潘盛湖，張小軍，呂 東
（西南石油大學機電工程學院，四川成都 610500）
中國是制造大國。隨著“中國制造2025”的提出，制造業的轉型升級和跨越發展顯得尤為緊迫而艱巨[1-3]。隨著人工智能、工業互聯網、大數據等技術與制造業的深度融合，生產制造正逐漸朝著智能化的方向邁進。機器視覺在制造領域的應用得到大量研究，已取得不少研究成果。如：周俊杰等[4]針對機床刀具磨損問題，設計了一種基于機器視覺的刀具磨損測量系統，實現了刀具磨損在線測量。董玲等[5]將機器視覺與逆向工程技術相結合，開發了一套基于三維視覺的激光再制造機器人離線自動編程系統，實現了對復雜形貌零件準確而高效的修復；
周晶[6]針對玻璃生產中表面質量檢測的需求，研究了基于機器視覺的玻璃精雕機AOI（automatic optical inspection，自動光學檢測）方法，有效解決了人工檢測效率低的問題；
Wang等[7]采用單目視覺測量算法進行漫游三維定位，在保證系統精度和檢測實時性的同時，解決了航標識別和三維定位等關鍵問題，實現了空中自主加油對接；
Yu等[8]設計了一種基于機器視覺的目標識別系統，提出了基于PXI（PCI extensions for instrumentation，面向儀器系統的PCI（peripheral component interconnection，外圍組件互連）擴展）的機器視覺方案，利用視覺模塊實現了圖像采集和目標識別，有效提高了火炮系統的標定效率。
在服裝、包裝等的加工中，常常存在只有紙質圖紙或模型樣件而無電子加工圖的情況。將機器視覺檢測技術與傳統平面加工機床控制系統相結合，設計了一種基于視覺的平面加工機床控制系統，以實現對紙質圖紙或模型樣件輪廓尺寸的快速獲取，解決人工測量中存在的準確度不高及效率低下等問題，提高平面加工機床控制系統的智能化水平。
1.1 系統工作原理
基于機器視覺的平面加工機床控制系統主要由工業CCD（charge coupled device，電荷耦合器件）相機、PC（personal computer，個人計算機）、運動控制板、步進電機、電源、滑塊和導軌等構成，整個加工執行部分集成在同一平臺上。系統的結構如圖1所示。系統的工作原理為：通過視覺采集終端提取圖像；
將圖像信息上傳至PC，由圖像處理程序對圖像信息進行處理，經過圖像降噪、輪廓提取、輪廓降重后得到加工圖形完整的輪廓信息；
通過轉換程序將輪廓信息按照要求的精度離散成大量連續微小線段，并轉換成具有PLT文件格式的加工數據，再傳輸至平面數控切割平臺以進行圖形加工。
圖1 基于機器視覺的平面加工機床控制系統結構Fig.1 Control system structure of plane machining machine tool based on machine vision
系統主要應用于平面切割場景，因此只須實現在平面內的運動。切割平臺由滑塊和導軌拼接而成。在導軌上設有電機和傳送帶，當電機轉動時傳送帶會擠壓滑塊從而實現其在水平方向（X向）和垂直方向（Y向）的運動。在X向導軌的電機處配置切割刀具，以實現對加工材料的雕刻和切割。同時在X向和Y向導軌的末端都設有限位裝置，以防止電機移動到工作臺外。
1.2 系統功能模塊
基于開放式數控系統的設計理念進行設計，使系統具有較好的二次開發能力，便于后續功能集成。系統的功能模塊主要有視覺采集模塊和運動控制模塊，如圖2所示。視覺采集模塊主要由工業CCD相機、圖像采集卡、光源、光源控制器和PC組成，主要負責圖像信息的采集和處理。CCD相機通過光源輔助來拍攝圖像，將圖像信息經圖像采集卡轉存到PC，由PC的上位機軟件對圖像信息進行處理，提取加工圖形的輪廓信息并轉換成數控加工代碼，將其傳輸給運動控制模塊。運動控制模塊主要由ARM+MCX314控制單元、I/O接口、四軸運動控制接口、顯示接口和通信接口等組成，主要負責電機運動的控制和數據通信，進而實現加工。
圖2 基于機器視覺的平面加工機床控制系統的功能模塊Fig.2 Function module of control system of plane machining machine tool based on machine vision
采用雙核結構實現四軸運動控制，并將雙核結構封裝成獨立的控制盒，使其具有很好的移植性。采用ARM系統進行控制，其主控芯片是STM32系列的Cortex-M4內核芯片，該芯片具有高性能、低成本、低功耗的特點。采用MCX314專用運動控制卡來開發運動控制系統，可以大大縮短產品的開發周期。
