手眼自标定的对接焊接系统及关键技术

秦文罡，马 群

（1.西安工业大学 光电工程学院，陕西 西安 710032；2.西安电子科技大学 技术物理学院，陕西 西安 710071）

手眼自标定的对接焊接系统及关键技术

秦文罡1，2，马 群1

（1.西安工业大学 光电工程学院，陕西 西安 710032；2.西安电子科技大学 技术物理学院，陕西 西安 710071）

针对拼板对接焊的特点，提出了图像获取和焊接分离的焊接工艺，并构建基于嵌入式系统的机器视觉焊接系统。焊接工艺过程中首先获取拼板对接焊缝图像，计算焊缝参数并规划焊接路径，然后在焊接过程依据焊接路径数据控制焊枪的运动轨迹与焊缝重合，实现高精度焊接。系统采用运动参数进行手眼关系自我标定和自适应阈值处理技术实现焊缝图像滤波。系统图像扫描速度为15 m/min，焊接速度0.8～1.5 m/min，能够获得良好的单面焊双面成形的效果。实验表明，提出的焊接工艺方法和构建的焊接系统消除了弧光、烟尘的影响，能够提高拼板对接焊的焊接质量和生产效率。

机器视觉；对接焊；手眼标定；自适应阈值处理

0 前言

目前机器视觉焊接形式主要有两种：一种是可编程示教再现型的自动焊接机器人，第二种是焊接实时跟踪法。在结构化环境中的机器人焊接作业可采用离线示教方式[1]，但焊接过程中可能会因工件变形或机构错位等原因偏离预定焊接轨迹；而非结构化环境中的焊接机器人，在线自主识别待焊区非常重要[2]。从传感光源形式可分为主动视觉和被动视觉方法，焊接件坡口在激光光源照射下的形貌以激光光斑的形式表现出来，图像处理技术能够提取角点特征，从而确定焊缝位置；但是对接焊缝的焊缝宽度往往小于1 mm，而且没有坡口或者特征不明显，因而无法采用线结构光跟踪方法[3]，难于实现实时跟踪焊接。针对于结构化的对接焊接件，主要问题是焊缝特征提取和精确定位焊接。

基于视觉的实时焊接跟踪技术一般可分为两个步骤实施：第一是通过提取焊缝中心线，计算焊炬中心与焊缝中心线之差作为偏差信号；第二是根据偏差信号，采用一定的控制算法，驱动焊炬电机进行相应运动，跟踪焊缝。但是弧光、电弧热、飞溅以及烟雾等强干扰，是每一种视觉传感方法都需要解决的问题。基于上述问题，针对对接焊提出了采用图像获取与焊缝焊接分离的工艺方法，与以往的焊接方法相比，具有三个突出特点：（1）避免了弧光、电弧热、飞溅、以及烟雾等多种强烈干扰对图像信息的获取和焊缝二维信息的准确分析；（2）光源可以选择非特殊定制激光，而采用沐光照明，控制光源的亮度即可；（3）采用图像处理的方法对对接焊缝的最小间隙无特殊要求，适用范围广泛[4]。

2 焊接工艺过程分析

焊接工艺过程示意如图1所示。

（1）焊缝图像获取。首先对焊接件进行图像扫描、分析处理，运动控制器驱动焊接小车从焊缝的起始位置A端快速运动到B端，在此过程中获取焊缝的二维信息，计算焊缝宽度、焊枪和工艺所要求的焊缝位置的偏移量。

（2）焊接过程。从B端返回，起弧焊接，通过控制器将信号发送给执行机构来改变焊枪的位置，使焊枪始终处于准确的焊接位置，一直跟踪焊接到起始端A处。

3 系统组成

构建的视觉焊接系统主要由图像获取单元、焊接平台以及嵌入式信息处理单元三部分构成。其原理示意和系统实体如图2、图3所示。

图像获取单元采用单色CCD作为传感器，用于获取焊缝的图像信息；光源采用环形高亮白光LED，环形灯固定于光学镜头外围；CCD和光源垂直于焊接面。与镜头光轴平行的位置设计了线激光标示器，用于校准手眼关系。

