面向批量精密裝配的顯微特征定位

王曉東，于忠洋，徐 征，盧世勤，崔世鵬

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

1 引 言

顯微機(jī)器視覺的特征定位作為精密裝配中重要的一環(huán)，為精密裝配批量化、自動化發(fā)展提供了重要支撐。利用顯微視覺引導(dǎo)操控精密機(jī)器人完成夾持、定位、放置是實(shí)現(xiàn)裝配的主要途徑，其精度要求一般在微米量級。雖然通過嚴(yán)格約束作業(yè)條件，目前顯微成像測量及其運(yùn)動控制能夠滿足這一要求。但是，生產(chǎn)中的結(jié)構(gòu)振動、工具磨損、環(huán)境變化等均會改變裝配狀態(tài)，引起微小特征識別錯誤，從而影響裝配效率和合格率，甚至中斷裝配流程，嚴(yán)重干擾自動化生產(chǎn)。因此，需要建立兼具強(qiáng)魯棒性和高精度的特征定位算法。

經(jīng)典的零件特征位置檢測算法大致分為基于幾何圖形的配準(zhǔn)和基于灰度或頻譜信息的模板匹配。前者是通過梯度算子等獲取邊緣，利用最小二乘法等擬合獲得圖形，再與預(yù)存的理想圖形對比計算出位置，在嚴(yán)格約束的條件下能夠達(dá)到像素級的精度，但是它依賴具體圖形，泛化性和靈活性不足。后者是通過目標(biāo)樣本的灰度或頻譜分布與預(yù)存模板進(jìn)行比較來確定特征姿態(tài)的，常用的模板判據(jù)有SIFT匹配［1-4］、SURF匹配［5-7］和灰度模板匹配［8-9］等。模板匹配算法對不同特征的泛化性高，但其精度易受光照變化和物體紋理波動的影響［10］。

近年來，機(jī)器學(xué)習(xí)成為研究熱點(diǎn)，特別是基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）的方法在顯微視覺領(lǐng)域得到重視。Liang等［11］訓(xùn)練CNN估計微懸臂的位置和引導(dǎo)其沿軌跡運(yùn)動；Jaradat等［12］借助CNN實(shí)現(xiàn)機(jī)械手視覺反饋控制；吳國偉等［13］將衍射圖像與神經(jīng)網(wǎng)絡(luò)結(jié)合，改善表面形貌的三維重建精度；Li等［14］基于深度卷積網(wǎng)絡(luò)引導(dǎo)機(jī)械手精確放置零件。雖然基于CNN的識別定位具有較強(qiáng)的泛化能力，但高精度CNN需要將大量樣本在高性能計算機(jī)上長時間訓(xùn)練，而在一些特定工況，很難獲得滿足訓(xùn)練需求的樣本量。此外，CNN識別誤判尚難以分析和解釋，使得此類算法應(yīng)用到實(shí)際的批量精密裝配時存在高不確定度風(fēng)險。

支 持 向 量 機(jī)（Support Vector Machine，SVM）是輕量級的監(jiān)督類機(jī)器學(xué)習(xí)方法，其本質(zhì)是在特征空間上實(shí)現(xiàn)正負(fù)樣本間隔最大的線性分類［15-16］，常用于產(chǎn)品分選和缺陷檢測。Liu等［17］結(jié)合SVM控制機(jī)器人引導(dǎo)工業(yè)廢品分選和定向運(yùn)輸；Shehnaz等［18］結(jié)合梯度直方圖和SVM分類器實(shí)現(xiàn)目標(biāo)識別并對水果等進(jìn)行分類；Fan等［19］建立了SVM的焊縫識別系統(tǒng)。SVM對計算資源和訓(xùn)練樣本量要求相對較低，關(guān)鍵是要找到合理的特征。

本文面向批量精密裝配對顯微視覺引導(dǎo)的實(shí)際需求，建立了一種基于方向梯度直方圖（Histogram of Oriented Gradient，HOG）和局部二值模式（Local Binary Pattern，LBP）復(fù)合圖像特征的SVM方法，采用金字塔搜索策略提高效率，并在自行研制的精密裝配設(shè)備上進(jìn)行驗證。結(jié)果表明，本方法具有良好的魯棒性和精度，能滿足批量精密裝配的特征定位要求，并實(shí)現(xiàn)某微小執(zhí)行器組件的自動化裝配。

