基于机器人搭载远心视觉系统的复合材料刻线与修边亚毫米级精确定位技术

《Journal of Manufacturing Processes》：A robot-mounted machine vision system for sub-millimeter accurate localization of scribe line and trim-edges on composite parts

　　

本文提出了一种机器人搭载的机器视觉解决方案，旨在实现对复合材料部件上刻线（scribe line）与修边边缘（trim-edge）的亚毫米级定位精度。在当前实践中，固化后为实现所需零件形状而进行的修边加工通常依赖于大型CNC龙门铣床及复杂夹具，此类设备成本高昂且缺乏灵活性。六自由度工业机器人提供了更具灵活性的平台，但零件间的几何变异以及有限的机器人精度使得难以保证在亚毫米范围内的目标修边公差。实际生产中，铺层模具内嵌的刻线用于提供最终零件边缘形状的视觉指示。因此，精确识别刻线特征对于沿刻线对复合材料部件进行机器人修边至关重要。研究人员展示了一套安装在六自由度机器人上的基于远心相机（telecentric camera）的成像系统，以及一套图像处理流程，用于定位并测量刻线与零件边缘之间的距离，实现了优于±0.5 mm的亚毫米精度。研究人员还引入了一种新颖的特征检测方法，该方法利用微调后的单目深度估计（monocular depth estimation）深度神经网络生成相对深度图像，从而在应对具有挑战性的纹理、表面异常以及多变的边缘和刻线质量时，增强了零件边缘轮廓的检测能力。该系统在动态扫描速度为10、25和50 mm/s的条件下，于碳纤维增强聚合物（CFRP）复合材料样品上进行了评估。所提出的方案在估算刻线到修边边缘距离方面，实现了总体平均测量误差为-0.068 mm，标准差为0.038 mm。结果表明，所提出的机器人搭载机器视觉系统和算法能够满足目标修边公差要求，并实现感知驱动的复杂复合材料结构机器人加工。

一、研究背景与问题

随着碳纤维复合材料结构件应用的日益广泛，市场对具备高灵活性和成本效益且能满足严苛几何公差的加工方案需求迫切。目前，复合材料部件在固化后的修边工序通常在大型CNC龙门铣床上进行，这些设备依赖复杂且高精度的夹具，占用空间大，采购成本高昂，且难以针对新产品快速重新配置，限制了其在新产品变体中的应用。因此，业界越来越倾向于采用配备铣削主轴的六自由度工业机器人替代龙门铣床，机器人可安装在导轨上以覆盖长尺寸零件，并能根据生产需求在不同工位间重新部署。

然而，机器人修边面临的关键障碍在于热压罐固化工艺引入的非确定性形状变异。固化后的复合材料部件表面含有一条凸起的弯曲参考特征，即刻线（scribe line），其厚度在亚毫米范围（约0.5 mm），但外观和一致性可能发生变化。刻线编码了理想的修边边界，并在固化过程中随零件一起变形。精确地将此特征相对于机器人基座进行定位，可以为每个独立的复合材料部件自适应调整修边轨迹，从而消除对昂贵精密夹具的需求，实现感知驱动的机器人加工。

尽管已有研究表明，在相机固定于刚性龙门系统或工作台时，视觉引导机器人能在装配、钻孔等任务中实现亚毫米级系统精度，但在六自由度机器人臂端安装相机的场景下，达到亚毫米性能的报道仍十分罕见。现有高精度应用通常依赖于具有清晰边界的离散特征（如孔洞），而对于连续曲线特征（如刻线）的处理仍存在显著空白，这类特征不仅形状和外观因零件而异，还常受表面缺陷和光照伪影的影响。此外，要实现机器人搭载相机的亚毫米计量，必须审慎处理标定和光学误差，包括机器人定位误差、工作距离变化和镜头畸变等。

二、研究内容与结论

为填补上述空白，研究人员开发并验证了一套机器人搭载的机器视觉计量方法，能够在六自由度机器人臂端相机条件下，实现对复合材料部件上薄型连续曲线刻线特征及修边边缘的亚毫米级定位精度。系统集成了远心镜头成像、激光跟踪仪辅助的手眼标定以及融合传统图像处理和深度学习的新型边缘轮廓提取方法。在多种静态和动态扫描条件下对碳纤维增强聚合物（CFRP）复合材料样品进行评估，系统在估算刻线到修边边缘距离方面，总体平均测量误差为-0.068 mm，标准差为0.038 mm，满足±0.5 mm的目标修边公差要求。该研究将视觉引导机器人加工从离散、定义明确的特征扩展到了连续曲线参考特征的检测，证明了从六自由度机器人臂端相机获取的图像中可以实现亚毫米测量精度。

