Görsel rehberliğe dayalı SCARA robot otomatik montaj sistemi
Dang Hongshe, Hou Jinliang, Qiang Hua, Zhang Chao
(Elektrik ve Bilgi Mühendisliği Okulu, Shaanxi Bilim ve Teknoloji Üniversitesi, Xi'an, Shaanxi 710021)
Mevcut üretim hattındaki endüstriyel robotlar sabit kavrama noktalarına sahiptir ve iş parçaları önceden sadece sabit bir pozisyonda sabit bir konuma yerleştirilebilir.Bu montaj modunun karmaşık endüstriyel üretim gereksinimlerini karşılamak zordur ve verimsizdir. Görsel yönlendirmeye dayalı bir robot montaj sistemi, orijinal sistemi iyileştirmek için tasarlanmıştır. Makine görme sistemi, iş parçasının hızlı tanınması, konumlandırılması ve duruş belirleme işlevlerini gerçekleştirmek için tasarlanmıştır; alma ve yerleştirme sistemi, iş parçasının hassas bir şekilde kavranmasını ve kurulumunu gerçekleştirmek için tasarlanmıştır; Visual Studio'nun MFC gelişimi, görüntü işleme algoritmasını gerçekleştirmek ve kullanmak için benimsenmiştir. Soket iletişimi, robota koordinat ve duruş verilerini gönderir. Bu sistemin iyi bir stabilite ve hızlılığa sahip olduğu, üretim gereksinimlerini karşılayabildiği ve üretim verimliliğini büyük ölçüde artırabildiği deneyler yoluyla doğrulanmıştır.
Yapay görme; SCARA; montaj sistemi; Soket iletişimi
Çin Kütüphanesi Sınıflandırma Numarası: TP242.2
Belge tanımlama kodu: Bir
DOI: 10.16157 / j.issn.0258-7998.2017.05.004
Çince alıntı biçimi: Dang Hongshe, Hou Jinliang, Qiang Hua, vd.Görme rehberliğine dayalı SCARA robot otomatik montaj sistemi Elektronik Teknoloji Uygulaması, 2017, 43 (5): 21-24.
İngilizce alıntı biçimi: Dang Hongshe, Hou Jinliang, Qiang Hua, vd. SCARA otomatik montaj sistemi, görsel kılavuzlu.Elektronik Tekniğin Uygulanması, 2017, 43 (5): 21-24.
0 Önsöz
Endüstriyel robotlar, mekatroniğin son derece entegre ürünleridir. "Made in China 2025" in on temel geliştirme alanından biri olarak, endüstriyel otomasyon ve Endüstri 4.0 seviyesinin önemli bir sembolüdür. Endüstriyel robotlar, yüksek tekrarlanabilirlik, iyi güvenilirlik ve güçlü uygulanabilirlik avantajlarına sahiptir.Otomobiller, makine, elektronik, lojistik ve diğer endüstrilerde yaygın olarak kullanılmaktadırlar.Şu anda en verimli üretim araçları oldukları kanıtlanmıştır ve talep artmaktadır. 1960'ların başından bu yana, endüstriyel robotlar üç gelişme aşamasından geçmiştir. İlk nesil, yalnızca operatör tarafından anlatılan yörünge, sıra, gereksinimler vb. Hakkındaki bilgileri ezberleyebilen ve daha sonra, belirtilen görevleri tamamlamak için yeniden üretim talimatlarına göre bilgiyi okuyabilen, öğretme üreme tipi bir endüstriyel robottur. İkinci nesil endüstriyel robotlar, algısal endüstriyel robotlardır.Endüstriyel robotlar, ilgili sensörler kurularak ve dış bilgiler geri bildirilerek algılanabilir. Üçüncü nesil endüstriyel robotlar, görevleri gerçekleştirmeden önce çevredeki çevre ve çalışma koşulları hakkında yargılarda bulunabilen akıllı endüstriyel robotlardır. Genel olarak, makine görüşü, endüstriyel robotların görüntü işleme bilgileri aracılığıyla görevleri yerine getirmesine rehberlik etmek için geri bildirim olarak kullanılır.