2 原理與方法

2.1 基本過程

本文使用HOG和LBP復(fù)合特征訓(xùn)練SVM并進(jìn)行定位，過程如圖1所示，具體步驟如下：

（1）對多幅零件圖像進(jìn)行圖像預(yù)處理，形成原始訓(xùn)練集；

（2）從訓(xùn)練集中裁切處理出所需識別部分作為訓(xùn)練樣本，并構(gòu)建樣本的圖像金字塔以減少計算量；

（3）對訓(xùn)練樣本使用HOG算子提取出邊緣特征，使用LBP算子提取出紋理特征，并將二者組合；

（4）用金字塔每層的融合特征樣本訓(xùn)練SVM；

（5）對目標(biāo)圖像進(jìn)行滑動搜索并利用SVM計算其相似度值，尋找相似度最大的位置作為熱點(diǎn)位置，實(shí)現(xiàn)準(zhǔn)確定位。

圖1 特征定位向量機(jī)的訓(xùn)練及應(yīng)用Fig.1 Training and implementation of feature localization vector machine

2.2 特征信息描述子的融合與分級處理

HOG特征用于描述圖像邊緣信息，優(yōu)點(diǎn)是對光強(qiáng)變化不敏感。首先，計算每個像素的橫向梯度Gx和縱向梯度Gy，再求出該像素處的梯度幅值G(x，y)和方向角度θ(x，y)，即：

將圖像分成若干胞元，統(tǒng)計每個胞元內(nèi)像素的梯度信息，將梯度方向以梯度大小加權(quán)映射到固定的角度范圍中，統(tǒng)計得到胞元的梯度統(tǒng)計直方圖。將一定數(shù)量的胞元組合成塊，將塊內(nèi)胞元的直方圖串聯(lián)起來，得到塊內(nèi)梯度信息的特征向量。然后進(jìn)行歸一化處理，以消除擾動影響，令ε為很小的標(biāo)準(zhǔn)化向量，使用式（3）歸一化處理，計算出標(biāo)準(zhǔn)化向量。

用滑動窗口遍歷目標(biāo)圖像，計算每塊中的特征描述向量，并連接形成HOG特征描述符。

LBP特征用來描述圖像局部紋理。對于中心像素點(diǎn)（gcx，gcy），其灰度值為Sc，設(shè)定P個采樣點(diǎn)，半徑為R，對于其中的第k個采樣點(diǎn)，其坐標(biāo)為。對于鄰域內(nèi)未直接落在像素方格中央的采樣點(diǎn)的灰度值，通過線性插值完成。計算得出各點(diǎn)的灰度值Sk后，與中心像素點(diǎn)相比較并進(jìn)行二值化處理：

進(jìn)而計算出不同采樣點(diǎn)的加權(quán)和，得到該位置的LBP值：

HOG特征對圖像邊緣有良好的不變性，而LBP特征則適合局部紋理描述。本文將二者融合，對微小零件進(jìn)行綜合描述，有助于提高魯棒性和精度。融合采用向量化實(shí)現(xiàn)：設(shè)兩個特征的維數(shù)為p和q，則輸出特征的維數(shù)為p+q。

為提高效率，本文構(gòu)建了圖像金字塔的特征搜索策略，如圖2所示。從分辨率最低的上層開始，使用滑動窗口搜索圖像，選取相似度得分最高的部分為熱點(diǎn)位置，隨后以此熱點(diǎn)位置為中心在下一層進(jìn)行鄰域局部搜索，直至分辨率最高的金字塔層。

圖2 特征位置搜索流程Fig.2 Searching process of feature location

2.3 SVM訓(xùn)練

主要訓(xùn)練步驟如下：

（1）拍攝多光照強(qiáng)度、多角度下的零件特征，采集多幅圖像以增加分類器的魯棒性。

（2）將所需識別特征部分裁切成同樣尺寸，作為正樣本，并選取背景部分作為負(fù)樣本。

（3）構(gòu)建正樣本及負(fù)樣本的圖像金字塔，并將其進(jìn)行上述計算生成對應(yīng)的描述子。

（4）將每層金字塔的描述子連同對應(yīng)的標(biāo)簽導(dǎo)入訓(xùn)練模型，進(jìn)行最優(yōu)超平面的查找計算，訓(xùn)練后得出分層特征識別模型。

