【《视觉辅助装配现状文献综述》2200字】

视觉辅助装配现状文献综述工件装配是制造业中的重要环节，在整个生产过程中占有着较大比例的资源。近年来装配生产线中为减少人工成本，机器人代替人工进行装配操作的需求逐渐增加，机器人在生产线各处的应用得以推广，在这一状况下已经有不少围绕工件装配自动化的研究。机器视觉是指使用相机和计算机对目标物体进行图像采样，并使用计算机对采集到的图像样本进行处理，从而实现识别、跟踪和测量等工作的科学，结合了机器视觉的系统可以在无接触的情况下采集到大量的信息，有着较好的即时性，故基于机器视觉的诸多优势，在装配线上增加视觉系统以提高装配自动化水平成为了研究的重要方向。机器视觉在工业装配任务中应用已经十分广泛，但主要发挥的作用是相似的，即在生产线上对工件拍照并传输至图像处理系统，生产线上的机器人通过电脑传输过来的位置信息，进行处理并操作。机器视觉的应用场景以工件放置于水平面上并采集二维信息的状况为主，对于其他状态的工件研究较少。在工件的位置姿态信息的获取任务中，相对于一般相机而言3D点云相机等设备在建立三维模型获取工件位置姿态信息的便利程度上有着较大的优势，不过工业上基于成本和可靠性，仍使用一般工业相机的场合较多。最早将机器视觉获得工件信息并和机器人结合起来进行装配工作的是Shirar等人[2]，他们在平放的工作台上，针对工件的周边进行了有关固定定位点的设置，通过这钟定位方法让工件的位置能够借助于定位点与工件在图像中的相对信息得出具体结论。之后随着图像技术的发展，更多的技术和传感器得以应用在工件装配任务上。傅华强[3]使用安装了单目相机的eye-hand状态的KUKA机器人，借助visionPro软件和Halcon算法库，以二维平面上工件的轮廓进行模板匹配，从而确定工件位姿，完成搬运和装配作业，如图1.1所示。(a)(b)图1.2模板匹配和抓取实例Fig.1.2TemplatematchingandfetchinginstancesRahardjaK等[4]建立了基于视觉的Bin-picking检测零件外轮廓特点的系统，用于提取零件的轮廓特征，使用区域提取算法将关注点集中于目标区域，并能够从任意堆叠的工件中择出所需工件。杜广胜[5]利用角点检测和基于软指派的算法进行工件的位姿估计，根据相机的特征点处理二维和三维的无遮挡和存在遮挡的工件情况。孟少华等[6]对双目相机检测航空器进行了详细的观察，通过它部件安装位置的几何特征，进行了定位，作出合理的避障路径规划，有效的辅助了工业机器人进行装配工作。PhilipsS.Ogun等[7]使用激光点云相机扫描工件建立三维模型，采取比对实体零件和三维模型的方法，得到工件所在的方位，其中点云数据可以在三维场景中进行获取，如图1.2即为三维视觉下的辅助组装。图1.3三维视觉辅助下的组装Fig.1.3Assemblyassistedby3Dvision曾鹏[8]发现了金属工件在视觉识别中存在的问题。例如金属的材质导致表面反光，这样一些细节的表面特征就不容易被识别，又或者由于反光引起的误差。由此他设计了一款针对金属材料的视觉识别方法，主要是利用相机进行边缘检测再和三维模型进行对照，这样就可以对检测的零件进行精准的定位。李胜利[9]运用边缘特征匹配和椭圆拟合的算法进行视觉识别，从而得到工件的位置，这样在抓取零件的过程中还可以调节机械手的位置，这一方法需要通过向量机来搭建分类器。魏敬强[10]采取线性标定的方法进行提取零件特征，主要是提取边缘特别点和中心点，还设计了透视变换模型，最后通过识别的图像得到零件的位置。针对零件的抓取，他采用了驱动机器人，通过计算机器人各关节需要旋转的角度做到零件的完美抓取。谢宁[11]针对不同零件的分拣设计了一款检测系统，以双目视觉为基础，对于特定的工作情况进行不同的阈值处理、边缘提取、轮廓拟合，最终达到尺寸和位置的测量的目的。张凯宇[12]利用ArUcomarker对Kinectv2传感器和机械臂的标记，通过标记由机械臂控制系统完成抓取实验完成抓取位置到空间抓取位姿的映射。基于卷积神经网络的栅格化依靠RGB-D图像进行位置抓取检测。综合以上的研究现状，工件装配中配合视觉的方法已有不少研究成果，并已得到了一定程度的运用，不过工件上特征点较为丰富的场景居多，对于工件上的纹理较少、特征点不明显的场景研究较少，因此需要进一步的研究。参考文献豆永坤.