国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

面向精密微裝配的視覺(jué)復(fù)合定位

2023-11-01 01:51:56王曉東崔世鵬盧世勤
光學(xué)精密工程 2023年19期
關(guān)鍵詞:像素閾值定位

王曉東, 崔世鵬, 徐 征, 盧世勤

(大連理工大學(xué) 機(jī)械工程學(xué)院,遼寧 大連 116023)

1 引 言

高性能微系統(tǒng)是航空航天器等重大裝備中不可或缺的關(guān)鍵單元,其裝配精度和一致性對(duì)產(chǎn)品性能作用顯著[1]。在精密微裝配中,通過(guò)機(jī)器視覺(jué)精確獲取像素級(jí)微小特征的位置,引導(dǎo)機(jī)械手進(jìn)行微小零件的拾取、搬運(yùn)、對(duì)準(zhǔn)等[2-3]是常用的模式。隨著對(duì)微系統(tǒng)性能和集成度要求的不斷提高,系統(tǒng)逐漸呈現(xiàn)多品種、小批量、異形異構(gòu)等特點(diǎn)。在視覺(jué)引導(dǎo)的精密微裝配中,零件特征的提取普遍采用固定的、人工設(shè)計(jì)的算子在預(yù)設(shè)的感興趣區(qū)域(Region of Interest, ROI )內(nèi)進(jìn)行,該方法能夠在較為理想的實(shí)驗(yàn)環(huán)境中得到滿(mǎn)意的精度。但是,在實(shí)際批量裝配生產(chǎn)中,照明波動(dòng)、零件表面差異、輕度離焦會(huì)導(dǎo)致此類(lèi)算子無(wú)法提取到真實(shí)的有效特征,導(dǎo)致視覺(jué)引導(dǎo)任務(wù)失敗,嚴(yán)重影響裝配效率和儀表成活率。這就需要在兼顧精度的同時(shí),提高視覺(jué)定位的穩(wěn)定性。

目前,在工業(yè)現(xiàn)場(chǎng)應(yīng)用的視覺(jué)算法多是通過(guò)幾何形狀特征配準(zhǔn)[4-6]或基于尺度不變特征轉(zhuǎn)換(Scale-Invariant Feature Transform,SIFT)[7-9]、方向梯度直方圖(Histogram of Oriented Gradients,HOG)特征[10-11]等模板匹配的方式來(lái)實(shí)現(xiàn),這類(lèi)基于固定算子或模板的“硬核”方法均存在泛化性弱的問(wèn)題,難以適應(yīng)復(fù)雜裝配作業(yè)需求。近年來(lái),人工智能的發(fā)展為提高定位算法的穩(wěn)定性帶來(lái)新契機(jī),YOLO(You Only Look Once)[12-13],SSD(Single Shot multibox Detector)[14],R-CNN(Region CNN)[15]等目標(biāo)框檢測(cè)算法在保持智能算法強(qiáng)穩(wěn)定性的前提下,具有速度快、精度高,便于部署的優(yōu)點(diǎn)。Shinde 等[16]利 用YOLO算法分類(lèi)并定位晶圓缺陷。Li 等[17]結(jié)合YOLO 算法和雙目視覺(jué)定位球體、圓柱體等工件的空間關(guān)鍵點(diǎn)。Suzuki 等[18]結(jié)合孿生網(wǎng)絡(luò)與SSD定位最佳抓取位置。這類(lèi)算法盡管具有強(qiáng)穩(wěn)定性,但總體上精度多局限在10 像素以上,這是樣本統(tǒng)計(jì)類(lèi)算法本質(zhì)決定的,雖然采用像素級(jí)分割可以進(jìn)一步提高定位準(zhǔn)確性,但標(biāo)注繁瑣,對(duì)硬件要求也較高。

本文提出一種微小特征復(fù)合定位方法,該方法結(jié)合深度學(xué)習(xí)魯棒性強(qiáng)與幾何特征提取精度高的特點(diǎn),先利用深度學(xué)習(xí)算法鎖定目標(biāo)區(qū)域(粗定位),然后利用幾何輪廓精確定位特征(精定位)。建立面向?qū)嶋H裝配過(guò)程的自適應(yīng)動(dòng)態(tài)學(xué)習(xí)機(jī)制,根據(jù)精定位和粗定位結(jié)果差異,通過(guò)圖像自動(dòng)標(biāo)注與樣本增強(qiáng)進(jìn)行再訓(xùn)練,提高定位算法對(duì)零件差異的自適應(yīng)能力。

