基于工業機器人的鐵氧體濕壓磁材表面缺陷檢測

吳曉燕，梁 棟

(1.南京科技職業學院智能制造學院，江蘇 南京 210048；2.江蘇理工學院機械工程學院，江蘇 常州 213001)

0 引言

智能檢測是實現工業4.0的重要基礎。隨著圖像處理技術、機器人技術、人工智能等重要領域的技術突破與交叉融合，檢測設備與檢測算法也不斷更新[1-2]。作為一種新型材料，永磁鐵氧體被廣泛應用于汽車電機、揚聲器、智能家具或水泵中。其中，鐵氧體濕壓磁材性能要求最高，尤其體現在外形加工尺寸和產品一致性上。然而，鐵氧體坯件在制造過程中易在側面出現裂紋、在上下表面出現缺陷，甚至因壓力過大或者過小出現起層或缺角現象。高質量的坯件應保證表面光滑、無全缺陷或裂紋，故對于鐵氧體表面缺陷檢測的研究日趨重要，主要集中在檢測算法和檢測設備兩方面。

對于檢測算法可以參照參考文獻[3]～參考文獻[5]的研究，上述方法大多無法對缺陷分類，且抗擾能力弱，檢測精度低。近些年來，深度學習在表面缺陷檢測的研究上異軍突起，受到了國內外學者的熱捧[6-7]，但是這些算法對硬件性能要求過高且不穩定，暫時不利于工業推廣。對于檢測設備的開發，國內部分磁材企業仍處于人工檢測階段，檢測效率低下、檢測精度不高。國外部分企業(如日本TDK、韓國SK等)已開發出立方體形磁片自動檢測設備，但其技術對國內封鎖。

本文在前期研究[8]的基礎上，創新性地設計了一種基于SCARA工業機器人的永磁鐵氧體濕壓磁材表面缺陷檢測系統，并采用高性能的表面缺陷檢測算法去檢測鐵氧體的缺陷特征。

1 檢測系統設計

基于工業機器人的永磁鐵氧體濕壓磁材表面缺陷檢測系統的虛擬樣機如圖1所示。其工作原理為：批量磁材被人工倒入振動盤中，經分選被推入到輸送帶中；帶有吸盤的SCARA機器人將磁材碼至檢測平臺上，平臺四周安裝有4組工業級CCD面陣相機，可同時檢測磁體上下端面與外圓弧面的信息；檢測完畢后，SCARA機器人將磁材從檢測平臺碼至卸貨區，便于后續工序處理。

圖1 檢測系統的虛擬樣機

系統中，機器人選用的是新時達AR4215型四軸串聯機器人，含有4個Ruking SEA3-02NR 驅動器、4個NIDEC-MX-201伺服電機及編碼器，可保證零件碼垛過程中的靈活性與精準性；磁體4個面的圖像信息經CCD相機(Bsaler ace2 130WG工業相機)采集后，經視覺分析軟件Halcon進行批量處理，大大提高了檢測效率；另外，系統中還有PC機，負責處理圖像數據、下位機通信和機器人的運動控制及狀態監測。

2 機器人軌跡規劃

2.1 運動學解算

本節將介紹SCARA機器人正反向運動學結算過程。機器人的機構特性可由DH參數來描述，通常DH參數分為改進的DH參數與標準的DH參數[9]，在此采用標準的DH參數進行描述，如表1所示。

表1 SCARA器人的標準DH參數

由于SCARA機器人的拓撲結構是單鏈式的，若轉動關節變量θ1、θ2、θ4和移動關節變量d3已知，則正向運動學方程為

(1)

A為連桿變換矩陣;T為正向運動學方程。

(2)

2.2 軌跡規劃算法

所設計的基于工業機器人的鐵氧體表面缺陷檢測系統作業時，磁體經歷“抓取(位置A)—檢測(位置B)—抓取(位置C)”的過程，這就要求對機器人進行軌跡規劃。通常，機器人末端執行器的位置與姿態均要規劃，而設的方案中磁體端面一直朝上，如此僅考慮位置的規劃即可，提高了計算效率。另外，機器人的軌跡規劃分為關節空間內的軌跡規劃與笛卡爾空間內的軌跡規劃兩種，這里選擇前者，即先根據若干示教的位置點反解出該點時的關節角信息，然后利用三次多項式進行規劃[11]，使關節角運動光滑平坦。

3 圖像識別技術

鐵氧體磁材表面紋理特征復雜，本文采用基于圖像差分法分析磁材生產中的缺陷。首先，引入自適應直方圖均衡化對圖像預處理；然后，對預處理后的圖像用Kirsch邊緣提取算子分割圖像；最后，對提取出來的缺陷進行數字形態學處理，根據缺陷的幾何特征判別磁材表面有無缺陷。詳細步驟如下：

a.圖像預處理。將圖像劃分為若干部分，采用自適應算子分別計算每個部分的直方圖并均衡化，同時對邊緣像素進行插值處理。處理后的像素值為

(3)

