包能勝,方海濤
(1. 汕頭大學(xué) 機(jī)械電子工程系,廣東 汕頭 515063;2. 汕頭大學(xué) 智能制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室, 廣東 汕頭 515063)
涂布是將膠黏涂布液涂覆在基材上的一種工藝,涂布技術(shù)已經(jīng)被廣泛應(yīng)用在輕工造紙、信息材料、塑料薄膜深加工等領(lǐng)域[1-3]。涂布膜在生產(chǎn)中會(huì)出現(xiàn)不均勻等問題,針對(duì)涂布涂層進(jìn)行厚度測(cè)量具有重要意義[4-5]。當(dāng)前國內(nèi)外對(duì)涂布涂層厚度有很多研究,如浙江大學(xué)的杜艷麗等人[6]提出的基于白光干涉的金屬極薄帶測(cè)厚;李福進(jìn)等人[7]提出的基于脈沖反射式的超聲測(cè)厚系統(tǒng);鄭崗等人[8]提出的基于提離點(diǎn)的脈沖渦流測(cè)厚等,但是以上檢測(cè)方式存在準(zhǔn)確率低,效率低等問題[9]。針對(duì)以上測(cè)量方式的不足,提出一種基于啟發(fā)式蟻群算法的輥式涂布涂層厚度在線機(jī)器視覺檢測(cè)方法。
雙輥式涂布系統(tǒng)的主要組成部分有涂布輥、背輥,供料盤,導(dǎo)輥和基材[10]。雙輥涂布的工作原理如圖1 所示,涂布過程中涂布輥從供料盤中帶上涂料,將部分涂料轉(zhuǎn)移至背輥與涂布輥間隙處的基材。被涂的基材涂布量以及涂層表面狀態(tài)取決于被涂基材和涂布輥的線速度、背輥與涂布輥之間的間隙、濕潤特性和涂料的粘稠度等因素。
圖 1 雙輥式涂布工作原理Fig. 1 Operational principle of two-roll forward roll coating
當(dāng)涂布輥帶起涂層厚度小于或等于兩輥間隙時(shí),稱為非飽和型涂布流場(chǎng);當(dāng)涂布輥帶起涂層厚度大于兩輥間隙時(shí),稱為飽和型涂布流場(chǎng)。
1.2.1 非飽和型涂布流場(chǎng)
當(dāng)處于非飽和型涂布流場(chǎng)時(shí),此時(shí)涂布流場(chǎng)形式如圖2 所示。
圖2 中hi為涂布輥帶入到兩輥間隙中的涂層厚度,h1為被基材帶走的涂層厚度,h2為涂布輥帶回供料盤中涂布涂層厚度,H 為兩輥間隙距離。由流量守恒得:
圖 2 非飽和型涂布流場(chǎng)Fig. 2 Unsaturated coating flow
由參考文獻(xiàn)[10]可得:
結(jié)合(1)與(2)式,化簡(jiǎn)得:
涂布輥從供料盤中帶出的涂層厚度的公式為
式中:μ 為涂布液的動(dòng)力粘度;σ 為表面張力;g 為重力加速度;ρ 為涂布液密度;μ2為涂布輥的線速度;μ1為背輥的線速度;hd為涂布輥浸沒在涂布液中的深度;R 為涂布料輥的半徑。
1.2.2 飽和型涂布流場(chǎng)
當(dāng)處于飽和型涂布流場(chǎng)時(shí),此時(shí)涂布流場(chǎng)如圖3 所示。
圖3 中h1為最終覆于基材的涂層厚度;h2為隨涂布輥回到供料盤中涂層厚度;H 為兩輥間隙距離。由流量體積守恒得:
圖 3 飽和型涂布流場(chǎng)Fig. 3 Saturated coating flow
由參考文獻(xiàn)[11]得:
結(jié)合公式(7)與(8),化簡(jiǎn)得:
式中:μ2為涂布輥的線速度;μ1為涂布背輥的線速度;H 為兩輥間隙距離。
圖像的平滑化處理又稱圖像濾波操作[12],通過濾波操作盡可能地消除圖像中的噪聲,達(dá)到改善圖像質(zhì)量的目的。經(jīng)過對(duì)比均值濾波器、高斯濾波器和雙邊濾波器對(duì)涂布涂層濾波效果,發(fā)現(xiàn)雙邊濾波器濾波效果最好,選用雙邊濾波器對(duì)圖像進(jìn)行平滑化處理。
