基于AdaBoost的具有多特征薄膜電容器端蓋的識(shí)別算法研究*

劉磊 王紅軍 周偉亮 方雅媚 董力中 鄒湘軍

?

基于AdaBoost的具有多特征薄膜電容器端蓋的識(shí)別算法研究*

劉磊 王紅軍 周偉亮 方雅媚 董力中 鄒湘軍

（華南農(nóng)業(yè)大學(xué)工程學(xué)院）

針對薄膜電容器端蓋裝配生產(chǎn)中需要調(diào)整端蓋引腳角度，實(shí)現(xiàn)自動(dòng)焊接的工藝要求，提出一種基于AdaBoost算法對隨機(jī)堆疊的薄膜電容器端蓋進(jìn)行自動(dòng)識(shí)別并解算端蓋引腳偏轉(zhuǎn)角度的方法，實(shí)現(xiàn)根據(jù)圓形端蓋上引腳排列方位自動(dòng)排序的功能。首先基于圖片的LBP特征，用AdaBoost算法根據(jù)樣本訓(xùn)練出一批弱分類器，經(jīng)篩選、加權(quán)組合成一個(gè)強(qiáng)分類器，分別對端蓋整體和引腳端子進(jìn)行識(shí)別，考慮到該目標(biāo)具有多特征這一特性，即目標(biāo)物體上還有2個(gè)引線端子特征，可根據(jù)引腳端子與端蓋整體的所屬關(guān)系濾去誤檢測目標(biāo)；然后根據(jù)端蓋上識(shí)別出的2個(gè)引腳端子特征，自動(dòng)確定引腳端子的中心點(diǎn)坐標(biāo)，將2個(gè)中心點(diǎn)連線，以水平向右方向?yàn)閰⒄?，?jì)算出引腳排列方位的偏轉(zhuǎn)角度；最后搭建薄膜電容器端蓋自動(dòng)排序?qū)嶒?yàn)平臺(tái)，在自然光照條件下，對6個(gè)端蓋進(jìn)行50次隨機(jī)位置組合，采集了50張圖片，利用所提出的算法對60張測試圖片進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明：每個(gè)工件平均識(shí)別時(shí)長0.18 s，工件識(shí)別率達(dá)到99.8%，角度偏差0.42°；可滿足相互堆疊的薄膜電容器端蓋自動(dòng)排序的識(shí)別要求。

薄膜電容器；LBP特征；AdaBoost算法；裝配部件識(shí)別

0 引言

我國是全球最大的電容器生產(chǎn)國和出口國，同時(shí)也是電容器消費(fèi)大國。新能源產(chǎn)業(yè)的快速發(fā)展更是推動(dòng)薄膜電容器市場需求不斷增加[1-2]。為克服薄膜電容器組裝自動(dòng)化程度低，優(yōu)化生產(chǎn)制造工藝，薄膜電容器的自動(dòng)化柔性生產(chǎn)成為必然趨勢。另外，機(jī)器視覺技術(shù)具有非接觸、實(shí)時(shí)性高、工作較穩(wěn)定等特點(diǎn)[3]，廣泛應(yīng)用于工業(yè)分揀、測量和檢測等場合[4]。安川機(jī)器人有限公司開發(fā)一套基于機(jī)器視覺的機(jī)器人搬運(yùn)系統(tǒng)，可實(shí)現(xiàn)快速識(shí)別搬運(yùn)工件[5]；周文舉等人提出一種基于機(jī)器視覺的在線高速檢測與精確控制方法[6]，檢測速度超過2600個(gè)/s，在誤檢率小于3%的情況下，達(dá)到99%以上的檢測準(zhǔn)確度；陳澤寧等人通過提取工件輪廓矩能，在旋轉(zhuǎn)的情況下可精確地定位和識(shí)別工件[7]，平均坐標(biāo)偏差1.7 mm，角度偏差0.6°，工件識(shí)別率為100%。