M和N分別為掩碼的長與寬;f(v)和minf(v)分別為像素函數值及其最小值;L為步長。

b.Kirsch邊緣提取算法。采用8個Kirsch模板對輸入圖像進行卷積，即分別在原像素周圍8個方向卷積，并取最大值作為圖像的邊緣輸出，其詳細過程可見文獻[12]。最大邊緣梯度幅值為

D(x,y)=max|5rk-3uk|,k=1,…,8

(4)

rk=ak+ak+1+ak+2；uk=ak+3+ak+4+ak+7；ak(k=1,…,7)為原像素周圍8個像素點的灰度值。

圖2為Kirsch算子和傳統的Canny算子對環形鐵氧體的4個外表面的計算結果。圖2a、圖2b、圖2c和圖2d為Canny算子提取邊緣的效果，Canny算子雖對微小灰階的變化較敏感，但提取出的邊界較為雜亂，增加了后續處理難度;圖2e、圖2f、圖2g和圖2h為Kirsch算子方法提取邊緣的效果，從圖2可以看出，Kirsch算子具有較好的檢測效果及抗噪能力，在灰度值突變的像素點保留有效值，自適應性較好。

c.缺陷域特征處理。為分析缺陷大小，需將分割后的圖像經形態學處理和幾何特征篩選，過濾除缺陷特征外的區域。本文先選用開運算濾除干擾因數，再選擇閉運算實現圖像區域填充[13-15]。對缺陷的識別通過區域的面積、圓度、方形度等幾何特征計算，實現提取分析。設(x,y)為像素坐標，P(x,y)為像素值，R為缺陷的像素集合，n為像素個數，則缺陷域面積可表達為

圖2 Kirsch算子和Canny算子邊緣提取效果對比

(5)

圓度的計算公式為

(6)

L為缺陷域的周長，其數學公式為

(7)

Nx為x方向上像素個數總和；Ny為y方向上像素個數總和;Nsum為劃痕邊緣像素個數總和。

4 結果與分析

由于實驗條件有限，本節通過仿真來展示機器人軌跡規劃的可行性，同時搭建簡易的檢測平臺來驗證本圖像處理技術的正確性。

4.1 軌跡規劃效果展示。

假設機器人基座為絕對坐標系原點，磁材需從點A(0,0.343 m,0.09 m)運動到點B(0.358 m,0.005 m,0.3 m)，最后運動到點C(-0.022 m,-0.37 m,-0.111 m)，整個過程不連續，故分成2段軌跡分別進行規劃，仿真時間為2 s，結果如圖3～圖5所示。圖3和圖4展示出SCARA機器人4個關節變量的變化光滑平坦，能保證環形鐵氧磁材順利達到工作點。圖5給出了環形鐵氧磁材在三維空間中的運動軌跡，驗證了本文設計的基于SCARA工業機器人的永磁鐵氧體濕壓磁材表面缺陷檢測系統的可行性。

圖3 從A到B的軌跡規劃結果

圖5 鐵氧磁體的三維運動軌跡

4.2 表面缺陷檢測試驗

為了驗證本文所提檢測方法的準確率，分別對環形鐵氧體的4個外表面檢測，環形鐵氧體常見特征缺陷如圖6所示。圖6a為側面劃痕缺陷；圖6b為側面邊緣凹坑缺陷；圖6c為端面劃痕缺陷；圖6d為端面紋理缺陷。試驗選用了450張缺陷樣本圖片進行算法檢測分析，并與人工檢測結果對比。表2為隨機抽取的10個鐵氧磁體表面特征幾何數據，由表2發現該算法檢測結果與人工檢測結果十分吻合，匹配度為90%，這表明該算法檢測準確性較高。

圖6 鐵氧磁體缺陷域特征檢測效果

表2 10組系統檢測與人工檢測結果對比分析

5 結束語

針對現有永磁鐵氧體濕壓磁材表面缺陷檢測方法存在的問題，設計了一種基于SCARA機器人的缺陷檢測系統并提供了相應的檢測算法，進行了仿真模擬和試驗驗證。結果表明：

a.SCARA機器人能夠有效提供安全光滑的運動軌跡，保證鐵氧體磁材在檢測系統中的位置移動。

b.與人工檢測結果相比，本文提出的圖像檢測算法精度高達90%，基本能夠滿足工業應用需求。

c.本文設計的檢測系統能夠同時檢測出環形鐵氧體的4個面，效率高、操作簡單。

未來將把本文設計的檢測系統做成實物樣機，同時改進表面缺陷檢測方法，進一步提高檢測的質量。