圖像增強(qiáng)即期望突出的目標(biāo)區(qū)域增強(qiáng),將背景區(qū)域平滑;通過對(duì)比線性對(duì)比度拉伸、直方圖均衡化和同態(tài)濾波對(duì)涂布涂層圖像增強(qiáng)處理后結(jié)果,發(fā)現(xiàn)同態(tài)濾波對(duì)涂布涂層圖像的增強(qiáng)效果最好,選用同態(tài)濾波的方法對(duì)圖像進(jìn)行增強(qiáng)處理。
2.2.1 傳統(tǒng)的蟻群邊緣檢測(cè)算法
傳統(tǒng)蟻群邊緣檢測(cè)算法的檢測(cè)方法[13],算法分為5 個(gè)步驟:
1) 初始化。系統(tǒng)開始搜索前需進(jìn)行初始化設(shè)置。首先將α 只螞蟻隨機(jī)的放置在圖像I 上。然后為算法參數(shù)分配初始值。包括當(dāng)前移動(dòng)次數(shù)l=0,螞蟻移動(dòng)總次數(shù)L,當(dāng)前迭代次數(shù)z=0,迭代總次數(shù)Z,信息素矩陣初始值 τ0(I,j)=C。其中C 為常數(shù)且 0 <C <1,i ∈[1,P],j ∈[1,Q]。
2) 構(gòu)建轉(zhuǎn)移概率。螞蟻k 移動(dòng)到圖像上的下一點(diǎn)概率:
式中:β 表示啟發(fā)影響指數(shù);α 表示信息素影響指數(shù); k ∈[1,m]。 假設(shè)螞蟻首先處于點(diǎn) V(x,y),然后計(jì)算轉(zhuǎn)移概率值,螞蟻k 依轉(zhuǎn)移概率值轉(zhuǎn)移到下一個(gè)像素點(diǎn),記l=l+1。
3) 信息素更新。當(dāng)蟻群完成一次所有步數(shù)移動(dòng)后,信息素會(huì)按照下式更新:
其中ρ(0<ρ<1)代表信息素?fù)]發(fā)因子。
4) 判定是否終止迭代。令每完成一次迭代記z=z+1,如果z<Z 則返回2),否則繼續(xù)進(jìn)行下個(gè)步驟。
5) 邊緣決策過程。完成Z 次迭代后,人為選定閾值T。將信息素矩陣τ 與閾值T 對(duì)比,若τ>T該點(diǎn)為邊緣點(diǎn)。
2.2.2 改進(jìn)的蟻群邊緣檢測(cè)算法
改進(jìn)算法將在傳統(tǒng)蟻群算法的基礎(chǔ)上引入合適的啟發(fā)信息,定義螞蟻的運(yùn)動(dòng)規(guī)則和改進(jìn)信息素的更新規(guī)則。首先使每只螞蟻隨機(jī)分布在M×N的二維網(wǎng)格點(diǎn)陣上[13],每個(gè)網(wǎng)格點(diǎn)代表1 字節(jié)的灰度值像素。使螞蟻在此網(wǎng)格點(diǎn)陣上運(yùn)動(dòng),定義螞蟻在某時(shí)刻所處的位置和運(yùn)動(dòng)方向用螞蟻本身表示[14]。任意時(shí)刻螞蟻所在位置均存在8 鄰域,規(guī)定螞蟻每步僅能移動(dòng)一個(gè)像素點(diǎn)。
1) 啟發(fā)信息的獲取
啟發(fā)信息是螞蟻尋求邊緣點(diǎn)的先決條件,螞蟻依據(jù)局部環(huán)境遺留的信息素與啟發(fā)信息相結(jié)合來增強(qiáng)外部感知能力[15]。本文選取Canny 算子作為啟發(fā)信息,因?yàn)镃anny 算子邊緣定位較準(zhǔn)確與完整,同時(shí)可以濾除圖像噪聲,且所檢測(cè)邊緣的連接性較好[16]。
用Canny 算子得到的邊緣將作為蟻群邊緣檢測(cè)算法的啟發(fā)信息η。像素點(diǎn) (i,j)的啟發(fā)信息的公式如下:
2) 信息素更新規(guī)則的改進(jìn)
改進(jìn)的信息素更新規(guī)則是,為了防止信息素更新算法陷入停滯或局部最優(yōu)解狀態(tài),本文對(duì)信息素?fù)]發(fā)因子ρ 采取如下自適應(yīng)改進(jìn):
