直線軸承多孔特征視覺檢測行為影響分析系統(tǒng)

花海燕 ，林 華 ，陳 栩 ，陳 霞

（1.福建工程學(xué)院機(jī)械與汽車工程學(xué)院，福建 福州 350118；2.福建工程學(xué)院數(shù)字福建工業(yè)制造物聯(lián)網(wǎng)實(shí)驗(yàn)室，福建 福州 350118；3.福州大學(xué)機(jī)電工程實(shí)踐中心，福建 福州 350108）

1 引言

直線軸承是一種型號(hào)多樣，需求量十分龐大但具有相似多孔特征的標(biāo)準(zhǔn)件。采用視覺檢測方法檢測其多孔特征，具有自動(dòng)化程度高，易于實(shí)現(xiàn)信息集成與檢測智能化的優(yōu)勢，迎合了智能制造生產(chǎn)發(fā)展需求[1]。在視覺檢測時(shí)，需將被測幾何信息經(jīng)過圖像信息轉(zhuǎn)換為數(shù)字化信息，使得圖像采集與處理技術(shù)成為最先受到關(guān)注的焦點(diǎn)。目前孔特征的圖像采集與處理方面已有不少研究[2-3]。待測孔特征尺寸不同，所需檢測設(shè)備與檢測方案也不盡相同。有些研究針對小尺寸孔，一次可采集一個(gè)或多個(gè)孔特征圖像[4]，而有些研究針對大尺寸孔，著重研究孔的分步采集與特征提取[5]?？滋卣鞒叽缥恢藐P(guān)系的變化也影響著圖像采集工位的決策和圖像處理算法的選擇。有些研究針對復(fù)雜環(huán)境與復(fù)雜方位孔特征，對視覺系統(tǒng)空間運(yùn)動(dòng)的檢測位姿關(guān)系計(jì)算方法、多孔檢測順序規(guī)劃等進(jìn)行探討[6-7]。也有研究致力于視覺檢測過程的影響因素分析，探討機(jī)器視覺設(shè)備組件、光源和照明方案對檢測結(jié)果的影響[8]，零件擺放方位的不確定性對檢測結(jié)果的影響與自校準(zhǔn)方法等[9]。然而，多孔特征與視覺檢測行為影響關(guān)系錯(cuò)綜復(fù)雜性，在檢測設(shè)備、檢測方案、檢測工藝、圖像采集與處理等環(huán)節(jié)通常需要專家知識(shí)指導(dǎo)決策，而不同的決策可能對檢測結(jié)果產(chǎn)生不同的影響。由于影響因素太多難以同時(shí)考慮全部因素的變化影響，優(yōu)化決策行為難度很大，若要再考慮零件族的檢測行為影響，工作量將相當(dāng)龐大。

因此，以直線軸承零件族為對象，探索一種適用于其零件族多孔特征的視覺檢測行為影響分析系統(tǒng)，力圖以柔性的“特征—行為”關(guān)聯(lián)響應(yīng)，實(shí)現(xiàn)循環(huán)交替的影響分析，從而為分層優(yōu)化檢測行為奠定基礎(chǔ)。

2 視覺檢測行為影響分析系統(tǒng)設(shè)計(jì)

視覺檢測過程影響因素眾多，為了解決零件族檢測行為影響分析與測量補(bǔ)償智能化的共性需求問題，以直線軸承零件族多孔特征檢測為任務(wù)，設(shè)計(jì)視覺檢測行為影響分析系統(tǒng)。該系統(tǒng)架構(gòu)，如圖1 所示。主要包含中心推理交互模塊、內(nèi)環(huán)功能模塊和外環(huán)知識(shí)模塊三個(gè)部分。

圖1 視覺檢測行為影響分析系統(tǒng)架構(gòu)Fig.1 Framework of Vision Detection Behavior Influence Analysis System

（1）中心推理交互模塊。該模塊中創(chuàng)建了直線軸承零件族特征響應(yīng)流程，根據(jù)影響分析任務(wù)從特征知識(shí)庫中響應(yīng)特征，并向行為決策模塊和影響分析模塊下達(dá)“特征—行為”關(guān)聯(lián)響應(yīng)指令，實(shí)現(xiàn)檢測行為環(huán)節(jié)中決策與影響分析的聯(lián)合執(zhí)行，所獲得的“特征—行為”知識(shí)存儲(chǔ)于知識(shí)庫中。