目前，基于視覺的工件識(shí)別研究大都基于傳統(tǒng)的圖像處理方法，對周邊環(huán)境及工件擺放狀態(tài)有較高要求。在薄膜電容器自動(dòng)化生產(chǎn)線上，端蓋與殼體裝配前通常存在位置隨機(jī)且相互堆疊現(xiàn)象。為此，本文提出一種基于AdaBoost算法對生產(chǎn)線上隨機(jī)堆疊的薄膜電容器端蓋進(jìn)行自動(dòng)識(shí)別，并自動(dòng)解算端蓋引腳偏轉(zhuǎn)角度的方法。該方法使用基于LBP特征的AdaBoost算法分別對完整端蓋和引線端子進(jìn)行識(shí)別，并根據(jù)引線端子與完整端蓋的所屬關(guān)系濾去誤檢測目標(biāo)，同時(shí)根據(jù)同一端蓋上的2個(gè)引線端子中心連線計(jì)算偏轉(zhuǎn)角度。實(shí)驗(yàn)結(jié)果表明：本方法在較復(fù)雜的環(huán)境下，能快速準(zhǔn)確識(shí)別工件并計(jì)算工件偏轉(zhuǎn)角度，具有良好的魯棒性。

1 實(shí)驗(yàn)裝置及實(shí)驗(yàn)方法

1.1 實(shí)驗(yàn)要求

薄膜電容器端蓋如圖1(a)所示，在與電容器殼體進(jìn)行壓蓋組裝前，其端蓋在生產(chǎn)線上的擺放雜亂無章且相互堆疊在一起，如圖1(b)所示。為替代傳統(tǒng)的人工取料，自動(dòng)化生產(chǎn)線需要識(shí)別每個(gè)端蓋的擺放位置，并根據(jù)端蓋上引腳的排列方位對端蓋進(jìn)行自動(dòng)排序，排序后的效果如圖1(c)所示。為此，需要先對相互堆疊的端蓋部件進(jìn)行識(shí)別，然后根據(jù)引腳的裝配位置計(jì)算圓形端蓋的偏轉(zhuǎn)角度。

1.2 實(shí)驗(yàn)裝置

薄膜電容器端蓋自動(dòng)識(shí)別系統(tǒng)主要由圖像采集裝置、固定架和識(shí)別軟件3部分組成。工業(yè)相機(jī)選用維視MV200C攝像機(jī)；固定架可固定相機(jī)并裝有可上下移動(dòng)相機(jī)裝置；識(shí)別軟件基于VS2017及OpenCV3.4計(jì)算機(jī)視覺庫開發(fā)完成。實(shí)驗(yàn)平臺(tái)如圖2所示。

圖1　 端蓋及擺放狀態(tài)

圖2　識(shí)別實(shí)驗(yàn)平臺(tái)

1.3 實(shí)驗(yàn)方法

1）采集訓(xùn)練圖片和測試圖片。自然光照條件下將相機(jī)調(diào)整至合適高度，使全部端蓋位于相機(jī)視野內(nèi)。每次采集圖片時(shí)，將端蓋隨機(jī)打亂堆疊擺放，采集訓(xùn)練圖片50張，測試圖片60張。

2）制作訓(xùn)練樣本。訓(xùn)練樣本集盡可能多的將端蓋和引線端子可能出現(xiàn)的擺放姿態(tài)包含進(jìn)來。在截取被遮擋端蓋樣本時(shí)，需按照端蓋實(shí)際大小截取，這樣檢測時(shí)的檢測框可以覆蓋完整的端蓋，而不只是框選未被遮擋的部分。

3）訓(xùn)練模型。使用AdaBoost算法分別訓(xùn)練端蓋和引線端子樣本集。因?yàn)闄z測時(shí)出現(xiàn)負(fù)樣本的概率遠(yuǎn)遠(yuǎn)大于正樣本，所以正、負(fù)樣本數(shù)量比大于1：3。端蓋和引線端子正樣本數(shù)分別為300張和500張。

4）基于AdaBoost算法及多特征所屬關(guān)系對測試集進(jìn)行檢測。

2 AdaBoost目標(biāo)提取

2.1 LBP特征提取

LBP特征是一種描述灰度圖像局部紋理特征的算子[8]，具有旋轉(zhuǎn)不變性和灰度不變性等特點(diǎn)，廣泛用于各種目標(biāo)檢測領(lǐng)域。

原始LBP算子定義在3×3窗口內(nèi)，以窗口中心像素灰度值為閾值，將相鄰的其余8個(gè)像素值與之比較，大于中心像素則標(biāo)記為1，否則為0。這樣在3×3的鄰域內(nèi)生成一個(gè)8位二進(jìn)制數(shù)，即中心像素的LBP值。圖3(a)是原始LBP算子，圖3(b)是原始LBP特征圖。