三、关键技术方法

1. 1.
   硬件系统设计：采用Basler ace acA1300-75gm单色工业相机，搭配Edmund Optics 0.30×, 12.7 mm SilverTL远心镜头（telecentric lens），以消除视差和畸变。使用Advanced illumination BL16806-WH124高功率线性背光源，并以90度角照射零件以获得最佳特征可见性。计算硬件为3.30 GHz AMD处理器和6 GB显存的RTX 3060 GPU。
2. 2.
   手眼标定（Hand-eye Calibration）：由于远心镜头消除了透视畸变，传统的基于棋盘格的手眼标定方法失效。研究人员采用Leica AT960激光跟踪器，定义了机器人基坐标系、T-mac坐标系、主轴坐标系（Spindle Frame）和标定靶坐标系四个关键参考系。通过迭代校正相机图像中心与标定靶物理中心之间的XY位置误差，直至误差低于阈值，完成标定。标定误差在激光跟踪器反馈控制的机器人重复定位精度范围内。
3. 3.
   图像处理与特征检测算法：核心流程包括图像滤波、刻线与边缘特征检测、关键点定位及距离测量。研究人员评估了三种算法方案：
   • •
     方案一（纯经典方法）：完全依赖高斯滤波、二值化、形态学开运算、骨架化等传统图像处理技术，结合DB-Scan和K-Means聚类区分刻线和边缘轮廓。该方法在处理机加工边缘时表现不佳。
   • •
     方案二（混合方法）：结合经典的刻线与非机加工边缘检测，以及基于深度学习的机加工边缘检测。具体而言，使用未经微调的Depth Anything V2单目深度估计模型生成相对深度图，利用深度梯度分离零件与背景，从而实现稳健的边缘定位。该方法在静态图像采集时表现良好，但在动态扫描时因运动模糊和域不匹配导致性能下降。
   • •
     方案三（微调深度模型的混合方法）：为解决动态扫描中的问题，研究人员使用包含运动模糊图像的CFRP数据集对Depth Anything V2模型进行微调，使其适应动态成像条件下的域分布。微调后的模型在动态扫描中能更鲁棒地提取零件边缘轮廓。

四、研究结果

• •
  3.1 零件照明角度：实验测试了0°、45°和90°（相对于相机光轴）的照明角度。结果显示，90°照明角度下刻线和零件边缘的可见性最佳，这归因于凸起的刻线和边缘不连续处阴影效应增强了强度梯度。
• •
  3.2 相机手眼标定：建立了基于激光跟踪器的改进手眼标定程序。标定在位置1执行，并在位置2至5以及±1 mm的工作距离偏移下进行了验证。所有位置的校准误差均在激光跟踪器反馈控制机器人的已知重复定位精度（±0.05 mm）范围内，表明标定变换在工作空间内足够鲁棒。
• •
  3.4 图像采集策略：评估了静态和动态两种采集模式。动态模式下，分别在10 mm/s、25 mm/s和50 mm/s的机器人速度下采集图像。运动模糊随速度增加而加剧，影响图像质量。
• •
  3.5 机器视觉算法：提出了三种算法方案。方案一（纯经典）在检测机加工边缘时失败。方案二（未微调深度模型+经典）在静态条件下表现良好，但在动态扫描时因运动模糊导致域不匹配而性能退化。方案三（微调深度模型+经典）通过微调Depth Anything V2模型，使其适应动态扫描下的图像域，显著提升了动态条件下边缘检测的鲁棒性。
• •
  4. 实验结果：
  • •
    4.1 静态图像采集：在静态条件下，方案二（混合方法）的平均测量误差为-0.058 mm，标准偏差为0.028 mm，优于方案一（纯经典）的平均误差-0.082 mm和标准偏差0.041 mm。这表明深度学习方法在静态条件下也能提升边缘定位精度。
  • •
    4.2 动态图像采集：在动态条件下，方案三（微调深度模型）在所有扫描速度下均表现出最优性能。在10 mm/s、25 mm/s和50 mm/s的速度下，方案三的平均测量误差分别为-0.062 mm、-0.064 mm和-0.074 mm，标准偏差分别为0.036 mm、0.037 mm和0.040 mm。相比之下，方案二（未微调模型）的误差和标准偏差均显著增大，尤其在50 mm/s时，平均误差增至-0.147 mm，标准偏差增至0.072 mm。结果证明，微调深度模型对于维持动态扫描下的亚毫米精度至关重要。

五、总结与结论

本研究成功开发并验证了一套机器人搭载的机器视觉系统，用于在复合材料部件上实现刻线与修边边缘的亚毫米级定位。该系统的核心创新在于：（1）采用远心镜头与激光跟踪器辅助的手眼标定程序，确保了机器人运动过程中的测量保真度；（2）提出了一种新颖的混合图像处理流程，将传统滤波与轮廓提取同微调的单目深度估计深度神经网络相结合，用于鲁棒的边缘检测。在CFRP复合材料样品上的实验表明，系统在静态和动态（最高50 mm/s）扫描条件下均能达到小于±0.5 mm的公差要求。研究结论指出，所提出的机器人搭载机器视觉系统和算法能够满足目标修边公差要求，使感知驱动的复杂复合材料结构机器人加工成为可能。