CN105214964A - 基于pca的瑕疵开关插座自动分拣装置及方法 - Google Patents

Abstract

本发明公开了一种基于PCA的瑕疵开关插座自动分拣装置及方法，包括产品检测器、上位机、图像获取单元、分拣信号控制单元和分拣执行结构，当产品检测器检测到随传送带运送过来的待测产品时，向上位机发送一个信号，上位机给图像获取单元发送图像获取命令，并对返回的图像进行分析处理，分拣信号控制单元根据上位机的辨别结果控制分拣执行机构的工作。本发明实现了生产线上开关插座表面质量自动检测。本发明方法具有操作方便、检测速度快、准确率高等特点。同时本发明适用范围广，稍加改动就可应用于同类产品上。

Description

基于PCA的瑕疵开关插座自动分拣装置及方法

技术领域

本发明主要采用PCA技术对开关插座表面的质量进行高速检测并进行分拣，应属于工业自动化产品生产线智能检测领域，具体涉及一种基于PCA的瑕疵开关插座自动分拣装置及方法。

背景技术

随着社会的发展与生活水平的提高，人们对家庭用电开关提出了更高的要求，而集成式的开关插座因其性能安全、结构美观得到了人们的亲睐。而在工业生产流程中，由于商标的印制与加工流程较多等原因，往往导致表面出现局部区域的瑕疵，从而影响了其美观程度。为了避免残次品流向市场，提高产品的出厂合格率，需要将不合格的开关插座分拣出来。而传统的分拣方式是通过专业人员进行分类剔除，由于检测周期较长，检测员往往由于疲劳致使错误率较高，同时由于分拣的主观性，检测的标准不一，导致出厂品质存在差异，并且效率低下。针对开关插座表面质量人工检测存在的缺陷，十分迫切需要引入一种基于计算机系统的在线自动检测系统，避免人工分拣的差异性，因此，开展流程工业过程产品自动检测、分拣，具有很高应用价值。

主成分分析(PrincipleComponentAnalysis,PCA)是最为常用的特征提取方法，被广泛应用到各领域，如图像处理、综合评价、语音识别、故障诊断等。它是将原来众多具有相关性的指标化为少数几个相互独立的综合指标的一种统计方法，试图在力保数据信息丢失最少的原则下，简化问题处理的难度并提高数据信息的信噪比，以改善抗干扰能力。即研究指标体系的少数几个线性组合，并且这几个线性组合所构成的综合指标将尽可能多地保留原来指标变异方面的信息，这些综合指标就称为主成分。主成分概念首先由Karlparson在1901年引进，不过当时只是对非随机变量进行讨论，1933年Hotelling将这个概念推广到随机向量。可见，PCA技术具有非接触，检测速度快，准确率高，检测结果客观可靠的特点，配合合适的检测算法可以迅速准确地检测开关插座面板表面瑕疵，并进行分拣。

发明内容

根据以上现有技术的不足，本发明所要解决的技术问题是提出一种基于PCA的瑕疵开关插座自动分拣装置及方法，通过计算机自动检测出表面具有瑕疵的开关插座，并将其分拣出来，以提高检测的效率和准确性。

为了解决上述技术问题，本发明采用的技术方案为：一种基于PCA的瑕疵开关插座自动分拣装置，包括产品检测器、上位机、图像获取单元、分拣信号控制单元和分拣执行结构，当产品检测器检测到随传送带运送过来的待测产品时，向上位机发送一个信号，上位机给图像获取单元发送图像获取命令，并对返回的图像进行分析处理，分拣信号控制单元根据上位机的辨别结果控制分拣执行机构的工作。所述分拣执行结构为通过两个相交斜面实现分拣的执行机构。所述产品检测器包括信号发射器和信号接收器，当待测产品挡住了信号发射器给信号接收器的信号时，给上位机一个触发信号。所述自动分拣装置还包括专用光源，所述专用光源为平板式LED光源，使待测产品表面不产生阴影。

