天生丽质难自弃歌曲:工件精确定位是机器视觉成功运用的关键

工件精确定位是机器视觉成功运用的关键

     
作者：Bryan Boatner，In-Sight视觉传感器公司产品营销经理 

简易视觉引导的自动化机械（VGR）系统，采用由机器人制造商提供的VGR集成方案，在很多情况下可以减少系统集成时间。但是，在工业机器视觉领域，有经验的公司通常提供尽可能宽泛的机器视觉技术，采用最可靠的视觉工具进行工件定位、检查、测量和条码读取。 
任何机器视觉应用的第一步（通常也是决定应用是否成功的一环）都必须在照相机视场范围内判断工件的位置。当流程变化后，视觉传感器将无法继续确定工件位置，这使视觉引导自动化机械或监测功能受到极大的限制。依靠模型匹配原理的工件精确定位因流程变化而受到极大的挑战，因此，让系统熟悉引起工件外观变化的因素是十分重要的。 

工件定位 
传统的模型匹配技术依靠像素格点分析，也就是通常所说的归一化相关。这种方法搜寻工件的灰度水平模型（或参考图像）与工件图像之间的统计相似性，以此判断工件的x-y坐标位置。尽管这种方法在特定情况下比较有效，但是如果生产线上的产品经常发生外观变化，那么利用该方法发现工件的能力将明显不足，寻找工件时的搜索精度也非常有限。 
相比而言，几何图形匹配技术不用像素网格而采用一组边界曲线来获知工件的几何形状。然后，利用软件程序寻找图像的相似性，而非依靠特殊的灰度水平。尽管工件的角度、尺寸和阴影会发生变化，但是这种方法都能准确地寻找工件，这显然是一个不小的进步。 
所以，当某些变化引起工件偏离视觉系统已知的工件路径时，几何图形匹配成为确保工件定位准确一致的关键基础。尽管目前很多机器视觉公司都在提供几何图形匹配技术，但是每个供应商都是以专有的方式来表现这一创新理念。因此，由于工件外观特征变化无穷，这就很难确定哪种机器视觉软件最适合某一特定应用。 

识别率的重要意义和量化方法 
识别率被定义为识别出图像的比例，表示视觉系统在工件通过时正确地发现工件，或者在没有工件时报告无工件经过。识别率除了受制于进入机器视觉系统的图像质量外，还与所采用的模式识别方法的分辨能力有关。 
 
图解:在很多货盘装运系统中， 
视觉引导为机器人提供精确工 
件定位，处理多个工件，省去 
了昂贵的精密装置。 

机器人引导系统中采用的模式识别方法具有很高的识别率，这也是该方法的一个重要特性。错误的识别将使生产停顿并等待进行人工查验，进而造成生产率的下降，甚至会引起贵重工件或生产设备的损伤或毁坏。分摊到视觉系统整个使用寿命中的失误成本一般要远远高于原始的采购价格。 
设备供应商无法提前指定图形匹配的识别率。只有在给定的条件下才可以得出识别率。在一定条件下，视觉系统以惯有的速度运行，在其使用寿命过程中可望能找寻出上百亿幅图像之间的差别，而规定情形外的结果就难以预计。既然识别率难以预计，十亿幅图像也无法逐个比较，所以必须采用其他策略来保证视觉系统的分辨能力具有合理的可信度。 
一个有效的方法是选择多种类的样品，并尽可能在更广泛的应用条件下测试。改变工件出现的角度和与相机间的距离；改变焦距和亮度；加入阴影、阻挡物和模糊背景。另一种可行的方法是记录用于判断的图像，包括试验用的图形。这一方法为比较功能相近系统和比较不同参数条件提供了可靠的基础。第三种办法是向产品供应商寻求建议。有经验的供应商会找到应用的相似性，并能提供识别率最高化的建议。 

几何图形匹配的精度 
图形匹配精度可定义为视觉系统报告的工件姿态（位置、角度和尺寸）与实际姿态之间的统计差别。一般来说，报告精度符合3西格玛标准，这表示报告结果会落在真实值统计精度的三倍标准偏差范围之内．然而，图形匹配精度几乎难以确定和测量，实际系统中的精度会受到多种因素的影响． 
其中的一个影响因素是工件传达位置、角度和尺寸信息的能力，它主要取决于工件自身的尺寸和形状，也就是几何因素。接近圆形的工件提供的角度信息很少。另一个因素是图像质量，特别是工件形状与训练图形之间的匹配程度，这决定了姿态信息的劣化程度。第三个因素是图形匹配方法从不同角度的劣化图形中提取姿态信息的能力。 
很显然，供应商无法控制前两个因素，也就无法确定系统所能达到的精度。因此，制造商宣称的精度都表示在某种理想的工件形状和良好的图像质量条件下得到的结果。对于某些情况而言，测试条件并非人为创造的理想情况，或者测试过程中有人员进行足够细致和熟练的监控，这样的宣传就是有用途、有价值的。询问制造商系统可以达到的精度数值，要牢记对于特定的应用而言，精度不能预计但一定可以测量。 

工作中的测量精度 
工件测量精度是最难得到的，这是因为预先知道应该产生的具体结果非常困难，特别是当工件处于运动的情况下。一次简单的测量涉及到多个非移动工件或者改变其他任意条件的图像捕捉，还有测量所记录姿态的标准偏差。这也许是可行测量的最大用处，然而，测量只受图像噪声的影响，所以多数图形匹配方法完全不受无关噪声的影响。 
另一种可行的测试包括保持工件静态信息而只改变光线亮度（或透镜孔径）和汇聚程度，同时有物体从工件上方通过。真实的姿态并没有改变，良好的图形匹配系统即使在这些干扰条件下也应该报告相同的工件姿态。 
其他的测量选择方案包括使用x-y平台带动工件并测量已知角度和尺寸的变化，旋转工件和测量已知尺寸的变化，还有测量一个工件上的两个目标，旋转工件和测量目标之间的已知距离的变化。 
由于受多种因素的影响，确定的测量精度需要由相当多的测量结果积累而来。除非工件相对于像素格点运动，否则测量结果没有意义。这是因为格点量化效应对精度的影响远大于图像噪声。而且，几何图形匹配精度很高，以致于很难用载物台移动工件的办法确定测量精度，因为可以确切地知道，载物台的精度数值要比所用测量系统的误差大得多。此外，几何图形匹配精度如此之高，以至于透镜变形的影响和传感器像素变形在误差中所占比例非常巨大，必须充分考虑。 

视觉系统与机器人的坐标校准 
一旦视觉传感器得出结果，精度也就确定了，而校准视觉系统的像素坐标系统与机器人坐标系统是成功的关键。无论应用领域是否包括对传送器拣出放置动作的追踪、货盘装运或者元件组装，视觉系统与机器人之间的坐标校准都必须保持系统精度和可重复性。 
由于测量不只是包含了确定像素与被测量尺寸之间的比例因子，所以校准过程是最重大的挑战之一。如果透镜存在光学畸变，或者由于相机架设方向引起的视角变化，视觉软件必须包含具体的算法用于校正图像中的这类变形。 
过去，校准过程非常麻烦，后来人们开发出了标准的操作方法来简化校准过程。目前最先进的视觉软件整合了逐步引导功能，告诉用户如何利用包括点状栅格、检查板或自制的校准平板等多种技术，来实现图形像素与机器人坐标的相互关联。 
最新的软件还支持进行多个姿态的二维校准，以优化系统精度，使得更小、更易于管理的测量平板能用于大视场情况。