焊接平台搭载了图像获取单元、位置和电流电压传感器、送丝机和驱动焊枪的两轴运动臂，平台在信息处理单元的控制下实现焊缝图像获取过程的高速运动和焊接过程的低速运动；运动臂带动焊枪在垂直于焊接小车运动方向的径向步进和焊件接触距离方向的距离步进，上述步进信息由信息处理单元依据图像数据规划。

信息处理单元主要由DSP和FPGA搭建的硬件平台构成，完成图像的摄取、数据处理、传感数据分析、人机交互和驱动运动臂动作。人机接口能够显示焊缝的宽度和实时运动速度；依据焊件厚度和焊缝宽度，设置焊接速度，以实现渗透充分。

4 关键技术分析

基于图像获取分析与焊缝焊接过程分离的工艺过程，构建的系统不再采用传统的三角测量原理，而是通过图像摄取手段获取焊接件的焊缝宽度和长度信息，因此系统手眼关系和图像处理算法对焊接精度至关重要。

4.1 手眼关系标定

标定的目的是确定三维物体的世界坐标系到摄像机上图像坐标系的映射关系，标定是从二维图像到三维空间信息转换的桥梁。其精度是视觉计算精度的关键因素之一，也是系统误差的主要来源[5-6]。对安装在机器人上的视觉系统来讲，标定内容主要有：（1）摄像机内外参数和摄像视觉系统的关系的标定；（2）手眼关系标定。针对第二项内容，提出了基于图像信息和焊接机器运动参数的在线自我标定过程。

传统的手眼系统标定是基于参考物的技术，实施过程是将高精度的模板置于已知参数的工作场景中来获得手眼参数，但很多现场环境或工程领域无法标定此类。而自标定方法不需借助外在模板，仅利用图像信息和焊接运动参数的对应关系获取系统参数。在自动焊接过程中，焊接运动精度的因素包括零部件的加工制造误差、安装误差、传动机构的误差、连杆和关节的柔性、工作环境、精度测量的不确定度以及机器人机电系统的非线性耦合等，这些因素中的每一种都可能成为影响末端执行器运动位姿精度的主要因素。根据研究表明，焊接系统的间隙误差和当高速运动时产生的弹性变形与振动等误差源都是随机的，在末端执行器的运动过程中，各随机误差源是随时间变化的，并且在运动过程中，各个误差源的干扰是相互关联的。因此，基于自标定的方法能够将非随机的误差参数计算在标定参数，提高系统的精度。

依据提出焊接工艺，系统标定也分为两步。

第一步是依据试验样品，获取样品的焊缝图像。图像解析的焊缝坐标表示为

式中 （tx，y）为焊缝的真实坐标系；n（x，y）为传输线、电气干扰等引入的图像噪声；（x，y）为传感器的运动引入的图像模糊；cδ为由光学系统、摄像系统等安装引入的图像畸变。在单目焊接视觉系统中，三维空间的深度被忽略，进行二维平面的计算。

在第二步时，利用上一步计算的坐标数据，控制执行机构进行步进。同时，启动与摄像视觉同一坐标的激光指示器。获取的激光指示标的坐标表示为

式中 （lx，y）为指示的真实坐标系；n（'x，y）为传输线、电气干扰等引入的图像噪声；（'x，y）为传感器的运动引入的图像模糊；cb'为由光学系统、摄像系统等安装引入的图像畸变。

在相同运动速度和同一运动轨道运行，设定各种噪声引发焊缝和激光指示坐标的变化的差异可以忽略，因此，摄像系统与执行机构间的坐标差异可表示为

通过上述的计算完成系统的手眼标定。与其他标定方法相比，过程简单，不需要人工干预，理论上还可以消除各个子系统噪声引起的偏差。在操作上，能够多次重复上述步骤，以提高标定精度。

4.2 自适应阈值滤波

由于焊接件个体差异较大，纹理特征多变，表面形貌不一，使得获取的焊缝图像的纹理多变，噪声丰富，如图4所示。因此需要对焊缝图像进行滤波和阈值处理，常用的阈值算法包括：双峰值法、P参数法和最大方差阈值法等[7-8]。基于硬件的嵌入系统对算法的复杂度和计算量要求苛刻，因此提出采用基于阈值不变分割算法。基于阈值不变分割的基本原理就是要保持阈值分割前后两幅图像的各阶矩保持不变或相近，可以把基于矩不变阈值分割算法看成是对图像的一种变换，它将原始含噪声的灰度图像转换成不含噪声的二值图像[9]。

