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

（華南農業(yè)大學工程學院）

針對薄膜電容器端蓋裝配生產中需要調整端蓋引腳角度，實現自動焊接的工藝要求，提出一種基于AdaBoost算法對隨機堆疊的薄膜電容器端蓋進行自動識別并解算端蓋引腳偏轉角度的方法，實現根據圓形端蓋上引腳排列方位自動排序的功能。首先基于圖片的LBP特征，用AdaBoost算法根據樣本訓練出一批弱分類器，經篩選、加權組合成一個強分類器，分別對端蓋整體和引腳端子進行識別，考慮到該目標具有多特征這一特性，即目標物體上還有2個引線端子特征，可根據引腳端子與端蓋整體的所屬關系濾去誤檢測目標；然后根據端蓋上識別出的2個引腳端子特征，自動確定引腳端子的中心點坐標，將2個中心點連線，以水平向右方向為參照，計算出引腳排列方位的偏轉角度；最后搭建薄膜電容器端蓋自動排序實驗平臺，在自然光照條件下，對6個端蓋進行50次隨機位置組合，采集了50張圖片，利用所提出的算法對60張測試圖片進行識別。實驗結果表明：每個工件平均識別時長0.18 s，工件識別率達到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排序的識別要求。

薄膜電容器；LBP特征；AdaBoost算法；裝配部件識別

0 引言

我國是全球最大的電容器生產國和出口國，同時也是電容器消費大國。新能源產業(yè)的快速發(fā)展更是推動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化程度低，優(yōu)化生產制造工藝，薄膜電容器的自動化柔性生產成為必然趨勢。另外，機器視覺技術具有非接觸、實時性高、工作較穩(wěn)定等特點[3]，廣泛應用于工業(yè)分揀、測量和檢測等場合[4]。安川機器人有限公司開發(fā)一套基于機器視覺的機器人搬運系統(tǒng)，可實現快速識別搬運工件[5]；周文舉等人提出一種基于機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/s，在誤檢率小于3%的情況下，達到99%以上的檢測準確度；陳澤寧等人通過提取工件輪廓矩能，在旋轉的情況下可精確地定位和識別工件[7]，平均坐標偏差1.7 mm，角度偏差0.6°，工件識別率為100%。

目前，基于視覺的工件識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。在薄膜電容器自動化生產線上，端蓋與殼體裝配前通常存在位置隨機且相互堆疊現象。為此，本文提出一種基于AdaBoost算法對生產線上隨機堆疊的薄膜電容器端蓋進行自動識別，并自動解算端蓋引腳偏轉角度的方法。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行識別，并根據引線端子與完整端蓋的所屬關系濾去誤檢測目標，同時根據同一端蓋上的2個引線端子中心連線計算偏轉角度。實驗結果表明：本方法在較復雜的環(huán)境下，能快速準確識別工件并計算工件偏轉角度，具有良好的魯棒性。

1 實驗裝置及實驗方法

1.1 實驗要求

薄膜電容器端蓋如圖1(a)所示，在與電容器殼體進行壓蓋組裝前，其端蓋在生產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，自動化生產線需要識別每個端蓋的擺放位置，并根據端蓋上引腳的排列方位對端蓋進行自動排序，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行識別，然后根據引腳的裝配位置計算圓形端蓋的偏轉角度。

1.2 實驗裝置

薄膜電容器端蓋自動識別系統(tǒng)主要由圖像采集裝置、固定架和識別軟件3部分組成。工業(yè)相機選用維視MV200C攝像機；固定架可固定相機并裝有可上下移動相機裝置；識別軟件基于VS2017及OpenCV3.4計算機視覺庫開發(fā)完成。實驗平臺如圖2所示。

圖1　 端蓋及擺放狀態(tài)

圖2　識別實驗平臺

1.3 實驗方法

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

2）制作訓練樣本。訓練樣本集盡可能多的將端蓋和引線端子可能出現的擺放姿態(tài)包含進來。在截取被遮擋端蓋樣本時，需按照端蓋實際大小截取，這樣檢測時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）訓練模型。使用AdaBoost算法分別訓練端蓋和引線端子樣本集。因為檢測時出現負樣本的概率遠遠大于正樣本，所以正、負樣本數量比大于1：3。端蓋和引線端子正樣本數分別為300張和500張。

4）基于AdaBoost算法及多特征所屬關系對測試集進行檢測。

2 AdaBoost目標提取

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]，具有旋轉不變性和灰度不變性等特點，廣泛用于各種目標檢測領域。

原始LBP算子定義在3×3窗口內，以窗口中心像素灰度值為閾值，將相鄰的其余8個像素值與之比較，大于中心像素則標記為1，否則為0。這樣在3×3的鄰域內生成一個8位二進制數，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）計算每個小區(qū)域像素的LBP值；

3）統(tǒng)計每個小區(qū)域直方圖，即每個LBP值出現的頻率；

4）將每個小區(qū)域的直方圖整合在一起。

2.2　AdaBoost模型訓練

2.2.1構造弱分類器

AdaBoost算法首先根據正負樣本集訓練出一批弱分類器，經過篩選、加權組合形成一個強分類器[10]。其中，弱分類器的判斷標準是其分類的精度大于 50%即可[11]。