2.1 主控單元
運動控制模塊主控單元中的CPU選用STM32F 407ZGT6，實現數控系統的數據處理、存儲管理以及數據交換等功能。選用帶DSP的MCX314AS芯片，以實現電機的速度控制、插補驅動和位置控制。STM32F407ZGT6與MCX314AS之間的數據交互采用FSMC總線的方式，組建“主從式”結構方式，使STM32F407ZGT6將MCX314AS當作SARM進行操作。MCX314AS設置在FSMC總線第1個區間的第4區域，地址為6C000000h-6FFFFFFFh。運動控制模塊主控單元的硬件連接如圖3所示。采用3.3 V電源供電。
圖3 運動控制模塊主控單元的硬件連接Fig.3 Hardware connection of main control unit of motion control module
2.2 通信接口
STM32F407ZGT6與PC之間的通信通過串口實現。由于PC常用DB9（9針）接頭，須進行電平轉換，將芯片的I/O端口電平轉換為RS232類型。采用SP3232E芯片對STM32F407ZGT6和PC的電平進行轉換。設計的RS232標準串口設備通信結構如圖4所示。
圖4 RS232標準串口設備通信結構Fig.4 Communication structure of RS232 standard serial port equipment
2.3 軸電機控制單元
電機轉動由脈沖信號決定。其中限位信號主要為各運動軸的限位和回零信號，通過傳感器輸入。傳感器的信號很容易受到外界干擾，因此在信號傳輸至電機之前須進行光電隔離以保證輸入信號的穩定性和可靠性。采用四通道光電耦合器PC847進行光電隔離。限位信號控制電路圖如圖5所示。
圖5 限位信號控制電路圖Fig.5 Circuit diagram of limit signal control
采用2塊差分放大芯片DS26LS31CM進行電機控制接口的電平信號轉換，其電路圖如圖6所示。芯片采用通用5 V供電，其輸入引腳IN A、IN B、IN C、IN D與外部電機連接以實現四軸運動控制，同時，單個運動軸原點信號也通過該接口進入運動控制單元，以實現回原點操作。
圖6 電機控制接口的電路圖Fig.6 Circuit diagram of motor control interface
3.1 圖像降噪
在圖像采集過程中，由于環境影響、攝像設備的缺陷以及光線差異，會產生不同程度的圖像噪聲，須進行降噪處理。首先，采用張氏標定法[9]對相機進行標定，使圖像坐標系向實際空間坐標系轉換來獲取單位像素對應的圖像實際尺寸大小，并將相機拍攝的原始圖像轉換為灰度圖[10-11]；
然后，引入改進的自適應特征的小波收縮（feature adaptive wavelet shrinkage,FAWS）降噪算法[12]對灰度圖進行降噪。FAWS降噪算法的能量函數和收縮函數如式(1)和式(2)所示。
式中：λ2=4δ2logR，δ2為噪聲的方差；
d(h,k)為窗口像素的中心，h、k分別為中心像素所在行、列數；
m、n分別為中心像素周邊像素點所在的行、列數；
Q由R×R窗口獲得，R一般取值為3；
p和q由經驗確定。
由FAWS降噪原理可知，參數p和q對降噪結果有較大影響。這2個參數一般采用經驗判斷方法進行選擇，缺乏較為系統的判斷依據。針對該問題，提出以常相干函數為適應度值，并將文獻[13]所提出的SSA（sparrow search algorithm，麻雀搜索算法）與FAWS降噪原理相結合，提出一種改進的FAWS降噪算法。該算法通過尋找最小適應度值實現對參數p和q的自適應尋優，進而完成圖像降噪。
3.1.1 麻雀搜索算法
麻雀搜索算法具有優異的收斂速度和局部搜索能力[14]。算法中引入發現者、加入者以及意識到危險的麻雀作為身份特征，以麻雀的覓食習性推理尋優過程。具有較低適應度值的發現者能夠更優先地獲得食物，此外發現者還可以為加入者提供覓食方向，并可以獲得更大的覓食搜索范圍。發現者位置更新描述如下：
式中：t為當前迭代次數；
j為優化問題變量的維數；
Imax為最大迭代次數；
X(i,j)為第i個麻雀在第j維的位置信息；
α是一個(0,1]范圍內的隨機數；
R2和S分別為預警值和安全值；
O是服從正態分布的隨機數，此處為1×1的矩陣；
L為1×d的矩陣，矩陣內每個元素賦值為1，d為待優化問題的維數。
R2＜S表示覓食環境安全，附近沒有捕食者，可以繼續進行搜索操作；
R2＞S表示種群中已有一些麻雀發現周圍有捕食者，并向種群中其他麻雀發出警報，此時所有麻雀都須迅速尋找其他覓食區域。
