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 機械工程學院，遼寧 大連 116023）

1 引 言

顯微機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。利用顯微視覺引導操控精密機器人完成夾持、定位、放置是實現(xiàn)裝配的主要途徑，其精度要求一般在微米量級。目前，在嚴格約束作業(yè)條件的前提下，顯微成像測量及其運動控制能夠滿足這一要求。然而，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，影響裝配效率和合格率，甚至中斷裝配流程，嚴重干擾自動化生產(chǎn)，因此需要建立兼具強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和基于灰度或頻譜信息的模板匹配。前者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，再與預存的理想圖形對比計算出位置，在嚴格約束的條件下能夠達到像素級的精度，但是它依賴具體圖形，泛化性和靈活性不足。后者通過比較目標樣本的灰度或頻譜分布與預存模板來確定特征姿態(tài)，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，機器學習日漸成為研究熱點，特別是基于卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks，CNN）的方法，在顯微視覺領域得到重視。Liang 等［11］訓 練CNN 估 計 微 懸 臂 的 位 置 并引導其沿軌跡運動；Jaradat 等［12］借助CNN 實現(xiàn)機械手視覺反饋控制；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)絡引導機械手精確放置零件。雖然基于CNN 的識別定位具有較強的泛化能力，但高精度CNN 需要將大量樣本在高性能計算機上長時間訓練，而在一些特定工況下很難獲得滿足訓練需求的樣本量。此外，CNN 識別誤判尚難以分析和解釋，其實際應用到批量精密裝配時存在較高的不確定度。

支 持 向 量 機（Support Vector Machine，SVM）是輕量級的監(jiān)督類機器學習方法，其本質(zhì)是在特征空間上實現(xiàn)正負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 控制機器人引導工業(yè)廢品分選和定向運輸；Shehnaz 等［18］結(jié)合梯度直方圖和SVM 分類器實現(xiàn)目標識別并對水果等進行分類；Fan 等［19］建立了基于SVM 的焊縫識別系統(tǒng)。SVM 對計算資源和訓練樣本量要求相對較低，關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的實際需求，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備上進行驗證。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，并實現(xiàn)某微小執(zhí)行器組件的自動化裝配。

2 特征定位原理

2.1 基本過程

本文使用HOG 和LBP 復合特征訓練SVM并進行定位，如圖1 所示。具體過程如下：

圖1 特征定位向量機的訓練及應用Fig.1 Training and implementation of feature localization vector machine

（1）對多幅零件圖像進行圖像預處理，形成原始訓練集；

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

（3）對訓練樣本使用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練SVM；

（5）對目標圖像進行滑動搜索并利用SVM計算其相似度值，尋找相似度最大的位置作為熱點位置，實現(xiàn)準確定位的要求。

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)點是對光強變化不敏感。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)，分別為：

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v。然后進行歸一化處理，以消除擾動影響，令ε為很小的標準化向量，使用式（3）進行歸一化處理，計算出標準化向量vs。

用滑動窗口遍歷目標圖像，計算每塊中特征描述向量，最終將其連接形成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（gcx，gcy），其灰度值為Sc，設定P個采樣點，半徑為R，其中第k個采樣點，其坐標為。對于鄰域內(nèi)未直接落在像素方格中央的采樣點，其灰度值通過線性插值完成。計算得出各點的灰度值Sk后，與中心像素點相比較進行二值化處理，得到：

進而計算出不同采樣點的加權和，得到該位置的LBP 值：

HOG 特征對圖像的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，對微小零件進行綜合描述，有助于提高魯棒性和精度，融合采用向量化實現(xiàn)：設兩個特征的維數(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位置，隨后以此熱點位置為中心在下一層進行鄰域局部搜索，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 訓練

SVM 的訓練步驟如下：

（1）拍攝多光照強度、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相同尺寸，作為正樣本，并選取背景部分作為負樣本。