基于机器视觉的机械零件几何外形检测研究[D].兰州理工大学,2018.欧红旗.预印制图像的板材切割自动找正系统研究与开发[D].南京航空航天大学,2010.竺可桢.物理学[M].北京:科学出版社,1973.李杨果.视觉检测技术及其在大输液检测机器人中的应用[D].湖南大学,2007.张国福,沈洪艳.机器视觉技术在工业检测中的应用综述[J].电子技术与软件工程,2013(22):111.徐维梅.机械加工对金属零件加工精度的影响[J].工程建设与设计,2017(18):124-125.SonkaM,HlavacV,BoyleR.Imageprocessing,analysis,andmachinevision[M].CengageLearning,2014.TaoY,HeinemannPH,VargheseZetal.Machinevisionforcolorinspectionofpotatoesandapples[J].TransactionsoftheASAE,1995,38(5):1555-1561.陈淑.轴类零件表达方法浅析[J].内蒙古煤炭经济,2011(02):113-114+96.郭林.基于CCD的轴类零件快速精确测量方法研究及实现[D].重庆大学,2006.杨永弟.机械工程中自动化技术及其运用[J].能源与节能,2016(05):147-148.王卫东,李海清,王坚锋.外圆锥检测装置设计与测量方法研究[J].机床与液压,2018,46(08):140-142.向孟群.TRIZ理论在逆向工程中的应用研究[D].广东工业大学,2013.徐兴波.基于机器视觉的轴类零件尺寸测量系统的研制[D].华中科技大学,2015.范祥,卢道华,王佳.机器视觉在工业领域中的研究应用[J].现代制造工程,2007(06):129-133.冯恩娟.基于机器视觉的电解加工对刀间隙检测[D].南京农业大学,2010.VernonD.Machinevision-Automatedvisualinspectionandrobotvision[J].1991.张莲.异型齿廓形状的计算机视觉检测技术[D].山东大学,2008.黄同成.基于小波神经网络理论的VOCR与HOCR技术研究[D].上海大学,2008.SureshBR,FundakowskiRA,LevittTSetal.Areal-timeautomatedvisualinspectionsystemforhotsteelslabs[J].PatternAnalysisandMachineIntelligence,IEEETransactionson,1983(6):563-572.MarquesJAP,BrionesL,FlorezJ.Colormachinevisionsystemforprocesscontrolintheceramicsindustry:LasersandOpticsinManufacturingIII,1997[C].InternationalSocietyforOpticsandPhotonics.沈云涛.基于视觉感知特性的图像检索研究[D].西北工业大学,2005.Heng-huaCAO.SurfaceDefectDetectionofSolarCellBasedonDifferenceImageMethod[A].ScienceandEngineeringResearchCenter.Proceedingsof20172ndInternationalConferenceonArtificialIntelligence:TechniquesandApplications(AITA2017)[C].ScienceandEngineeringResearchCenter:ScienceandEngineeringResearchCenter,2017:7.GunasekaranS.Computervisiontechnologyforfoodqualityassurance[J].TrendsinFoodScience&Technology,1996,7(8):245-256.YibinY,JianpingW,HuanyuJ.InspectingDiameterandDefectAreaofFruitWithMachineVision[J].Transactionsof