论文部分内容阅读
随着制造业的发展,工业自动化的需求越来越高。电子制造业属于大规模成批量连续制造的产业,所以对于电子元件插件设备的需求与要求相对较高。插件视觉检测是电子元件插件技术的关键,然而目前的视觉检测算法存在着引脚识别准确率低、抛料率高、识别稳定性差等问题。针对这些问题,本文对电子元件插件视觉检测算法展开了研究。根据电子元件插件需求,本文搭建了电子元件插件的软硬件实验平台。搭建了以机器人控制器和运动控制卡为核心的运动控制系统,实现机器人与工控机之间的通讯。开发了电子元件插件软件平台,实现插件过程的控制与监控。为了提高电子元件整体插件的速度,提出了一种高速抓拍技术进行图像的获取与处理。与上一代插件机相比,插件速度提升了18.41%,效果较为显著。为了保证插件精度,对插件系统进行了标定。采用了张正友标定法得到了相机的内外参数,并通过手眼标定确定移动相机与机器人末端执行器之间的固定位姿关系。针对Mark点的识别,采用了Blob分析来对Mark点区域进行获取,并通过最小二乘法进行圆拟合得到了Mark点坐标。针对元件引脚识别问题,分析对比了图像分割、机器学习与深度学习三种方法的识别效果。图像分割算法主要通过阈值分割以及特征提取实现,识别准确率为96.83%,该识别率导致抛料率较高,无法满足工业生产需求。机器学习方法关键在于特征的选取,分别使用Harris算子、HOG算子作为特征,SVM算法、Adaboost算法作为分类器,实现元件引脚的识别。结果表明,HOG+Adaboost算法识别准确率达到了97.21%,但是依旧满足不了实际需求。因而提出采用卷积神经网络算法对元件引脚进行识别,它通过卷积池化层训练出良好的特征,避免了特征选取的问题。最终采用VGG网络结构的卷积神经网络算法进行元件引脚识别,识别准确率达到98.93%。