圖3 　原始LBP特征

圖4　圓形LBP特征

LBP特征向量提取方法：

1）將圖像劃分為×的小區(qū)域；

2）計(jì)算每個(gè)小區(qū)域像素的LBP值；

3）統(tǒng)計(jì)每個(gè)小區(qū)域直方圖，即每個(gè)LBP值出現(xiàn)的頻率；

4）將每個(gè)小區(qū)域的直方圖整合在一起。

2.2　AdaBoost模型訓(xùn)練

2.2.1構(gòu)造弱分類器

AdaBoost算法首先根據(jù)正負(fù)樣本集訓(xùn)練出一批弱分類器，經(jīng)過篩選、加權(quán)組合形成一個(gè)強(qiáng)分類器[10]。其中，弱分類器的判斷標(biāo)準(zhǔn)是其分類的精度大于 50%即可[11]。

弱分類器構(gòu)造如下：

2.2.2訓(xùn)練強(qiáng)分類器

訓(xùn)練出來一批弱分類器之后，采用加權(quán)組合的方法，把弱分類器組合成分類效果更好的強(qiáng)分類器。

2）初始化訓(xùn)練集中每個(gè)樣本的權(quán)值為

根據(jù)分類錯(cuò)誤率，更新訓(xùn)練集樣本的分布：

4）重復(fù)進(jìn)行每一輪訓(xùn)練，直至達(dá)到最大輪數(shù)。最終得到強(qiáng)分類器為

3 端蓋裝配件多特征結(jié)合檢測

制作端蓋和引線端子正樣本訓(xùn)練集，使用AdaBoost算法進(jìn)行訓(xùn)練得到2個(gè)級(jí)聯(lián)分類器。圖5分別是端蓋和引線端子正樣本、負(fù)樣本。采用多尺度策略掃描測試圖片，同一目標(biāo)出現(xiàn)多個(gè)檢測框的窗口重合問題采用區(qū)域合并技術(shù)解決[12]。

圖5　訓(xùn)練樣本

多尺度檢測中縮放比例參數(shù)和區(qū)域合并中檢測框數(shù)閾值是目標(biāo)檢測中的重要參數(shù)，按如下原則進(jìn)行設(shè)定。

多尺度檢測是指待檢測原圖不變，每次檢測掃描時(shí)檢測窗口按設(shè)定的比例系數(shù)放大一次[13]。需要設(shè)置合適的放大系數(shù)，系數(shù)太小檢測時(shí)間會(huì)增長，太大則可能出現(xiàn)目標(biāo)大小介于放大前后兩個(gè)檢測框之間的情況，出現(xiàn)漏檢測。

當(dāng)同一目標(biāo)出現(xiàn)多個(gè)檢測框時(shí)，以其中一個(gè)檢測框中心為圓心，在其半徑為的區(qū)域內(nèi)出現(xiàn)個(gè)檢測框。設(shè)定一個(gè)閾值，當(dāng)>時(shí)，判斷該檢測框?yàn)榇R(shí)別目標(biāo)；當(dāng)<時(shí)，則判斷該檢測框?yàn)檎`檢測，并對所有判斷為誤檢測的檢測框進(jìn)行求平均合并。圖6(a)為未經(jīng)過區(qū)域融合的檢測圖，圖6(b)為=3時(shí)的區(qū)域融合圖，圖6(c)為=5時(shí)的區(qū)域融合圖。

圖6 　區(qū)域融合示意圖

對于端蓋這種具有多特征的裝配部件，可以根據(jù)其零件的特征所屬關(guān)系進(jìn)行識(shí)別，其算法流程圖如圖7所示。

圖7　多特征結(jié)合檢測算法流程圖

算法初期使用完整端蓋的AdaBoost級(jí)聯(lián)分類器對輸入圖片進(jìn)行檢測。為了能在初檢階段檢測出更多的端蓋目標(biāo)，設(shè)置較低的和，但出現(xiàn)較多誤檢，被檢測出來的端蓋結(jié)果如圖8所示，背景和端蓋重疊區(qū)域被誤識(shí)別成了目標(biāo)。

圖8　較低K和s時(shí)的檢測結(jié)果

經(jīng)過實(shí)驗(yàn)，在不同和下，端蓋目標(biāo)的漏檢率、錯(cuò)檢率和總耗時(shí)如表1所示。

由表1可知：當(dāng)和分別為1和1.02時(shí)，漏檢率最小，檢測總耗時(shí)相對較短。雖然錯(cuò)檢率較高，但可以用引線端子和端蓋組合特征的所屬關(guān)系去除錯(cuò)檢。再將每個(gè)識(shí)別的端蓋目標(biāo)分別提取出來作為檢測引線端子的輸入圖像，這樣能一定程度地減少引線端子的誤檢測和檢測耗時(shí)。圖9是多特征檢測結(jié)果。

