視覺傳感器能直觀反映物體的外部信息，但單個攝像頭只能獲得物體的二維圖像，立體視覺雖能提供三維信息，但對于外形相同，僅深度有差別的物體難以識別（如有孔物體、階梯狀物等），且對環境光線有一定的要求。由于超聲傳感器具有對光線、物體材料等不敏感，結構簡單，能直接獲取待測點至傳感器的距離等特點，因此本文采用視覺與超聲測量相結合的方法，將二維圖像信息與超聲波傳感器獲取的深度信息進行融合推斷，對待裝配工件進行自動識別與空間定位，并確定機械手末端執行器的空間位置與姿態，使其能在合適的部位準確抓取工件。

　　1系統原理與結構

　　系統由機械手、CCD視覺傳感器和超聲波傳感器及相應的信號處理單元等構成。CCD安裝在機械手末端執行器上，構成手眼視覺，超聲波傳感器的接收和發送探頭也固定在機器人末端執行器上，由CCD獲取待識別和抓取物體的二維圖像，并引導超聲波傳感器獲取深度信息。系統結構如圖1所示。

　　系統結構

　　圖像處理主要完成對物體外形的準確描述，包括以下幾個步驟：a.圖像邊緣提取;b.周線跟蹤;c.特征點提取;d.曲線分割及分段匹配;e.圖形描述與識別。在提取物體圖像邊緣后，采用周線跟蹤進行邊緣細化，去除偽邊緣點及噪聲點，并對組成封閉曲線的邊緣點進Freeman編碼，記錄每一條鏈碼方向和曲線上各點的X-Y坐標值，便于進一步對物體的幾何特性進行分析。本研究對傳統的周線跟蹤算法中邊緣點的搜索方向與順序進行了改進，并在搜索過程中采取了及時消除冗余點的方法，減小了數據量與運算時間，而且具有較好的降噪及平滑效果。在提取圖像特征點時，將多邊形近似法與計算曲率的方法相結合，可克服多邊形近似法易產生偽特征點和計算曲率法計算量過大的缺點.CCD獲取的物體圖像經處理后，可提取對象的某些特征，如物體的形心坐標、面積、曲率、邊緣、角點及短軸方向等。根據這些特征信息，可得到對物體形狀的基本描述，在圖像處理的基礎上，由視覺信息引導超聲波傳感器對待測點的深度進行測量，獲取物體的深度（高度）信息，或沿工件的待測面移動，超聲波傳感器不斷采集距離信息，掃描得到距離曲線，根據距離曲線分析出工件的邊緣或外形［1］。計算機將視覺信息和深度信息融合推斷后，進行圖像匹配、識別，并控制機械手以合適的位姿準確地抓取物體。

　　2.1工件圖像邊緣的提取

　　復雜工件反映在圖像上常常不止一個灰度等級，僅利用一個灰度閾值無法提取有意義的邊緣。

　　若采用多閾值的方法，必然會增加計算時間和圖像處理的復雜程度。對于類別方差自動門限法，增加門限值不僅會提高數據處理復雜程度，而且當閾值多于2個時，算法的可靠性就會受到影響。為此采用了直接從灰度圖像提取邊緣的方法。圖像邊緣一般發生在灰度函數值不連續處，可用灰度函數的一階或二階導數求得。經典的利用一階導數提取邊緣的方法有Roberts算子、So2bel算子等，利用二階導數提取邊緣的方法有Laplacian算子和Marrs2Hilderth算子等。通過對幾種算法的分析比較，認為Sobel算子不僅實現容易、運算速度快，而且可提供最精確的邊緣方向估計.Sobel算子由兩個3×3相差90°的算子構成，由這兩個算子同圖像卷積，可得到圖像的邊緣及其方向。對于數字圖像｛f（i，j）｝，Sobel算子可表示為：

　　Gx（i，j）=f（i-1，j-1）+2f（i-1，j）+f（i-1，j+1）-f（i+1，j-1）-2f（i+1，j）-f（i+1，j+1）;

