CN108455228A - 轮胎自动装载系统 - Google Patents

Abstract

本发明是用来为自动汽车生产流水线提供自动装载轮胎的系统，在流水线作业生产汽车的过程中，需要安装汽车轮胎和备胎；提高轮胎的运送效率以及降低工人装填轮胎的工作负担；本方法可广泛应用于各种使用智能机械臂自动装载货物的问题，基于货物位置识别方法和图像匹配算法，可以实现智能化管理；本发明可以方便继承到管道的生产流水线，以信息系统提供操作指令、降低作业人员劳动强度、改善货物装载的作业效率、为智能物流管理提供科学的决策依据。

Description

轮胎自动装载系统

技术领域

本发明是用来为自动汽车生产流水线提供自动装载轮胎的系统，在流水线作业生产汽车的过程中，需要安装汽车轮胎和备胎；提高轮胎的运送效率以及降低工人装填轮胎的工作负担；本方法可广泛应用于各种使用智能机械臂自动装载货物的问题，基于货物位置识别方法和图像匹配算法，可以实现智能化管理；本发明可以方便继承到管道的生产流水线，以信息系统提供操作指令、降低作业人员劳动强度、改善货物装载的作业效率、为智能物流管理提供科学的决策依据。

背景技术

机械手能代替人工操作，起到减轻工人的劳动强度，节约加工时间，提高生产效率，降低生产成本的特点；轮胎自动装载系统的核心技术是定位轮胎的位置，根据定位信息控制机器臂；定位轮胎位置通过图像匹配方法实现，匹配算法最核心的技术是角点匹配，所谓角点匹配是指寻找两幅图像之间的特征像素点的对应关系，从而确定两幅图像的位置关系；角点匹配可以分为以下四个步骤：

1.提取检测子：在两张待匹配的图像中寻找那些最容易识别的像素点（角点），比如纹理丰富的物体边缘点等；

2.提取描述子：对于检测出的角点，用一些数学上的特征对其进行描述，如梯度直方图，局部随机二值特征等；

检测子和描述子的常用提取方法有:sift, harris, surf, fast, agast, brisk,freak, brisk,orb等；

3.匹配：通过各个角点的描述子来判断它们在两张图像中的对应关系；常用方法如：flann；

4.去外点：去除错误匹配的外点，保留正确的内点；常用方法有Ransac, GTM；

orb检测子与surf描述子配合的效果是最好的，不过速度也是最慢的；sift和surf依然好用，速度却难以实时；在不考虑旋转和仿射变换的情况下，fast是很不错的选择，在小幅旋转（20度内)的情况下，fast也还是有一定的容错能力的；在噪音方面，sift和orb明显强于其它算法；在亮度变化和仿射变换上，orb的鲁棒性是最好的；综合比较，orb的性价比略胜一筹。

发明内容

本发明是用来为自动汽车生产流水线提供自动装载轮胎的系统，在流水线作业生产汽车的过程中，需要安装汽车轮胎和备胎；方法基于ORB的轮胎匹配算法为核心内容，以匹配算法定位轮胎的位置控制机械臂自动装载轮胎，该方法的灵活性较高，可对各种轮胎、货物进行匹配、定位，可以满足对不同精度和安全级别的要求；本方法是利用ORB方法进行轮胎匹配结合轮胎识别的位置控制机械臂的位置，实现自动装填轮胎，完善汽车生产线轮胎管理的信息自动化；

所需设备：6个料架，计算机，机器人吊臂，摄像头，1条传送带，2条自动辊道；

方法步骤如下：

（010）部分，系统启动具体步骤如下：

步骤C011：启动系统，加载配置文件场景信息，文件包括机器人吊臂位置、轨道信息、料架、轮胎型号、吊臂信息、吊臂状态；检测各个设备和功能是否正常工作；

步骤C012：复原设备状态，然后进入待检测轮胎位置状态；

步骤C013：装填轮胎至料架，料架通过传送带运送至工作区域；

步骤C014：摄像头通过视频检测控制吊臂位置，检测分为特征点提取、特征点描述和位置调整；

（020）部分，特征点提取具体步骤如下：

步骤C021：粗提取，提取大量的特征点，从图像中选取一点P，我们判断该点是不是特征点的方法是，以P为圆心画一个半径为3像素的圆；圆周上如果有连续n个像素点的灰度值比P点的灰度值大或者小，则认为P为特征点；一般n设置为12，为了加快特征点的提取，快速排出非特征点，首先检测1、9、5、13位置上的灰度值，如果P是特征点，那么这四个位置上有3个或3个以上的的像素值都大于或者小于P点的灰度值；如果不满足，则直接排出此点；

