关键词：
目标检测
深度估计
点云分割
位姿估计
卷积神经网络
摘要：
电子产品制造业作为国民经济的战略性支柱产业之一,正面临着不断变化的市场需求以及高效精密电路板装配技术所带来的挑战,推动其装配工艺中的视觉定位技术向智能化方向转型升级。目前,机器视觉以及机器人技术的不断发展,正与电子产品制造业的智能制造计划相辅相成,共同推动着整个行业不断迈向更高水平。然而,当前基于卷积神经网络的机器视觉算法仍存在一些瓶颈,对于“图像中小目标的特征信息缺失、特征长距离流动中产生的信息差异以及点云场景中目标特征信息不平衡”等问题,缺乏深入研究,这导致现有模型在电路板装配场景中难以满足零件自主识别和高精度定位的应用需求。
在这一背景下,本文以“基于自适应卷积神经网络的电路板装配场景高精度视觉定位方法研究”为出发点,以电路板装配过程中涉及的PCB电子元器件为研究对象。从目标检测、深度估计、点云分割、位姿估计等多个角度切入,研究了如何增强小目标图像特征信息、优化特征信息流动通道以及平衡点云特征差异的策略。本文的主要研究内容涵盖以下五个方面:
(1)提出了一种特征增强的PCB电子元器件小目标检测方法
针对电路板上电子元器件目标密度高且尺寸较小,从而降低检测准确度的问题,在分析数据集特点的基础上构建了一种用于检测小目标增强特征网络。首先,通过并行主干网络结构增强网络浅层特征提取的能力,增加了对小尺寸目标敏感的检测头和特征融合路径。然后,利用自适应加权损失函数提升网络对小目标的关注度。最后,在自建的PCB电子元器件目标检测数据集上进行了实验测试。结果表明,本文提出的FE-PCBEC网络能有效挖掘主干网中小目标的弱特征,与基准网络YOLOv5s相比,35类电子元器件目标的平均准确度从84.12%提升至94.52%。
(2)提出了一种PCB电子元器件轻量化深度估计方法
针对自监督学习中缺乏对内部视觉机理研究,忽略特征长距离流动中信息丢失,以及网络结构冗余的问题,提出了PCB电子元器件轻量化深度估计方法。首先,结合自监督框架进一步优化编码器特征提取模块。然后,通过连接器改善特征长距离的流动,并通过混合剪枝精准剔除网络中冗余的卷积层与特征通道。最后,在自建PCB电子元器件双目数据集以及类似的公共数据集Eigen Split上完成方法测试实验。与基准模型对比,LSNBHP模型在Eigen Split数据集上的准确率阈值为1.25时提升了7%,耗时减少了61%。
(3)提出了一种自适应图卷积的电子元器件点云联合分割方法
针对PCB装配场景中的各类点云中存在密度不均匀的情况,严重影响分割准确度的问题,提出了自适应图卷积的电子元器件点云联合分割方法。首先,结合注意力机制,设计了密度加权的自适应特征提取模块。然后,通过结构相关损失函数对实例特征进行监督,平衡了点云类间以及类内特征信息差异。最后,在自建PCB电子元器件点云分割数据集完成测试实验。结果显示本文提出的JSECPC-AGC网络能平衡模型对不同特征的关注度,与基准模型对比,在平均实例准确率m Prec上从82.0%提升到了91.4%。
(4)提出了一种电子元器件点云动态配准方法
针对PCB装配场景中的点云配准精度不高,人工设定参数繁琐等问题,提出了基于动态阈值的电子元器件点云配准方法。首先,粗配准阶段引入ISS关键点检测算法提取出点云关键点,并构建KD树加速点云配准。然后,在精配准阶段提出了动态误匹配点对去除方法,减少配准偏差的同时提高算法鲁棒性。最后,在PCB电子元器件点云上实验,RMSE相较于基准算法提升了79%。
(5)提出了快速粗定位与高精度精定位相结合的视觉定位方法
针对电子元器件装配场景中堆叠的小目标较多,且存在元器件被机械臂手爪遮挡的问题,提出了两步定位策略。在粗定位阶段通过双目相机进行图像采集,使用图像检测算法检测出左目相机中的待装配电子元器件,然后通过深度估计算法估计出此电子元器件高度,完成粗定位(x,y,z),其高度误差小于1毫米,平均耗时为120毫秒左右。在精定位阶段首先利用结构光相机采集局部点云,接着结合点云分割算法实现局部点云中待装配电子元器件分割,最后使用点云配准算法将源点云与目标点云配准,完成精定位(x,y,z,α,β,γ),其平移距离误差约为0.23毫米,旋转误差在1°以下。
本文基于智能化电路板装配场景对视觉定位的紧迫需求,通过卷积神经网络系统地探究了电子元器件装配场景中元器件视觉定位涉及的关键问题。在评估过程中,考虑了检测准确度、模型参数量和检测速度等关键指标,全面验证了所提出理论和方法的可靠性和实用性。这些研究成果不仅为电子元器件等小目标物体的视觉定位提供了坚实的理论基础和实验验证,同时还展现了广泛的泛化能力和显著的工程应用前景。
欢迎来到三峡大学图书馆！