表1　 不同K和s下端蓋目標(biāo)的漏檢率、錯(cuò)檢率和總耗時(shí)

圖9　多特征檢測結(jié)果

圖10　多特征所屬關(guān)系檢測方法處理后檢測結(jié)果

4 獲取偏轉(zhuǎn)角度

偏轉(zhuǎn)角度的計(jì)算是以兩引線端子中心連線水平擺放時(shí)的姿態(tài)為基準(zhǔn)，逆時(shí)針方向?yàn)檎鐖D11(a)所示。提取經(jīng)多特征所屬關(guān)系方法識(shí)別的同一端蓋上的2個(gè)引線端子的中心，利用2個(gè)中心點(diǎn)坐標(biāo)計(jì)算相對基準(zhǔn)姿態(tài)的偏轉(zhuǎn)角度，如圖11(b)所示。

圖11 　角度檢測示意圖

5 試驗(yàn)結(jié)果分析

在自然光照條件下搭建實(shí)驗(yàn)平臺(tái)。實(shí)驗(yàn)對象是6個(gè)薄膜電容器端蓋，每次采集圖片時(shí)將其打亂以任意堆疊姿態(tài)擺放。模型訓(xùn)練時(shí)使用50張圖片，分別截取300個(gè)端蓋正樣本和500個(gè)引線端子正樣本，測試模型使用60張圖片。圖12(a)是直接檢測時(shí)，為消除誤檢測，一個(gè)部分被遮擋的端蓋目標(biāo)出現(xiàn)漏檢測，圖12(b)是多特征檢測，圖12(c)是經(jīng)多特征所屬關(guān)系檢測方法處理的結(jié)果，表2為角度計(jì)算結(jié)果。

圖12 　直接檢測與多特征結(jié)合方法對比

表2　角度計(jì)算結(jié)果

由實(shí)驗(yàn)結(jié)果可以得出：在堆疊工件檢測方面本文方法優(yōu)于AdaBoost算法直接檢測，直接檢測薄膜電容器端蓋的識(shí)別準(zhǔn)確率為90.5%，作為對比試驗(yàn)的SSD算法[15]檢測準(zhǔn)確率為97.1%，本文方法檢測準(zhǔn)確率可達(dá)到99.8%，并且誤識(shí)別率為0；并且可較準(zhǔn)確地計(jì)算目標(biāo)的偏轉(zhuǎn)角度，角度平均偏差為0.42°；在i5處理器，主頻1.80 GHz，8 GB內(nèi)存的電腦配置下，平均每張圖片檢測耗時(shí)為1.1 s，平均每個(gè)目標(biāo)檢測耗時(shí)為0.18 s。

6 結(jié)論

本文研究了自然光照條件下，堆疊狀態(tài)的薄膜電容器端蓋的識(shí)別和姿態(tài)求解方法。首先基于AdaBoost算法對端蓋實(shí)現(xiàn)初檢，并且通過端蓋和引線端子多特征的所屬關(guān)系對誤檢測目標(biāo)進(jìn)行去除，實(shí)現(xiàn)端蓋的精確定位和角度求解。實(shí)驗(yàn)表明，該方法可滿足對相互堆疊的薄膜電容器端蓋自動(dòng)排序的識(shí)別要求。

[1] 柴源,鄧倩.薄膜電容的國內(nèi)外應(yīng)用現(xiàn)狀及性能分析[J].科技創(chuàng)新與應(yīng)用,2018(18):166-167.

[2] 黨宇,王瑤,鄧元,等.高性能BaTiO3/PVDF介電復(fù)合材料及其薄膜電容器應(yīng)用[J].復(fù)合材料學(xué)報(bào),2012,29(2):35-39.

[3] 張興華.基于機(jī)器視覺的目標(biāo)識(shí)別與測量算法的研究[D]. 濟(jì)南:山東大學(xué),2012.

[4] 陳澤寧.基于模板匹配工件定位的研究[D].廣州:廣東工業(yè)大學(xué),2016.

[5] 王科.基于旋量和李群李代數(shù)的SCARA工業(yè)機(jī)器人研究[D].杭州:浙江大學(xué),2010.