式中:ρmin為ρ 的最小值;σ 為常數(shù),σ 為 ρ(t ?1)的調(diào)整系數(shù),取值范圍為 (0,1]。在算法初期,為了增大全局搜索能力與信息素的影響,ρ 的取值盡可能小。當(dāng)經(jīng)過N 次循環(huán)迭代后,所得最優(yōu)解沒有明顯提高時(shí),因增大ρ 的值,減小信息素的影響,從而跳出局部最優(yōu)狀態(tài)[17]。
表 1 輥間間隙2 mm 涂布涂層厚度結(jié)果對(duì)比表Table 1 Comparison of coating thickness with roller gap 2 mm results
3) 算法最終閾值的選取
選取圖像中所有像素點(diǎn)的信息素矩陣的平均值 T(0)為
將所有像素的信息素矩陣按照小于和大于T(0)分成2 組。計(jì)算2 組元各自的平均數(shù),并求取2 個(gè)平均數(shù)的中值。
若|T(l)?T(l?1)|>ε,返回上一步,不斷重復(fù)該過程;否則結(jié)束迭代。最后根據(jù)如下公式判斷(i,j)是否是邊緣:
像素位置( i,j)是 邊緣, Fi,j=1; 否則 Fi,j=0。
在對(duì)傳統(tǒng)蟻群算法改進(jìn)后,分別使用傳統(tǒng)的蟻群邊緣檢測(cè)算法和改進(jìn)的蟻群邊緣檢測(cè)算法對(duì)涂布輥圖像進(jìn)行邊緣檢測(cè),檢測(cè)結(jié)果如圖5 和圖6 所示,圖4 為涂布輥原始圖像。
圖5 為傳統(tǒng)蟻群邊緣檢測(cè)算法所得到的結(jié)果??梢钥闯鏊鶛z測(cè)邊緣存在不連續(xù)、斷裂等現(xiàn)象,且對(duì)圖像噪聲非常敏感。圖6 為改進(jìn)的蟻群邊緣檢測(cè)算法所得到的結(jié)果??梢钥闯鏊鶛z測(cè)邊緣較為完整,并且對(duì)噪聲信息不敏感。說明了改進(jìn)的蟻群邊緣檢測(cè)算法對(duì)涂布輥圖像的檢測(cè)是有效的且優(yōu)于傳統(tǒng)蟻群邊緣檢測(cè)算法。
圖 4 涂布輥原始圖像Fig. 4 Original image of coating roll
圖 5 傳統(tǒng)的蟻群算法效果圖Fig. 5 Effect diagram of traditional ant colony algorithm
圖 6 改進(jìn)的蟻群算法效果圖Fig. 6 Effect diagram of improved ant colony algorithm
實(shí)驗(yàn)采用3 種測(cè)量方法的結(jié)果進(jìn)行對(duì)比,分別是機(jī)器視覺測(cè)量法、機(jī)理建模法、稱重測(cè)量法,以稱重測(cè)量法為基準(zhǔn),以機(jī)理建模法為輔助基準(zhǔn)。
涂布機(jī)穩(wěn)定運(yùn)行時(shí),涂布液經(jīng)過涂布輥帶到兩輥之間,在兩輥之間形成彎月面,然后厚度逐漸保持不變。測(cè)量該處涂布涂層的厚度,需要獲取兩輥邊緣以及液面邊緣。當(dāng)兩輥處于靜止?fàn)顟B(tài)時(shí),通過邊緣提取以及最小二乘法擬合可得涂布輥的邊緣擬合圓。采集輥間運(yùn)動(dòng)狀態(tài)的圖像,對(duì)圖像進(jìn)行雙邊濾波平滑化處理、同態(tài)濾波增強(qiáng)以及改進(jìn)的蟻群算法邊緣檢測(cè)。
為了避免測(cè)量結(jié)果的隨機(jī)誤差,每間隔1°從圓心向外引射線。分別求出10 處測(cè)量點(diǎn)的液體涂層厚度,最后將所得的10 個(gè)數(shù)據(jù)結(jié)果取均值,即為涂布涂層平均厚度,檢測(cè)效果如圖7 所示。
圖 7 輥間涂布涂層厚度檢測(cè)效果圖Fig. 7 Effect diagram of thickness detection for coating between rolls
從本文第1 節(jié)推導(dǎo)出的涂布涂層厚度數(shù)學(xué)模型可知,涂布輥在供料盤中的浸沒深度會(huì)對(duì)最終涂層厚度產(chǎn)生影響,也是計(jì)算涂布涂層理論厚度的重要參數(shù)。本文通過對(duì)邊緣提取后的圖像進(jìn)行最小二乘法擬合圓和Hough 直線檢測(cè)2 種檢測(cè)手段,完成涂布輥浸沒深度的計(jì)算。
