基于工业机器人的铁氧体湿压磁材表面缺陷检测

吴晓燕，梁 栋

(1.南京科技职业学院智能制造学院，江苏 南京 210048；2.江苏理工学院机械工程学院，江苏 常州 213001)

0 引言

智能检测是实现工业4.0的重要基础。随着图像处理技术、机器人技术、人工智能等重要领域的技术突破与交叉融合，检测设备与检测算法也不断更新[1-2]。作为一种新型材料，永磁铁氧体被广泛应用于汽车电机、扬声器、智能家具或水泵中。其中，铁氧体湿压磁材性能要求最高，尤其体现在外形加工尺寸和产品一致性上。然而，铁氧体坯件在制造过程中易在侧面出现裂纹、在上下表面出现缺陷，甚至因压力过大或者过小出现起层或缺角现象。高质量的坯件应保证表面光滑、无全缺陷或裂纹，故对于铁氧体表面缺陷检测的研究日趋重要，主要集中在检测算法和检测设备两方面。

对于检测算法可以参照参考文献[3]～参考文献[5]的研究，上述方法大多无法对缺陷分类，且抗扰能力弱，检测精度低。近些年来，深度学习在表面缺陷检测的研究上异军突起，受到了国内外学者的热捧[6-7]，但是这些算法对硬件性能要求过高且不稳定，暂时不利于工业推广。对于检测设备的开发，国内部分磁材企业仍处于人工检测阶段，检测效率低下、检测精度不高。国外部分企业(如日本TDK、韩国SK等)已开发出立方体形磁片自动检测设备，但其技术对国内封锁。

本文在前期研究[8]的基础上，创新性地设计了一种基于SCARA工业机器人的永磁铁氧体湿压磁材表面缺陷检测系统，并采用高性能的表面缺陷检测算法去检测铁氧体的缺陷特征。

1 检测系统设计

基于工业机器人的永磁铁氧体湿压磁材表面缺陷检测系统的虚拟样机如图1所示。其工作原理为：批量磁材被人工倒入振动盘中，经分选被推入到输送带中；带有吸盘的SCARA机器人将磁材码至检测平台上，平台四周安装有4组工业级CCD面阵相机，可同时检测磁体上下端面与外圆弧面的信息；检测完毕后，SCARA机器人将磁材从检测平台码至卸货区，便于后续工序处理。

图1 检测系统的虚拟样机

系统中，机器人选用的是新时达AR4215型四轴串联机器人，含有4个Ruking SEA3-02NR 驱动器、4个NIDEC-MX-201伺服电机及编码器，可保证零件码垛过程中的灵活性与精准性；磁体4个面的图像信息经CCD相机(Bsaler ace2 130WG工业相机)采集后，经视觉分析软件Halcon进行批量处理，大大提高了检测效率；另外，系统中还有PC机，负责处理图像数据、下位机通信和机器人的运动控制及状态监测。

2 机器人轨迹规划

2.1 运动学解算

本节将介绍SCARA机器人正反向运动学结算过程。机器人的机构特性可由DH参数来描述，通常DH参数分为改进的DH参数与标准的DH参数[9]，在此采用标准的DH参数进行描述，如表1所示。

表1 SCARA器人的标准DH参数

由于SCARA机器人的拓扑结构是单链式的，若转动关节变量θ1、θ2、θ4和移动关节变量d3已知，则正向运动学方程为

(1)

A为连杆变换矩阵;T为正向运动学方程。

(2)

2.2 轨迹规划算法

所设计的基于工业机器人的铁氧体表面缺陷检测系统作业时，磁体经历“抓取(位置A)—检测(位置B)—抓取(位置C)”的过程，这就要求对机器人进行轨迹规划。通常，机器人末端执行器的位置与姿态均要规划，而设的方案中磁体端面一直朝上，如此仅考虑位置的规划即可，提高了计算效率。另外，机器人的轨迹规划分为关节空间内的轨迹规划与笛卡尔空间内的轨迹规划两种，这里选择前者，即先根据若干示教的位置点反解出该点时的关节角信息，然后利用三次多项式进行规划[11]，使关节角运动光滑平坦。

3 图像识别技术

铁氧体磁材表面纹理特征复杂，本文采用基于图像差分法分析磁材生产中的缺陷。首先，引入自适应直方图均衡化对图像预处理；然后，对预处理后的图像用Kirsch边缘提取算子分割图像；最后，对提取出来的缺陷进行数字形态学处理，根据缺陷的几何特征判别磁材表面有无缺陷。详细步骤如下：

a.图像预处理。将图像划分为若干部分，采用自适应算子分别计算每个部分的直方图并均衡化，同时对边缘像素进行插值处理。处理后的像素值为

(3)

