CN103034845A - 面向装配的微零件对称边缘亚微米精度特征识别方法 - Google Patents
面向装配的微零件对称边缘亚微米精度特征识别方法 Download PDFInfo
- Publication number
- CN103034845A CN103034845A CN2012105323058A CN201210532305A CN103034845A CN 103034845 A CN103034845 A CN 103034845A CN 2012105323058 A CN2012105323058 A CN 2012105323058A CN 201210532305 A CN201210532305 A CN 201210532305A CN 103034845 A CN103034845 A CN 103034845A
- Authority
- CN
- China
- Prior art keywords
- edge
- symmetrical
- image
- region
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
该方法先判定目标和基体零件加工工艺,确定装配对位边缘关键特征,对装配对位图像进行边缘对称性的初检测,确定装配的目标和基体的装配对位关键特征提取区,提取边缘过渡区,其是一个二维区域,其像素的灰度级别是由两个一维的灰度空间边界来界定的,梯度算子不是提取边缘过渡区域的最佳测度参数,获得对称边缘的边界区域后,进行感兴趣区(ROI)的选取。本发明将具有边缘对称特性的感兴趣区与其区域灰度分布的统计计算相结合来拟合对称区域的相似对称基准线为装配对位的误差补偿提供数据,有效避开了图像真实边缘的计算提取,比较目标和基体零件对称中心线的位置误差获取补偿量,提高了对位识别的速度和装配对位精度,装配对位精度可达亚微米。
Description
技术领域
面向装配的微零件对称边缘亚微米精度特征识别方法,特别涉及具有边缘对称特性的微小型结构件的装配对位,属于微检测、微操作与微装配领域。
背景技术
装配对位关键特征的提取与识别是基于显微机器视觉的微装配系统实现高精度微小型结构件装配的关键步骤之一。其识别精度的高低直接影响微小型结构件的整体装配精度,对提高微小型结构件装配的成功率和精度有着至关重要的作用。
微机电系统(MEMS)技术的发展,使得微装配的工作对象不断趋向小型化和微型化,而装配精度要求在微米甚至亚微米级,将显微机器视觉引入微装配领域是目前国内外微装配系统研究普遍采用的方法。机器视觉技术的飞速发展,也为微装配的研究提供了支撑。传统边缘特征的提取与识别主要考虑的是图像的每个像素在某一邻域的灰度差异变化,利用边缘邻近一阶或二阶方向导数变化规律来获取边缘特征。显微图像的获取与普通图像相比往往会受到成像系统、照明光源和客观条件的限制,存在诸如噪声多、边缘细节不够清晰的状况,给准确的提取图像的真实边缘带来一定困难。
相对于微装配图像边缘特征提取而言,由于受到分辨率、工作距离和精度的限制,CCD成像系统的视场通常比较小,可能无法获取目标或基体零件全部的图像。当然,目标和基体零件装配对位边缘特征的获取也并不需要整个零件全部的图像信息,为提高系统的计算的速度和效率,只对装配对准关键特征边缘区域图像进行选取,根据每个零件特有的对准特征,采用目标规划区域分割的方法,将冗余的图像自动剔除。对小工作距离、大放大倍数的显微检测或测量视觉系统采用背光的照明方式。很明显,采用背光打光的方式获取的图像清晰,噪声点少,边缘轮廓清晰,对于其边缘特征提取也相对简单。对于微装配系统,很多情况下,视觉系统获取的图像清晰度不够理想,传统的边缘提取识别方法获得的装配对位特征往往无法获得真实的图像边缘,依据伪边缘的计算结果来完成装配,其结果在高精度场合往往不够理想。
从目前国内外基于机器视觉的微装配领域的研究成果来看,针对装配对象的目标和基体零件的装配对位关键特征的提取识别计算提出了不同的方案。
总得来说,随着微装配理论的不断发展,近年来国内外在基于显微机器视觉的微小型结构件的装配对位关键特征的提取识别方面取得了很大的进步,但诸多研究成果几乎都是基于传统的边缘特征提取识别方法,或是其方法的改进。
发明内容