[6] 周文舉.基于機(jī)器視覺的在線高速檢測與精確控制研究及應(yīng)用[D].上海:上海大學(xué),2013.

[7] 陳澤寧,張學(xué)習(xí),彭澤榮,等.基于機(jī)器視覺的工件定位和識(shí)別[J].電子科技,2016,29(4):99-103.

[8] Timo Ojala, Matti Pietik?inen, David Harwood. A comparative study of texture measures with classification based on feature distributions[J].Pattern Recognition,1996,29(1):51-59.

[9] Timo Ojala, Matti Pietik?inen, Maenpaa T , et al. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2002, 24(7):971-987.

[10] 劉王勝,馮瑞.一種基于AdaBoost的人臉檢測算法[J].計(jì)算機(jī)工程與應(yīng)用,2016,52(11):209-214.

[11] 葛開標(biāo).基于改進(jìn)的LBP特征的AdaBoost算法與膚色檢測相結(jié)合的人臉檢測[D].重慶:重慶大學(xué),2012.

[12] 龍伶敏.基于Adaboost的人臉檢測方法及眼睛定位算法研究[D].成都:電子科技大學(xué),2008.

[13] 苑瑋琦,韓春霞.復(fù)雜背景下的多人臉檢測方法[J].計(jì)算機(jī)應(yīng)用,2010,30(3):635-638,673.

[14] 戴陳卡,李毅.基于Faster RCNN以及多部件結(jié)合的機(jī)場場面靜態(tài)飛機(jī)檢測[J].計(jì)算機(jī)應(yīng)用,2017,37(S2):85-88.

[15] Liu W, Anguelov D, Erhan D, et al. SSD: Single shotmultibox detector [C]//European Conference on ComputerVision, 2016: 21-37.

Research on Recognition Algorithms for End Caps of Thin Film Capacitors with Multiple Characteristics Based on AdaBoost

Liu Lei Wang Hongjun Zhou Weiliang Fang Yamei Dong Lizhong Zou Xiangjun

(College of Engineering, South China Agricultural University)

Aiming at the process requirement of automatic welding by adjusting the pin angle of the end cap in the assembling production of thin film capacitor, a method based on AdaBoost algorithm is proposed to automatically identify and calculate the pin deflection angle of the end cap of thin film capacitor stacked randomly, so as to realize the function of automatic sorting according to the arrangement orientation of pins on circular end cap. Firstly, based on the LBP feature of the picture, a group of weak classifiers are trained by AdaBoost algorithm according to the samples, and a strong classifier is composed of screening and weighting. The end cap and pin terminals are identified separately, Considering that the target has multiple features, that is, there are two lead terminals on the target object, and the false detection targets are filtered according to the relationship between the pin terminals and the end cap. Then, according to the characteristics of the two pin terminals identified on the end cap, the coordinates of the central points of the pin terminals are automatically determined, the two central points are connected, and the deflection angle of the pin alignment orientation is calculated by referring to the horizontal to the right direction. An experimental platform for automatic sorting of end caps of thin film capacitors was built. Six end caps were randomly combined 50 times under natural illumination. Fifty images were collected and 60 were identified by the proposed algorithm. The experimental results show that the average recognition time of each workpiece is 0.18 seconds, the recognition rate of workpiece is 99.8%, and the angle deviation is 0.42 degrees. It can meet the requirements of automatic sorting of end caps of stacked thin film capacitors.

Thin Film Capacitor; LBP Feature; AdaBoost Algorithm; Assembly Component Recognition

劉磊，男，1995年生，碩士研究生，主要研究方向：機(jī)器視覺。E-mail: 1784928788@qq.com

王紅軍，女，1966年生，教授，主要研究方向：機(jī)器視覺和虛擬現(xiàn)實(shí)，E-mail：xtwhj@scau.edu.cn

周偉亮，男，1994年生，碩士研究生，主要研究方向：機(jī)器視覺， E-mail：799733220@qq.com

方雅媚，女，1994年生，碩士研究生，主要研究方向：機(jī)器視覺，E-mail：2743206463@qq.com

董力中，男，1995年生，碩士研究生，主要研究方向：機(jī)器視覺，E-mail：1043901240@qq.com

鄒湘軍，女，1957年生，教授，主要研究方向：機(jī)器視覺和虛擬現(xiàn)實(shí)，E-mail：xjzou1@163.com

基金項(xiàng)目：廣東省公益與能力建設(shè)項(xiàng)目（2016A010102013）