M和N分别为掩码的长与宽;f(v)和minf(v)分别为像素函数值及其最小值;L为步长。

b.Kirsch边缘提取算法。采用8个Kirsch模板对输入图像进行卷积，即分别在原像素周围8个方向卷积，并取最大值作为图像的边缘输出，其详细过程可见文献[12]。最大边缘梯度幅值为

D(x,y)=max|5rk-3uk|,k=1,…,8

(4)

rk=ak+ak+1+ak+2；uk=ak+3+ak+4+ak+7；ak(k=1,…,7)为原像素周围8个像素点的灰度值。

图2为Kirsch算子和传统的Canny算子对环形铁氧体的4个外表面的计算结果。图2a、图2b、图2c和图2d为Canny算子提取边缘的效果，Canny算子虽对微小灰阶的变化较敏感，但提取出的边界较为杂乱，增加了后续处理难度;图2e、图2f、图2g和图2h为Kirsch算子方法提取边缘的效果，从图2可以看出，Kirsch算子具有较好的检测效果及抗噪能力，在灰度值突变的像素点保留有效值，自适应性较好。

c.缺陷域特征处理。为分析缺陷大小，需将分割后的图像经形态学处理和几何特征筛选，过滤除缺陷特征外的区域。本文先选用开运算滤除干扰因数，再选择闭运算实现图像区域填充[13-15]。对缺陷的识别通过区域的面积、圆度、方形度等几何特征计算，实现提取分析。设(x,y)为像素坐标，P(x,y)为像素值，R为缺陷的像素集合，n为像素个数，则缺陷域面积可表达为

图2 Kirsch算子和Canny算子边缘提取效果对比

(5)

圆度的计算公式为

(6)

L为缺陷域的周长，其数学公式为

(7)

Nx为x方向上像素个数总和；Ny为y方向上像素个数总和;Nsum为划痕边缘像素个数总和。

4 结果与分析

由于实验条件有限，本节通过仿真来展示机器人轨迹规划的可行性，同时搭建简易的检测平台来验证本图像处理技术的正确性。

4.1 轨迹规划效果展示。

假设机器人基座为绝对坐标系原点，磁材需从点A(0,0.343 m,0.09 m)运动到点B(0.358 m,0.005 m,0.3 m)，最后运动到点C(-0.022 m,-0.37 m,-0.111 m)，整个过程不连续，故分成2段轨迹分别进行规划，仿真时间为2 s，结果如图3～图5所示。图3和图4展示出SCARA机器人4个关节变量的变化光滑平坦，能保证环形铁氧磁材顺利达到工作点。图5给出了环形铁氧磁材在三维空间中的运动轨迹，验证了本文设计的基于SCARA工业机器人的永磁铁氧体湿压磁材表面缺陷检测系统的可行性。

图3 从A到B的轨迹规划结果

图5 铁氧磁体的三维运动轨迹

4.2 表面缺陷检测试验

为了验证本文所提检测方法的准确率，分别对环形铁氧体的4个外表面检测，环形铁氧体常见特征缺陷如图6所示。图6a为侧面划痕缺陷；图6b为侧面边缘凹坑缺陷；图6c为端面划痕缺陷；图6d为端面纹理缺陷。试验选用了450张缺陷样本图片进行算法检测分析，并与人工检测结果对比。表2为随机抽取的10个铁氧磁体表面特征几何数据，由表2发现该算法检测结果与人工检测结果十分吻合，匹配度为90%，这表明该算法检测准确性较高。

图6 铁氧磁体缺陷域特征检测效果

表2 10组系统检测与人工检测结果对比分析

5 结束语

针对现有永磁铁氧体湿压磁材表面缺陷检测方法存在的问题，设计了一种基于SCARA机器人的缺陷检测系统并提供了相应的检测算法，进行了仿真模拟和试验验证。结果表明：

a.SCARA机器人能够有效提供安全光滑的运动轨迹，保证铁氧体磁材在检测系统中的位置移动。

b.与人工检测结果相比，本文提出的图像检测算法精度高达90%，基本能够满足工业应用需求。

c.本文设计的检测系统能够同时检测出环形铁氧体的4个面，效率高、操作简单。

未来将把本文设计的检测系统做成实物样机，同时改进表面缺陷检测方法，进一步提高检测的质量。