3 自動化精密裝配設(shè)備

實(shí)驗在某微小執(zhí)行器組件的自動化精密裝配設(shè)備上進(jìn)行。該設(shè)備能實(shí)現(xiàn)該組件上下料、夾持、吸附等系列操作，完成自動化裝配。其主要結(jié)構(gòu)如圖3所示，包括：

（1）顯微視覺測量模塊：實(shí)現(xiàn)圖像采集，由相機(jī)（分辨率為3 088×2 064）、鏡頭（1×）、光源和搭載光學(xué)元件的3軸運(yùn)動平臺（單軸重復(fù)定位精度為0.5μm）組成。

（2）作業(yè)工作臺模塊：用于夾具的定位與裝卡、零件位置的調(diào)整（重復(fù)定位精度為0.3μm）。

（3）上料機(jī)械臂模塊：負(fù)責(zé)對組裝夾具及待裝配零件進(jìn)行上料操作。

（4）裝配作業(yè)模塊：精密裝配系統(tǒng)中的主要執(zhí)行模塊，負(fù)責(zé)零件拾取、搬運(yùn)、對準(zhǔn)、鎖緊等精密操作，與作業(yè)工作臺協(xié)同完成整體的零件裝配操作。

圖3 執(zhí)行器組件精密裝配設(shè)備Fig.3 Precise assembly equipment for actuator components

4 實(shí)驗結(jié)果與分析

4.1 穩(wěn)定性測試

特征定位算法應(yīng)具有良好的單峰性，避免多峰現(xiàn)象對識別結(jié)果準(zhǔn)確性的影響。將待測特征模板放置在工作臺上，并控制精密測量模塊自動對焦特征。使用上述算法識別，在識別到的特征點(diǎn)附近進(jìn)行寬度為60像素的方形范圍內(nèi)逐像素的相似度計算，繪制相似度網(wǎng)格，以驗證算法的穩(wěn)定性。

4.1.1 無紋理邊緣特征的識別單峰性

掩模板特征邊緣清晰且無紋理干擾，背景與特征間差異明顯。具體特征定位結(jié)果及相似度峰值如圖4所示。對于任意的掩模板特征單峰性明顯，部分特征峰值周圍曲線存在一定波動，但仍保持良好的單峰性。

圖4 掩模板特征定位Fig.4 Localization of mask template feature

4.1.2 表面紋理對單峰性的影響

選擇具有明顯紋理且邊緣復(fù)雜的某執(zhí)行器組件特征進(jìn)行驗證，如圖5所示。對于較為復(fù)雜的特征，其峰值明顯，非峰值處的相似度值與峰值處區(qū)分明顯，且不存在多個峰值，仍保持良好的單峰性。

圖5 執(zhí)行器組件特征定位Fig.5 Localization of actuator components

4.1.3 光強(qiáng)變化對穩(wěn)定性的影響

由于實(shí)際裝配工況難以滿足理想條件，在裝配過程中會出現(xiàn)亮度偏移等情況，在批量裝配中會對特征識別產(chǎn)生影響，因此采集多幅不同光強(qiáng)下的圖像實(shí)驗驗證。選取同軸、環(huán)形光源的不同光強(qiáng)大小進(jìn)行拍攝，對執(zhí)行器底座圓柱特征進(jìn)行定位分析，實(shí)驗結(jié)果如圖6所示。結(jié)果表明，在多種情況下，該定位算法都能夠?qū)崿F(xiàn)準(zhǔn)確定位，有較好的魯棒性，能夠適應(yīng)不同光強(qiáng)下的特征定位要求，且未出現(xiàn)多峰現(xiàn)象。

4.1.4 對比驗證

圖7為LBP特征及復(fù)合特征識別底座特征的對比。使用單一LBP特征進(jìn)行識別時，其梯度較為平緩，峰值不明顯，特征定位出現(xiàn)了較大的偏移；而復(fù)合特征單峰明顯，峰值處梯度較大，保證了定位的準(zhǔn)確性及唯一性。

圖6 不同光強(qiáng)下特征定位Fig.6 Feature localization under various light intensities

圖7 復(fù)合特征與LBP特征對比Fig.7 Comparison of compound feature and LBP feature

圖8為HOG特征及復(fù)合特征識別執(zhí)行器組件表面紋理特征的對比。復(fù)合特征仍保持單峰性，梯度較大且峰值明顯；而單一HOG特征出現(xiàn)多峰現(xiàn)象，易導(dǎo)致定位失敗。

