汽车焊装中机器人视觉检测技术运用分析

摘要：近年来，机器人在多个领域大放异彩，部分汽车厂商尝试利用视觉技术优化机器人性能，对机器人所具有智能化程度进行更进一步的提高。文章以汽车焊装产线配套机器人为研究对象，以视觉技术为落脚点，先说明了视觉检测系统的结构和工作流程，随后介绍了与机器人适配的视觉检测系统的设计方案，内容包括框架结构、采集数据、建立模型和训练模型几部分，以供参考。

关键词：机器人；汽车焊装；视觉检测技术

前言：调查发现，虽然国内多数焊装车间都已经具有超过80%的自动化率，但仍和理想的100%自动化存在较大差距，要想使自动化率达到理想水平，关键是要将视觉技术与机器人结合，使机器人能够在视觉技术的支持下完成识别、确定零件位置的操作，由此赋予产线更符合预期的生产能力。

1技术说明

视觉检测系统负责引导机器人自动装配汽车门盖总成，保证车体与后门盖间隙段差满足要求，视觉传感器精度不超过，装配引导系统重复精度不超过[1]。单套设备的结构如图1所示：

设备构成见表1：

检测时，先通过摄像头、传感器捕捉被检测对象的静态图像或视频帧，再对采集所得到原始图像做去噪、增强对比度、调整亮度等处理，以提高后续处理的效果。随后，使用不同的算法提取图像基本、高级特征。下一步，基于已经经过训练的标准模型，判断图像中是否存在目标对象并分类。最后，将识别和分类的结果反馈给系统，由系统作出相应的决策，将决策传递给执行机构，执行机构完成分类、捡取、放置等操作。

2系统设计

2.1框架结构

视觉检测系统包括采集数据的装置、计算机、执行指令的机械机构。本项目中，采集装置选用分辨率的CCD相机，帧数为60帧/s，相机将所拍摄RGB图像同步至计算机，由计算机利用、加速算力。通过优化系统框架，实时加载并按照20帧/s的速度处理检测网络模型，输出检测得分及包围框具体参数，由决策模块以输出信息为依据，对机械机构执行指令的轨迹加以确定[2]。机械结构以6轴机械臂、7轴机械臂为主，工作范围约800mm，负载能力可达50kg，重复运动精度误差不超过。机械结构由PD控制器负责控制，经由现场总线接入计算机，实时接收并完成计算机所发布插入、抓取等指令，形成闭环，以满足汽车焊装等工业现场对自动化检测提出的需求。

2.2采集数据

采集焊装现场数据极为重要，是保证视觉检测结果具有实际意义的关键。实际工作中，有关人员应根据车间布局，在恰当区域设置拍摄站点，保证相机所拍摄图像能够覆盖车间全部背景、机位。单视角采样拍摄图像数量不得少于张，同时，还要录制时长达到或超过2h的焊装视频。通过半自动跟踪算法对时间序列标准目标框加以输出，由工作人员检查目标框并优化细节，标出关键点的详细坐标，以确保标签数据准确。另外，还应以现已公开的数据集划分类别为依据，将目标归入喷射火花、焊缝或是焊接痕迹，保证各类目标输入模型的样本数量均为2000个[3]。由于仅依靠单一环境并不能够达到泛化的效果，因此，本项目中，有关人员决定建立3D虚拟场景100个，将域随机渲染引擎关联合成数据并入样本，使样本总量达到约20万，为模型特征学习效果提供保证。分析数据包含目标对应类别，保证重要数据占比达到60%，同时，按照规定对框进行缩放，缩放比例最小为0.5倍，最大不得超过1.2倍。待上述环节告一段落，运用包括高斯噪声、调整亮度在内的增广手段，对样本空间加以扩充，保证预处理完成后，训练集包含图像数量超过100万，为后续训练检测目标提供便利。

2.3建立模型

基于汽车焊装现场的图像数据，通过分段目标检测，对目标定位精度进行提高。简单来说，就是将经过优化处理的结构作为模型核心网络，建立FPN并由此获得多尺度特征，为检测工业部件的工作提供便利。其中，多尺度语义指的是在处理图像时，从多个尺度（不同分辨率和大小）提取的特征。其特点是可以捕捉到从细节到整体的不同层次的信息，具有以下作用：图像中的物体可能具有不同的大小，多尺度特征可以帮助有关人员更好地识别和分类物体。多尺度特征可以提供不同层次的上下文信息，帮助人们模型理解物体之间的关系和环境背景。在复杂背景或光照条件变化的情况下，多尺度特征能够增强模型的鲁棒性，为后续工作提供便利。

本项目中，有关人员建立了多层次的模型，其输出层数设置为1至5层。在对步态特征进行分析和提取时，各层的输出步态最小值逐渐增加，第一层的输出步态最小值为4，随着层数的增加，到第五层时，输出步态值达到64。此种设计方法不仅有助于模型提取更多的特征信息，还能够有效捕捉和分析复杂的步态模式，同时，语义信息也会由于特征层的影响而得到强化。融合方式选用自下而上逐步融合，该方式所提供先验锚框的粒度不同，可进一步优化检测小目标的质效。网络结构为、并行，负责提供备选框架，负责划分框架类型并回归。事实证明，并行的设计降低了计算强度，使实时部署的设想成为可能。其中，网络内置卷积核尺寸为，确定背景、物体预测值后，根据不同长宽比分别设计锚框模板（通常每种长宽比对应700个左右），保证锚框模板完全覆盖检测对象可能存在的形状。能够以自注意力机制自带残差块为依据，对高阶抽象特征进行系统且准确地抽取，由此突出空间、实践维度既有显著区域，并提高定位精度。

2.4训练模型

由于汽车焊装步骤较为繁琐，需要标注的数据极多，因此，为保证模型训练取得理想效果，有关人员提出阶段训练建议。训练过程中，先将参数冻结，对网络游标、进行迭代，待迭代次数达到30万，再基于0.9动量对卷积层还有连接层的权重加以优化。若未提出特殊要求，将学习率值定为即可，同时将交叉熵作为分类损失函数。随后，通过端对端的方式对参数取值进行微调，将训练论述调整到100万，预热调整初始值设为的学习率，衰减率定为0.1，此举能够有效避免模型后续出现过拟合的现象。

3.结论：综上，本项目通过将视觉技术与机器人相结合，有效提升了焊装车间的自动化水平。在技术设计中，有关人员建立了以多层次模型为核心的检测系统，通过多尺度语义特征提取，增强了对不同大小目标的识别能力，提高了模型的鲁棒性。同时利用数据采集、处理与增广手段，确保了训练集的丰富性和准确性，为后续的目标检测提供了坚实基础。事实证明，经过训练的模型能够准确完成包括目标识别、定位在内的多项工作，在提升生产效率和优化产品质量方面发挥着重要作用，可以大范围推广。

参考文献：

[1]韦俊尤，刘杰，李林.汽车焊装产线机器人视觉抓件技术应用与优化[J].汽车与驾驶维修（维修版），2023，（03）：48-51.

[2]林增烨.工业机器人智能检测在汽车制造业中的优化措施[J].专用汽车，2022，（06）：75-77.