基于PCA的瑕疵开关插座自动分拣方法，分拣方法具体步骤为：步骤一、检测传送带上是否有产品，以生成触发信号给上位机，若检测到有产品，则打开光源获取产品图像；步骤二、提取待检测开关插座表面图像特征的标准参数，利用PCA技术对所述标准参数进行主成分分析，得到各主成分的得分，将得分与预先设置的标准范围进行对比，实现次品和正品的辨别；步骤三、根据步骤二的辨别结构，控制分拣执行结构的工作状态，实现自动分拣。所述步骤二具体为：S01、首先提取正品的特征参数，选取p个数据样本，每个数据样本有p个特征参数，构建一个p*p阶的数据矩阵，并计算相关系数矩阵，由相关系数矩阵计算方程的特征根，由特征根得到特征值和特征向量；S02、分别计算主成分贡献率及累计贡献率，取累计贡献率达85％到95％的特征值对应的主成分；S03、计算主成分载荷，再进一步计算主成分的得分。所述步骤S01中的相关系数矩阵的相关系数r_ij(i,j＝1,2,…,p)为原变量的x_i与x_j之间的相关系数，其计算公式如下：

$r_{ij}=\frac{\underset{k=1}{\overset{n}{\Σ}}(x_{ki}-{\stackrel{\‾}{x}}_i)(x_{kj}-{\stackrel{\‾}{x}}_j)}{\sqrt{\underset{k=1}{\overset{n}{\Σ}}{(x_{ki}-{\stackrel{\‾}{x}}_i)}^2\underset{k=1}{\overset{n}{\Σ}}{(x_{kj}-{\stackrel{\‾}{x}}_j)}^2}},$

其中，x_ki表示第k数据样本的第i个特征参数；表示第i数据样本的特征参数均值；x_kj表示第k数据样本的第j个特征参数；表示第j数据样本的特征参数均值。

所述步骤S02中主成分贡献率及累计贡献率的表达式如下：

$\frac{{\mathrm{\λ}}_i}{\underset{k=1}{\overset{p}{\Σ}}{\mathrm{\λ}}_k},(i=1,2,...,p);\frac{\underset{k=1}{\overset{i}{\Σ}}{\mathrm{\λ}}_k}{\underset{k=1}{\overset{p}{\Σ}}{\mathrm{\λ}}_k},(i=1,2,...,p),$

其中，λ_i表示第i个特征值；表示p个特征值的累加；表示i个特征值的累加。

所述步骤S03中主成分载荷的计算公式如下：

$p(z_i,x_j)=\sqrt{{\mathrm{\λ}}_i}{e}_{ij},(i,j=1,2,...,p),$

其中，λ_i表示第i个特征值；e_ij表示第i个特征向量的第j个分量。

其中，特征参数包括灰度共生矩阵求取图像的熵、能量、均值、标准差与惯性矩；小波分解后细节图像的均值、方差值、最大值、小波信息熵、能量峰度值、方差曲线峰度值；灰度梯度共生矩阵获取图像的能量、灰度、梯度、混合熵、惯性、逆差矩、灰度平均、梯度平均、灰度均方差、梯度均方差、小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性。

本发明有益效果是:本发明实现了生产线上开关插座表面质量自动检测。本发明方法具有操作方便、检测速度快、准确率高等特点。同时本发明适用范围广，稍加改动就可应用于同类产品上。

附图说明

下面对本说明书附图所表达的内容及图中的标记作简要说明：

图1为本发明具体实施方式的开关插座检测分拣整体装置示意图；

图2为本发明具体实施方式的开关插座表面检测工作流程图；

图3为本发明具体实施方式的开关插座表面图像特征参数对比流程图；

图4为本发明具体实施方式的所采样的合格开关插座表面图像示意图；

图5(a)为本发明具体实施方式的检测存在瑕疵开关插座表面图像示意图一；

图5(b)为本发明具体实施方式的检测存在瑕疵开关插座表面图像示意图二；

图6(a)为本发明具体实施方式的存在瑕疵开关插座图像处理轮廓示意图一；

图6(b)为本发明具体实施方式的存在瑕疵开关插座图像处理轮廓示意图二；

具体实施方式

下面对照附图，通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

一种基于PCA的瑕疵开关插座自动分拣装置，包括产品检测器、上位机、图像获取单元、分拣信号控制单元和分拣执行结构，当产品检测器检测到随传送带运送过来的待测产品时，向上位机发送一个信号，上位机给图像获取单元发送图像获取命令，并对返回的图像进行分析处理，分拣信号控制单元根据上位机的辨别结果控制分拣执行机构的工作。所述分拣执行结构为通过两个相交斜面实现分拣的执行机构。所述产品检测器包括信号发射器和信号接收器，当待测产品挡住了信号发射器给信号接收器的信号时，给上位机一个触发信号。所述自动分拣装置还包括专用光源，所述专用光源为平板式LED光源，使待测产品表面不产生阴影。