（2）內(nèi)環(huán)功能模塊。內(nèi)環(huán)包含特征響應(yīng)、行為決策和“特征—行為”影響分析三個(gè)模塊。特征響應(yīng)模塊執(zhí)行“特征—特征”配置，為檢測任務(wù)響應(yīng)待測特征信息和行為關(guān)聯(lián)的特征信息。行為決策模塊用于為非影響分析的檢測環(huán)節(jié)提供專家推理。“特征—行為”影響分析模塊用于對影響分析環(huán)節(jié)執(zhí)行不同的影響分析指令。

（3）外環(huán)知識(shí)模塊。為了緩解零件類型衍生時(shí)信息量的膨脹，提高知識(shí)在同族異構(gòu)零件中的可重用性，使檢測行為決策更柔性化，將特征與行為進(jìn)行分解，建立由特征元組成的特征知識(shí)庫，行為元組成的行為知識(shí)庫以及存儲(chǔ)影響分析結(jié)果的“特征—行為”知識(shí)庫。

3 面向零件族的特征表達(dá)策略

直線軸承是型號(hào)規(guī)格多樣的系列化標(biāo)準(zhǔn)件，常見的外鋼內(nèi)襯滾珠型直線軸承由軸承套、鋼珠保持器和鋼珠組成，也有內(nèi)襯滑動(dòng)型，還有無襯自潤滑型。雖然各類直線軸承在組成結(jié)構(gòu)、材質(zhì)、接觸方式有所不同，但其孔型、孔數(shù)以及尺寸系列存在共性。為了實(shí)現(xiàn)直線軸承多孔特征檢測知識(shí)的共享，分析各類直線軸承的構(gòu)型特征，設(shè)計(jì)包含同族零件共性與個(gè)性特征的總草繪，如圖2 所示。

圖2 直線軸承零件族總草繪方案Fig.2 Total Sketch of Linear Bearings Part Family

以總草繪關(guān)聯(lián)同族零件的特征信息，建立“特征—特征”響應(yīng)所需的零件族特征樹，如圖3 所示。

圖3 直線軸承零件族特征樹Fig.3 Feature Tree of Linear Bearings Part Family

在所建立的五層深度零件族特征樹中，第一層根據(jù)草繪特征在多孔特征檢測中的作用類型，分為基準(zhǔn)特征、分類標(biāo)志和待測特征，編以類型碼；第二層各類型按關(guān)聯(lián)性原則進(jìn)行組元分解，編以組元碼；第三層對各組元進(jìn)行特征分解，確定主特征，編以特征碼；第四層分離與主特征關(guān)聯(lián)的約束關(guān)系，編以關(guān)聯(lián)碼；第五層表達(dá)孔組特征所需檢測的尺寸、形位公差等元素指標(biāo)，編以元素碼。由于特征樹中每個(gè)行為節(jié)點(diǎn)均進(jìn)行了編碼，通過自上而下的五級(jí)編碼串，可檢索對應(yīng)的拉伸特征、非幾何特征知識(shí)等。系統(tǒng)中特征知識(shí)以零件族為對象，進(jìn)行了特征分解與共性提煉。在檢測時(shí)可根據(jù)待測零件相應(yīng)特征配置知識(shí)，不僅能大大消除知識(shí)的冗余，也便于測量元素與檢測推理規(guī)則的共享。

4 行為影響分析與行為決策的實(shí)現(xiàn)

4.1 視覺檢測行為樹的建立

視覺檢測行為的決策不僅受零件特征的影響，還與行為環(huán)節(jié)自身特點(diǎn)緊密相關(guān)。整個(gè)檢測行為過程涉及環(huán)節(jié)多，影響因素也多，若同時(shí)考慮全部因素的影響，并做出最優(yōu)行為決策，顯然將是一項(xiàng)十分龐大的工作。為了協(xié)調(diào)“特征—行為”影響分析的可靠性與高效性問題，所設(shè)計(jì)的行為影響分析系統(tǒng)采取行為決策模塊與“特征—行為”影響分析模塊聯(lián)合執(zhí)行的方式，通過循環(huán)交替分析影響因素，獲得可靠的影響分析知識(shí)和測量補(bǔ)償知識(shí)，從而實(shí)現(xiàn)行為的分層優(yōu)化。為了便于檢測行為決策和影響分析的聯(lián)合執(zhí)行，對檢測過程行為進(jìn)行分解，建立視覺檢測行為樹，如圖4 所示。