步骤C022：机器学习的方法筛选最优特征点；使用ID3算法训练一个决策树，将特征点圆周上的16个像素输入决策树中，以此来筛选出最优的FAST特征点；

步骤C023：非极大值抑制去除局部较密集特征点；使用非极大值抑制算法去除临近位置多个特征点的问题；为每一个特征点计算出其响应大小；计算方式是特征点P和其周围16个特征点偏差的绝对值和；在比较临近的特征点中，保留响应值较大的特征点，删除其余的特征点；

步骤C024：特征点的尺度不变形；建立金字塔，来实现特征点的多尺度不变性；设置一个比例因子scaleFactor（opencv默认为1.2）和金字塔的层数nlevels（opencv默认为8），将原图像按比例因子缩小成nlevels幅图像；缩放后的图像为：I’= I/scaleFactork(k=1,2,…, nlevels)；nlevels幅不同比例的图像提取特征点总和作为这幅图像的oFAST特征点；

步骤C025：特征点的旋转不变性；ORB算法提出使用矩（moment）法来确定FAST特征点的方向；通过矩来计算特征点以r为半径范围内的质心，特征点坐标到质心形成一个向量作为该特征点的方向；矩定义如下：

其中，I(x,y)为图像灰度表达式；该矩的质心为：

假设角点坐标为O，则向量的角度即为该特征点的方向；计算公式如下：

（030）部分，特征点描述具体步骤如下：

步骤C031：建立300k个特征点测试集；对于测试集中的每个点，考虑其31x31邻域对图像进行高斯平滑之后，使用邻域中的某个点的5x5邻域灰度平均值来代替某个点对的值，进而比较点对的大小；这样特征值更加具备抗噪性；另外可以使用积分图像加快求取5x5邻域灰度平均值的速度；

步骤C032：在300k特征点的每个31x31邻域内按M种方法取点对，比较点对大小，形成一个300kxM的二进制矩阵Q；矩阵的每一列代表300k个点按某种取法得到的二进制数；

步骤C033：对Q矩阵的每一列求取平均值，按照平均值到0.5的距离大小重新对Q矩阵的列向量排序，形成矩阵T；

步骤C034：将T的第一列向量放到R中；

步骤C035：取T的下一列向量和R中的所有列向量计算相关性，如果相关系数小于设定的阈值，则将T中的该列向量移至R中；

步骤C036：按照步骤C035的方式不断进行操作，直到R中的向量数量为256；

（040）部分，自动装载轮胎具体步骤如下：

步骤C041：根据点对确定吊臂位置，调整吊臂进入工作位置；

步骤C042：自动装载轮胎，根据配置文件场景信息将轮胎送至传送带；

步骤C043：根据配置文件场景信息，回归初始位置；

有益效果

本发明提出了一种基于ORB的轮胎匹配方法，以匹配算法定位轮胎的位置控制机械臂自动装载轮胎，该方法的灵活性较高，可对各种轮胎、货物进行匹配、定位，可以满足对不同精度和安全级别的要求；本方法是利用ORB方法进行轮胎匹配结合轮胎识别的位置控制机械臂的位置，实现自动装填轮胎，完善汽车生产线轮胎管理的信息自动化、精细化管理，指导和规范仓库人员日常作业。

附图说明

图1定位器示意图；

图2设备示意图；

图3摄像头示意图；

图4算法流程图；

具体实施方式：

机器人固定不动，底座跨过输送线，机器人位于输送线上方；轮胎输送线两侧增加料框输送辊道，如图1所示，输送线三工位：上料位、取料位、下料位，如图2所示编号分别为1-6；输送线控制系统与机器人控制系统相连接，执行步骤如下：

1.人工取出定位杆，在物料接收后，叉车上料前；

2.叉车上料至辊道1号和2号位置，上料前叉车工用扫描枪扫描排序单号，防止上错料；

3.辊道运行将1号和2号位置的料箱输送至3号和4号位置，叉车继续在1号和2号位置上料；

4.机器人开始取料，3号位取空后转向取4号位，同时辊道将3号位空料架输送至5号位，将1号位料架输送至3号位，机器人取料的流程时初始位置移动到料框上方、拍照定位控制机器臂，算法流程如图4所示、进入轮胎抓取孔、气缸动作、离开料框、移动到输送线上方、贴近输送线、气缸动作、离开轮胎和返回初始位置；

5.机器人取空4号位后转向取3号位，同时辊道将4号位空料架输送至6号位，将2号位料架输送至4号位；

6.叉车对5号位和6号位进行下料，对1号位和2号位进行上料，依次循环运行。

Claims (1)

