鄭一鳴　崔文琦

摘要：傳統(tǒng)的人工生產(chǎn)線效率較低，無法適應(yīng)大規(guī)模工業(yè)生產(chǎn)需求。鑒于此，提出了一種基于物聯(lián)網(wǎng)的射頻識(shí)別與機(jī)器視覺相結(jié)合的智能無人生產(chǎn)線系統(tǒng)。該系統(tǒng)以射頻識(shí)別（RFID）為技術(shù)基礎(chǔ)，通過識(shí)別零件上的標(biāo)簽來實(shí)現(xiàn)控制和管理，以空間坐標(biāo)系化的算法使機(jī)器人自動(dòng)裝配，基于深度學(xué)習(xí)的機(jī)器視覺算法實(shí)現(xiàn)零件裝配成功率檢測(cè)，通過相機(jī)拍攝的大量裝配照片形成數(shù)據(jù)集，搭建并訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型進(jìn)行檢測(cè)。生產(chǎn)線各部分通過局域網(wǎng)連接，從而實(shí)現(xiàn)生產(chǎn)線的無人化和智能化作業(yè)。

關(guān)鍵詞：物聯(lián)網(wǎng);人工智能;智能制造;射頻識(shí)別;Baxter機(jī)器人

0? ? 引言

物聯(lián)網(wǎng)被稱作計(jì)算機(jī)和互聯(lián)網(wǎng)之后的第三次信息技術(shù)革命浪潮，以物聯(lián)網(wǎng)和人工智能為基礎(chǔ)的工業(yè)理念正成為現(xiàn)實(shí)，各大企業(yè)也紛紛推出自動(dòng)化生產(chǎn)解決方案，如寶馬、特斯拉等汽車企業(yè)推出無人工廠，波音公司采用數(shù)字化工廠實(shí)現(xiàn)全方位、全周期生產(chǎn)管控，這樣可以在制造環(huán)節(jié)顯著提高生產(chǎn)效率并降低質(zhì)量缺陷率，獲得顯著的經(jīng)濟(jì)效益[1]。智能制造即借助計(jì)算機(jī)建模仿真和信息通信技術(shù)的巨大潛力，優(yōu)化產(chǎn)品的設(shè)計(jì)和制造過程[2]。

本文提出的無人生產(chǎn)線系統(tǒng)具有以下創(chuàng)新點(diǎn)：

（1）技術(shù)創(chuàng)新。在對(duì)零件的處理過程中，不同于使用條形碼等具有視距約束的標(biāo)簽進(jìn)行識(shí)別的傳統(tǒng)方法，本項(xiàng)目采用智能RFID（射頻識(shí)別）技術(shù)，利用電子標(biāo)簽儲(chǔ)存信息，具有非視距識(shí)別和自動(dòng)更新標(biāo)識(shí)信息的特點(diǎn)，實(shí)現(xiàn)了人、機(jī)、物的動(dòng)態(tài)交互，從而做到精準(zhǔn)控制與管理。

（2）全自動(dòng)生產(chǎn)線。通過智能算法實(shí)現(xiàn)不同工位機(jī)器人協(xié)同操作，在物聯(lián)網(wǎng)系統(tǒng)下，即只需一個(gè)管理設(shè)備便可對(duì)整個(gè)制造流程進(jìn)行控制，實(shí)現(xiàn)了整個(gè)制造流程的智能化、全自動(dòng)化和可視化作業(yè)，利用機(jī)器可以持續(xù)工作的優(yōu)勢(shì)，提高零件的生產(chǎn)效率與產(chǎn)量，節(jié)約勞動(dòng)力。

（3）功能模塊化。對(duì)系統(tǒng)進(jìn)行模塊化設(shè)計(jì)，分為識(shí)別模塊、加工模塊和圖像識(shí)別模塊，在實(shí)際生產(chǎn)中可以迅速替換故障模塊，保證生產(chǎn)的穩(wěn)定性。

（4）充分利用“機(jī)器換人”。利用Baxter機(jī)器人作為加工中心，通過計(jì)算機(jī)建模仿真來模擬機(jī)械臂抓取動(dòng)作，通過訓(xùn)練提高其工作效率。