圖4 視覺檢測行為樹Fig.4 Behavior Tree of Vision Detection

將檢測行為劃分為視覺檢測方案設(shè)計(jì)、參數(shù)優(yōu)化、工藝規(guī)劃和圖像采集處理四個(gè)行為分支。各分支由若干行為元組成，各行為元方案多樣且執(zhí)行方式有所不同，行為決策與影響分析模式也不盡相同。

（1）視覺檢測方案設(shè)計(jì)行為分支。該分支由相機(jī)選型、鏡頭選型、光源選型和照明方案四個(gè)行為元串行而成，每個(gè)行為元均為枚舉型。其串行組合的優(yōu)選方案可通過專家規(guī)則進(jìn)行經(jīng)驗(yàn)配型、評(píng)價(jià)與決策，亦可通過影響分析對比評(píng)價(jià)。

（2）參數(shù)優(yōu)化行為分支。檢測過程硬件參數(shù)的設(shè)置往往受不確定性多方因素影響。由于涉及多個(gè)參數(shù)，每個(gè)參數(shù)具有一定取值范圍，難以一一搭配比較，故采用統(tǒng)計(jì)分析方法、優(yōu)化方法等數(shù)學(xué)手段優(yōu)化參數(shù)。

（3）工藝規(guī)劃行為分支。由于零件族的尺寸跨度較大，對不同尺寸多孔特征，受檢測設(shè)備制約，可能存在一幅圖像包含全部待測孔特征、若干孔特征、單個(gè)孔特征，甚至僅包括局部孔特征等不同情況。故該分支主要包括孔特征分組、“特征—工位”規(guī)劃以及工位分解與節(jié)拍規(guī)劃等檢測工藝規(guī)劃。

（4）圖像采集處理分支。圖像采集與處理過程通常包括既定步驟和可選步驟，且每個(gè)步驟的算法多樣，該分支可通過行為決策進(jìn)行算法選擇，或通過實(shí)驗(yàn)比較進(jìn)行算法優(yōu)選。

4.2 基于多處理模式的檢測行為流程

為了實(shí)現(xiàn)柔性響應(yīng)不同特征與行為元進(jìn)行循環(huán)影響分析，在中心推理交互模塊中，創(chuàng)建基于多處理模式的檢測行為流程，如圖5 所示。

圖5 基于多處理模式的檢測行為流程Fig.5 Detection Behavior Flow Based on Multiprocessing Mode

根據(jù)任務(wù)信息獲取行為影響分析響應(yīng)矩陣，確定需要推理決策的行為環(huán)節(jié)和待影響分析的行為環(huán)節(jié)，而后按行為樹四個(gè)分支的行為模式，進(jìn)行多模式聯(lián)合執(zhí)行檢測過程。通過行為響應(yīng)矩陣的更新，可改變影響分析環(huán)節(jié)，影響分析結(jié)果可作為后續(xù)行為決策的指導(dǎo)知識(shí)；通過決策規(guī)則的不斷更新，亦可優(yōu)化行為決策，從而實(shí)現(xiàn)檢測行為影響分析與行為決策的循環(huán)優(yōu)化與聯(lián)合執(zhí)行。

5 影響分析實(shí)例應(yīng)用

5.1 實(shí)驗(yàn)特征與檢測行為響應(yīng)

以圓法蘭、方法蘭和對切法蘭三種直線軸承為待測對象，進(jìn)行多孔孔徑檢測行為影響分析實(shí)驗(yàn)。本實(shí)驗(yàn)任務(wù)待測對象、孔特征圖示及編號(hào)，如表1 所示。

表1 實(shí)驗(yàn)對象與待測特征Tab.1 Experiment Objects and Tested Features

本次實(shí)驗(yàn)任務(wù)所響應(yīng)的影響分析行為與行為決策，如表2所示。該任務(wù)中相機(jī)參數(shù)優(yōu)化行為節(jié)點(diǎn)2-2 和工藝規(guī)劃行為節(jié)點(diǎn)3-2 被響應(yīng)進(jìn)行影響分析，其余響應(yīng)碼為0 的行為元通過行為決策模塊確定。

表2 影響分析響應(yīng)與行為決策Tab.2 Influence Analysis Response and Behavior Decision

5.2 影響分析行為規(guī)劃

根據(jù)影響分析行為響應(yīng)，本次實(shí)驗(yàn)需進(jìn)行相機(jī)參數(shù)優(yōu)化行為節(jié)點(diǎn)2-2 和工藝規(guī)劃行為節(jié)點(diǎn)3-2 的影響分析。按圖5 流程執(zhí)行，此影響分析行為規(guī)劃受視覺檢測方案設(shè)計(jì)行為約束。根據(jù)參數(shù)優(yōu)化行為節(jié)點(diǎn)響應(yīng)任務(wù)，從知識(shí)庫中獲取與檢測方案匹配的待測參數(shù)經(jīng)驗(yàn)區(qū)間，如表3 所示。采用拉丁超立方抽樣方法，在經(jīng)驗(yàn)區(qū)間中抽取30 組參數(shù)樣本，作為圖像采集時(shí)的參數(shù)設(shè)置。