（3）構(gòu)建正樣本及負樣本的圖像金字塔，并進行上述計算生成對應的描述子。

（4）將每層金字塔的描述子連同對應的標簽導入訓練模型，進行最優(yōu)超平面的查找計算，訓練后得出分層特征識別模型。

3 自動化精密裝配設備

實驗在某微小執(zhí)行器組件的自動化精密裝配設備上進行。該設備能實現(xiàn)該組件上下料、夾持、吸附等系列操作，完成自動化裝配流程。其主要結(jié)構(gòu)如圖3 所示，包括：顯微視覺測量模塊，實現(xiàn)圖像采集，由相機（分辨率3088×2064）、鏡頭（1X）、光源和搭載光學元件的3 軸運動平臺（單軸重復定位精度0.5 μm）組成；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（重復定位精度0.3 μm）；上料機械臂模塊，負責對組裝夾具及待裝配零件進行上料操作；裝配作業(yè)模塊，精密裝配系統(tǒng)中的主要執(zhí)行模塊，負責零件拾取、搬運、對準和鎖緊等精密操作，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備Fig.3 Precise assembly equipment for actuator components

4 實驗結(jié)果與分析

4.1 穩(wěn)定性測試

特征定位算法應具有良好的單峰性，避免多峰現(xiàn)象對識別結(jié)果準確性的影響。將待測特征模板放置在作業(yè)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，在識別到的特征點附近進行寬度為60 像素方形范圍內(nèi)逐像素的相似度計算，繪制相似度網(wǎng)格圖，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。具體的特征定位結(jié)果及相似度峰值如圖4 所示。任意掩模板特征的單峰性明顯；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雜的某執(zhí)行器組件特征進行驗證，如圖5 所示。對于較為復雜的特征，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 光強變化對穩(wěn)定性的影響

由于實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，影響特征識別，因此采集多幅不同光強下的圖像實驗。選取同軸、環(huán)形光源的不同光強進行拍攝，對執(zhí)行器底座圓柱特征進行定位分析，實驗結(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)準確定位，有較好的魯棒性，能夠適應不同光強下特征定位要求，且未出現(xiàn)多峰現(xiàn)象。

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

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

圖7 復合特征與LBP 特征對比Fig.7 Comparison of compound feature and LBP feature

圖8 為HOG 特征及復合特征識別執(zhí)行器組件表面紋理特征的對比。復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，易導致定位失敗。

圖8 復合特征與HOG 特征對比Fig.8 Comparison of compound feature and HOG feature

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

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

4.2 準確性測試

首先，計算在X和Y方向的位置識別精度。將待識別零件放置于精密滑臺上，對焦后保持相機位置固定不變。以精密滑臺移動量為參照基準，每次同方向位移100 μm 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視野中的位置，得到特征歐氏距離并與滑臺位移比較，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3.93 μm 和3.78 μm。該算法具有較高的重復精度，且識別精度皆優(yōu)于4 μm。

圖9 X 和Y 方向的特征定位精度Fig. 9 Feature positioning accuracy at X and Y directions

4.3 批量裝配實驗

某執(zhí)行器組件的裝配同軸度與磁場均勻性密切相關。使用該自研設備進行其中兩個組件的自動化批量裝配，流程如圖10 所示。具體步驟為：

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

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

（2）作業(yè)機械臂末端吸附起組件夾具，將其搬運至裝配位置；

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

（4）機械臂進行下壓裝配，通過力傳感器伺服控制裝配力。

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。在能夠辨別的光強范圍內(nèi)隨機選取照明光強，模擬在亮度偏移情況下的裝配條件；使用上料模塊進行上下料操作，模擬振動等引起的零件位置偏差。連續(xù)進行10 組該組件裝配，表2 和表3 為HOG算子及LBP 算子參數(shù)以及實驗數(shù)據(jù)。由實驗結(jié)果可知，使用該識別方法引導裝配，裝配的執(zhí)行器組件同軸度偏差X方向最大為4.54 μm，均值為2.97 μm；Y方向最大值為6.13 μm，均值為3.81 μm；圓心偏差最大值為6.94 μm。在多種位置及光照強度下，該執(zhí)行器組件裝配均滿足同軸度要求。

表2 批量裝配實驗參數(shù)Tab.2 Experimental parameters of mass assembly

表3 裝配實驗結(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 顯微視覺定位算法，實現(xiàn)了某組件的批量自動化精密裝配定位。對其穩(wěn)定性和精度進行驗證，實驗結(jié)果表明，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的單峰性，較高的穩(wěn)定性和抗干擾能力；將融合特征與單一特征進行對比，得到融合特征識別準確率達到98%，高于單一特征；在準確性測試中，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，其定位精度優(yōu)于4 μm。

通過精密裝配設備進行某執(zhí)行器組件裝配實驗，實現(xiàn)了該組件的批量化裝配生產(chǎn)，其最終裝配精度優(yōu)于7 μm，驗證了該定位算法應用于批量精密裝配的可行性。