【高工機器人 | 視點】工業機器人智能化的秘密武器——機器視覺

近年來，隨著機器人市場的迅速擴展和機器人技術的迅速成熟，工業機器人產業迎來了前所未有的良好發展機遇，然而有許多因素阻礙了機器人的普及，其中一個主要因素是：機器人的智能性。目前製造企業對機器人的使用還停留在簡單地代替工位階段。這是由於大多數機器人都是「瞎子」，它們對周圍環境幾乎沒有感知能力，僅僅通過編程或單純示教來執行某一特定動作。而面對智能化時代的到來，製造企業更追求效率、簡便，各式各樣的機器視覺已經悄然地佔據行業高地。

例如：在原有條件下，生產線上的搬運機器人大多是通過視覺再現或者預編程來實現各種操作，對物體的位姿有嚴格的限定，因此實質上機器人只是完成點到點的動作。而當物體的外部參數有變化時，機器人的就無法自動處理了，這樣缺乏柔性度、靈活性的生產線無法滿足柔性生產系統對物料輸送和搬運的要求。為保證機器人不受物體位姿、方位的影響及高效地工作就必須引入機器視覺技術來實現對目標物體的識別和定位。

典型的機器視覺系統可以分為：圖像採集部分與視覺處理部分。圖像採集部分主要包括相機、光源、鏡頭等硬體。視覺處理部分的核心則是軟體演算法，視覺處理通常在控制器端進行。據庫柏特機器視覺領域資深工程師潘工介紹，其中最重要的組成部分為感測器（相機）與視覺處理演算法。

一般來說，工業上常用的相機為2D相機與3D相機。當前機器視覺主流的檢測手段還是依賴2D相機，即從灰度圖/彩色圖中提取被測物特徵，在X-Y平面內進行測量。當遇到需要高度測量或需要Z方向信息，如需要測高度、深度、厚度、體積、磨損等情況時，2D視覺往往無能為力。這時，3D視覺技術就成為解決機器視覺問題的重要檢測手段。

3D視覺技術方案通常包括線激光方案、面結構光方案、TOF（Time of Flight）相機方案與雙目視覺方案。主要區別在於：

因此在選取相機時，要結合具體的應用場景選擇適合的相機。

圖像採集部分將被拍攝的目標轉換為圖像信號，傳送給視覺處理軟體，根據像素分佈和亮度、顏色等各種信息，轉變成數字化信號，視覺處理系統對這些信號進行各種運算來抽取目標的具體特徵，如面積、數量、位置、長度，再根據預設的允許度和其他條件輸出結果，包括尺寸、角度、個數、合格/不合格、有/無等，以此來完成測量、檢測和判斷任務。而運用機器學習這一最前沿的人工智慧技術可以進行更高級的視覺應用，例如目標識別、位姿檢測、目標跟蹤。

如下圖，機器視覺在檢測某一特定形態的貓時發現有不同，即缺耳朵的貓，視覺處理軟體就會通過一定的通信方式將該信息傳達給機器人，機器人即可執行分揀等操作。

總的來說，視覺能夠賦予機器人「看」的能力，視覺感知與控制理論往往與視覺處理得到緊密結合來實現高效的機器人控制或各種實時操作，最終用於工業智能製造中的實際檢測、測量、識別、分類、分揀等自動化工作。企業加速布局機器視覺硬體產品和軟體服務，以智能製造需求為導向，重點研發工業視覺解決方案，並逐漸應用於電子製造、汽車製造、機械加工、包裝與印刷、食品等行業，助力製造業轉型升級。

在庫柏特為某食品加工製造企業提供的智能無序分揀解決方案中，採用高解析度工業相機配合圖像感知演算法，獲取流水線上物體的類別和位置信息；其次採用高速高精度的四軸機器臂、精巧的末端執行部件和動態抓取控制演算法，實現對食品的精準分揀，其分揀速度達0.8s/個，分揀成功率達到97%。該方案可廣泛應用於流水線上物品分級、分類、次品剔除等分揀應用，對提高生產效率和質量管理水平有重要作用。

機器視覺在3C電子行業已經實現相比於人工更高的速度和精度，可用於3C製造領域的分揀、零件插入、擰螺絲、焊接、元器件組裝、貼片、檢測、零部件配送、包裝以及拉緊螺栓等多種任務。

機器視覺系統與工業機器人結合，賦予機器人更強的智能性，極大地拓展了工業機器人的應用廣度與深度，也使得自動化生產更加靈活柔性，產品質量更加穩定、更加高效，並且已經成為製造業轉型升級的關鍵推手。

精彩回顧