圖8 復(fù)合特征與HOG特征對比Fig.8 Comparison of compound feature and HOG feature

表1 特征定位準(zhǔn)確率對比Tab.1 Comparison of feature positioning accuracy

實(shí)驗共采集103幅該執(zhí)行器圖像進(jìn)行識別驗證，表1為使用不同特征向量識別的正確率。結(jié)果表明，復(fù)合特征的定位魯棒性及穩(wěn)定性均優(yōu)于單一特征。

4.2 準(zhǔn)確性測試

在X和Y方向計算位置識別精度。將待識別零件放置于精密滑臺上，對焦后保持相機(jī)位置固定不變。以精密滑臺移動量為參照基準(zhǔn)，每次同方向位移100μm并采集圖像，在X，Y方向各采集10次。使用上述算法計算特征在相機(jī)視野中的位置，計算特征歐氏距離并與滑臺位移比較評判準(zhǔn)確度，結(jié)果如圖9所示。4種特征中，X方向和Y方向的最大定位誤差分別為3.93μm和3.78μm。該算法具有較高的重復(fù)精度，且識別精度皆優(yōu)于4μm。

圖9 X和Y方向特征定位精度Fig.9 Feature positioning accuracy in Xand Ydirections

4.3 批量裝配實(shí)驗

某執(zhí)行器組件裝配的同軸度與磁場均勻性密切相關(guān)。使用該自研設(shè)備進(jìn)行其中兩個組件的自動化批量裝配，流程如圖10所示，具體步驟如下：

（1）控制上料模塊電動夾指夾持上料夾具，然后驅(qū)動單軸機(jī)器人進(jìn)行上料操作；

（2）作業(yè)機(jī)械臂末端吸附起組件夾具，將其搬運(yùn)至裝配位置；

（3）通過視覺模塊調(diào)用以上方法識別組件位置，調(diào)整機(jī)械臂和滑臺位置進(jìn)行對準(zhǔn)操作；

（4）機(jī)械臂進(jìn)行下壓裝配，通過力傳感器伺服控制裝配力。

圖10 某執(zhí)行器組件的裝配流程Fig.10 Assembly process of actuator components

表2 實(shí)驗參數(shù)Tab.2 Experimental parameters

裝配后使用最小二乘法擬合出該組件邊緣，計算裝配完成后的同軸度作為裝配誤差。在能夠辨別的光強(qiáng)范圍內(nèi)隨機(jī)選取照明光強(qiáng)，模擬在亮度偏移情況下的裝配條件；使用上料模塊進(jìn)行上下料操作，模擬振動等引起的零件位置偏差。連續(xù)進(jìn)行10組裝配，表2和表3為實(shí)驗中使用的HOG算子及LBP算子參數(shù)以及實(shí)驗數(shù)據(jù)。由上述結(jié)果可知：使用該識別方法引導(dǎo)裝配，執(zhí)行器組件的同軸度偏差X方向最大為4.54μm，均值為2.97μm；Y方向最大值為6.13μm，均值為3.81μm，圓心偏差最大值為6.94μm。在多種位置及光照強(qiáng)度下，本文方法均滿足該執(zhí)行器組件裝配的同軸度要求。

表3 裝配實(shí)驗結(jié)果Tab.3 Experimental results of assembly （μm）

5 結(jié) 論

本文提出基于融合特征的SVM的顯微視覺定位算法，使用該方法實(shí)現(xiàn)某組件的批量自動化精密裝配定位，并對其穩(wěn)定性和精度進(jìn)行了驗證。不同的特征和光照條件下，本文方法獲得的特征圖具有良好單峰性，具有較高穩(wěn)定性和抗干擾能力；將融合特征與單一特征進(jìn)行對比，結(jié)果表明融合特征的識別準(zhǔn)確率達(dá)到98%，高于單一特征；在準(zhǔn)確性測試中，利用本文方法對以固定距離移動的特征定位并以精密滑臺作為基準(zhǔn)，其定位精度優(yōu)于4μm；通過精密裝配設(shè)備進(jìn)行某執(zhí)行器組件裝配實(shí)驗，實(shí)現(xiàn)該組件的批量化裝配生產(chǎn)，最終的裝配精度優(yōu)于7μm，驗證了該方法應(yīng)用于批量精密裝配的可行性。