HTML
-
位移测量是现代工业诸多领域不可缺少的关键技术,在机器人、数控加工、光刻机等高端制造领域中,位移测量结果作为控制系统的输入信息,其精确度会影响控制系统的整体精度。常用的位移测量传感器有霍尔传感器、电容传感器、电涡流传感器等。计算机视觉技术的不断发展,使得基于图像传感器进行位移测量这种非接触测量方法[1–4]被越来越多的国内外学者关注。
目前,常见的利用图像实现位移测量的方法可以归纳为基于模式的方法。该类方法首先识别待测目标上带有的明显的图形特征,常见的有长方形、圆形等几何特征[5]、图像特征点[6]。或者识别图形参数,常见的图形参数有一个图像区域的灰度值[7],图像熵等[8]。通过图形参数特征在空间随位移变化的规律,使用数字相关法[9]、对极几何法[10]等典型方法求解位移。这种方法首先需要模式识别,然后提取特征参数并对参数随位移变化建模,最后求解位移,这些步骤的串行叠加造成误差累积以及测量精度损失。其他方法如连续拍摄光干涉生成的条纹图像,使用相移法[11]等方法求解相位场,进而求解位移,同样无法避免图像采集系统的成像畸变和较高的噪声水平对后续步骤的巨大影响。
利用图像传感器单元阵列进行直线位移测量的方法[12]充分使用了丰富的图像传感器信息,建立了图像传感器单元阵列检测信号(成像灰度值向量)和位移值之间的映射关系,即测量模型。通过顺序求解法[13-14]从阵列检测信号中求解位移值。由于利用连续性原理带来迭代次数少的特点,该方法计算量小,且没有累积误差,可以达到很高的数值精度,一定程度上实现了实时性、大行程和测量精度之间的平衡。该方法的最终测量精度取决于模型精度以及图像传感器的噪声水平,因此建模精度至关重要。
基于图像的位移测量普遍都会面临光照不均匀,相机成像系统畸变[15]等因素干扰导致图像畸变的问题。文中针对参考文献[12]开展模型改进研究,结合靶标标称设计的周期性以及制造与灰度成像过程的畸变,采用Fourier级数与多项式逼近的方式建立模型类,从而实现模型精度的显著提高,进而提高实时测量精度。
-
连续运动过程中,阵列检测信号连续,使用公式(13)所示的顺序求解法[13-14]可以根据当前时刻的阵列检测信号
${{{Y}}_{{k}}}$ 以及上一时刻的位移${x_{k - 1}}$ ,迭代求解出当前时刻的位移${x_k}$ 。前人的工作已经充分证明该求解方法具有很高的求解精度和实时性。式中:
${{J}}\left( {{x_k}} \right)$ 为模型在${x_k}$ 处的雅可比矩阵,直线位移测量中使用一列图像传感器单元,因此雅可比矩阵退化为列向量;${{c}}$ 为模型中待标定的模型参数;j为迭代次数,通常迭代3~5次收敛。 -
使用校正前的理想正弦模型的参数标定结果如表1所示,使用校正后的模型的参数辨识结果如表2所示。图3为使用校正前的理想正弦模型的标定结果,其中的点为采集的若干不同位移、不同图像传感器单元的成像灰度值
${Y_{k,u}}$ ,曲面为模型参数标定后得到的模型分布,如图3(a)所示。${Y_{k,u}}$ 与标定到的模型在对应$({x_k},u)$ 坐标位置的差值称为该位置的模型残差${r_{k,u}} = {Y_{k,u}} - {F^{(u)}}({x_k})$ ,各坐标位置的模型残差分布如图3(b)所示,可见在模型的波峰与波谷位置存在很大的模型残差,使用均方根误差(Root Mean Square Error,RMSE)来评价建模的精确程度,其值越小,建模越精确,所有位置的模型残差数据的均方根误差RMSE=7.824 8。将模型残差分布图旋转至图3(c)所示的右视图可以看到各图像传感器单元在整个测量行程内的残差值分布区间范围很不一致,这说明图像传感器单元之间有明显的不一致。Parameter Value Parameter Value A 79.59 ${\tau _{\rm{w}}}$ 8.667 B 123.8 $\varphi $ 0.6262 Table 1. Results of model parameter identification before model correction
Parameter Value Parameter Value Parameter Value ${a_{10}}$ 81 ${a_{43}}$ 1.323e-06 ${b_{32}}$ −0.0002089 ${a_{11}}$ 0.04654 ${a_{50}}$ −0.2038 ${b_{33}}$ 1.421e-06 ${a_{12}}$ −0.0002637 ${a_{51}}$ −7.2e-05 ${b_{40}}$ 0.08277 ${a_{13}}$ 9.085e-07 ${a_{52}}$ 0.0001074 ${b_{41}}$ 0.004726 ${a_{20}}$ −6.692 ${a_{53}}$ −8.738e-07 ${b_{42}}$ −3.146e-05 ${a_{21}}$ 0.01142 ${b_{10}}$ −24.01 ${b_{43}}$ 1.808e-07 ${a_{22}}$ 1.84e-06 ${b_{11}}$ 0.04984 ${b_{50}}$ 0.301 ${a_{23}}$ −2.256e-07 ${b_{12}}$ −0.0002796 ${b_{51}}$ 0.003075 ${a_{30}}$ −0.6056 ${b_{13}}$ 1.659e-06 ${b_{52}}$ −0.0001482 ${a_{31}}$ −0.001703 ${b_{20}}$ −9.865 ${b_{53}}$ 1.122e-06 ${a_{32}}$ −1.555e-05 ${b_{21}}$ −0.01589 ${B_0}$ 129.2 ${a_{33}}$ 2.462e-07 ${b_{22}}$ 0.000121 ${B_1}$ 0.04099 ${a_{40}}$ −0.1802 ${b_{23}}$ −4.206e-07 ${B_2}$ −0.0004571 ${a_{41}}$ 0.006175 ${b_{30}}$ 0.5337 ${B_3}$ 2.644e-06 ${a_{42}}$ −0.0001946 ${b_{31}}$ 0.004793 ${\tau _{\rm{w}}}$/mm 8.62 Table 2. Results of model parameter identification after model correction
Figure 3. Model identification results before calibration. (a) The result of least square fitting; (b) Residual distribution of model; (c) Right view of the model residual distribution
模型校正后的标定结果如图4(a)所示,可见标定的模型很好地拟合了采集的数据。模型残差分布图4(b)所示各位置的模型残差基本在两个灰阶范围以内。模型残差数据的均方根误差
${\rm{RMSE}} = 0.713\;0$ ,建模精度相比校正前有显著提升。图4(c)所示各图像传感器单元在测量行程内的模型残差值分布范围之间差别很小,因此该校正方法对图像传感器单元之间的不一致性有明显的校正效果。Figure 4. Model identification results after calibration. (a) The result of least square fitting; (b) Residual distribution of model; (c) Right view of the model residual distribution
实验中初始位移
${x_0} = 0$ ,测量误差与位移的关系如图5所示,其中横坐标位移值由光栅尺实时测得,纵坐标为文中测量方法测得的位移值与光栅尺测量值之间的差值。图5(a)所示为使用理想正弦模型进行位移测量时,在模型的波峰与波谷,测量误差周期性的出现峰值,测量误差均值为−0.0011 mm,标准差为0.0564 mm。图5(b)所示为模型校正后的测量误差均值为${\rm{4}}{\rm{.9433e - 04\;mm}}$ ,标准差为0.0015 mm,位移测量精度得到显著提高。