對于加入者，當發現者找到更好的食物時，加入者會立即離開現在的位置去爭奪，直到勝利為止。加入者的位置更新描述如下：
在該算法中假設意識到危險的麻雀數為總數量的10%～20%，且位置隨機產生，則麻雀位置更新描述如下：
fi＞fg表示麻雀處于種群邊緣，容易遇到捕食者；
fi=fg表示位于中間位置的麻雀意識到了危險，須向其他位置移動來減小危險。
3.1.2 適應度函數設計
在對非仿真圖片進行降噪分析時，由于缺乏不含噪聲的圖片數據，不能利用信噪比等參數對降噪結果進行判別，因此提出一種新的降噪效果判斷準則。用常相干函數表示2個數據之間的相干性，其值為0～1。分別用x和y表示降噪后的數據和剔除的噪聲數據，則：
3.1.3 改進FAWS算法的執行流程
改進FAWS算法的執行流程為：
1）根據多次降噪效果評價，選擇參數p和q合理的取值范圍；
2）初始化各參數值，包括發現者和加入者的比例；
3）根據式(3)更新發現者的位置信息；
4）根據式(4)更新加入者的位置信息；
5）根據式(5)更新意識到危險的麻雀的位置信息；
6）循環迭代進行參數p和q的局部更新和全局更新，降噪并求取降噪后圖像與被剔除噪聲之間的常相干函數值，作為當前適應度值；
7）對比當前適應度值以及最小適應度值，若當前適應度值小于最小適應度值，則將當前適應度值更新為最小適應度值，并保存對應的參數p和q，否則最小適應度值和p、q保持不變；
8）繼續循環迭代，重復步驟1）至步驟7），進一步進行局部參數優化和全局參數優化，以更新適應度值和p、q，直到完成設定的迭代次數；
9）更新獲得全局最小適應度值和全局最優參數p和q。
3.1.4 改進FAWS算法降噪效果驗證
以含0.05椒鹽噪聲的經典Lean圖像為實驗對象，設置算法中麻雀種群數量為20，最大迭代次數為500，依據經驗p、q分別取為0.1和0.3[13]，p和q的邊界條件分別為[-0.5,0.5]和[0,0.5]，單位階躍響應為1。改進FAWS算法的降噪效果如圖7所示。由圖7可知，經過多次迭代，降噪后圖像中噪聲含量相對于降噪前顯著減少。適應度值變化曲線如圖8所示。由圖8可知，適應度值隨著迭代次數的增加呈減小趨勢，證明麻雀整體向尋找適應度值減小的方向進化。不同p、q對應的適應度值如圖9所示。由圖9可知，當p、q分別取為0.1和0.3時，可以獲得全局最優解。
圖7 改進FAWS算法的降噪效果Fig.7 Noise reduction effect of improved FAWS algorithm
圖8 改進FAWS算法的適應度值變化曲線Fig.8 Change curve of fitness value of improved FAWS algorithm
圖9 不同p、q對應的適應度值Fig.9 Fitness values corresponding to different p and q
為了進一步驗證改進FAWS算法的降噪效果，對含0.02高斯噪聲的Lean圖像分別采用高斯濾波和改進FAWS算法進行降噪處理，將降噪結果繪制成二維和三維直方圖，并與無噪聲的Lean原始圖像的二維和三維直方圖進行對比，結果如圖10所示。
由圖10可知，雖然高斯濾波和改進FAWS算法都能有效降低噪聲，但相比于高斯濾波，經過改進FAWS算法降噪后圖像細節部分的像素值更接近原始圖像，降噪效果更好。
3.2 輪廓提取
為了更好地獲取圖像輪廓特征信息，減小圖像對比度和亮度變化對輪廓特征的影響，采用性能好、穩定性較高的基于全局閾值的Otsu算法[15]對降噪后的灰度圖像進行二值化處理以分割開目標與背景，然后采用Canny算法[16]對二值化處理后的圖像進行邊緣檢測以實現目標邊緣和內部的有效分離，最后采用移動最小二乘法[17]對目標邊緣進行輪廓擬合以消除邊緣檢測產生的信息誤差，使得輪廓曲線平滑，接近實際圖像。
3.3 加工數據生成
提取出圖像具體輪廓信息后，采用八通道方向鏈碼的邊界跟蹤算法[18]將各輪廓按照一定的順序生成加工路徑。PLT文件主要包含圖像輪廓的坐標信息和對應刀筆的操作信息，所以直接將處理后的圖形輪廓按照要求的精度離散成大量連續的微小線段并轉換成PLT文件格式，傳輸至運動控制模塊[19]。PLT文件中所有命令和參數的表達均采用HPGL（Hewlett-Packard graphic language，惠普圖形語言）描述，每條命令以分號結束，參數間以逗號隔開。常用的PLT指令如表1所示。
表1 常用PLT指令Table 1 Common PLT instructions
