一种用于石英晶片的机械臂自动分拣方法与系统

本发明涉及石英晶片分拣，尤其涉及一种用于石英晶片的机械臂自动分拣方法与系统。

背景技术：

1、石英晶片利用压电效应将机械振动转化为稳定电信号，为微处理器及数字电路提供精准时钟基准，是频率控制与信号滤波的核心元件。其突出特点在于极高的频率稳定度、优异的品质因数以及良好的长期可靠性，能在宽温度范围内保持谐振频率恒定。同时，石英晶片体积小、功耗低、抗干扰能力强，可灵活适配5g通信、汽车电子、消费电子及航空航天等高要求场景，是现代电子系统不可或缺的“定频基石”。

2、因现有的物理制造技术无法保证每一片石英晶片均保持一致。同时，为了保障产品质量，需要将形状不规则、存在划痕、污染物等瑕疵的石英镜片剔除出去，这就需要对石英晶片进行分拣。目前，主要依赖人工或者传统图像处理技术进行分拣。这两种方式存在诸多缺陷：第一：人工分拣效率低下，劳动强度大，且易受人为因素影响产生误判，导致资源浪费。第二：传统图像算法在特征提取方面泛化能力差、鲁棒性不足，难以适应石英晶片透明表面的特征稀缺问题，同时对不规则形状、缺陷晶片的识别精度低。

3、上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

1、本发明提供了一种用于石英晶片的机械臂自动分拣方法，包括：获取石英晶片的原始视觉图像；

2、对原始视觉图像进行预处理，获取预处理视觉图像，以去畸变校正与边缘轮廓增强；

3、调用目标检测模型对预处理视觉图像进行目标识别，输出石英晶片的类别与图像坐标；

4、依据图像坐标计算石英晶片在世界坐标系中的实际位置坐标；

5、依据实际位置坐标进行运动学模型逆向求解，以控制机械臂动作。

6、进一步的，将棋盘格标定板固定于作业平面；

7、通过matlab相机标定工具箱进行标定，以获取内参矩阵、外参矩阵、畸变参数；

8、调用opencv库的cv2.remap函数，依据内参矩阵、外参矩阵、畸变参数对原始视觉图像进行去畸变校正，以获取去畸变后的图像；

9、依据边缘轮廓增强公式对去畸变后的图像进行处理，以获取预处理视觉图像。

10、进一步的，边缘轮廓增强公式为：

11、

12、为预处理视觉图像；

13、为空间域坐标；

14、为去畸变后的图像；

15、为高斯拉普拉斯算子；

16、为高斯函数的标准差；

17、为自适应增强系数。

18、进一步的，将预处理视觉图像转换为输入特征图，并输入至目标检测模型；

19、依据特征提取公式处理输入特征图，以获取输出特征图；

20、对输出特征图进行解码，以获取石英晶片的类别与图像坐标。

21、进一步的，特征提取公式为：

22、

23、为输出特征图；

24、为当前批次的样本序号；

25、为输入特征图的通道序号；

26、为输出特征图的通道序号；

27、为输出特征图的高度索引；

28、为输出特征图的宽度索引；

29、为卷积核在高度方向上的遍历偏移量；

30、为卷积核在宽度方向上的遍历偏移量；

31、为输入通道数；

32、为卷积核尺寸；

33、为连接第个输入通道与第个输出通道的卷积核权重参数；

34、为输入特征图；

35、为卷积步长；

36、为填充大小；

37、为第个输出通道的偏置项。

38、进一步的，输入特征图与输出特征图之间的尺寸关系满足：

39、

40、

41、为输出特征图的高度；

42、为输出特征图的宽度；

43、为输入特征图的高度；

44、为输出特征图的宽度。

45、进一步的，还包括目标检测模型的优化步骤：

46、定义损失函数，最小化损失函数的损失值，以更新目标检测模型的卷积核权重参数；

47、损失函数为：

48、

49、为正样本数量；

50、为类别总数；

51、为样本编号；

52、为类别标签的编号；

53、为第个样本在第个标签上的真实二值标注；

54、为第个样本在第个标签上的预测概率。

55、本发明还提供了一种用于石英晶片的机械臂自动分拣系统，应用如前述的方法。包括：图像采集模块、计算处理模块、控制模块、执行模块、通信模块；

56、图像采集模块包括单目摄像头，用于获取原始视觉图像；

57、计算处理模块，用于对原始视觉图像进行预处理并识别，以依据获取的石英晶片的类别与图像坐标计算实际位置坐标；

58、执行模块包括相互连接的机械臂、步进电机驱动器、电磁铁吸附式抓手；

59、控制模块，用于依据实际位置坐标进行运动学模型逆向求解，以 控制执行模块动作；

60、通信模块，用于保持执行模块与控制模块之间通信。

61、相较于现有技术，本发明具有以下优点：

62、本发明通过高斯拉普拉斯算子提取图像中的边缘信息。通过自适应增强系数根据局部对比度动态调整增强强度。这一处理使得原本透明、低纹理的石英晶片在图像中的轮廓显著性大幅提升，为后续目标检测模型提供了高质量输入，从源头保障了识别精度。由此，本发明有效克服了石英晶片透明表面导致的特征稀缺问题，使目标检测模型能够清晰识别晶片边缘与轮廓。

63、本发明基于sigmoid输出进行二元交叉熵计算，每个类别的预测独立于其他类别。当石英晶片堆叠或相互遮挡时，目标检测模型不会因类别概率总和必须为1而压低某一目标的置信度，而是能够为多个类别同时分配合理的高置信度，从而大幅提升复杂场景下的识别准确率。由此，允许同一预测位置能够同时被分配多个类别标签。避免softmax强制归一化带来的类别竞争对小目标或被遮挡目标的不利影响，从而使得目标检测模型具备更优良的泛化能力与鲁棒性，进而在面对不同光照、背景、透明度及摆放姿态时，仍能 保持高识别率与低误检率。

64、本发明通过特征提取公式完成了对晶片特征的层层抽象。同时，通过尺寸关系公式控制了每层卷积后特征图的高度和宽度。由此，在使用单目摄像头的情况下，本发明能够在保证特征提取深度的同时维持足够的空间分辨率，使小尺寸晶片的位置信息不会因网络层数加深而丢失，最终实现定位误差≤2mm的工业级精度。

65、本发明仅采用单目摄像头而非双目视觉或3d传感器进行图像采集，配合棋盘格标定与坐标映射技术即可实现精准定位。硬件方面仅需摄像头、嵌入式计算平台（如jetsontx2）、dsp控制板及scara机械臂等常规工业部件，无昂贵的三维扫描仪或高精度激光传感器。整体方案兼具性能与成本优势，可灵活移植至其他小型精密零件的自动化分拣场景。