基于KNN算法的鋁合金陽極化層打磨質量檢測系統研究

,， ，，

(1.哈爾濱工業大學機器人系統與技術國家重點實驗室，黑龍江 哈爾濱 150080；2.廣州瑞松智能科技股份有限公司，廣東 廣州 510760)

0 引言

鋁合金由于其低密度、高強度的特點，現被廣泛應用于航空航天行業中。在鋁合金焊接工藝中，需要首先進行鋁合金陽極化層表面的打磨作業[1-3]。由于航空航天行業對工件焊接質量要求較高，所以對陽極化層去除作業的質量要求也較高。因此，在作業完成后對工件進行打磨質量檢測具有重大的意義。

由于鋁合金的反光度較高，而且打磨作業后工件表面會有較多劃痕，所以工件表面呈現高反光亮度、有密集復雜陰影的特點，因此對這樣的圖片進行信息提取較為困難。針對這類問題，楊萍采用小波變換方法對圖像進行處理，并進行了實驗驗證，證明通過圖像消噪可以取得較好的效果[4]。劉東升利用雙目攝像機和卡爾曼濾波器實現了對圖像中目標的定位[5]。王峰利用圓滑處理算法實現了在圖片中提取鋼軌輪廓[6]。但由于這些方法只對圖片進行了濾波等處理，所以要求圖片有較高的對比度，進而要求攝像機、光源等有較高的性能，實際應用性不強。

1 檢測系統結構

1.1 機械系統結構

檢測系統的機械系統由傳送裝置、機器人和視覺檢測系統構成，如圖 1所示。傳送裝置通常由傳送帶和相應的傳感器構成[7]。機器人為SCARA平面型機器人，其速度快、成本低且工件只需要在平面方向進行檢測，適用于檢測應用。視覺檢測系統由攝像頭及光源構成并固聯于機器人末端，隨機器人移動拍攝整個工件待檢測部分。

1.2 控制系統結構

控制系統主要包括SCARA機器人控制部分和機器視覺獲取及計算部分，如圖 2所示。具體硬件部分由嵌入式系統實現，SCARA機器人控制器與嵌入式系統采用PROFINET通信，并與外部生產線總控相連。SCARA機器人系統由示教器和控制器構成，分別實現示教再現指令與軌跡規劃功能。當檢測系統工作時，機器人到達拍攝位置時與嵌入式系統通信，嵌入式系統發送拍攝指令，攝像頭進行圖像信息采集。圖像采集后，系統對圖像進行計算，輸出最終檢測結果至主控。

圖2 控制系統

1.3 系統輸入輸出

系統輸入為打磨完畢的鋁合金工件，系統輸出為檢測結果，即工件打磨寬度值和工件打磨質量，兩者作為判斷是否打磨合格的依據輸入到主控。最終依照結果，如果打磨合格，工件進入到下一工序的加工，如果不合格，重新進行打磨工作或廢棄。

1.4 機器人系統

用于檢測作業的機器人為平面型SCARA機器人，其特點為工作速度快且工作時機器人基本在平面內移動。SCARA機器人包含大小臂的轉動自由度、1個豎直方向的移動自由度和末端的旋轉自由度[8]。其運動學模型可由機器人標準D-H模型表達，運動學簡圖如圖 3所示。

圖3 SCARA機器人運動學簡圖

SCARA機器人的D-H參數表如表1所示。

可由圖3參數推導機器人正運動學與逆運動學。

表1 SCARA機器人D-H參數表

(1)

(2)

2 檢測方法

2.1 SCARA運動方向確定

由于在檢測工作時，攝像頭固定在SCARA機器人上，并且工件的尺寸遠大于攝像頭的視場，所以若想對整個工件進行完整檢測，需要讓機器人沿工件磨削特征方向移動。對于每個不同工件形式分別采用人工示教的方法，確定各個示教點，示教點間采用直線插補的方式同時保持豎直方向固定，如圖 4所示。最終確保在每個示教點拍攝的圖片覆蓋整個工件打磨區域。