4.1 圖像處理模塊的軟件設計
圖像處理模塊的部分程序可調用opencv庫輔助實現，主要函數如下。
1）函數imageGraying()用于實現圖像灰度化。程序為：
2）函數imageDenoise()用于對灰度圖的降噪處理，函數imageBinary()用于接收降噪后的圖像，并進行二值化處理。
3）圖像邊緣提取函數contourGet()和輪廓擬合函數contourMatching()用于對加工輪廓信息的提取，函數contourPath()用于對提取的輪廓繪制加工路徑。
4）文件轉換函數createPltFile()用于將上述加工路徑的輪廓信息轉換為PLT文件。PLT轉換程序如下：
4.2 數據通信模塊的軟件設計
數據通信模塊主要滿足以下兩部分功能：實現系統與計算機之間的通信，使加工數據得以傳輸；
實現系統各模塊之間的通信。其主要程序有：
1）InitHardUart(void)函數用于對串口的初始化配置，以實現STM32F407ZGT6與PC的通信。
2）主控制器初始化函數CPLD_Init(void)用于對STM32F407ZGT6進行FSMC總線時序配置，其中部分程序如下：
基于機器視覺的平面加工機床控制系統的實驗平臺如圖11所示。圖中：①為工業CCD相機，②為PC，③為步進電機，④為PCB（printed circuit board，印制線路板）運動控制板。平臺硬件采用模塊化設計，執行部分由導軌和步進電機組成。X軸電機頭部配置激光頭以實現加工圖像的雕刻。導軌能夠進行平面內X、Y向的運動，最大行程為400 mm×600 mm，能夠滿足測試要求。
圖11 基于機器視覺的平面加工機床控制系統的實驗平臺Fig.11 Experimental platform of plane machining machine tool control system based on machine vision
為測試系統的性能，加工材料選用厚度為3 mm的亞克力板。首先，將工業CCD相機與PC、PC與PCB運動控制板進行連接，確認系統工作正常后，通過CCD相機獲取加工圖像信息；
然后，將圖像信息進行處理，得到加工圖像的數據。系統測試流程如圖12所示。
圖12 平面加工機床控制系統測試流程Fig.12 Test flow of control system of plane processing machine tool
將原圖與加工結果進行對比。取13個測量組，測量加工前后圖像水平或豎直方向的輪廓間距并計算其誤差，結果如表2所示。由表可知：輪廓間距較大時，誤差較小；
絕對誤差在-0.3～0.30 mm以內。可見該平面數控加工系統能夠滿足服裝、包裝等的加工需求。
表2 加工前后圖像輪廓間距及其誤差Table 2 Distance and error of image contour before and after processing
根據服裝、包裝等行業的生產需求，將數字圖像處理技術與傳統平面加工機床控制系統相結合，利用機器視覺檢測并提取圖像的輪廓數據來提高生產效率。
1）設計了一套利用機器視覺采集加工數據的平面加工機床控制系統。系統整體結構精簡，易于實現。
2）完成了視覺檢測算法架構。將麻雀搜索算法與FAWS降噪原理相結合，提出了自適應參數尋優的改進FAWS降噪算法，并將其與傳統高斯濾波降噪進行對比，驗證了其先進性。
3）搭建實驗平臺對該控制系統進行測試。測試結果表明，系統能夠通過視覺檢測完成平面二維圖像的加工，且加工誤差較小。利用該系統能夠有效降低人工成本，提高生產效率，因此具有一定的工程實用價值。
猜你喜歡輪廓適應度麻雀改進的自適應復制、交叉和突變遺傳算法計算機仿真(2022年8期)2022-09-28OPENCV輪廓識別研究與實踐裝備制造技術(2020年1期)2020-12-25拯救受傷的小麻雀作文小學中年級(2019年10期)2019-11-04一種基于改進適應度的多機器人協作策略鄭州大學學報（工學版）(2018年2期)2018-04-13高速公路主動發光輪廓標應用方案設計探討中國交通信息化(2017年4期)2017-06-06燕子和麻雀文理導航·科普童話(2016年7期)2017-02-04緊盯著窗外的麻雀山東青年(2016年1期)2016-02-28自適應遺傳算法的改進與應用*艦船電子工程(2010年1期)2010-04-26兒童筒筆畫大灰狼(2009年7期)2009-08-26創造早秋新輪廓舒適廣告(2008年9期)2008-09-22