1? ? 生產(chǎn)線模型概述

為便于研究與落實(shí)成果，將生產(chǎn)線分為3個(gè)模塊，分別為RFID識(shí)別模塊、機(jī)械臂加工模塊、圖像檢測(cè)模塊，3個(gè)模塊通過建立局域網(wǎng)連接。具體模塊及流程如圖1所示。

1.1? ? RFID識(shí)別模塊

RFID識(shí)別模塊的主要作用是讀寫零件的電子標(biāo)簽，一是讀取零件的基本信息與環(huán)境位置，反饋到機(jī)械臂引起機(jī)械臂的加工操作;二是更新零件的裝配信息，對(duì)零件的加工情況進(jìn)行記錄。

1.2? ? 機(jī)械臂加工模塊

機(jī)械臂加工模塊是生產(chǎn)線的核心，負(fù)責(zé)對(duì)傳送帶上的零件進(jìn)行裝配加工。零件的裝配要考慮到各種裝配工藝，故第一階段決定采取較為簡(jiǎn)單的螺母與螺栓裝配，采用基于RFID的自定位深度學(xué)習(xí)抓取算法。

具體操作是當(dāng)零件進(jìn)入RFID讀寫器的識(shí)別區(qū)時(shí)，自動(dòng)將零件此刻位置初始化為坐標(biāo)原點(diǎn)，建立空間坐標(biāo)系。當(dāng)零件運(yùn)動(dòng)到定位電子標(biāo)簽時(shí)，傳送帶停止運(yùn)動(dòng)，機(jī)械臂通過讀取的零件標(biāo)簽的環(huán)境坐標(biāo)，基于深度學(xué)習(xí)自行仿真運(yùn)動(dòng)路線，機(jī)械臂進(jìn)行自身的位姿計(jì)算和抓取規(guī)劃，最終進(jìn)行固定的裝配操作，項(xiàng)目目標(biāo)是裝配成功率達(dá)到90%。此種算法可以解決圖像處理速度慢、受環(huán)境光照因素影響大、只能進(jìn)行單個(gè)零件識(shí)別的弊端。

1.3? ? 圖像檢測(cè)模塊

圖像檢測(cè)模塊用于檢測(cè)螺栓與螺母裝配工序是否成功，這是保證零件批次質(zhì)量的重要一環(huán)?；谀壳皬V泛應(yīng)用的機(jī)器學(xué)習(xí)以及視覺檢測(cè)技術(shù)的發(fā)展，本項(xiàng)目提出基于CNN深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)編碼實(shí)現(xiàn)對(duì)螺栓與螺母是否裝配成功的檢測(cè)。

2? ? V-rep/ROS的rethink機(jī)器人仿真

V-rep是一款動(dòng)力學(xué)仿真軟件，主要用于機(jī)器人仿真建模領(lǐng)域。仿真使用Python作為遠(yuǎn)程控制，第一步是進(jìn)行V-rep場(chǎng)景配置，在model browser中找到Baxter機(jī)器人，拖動(dòng)至場(chǎng)景中。去除left-arm和right-arm的threaded child scripts。在head的non-threaded腳本內(nèi)部調(diào)到Init（）函數(shù)內(nèi)部的最后部分，添加控制語句，再修改左、右機(jī)械臂的關(guān)節(jié)設(shè)置。第二步為連接Python和V-rep配置，將V-rep安裝目錄中與Python方式下相關(guān)的remote API文件和V-rep場(chǎng)景文件導(dǎo)入到相應(yīng)路徑中。V-rep中生產(chǎn)線結(jié)構(gòu)示意圖如圖2所示。

ROS是機(jī)器人操作系統(tǒng)（Robot Operating System）的英文縮寫，是用于編寫機(jī)器人軟件程序的一種具有高度靈活性的軟件架構(gòu)。在計(jì)算機(jī)中安裝ROS系統(tǒng)，使用下載的rethink機(jī)器人模型，也可用Python代碼來控制。相比于虛擬機(jī)，ROS系統(tǒng)內(nèi)置硬盤有更高的處理速度。

3? ? 基于CNN深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的故障檢測(cè)