圖4 示教位置確定方式

2.2 攝像頭參數標定

在檢測工作進行前，需要對攝像頭的參數進行標定。攝像頭參數標定分為內參數標定和外參數標定，內參數包括攝像頭焦距、畸變參數等，由于攝像頭內參數可由專用軟件實現，故在此主要對攝像頭外參數進行標定。

由于最終圖像處理分類結果的距離單位為像素單位，所以需要完成像素單位對實際單位的轉化，即外參數標定。由于SCARA機器人的特點，攝像頭始終處于與傳送裝置平行的方向，而工件在安裝時保持打磨部分與傳送裝置平行。采用陶瓷標定片進行攝像頭參數標定，采用標定片標定方式可靠、精度高。標定結果為在標定片所在高度處，像素單位對實際單位的轉化關系，所以標定次數需要根據工件在高度方向的變化決定。根據各個示教點處工件的高度變化來確定是否進行多次標定，若高度變化量大于1 cm，則多進行一次標定，并記錄下該示教點在序列中的位置。

2.3 基于KNN算法的鋁合金陽極化層打磨檢測算法

KNN(k-NearestNeighbor)算法又稱K鄰近算法，屬于一種有監督的機器學習分類方法。這種算法需要提供一些實例，但無需訓練即可使用。由于KNN算法具有思維清晰、計算方便等優點，近年來在圖像識別領域得到了較好的應用[9-13]。該算法的工作原理大致為：先將已知標簽的數據表示成向量的形式，并將這些向量以分類的向量集的形式來存儲，構成實例集。再當一個待分類新的數據到來時，計算新數據所對應的向量與存儲的向量集中各個向量之間的距離。并且對這些距離進行排序，以升序的形式表示。然后從中選出距離待分類數據最近的k個已知數據，通過分析這k個已知數據的標簽出現的概率得到最終的分類結果。k的選取由用戶在計算之前設定，一般為1個不大于20的整數。

例如，在圖 5中，已知數據共有2種標簽，分別以三角形和圓形表示。當出現1個菱形新數據時，計算該數據與圖中每個已知數據間距離。當k取3時，選出距離新數據最近的3個已知數據，分別是2個三角形數據和1個圓形數據，其中三角形數據居多。因此認為新菱形數據距離三角形數據的距離更近，最終得出新數據屬于標簽1的結論。

圖5 KNN算法示意

一般地，2個列向量x，y間距離的表示有歐式距離和馬氏距離等，具體的計算公式如下：

(3)

(4)

Σ為向量x,y的協方差矩陣。由此可看出，當Σ為單位陣時，馬氏距離也將退化為歐式距離。

通常，馬氏距離的計算與尺度無關，且與向量中各元素的量綱無關。但由于馬氏距離計算中需要計算協方差矩陣，這大大降低了計算的穩定性。

一般地，彩色數字圖片在計算機中都以RGB格式進行存儲。圖片中每個像素點都對應著1個三維向量，分別表示紅、綠、藍3個顏色通道的值，值域均為0～255，共有256級。因此計算機讀取的圖片可以認為是1個三維矩陣。

(5)

在算法實現的過程中，需要用戶首先提供一些已經分類完的實例。在本文中，通過人為提前選取加工后圖片標準樣本和未加工圖片標準樣本來實現。在系統工作時，先將攝像機采集的圖片進行一定的預處理，然后計算圖中各像素RGB值與各標準樣本的RGB值之間的距離并排序，取k為3，得出該像素的分類結果，并由此得出整個圖片的二值化分類結果。