2 原理與方法

2.1 基本過(guò)程

微小零件復(fù)合定位法包含目標(biāo)框檢測(cè)算法(粗定位)與輪廓幾何特征配準(zhǔn)算法(精定位)。如圖1 所示,目標(biāo)框檢測(cè)算法用于初步定位零件特征區(qū)域,其流程包含原始圖像數(shù)據(jù)集建立、算法訓(xùn)練及自動(dòng)標(biāo)注機(jī)制。憑借粗定位獲取的特征位置、類(lèi)別等信息,精定位通過(guò)輪廓幾何特征配準(zhǔn)法獲取零件特征準(zhǔn)確位置,粗-精定位相互結(jié)合,引導(dǎo)精密裝配作業(yè)。

圖1 復(fù)合定位法的訓(xùn)練及應(yīng)用Fig.1 Training and application of composite positioning method

原始數(shù)據(jù)集建立及粗定位算法訓(xùn)練步驟如下:

(1)采集多種光照亮度、位姿、離焦等狀態(tài)的零件特征圖片共1 000 張,特征輪廓包含圓形、矩形以及不規(guī)則輪廓,手工標(biāo)注形成原始圖像數(shù)據(jù)集;

(2)按照9∶1 的比例將數(shù)據(jù)集劃分為訓(xùn)練集與驗(yàn)證集并訓(xùn)練目標(biāo)框檢測(cè)算法;

(3)對(duì)原始圖像數(shù)據(jù)集中的零件圖片進(jìn)行亮度調(diào)整、旋轉(zhuǎn),并添加椒鹽噪聲、高斯噪聲等操作,實(shí)現(xiàn)樣本增強(qiáng),將原始圖像數(shù)據(jù)集增至4 000 張;

(4)利用原始圖像數(shù)據(jù)集訓(xùn)練粗定位目標(biāo)框檢測(cè)算法。若零件因變動(dòng)批次導(dǎo)致表面狀態(tài)改變,粗定位目標(biāo)框檢測(cè)算法定位成功率也隨之下降,則通過(guò)粗定位算法預(yù)測(cè)新批次零件,將預(yù)測(cè)所得零件的特征類(lèi)別、位置等信息制作成標(biāo)簽文件,通過(guò)Labelimg 軟件對(duì)其檢查并微調(diào),完成原始圖像數(shù)據(jù)集的補(bǔ)充更新,利用更新的數(shù)據(jù)集重新訓(xùn)練目標(biāo)框檢測(cè)算法。

微小特征復(fù)合定位步驟如下:

(1)利用粗定位目標(biāo)框檢測(cè)算法預(yù)測(cè)零件圖片,以目標(biāo)框位置為基準(zhǔn)提取ROI;

(2)根據(jù)預(yù)測(cè)信息中的特征類(lèi)別是否符合裝配流程、目標(biāo)置信度是否超過(guò)預(yù)定閾值、目標(biāo)位置偏離量是否超差等情況判斷流程的可靠性;

(3)以預(yù)測(cè)的特征類(lèi)別及位置為依據(jù),對(duì)不同零件使用相應(yīng)的輪廓配準(zhǔn)算法,提取特征點(diǎn)并通過(guò)坐標(biāo)轉(zhuǎn)換引導(dǎo)精密裝配動(dòng)作。

2.2 復(fù)合定位方法的實(shí)現(xiàn)

粗定位旨在從圖像中快速提取ROI,為精定位提供有先驗(yàn)約束的計(jì)算狀態(tài)。本文選用YOLOv5 作為特征粗定位算法。YOLOv5 由輸入端、主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和檢測(cè)頭組成,輸入端采用4 幅圖像隨機(jī)縮放、裁剪、排列的馬賽克拼接進(jìn)行數(shù)據(jù)增強(qiáng),主干網(wǎng)絡(luò)通過(guò)Darknet53 卷積網(wǎng)絡(luò)結(jié)構(gòu)提取深度特征,頸部網(wǎng)絡(luò)采用特征金字塔網(wǎng)絡(luò)(Feature Pyramid Network, FPN)與像素聚合網(wǎng)絡(luò)(Pixel Aggregation Network, PAN)結(jié)構(gòu)提取強(qiáng)語(yǔ)義特征與強(qiáng)定位特征,檢測(cè)頭用CIOU Loss 作為邊界框的損失函數(shù)[19],零件圖像經(jīng)過(guò)該算法處理后獲得所需零件包圍框的位置與類(lèi)別。