目前有很多識(shí)別算法被應(yīng)用于故障診斷領(lǐng)域，主要包括人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、支持向量機(jī)、模糊推理等。其中模糊推理[3]能夠基于模糊語言表達(dá)實(shí)現(xiàn)系統(tǒng)推理，但是其數(shù)據(jù)學(xué)習(xí)能力有待提高;而人工神經(jīng)網(wǎng)絡(luò)具有較好的數(shù)據(jù)學(xué)習(xí)和預(yù)測(cè)能力，所以采用人工神經(jīng)網(wǎng)絡(luò)算法來實(shí)現(xiàn)圖像檢測(cè)。本項(xiàng)目提出基于CNN深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)編碼實(shí)現(xiàn)對(duì)螺栓與螺母是否裝配成功的檢測(cè)，利用Python卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)。

在算法方面，實(shí)現(xiàn)圖像檢測(cè)主要有3個(gè)步驟：

3.1? ? 處理模塊即庫(kù)的搭建與訓(xùn)練

首先建立測(cè)試集與訓(xùn)練集，通過查閱資料在網(wǎng)上下載部分?jǐn)?shù)據(jù)集，同時(shí)對(duì)螺栓、螺母手動(dòng)配合后在各個(gè)角度拍照，得到的照片與下載數(shù)據(jù)集混合，篩選部分為測(cè)試集，大部分為訓(xùn)練集。遍歷并通過多次有放回的取樣，使得檢測(cè)時(shí)更趨向于真實(shí)，提高準(zhǔn)確率。暫定螺栓、螺母配合后有兩個(gè)檢測(cè)特征，分別為螺母與螺帽縫隙和螺母擰入螺栓后距離螺栓底部的距離，創(chuàng)立jpg文件導(dǎo)入numpy數(shù)組中，即創(chuàng)立測(cè)試集。后續(xù)寫入4個(gè).py文件，dataprocess.py截取源文件數(shù)據(jù)（即將照片截取后的螺栓、螺母配合部分引入到下一個(gè)文件夾中，并將之標(biāo)簽化，每種特征分別標(biāo)記0/1/2等）。

3.2? ? 卷積神經(jīng)網(wǎng)絡(luò)部分算法的實(shí)現(xiàn)

卷積神經(jīng)網(wǎng)絡(luò)部分Zhuwenjian.py，第一步，權(quán)重初始化，用少量的噪聲初始化權(quán)重，以防止對(duì)稱性破壞，并防止0梯度;第二步，卷積和池化卷積，設(shè)置步幅大小為1，并在周圍填充0，以便輸出與輸入大小相同;第三步，設(shè)置多層卷積以及密集連接層，目的是修正正反向的傳播誤差[4-6]，此后網(wǎng)絡(luò)輸出的直接就是每個(gè)輸入樣本的特征分類預(yù)測(cè)概率。隨著提供的數(shù)據(jù)的增多，網(wǎng)絡(luò)可以逐步進(jìn)行微調(diào)，直至損失最小。將pooling層中的張量重塑為一批向量，乘以權(quán)重矩陣，添加一個(gè)偏差，并應(yīng)用一個(gè)ReLU，減少過擬合，在輸出層之前應(yīng)用dropout。選用交叉熵作為損失函數(shù)，激活函數(shù)選用常用于多分類任務(wù)的Softmax函數(shù)，該訓(xùn)練部分試驗(yàn)中準(zhǔn)確率已達(dá)接近90%的水平，但是還需要繼續(xù)完善。

3.3? ? 裝配是否成功的檢測(cè)（理論應(yīng)用于實(shí)踐）

編寫Test.py，即自己拍一張螺母與螺栓配合不成功的圖片，導(dǎo)入并測(cè)試[7]。該部分試驗(yàn)較為成功，順利將圖片引入并做了測(cè)試，成功把圖片中的配合部分截取為48×48像素，并檢測(cè)出了配合不成功的結(jié)果。

3.4? ? 圖像檢測(cè)模塊小結(jié)

在神經(jīng)網(wǎng)絡(luò)算法之外，將檢測(cè)結(jié)果反饋到電腦終端，使用RFID讀寫器將裝配是否成功的信息改寫到電子標(biāo)簽中，從而使每個(gè)零件都有自己的個(gè)體信息，可以隨時(shí)讀取零件的信息，降低了重復(fù)操作的可能性。