一种基于PCA技术的开关插座表面瑕疵智能检测方法，该方法利用专用光源为待检测物体提供照明，同时采用高速工业照相机采集其表面的图像信息，并将所采集的信息传输到图像处理系统中。本发明的关键是对图像进行处理，以确定表面是否具有瑕疵。最后，根据所处理的结果输出控制信号，以实现分拣模块对瑕疵产品的自动剔除。

所述专用光源为平板式LED光源，为待检测产品提供照明，使其表面不产生阴影，以达到图像清晰采集的目的。

所述高速工业照相机为单色面阵扫描相机，所述高速工业照相机可附加到生产流水线上，其安装位置能对开关插座面板表面进行精确地拍摄。

所述处理软件用于处理所采集产品的图像信息，具体处理流程包括：

1)获取待检测开关插座表面图像特征的标准参数。检测前需利用PCA技术对一定数量合格产品进行特征标准参数的计算，为后期的自动识别瑕疵产品提供参考数据。选取的特征包括：灰度共生矩阵求取图像的熵、能量、均值、标准差与惯性矩，共5个特征；小波分解后细节图像的均值、方差值、最大值、小波信息熵、能量峰度值、方差曲线峰度值，共6个特征；灰度梯度共生矩阵获取图像的能量、灰度、梯度、混合熵、惯性、逆差矩、灰度平均、梯度平均、灰度均方差、梯度均方差、小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性，共14个特征。

为了获取标准的参考数据，现利用PCA技术对上述25个特征进行主成分分析。设p个数据样本，每个样本有p个特征参数，这样就构成了一个p×p阶的数据矩阵，如下：

$X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& ...& x_{1p}\\ x_{21}& x_{22}& ...& x_{2p}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{p1}& x_{p2}& ...& x_{pp}\end{array}\right]---\left(1\right)$

计算相关系数矩阵：

$R=\left[\begin{array}{cccc}{r}_{11}& r_{12}& ...& r_{1p}\\ r_{21}& r_{22}& ...& r_{2p}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ r_{p1}& r_{p2}& ...& r_{pp}\end{array}\right]---\left(2\right)$

其中，r_ij(i,j＝1,2,…,p)为原变量的x_i与x_j之间的相关系数，其计算公式如下： $r_{ij}=\frac{\underset{k=1}{\overset{n}{\Σ}}(x_{ki}-{\stackrel{\‾}{x}}_i)(x_{kj}-{\stackrel{\‾}{x}}_j)}{\sqrt{\underset{k=1}{\overset{n}{\Σ}}{(x_{ki}-{\stackrel{\‾}{x}}_i)}^2\underset{k=1}{\overset{n}{\Σ}}{(x_{kj}-{\stackrel{\‾}{x}}_j)}^2}}---\left(3\right)$

因为R是实对称矩阵(即r_ij＝r_ji)，所以只需计算上三角元素或下三角元素即可。

由式(2)计算方程的特征根，则特征方程｜λI-R｜＝0，通常用雅可比法(Jacobi)求出特征值并使其按大小顺序排列，即λ₁≥λ₂≥…,≥λ_p≥0；然后分别求出对应于特征值λ_i的特征向量e_i(i＝1,2,…,p)。这里要求｜｜e_i｜｜＝1，即其中e_ij表示向量e_i的第j个分量。

分别计算出主成分贡献率及累计贡献率，其表达式分别如下所示：

$\frac{{\mathrm{\λ}}_i}{\underset{k=1}{\overset{p}{\Σ}}{\mathrm{\λ}}_k},(i=1,2,...,p);\frac{\underset{k=1}{\overset{i}{\Σ}}{\mathrm{\λ}}_k}{\underset{k=1}{\overset{p}{\Σ}}{\mathrm{\λ}}_k},(i=1,2,...,p)---\left(5\right)$