精定位旨在從粗定位獲得的ROI 中獲取微小零件特征的準(zhǔn)確位置,在排除干擾的條件下,采用幾何算子就可以精確定位特征。精定位算法采用最大類(lèi)間方差法(OTSU)[20]對(duì)零件與背景進(jìn)行分割。OTSU 將零件與圖像背景分為兩類(lèi),使兩類(lèi)方差最大的閾值即為最佳分割閾值。假設(shè)ROI 中像素?cái)?shù)為N,灰度值為i的像素個(gè)數(shù)為ni,則該灰度值像素的概率為:

若二值化閾值為T(mén),ROI 中最大像素值為L(zhǎng),則前景與背景兩類(lèi)出現(xiàn)的概率分別為:

那么兩類(lèi)的灰度均值分別為:

整個(gè)ROI 區(qū)域的灰度均值為:

類(lèi)間方差定義為:

式(5)中,σ2取最大值的閾值T即為最佳分割閾值。

二值化分割完成后進(jìn)一步通過(guò)Canny 算子[21]提取零件輪廓幾何特征。圖2 所示為通過(guò)OTSU 法進(jìn)行閾值分割以及通過(guò)Canny 算子提取圖像輪廓幾何特征的操作流程。

圖2 Canny 處理流程Fig. 2 Flowchart of Canny processing

為了進(jìn)一步獲取像素級(jí)精度的輪廓位置信息,這里利用最小二乘算法擬合邊緣信息,即使擬合后的輪廓與數(shù)據(jù)點(diǎn)之間的誤差平方和最小。為了排除邊緣信息中離群點(diǎn)的干擾,設(shè)計(jì)多次迭代擬合方法。以圓形輪廓為例,在擬合過(guò)程中,本文選擇30 個(gè)像素作為初始閾值,即擬合出圓心坐標(biāo)及半徑后,分別計(jì)算原始集合中各點(diǎn)與擬合出的圓之間的距離,如果距離超過(guò)閾值,則將該點(diǎn)從原始集合中剔除,隨后將閾值減小,重新擬合,如此迭代直至誤差小于要求的范圍。

3 實(shí)驗(yàn)設(shè)備

實(shí)驗(yàn)在課題組研制的精密膠連裝配設(shè)備上開(kāi)展,該設(shè)備可通過(guò)視覺(jué)測(cè)量模塊定位微小零件,通過(guò)機(jī)械手完成上料、拾取、裝配等動(dòng)作。其主要組成部分如圖3 所示:

圖3 精密裝配系統(tǒng)實(shí)物Fig.3 Photo of precision assembly system

(1)視覺(jué)測(cè)量模塊負(fù)責(zé)圖像采集工作,由工業(yè)相機(jī)、光學(xué)遠(yuǎn)心鏡頭、光源以及精密位移滑臺(tái)組成,其中光源由八位數(shù)字輸出卡控制,可實(shí)現(xiàn)256 級(jí)光照強(qiáng)度變化,其余器件性能參數(shù)見(jiàn)表1;

表1 視覺(jué)測(cè)量模塊的技術(shù)參數(shù)Tab. 1 Technical parameters of visual measurement module

(2)工作臺(tái)模塊負(fù)責(zé)夾具的定位、鎖緊以及零件的位姿調(diào)整(重復(fù)精度0.3 μm);

(3)上料模塊負(fù)責(zé)待裝配零件的上料;

(4)機(jī)械臂模塊是精密自動(dòng)化裝配系統(tǒng)中的執(zhí)行模塊,完成零件的拾取、搬運(yùn)、裝配等工作;

(5)工具庫(kù)模塊是裝配系統(tǒng)中不同零件吸附機(jī)構(gòu)的存放模塊,配合作業(yè)機(jī)械臂模塊完成裝配工作。

4 實(shí)驗(yàn)結(jié)果與分析

本文以查準(zhǔn)率(Precision, P)、查全率(Recall, R)、平均精確度(Average Precision, AP)以及模型參數(shù)數(shù)量評(píng)價(jià)粗定位目標(biāo)框檢測(cè)算法,以復(fù)合定位算法提取的特征位置波動(dòng)情況評(píng)價(jià)整體算法。查準(zhǔn)率為正確預(yù)測(cè)目標(biāo)所占百分比,高查準(zhǔn)率代表低誤檢概率,其計(jì)算公式為:

式中:TP代表正確預(yù)測(cè)的正向目標(biāo),F(xiàn)P代表錯(cuò)誤預(yù)測(cè)的正向目標(biāo),F(xiàn)N為錯(cuò)誤預(yù)測(cè)的負(fù)向目標(biāo)。

查全率代表正確預(yù)測(cè)的目標(biāo)在所有目標(biāo)中所占的百分比,其計(jì)算公式如下:

AP 為查準(zhǔn)率與查全率曲線下的面積值,其計(jì)算公式為:

式中:p(rn+1)為與查全率對(duì)應(yīng)的查準(zhǔn)率,mAP 為各類(lèi)別AP的平均值。其中,mAP_0.5為當(dāng)IOU閾值為0.5 時(shí)AP 的平均值,mAP_0.5∶0.95 為將IOU閾值從0.5到0.95間隔0.05計(jì)算mAP值并最后求得的平均值,此指標(biāo)更加關(guān)注目標(biāo)的位置精度。

4.1 復(fù)合定位方法對(duì)比

選擇近年來(lái)有代表性的3 種目標(biāo)框檢測(cè)算法YOLO,F(xiàn)aster R-CNN 和SSD,與精定位輪廓配準(zhǔn)算法組合成為復(fù)合定位方法后,進(jìn)行對(duì)比實(shí)驗(yàn),對(duì)比指標(biāo)包含平均精確度、平均消耗時(shí)間和參數(shù)數(shù)量。

實(shí)驗(yàn)樣本采集自某導(dǎo)航傳感器的實(shí)際裝配流程,包含6 種零件共1 000 張圖像,將該圖像集進(jìn)行樣本增強(qiáng)后獲得4 000 張零件圖像,并按照9∶1 的比例劃分為訓(xùn)練集與測(cè)試集。實(shí)驗(yàn)測(cè)試環(huán)境 為corei7-12700h CPU 和RTX3060 顯 卡,結(jié) 果見(jiàn)表2。

在對(duì)比實(shí)驗(yàn)中,各算法的mAP 值均高于98%。其 中,YOLOv5 的mAP 值 與Faster RCNN 和SSD 相比分別降低0.76% 和0.66%?;赮OLOv5 算法構(gòu)建的復(fù)合定位方法的耗時(shí)間最短。在模型參數(shù)數(shù)量方面,YOLOv5 算法最少,為7.065M,約為Faster R-CNN 算法的1/19和SSD 算法的1/3。由此可見(jiàn),由YOLOv5 組成的復(fù)合定位方法在一定程度上能兼顧效率和精度,與其他算法相比,更適合應(yīng)用在精密微裝配作業(yè)中。

4.2 穩(wěn)定性測(cè)試

4.2.1 亮度變化對(duì)復(fù)合定位算法穩(wěn)定性的影響

本文引入圖像對(duì)比度對(duì)所采集圖像進(jìn)行定量評(píng)價(jià),其計(jì)算公式為:

式中:δ(I,K)=|I-K|,為相鄰像素間的灰度差;Pδ(I,K)為相鄰像素間灰度差為δ的像素分布概率。

在0~200 光強(qiáng)等級(jí)內(nèi)等間隔采集零件圖像,每個(gè)光強(qiáng)等級(jí)下采集2 種零件各10 張圖像。計(jì)算粗定位目標(biāo)框檢測(cè)算法對(duì)應(yīng)的P,R,mAP 等指標(biāo)。為驗(yàn)證復(fù)合定位法對(duì)圖像對(duì)比度波動(dòng)的穩(wěn)定性,在相機(jī)與零件相對(duì)位置不變的條件下,采集不同等級(jí)光強(qiáng)的圖像,通過(guò)本文方法定位特征質(zhì)心。

圖4 為2 種零件特征在不同光強(qiáng)等級(jí)時(shí)使用復(fù)合定位法的定位效果,圖5 為亮度變化對(duì)粗定位目標(biāo)框檢測(cè)算法各項(xiàng)指標(biāo)的影響,圖6 為通過(guò)復(fù)合定位法獲取的特征質(zhì)心坐標(biāo)。

圖4 不同光強(qiáng)等級(jí)下定位效果Fig. 4 Positioning results with different light intensities