CNN卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)建，解決了人工檢測(cè)重復(fù)性大且效率低的問題，但同時(shí)也帶來了新的問題，比如特征的取值種類過少對(duì)于檢測(cè)準(zhǔn)確率的影響等。卷積算法的實(shí)現(xiàn)簡(jiǎn)化了視覺檢測(cè)中圖像采集的掃描輸出步驟，降低了系統(tǒng)與物體協(xié)調(diào)運(yùn)動(dòng)的要求，實(shí)現(xiàn)了非接觸測(cè)量。采用圖像處理的方法，后續(xù)將在算法上引入識(shí)別金屬零件表面劃傷、殘缺、變色、粘膜等缺陷，使故障檢測(cè)更為便捷智能化，并指導(dǎo)機(jī)械傳動(dòng)系統(tǒng)將殘缺品剔除，提高檢測(cè)效率。

4? ? 結(jié)語

本文提出了構(gòu)建全自動(dòng)化無人生產(chǎn)線系統(tǒng)，通過比較后采用了智能RFID（射頻識(shí)別）技術(shù)，利用電子標(biāo)簽儲(chǔ)存零件信息，不僅具有非視距識(shí)別的特點(diǎn)，而且可以自動(dòng)更新標(biāo)識(shí)信息，實(shí)現(xiàn)人、機(jī)、物的動(dòng)態(tài)交互，從而對(duì)生產(chǎn)流程實(shí)施精準(zhǔn)控制與管理。同時(shí)，系統(tǒng)采用了新型的裝配檢測(cè)過程，運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)的原理[8-9]，通過程序的深度學(xué)習(xí)，可以快捷、準(zhǔn)確地檢測(cè)零件裝配情況，檢測(cè)成功率更高且更加便捷。通過人工智能算法實(shí)現(xiàn)不同工位機(jī)器人的協(xié)同操作，全局通過局域網(wǎng)連接，即只需一個(gè)管理設(shè)備（輸入端）便可以對(duì)整個(gè)制造流程進(jìn)行控制，實(shí)現(xiàn)了整個(gè)制造流程的智能化、全自動(dòng)化和可視化作業(yè)[10]。利用機(jī)器可以持續(xù)工作的優(yōu)勢(shì)，提高了零件的生產(chǎn)效率與產(chǎn)量，節(jié)約了勞動(dòng)力。因此，該系統(tǒng)的開發(fā)應(yīng)用前景廣闊[11]。

[參考文獻(xiàn)]

[1] 周濟(jì).智能制造——“中國(guó)制造2025”的主攻方向[J].中國(guó)機(jī)械工程，2015，26（17）：2273-2284.

[2] 張曙.工業(yè)4.0和智能制造[J].機(jī)械設(shè)計(jì)與制造工程，2014，43（8）：1-5.

[3] 李昕，劉路.基于視覺與RFID的機(jī)器人自定位抓取算法[J].計(jì)算機(jī)工程，2012，38（23）：158-161.

[4] 李傳朋.基于機(jī)器視覺和深度學(xué)習(xí)的目標(biāo)識(shí)別與抓取定位研究[D].太原：中北大學(xué)，2017.

[5] 劉寧.基于VMD混合特征提取和ANFIS的滾動(dòng)軸承故障診斷方法[J].煤礦機(jī)械，2020，41（6）：164-168.

[6] 郭晨霞，楊瑞峰.數(shù)字視覺精密測(cè)量光纖環(huán)繞制狀態(tài)參數(shù)[J].中北大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，35（3）：337-341.

[7] 張偉.基于卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷算法研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2017.

[8] 王建民.工業(yè)大數(shù)據(jù)技術(shù)綜述[J].大數(shù)據(jù)，2017，3（6）：3-14.

[9] 吳靜然，丁恩杰，崔冉，等.采用多尺度注意力機(jī)制的旋轉(zhuǎn)機(jī)械故障診斷方法[J].西安交通大學(xué)學(xué)報(bào)，2020，54（2）：51-58.

[10] 李春林，熊建斌，蘇乃權(quán)，等.深度學(xué)習(xí)在故障診斷中的應(yīng)用綜述[J].機(jī)床與液壓，2020，48（13）：174-184.

[11] 李偉.復(fù)雜系統(tǒng)的智能故障診斷技術(shù)現(xiàn)狀及其發(fā)展趨勢(shì)[J].計(jì)算機(jī)仿真，2004，21（10）：4-7.