表3 參數(shù)初始區(qū)間Tab.3 Initial Intervals of Parameters

根據(jù)視覺檢測方案設(shè)計(jì)行為決策，按最大視域規(guī)劃原則，進(jìn)行圖像采集工位規(guī)劃，獲得三種待測件的多特征圖像同步采集工位，如表4 所示。通過視場范圍與零件多孔特征尺寸關(guān)系，圓法蘭直線軸承3 個(gè)待測孔特征可同步采集，規(guī)劃采集工位2 個(gè)；方法蘭直線軸承待測孔5 個(gè)，2 孔同步采集，規(guī)劃采集工位8 個(gè)；對切法蘭直線軸承待測孔3 個(gè)，2 孔同步采集，規(guī)劃采集工位4 個(gè)。對各檢測對象所規(guī)劃的檢測工位進(jìn)行圖像采集，進(jìn)而分析不同檢測工位規(guī)劃方案對孔徑測量結(jié)果的影響顯著性與影響波動(dòng)情況。

表4 視覺檢測工位規(guī)劃Tab.4 Station Planning of Vision Detection

5.3 測量結(jié)果的影響對比分析

5.3.1 參數(shù)對測量結(jié)果的影響相關(guān)性

在30 組參數(shù)樣本下，完成表4 中各工位圖像的多次采集，并以相同標(biāo)定方法和圖像處理算法進(jìn)行處理。采用Spearman 相關(guān)分析方法獲得各參數(shù)對檢測結(jié)果的影響相關(guān)系數(shù)。Spearman相關(guān)分析結(jié)果，如表5 所示。

表5 Spearman 相關(guān)分析結(jié)果Tab.5 Results of Spearman Correlation Analysis

由表5 可見，同一參數(shù)對不同特征的影響顯著性十分接近。其中，曝光和增益兩個(gè)參數(shù)對特征檢測的影響相關(guān)性均非常顯著，且呈現(xiàn)正相關(guān)趨勢；目標(biāo)灰度水平影響相對較小，亮度對檢測結(jié)果的影響最小。由此也表明，當(dāng)照明光源亮度足夠時(shí)，相機(jī)亮度參數(shù)對檢測結(jié)果影響不明顯。

5.3.2 參數(shù)對不同待測特征測量偏差的影響分析

為了分析參數(shù)取值變化對不同待測孔的影響，對30 組參數(shù)樣本下三種待測件的測量結(jié)果，按曝光參數(shù)從小到大進(jìn)行樣本排序編號(hào)。圓法蘭直線軸承1-H1、1-H2 和1-C1 孔直徑測量的相對偏差值，由測量偏差占設(shè)計(jì)值的百分比表征，如圖6 所示。由圖6 可見，對稱同尺寸孔1-H1 和1-H2 直徑測量相對偏差很接近，而1-C1 孔相對偏差高于1-H1 和1-H2 孔。由相鄰樣本偏差連接折線的斜率表明，對同零件的不同孔特征，即使孔徑、孔深不同，參數(shù)變化所引起的相對偏差變化趨勢相似，測量結(jié)果波動(dòng)情況也十分接近。

圖6 1-H1、1-H2 和1-C1 孔直徑測量相對偏差Fig.6 Relative Deviation of Diameters for 1-H1，1-H2 and 1-C1

將相對偏差按區(qū)間組合歸類并編以類號(hào)，如表6 所示。序號(hào)1、2、3、5、8、11 六組樣本所測孔徑相對偏差較大，說明參數(shù)不合理時(shí)可能對測量結(jié)果造成較大偏差而影響結(jié)果的可靠性，對參數(shù)進(jìn)行影響分析和取值優(yōu)化是十分必要的。表6 也表明，本次實(shí)驗(yàn)有較多樣本測量相對偏差在（-2～2）%之內(nèi)，這些樣本參數(shù)相對比較理想。通過相對偏差分析可以確定優(yōu)質(zhì)參數(shù)樣本及其相對偏差范圍。