圖5 亮度變化對(duì)粗定位的影響Fig.5 Influence of brightness on rough positioning

圖6 定位算法提取的特征坐標(biāo)Fig.6 Extracted feature coordinates by positioning algorithm

當(dāng)圖像對(duì)比度高于2.37(光強(qiáng)等級(jí)>60)時(shí),粗定位各指標(biāo)均在90%以上。當(dāng)圖像對(duì)比度降低至2.37(光強(qiáng)等級(jí)為60)時(shí),P,R,mAP_0.5,mAP_0.5∶0.95 分別下降至83%,76%,81%,54%,此時(shí)復(fù)合定位方法的重復(fù)定位精度優(yōu)于2個(gè)像素;當(dāng)圖像對(duì)比度繼續(xù)降低至1.1(光強(qiáng)等級(jí)為40)時(shí),P,R,mAP_0.5,mAP_0.5∶0.95 降低至60%,65%,55% 和39%,特征2 定位出現(xiàn)異常,復(fù)合定位方法的重復(fù)定位精度超出2 個(gè)像素;當(dāng)圖像對(duì)比度低于1.1(光強(qiáng)等級(jí)<40)時(shí),零件特征難以辨別,無(wú)法成功定位。因此,在圖像對(duì)比度高于2.37(光強(qiáng)等級(jí)>60)時(shí),本文所述方法有較高的定位穩(wěn)定性。

4.2.2 離焦度對(duì)復(fù)合定位算法穩(wěn)定性的影響

以鏡頭工作距離為基準(zhǔn),在遠(yuǎn)離相機(jī)的方向間隔200 μm 采集零件圖像,每次拍攝2 種零件各10 張圖像,共拍攝11 組圖像并制成測(cè)試集。本文引入灰度差分法和Brenner 梯度算子實(shí)現(xiàn)離焦程度的定量評(píng)價(jià)[22-23],計(jì)算公式如下:

式中I(i,j)為圖像像素值。將兩個(gè)函數(shù)結(jié)果歸一化后的均值作為離焦程度評(píng)價(jià)指標(biāo),記為F。

為驗(yàn)證復(fù)合定位法對(duì)圖像離焦的穩(wěn)定性,保持零件固定并在不同離焦距離下采集圖像,通過(guò)復(fù)合定位算法定位零件特征質(zhì)心坐標(biāo)。圖7 為不同離焦距離下使用復(fù)合定位算法的定位效果。圖8 為離焦距離對(duì)粗定位檢測(cè)算法各項(xiàng)指標(biāo)的影響,圖9 為復(fù)合定位算法在不同離焦距離下提取的特征質(zhì)心坐標(biāo)。

圖7 不同離焦距離下的復(fù)合定位效果Fig.7 Positioning results with various defocus distances

圖8 離焦距離對(duì)粗定位的影響Fig.8 Influence of defocus distances on rough positioning

當(dāng)離焦距離≤800 μm(聚焦度≥0.56)時(shí),粗定位目標(biāo)框檢測(cè)算法的P,R,mAP_0.5 和mAP_0.5∶0.95 分 別 在88.2%,99.5%,99.5% 和83.1%以上,而復(fù)合定位方法的重復(fù)定位精度優(yōu)于2 個(gè)像素;當(dāng)離焦距離增至1 000 μm(聚焦度=0.54)時(shí),粗定位目標(biāo)框檢測(cè)算法依然有較高的魯棒性,P,R,mAP_0.5 和mAP_0.5∶0.95 分別為94.0%,100.0%,99.5%,82.2%,但復(fù)合定位方法的重復(fù)定位精度降低至5 個(gè)像素(對(duì)應(yīng)微裝配場(chǎng)景精度約為12 μm);當(dāng)離焦距離大于1 000 μm(聚焦度<0.54)時(shí),P,R,mAP_0.5 和mAP_0.5∶0.95 分 別 降 至94.3%,93.0%,99.5%,82.2%以下,復(fù)合定位方法中精定位過(guò)程因聚焦度過(guò)低而失敗。

4.2.3 位姿變化對(duì)復(fù)合定位算法穩(wěn)定性的影響

裝配設(shè)備中零件夾具有足夠的制造精度與安裝精度,零件不會(huì)有大角度偏差,在上百件小批量裝配實(shí)驗(yàn)中,零件的實(shí)際旋轉(zhuǎn)角度為-3.4°~3.7°,因此,實(shí)驗(yàn)樣本采集了2 種零件旋轉(zhuǎn)10°內(nèi)的圖像,并以此來(lái)驗(yàn)證復(fù)合定位法在目標(biāo)零件位姿變化時(shí)的抗干擾能力。

