基于遺傳算法的汽車涂膠工藝視覺檢測標定技術研究*

唐國寶，廉迎戰，張 俊，劉 益，戴作林

（1.廣州瑞松智能科技股份有限公司，廣州 510535；2.廣東工業大學，廣州 51006）

0 引言

由于目前行業內的涂膠檢測大多是依靠人工進行檢測的，以及設備環境、光照、噪聲等多種不可控因素影響，會造成生產效率低、質量可靠性較差等后果。當前汽車制造行業正在隨著自動化、智能化的潮流前行，機器視覺也將會被廣泛地被應用在汽車產業鏈中。

機器視覺是一種從檢測對象的圖像中采集有利信息以此達到測量目的的技術。它具備精確性高、速度快、采集范圍廣、采集信息量大等優勢。它結合CCD 攝像頭、光學系統和數字系統，來滿足各種檢測的要求。當今汽車制造行業正在向自動化、智能化的潮流前行，機器視覺這項技術也會被廣泛地應用在汽車產業鏈中。作為一種新穎而又實用的傳感技術，圖像檢測單元近年已實現產品化，如Congnex、Keyence、Omron 等廠家都已向市場推出一系列功能齊全的產品。對比而言，國內的發展較為緩慢。當前汽車涂膠工藝品質檢測都是使用人工目測，該方式不僅效率低，人工成本高，準確率低，而且很難實現工藝標準中規定的定量評定要求，從而影響對產品質量的有效監控。為了減少汽車總裝廠工人勞動強度，提高產品質量，針對汽車零部件機器人涂膠質量控制需求，研究汽車車身工業機器人涂膠在線視覺檢測標定的方法。

1 技術方案

1.1 存在問題

目前，在汽車制造過程中，涂膠品質的視覺在線檢測應用越來越廣泛，但是，由于視覺檢測的汽車零部件對象存在著種類多樣性、表面瑕疵復雜性、涂膠曲線的非線性等特點，因此要獲得瑕疵的類型、產生的原因以及其外在表現形式之間的關系，需要收集和分析大量的相關實驗數據才能確定。并且視覺在線檢測產生的信息量巨大，其中無關信息繁多、特征空間維度高，所以，對從海量數據中提取精準的標定信息的算法提出了很高的技術要求。汽車涂膠視覺在線監測目前主要存在以下問題：

（1）汽車涂膠檢測多數采用人工檢測，該檢測方式工作效率低且人工檢測評估結果準確性差；

（2）視覺在線檢測系統的信噪，受檢測設備所處環境溫度、光照強度、生產技術、電磁環境和噪聲干擾等多重因素影響，很難將微弱信號和噪聲區分開來。

因此，如何構建穩定、可靠、魯棒的汽車涂膠在線檢測系統，以適應光照變化、噪聲、電磁以及其他外界不良環境的干擾，是要解決的關鍵問題之一。

1.2 系統硬件架構

在汽車涂膠生產過程中，采用機器人自動涂膠代替人工涂膠以提高生產效率。由于機器人涂膠速度快，人工檢查已經滿足不了涂膠過程質量檢查的要求，因此采用視覺在線檢測的方法替代人工檢測涂膠的質量。

汽車工業機器人涂膠檢測控制系統主要包括工業機器人、變位機、機器人視覺以及視覺處理軟件等，圖1所示為汽車機器人涂膠檢測機構的整體結構。

圖1 汽車機器人涂膠檢測機構組成示意圖

在實際生產過程中，不僅需要考慮涂膠的功能性，同時還得兼顧生產的節拍，為此針對具體的汽車涂膠過程，需要進行綜合考慮。系統中視覺模塊可根據目標形式、檢測需求、現場環境等靈活選擇，主要固定于工件上方和膠槍附近，分別對涂膠效果進行固定1次（或2次）和跟隨連續的拍照模式完成對涂膠效果的圖像采集。檢測系統具有以下的特點：

（1）系統跟隨性好，跟隨式實時檢測，跟隨檢測速度最高可達900 mm/s，不占用工位節拍；

（2）檢測涂膠缺陷，包括斷膠、溢膠、膠寬度和膠位置等；

（3）檢測適用性廣，可用于檢測不同顏色的條形膠、密封膠等；

（4）檢測的精度高，可達0.05 mm。

1.3 系統軟件設計

汽車工業機器人涂膠檢測精度的高低取決于視覺圖像的標定，因此視覺檢測相機在開始測量之前，首先需要對測量圖像相機進行標定，標定過程中參數的是否穩定會直接影響相機在檢測中的準確性。汽車工業機器人涂膠檢測控制系統軟件功能包括生產批號、生產數量、設備狀態、系統通訊設置、視覺系統設置、視覺檢測結果等，系統軟件如圖2所示。

