王文萍，劉桂雄

（1.華南理工大學(xué)廣州學(xué)院，廣東 廣州 510640；2.華南理工大學(xué)機(jī)械與汽車工程學(xué)院，廣東 廣州 510640）

面向機(jī)箱標(biāo)準(zhǔn)件裝配質(zhì)量的KB-BBT結(jié)構(gòu)機(jī)器評價系統(tǒng)

王文萍1，劉桂雄2

（1.華南理工大學(xué)廣州學(xué)院，廣東 廣州 510640；2.華南理工大學(xué)機(jī)械與汽車工程學(xué)院，廣東 廣州 510640）

機(jī)箱裝配具有部位多、標(biāo)準(zhǔn)件類型復(fù)雜等特點(diǎn)，實(shí)現(xiàn)機(jī)箱標(biāo)準(zhǔn)件裝配質(zhì)量評價，模式識別是關(guān)鍵。該文提出類間均衡樹（KB-BBT）機(jī)器評價系統(tǒng)結(jié)構(gòu)，首先，提出可實(shí)現(xiàn)不同評價標(biāo)準(zhǔn)的機(jī)箱標(biāo)準(zhǔn)件裝配質(zhì)量機(jī)器評價方法；其次，結(jié)合機(jī)箱具有固件三大類標(biāo)準(zhǔn)件的特點(diǎn)，構(gòu)建3個SVM分類器，實(shí)現(xiàn)漏裝配與機(jī)箱功能件、機(jī)箱鈑金件、機(jī)箱緊固件三標(biāo)準(zhǔn)件大類的模式識別；最后，應(yīng)用均衡樹（BBT）結(jié)構(gòu)，實(shí)現(xiàn)各大類標(biāo)準(zhǔn)件類內(nèi)不同零部件模式的識別。經(jīng)具有15種、204個的機(jī)箱標(biāo)準(zhǔn)件樣本集實(shí)驗，結(jié)果表明：KB-BBT結(jié)構(gòu)能使SVM分類器最高識別準(zhǔn)確率達(dá)到100.0%，比BBT結(jié)構(gòu)提升7%，KB-BBT統(tǒng)結(jié)構(gòu)從頂層區(qū)分三大類標(biāo)準(zhǔn)件，具有分類識別準(zhǔn)確率高、分類器訓(xùn)練簡單的特點(diǎn)。

機(jī)箱標(biāo)準(zhǔn)件；裝配質(zhì)量；均衡樹；機(jī)器評價

0 引 言

機(jī)箱是設(shè)備的關(guān)鍵防護(hù)結(jié)構(gòu)，機(jī)箱裝配具有部位多、標(biāo)準(zhǔn)件類型復(fù)雜、結(jié)構(gòu)各異等特點(diǎn)[1]，目前還多采用人工目測法檢測裝配質(zhì)量，難以滿足大批量工業(yè)生產(chǎn)檢測的需要[2]。實(shí)現(xiàn)機(jī)箱標(biāo)準(zhǔn)件裝配質(zhì)量評價，模式識別是關(guān)鍵。

圖像分類基于對已知樣本的觀察與學(xué)習(xí)，實(shí)現(xiàn)對未知樣本預(yù)測[3]，在機(jī)箱裝配質(zhì)量檢測過程中，全程具有技術(shù)人員參與，非常適合采用圖像分類模式識別方法實(shí)現(xiàn)。支持向量機(jī)（support vector machine，SVM）基于結(jié)構(gòu)風(fēng)險最小化準(zhǔn)則的學(xué)習(xí)方法，通過松弛變量和核函數(shù)對非線性的樣本數(shù)據(jù)進(jìn)行分類[4]，在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出獨(dú)特優(yōu)勢，得到廣泛應(yīng)用。Ukwatta等[5]利用SVM開發(fā)出一種全自動的元素譜圖像識別分類系統(tǒng)，達(dá)到了99%的識別分類準(zhǔn)確度；Prakash等[6]實(shí)驗證明SVM分類器比傳統(tǒng)的k-NN分類算法在分類準(zhǔn)確率上更有優(yōu)勢；文獻(xiàn)[7]基于SVM原理提出了一種利用圖像統(tǒng)計建模實(shí)現(xiàn)工業(yè)過程中產(chǎn)品質(zhì)量檢測的方法，并在產(chǎn)品質(zhì)量智能檢測流水線上進(jìn)行試驗，得到了較高的分類準(zhǔn)確率；文獻(xiàn)[8]對玻璃瓶口的生產(chǎn)缺陷進(jìn)行圖像特征提取并對已有的特征進(jìn)行分類，設(shè)計SVM分類器進(jìn)行學(xué)習(xí)與測試，最后達(dá)到了91.6%的缺陷識別率；文獻(xiàn)[9]利用SVM對圖像進(jìn)行分類分割，實(shí)驗結(jié)果證明了SVM算法具有較高的分類精度以及較高的可靠性。