Makine görüsü, endüstriyel robotların önemli bir araştırma alanıdır. Şu anda, üretim hattındaki çoğu endüstriyel robot, robotu önceden belirlenmiş talimatları öğretme öncesi veya çevrimdışı programlama yoluyla yürütmek için kontrol eder.Çalışma ortamı veya hedef nesne değiştiğinde, robot bunlara zamanla uyum sağlayamaz. Değişiklikler görevde başarısızlıklara yol açtı ve bu çalışma şekli endüstriyel robotların esnekliğini ve verimliliğini büyük ölçüde sınırlandırıyor.
1 Montaj sisteminin bileşimi
Bu belge, farklı modellerin montaj görevlerini ve iş parçalarının çevrimiçi olarak rastgele yerleştirilmesini tamamlayabilen makine görüşüne dayalı bir robot montaj sistemi tasarlar ve uygular. Sistem esas olarak makine görme sistemi ve robot montaj sisteminden oluşur. Makine görüş sistemi, farklı iş parçalarını tanımlayıp konumlandırabilen ve dönüş açısını belirleyebilen görüntü alma, kamera kalibrasyonu ve şablon eşleştirmeyi içerir. Robot montaj sistemi, iş parçasının kavranmasını ve montajını içerir ve iş parçasının montajı vizyon rehberliğinde tamamlanır. Bilgisayar, koordinatları ve duruş verilerini robota göndermek için Soket iletişimini kullanır ve robot, iş parçasını konum verilerine göre alır ve ardından montaj konumuna yerleştirir.
2 Görsel sistemin tasarımı
2.1 Görüntü edinimi
Dijital aşamalı tarama kamerası olan Kore IMI teknolojisi Amazon2 serisi endüstriyel kamerayı benimser, Gigabit Ethernet GigE protokol standardını benimser, Sony aşamalı taramalı CCD yongasını kullanır ve çok yüksek görüntü kalitesine sahiptir. PC ile Ethernet üzerinden bağlanın ve edinim frekansı ayarlanabilir. İlk olarak, IMI kameranın sürücü yazılımını yükleyerek kameranın C ++ arayüzünü edinin ve ardından ikincil geliştirme için arayüz işlevini Visual Studio 2015'e aktarın. Kamera sınıfı kitaplığı dahil edildiğinde, kameranın verileri, kamera tutamaç sınıfı örneklenerek okunabilir. OneFrameGrab, IMI kamerayı gerçek zamanlı olarak okuma işlevini gerçekleştirmek için kamera görüntüsünün bir çerçevesini elde etmek ve verileri sabit bir konuma kaydetmek için kullanılır.
2.2 Kamera kalibrasyonu
Yapay görme uygulamalarında kamera parametrelerinin kalibrasyonu çok kritik bir bağlantıdır Kalibrasyon sonuçlarının doğruluğu ve algoritmanın kararlılığı kameranın ürettiği sonuçların doğruluğunu doğrudan etkiler. Robot tarafından yakalanan iş parçaları aynı düzlemde bulunduğundan, kameranın dış parametreleri yalnızca kalibrasyon panosunun görüntüsü bir kez toplanarak elde edilebilir. Kameranın dış parametreleri elde edildikten sonra, dünya koordinat sistemindeki görüntü koordinatlarında her bir piksele karşılık gelen gerçek mesafe elde edilebilir. Ardından koordinat sisteminin dönüşüm formülü ile görüntü koordinat sistemi ile robot dünya koordinat sistemi arasındaki dönüşüm ilişkisi elde edilebilir.
2.3 Standart şablonun oluşturulması
Şablon eşleştirmeden önce, farklı iş parçalarının standart şekil şablonlarının yapılması gerekir. Standart iş parçasını kameranın görüş alanının altına yerleştirin, görüntüyü alın, görüntüden ROI alanını çıkarın ve ardından şablonun standart konturunu elde etmek için kontur çıkarma işlemini gerçekleştirin. Önce standart iş parçası görüntüsünü elde edin, dikdörtgen ROI alanını kesmek için dikdörtgen kesme işlevini kullanın; ardından görüntüyü geliştirin; son olarak şablonu oluşturmak için şablon oluşturma işlevini kullanın ve şablon ikilileştirmeden sonra standart konturu elde edin. Bir şablon oluşturmanın algoritma fikri aşağıdaki gibidir:
(1) ROI alanındaki görüntünün gri tonlamalı gradyanını bulun ve X yönünde piksel gri değerini (Gx) ve T yönünde piksel gri değerini (Gy) döndürmek için görüntüyü işlemek için Sobel operatörünü kullanın. Geçerli pikselin gri değerini ve gradyan yönünü hesaplamak için aşağıdaki formülü kullanın.