1.本发明是用来为自动汽车生产流水线提供自动装载轮胎的系统，在流水线作业生产汽车的过程中，需要安装汽车轮胎和备胎；方法基于ORB的轮胎匹配算法为核心内容，以匹配算法定位轮胎的位置控制机械臂自动装载轮胎，该方法的灵活性较高，可对各种轮胎、货物进行匹配、定位，可以满足对不同精度和安全级别的要求；本方法是利用ORB方法进行轮胎匹配结合轮胎识别的位置控制机械臂的位置，实现自动装填轮胎，完善汽车生产线轮胎管理的信息自动化；

所需设备：6个料架，计算机，机器人吊臂，摄像头，1条传送带，2条自动辊道；

方法步骤如下：

（010）部分，系统启动具体步骤如下：

步骤C011：启动系统，加载配置文件场景信息，文件包括机器人吊臂位置、轨道信息、料架、轮胎型号、吊臂信息、吊臂状态；检测各个设备和功能是否正常工作；

步骤C012：复原设备状态，然后进入待检测轮胎位置状态；

步骤C013：装填轮胎至料架，料架通过传送带运送至工作区域；

步骤C014：摄像头通过视频检测控制吊臂位置，检测分为特征点提取、特征点描述和位置调整；

（020）部分，特征点提取具体步骤如下：

步骤C021：粗提取,提取大量的特征点，从图像中选取一点P，判断该点是不是特征点的方法是，以P为圆心画一个半径为3像素的圆；圆周上如果有连续n个像素点的灰度值比P点的灰度值大或者小，则认为P为特征点；一般n设置为12，为了加快特征点的提取，快速排出非特征点，首先检测1、9、5、13位置上的灰度值，如果P是特征点，那么这四个位置上有3个或3个以上的的像素值都大于或者小于P点的灰度值；如果不满足，则直接排出此点；

步骤C022：机器学习的方法筛选最优特征点；使用ID3算法训练一个决策树，将特征点圆周上的16个像素输入决策树中，以此来筛选出最优的FAST特征点；

步骤C023：非极大值抑制去除局部较密集特征点；使用非极大值抑制算法去除临近位置多个特征点的问题；为每一个特征点计算出其响应大小；计算方式是特征点P和其周围16个特征点偏差的绝对值和；在比较临近的特征点中，保留响应值较大的特征点，删除其余的特征点；

步骤C024：特征点的尺度不变形；建立金字塔，来实现特征点的多尺度不变性；设置一个比例因子scaleFactor（opencv默认为1.2）和金字塔的层数nlevels（opencv默认为8）；将原图像按比例因子缩小成nlevels幅图像；缩放后的图像为：I’= I/scaleFactork(k=1,2,…, nlevels)；nlevels幅不同比例的图像提取特征点总和作为这幅图像的oFAST特征点；

步骤C025：特征点的旋转不变性；ORB算法提出使用矩（moment）法来确定FAST特征点的方向；通过矩来计算特征点以r为半径范围内的质心，特征点坐标到质心形成一个向量作为该特征点的方向；矩定义如下：

其中，I(x,y)为图像灰度表达式；该矩的质心为：

假设角点坐标为O，则向量的角度即为该特征点的方向；计算公式如下：

（030）部分，特征点描述具体步骤如下：

步骤C031：建立300k个特征点测试集；对于测试集中的每个点，考虑其31x31邻域对图像进行高斯平滑之后，使用邻域中的某个点的5x5邻域灰度平均值来代替某个点对的值，进而比较点对的大小；这样特征值更加具备抗噪性；另外可以使用积分图像加快求取5x5邻域灰度平均值的速度；

步骤C032：在300k特征点的每个31x31邻域内按M种方法取点对，比较点对大小，形成一个300kxM的二进制矩阵Q；矩阵的每一列代表300k个点按某种取法得到的二进制数；

步骤C033：对Q矩阵的每一列求取平均值，按照平均值到0.5的距离大小重新对Q矩阵的列向量排序，形成矩阵T；

步骤C034：将T的第一列向量放到R中；

步骤C035：取T的下一列向量和R中的所有列向量计算相关性，如果相关系数小于设定的阈值，则将T中的该列向量移至R中；

步骤C036：按照步骤C035的方式不断进行操作，直到R中的向量数量为256；

（040）部分，自动装载轮胎具体步骤如下：

步骤C041：根据点对确定吊臂位置，调整吊臂进入工作位置；

步骤C042：自动装载轮胎，根据配置文件场景信息将轮胎送至传送带；

步骤C043：根据配置文件场景信息，回归初始位置。