表6 圓法蘭直線軸承測量結(jié)果歸類Tab.6 Classification of Measurement Results for Circular Flange Linear Bearing

由于同零件中相同孔徑和孔深的不同圓孔，在同組參數(shù)下測得相對偏差十分接近。為此，著重對比方法蘭直線軸承2-H1與2-C1 孔徑測量相對偏差，如圖7 所示。2-H1～2-H4 孔和2-C1孔徑測量相對偏差歸類，如表7 所示。對切法蘭直線軸承3-H1、3-H2 和 3-C1 孔直徑測量相對偏差，如圖 8 所示。3-H1、3-H2 和3-C1 孔徑測量相對偏差歸類，如表8 所示。通過對比發(fā)現(xiàn)，方法蘭直線軸承的2-C1 孔徑比2-H1 孔徑相對偏差差異更大些。對切法蘭直線軸承3-H1、3-H2 與3-C1 孔徑相對偏差差異略小些。

表7 方法蘭直線軸承測量結(jié)果歸類Tab.7 Classification of Measurement Results for Square Flange Linear Bearing

圖8 3-H1、3-H2 和3-C1 孔直徑測量相對偏差Fig.8 Relative Deviation of Diameters for 3-H1，3-H2 and 3-C1

表8 對切法蘭直線軸承測量結(jié)果歸類Tab.8 Classification of Measurement Results for Trimming Flange Linear Bearing

通過對比圖6～圖8 折線斜率可以看出，對不同零件的孔特征，參數(shù)變化所引起的測量結(jié)果波動(dòng)情況除個(gè)別差異較大，大多數(shù)是比較接近的。由表6～表8 也發(fā)現(xiàn)，測量三種待測件的孔徑，隨著參數(shù)樣本的不同，雖然測量偏差波動(dòng)趨勢相似，但偏差值所屬區(qū)間不完全相同。方法蘭相比圓法蘭和對切法蘭，許多樣本測量偏差偏移了一個(gè)區(qū)間。根據(jù)表2 的行為元決策基本一致的情況可以推斷，造成差異的原因可能是不同類型零件孔深、工位決策不同，測量時(shí)外界視場環(huán)境也發(fā)生了變化，導(dǎo)致即使進(jìn)行了多次測量，所得的相對偏差也仍存在區(qū)別。綜合比較下，樣本7、9、14、18、21 這五組參數(shù)下測量不同零件時(shí)，對較淺的H 系列孔，相對偏差都在（-2～2）%之間，相對影響波動(dòng)較小，測量較深的C1 孔時(shí)，偏差處于（-2～2）%、（2～4）%。說明這幾組參數(shù)樣本比較優(yōu)質(zhì)，測量結(jié)果穩(wěn)定性較好，測量補(bǔ)償值較容易確定。

5.3.3 不同待測件孔徑測量絕對偏差對比

為了更進(jìn)一步分析檢測行為影響情況，對比不同待測件在30 組參數(shù)樣本下所測孔徑的絕對偏差。以H 系列孔為例，孔徑絕對偏差對比，如圖9 所示。孔徑絕對偏差波動(dòng)，如圖10 所示。通過圖9 和圖10 可見，當(dāng)曝光參數(shù)值增大時(shí)，對孔徑測量的絕對偏差會(huì)造成遞增的趨勢，但由于增益參數(shù)對測量結(jié)果也比較敏感，參數(shù)取值搭配的好，則絕對偏差可維持在某個(gè)值附近。例如圖9 中，2-H1 測量絕對偏差有多組結(jié)果維持在0.05mm 左右，1-H1 和3-H1 在-0.05mm 左右。觀察圖 10 可以發(fā)現(xiàn)，除了樣本 1、8、26 測量波動(dòng)較大外，其他組樣本對不同零件測量的影響波動(dòng)相對比較穩(wěn)定。較多樣本測量的2-H1 與1-H1 孔徑絕對偏差的差值維持在0.1mm 左右，3-H1 與 1-H1 孔徑絕對偏差的差值維持在-0.0125mm 左右，僅樣本26 影響很大，存在異常。通過樣本組對測量結(jié)果的影響分析，可從中提取出不同孔特征測量所需修正值的差異量。

圖9 1-H1、2-H1 和 3-H1 孔徑絕對偏差Fig.9 Absolute Deviation of Diameters for 1-H1，2-H1 and 3-H1