　　Gy（i，j）=f（i-1，j-1）+2f（i，j-1）+f（i+1，j-1）-f（i-1，j+1）-2f（i，j+1）-f（i+1，j+1）。

　　采用G1=|Gx|+|Gy|得到梯度幅值后，為減少所抽取的邊緣數目，可設置一個幅度門限，即只考慮對應灰度變化較大的那些邊緣。再利用邊緣點具有局部幅度最大的特點，將邊緣細化。利用Sobel算子提取邊緣后，為了得到工件表面的尺寸信息，還必須提取圖像的角點［2］，以便計算工件的邊長等特征信息。

　　2.2形心坐標的確定

　　圖像中形心點的計算通常可通過兩種方法得出，一是通過區域處理求矩的方法計算形心坐標;二是通過邊緣鏈碼積分計算。該算法較為簡單，且對任意圖形都適用，但需要結合像素點隸屬區域劃分算法進行。

　　2.3軸向的確定

　　為使機械手能以正確的姿態準確地抓取物體，必須精確確定物體的軸向。在幾何學中，物體的長軸定義為通過物體形心點的一條直線，物體關于該直線的二階矩為最小值。設圖像中物體長軸與圖像平面X軸正方向夾角為θ，規定|θ|≤π/2，則物體關于該軸線的二階矩為

　　物體關于該軸線的二階矩

　　很明顯，基于二階慣性矩的軸向確定方法是對整個物體區域進行運算，且必須先確定像素點的隸屬區域，故運算量較大。圖2（a）是用該算法確定的工件軸向。對于一些簡單形狀的物體，可采用如下簡單軸向估計算法：

　　軸向估計算法：

　　a.確定物體的形心坐標;

　　b.確定物體邊緣輪廓閉合曲線前半段中離物體形心最近的點，用最小二乘法估算該點的切線方向，設其與圖像平面X軸正方向夾角為α1;

　　c.用同樣方法確定下半段曲線中對應的切線方向α2;

　　d.物體軸向可粗略估計為θ=（α1+α2）/2.

　　工件軸向圖

　　圖2（b）是采用簡化算法得到的工件軸向圖。該算法僅對物體邊緣輪廓點進行處理，使運算時間大為減少。

　　3超聲深度檢測

　　由于CCD攝像頭獲取的圖像不能反映工件的深度信息，因此對于二維圖形相同，僅高度略有差異的工件，只用視覺信息不能正確識別，本文采用超聲波測距傳感器則可彌補這一不足。經圖像處理得到工件的邊緣、形心等特征量后，引導機械手到達待測點，對工件深度進行測量，并融合視覺信號與超聲信號，可得到較完整的工件信息。安裝在機器人末端執行器上的超聲波傳感器由發射和接收探頭構成，根據聲波反射的原理，檢測由待測點反射回的聲波信號，經處理后得到工件的深度信息。為了提高檢測精度，在接收單元電路中，采用了可變閾值檢測、峰值檢測、溫度補償和相位補償等技術［1］，可獲得較高的檢測精度。對視場中兩個外形完全相同、高度相差0.1mm的柱形工件，采用本文提出的融合圖像和深度信息的方法，可準確識別與抓取。

　　4實驗結果及結論

　　在上述方法研究的基礎上，完成了在MOVEMASTER2EX機器人裝配作業平臺上進行的物體識別與抓取實驗。在自然光及一般照明條件下，對機器人裝配作業平臺上視場范圍內任意放置的3～5個不同形狀、大小的典型工件進行自動識別和抓取，結果表明，識別時間小于5s（包括識別、定位與抓取過程機械手的移動時間），定位誤差小于±2mm，并具有較好的通用性和可移植性。圖3（a）～（d）分別是待抓取工件識別過程的圖像。

　　待抓取工件識別過程的圖像

　　實驗結果表明，采用本文提出的將機器人手-眼視覺與超聲波測距相結合的檢測裝置，以及融合二維圖像信息與深度信息進行工件識別與抓取的方法，可準確對物體進行識別與定位，具有算法簡單、計算量小、實時性好、可靠性高等特點，可為機器人與環境交互提供物體形狀、類別及大小等信息，使機器人裝配作業能適應各種復雜的環境與工藝過程，對實現工業生產過程的自動化、柔性化、智能化有良好的應用前景。