被破坏。这种方法只适用于工件和工作台之间的不同对比度。图8(a)-(c)示出了接缝路径识别的比较结果。如图8所示，接缝路径仅在所提出的方法上可见，而不是在[18]中的方法上。这表明[18]中的方法不适用于工件和焊缝之间的低接触。
3.4.对接焊缝匹配结果
使用起始点、结束点、辅助点1、辅助点2和中点来确定图像匹配的精度。实际点如图5(a)-(c)所示，使用白色X标记，我们根据人眼观察对人进行标记。本文提出的方法将图像匹配结果与文献[21]中的Harris角点归一化互相关（NCC）进行比较。模板t（r,c）和图像i（r,c）的归一化交叉相关（NCC）如等式所示。(5)-(9)。
其中；
n=表示模板中的点数
R=表示模板的域（ROI）
=模板的平均灰度值
=模板灰度值的方差
(r,c)= 模板所有点上位置(r,c)处图像的平均灰度值
图5 测试图像 （a）直线,（b）齿锯,（c）曲线
<p
剩余内容已隐藏，支付完成后下载完整资料</p
资料编号：[239562]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