为了提高微装配系统对微小型结构件的装配精度,本发明提出面向装配基于显微机器视觉的微装配伺服系统的微小型结构件对称边缘亚微米级精度特征识别方法,该方法可清晰地识别具有对称边缘特征的微小型结构件的边缘特征,识别精度可达亚微米级。通过间接计算的方法有效避免在微装配对位过程中,由于图像质量不够理想造成的边缘特征提取的误差。采用的基于对称边缘特征的微小型结构件装配对位关键特征提取与识别方法,使该类微小型结构件装配对位的精度和成功率得到提高。
本发明采用的面向装配的微小型结构件对称边缘亚微米级精度特征识别方法如下:
(1)首先对相机获取的目标和基体零件装配对位图像进行预处理:包括图像灰度化和图像边缘增强;
(2)确定检测目标微小型结构件的加工工艺类型和关键装配对位边缘关键特征;
(3)采用对称差分的方法对原图像进行直线类或圆弧类装配对位关键特征的初检测,用以判断目标和基体零件在装配对位过程中,在不同方向上的装配对位关键特征的选取;
(4)通常采用的梯度算子一般只能描述图像灰度突变的信息,无法体现过去区域的二维特征,所以,梯度算子不是提取过渡区的最佳测度参数。采用图像有效平均梯度(EAG)的计算和对图像灰度的剪切来操作确定;
a.设f(i,j)代表图像的灰度,(i,j)∈S,S表示图像像素空间坐标的整数集。令g(i,J)为图像的梯度函数,则EAG可定义为:
其中:
为总梯度和,
为梯度不为零的像素总数。
b.由公式(1)可知,在计算EAG时,只用到了非零梯度的像素,而且EAG是图像中非零像素的平均梯度,在这里代表的是图像中的一个有选择的统计量。
(4)感兴趣区(ROI)的选取,通过(3)对图像边缘过渡区的计算可以初步的确定感兴趣区的分布范围,根据(2)获得目标和基体零件对称边缘信息,来精确选取感兴趣区。
本发明在感兴趣的精确选取后,首先对该区的图像的分度分布进行统计分析,目标和基体零件分别的边缘感兴趣区域具有分度分布的相似性。在相同条件下,目标和基体零件的对称边缘感兴趣区的灰度分布具有加工特性的像素灰度分布。
附图说明
图1实验装配对位系统实施原理图;
图2对称边缘特征提取方法实现原理图;
图3面向装配的微零件对称边缘亚微米精度特征识别方法实现流程框图;
具体实施方式
下面结合附图对本发明作进一步详细的说明:图1是实验装配对位系统实施原理图,如图1所示,本发明实施实验原理例图,其中包括,CCD相机及显微镜头、光学棱镜、6DOF微动平台、机械摆臂及真空吸嘴和附属机械机构。摆臂在初始的0°位上料,完成上料后绕轴旋转到90°位,目标零件和基体零件同时进入相机的像平面。采用本发明提出的方法采用该装配对位原理结构可完成具体的微小型结构件的装配过程。
实施例1,面向装配的微零件对称边缘亚微米精度特征识别方法硬件结构主要由CCD相机及显微镜头1、照明光源2、图像采集卡3、主控计算机4、光学棱镜5、微动平台6,机械摆臂7构成。CCD相机及镜头采取单悬臂固定的方式并配合手动调节旋钮,用以调节镜头合适的工作距离。棱镜及固定在摆臂上零件和微动平台夹持器上的基体零件的垂直线焦点位置。用于照明的目标和基体零件光源固定在棱镜的两个侧面。
如图2所示,对称边缘特征提取识别实现原理图。A区域为基体零件,B区域为目标零件,其中,P1,P2,P3,P4为装配对准特征边缘线。传统的装配对准边缘提取算法,是通过边缘特征提取算法来获得目标和基体零件的边缘图像,即获得P1、P2、P3和P4的位置信息,进而计算出其在图像坐标系的位置,在实际的装配对位过程中,通常只选取其中的P1、P2或P3、P4组合来计算处理。假设以边缘P1为基准来计算P1和P2之间在图像坐标系的绝对误差量,并计算出反馈给微动平台坐标系的误差补偿量,完成对称操作。对称特征法,摒弃传统的边缘提取算法的纯粹的提取图像边缘的方法,通过寻找目标零件和基体的中心线来计算图像位置误差补偿量,即分别计算目标和基体零件的中心P0和P0’所在的位置,然后计算P0与P0’之间的位置误差,并通过坐标系转换的方式计算实际的位置误差补偿量。
面向装配的微零件对称边缘亚微米精度特征识别方法具体实现如下:
原始目标和基体零件装配对位原始图像获取,采用黑白相机无需对原图像进行灰度化的转换,图像灰度化通常采用的方法一般是加权平均法,平均值法和最大值法。
对称边缘过渡区的提取,在使用有效平均梯度时,通常需定义如下的灰度剪切变换函数:
高端剪切函数
低端剪切函数
其中,L为图像的灰度数值(0~255)。
在使用EAG对图像进行边缘过渡区域提取时,先根据剪切值计算出EAGlow(L)和EAGhigh(L)的值。
典型的EAG(L)~L曲线为单极值曲线,均只有一个极值点,并将取得极值点处对应的灰度值记为Llow,Lhigh,即:
Llow=arg{max[EAGlow(L)]}
Lhigh=arg{max[EAGhigh(L)]}