通過第1 節(jié)可知,涂布輥從供料盤中帶起涂布涂層厚度數(shù)學(xué)模型和最終涂覆在基材表面上的涂布涂層厚度數(shù)學(xué)模型,結(jié)合(5)式、(9)式,計(jì)算可得理論涂布涂層厚度。
稱重測(cè)量法即使用寬度為l 的刮刀緊貼于輥?zhàn)颖砻?,在輥?zhàn)舆\(yùn)轉(zhuǎn)時(shí)刮掉寬度為l 的涂布液。然后用高精度天平秤測(cè)量刮掉涂布液的質(zhì)量m,其稱重精度為0.1 mg。根據(jù)輥?zhàn)拥木€速度V 與采樣時(shí)間t 以及涂布液密度ρ,可計(jì)算出涂布涂層厚度H,其計(jì)算公式如(17)所示。
采集涂布液示意圖如下所示。其中圖8 為刮刀收集涂布輥液面,圖9 為刮刀收集背輥液面。
圖 8 刮刀收集涂布輥涂布液示意圖Fig. 8 Diagram of coating fluid for roller collected by scraper
圖 9 刮刀收集背輥涂布液示意圖Fig. 9 Diagram of coating fluid for back roller collected by scraper
測(cè)量過程:1) 輥?zhàn)右跃€速度V 勻速運(yùn)轉(zhuǎn),等待取樣;2) 刮刀刮取寬度為l 的涂布涂層,放置于容器中等待稱重,同時(shí)記錄采樣時(shí)間t;3) 使用分析天平進(jìn)行質(zhì)量測(cè)量,最后,進(jìn)行實(shí)驗(yàn)數(shù)據(jù)的記錄。
本文實(shí)驗(yàn)使用甘油為涂布液,粘度為0.15 pas;背輥行星減速器選用SL120-L1-4、伺服電機(jī)選用130DNMA1-01D5B、驅(qū)動(dòng)器選用EPS-B1-01D5AA和涂布輥行星減速器選用SL120-L1-3、伺服電機(jī)選用130DNMA1-0003C、驅(qū)動(dòng)器選用EPS-B1-0003AA。
本文對(duì)比基于改進(jìn)的蟻群邊緣檢測(cè)算法的機(jī)器視覺測(cè)量法、機(jī)理建模法與稱重測(cè)量法,兩輥間隙距離為2 mm 時(shí)的對(duì)比數(shù)據(jù)如表1 所示。
從表1 中可知,機(jī)理建模法平均值為0.808 mm,標(biāo)準(zhǔn)差0.133;稱重測(cè)量法平局值0.747 mm,標(biāo)準(zhǔn)差為0.140;機(jī)器視覺法平均值為0.794 mm,標(biāo)準(zhǔn)差為0.142。機(jī)器視覺法與機(jī)理建模法最大誤差為5.74%,平均誤差為4.04%;機(jī)器視覺法與稱重測(cè)量法最大誤差為7.35%,平均誤差為6.52%。
機(jī)器視覺測(cè)量的誤差來源有以下幾個(gè)原因:
1) 對(duì)比標(biāo)準(zhǔn)是目前已知最接近真實(shí)涂層厚度的測(cè)量結(jié)果,但不是涂層客觀的實(shí)際結(jié)果;
2) 采集圖片是由于采集環(huán)境造成的誤差,以及相機(jī)本身的誤差,包括安裝誤差;
3) 圖片處理中算法的誤差也會(huì)造成最后實(shí)際結(jié)果的誤差。
針對(duì)輥式涂布涂層厚度檢測(cè)問題,提出一種基于啟發(fā)式蟻群算法的輥式涂布涂層厚度檢測(cè)方法,改進(jìn)的蟻群邊緣檢測(cè)算法通過引入邊緣啟發(fā)信息、改進(jìn)信息素更新公式和自適應(yīng)閾值選取,改進(jìn)了算法,使用該方法測(cè)量與機(jī)理建模法最大誤差為5.74%,平均誤差為4.04%;與稱重測(cè)量法最大誤差為7.35%,平均誤差為6.52%,可滿足實(shí)際生產(chǎn)需求。