筆者所在團(tuán)隊前期成功應(yīng)用SVM結(jié)合有向無環(huán)圖，實(shí)現(xiàn)表面缺陷識別[10-11]。本文將結(jié)合機(jī)箱具有機(jī)箱功能件、機(jī)箱鈑金件、機(jī)箱緊固件三大類標(biāo)準(zhǔn)件的特點(diǎn)，從頂層區(qū)分三大類標(biāo)準(zhǔn)件，提出一種實(shí)現(xiàn)SVM多分類的類間均衡樹（KB-BBT）機(jī)器評價系統(tǒng)結(jié)構(gòu)。

1 機(jī)箱標(biāo)準(zhǔn)件裝配質(zhì)量機(jī)器評價方法

機(jī)箱裝配過程將標(biāo)準(zhǔn)零、部件按規(guī)定技術(shù)要求組裝起來，經(jīng)過調(diào)試、檢驗使之成為合格產(chǎn)品。機(jī)箱上每個裝配位置上應(yīng)裝配的標(biāo)準(zhǔn)件的型號、外觀等都有規(guī)定的技術(shù)要求。機(jī)箱上有各種不同標(biāo)準(zhǔn)件，在質(zhì)量檢測過程中，對每個裝配位置的裝配檢測結(jié)果可歸納為正確裝配、誤裝配、漏裝配3種情況。其中：1）正確裝配是指在裝配位置上，能按照技術(shù)要求裝配正確標(biāo)準(zhǔn)件；2）誤裝配是指在裝配位置上，所裝配標(biāo)準(zhǔn)件型號不正確或裝配質(zhì)量不合格；3）漏裝配是指在裝配位置上，未裝配上標(biāo)準(zhǔn)件。圖1為某嵌入式機(jī)箱的裝配結(jié)果示意圖，圖中列出正確裝配、誤裝配、漏裝配3種裝配情況。

圖1 某嵌入式機(jī)箱的裝配結(jié)果示意圖

若機(jī)箱裝配的標(biāo)準(zhǔn)件共有M個種類：ω1，ω2，…，ωM；漏裝標(biāo)準(zhǔn)件情況為ω0。設(shè)機(jī)箱上需裝配J個標(biāo)準(zhǔn)件，令漏裝配、誤裝配時得分別為 s0、s1（s0、s1≤0），其中某個位置pj應(yīng)裝配的標(biāo)準(zhǔn)件為W（pj），其機(jī)器模式識別結(jié)果為 W′（pj），則其裝配情況Sj為

設(shè)各個位置 pj的權(quán)重為 Rj（Rj＞0），權(quán)重向量 R=（R1，R2，…，RJ）T，由式（1）得到每個位置裝配情況 S=（S1，S2，…，SJ）T，若裝配質(zhì)量接收限為 Emin，則整個機(jī)箱的裝配質(zhì)量E及接收條件為

接收，E≥Emin；返修或報廢，E＜Emin。

[算例1]若在具有極高要求的應(yīng)用場合，不允許有任何的漏裝配、誤裝配情況發(fā)生，則令 s0＜0、s1＜0，Emin=0即可。

[算例2]若在裝配質(zhì)量要求一般的應(yīng)用場合，漏裝配與誤裝配出現(xiàn)的總數(shù)不得超過5次，則令s0=s1＜0，Emin=5s0即可。