这两个极值点对应的灰度值被认为是过渡区域对应的边界灰度值,由这两个值分出来的图像区域就是过渡区,在实际的应用中,由于显微图像边缘的特殊性,还需要对提取的边缘区域进行适当的伸缩。
感兴趣区(ROI)选取,该步骤对应图2中的c1、c2和c3、c4区,c1、c2区对应的是基体零件的感兴趣区,c3、c4区对应的是目标零件感兴趣区,对于不同的零件装配对位边缘关键特征会有所不同,可能出现的特征类别也不尽相同,而且感兴趣的位置不是固定的,会根据具体的情况进行相应的改变。
灰度统计分析,采取基于排序统计分析的图像边缘增强滤波器(OSEEF)。设输入信号xi,1≤i≤N,滤波窗中心样本点为x*,经过排序后得到序列x(i),满足x(1)≤x(2)≤x(3)≤●●●≤x(N),构成点集X,Xl和Xh是其两个子集,划分如下:
Xl:x(1+k1),●●●x(n1)
Xh:x(n2),●●●x(N-k2)
式中:0≤k1≤N-n1,0≤k2≤n2-1.H(●)为对子集的某种运算,可采用
平均滤波算子
定义D为:
D=H(Xh)-H(Xl)*
定义y*为:
定义T为某个阈值,则OSEEF滤波器的输出y为:
对称边缘拟合,获得感兴趣区后就是根据前面的计算来拟合具有相似特征的对称基准线,从前面的分析可以知道目标和基体零件在相同的加工条件下,其边缘的感兴趣区各个像素点的灰度分布具有相似性的特征。在此特征的基础上,通过Hough变换来拟合对称相似基准线,根据实际零件的不同,其装配对位关键边缘特征会有所不同,轴孔类的微小结构件装配的对位关键特征是圆弧,而平板类方形槽的配合关系则直线段是装配对位关键特征的选取方法。在实际的应用中得到的灰度边缘点在实际应用中图像中得到的边缘点(xi,yi)是采用参数方程ρ=xicisθ+yisinθ,其中,ρ代表直线到原点的垂直距离,θ代表X轴到直线垂线的角度。通过求出ρ,θ就可以得到边缘的直线或曲线方程。
误差补偿计算,上述过程的最终目标是实现微小型结构件的无损、高精度装配,装配对位工程中绝对的位置误差是最后必须获取的补偿数据,通过图像坐标系得到的误差计算数值经过坐标系的转换可以得到实际的微动平台坐标系的误差位移量。
图5,采用传统边缘提取方法与本发明提出的方法装配精度对比分析,如图5所示,包括实际装配对位实际零件显微视觉图像,采用本发明提出的方法选定目标零件和基体零件的感兴趣区即:基体选择区1、2和目标零件选择区1,、2。通过对装配对位关键特征的初检测判断对原图像进行了图像分割得到处理图像区,即零件局部图,对获取的局部图像进行传统边缘方法,提取获取其边缘特征,可以看出其边缘分布成典型的锯齿分布特性,无法确切的知道真实边缘分布在齿顶还是齿底部位,其像素分布宽度跨越3个像素,即真实边缘位置可能是图示中的红色或绿色位置,或位于在这个三个像素分布宽度范围内的某个位置。通过对装配系统相机的标定可以知道单个像素所占宽度为1.51μm/pixel,其误差分布范围为[0,4.53]微米之间。采用本发明提出的方法,选取的感兴趣区域分布范围内,统计分析感兴趣区的灰度分布情况,摒弃真实边缘的寻找计算,直接拟合中心,采用中心线对比方法得到的结果能够将精度提高0.5个像素宽度,对于本微装配系统其提高大概0.8个微米的精度范围。根据实际的装配系统的相机及镜头系统的差异有一定的差异,但该方法可将装配对位识别精度提高到亚微米精度。
Claims (4)
1.面向装配的微零件对称边缘亚微米精度特征识别方法,所述方法是基于显微机器视觉的微装配对位关键特征提取识别方法,识别精度达到亚微米级,通过对称边缘的特征预判断获取具有对称特性的直线类或圆弧类特征目标零件和基体零件的精确位置和相对位置,其具体包括下列步骤:
(1)确定微小型结构件的加工工艺类型和关键装配边缘特征;
(2)对相机获取的微小型零件图像信息进行预处理:包括彩色图像的灰度化、图像边缘增强;
(3)基于边缘对称特性的初检测,先利用对称差分提取图像窗口中的直线类或圆弧类边缘,初步判断装配图像中具有对称特性的边缘分布;
(4)进行装配对位的微小型目标和基体零件直线或圆弧边缘对称特性的计算;
(5)通过对称特征获取零件的精确位置和目标与基体零件的相对位置。
2.根据权利要求1所述的获取对称边缘过渡区的方法,其特征在于:
(1)对原装配对位图像进行区域分割,滤除非相关区域,获取装配对位关键特征图像计算区;
(2)获取目标和基体零件对称边缘过渡区的图像灰度信息,选取感兴趣区(ROI),该区域的正确选取是保证装配对位的关键。