圖10 為2 種零件在不同旋轉(zhuǎn)角度下使用復(fù)合定位算法的定位效果,圖11 為隨著零件轉(zhuǎn)動(dòng)粗定位目標(biāo)框檢測(cè)算法各項(xiàng)指標(biāo)的變化情況。結(jié)果表明:隨著零件旋轉(zhuǎn)角度的變化,粗定位算法各項(xiàng)評(píng)價(jià)指標(biāo)并無(wú)明顯變化,P,R,mAP_0.5 和mAP_0.5∶0.9 分 別 在92.3%,100%,99.5%,87.7% 以上,同時(shí)精定位過(guò)程也未受到干擾,定位成功率達(dá)到100%,即針對(duì)零件位姿變化本文所述復(fù)合定位法具有足夠的穩(wěn)定性。

圖11 位姿對(duì)粗定位的影響Fig.11 Influence of posture on rough positioning

4.3 準(zhǔn)確性測(cè)試

以精密位移滑臺(tái)為參考展開(kāi)復(fù)合定位算法準(zhǔn)確性實(shí)驗(yàn)。保持零件固定,精密位移滑臺(tái)帶動(dòng)相機(jī)每移動(dòng)100 μm 后拍攝圖片,重復(fù)5 次,分別使用YOLOv5 粗定位目標(biāo)框檢測(cè)算法與本文方法定位零件在圖像中的坐標(biāo),計(jì)算相鄰兩次特征位置的歐氏距離并與滑臺(tái)移動(dòng)距離進(jìn)行比較。

圖12 為測(cè)試所用4 種微小零件特征,表3 與表4 分別為使用目標(biāo)框檢測(cè)算法與本文所述方法定位上述4 種特征的測(cè)試數(shù)據(jù)。每種特征分別統(tǒng)計(jì)了5 次特征坐標(biāo)移動(dòng)距離與滑臺(tái)移動(dòng)距離之差,其中目標(biāo)框檢測(cè)算法定位特征的最大定位誤差為20.8 μm,重復(fù)定位精度為39.2 μm;復(fù)合定位法定位特征的最大定位誤差為1.0 μm,重復(fù)定位精度為1.3 μm。由測(cè)試數(shù)據(jù)可知,本文所述零件定位方法的定位精度顯著優(yōu)于直接使用目標(biāo)框檢測(cè)算法,且定位精度與重復(fù)精度均優(yōu)于2 μm。

表3 目標(biāo)框檢測(cè)算法定位誤差Tab.3 Error of target detection algorithm (μm)

表4 復(fù)合定位法定位誤差Tab.4 Error of composite positioning algorithm(μm)

圖12 零件特征Fig.12 Images of part features

4.4 自動(dòng)標(biāo)注及動(dòng)態(tài)學(xué)習(xí)機(jī)制測(cè)試

為驗(yàn)證動(dòng)態(tài)學(xué)習(xí)機(jī)制的有效性,選擇某型號(hào)傳感器的引線基板作為測(cè)試對(duì)象,通過(guò)改變制造參數(shù)使該零件具有兩種不同表面狀態(tài),如圖13 所示。采集零件圖像并分別建立測(cè)試圖像數(shù)據(jù)集,每個(gè)數(shù)據(jù)集包含40 張不同狀態(tài)的零件圖像。

選擇兩個(gè)測(cè)試數(shù)據(jù)集之一訓(xùn)練原始粗定位目標(biāo)框檢測(cè)算法,分別測(cè)試該粗定位算法在兩個(gè)測(cè)試數(shù)據(jù)集上的P,R指標(biāo),計(jì)算過(guò)程中置信度閾值與交并比閾值分別為0.25 和0.45。

測(cè)試結(jié)果表明:零件表面狀態(tài)改變后,原始粗定位目標(biāo)框檢測(cè)算法定位與分類(lèi)零件出現(xiàn)異?;蚴?,P和R分別下降至68.1%與72.7%,而通過(guò)自動(dòng)標(biāo)注流程并再次訓(xùn)練,P和R提高至96.0%和99.2%,粗定位成功率達(dá)到改變前的水平。