設(shè)置不同的 s0、s1、R、Emin，由式（1）、式（2）即可實(shí)現(xiàn)不同裝配質(zhì)量評價。只需要保證機(jī)器模式識別結(jié)果W′（pj）準(zhǔn)確，即可實(shí)現(xiàn)機(jī)箱裝配質(zhì)量準(zhǔn)確評價。

2 KB-AVL結(jié)構(gòu)機(jī)器評價系統(tǒng)

SVM可以解決高維空間中的分類問題，對整體數(shù)據(jù)依賴性小，但僅能實(shí)現(xiàn)二分類，可與均衡樹結(jié)構(gòu)結(jié)合實(shí)現(xiàn)多分類[12]。

提出類間均衡樹（kind-based balanced binary tree，KB-BBT）結(jié)構(gòu)，整體結(jié)構(gòu)包括頂層類間分類、類內(nèi)均衡結(jié)構(gòu)。機(jī)箱標(biāo)準(zhǔn)件可按不同功能與外觀特性，分為機(jī)箱功能件C1、機(jī)箱鈑金件C2、機(jī)箱緊固件C33大類，在各大類標(biāo)準(zhǔn)件中再細(xì)分為不同零部件。

機(jī)箱標(biāo)準(zhǔn)件樣本空間Ra分別為

KB-BBT結(jié)構(gòu)中，頂層類間分類實(shí)現(xiàn)漏裝配X（ω0）與C1、C2、C33大類標(biāo)準(zhǔn)件的模式識別；類內(nèi)均衡結(jié)構(gòu)則針對屬于各大類標(biāo)準(zhǔn)件下的零部件構(gòu)建均衡樹。

頂層類間分類共由3個SVM分類器組成，基于一對其余策略（one versus rest，OVR），先訓(xùn)練 SVM分類器 A1，識別未裝配標(biāo)準(zhǔn)件 X（ω0）與有裝配標(biāo)準(zhǔn)件Xˉ（ω0）的情況；訓(xùn)練 3 個 OVR-SVM 分類器 A2-i（i=1，2，3）分別實(shí)現(xiàn)類型Ci的識別，挑選其中分類效果最佳的分類器，作為整個KB-BBT結(jié)構(gòu)的第2個分類器A2；再訓(xùn)練1個SVM分類器A3，實(shí)現(xiàn)另外兩類機(jī)箱標(biāo)準(zhǔn)件分類。將 A1、A2、A3串聯(lián)使用即可實(shí)現(xiàn) X（ω0），C1，C2，C3的模式識別。

類內(nèi)均衡樹結(jié)構(gòu)則針對屬于各大類標(biāo)準(zhǔn)件下的零部件，可采用紅黑樹、AVL、伸展樹等算法構(gòu)建均衡樹，形成類內(nèi)均衡結(jié)構(gòu)SVM。

圖2為類間均衡樹SVM的機(jī)箱裝配質(zhì)量機(jī)器評價系統(tǒng)，圖中圓形為SVM分類器，矩形為3大類機(jī)箱標(biāo)準(zhǔn)件與漏裝情況，正方形為各種零部件。

3 試 驗

圖2 類間均衡樹SVM機(jī)箱裝配質(zhì)量評價系統(tǒng)

構(gòu)建用于分類評價的機(jī)箱功能件、機(jī)箱鈑金件、機(jī)箱緊固件等機(jī)箱三大類標(biāo)準(zhǔn)件圖像樣本集。采用MikrotronEoSens 25CXP工業(yè)相機(jī) （分辨率5120×5120、黑白靈敏度 5.8 Vlux-1s-1、像元尺寸 4.5μm）；廣東奧普特科技股份有限公司的OPT-C7528-2M定焦鏡頭（徑向畸變＜0.02%）；視創(chuàng)科技有限公司的型號TXX-D708X21條形光源搭建標(biāo)準(zhǔn)件圖像采集裝置。采集不同光照條件下的機(jī)箱標(biāo)準(zhǔn)件圖像樣本；同時，考慮相機(jī)存在徑向畸變等、光照角度等成像擾動，樣本應(yīng)在出現(xiàn)在相機(jī)采集圖像的不同位置。