根据该原理，则必须满足mp'=mp。算法中取前三阶矩，即

由式（4）的前两式分别可得

将其代入式（4）的后两式可得

则式（7）、式（8）可以写成

由此可得

将式（12）代入式（9）可得

最后将式（13）、式（14）代回式（4）可得

由矩不变阈值分割的基本原理得

式中 nk为二值分割前灰度值小于分割阈值T的所有像素个数的和。

由以上推导可知，d1是m1，m2，m3的函数为定值，这里通过调整阈值T使得方程左右成立的T值即为所求分割阈值。当无法找到使等式成立的T时，规定使方程左右差最小的T值为分割阈值。

相比于DSP，FPGA单元具备硬件并行和流水线操作的突点优势，自适应阈值滤波算法和其他预处理算法由其单元完成图像的。经过滤波细化的焊缝图像如图5所示。

5 结论

提出了针对拼接焊的图像获取和焊接过程分离的焊接工艺，并构建了基于嵌入式的机器视觉焊接系统。系统采用自我标定技术进行手眼关系标定，基于不变矩的自适应阈值滤波算法能够解决不同的应用现场环境的要求。现场实验表明，构建的系统能够满足对接焊的工程需要，提高焊接质量和生产效率。

[1]王克鸿，高 飞，高俊平.基于视觉的机器人智能化焊接技术现状与发展[J].机械制造与自动化，2010（05）：1-6.

[2] 张龙华.焊接机器人在现代工业生产中的应用[J].电焊机，2009，39（04）：21-26.

[3]张伯奇，郑 军，潘际銮.基于视觉检测的对接焊缝跟踪方法[J].电焊机，2010，40（12）：15-18.

[4]李鹤喜.基于视觉反馈的焊接机器人自主示教关键技术研究[D].广州：华南理工大学，2010.

[5] ZijianZ，YuncaiL.Integratingcameracalibrationandhandeye calibrationintorobotvision[C].ProceedingsoftheIntelligent Control and Automation，2008.

[6]FengC，WuH-T，QiaoB，etal.Combining camera calibration with hand-eye calibration and using in monocular vision[C]. Proceedi ngs of the Computer，Mechatronics，Control and Electronic Engineering（CMCE），2010.

[7]Dempster A，Laird N，Rubin D.Maximum likelihood from incomplete data via the EM algorithm[J].Royal Statistical Society，1977，39（1）：1-38.

[8] Bilmes J A.A gentle Tutorial of the EM Algorithm and it’s ApplicationtoParameterEstimationforGaussian Mixture and Hidden MarkovModels[R].U.C：ICSITR2972021，Berkeley，1997.

[9]曹莹慧，闫建国.基于矩和自适应阈值的迭代分割算法研究[J].计算机仿真，2011（8）：229-232.

Study on butt-jointed seam welding system based on hand-eye self-calibration and key technology

QIN Wen-gang1，2，MA Qun1
（1.School of Optoelectronic Engineering，Xi'an Technological University，Xi'an 710032，China；2.School of Technical Physics，Xidian University，Xi'an 710071，China）

A novel welding procedure with seam image acquisition and welding in different stage is presented according to characteristics of tailor welded，and a embedded welding robotic system is constructed based on the presented procedure.In the first stage，image processing techniques were implemented to help in the recognition of weld regions and welding path plan;In the second stage，a set of geometrical features which characterize the seam position and orientation was extracted to drive the execution unit. Based on the constructed welding system with 15 m/s image acquisition speed and welding speed from 0.8 to 1.5 m/min，a new handeye self-calibration arithmetic and adaptive thresholding method were applied.Experiments have been performed to prove the rationality of weld procedure proposed and stability of constructed welding robot with better effect of one side welding with back formation，and no arc light，spatters，fume and so on.

machine vision；bult-jointed；hand-eye calibration；adaptive thresholding

TG409

：A

：1001-2303（2014）02-0039-04

10.7512/j.issn.1001-2303.2014.02.08

2012-04-04；

2013-08-08

秦文罡（1979—），男，河南南阳人，讲师，硕士，主要从事光电检测与红外图像处理的研究工作。