(2) Gradyan yönünde yerel maksimumu aramak, maksimum olmayan öğeleri bastırmak ve kenarı iyileştirmek için maksimum olmayan bastırma algoritmasını (NMS) kullanın. Maksimum olmayan bastırma algoritması, sol ve sağ pikselleri kenar yönünde izler Mevcut pikselin gri değeri, sol ve sağ piksellerin gri değerinden küçükse, mevcut piksel gri değeri bastırılır.
(3) Kenarları çıkarmak ve birleştirmek için çift eşik algoritması kullanma. Maksimum olmayan değer bastırma algoritması işlendikten sonra, sonuca az miktarda kenarsız piksel dahil edilebilir, bu nedenle bir seçim yapmak için bir eşik seçmek gerekir. Çift eşikli seçim ve kenar bağlantı yöntemi, iki eşikten birinin yüksek eşikli TH ve diğerinin düşük eşikli TL olduğunu varsayar, bu durumda: TL'nin altındaki herhangi bir kenar pikseli için atın; TH'nin üzerindeki herhangi bir kenar pikseli için, Tutun; herhangi bir kenar piksel değeri TL ile TH arasında ise, bir kenar ile TH'den daha büyük bir piksele bağlanabiliyorsa ve kenardaki tüm pikseller minimum eşik TL'den büyükse, saklayın, aksi takdirde atın. Son olarak, kenar görüntüsü kaydedilir Şekil 1, iş parçası A'nın şablon oluşturma sürecidir.
2.4 Şablon eşleştirme
Kamera tarafından toplanan çalışma alanının gerçek zamanlı görüntüsü, şablon görüntüsü için aranır ve iş parçasının piksel koordinatları ve dönüş açısı elde edilir. Şablon eşleştirme süreci Şekil 2'de gösterilmektedir.
Bunlar arasında benzerlik ölçüsü normalleştirme işlemini kullanır, görüntü şablona ne kadar benzer olursa, görüntü çıktısının değeri 1'e ne kadar yakınsa formül aşağıdaki gibidir:
Bu, şablon görüntüsünün X ve Y yönlerindeki gradyanı temsil eder ve eşleştirilecek görüntünün X ve Y yönlerindeki gradyanı temsil eder. Normalleştirilmiş benzerlik ölçüsü, mevcut görüntü ile şablon arasındaki benzerlik Puanını alır ve Puanın Min Puanı eşiği 0,75 olarak ayarlanır. Eşleşen maksimum görüntü sayısını ayarlayabilirsiniz.Eşleştirme sırasındaki kalite faktörü, MinScore hedef sayısından ve maksimum eşleşme sayısından fazlaysa, yalnızca en iyi kalite faktörüne sahip hedef konum döndürülür. Yeterli eşleşen hedef bulunmazsa, yalnızca bulunan hedefler döndürülür. Çıktı eşleştirme açısı Açı 0 2 radyan değeridir ve ilgili şablon görüntüsü saat yönünün tersine 0 360 ° döner. Son olarak, kamera kalibrasyonu sonucuna göre, iş parçası görüntüsünün koordinatları robotun dünya koordinatlarına dönüştürülür. Birçok eşleşen deneyden sonra, eşleştirme doğruluğu% 98, maksimum mutlak eşleştirme hatası 5 piksel ve ortalama eşleştirme süresi 60 ms'dir.
3 Robot montaj sistemi tasarımı
SCARA (Selectively Compliance Assembly Robot Arm) robot, düzlemsel eklem tipi endüstriyel bir robottur.Düzlem içi konumlandırma ve yönlendirmeyi gerçekleştirmek için 4 eklemli ve 3 döner eklem ekseni birbirine paraleldir; Uç parça kaldırma hareketini gerçekleştirmek için 1 hareketli bağlantı, geniş Plastik endüstrisi, otomobil endüstrisi, elektronik endüstrisi, ilaç endüstrisi ve gıda endüstrisi ve diğer alanlarda kullanılır. Bu tasarımda, robotun iş parçasının koordinat bilgisini ve açısını almak için PC ile iletişim kurması ve ardından iş parçasını sabit bir duruşta tutması ve belirlenen konuma yerleştirmesi gerekir.