3.根据权利要求1所述的目标和基体零件对称边缘具有相似特性的感兴趣区(ROI)获取方法,其特征在于:
(1)感兴趣区(ROI)灰度统计分析,采用曲面拟合的检测方法,考察以像素点p为中心的圆形领域Wp,假设圆中有一阶边缘AA′,平坦图像模型假设图像中的物体表面都是平坦的:即灰度级不变化,只有在边缘处或物体的轮廓处灰度级才会从一个常数变为另外一个常数;
(2)获取感兴趣区(ROI)的相似边缘拟合线后,以该拟合线分别为目标和基体零件的对称边缘计算基准线,分别计算目标零件和基体零件的对称中心线的误差;
(3)将计算获得的图像位置误差通过坐标系转换后得到精确的目标和基体零件的误差补偿量,完成微装配过程。
4.根据权利要求1所述的亚微米级精度特征识别方法,其特征在于:
通过对不同加工工艺的微小型结构件边缘像素分布的分析,摒弃传统方法对装配对位图像关键边缘特征的计算(不直接提取离散数值点),传统的边缘提取识别算法获取的零件边缘特征通常具有锯齿状分布的边缘特性,对于高倍率、小视场的显微图像,边缘分布通常会占住3个像素的区域分布,采用对称边缘提取识别方法,就可以提高计算精度到0.5个像素左右的精度,其特征提取识别精度可达亚微米。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210532305.8A CN103034845B (zh) | 2012-12-11 | 2012-12-11 | 面向装配的微零件对称边缘亚微米精度特征识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210532305.8A CN103034845B (zh) | 2012-12-11 | 2012-12-11 | 面向装配的微零件对称边缘亚微米精度特征识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103034845A true CN103034845A (zh) | 2013-04-10 |
CN103034845B CN103034845B (zh) | 2018-06-05 |
Family
ID=48021724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210532305.8A Active CN103034845B (zh) | 2012-12-11 | 2012-12-11 | 面向装配的微零件对称边缘亚微米精度特征识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103034845B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103341750A (zh) * | 2013-07-12 | 2013-10-09 | 中国科学院自动化研究所 | 一种用于柔性微零件的装配系统与方法 |
CN113020428A (zh) * | 2021-03-24 | 2021-06-25 | 北京理工大学 | 级进模的加工监控方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101650156A (zh) * | 2009-08-20 | 2010-02-17 | 吉林大学 | 超塑性非球面自由胀形几何参数测量装置和方法 |
CN101673397A (zh) * | 2009-09-30 | 2010-03-17 | 青岛大学 | 一种基于lcd的数码相机非线性标定方法 |
-
2012
- 2012-12-11 CN CN201210532305.8A patent/CN103034845B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101650156A (zh) * | 2009-08-20 | 2010-02-17 | 吉林大学 | 超塑性非球面自由胀形几何参数测量装置和方法 |
CN101673397A (zh) * | 2009-09-30 | 2010-03-17 | 青岛大学 | 一种基于lcd的数码相机非线性标定方法 |
Non-Patent Citations (1)
Title |
---|