根據(jù)上述兩項原則構(gòu)建機(jī)箱三大類標(biāo)準(zhǔn)件圖像樣本集。樣本集包括COM接口、DVI接口、PS/2接口、RJ45接口、電源接口等5種機(jī)箱功能件，PCI擋板、機(jī)箱風(fēng)扇鈑金件、電源風(fēng)扇鈑金件、電源接口鈑金件、接口鈑金件、熱交換網(wǎng)、警告鈑金件、腳墊鈑金件等8種機(jī)箱鈑金件，通孔鉚釘、盲孔鉚釘?shù)葯C(jī)箱緊固件。 對應(yīng)的圖像樣本數(shù)量為 16，5，8，8，4，12，5，5，16，5，15，5，10，45，45。

圖3 各種結(jié)構(gòu)不同核函數(shù)SVM分類器識別準(zhǔn)確率

表1 BBT結(jié)構(gòu)、KB-BBT結(jié)構(gòu)SVM分類器識別效果對比表

圖4 KB-BBT結(jié)構(gòu)SVM分類器識別效果圖

隨機(jī)選擇機(jī)箱標(biāo)準(zhǔn)件圖像樣本集中75%圖像樣本（153個）作為訓(xùn)練樣本，余下25%圖像樣本（51個）作為測試樣本，分別輸入KB-BBT結(jié)構(gòu)、BBT結(jié)構(gòu)SVM分類器中進(jìn)行學(xué)習(xí)與識別。 圖3（a）、圖3（b）分別為BBT結(jié)構(gòu)、KB-BBT結(jié)構(gòu)不同核函數(shù)SVM分類器識別準(zhǔn)確率，BBT結(jié)構(gòu)SVM分類器最高識別準(zhǔn)確率為93.0%，采用KB-BBT結(jié)構(gòu)后，SVM分類器最高識別準(zhǔn)確率達(dá)到100.0%。表1和圖4分別為BBT結(jié)構(gòu)、KB-BBT結(jié)構(gòu)識別準(zhǔn)確率最佳SVM分類器識別效果對比表和示意圖，結(jié)果表明KB-BBT結(jié)構(gòu)能從頂層區(qū)分3大類標(biāo)準(zhǔn)件，具有分類識別準(zhǔn)確率高、分類器訓(xùn)練簡單的特點(diǎn)，滿足機(jī)箱裝配質(zhì)量評價需求。

4 結(jié)束語

1）提出KB-BBT機(jī)器評價系統(tǒng)結(jié)構(gòu)。結(jié)合機(jī)箱具有固件三大類標(biāo)準(zhǔn)件的特點(diǎn)，構(gòu)建3個SVM分類器，實(shí)現(xiàn)漏裝配 X（ω0）與機(jī)箱功能件 C1、機(jī)箱鈑金件C2、機(jī)箱緊固件C3三標(biāo)準(zhǔn)件大類的模式識別；其次，應(yīng)用BBT結(jié)構(gòu)，實(shí)現(xiàn)各大類標(biāo)準(zhǔn)件類內(nèi)不同零部件模式識別。

2）構(gòu)建具有15種、204個的機(jī)箱標(biāo)準(zhǔn)件樣本集，實(shí)驗結(jié)果表明，KB-BBT結(jié)構(gòu)能使SVM分類器最高識別準(zhǔn)確率達(dá)到100.0%，比BBT結(jié)構(gòu)提升7%，KBBBT統(tǒng)結(jié)構(gòu)從頂層區(qū)分三大類標(biāo)準(zhǔn)件，具有分類識別準(zhǔn)確率高、分類器訓(xùn)練簡單的特點(diǎn)。

[1] 機(jī)械科學(xué)研究院.通用零部件標(biāo)準(zhǔn)化工作綜述[J].機(jī)械工業(yè)標(biāo)準(zhǔn)化與質(zhì)量，2016（12）：7-20，33.