3.1 SCARA robot iletişim programı tasarımı
Robot denetleyicinin IP1 bağlantı noktası, bilgisayarda çalışan sunucuya bağlanmak için bir istemci görevi görür ve veri göndermek ve almak için kablosuz iletişimi kullanır. Robot dili programıyla iletişim kurmak için robot dilinin YAZDIR ve GİRİŞ komutlarını kullanın. PRINT komutunu kullanarak, denetleyiciden rastgele bir karakter dizisi gönderilebilir ve denetleyici, PRINT komutuyla belirtilen karakter dizisini ve değişken değerini gönderir. Verileri almak için INPUT komutunu kullanın, denetleyici yalnızca gerçek sayıları veya tam sayıları alabilir. Kontrolör tarafından alınan veriler, INPUT komutuyla belirtilen değişkenle değiştirilir. Robot dil programında alınan verileri bu değişkene atıfta bulunarak kullanabilirsiniz. Visual Studio'da C ++ kullanılarak Soket iletişimine dayalı bir sunucu geliştirilmiş ve şablon eşleştirme ile elde edilen iş parçası koordinatları robot istemciye gönderilmiştir. Bilgisayar ile robot arasındaki iletişim programının akış şeması Şekil 3'te gösterilmektedir.
3.2 SCARA robot seç ve yerleştir program tasarımı
Robot programı TSPC yazılımında tamamlanır Ana fonksiyon, robotu alınan iş parçası koordinatına ve açı verilerine göre iş parçasını sabit bir duruşta montaj konumuna getirecek şekilde hareket ettirmektir. Kapmak için çalışma alanı nispeten geniş olduğundan, çalışma alanı ayrı tutulmalıdır. Robotun yörünge aralığının araştırılmasıyla çalışma alanının iki kısma ayrıldığı ve iş parçasının farklı duruşlarda kavranması belirlendi. Robot dünyası koordinatı X = 331.6 sınır olarak alındığında, üst kısım iş parçasını tutmak için C = -254.380 temelini benimser ve alt yarı iş parçasını yakalamak için C = -74.306 temelini kullanır. İş parçası çalışma alanında 0-360 ° dönme açısına sahip olduğundan, robotun uç efektörü her seferinde iş parçasına paralel olacak şekilde robotun dönme açısı referansa göre ayarlanmalıdır.
Robot uç efektörünün iş parçasının açısına göre dönmesi prensibi. Şablon, iş parçasının merkezine dönen koordinat noktasıyla eşleştiğinden, açı değiştiğinde, iş parçasının iş parçasına paralel bir duruşta kavranmasını sağlamak için ilgili robotun koordinatları da değişmelidir. Prensip, Şekil 4'te gösterilmiştir.
İş parçası A'nın dönüş açısı sıfırsa, uç efektör iş parçasını iş parçasının merkez noktasından (X0, Y0) (X1, Y1) noktasına düz bir çizgide tutar. İş parçası A açısı ile döndüğünde, uç efektör iş parçasını iş parçasının merkez noktasından (X0, Y0) (X2, Y2) noktasına düz bir çizgide tutar. Robotun koordinat ofseti aşağıdaki formülle hesaplanır; burada iş parçasının dönüş açısı ve L, uç efektörün 7.564 cm uzunluğudur.
Ardından, farklı dönüş açılarına sahip iş parçalarını sabit bir açıyla güvenli noktaya taşımak için MOVE SAFEPLAY'i kullanın ve son olarak yerleştirmeyi tamamlayın. Robotun seçme ve yerleştirme programının akış şeması Şekil 5'te gösterilmektedir.