圖2 汽車工業機器人涂膠檢測控制系統軟檢測軟件界面

汽車工業機器人涂膠檢測控制系統軟件的工作流程如下。

（1）工業相機及光源等光學裝置固定安裝于涂膠站點固定支架的膠槍上；

（2）工件被機器人抓手抓著放置到涂膠視覺系統下方；

（3）拍照信號由PLC 給到涂膠視覺處理工控機觸發拍照，做涂膠前1次拍照（小于或等于1.0 s）；

（4）開始涂膠；

（5）涂膠完成后機器人抓著涂完的工件放置到涂膠視覺系統的下方第一次拍照的同樣位置，進行涂膠完畢工件的拍照（小于或等于1.0 s）；

（6）利用圖像處理算法，將兩幅圖進行軟件算法處理，獲取圖像檢測的特征部位涂膠匹配的特征參數；

（7）抽取特征參數，包括膠條的有無、寬度、斷續、均勻性等參數；

（8）軟件輸出圖像處理OK/NG 結果，信號給到PLC，系統檢測結束。

2 涂膠標定算法設計

本文采用的是直接求解Kruppa 方程的辦法來對相機進行標定，該方法的特點是利用了絕對二次曲線在歐式變換下不變的特性。由于該辦法是關于非線性求解問題，所以可以通過一些優化算法對Kruppa方程的代價函數優化。傳統的基于遺傳算法的相機標定技術很難解決提前收斂、停滯現象以及誤解成局部最優化等問題。所以，為了解決以上難題，本文提出一種基于改進的遺傳算法的相機標定技術。

對極幾何關系是指在從兩個不同的角度獲取同一個場景的圖片，這兩張圖片之間的約束關系，而基礎矩陣F 就是其代數表達，Faugeras 等人使用Kruppa 方程來體現相機和圖片之間的關系：

式中：s為未知的正比例因子；e′為第二張圖片的極點；C＝KKT；[e′]×為極點e′的反對稱矩陣。

由于極點不穩定且不易確定，因此，Hartley 提出了改進的Kruppa方程：

式中：矩陣U和V的列矩陣分別為F的左、右奇異向量；D為對角矩陣，其對角線上的元素為F的奇異值。

結合基礎矩陣式（1）得：

式中：Vi和ui分別為矩陣V和U的第i列向量；r和s為F的奇異值。

3 改進遺傳算法的視覺標定

3.1 改進的遺傳算法

為了提高遺傳算法的局部隨機搜索能力和可維持群體多樣性，避免出現過早收斂的情況，引入了交叉操作和變異操作。交叉是指將兩個染色體在同一位置處的DNA斷開，前后兩個分別交叉組合形成新的染色體；變異是指復制時小概率的發生偏差，變異產生了新的染色體，表現出新特征。

式中：Pc1為交叉概率初始值；Pm1為變異概率初始值；i為進化的次數；n為最高進化次數；count是累積最優解不變的次數。

本文的目標函數為f(fu,fv,u0,v0)， 適應度為1/f(fu,fv,u0,v0)，種群大小為N，進化代數為n。

3.2 改進的遺傳算法流程

改進的遺傳算法步驟如下。

（1）初始化相關變量，如Pc1、Pm1、N、n等。

（2）初始化種群，生成N個個體。

（3）依據比例選擇方法，選擇出N/2個個體父代。

（4）使用實數編碼對種群進行編碼，計算出交叉概率Pc，在Pc的條件下進交叉操作，N個父代將會產生N/2 個新基因。計算出變異概率Pm，在Pm的條件下對產生的新基因進行變異操作，最終產生N/2個新基因。

（5）計算當前種群所有個體（3N/2 個）的適應度，并從大到小排序，將前N個個體組成為一個新的種群。

（6）比較新種群的適應最小個體和上一代種群中的適應度最大個體，選擇最優的個體加入新種群中。

（7）計算新種群的總適應度、平均適應度。判斷新種群最優個體是否和上一代的最優個體一致，如果一致則count＝count+1，否則count不變。

（8）終止條件判斷。當i＞n時，結束循環；當i＜n時，則i＝i+1，并且返回步驟（3），繼續循環。

4 涂膠標定算法驗證

為了驗證基于改進的遺傳算法的標定算法的穩定性和實用性，本文使用Matlab 做了相機的仿真實驗。其中，相機的內參數矩陣設為fu＝500，fv＝500，u0＝250，v0＝250 ，初始種群的大小N＝50，進化代數n＝200，交叉概率Pc1＝0.01，變異概率Pm1＝0.01。并且為了模擬真實環境，在實驗中加入了6 個等級的高斯噪聲，并且在各個等級下做了20 次實驗。實驗結果如圖3～6 所示。由圖可知，本文使用的改進的遺傳算法得到的相機內參數相比較傳統的遺傳算法而言，平均誤差較小。并且隨著噪聲等級的提高，本文算法得到的相機內參數平均誤差變化率逐漸減小。

圖3 fv 的平均誤差

圖4 fu 的平均誤差

圖5u0 的平均誤差

圖6 v0 的平均誤差

5 結束語

為了解決汽車產業鏈中汽車涂膠工藝中存在的涂膠質量檢測方法效率低下、人工成本高、精度差等問題，提出了一種基于遺傳算法的汽車涂膠工藝視覺檢測標定技術。該技術基于機器視覺技術和改進的遺傳算法，對汽車工業機器人所采集到的涂膠圖像進行處理和分析，實現汽車涂膠過程的自動化，在實際應用中取得良好的標定效果，同時，降低勞動力資源成本，提高汽車涂膠的生產效率和汽車涂膠的智能化水平。