一般取累计贡献率达85—95％的特征值λ₁,λ₂,…,λ_m所对应的第一、第二，…，第m(m≤p)个主成分。

计算主成分载荷，其计算公式如下所示：

$l_{ij}=p(z_i,x_j)=\sqrt{{\mathrm{\λ}}_i}{e}_{ij},(i,j=1,2,...,p)---\left(6\right)$

得到各主成分的载荷以后，可以进一步计算，得到各主成分的得分：

$Z=\left[\begin{array}{cccc}{z}_{11}& z_{12}& ...& z_{1m}\\ z_{21}& z_{22}& ...& z_{2m}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ z_{n1}& z_{n2}& ...& z_{nm}\end{array}\right]---\left(7\right)$

2)设置检测参数的范围。通过调整上述标准参数，以设定检测产品的合格参数范围。

3)获取工业生产线上待检测产品的参数，其计算公式如式(1)-(7)。

4)将步骤3)所获取的参数与步骤1)统计出的标准参数进行比较，若超出步骤2)所设置的参数范围，说明产品表面具有瑕疵，则发出自动分拣控制信号，否则，为合格产品。

所述开关插座自动分拣单元包括，分拣信号控制器、平行导轨与分拣装置，所述分拣信号控制器与计算机相连，主要作用为接受计算机信号与发出分拣控制信号，所述平行导轨为分拣装置提供运动的轨迹，所述分拣装置为一个三角体，其内部包含控制电机以实现分拣装置的左右运动。

本发明所述的开关插座表面检测装置如图1所示，图1中包括产品传送带101，待检测开关插座102，箭头103代表传送方向，专用LED光源104，专用LED光源控制器105，高速工业照相机106，信号发射器107，信号接收器108，分拣信号控制单元109，分拣装置110，平行导轨111，表面瑕疵产品收集箱112，合格产品收集箱113，计算机114。

本发明开关插座表面检测流程图如图2，分四个过程：201为检测传送带是否有产品，以生成触发信号：其具体为产品传送带101带动开关插座102按方向103快速移动，经过信号发射器107与信号接收器108之间时，导致信号接收器108无法接收信号，从而产生触发信号并向计算机114发出信号；202为控制高速工业相机获取图像过程：计算机114发出控制信号给专用LED光源控制器105，使其控制专用LED光源104照亮待检测产品，同时计算机114控制高速工业照相机106获取图像；203为图像处理并发出分拣信号过程：利用上述的PCA技术对所获取的图像进行处理，若发现开关插座表面存在瑕疵，则发出分拣信号给分拣信号控制单元109；204为根据控制器发出的信号对产品进行自动分拣：若发出的信号为瑕疵分拣信号，则控制分拣装置110沿平行导轨111向外运动，使产品分拣到瑕疵产品收集箱112中，否则向内运动，使产品分拣到合格产品收集箱113中，以完成产品的自动分拣。

本发明开关插座表面图像特征参数对比流程图如图3所示，首先301传送带上检测到产品，检测的瑕疵产品如图5所示，302对所获取图像进行特征信息提取，303利用PCA技术对特征信息进行分析，并求得其参数，其计算公式如式(1)-(7)。同时304检测合格产品信息，检测的合格产品如图4所示，305获取合格产品图像进行特征信息提取，306利用PCA技术对特征信息进行分析，以求得其参数，计算公式如式(1)-(7)，并根据标准参数设定产品参数范围307。在此基础上，308将303求得参数与307设定参数进行比较，并将开关插座出现瑕疵之处标记出来，其示意图如图6所示，其中图6(a)、6(b)分别表示表面含有污点与插座口有破损(已将破损的插座口全部标记出来)的瑕疵轮廓示意图。最后，根据图像识别的结果产生分拣信号，实现产品的自动分拣。

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。本发明的保护范围应该以权利要求书所限定的保护范围为准。

Claims (10)

1.一种基于PCA的瑕疵开关插座自动分拣装置，其特征在于,包括产品检测器、上位机、图像获取单元、分拣信号控制单元和分拣执行结构，当产品检测器检测到随传送带运送过来的待测产品时，向上位机发送一个信号，上位机给图像获取单元发送图像获取命令，并对返回的图像进行分析处理，分拣信号控制单元根据上位机的辨别结果控制分拣执行机构的工作。