3 實驗測試

3.1 實驗平臺

實驗平臺包括SCARA機器人系統、圖像采集系統和測試工件。工件測試實驗在自然光條件下進行，其他體現工件顏色分布的光源亦可。具體實驗平臺如圖 6所示。

圖6 實驗平臺

3.2 工件測試結果

實驗中工件被打磨部分為呈直線狀，且高度均勻，所以經一次標定后，機器人持攝像頭在工件上方移動，進行拍攝后可根據標定結果直接解算出檢測結果。

在所有測試開始前，需要進行訓練部分的選擇，此后的計算以此為樣本。如圖 7中框圖內部分所示，分別為未加工部分和加工完成部分。

圖7 訓練樣本提取

當工件合格時，如圖 8和圖 9所示，下方完全打磨。檢測結果中，下方完全被分類為打磨完畢部分，通過圖像距離和標定結果可計算寬度為30 mm。

圖8 合格工件實際圖像

圖9 合格工件圖像處理結果

當工件不合格時，如圖 10和圖 11所示，即下方呈現未打磨的部分，對該圖像進行檢測。檢測結果中，可檢測處下方存在未打磨成功部分。

圖10 不合格工件實際圖像

圖11 不合格工件圖像處理結果

3.3 測試算法與其他圖像處理方法比較

進行圖像區域部分提取的傳統方法主要有閾值篩選法和輪廓提取法。閾值提取法主要分為固定閾值法和動態閾值提取法。輪廓提取法中，采用常用的Canny算子法進行提取。分別采用以上算法對合格工件部分進行圖像處理，結果如圖12所示。

圖12 其他圖像處理方法對比

圖12a所示為動態閾值提取法結果，可發現受反光影響特別明顯；圖12b和圖12c為分別設置閾值范圍為[190,255]及[200,255]時，提取結果，可發現無法按具體閾值提取出合適的部分；圖12d為采用Canny算子進行邊緣提取結果，可發現提取結果為鋁表面劃痕等變化明顯的細節，很難提取打磨邊緣自然過渡的區域。所以，基于KNN 的測試算法在處理鋁合金表面區域提取時，比傳統方法有更高的可靠性與準確性。

4 結束語

提出一種鋁合金陽極化層打磨質量檢測系統。系統由SCARA機器人、圖像采集系統和傳送裝置組成。測試算法以打磨后的部分呈現明顯的亮白色特性，而未打磨部分呈現不反光黃色區域為特征，采用基于KNN的圖像顏色分類方法對機器人提取到的圖片進行分類，分類結果為打磨后的亮白色部分。根據分類后圖像的結果以及攝像頭的標定結果，獲取最終測試結果，包括工件打磨的寬度值和工件打磨的質量。最后，搭建工件檢測系統，完成檢測實驗。實驗結果表明，本系統可以實現鋁合金陽極化層打磨質量檢測并給出準確結果，同時相對于傳統算法，具有更高的準確性和可靠性。

參考文獻：

[1] Warner T．Recently-developed aluminium solutions for aerospace applications[J]．Materials Science Forum，2006，519/520/521:1271-1278.

[2] 張新明，劉勝膽．航空鋁合金及其材料加工[J]．中國材料進展，2013，32(1):39-55．

[3] 白嘉遠．鋁合金材料的應用及其加工成形技術[J]．世界有色金屬，2017(14):272-273．

[4] 楊萍，趙丹，李鶴岐，等．專用焊接打磨機器人視覺系統的研究[J]．蘭州理工大學學報，2004，30(3):41-44．

[5] 劉東升．基于雙目視覺的機器人在線檢測技術的研究[D]．青島:青島科技大學，2013．

[6] 王峰．機器視覺鋼軌輪廓打磨診斷系統關鍵技術研究[D]．武漢：武漢理工大學，2014．

[7] 黃曄．基于工業機器人的X射線CT檢測系統研究[D]．北京：北京理工大學，2015．

[8] 盧軍，鄭國穗，馬金鋒，等．SCARA機器人結構優化設計與運動分析[J]．陜西科技大學學報(自然科學版)，2014，32(1)：137-141．

[9] Liu H，Zhang S．Noisy data elimination using mutual k-nearest neighbor for classification mining[J]．Journal of Systems and Software，2012，85(5)：1067-1074.

[10] Cheng H，Yu R，Liu Z，et al．Kernelized pyramid nearest-neighbor search for object categorization [J]．Machine Vision and Applications，2014，25(4)：931-941.

[11] Xu F， Yang Z， Jiang G． An analyzing and experimental method based on the resultant motion signals for SCARA manipulator joints [J]．High Technology Letters，2017，23(3):279-285．

[12] Gu J，Pan Y，Wang H．Research on the improvement of image edge detection algorithm based on artificial neural network[J]．Optik - International Journal for Light and Electron Optics，2015，126(21)：2974-2978.

[13] Crosier M， Griffin L D．Using basic image features for texture classification[J]．International Journal of Computer Vision,2010,88(3)：447-460.