[2]楊杰.多工序制造質(zhì)量智能預(yù)測建模機(jī)理研究及應(yīng)用[D].廣州：華南理工大學(xué)，2011.

[3]郭繼昌，王楠，張帆.基于多描述子分層特征學(xué)習(xí)的圖像分類[J].哈爾濱工業(yè)大學(xué)學(xué)報，2016（11）：83-89.

[4] 呂巖，房立清，褚怡，等.基于混沌理論和相關(guān)向量機(jī)的自動機(jī)故障診斷[J].中國測試，2017，43（3）：111-116.

[5]UKWATTA E， SAMARABANDU J， HALL M.Machine vision system for automated spectroscopy[J].Machine Vision and Applications，2012，23（1）：111-121.

[6]PRAKASH J S， VIGNESH K A， ASHOK C， et al.Multi class support vector machines classifier for machine vision application[C]//International Conference on Machine Vision and Image Processing，2013：197-199.

[7] 劉金平，唐朝暉，張進(jìn)，等.基于圖像統(tǒng)計建模的工業(yè)過程產(chǎn)品質(zhì)量監(jiān)測[J].光電子·激光，2015（9）：1796-1805.

[8] 黃志鴻，毛建旭，王耀南，等.基于機(jī)器視覺的啤酒瓶口缺陷檢測分類方法研究[J].電子測量與儀器學(xué)報，2016，30（6）：873-879.

[9]XIE X，WANG T.A projection twin SVM-based active contour modelfor image segmentation[C]//International Conferenceon Mechatronicsand MachineVision in Practice IEEE，2017.

[10]吳俊芳，劉桂雄，付夢瑤，等.基于SVM的濾光片表面缺陷識別方法[J].中國測試，2016，42（2）：92-95，144.

[11]黃堅，劉桂雄，王小輝.濾光片表面缺陷視覺檢測系統(tǒng)多處理器調(diào)度優(yōu)化[J].中國測試，2015，41（10）：90-93.

[12]WU K Y， ZHENG Z M， TANG S T.BVDT：A boosted vector decision tree algorithm for multi-class classification problems[J].International Journal Of Pattern Recognition And Artificial Intelligence.[2017-02-08].http：//doi.org/10.1142/S0218001417500161.

（編輯：李剛）

Computer case standard components assembly quality oriented KB-BBT structure machine evaluation system

WANG Wenping1，LIU Guixiong2
（1.Guangzhou College of South China University of Technology，Guangzhou 510640，China；2.School of Mechanical and Automotive Engineering，South China University of Technology，Guangzhou 510640，China）

Case assembly has many characteristics，such as many parts and complicated standard components.In order to realize the assembly quality evaluation of case standard components，pattern recognition is the key.In this paper，a structure called kind base balanced binary tree（KB-BBT） of the machine evaluation system is proposed.Firstly， a method of evaluating the quality of the case standard components is proposed which can be used in different evaluation criteria.Secondly， according to the characteristics of categories of three major standard fasteners，3 SVM classifiers are constructed to realize the pattern recognition for leakage assembly of three case standard categories:function parts， sheet metal parts and fasteners.Finally， it uses a structure called balanced binary tree （BBT） to realize the pattern recognition of different major standard components.After the sample set test for 15 types and 204 case standard components，the results show that the KB-BBT structure can make the SVM classifiers reach the highest recognition accuracy rate of 100.0%，which increases for 7%by comparing with BBT structure.The KB-BBT structure of the system can differentiate the three major categories of standard components from the top level，with the characteristics of high classification accuracy and simple classifier training.

computer case standard component； assembly quality； BBT； machine evaluation

A

1674-5124（2017）06-0099-04

10.11857/j.issn.1674-5124.2017.06.021

2017-02-09；

2017-03-12

廣州市科技計劃項目（2017010160641，201509010008）

王文萍（1981-），女，河南周口市人，講師，碩士，主要從事設(shè)計制造與自動化研究。

劉桂雄（1968-），男，廣東揭陽市人，教授，博導(dǎo)，主要從事先進(jìn)傳感與儀器研究。