2.根据权利要求1所述的基于PCA的瑕疵开关插座自动分拣装置，其特征在于,所述分拣执行结构为通过两个相交斜面实现分拣的执行机构。

3.根据权利要求1所述的基于PCA的瑕疵开关插座自动分拣装置，其特征在于,所述产品检测器包括信号发射器和信号接收器，当待测产品挡住了信号发射器给信号接收器的信号时，给上位机一个触发信号。

4.根据权利要求1所述的基于PCA的瑕疵开关插座自动分拣装置，其特征在于,所述自动分拣装置还包括专用光源，所述专用光源为平板式LED光源，使待测产品表面不产生阴影。

5.根据权利要求1-4任意一项所述的基于PCA的瑕疵开关插座自动分拣方法，其特征在于,分拣方法具体步骤为：

步骤一、检测传送带上是否有产品，以生成触发信号给上位机，若检测到有产品，则打开光源获取产品图像；

步骤二、提取待检测开关插座表面图像特征的特征参数，利用PCA技术对所述特征参数进行主成分分析，得到各主成分的得分，将得分与预先设置的标准范围进行对比，实现次品和正品的辨别；

步骤三、根据步骤二的辨别结构，控制分拣执行结构的工作状态，实现自动分拣。

6.根据权利要求5所述的基于PCA的瑕疵开关插座自动分拣方法，其特征在于,所述步骤二具体为：

S01、首先提取正品的特征参数，选取p个数据样本，每个数据样本有p个特征参数，构建一个p*p阶的数据矩阵，并计算相关系数矩阵，由相关系数矩阵计算方程的特征根，由特征根得到特征值和特征向量；

S02、分别计算主成分贡献率及累计贡献率，取累计贡献率达85％到95％的特征值对应的主成分；

S03、计算主成分载荷，再进一步计算主成分的得分。

7.根据权利要求6所述的基于PCA的瑕疵开关插座自动分拣方法，其特征在于,所述步骤S01中的相关系数矩阵的相关系数r_ij(i,j＝1,2,…,p)为原变量的x_i与x_j之间的相关系数，其计算公式如下：

$r_{ij}=\frac{\underset{k=1}{\overset{n}{\Σ}}(x_{ki}-{\stackrel{\‾}{x}}_i)(x_{kj}-{\stackrel{\‾}{x}}_j)}{\sqrt{\underset{k=1}{\overset{n}{\Σ}}{(x_{ki}-{\stackrel{\‾}{x}}_i)}^2\underset{k=1}{\overset{n}{\Σ}}{(x_{kj}-{\stackrel{\‾}{x}}_j)}^2}},$

其中，x_ki表示第k数据样本的第i个特征参数；表示第i数据样本的特征参数均值；x_kj表示第k数据样本的第j个特征参数；表示第j数据样本的特征参数均值。

8.根据权利要求7所述的基于PCA的瑕疵开关插座自动分拣方法，其特征在于,所述步骤S02中主成分贡献率及累计贡献率的表达式如下：

$\frac{{\mathrm{\λ}}_i}{\underset{k=1}{\overset{p}{\Σ}}{\mathrm{\λ}}_k},(i=1,2,...,p);\frac{\underset{k=1}{\overset{i}{\Σ}}{\mathrm{\λ}}_k}{\underset{k=1}{\overset{p}{\Σ}}{\mathrm{\λ}}_k},(i=1,2,...,p),$

其中，λ_i表示第i个特征值；表示p个特征值的累加；表示i个特征值的累加。

9.根据权利要求8所述的基于PCA的瑕疵开关插座自动分拣方法，其特征在于,所述步骤S03中主成分载荷的计算公式如下：

$p(z_i,x_j)=\sqrt{{\mathrm{\λ}}_i}{e}_{ij}(i,j=1,2,...,p),$

其中，λ_i表示第i个特征值；e_ij表示第i个特征向量的第j个分量。

10.根据权利要求5所述的基于PCA的瑕疵开关插座自动分拣方法，其特征在于,所述特征参数包括灰度共生矩阵求取图像的熵、能量、均值、标准差与惯性矩；小波分解后细节图像的均值、方差值、最大值、小波信息熵、能量峰度值、方差曲线峰度值；灰度梯度共生矩阵获取图像的能量、灰度、梯度、混合熵、惯性、逆差矩、灰度平均、梯度平均、灰度均方差、梯度均方差、小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性。