圖10 孔徑絕對偏差波動(dòng)Fig.10 Absolute Deviation Fluctuation of Diameters for Holes

5.3.4 零件孔徑在不同工位測量的絕對偏差對比

為了分析參數(shù)樣本對不同工位孔徑測量的影響。以2-H1～2-H4 孔為例，觀察不同工位下多次測得的孔徑絕對偏差波動(dòng)，以多工位最大和最小測量值之差表征波動(dòng)情況，如圖11 所示。

圖11 不同工位測量2-H 孔組孔徑偏差波動(dòng)Fig.11 Absolute Deviation Fluctuation for 2-H Holes Group at Different Stations

圖11 中，除了 5、20、23、26、27 五組參數(shù)測得差異較大外，其他各組孔徑絕對偏差波動(dòng)較小，同組各孔之間測量差異也較小，基本在0.01mm 以下。結(jié)合表7～表9 可見，工位變化對測量結(jié)果的影響比圖像采集時(shí)相機(jī)參數(shù)對測量結(jié)果的影響更小。同時(shí)也發(fā)現(xiàn)，圖像采集質(zhì)量較差的樣本（例如樣本5），不僅測量結(jié)果偏差較大，相對波動(dòng)也大，還使得工位測量偏差明顯增大。

對比不同零件C 孔孔徑測量偏差，如圖12 所示。除樣本5 偏差過大以外，大部分偏差波動(dòng)在0.1mm 以內(nèi)，其中樣本20 對三個(gè)不同零件的偏差波動(dòng)在0.025mm 以下，偏差波動(dòng)最小最穩(wěn)定。

圖12 不同工位測量C 孔組孔徑絕對偏差波動(dòng)Fig.12 Absolute Deviation Fluctuation for C Holes Group at Different Stations

結(jié)合表4 決策的測量工位可見，1-C1 孔只發(fā)生了繞中心旋轉(zhuǎn)，3-C1 孔只發(fā)生了水平移動(dòng)，工位偏差波動(dòng)相對較小。2-C1 孔測量位置分別在矩形區(qū)域的四個(gè)角，工位差異大些，測量偏差波動(dòng)也相對大些。

5.4 綜合影響評(píng)價(jià)與參數(shù)優(yōu)選知識(shí)的獲取

根據(jù)圖6～圖12 多種情況下檢測行為對測量結(jié)果的影響分析結(jié)果，評(píng)估優(yōu)選參數(shù)樣本。各樣本被優(yōu)選的頻次，如圖13 所示。優(yōu)選頻次較高的參數(shù)樣本，可以作為后續(xù)檢測的指導(dǎo)性知識(shí)。按測量指標(biāo)評(píng)價(jià)規(guī)則篩選滿足優(yōu)選條件的樣本，通過聚類分組確定參數(shù)優(yōu)選區(qū)間，如表9 所示。下一輪影響分析與行為決策可在優(yōu)選區(qū)間基礎(chǔ)上開展。

圖13 樣本優(yōu)選頻次統(tǒng)計(jì)Fig.13 Frequency of Excellent Situations for All Samples

表9 優(yōu)選參數(shù)區(qū)間Tab.9 Optimal Parameter Intervals

6 結(jié)論

以直線軸承零件族為對象，建立了多孔特征視覺檢測行為影響分析系統(tǒng)，并進(jìn)行三類直線軸承孔徑檢測的行為影響分析實(shí)驗(yàn)，得到以下結(jié)論：（1）通過“特征—行為”關(guān)聯(lián)影響分析，可確定不同行為元對不同特征檢測結(jié)果的影響顯著性、影響趨勢和影響波動(dòng)，還可從中提取測量誤差補(bǔ)償知識(shí)。檢測行為對同族異構(gòu)零件檢測結(jié)果的影響存在相似性，一定程度上具有可重用價(jià)值。（2）所建立的影響分析系統(tǒng)，通過對零件族特征和視覺檢測行為的分解表達(dá)，建立“特征—行為”關(guān)聯(lián)影響分析，有利于提高檢測行為影響分析中行為配置的柔性，使檢測方案、參數(shù)、工藝和算法在同族異構(gòu)零件檢測中應(yīng)用的柔性增強(qiáng)，既減少了重復(fù)性勞動(dòng)，也一定程度消除了信息冗余。（3）視覺檢測過程涉及影響因素多，通過影響分析與行為決策的聯(lián)合執(zhí)行，可進(jìn)行循環(huán)影響分析與專家決策知識(shí)的不斷更新，有利于提高視覺檢測系統(tǒng)的自動(dòng)行為規(guī)劃能力，增強(qiáng)影響分析的系統(tǒng)性、檢測行為的智能性和測量結(jié)果的可靠性。