唐永龙 等: ""微装配正交精确对准系统的设计"", 《光学 精密工程》, vol. 20, no. 7, 25 July 2012 (2012-07-25) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103341750A (zh) * | 2013-07-12 | 2013-10-09 | 中国科学院自动化研究所 | 一种用于柔性微零件的装配系统与方法 |
CN103341750B (zh) * | 2013-07-12 | 2015-11-18 | 中国科学院自动化研究所 | 一种用于柔性微零件的装配系统与方法 |
CN113020428A (zh) * | 2021-03-24 | 2021-06-25 | 北京理工大学 | 级进模的加工监控方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103034845B (zh) | 2018-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105488454B (zh) | 基于单目视觉的前方车辆检测与测距 | |
CN103345755B (zh) | 一种基于Harris算子的棋盘格角点亚像素提取方法 | |
Adams et al. | The southampton-york natural scenes (syns) dataset: Statistics of surface attitude | |
Timofte et al. | Multi-view traffic sign detection, recognition, and 3D localisation | |
WO2018202454A2 (de) | Bestimmen von kontextinformation für wechselkomponenten eines optischen systems | |
EP2741267B1 (en) | Vehicle detection device and vehicle detection method | |
CN101406390B (zh) | 检测人体部位和人的方法和设备以及对象检测方法和设备 | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
US20120236120A1 (en) | Automatic stereological analysis of biological tissue including section thickness determination | |
JPH10506461A (ja) | 顕微鏡スライドガラスのカバーガラスを検出するための方法と装置 | |
CN103426186A (zh) | 一种改进的surf快速匹配方法 | |
CN108007388A (zh) | 一种基于机器视觉的转盘角度高精度在线测量方法 | |
CN106355197A (zh) | 基于K‑means聚类算法的导航图像匹配过滤方法 | |
CN105547834A (zh) | 基于双目视觉的快速应力应变曲线测量系统及方法 | |
CN108645375B (zh) | 一种用于车载双目系统快速车辆测距优化方法 | |
CN111626933A (zh) | 一种精准、快速的显微图像拼接方法及系统 | |
CN109727279B (zh) | 一种矢量数据与遥感影像的自动配准方法 | |
CN110146974A (zh) | 一种智能生物显微镜 | |
CN112674998B (zh) | 基于快速深度神经网络和移动智能设备的盲人交通路口辅助方法 | |
CN103778616A (zh) | 基于区域的对比度金字塔图像融合方法 | |
CN108088444A (zh) | 基于三维激光的室内点云地图生成系统及方法 | |
CN103033127A (zh) | 一种基板预对准位姿测量方法 | |
CN110866918A (zh) | 酵母分析方法 | |
CN103034845A (zh) | 面向装配的微零件对称边缘亚微米精度特征识别方法 | |
Rai Dastidar | Automated focus distance estimation for digital microscopy using deep convolutional neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |