基於YOLO演算法實現機器人孔渣移除定位補償與瑕疵檢測系統

摘要：機械手臂在工廠自動化中扮演著重要的角色，具有極高的靈活性、精確性和自主操作能力，並且可紓解缺工人力勞動的需求。在本文中，我們開發了一個具有自動位置補償和瑕疵檢測能力的機器人孔渣去除系統，能夠定位工件的特徵，進行孔渣去除和瑕疵檢測，並利用YOLO（You Only Look Once）算法進行物體檢測。本文中的實驗工件是膝關節股骨植入物。首先，我們採用了一種位置補償方法來精確定位工件的夾持孔。然後，EzSim軟件自動生成機器人路徑，用於去除夾持孔孔渣。隨後，系統利用檢測到的瑕疵位置生成重新去渣的路徑，確保所有殘留物被徹底清除。

Abstract：Robotic arms play a crucial role in factory automation, offering immense versatility, precision, and the capability for autonomous operation, thereby eliminating the need for manual labor. In this article , we have developed a robotic slag removal system with automatic position compensation and defect detection capabilities, which is capable of locating the features of workpieces, perform deslagging, and detect defects using the YOLO (You Only Look Once) algorithm. The experimental workpiece in this article is a knee femoral implant. Firstly, a position compensation method is employed to precisely locate the clamping hole of the workpiece. The robot trajectory is then automatically generated by the software for the deburring of the clamping hole slag. Subsequently, the system utilizes the detected defect locations to generate a re-deslagging path, ensuring that all remnants are thoroughly cleaned.

關鍵詞：機器人, 深度學習 ,瑕疵檢測

Keywords：Robot、Deep learning、Defect detection

前言

隨著近年來機器人研究的發展，工業機器人逐漸走出實驗室，並廣泛應用在一般公司企業中，如堆疊搬運、生產製造、產線組裝等等。全球智慧機器人產值統計及預測，2016年的市場規模達540億美元，若發展至2026年預估將會達750億美元；國內目前機器人相關廠商約為160家，每年產值約新台幣18億美元，八成以上的機器人相關廠商皆有海外布局市場，但也面臨生產模式的改變與全球化的競爭[1]。隨著自動化的進步，機器人手臂已被廣泛應用於工廠中，以取代人工勞動。然而，即使使用機器人手臂，仍然需要大量時間進行路徑教學和調整。如果在工件夾取過程中發生微小的位置偏差，可能會導致在加工過程中發生碰撞。此外，即使由機器人手臂完成了加工任務，仍然需要有經驗的工人對工件進行質量檢查。這些檢查通常需要在光線強烈的環境下進行，這對人眼是有害的，特別是對於需要長時間進行瑕疵檢測的檢查員而言。然而，由於瑕疵的形狀和大小各異，自動化的瑕疵檢測是一個挑戰。

傳統上，大多數瑕疵檢測任務依賴於計算機視覺算法。例如，R. Manish等人[2]利用像素強度直方圖的視覺系統來識別研磨不充分的區域。他們還利用Canny邊緣檢測來定位這些區域。在類似的研究中，S. Chen等人[3]巧妙地對工件表面的灰度圖像應用傅立葉變換以消除研磨紋理。然後，他們使用形態學操作來提取瑕疵區域，並使用決策樹進行分類。另一種方法是由Q. Li等人[4]提出的，他們引入了一種利用局部歸一化、非線性變換技術增強圖像對比度的瑕疵檢測方法。然而，這些傳統算法是針對特定任務設計的，需要專業知識。此外，當圖像中的工作環境複雜或瑕疵難以識別時，這些算法可能無法正確檢測瑕疵。

近年來，隨著人工智慧的進步，原本由工人執行的瑕疵檢測逐漸被卷積神經網絡（CNN）取而代之。CNN相對於傳統算法表現出更高的準確性，使其成為瑕疵檢測的一個有吸引力的選擇。因此，許多研究專注於探索深度學習技術在瑕疵檢測中的應用。瑕疵的一個關鍵特徵是受影響區域的深色通常被周圍的較淺色非瑕疵區域所包圍。借助這一原理，B. Kuhlenkoetter等人[5]開發了一種利用K最近鄰（K-NN）和支持向量機（SVM）算法提取瑕疵區域並分類瑕疵類型的方法。通過利用這些算法，他們能夠基於瑕疵區域與非瑕疵區域之間的顏色對比有效地識別和分類瑕疵。在瑕疵檢測中利用CNN和深度學習技術代表了該領域的一個重大進步。這些方法提供了更高的準確性和學習複雜模式和特徵的能力，使得在工業環境中實現更可靠和自動化的瑕疵檢測成為可能。為了減少檢測過程中的假陽性出現，F.C. Chen等人[6]開發了一種NB-CNN神經網絡架構，將貝葉斯算法與卷積神經網絡結合起來。它基於貝葉斯的統計分析，通過從多幀中聚合信息來有效地排除假陽性。在[7]中，Q. Ren等人提出了一種瑕疵檢測方法，其中他們將Faster RCNN中的卷積特徵提取層替換為深度可分離卷積。

在我們之前的研究[8]中，我們開發CPS研磨拋光機器人系統，其中包括EzSim機器人路徑生成以自動生成機器人研磨路徑，以及基於視覺的研磨設備定位，以減少虛擬和實際整合所需的時間。該系統的性能優於現有解決方案在機器人編程和運動控制優化方面。使用EzSim機器人模擬軟體，教導時間可以縮短90％，加工效率可以提高25％。本文將該系統應用於孔渣路徑生成。

系統架構

1. 硬體架構

 實驗硬體配置圖1如所示，使用一台Fanuc M-20iB/25機器人手臂來夾取工件並利用Schunk RCV-490去毛刺主軸去除工件夾持孔內的孔渣。該去毛刺主軸具有徑向彈性，有助於防止對銑削刀具施加過大的壓力，以防止刀具斷裂。所選擇的銑削刀具是WOTEK V2SE-0184 Φ1.8四刃平頭銑刀，由帶有塗層的硬質合金製成，莫式硬度為HRC 65。在渣滓去除過程中，使用了噴射冷卻裝置來降低加工溫度並提高銑削刀具的壽命。此外，本文中使用了FLIR工業攝影機和鏡頭進行位置補償和瑕疵檢測。為了獲得更好的成像效果，分別採用低角度環形燈和高角度環形燈分別為位置補償和瑕疵檢測環境提供照明。攝影機與機器人需經過手眼校正，以確保在位置補償過程中的準確性。

                                                              圖1 機器人孔渣移除系統的硬體配置

2. 軟體架構

在本文中，系統的流程圖如圖2所示。研究中使用了基於CAD的機器人路徑生成軟件來生成去孔渣的路徑。使用者可以將CAD輸入到模擬軟件中，在界面上選擇要處理的區域，並調整機器人運動的方向和角度。最終，該路徑將轉換為Fanuc機器人語言的機器人軌跡。生成的路徑點可以存儲在機器人的位置暫存器中，六個自由度被設置為參數。因此，使用者可以調整參數來均勻放大或縮小路徑，使其適應各種尺寸的工件。對於位置補償和瑕疵檢測，使用了YOLO算法來檢測夾持孔的位置以及渣滓去除後剩餘渣滓的程度。由於檢測目標的變化較小，採用了更簡化的神經網絡架構，即YOLO-416，以減少推理時間和RAM使用。

                                                              圖2 機器人孔渣去除系統的系統流程圖

YOLO深度學習介紹

本文使用的算法是YOLO（You Only Look Once）算法如圖3所示，神經網絡架構是YOLO-416。目的是為了減小位置補償和瑕疵檢測模型的大小，使其能夠在基本工業計算機上運行。此外，使用YOLO-416模型可以顯著縮短推理時間，加快總體孔渣去除過程的循環時間。不同於兩階段檢測器所使用的區域建議方法，YOLO [9]採用了一種不同的方法，將物體檢測任務視為一個單一的回歸問題。這種方法減輕了計算的複雜性。YOLO的關鍵概念是將整個圖像作為網絡的輸入，並直接從輸出層輸出邊界框座標和類別機率。因此，YOLO在速度方面表現出明顯的優勢，超越了Faster RCNN。然而，需要注意的是，與Faster RCNN相比，YOLO的定位精度要低得多。

                                                                    圖3 YOLO深度學習網路架構