4 Deneysel doğrulama
Visual Studio'da, yukarıda belirtilen görüntü işleme algoritmasını geliştirmek ve gerçekleştirmek için MFC kullanılır ve SCARA ile iletişim kurmak için bir Soket sunucusu kurulur. MFC programında, robot çalışma alanının görüntüsünü gerçek zamanlı olarak görüntülemek için çok iş parçacıklı yöntem kullanılır ve görüntü, kesme modunda şablonla düzenli olarak eşleştirilir. İş parçası eşleştiğinde, iş parçasının koordinatları, Soket iletişimini kullanarak montajı tamamlamak için robota gönderilir. MFC program arayüzü ve montaj deney sistemi Şekil 6'da gösterilmektedir.
Sistem hatalarının ana kaynakları kamera kalibrasyonu, aydınlatma değişiklikleri, koordinat dönüşümü ve robot uç efektörünün doğruluğudur. Rastgele yerleştirilmiş iş parçalarını tanımlamak ve kapmak için bu sistemi kullanın ve Şekil 7'de gösterildiği gibi arka arkaya 50 kez montaj noktasının hatasını hesaplayın. Yukarıdaki deneysel testler sayesinde, sistem isteğe göre yerleştirilen herhangi bir iş parçasını tanımlayabilir ve montaj konumuna doğru bir şekilde yerleştirilebilir.İş parçasının montajının maksimum mutlak hatası 0,2 mm'dir ve ortalama mutlak hata 0,15 mm'dir ve bu da üretim gereksinimlerini karşılayabilir. Sistemin doğruluğu iyidir. Deneysel test süresi 100 dakikayı aşıyor ve sistem hala kararlı bir şekilde çalışıyor, bu da sistemin kararlı olduğunu kanıtlıyor.
5. Sonuç
Mevcut üretim hattının endüstriyel robotların kavrama ortamına daha iyi uyum sağlamasını sağlamak için, görsel kılavuzluğa dayalı bir robot kavrama ve yerleştirme sistemi tasarlanmıştır. İş parçasının koordinatları ve duruşu, çalışma alanı görüntülerinin gerçek zamanlı olarak toplanması ve şablon eşleştirmesiyle elde edilir ve robot seçme ve yerleştirmeyi tamamlar. Üretim hattının iyileştirilmesi sayesinde, iş parçası keyfi olarak çalışma alanına yerleştirilebilir ve kavrama stratejisi de üretim ihtiyaçlarına göre değiştirilebilir, bu da robotun çevreye uyumluluğunu artırır ve üretim verimliliğini büyük ölçüde artırır. Bu sistem, birçok test ve deney yoluyla yukarıdaki tüm fonksiyonları tamamlayabilir ve endüstriyel üretimin gereksinimlerini karşılayabilir.
Referanslar
Zhou Ji. Akıllı üretim - "Çin Malı 2025" in ana yönü. Çin Makine Mühendisliği, 2015, 26 (17): 2273-2284.
Tan Min, Wang Shuo Robotikte araştırma ilerlemesi Açta Automatica Sinica, 2013, 39 (7): 963-972.
Luo Minzhou, Fang Jian, Zhao Jianghai. Endüstriyel robotların teknolojik gelişimi ve uygulaması. Makine İmalatı ve Otomasyon, 2015, 44 (1): 1-4.
Liu Yi, Xia Wenjie.Makine görüşüne göre hareketli parçaların tutulması ve montajı üzerine araştırma. Bilgisayar Ölçümü ve Kontrolü, 2015, 23 (7): 2329-2332.
LEE W S, EOM J H, WON J D. Endüstriyel robotun görsel servo kontrolü üzerine bir çalışma. 201212. Uluslararası Kontrol, Otomasyon ve Sistemler Konferansı (ICCAS) .JeJu Adası, 2012: 1886-1890.
Guo Bin, Zhu Ge, Lu Yi ve diğerleri.Akıllı besleme sisteminde iş parçası görsel konumlandırma üzerine araştırma. Bilgisayar Ölçümü ve Kontrolü, 2016, 24 (2): 232-238.
Zhai Jingmei, Dong Pengfei, Zhang Tie Görme rehberliğine dayalı endüstriyel robot konumlandırma ve kavrama sisteminin tasarımı.Mekanik Tasarım ve Araştırma, 2014, 30 (5): 45-49.
Liu Zhenyu, Li Zhongsheng, Zhao Xue, ve diğerleri Makine vizyonuna dayalı endüstriyel robot sıralama teknolojisi üzerine araştırma. Manufacturing Automation, 2013, 35 (9): 25-30.