4.5 裝配實(shí)驗(yàn)

通過(guò)課題組研制的裝配設(shè)備進(jìn)行實(shí)驗(yàn),待裝配組件由圖14 所示的兩個(gè)零件組成,零件以中心孔為基準(zhǔn),上下疊放完成裝配。裝配實(shí)驗(yàn)使用幾何特征配準(zhǔn)定位算法和復(fù)合定位法分別引導(dǎo)實(shí)驗(yàn)設(shè)備裝配100 套不同批次的組件。裝配流程如圖15 所示,具體步驟如下:

圖14 待裝配零件Fig.14 Assembly parts

圖15 基于特征定位方法的裝配流程Fig.15 Assembly process based on feature positioning

(1)將零件2 放置于裝配工作臺(tái)上,視覺(jué)測(cè)量模塊調(diào)用定位算法定位零件;

(2)通過(guò)上料夾具對(duì)零件1 初步定位,視覺(jué)測(cè)量模塊調(diào)用定位算法精確定位;

(3)作業(yè)機(jī)械臂模塊通過(guò)真空吸附方式將零件1 搬運(yùn)至裝配位置;

(4)對(duì)準(zhǔn)上下兩個(gè)零件后執(zhí)行裝配,直至完成;

(5)裝配完成后通過(guò)最小二乘算法擬合零件中心孔邊緣,以?xún)蓚€(gè)零件圓心在X,Y方向上的偏差表示裝配誤差。

使用特征定位方法引導(dǎo)實(shí)驗(yàn)設(shè)備進(jìn)行裝配工作,組件X方向的最大偏差為7.4 μm,均值為3.1 μm,Y方向的最大偏差為9.7 μm,均值為4.6 μm,圓心最大偏差為9.7 μm,滿(mǎn)足裝配精度要求。以單純使用幾何特征配準(zhǔn)的定位算法引導(dǎo)完成的裝配任務(wù)中,裝配誤差與本文所述方法相當(dāng),但裝配成功率僅為69%,而應(yīng)用本文定位方法后裝配成功率為97%。

5 結(jié) 論

本文提出了一種面向精密裝配的微小零件特征復(fù)合定位方法,通過(guò)粗定位與精定位兩步實(shí)現(xiàn)零件的準(zhǔn)確定位。相比于傳統(tǒng)零件定位算法,該方法對(duì)光照變化、離焦和位姿變化等干擾因素有較高的穩(wěn)定性,同時(shí)該方法保留了傳統(tǒng)定位算法精度高的優(yōu)點(diǎn)。引入自動(dòng)標(biāo)注以及動(dòng)態(tài)學(xué)習(xí)機(jī)制,解決了零件因批次變動(dòng)而導(dǎo)致定位算法適應(yīng)能力下降的問(wèn)題。將該方法部署于精密裝配設(shè)備上進(jìn)行裝配實(shí)驗(yàn),裝配精度小于2 μm,裝配成功率為97%,能夠滿(mǎn)足精密微裝配對(duì)精度與穩(wěn)定性的要求。

猜你喜歡
像素閾值定位
趙運(yùn)哲作品
藝術(shù)家(2023年8期)2023-11-02 02:05:28
像素前線之“幻影”2000
《導(dǎo)航定位與授時(shí)》征稿簡(jiǎn)則
Smartrail4.0定位和控制
小波閾值去噪在深小孔鉆削聲發(fā)射信號(hào)處理中的應(yīng)用
“像素”仙人掌
基于自適應(yīng)閾值和連通域的隧道裂縫提取
找準(zhǔn)定位 砥礪前行
比值遙感蝕變信息提取及閾值確定(插圖)
河北遙感(2017年2期)2017-08-07 14:49:00
室內(nèi)表面平均氡析出率閾值探討
常州市| 开阳县| 莱阳市| 蓝山县| 东台市| 桓仁| 井研县| 滨海县| 乐昌市| 和顺县| 靖西县| 石河子市| 临朐县| 乐山市| 咸阳市| 泾源县| 胶南市| 罗山县| 吴川市| 遂平县| 芦溪县| 锦州市| 木兰县| 灵石县| 拉萨市| 宜州市| 商都县| 江川县| 日喀则市| 鹤峰县| 青铜峡市| 安阳县| 高尔夫| 巩义市| 麻江县| 观塘区| 鹤壁市| 凯里市| 大姚县| 科尔| 陆河县|