弱分類器構造如下：

2.2.2訓練強分類器

訓練出來一批弱分類器之后，采用加權組合的方法，把弱分類器組合成分類效果更好的強分類器。

2）初始化訓練集中每個樣本的權值為

根據分類錯誤率，更新訓練集樣本的分布：

4）重復進行每一輪訓練，直至達到最大輪數。最終得到強分類器為

3 端蓋裝配件多特征結合檢測

制作端蓋和引線端子正樣本訓練集，使用AdaBoost算法進行訓練得到2個級聯(lián)分類器。圖5分別是端蓋和引線端子正樣本、負樣本。采用多尺度策略掃描測試圖片，同一目標出現多個檢測框的窗口重合問題采用區(qū)域合并技術解決[12]。

圖5　訓練樣本

多尺度檢測中縮放比例參數和區(qū)域合并中檢測框數閾值是目標檢測中的重要參數，按如下原則進行設定。

多尺度檢測是指待檢測原圖不變，每次檢測掃描時檢測窗口按設定的比例系數放大一次[13]。需要設置合適的放大系數，系數太小檢測時間會增長，太大則可能出現目標大小介于放大前后兩個檢測框之間的情況，出現漏檢測。

當同一目標出現多個檢測框時，以其中一個檢測框中心為圓心，在其半徑為的區(qū)域內出現個檢測框。設定一個閾值，當>時，判斷該檢測框為待識別目標；當<時，則判斷該檢測框為誤檢測，并對所有判斷為誤檢測的檢測框進行求平均合并。圖6(a)為未經過區(qū)域融合的檢測圖，圖6(b)為=3時的區(qū)域融合圖，圖6(c)為=5時的區(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，可以根據其零件的特征所屬關系進行識別，其算法流程圖如圖7所示。

圖7　多特征結合檢測算法流程圖

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

圖8　較低K和s時的檢測結果

經過實驗，在不同和下，端蓋目標的漏檢率、錯檢率和總耗時如表1所示。

由表1可知：當和分別為1和1.02時，漏檢率最小，檢測總耗時相對較短。雖然錯檢率較高，但可以用引線端子和端蓋組合特征的所屬關系去除錯檢。再將每個識別的端蓋目標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。圖9是多特征檢測結果。

表1　 不同K和s下端蓋目標的漏檢率、錯檢率和總耗時

圖9　多特征檢測結果

圖10　多特征所屬關系檢測方法處理后檢測結果

4 獲取偏轉角度

偏轉角度的計算是以兩引線端子中心連線水平擺放時的姿態(tài)為基準，逆時針方向為正，如圖11(a)所示。提取經多特征所屬關系方法識別的同一端蓋上的2個引線端子的中心，利用2個中心點坐標計算相對基準姿態(tài)的偏轉角度，如圖11(b)所示。

圖11 　角度檢測示意圖

5 試驗結果分析

在自然光照條件下搭建實驗平臺。實驗對象是6個薄膜電容器端蓋，每次采集圖片時將其打亂以任意堆疊姿態(tài)擺放。模型訓練時使用50張圖片，分別截取300個端蓋正樣本和500個引線端子正樣本，測試模型使用60張圖片。圖12(a)是直接檢測時，為消除誤檢測，一個部分被遮擋的端蓋目標出現漏檢測，圖12(b)是多特征檢測，圖12(c)是經多特征所屬關系檢測方法處理的結果，表2為角度計算結果。

圖12 　直接檢測與多特征結合方法對比

表2　角度計算結果

由實驗結果可以得出：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別準確率為90.5%，作為對比試驗的SSD算法[15]檢測準確率為97.1%，本文方法檢測準確率可達到99.8%，并且誤識別率為0；并且可較準確地計算目標的偏轉角度，角度平均偏差為0.42°；在i5處理器，主頻1.80 GHz，8 GB內存的電腦配置下，平均每張圖片檢測耗時為1.1 s，平均每個目標檢測耗時為0.18 s。

6 結論

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別和姿態(tài)求解方法。首先基于AdaBoost算法對端蓋實現初檢，并且通過端蓋和引線端子多特征的所屬關系對誤檢測目標進行去除，實現端蓋的精確定位和角度求解。實驗表明，該方法可滿足對相互堆疊的薄膜電容器端蓋自動排序的識別要求。

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

[2] 黨宇,王瑤,鄧元,等.高性能BaTiO3/PVDF介電復合材料及其薄膜電容器應用[J].復合材料學報,2012,29(2):35-39.

[3] 張興華.基于機器視覺的目標識別與測量算法的研究[D]. 濟南:山東大學,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,2016.

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

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

[7] 陳澤寧,張學習,彭澤榮,等.基于機器視覺的工件定位和識別[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].計算機工程與應用,2016,52(11):209-214.

[11] 葛開標.基于改進的LBP特征的AdaBoost算法與膚色檢測相結合的人臉檢測[D].重慶:重慶大學,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,2008.

[13] 苑瑋琦,韓春霞.復雜背景下的多人臉檢測方法[J].計算機應用,2010,30(3):635-638,673.

[14] 戴陳卡,李毅.基于Faster RCNN以及多部件結合的機場場面靜態(tài)飛機檢測[J].計算機應用,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：機器視覺。E-mail: 1784928788@qq.com

王紅軍，女，1966年生，教授，主要研究方向：機器視覺和虛擬現實，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：機器視覺，E-mail：1043901240@qq.com

鄒湘軍，女，1957年生，教授，主要研究方向：機器視覺和虛擬現實，E-mail：xjzou1@163.com

基金項目：廣東省公益與能力建設項目（2016A010102013）