基于遗传算法的智能寻位技术中工件位姿求取

基于遗传算法的智能寻位技术中工件位姿求取

智能寻向加工技术是一种新型的加工方法。主动识别方法用于获取加工对象的三维位，并在此基础上自动生成加工程序。在满足实际加工的设备中，可以自动生成无精确的定位加工，以完成对零件的无精确定位加工。该方法的核心是工件的主动寻位,即通过主动测量(例如计算机视觉方法)计算的办法获知工件当前所处的实际空间姿态。迄今为止,人们已经提出了各种求取方法,其中,最基本的方法为模板匹配。由于传统的模板匹配是基于相关准则的,计算量取决于它寻找最佳匹配位置时采用的搜索策略。现有的方法均采用遍历式搜索策略,因而计算量的降低有限,如果不采用新的搜索策略,则难以在计算量的减少上取得实质性的突破。同时当被检测对象具有平移、尺度和旋转变化时,该方法需要大量的计算时间,使得它难以实际使用。为了减少计算机在匹配操作中的处理时间,避免对大量的图象象素进行计算,ORLC(定向执行长度编码)方法作为一种基于被检测对象转动惯量的物体检测方法,具有快速、简单的特点,应用到工件位姿求取具有极大的实时性优势。但由于加工环境背景的复杂性(夹具体的遮挡、背景T型槽的存在),使得该方法无法实际应用。遗传算法是近年发展起来的新理论和新方法。由于它采用非遍历寻优搜索策略,可以保证寻优搜索的结果具有全局最优性,所需的计算量较之遍历式搜索少很多,适于并行处理,使其具有相当广泛的应用场合。本文则将遗传算法应用于解决工业加工现场环境下用视觉方法求取工件位姿的问题,进而引导实际的生产加工,为传统的加工方法提供了一套全新的思路。1字符的表达及编码策略遗传算法是仿效了生物进化和遗传的规律,对编码的搜索空间进行选择、交叉、变异等操作,使优胜者繁殖,劣败者被淘汰。通过这样一代一代地操作,遗传算法能搜索到多个局部最优解,最终找到最优解。其基本概念有:(1)染色体编码由于遗传算法的工作对象是字符串,必须将待处理问题空间的参数进行编码,因此要求:①字符串要反映所研究问题的性质;②字符串的表达要便于计算机处理。编码的策略或方法对于遗传操作尤其是对于交叉操作的功能有很大的影响。(2)适应度函数在遗传算法中,衡量个体的优劣,基本上不用外部信息,仅以目标函数即适应度函数为依据。在具体的应用中,该函数的设计要结合具体求解问题本身的要求而定,它的好坏直接影响到遗传算法的性能。(3)遗传操作就是对群体中的个体按照它们对环境的适应程度(适应度评估)施加一定的操作,从而实现优胜劣汰的进化过程。包括三个基本操作:①选择。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉(按照交叉概率Pc进行)产生新的个体再遗传到下一代,体现了“适者生存”的自然选择原则。②交叉。交叉的目的是通过两个父代个体的部分结构加以替换重组(按照交叉概率Pc进行)而生成新个体,使得遗传搜索能力得以飞跃提高。③变异。变异的目的是通过对群体中个体的某些基因上的基因值的改变设计与研究(按照变异概率Pm进行),使得遗传算法具有局部随机搜索能力,收敛加速,并保持群体多样性。2初始定位处理要将遗传算法应用于解决一个优化问题,通常需要解决两个关键问题:如何将问题的解编码到染色体中;如何构造一有效的适应度函数。在视觉图象中工件位姿求取问题里,这两个问题解决如下:(1)染色体编码考虑一个工件在图象视野中应具有平移、尺度、旋转变化等特性,我们将这些特性编码到染色体中去,有Chrom={x,y,s,α}Chrom={x,y,s,α}式中,(x,y)表示模板的旋转中心(平移特性),s表示模板的尺度比例因子(尺度特性),α表示模板的旋转比例因子(旋转特性)。其编码数据结构如下:unionGeneString{struct{WORDX:8;//X坐标,8bitWORDY:8;//Y坐标,8bitWORDS:6;//尺度因子,6bitWORDA:10;//旋转因子,10bit}GeneBit;//DWORDGeneWord;//4字节长};StructGeneType{GeneStringGene;//基因串doubleFitness;//适应度BYTEParent1;//父代1序号BYTEParent2;//父代2序号};用下式坐标变换矩阵对原始模板做坐标变换(模板坐标系变换到图象坐标系)为:H=S⋅R⋅TΗ=S⋅R⋅Τ其中尺度变换S=⎡⎣⎢s000s0001⎤⎦⎥S=[s000s0001]旋转变换R=⎡⎣⎢cosα−sinα0sinαcosα0001⎤⎦⎥R=[cosαsinα0-sinαcosα0001]平移变换T=⎡⎣⎢100010xy1⎤⎦⎥Τ=[10x01y001]从而得到经过坐标变换后的新模板,用该模板与图象上相对应的图象进行匹配,完成工件定位处理过程。(2)适应度函数我们采用最小距离判据作为相关的判别准则为Derr=∑i=0N(Ti−Fi)Derr=∑i=0Ν(Τi-Fi)式中i——点的序号N——模板上的采样总点数Ti——新模板上第i点的二值灰度值Fi——图象上对应点的二值灰度值当模板与图象上的点集匹配程度越高时,距离误差Derr越小。其适应度函数可取为Fitness=1/(1+Derr/N)Fitness=1/(1+Derr/Ν)当模板与图象完全匹配上以后,Derr为零,适应度函数值Fitness取得最大值1;而当Derr越大时,适应度函数值Fitness越小;当Derr取得最大值N时,适应度函数值Fitness取得最小值0.5。这样我们就有了判定图象匹配程度的有效判据。3控机床和自主开发的智能寻位单元本文所提出的方法,已在自行研制的智能寻位加工设备上进行了应用。