面向機箱標準件裝配質量的KB-BBT結構機器評價系統

王文萍，劉桂雄

（1.華南理工大學廣州學院，廣東 廣州 510640；2.華南理工大學機械與汽車工程學院，廣東 廣州 510640）

面向機箱標準件裝配質量的KB-BBT結構機器評價系統

王文萍1，劉桂雄2

（1.華南理工大學廣州學院，廣東 廣州 510640；2.華南理工大學機械與汽車工程學院，廣東 廣州 510640）

機箱裝配具有部位多、標準件類型復雜等特點，實現機箱標準件裝配質量評價，模式識別是關鍵。該文提出類間均衡樹（KB-BBT）機器評價系統結構，首先，提出可實現不同評價標準的機箱標準件裝配質量機器評價方法；其次，結合機箱具有固件三大類標準件的特點，構建3個SVM分類器，實現漏裝配與機箱功能件、機箱鈑金件、機箱緊固件三標準件大類的模式識別；最后，應用均衡樹（BBT）結構，實現各大類標準件類內不同零部件模式的識別。經具有15種、204個的機箱標準件樣本集實驗，結果表明：KB-BBT結構能使SVM分類器最高識別準確率達到100.0%，比BBT結構提升7%，KB-BBT統結構從頂層區分三大類標準件，具有分類識別準確率高、分類器訓練簡單的特點。

機箱標準件；裝配質量；均衡樹；機器評價

0 引 言

機箱是設備的關鍵防護結構，機箱裝配具有部位多、標準件類型復雜、結構各異等特點[1]，目前還多采用人工目測法檢測裝配質量，難以滿足大批量工業生產檢測的需要[2]。實現機箱標準件裝配質量評價，模式識別是關鍵。

圖像分類基于對已知樣本的觀察與學習，實現對未知樣本預測[3]，在機箱裝配質量檢測過程中，全程具有技術人員參與，非常適合采用圖像分類模式識別方法實現。支持向量機（support vector machine，SVM）基于結構風險最小化準則的學習方法，通過松弛變量和核函數對非線性的樣本數據進行分類[4]，在解決小樣本、非線性及高維模式識別問題中表現出獨特優勢，得到廣泛應用。Ukwatta等[5]利用SVM開發出一種全自動的元素譜圖像識別分類系統，達到了99%的識別分類準確度；Prakash等[6]實驗證明SVM分類器比傳統的k-NN分類算法在分類準確率上更有優勢；文獻[7]基于SVM原理提出了一種利用圖像統計建模實現工業過程中產品質量檢測的方法，并在產品質量智能檢測流水線上進行試驗，得到了較高的分類準確率；文獻[8]對玻璃瓶口的生產缺陷進行圖像特征提取并對已有的特征進行分類，設計SVM分類器進行學習與測試，最后達到了91.6%的缺陷識別率；文獻[9]利用SVM對圖像進行分類分割，實驗結果證明了SVM算法具有較高的分類精度以及較高的可靠性。

筆者所在團隊前期成功應用SVM結合有向無環圖，實現表面缺陷識別[10-11]。本文將結合機箱具有機箱功能件、機箱鈑金件、機箱緊固件三大類標準件的特點，從頂層區分三大類標準件，提出一種實現SVM多分類的類間均衡樹（KB-BBT）機器評價系統結構。

1 機箱標準件裝配質量機器評價方法

機箱裝配過程將標準零、部件按規定技術要求組裝起來，經過調試、檢驗使之成為合格產品。機箱上每個裝配位置上應裝配的標準件的型號、外觀等都有規定的技術要求。機箱上有各種不同標準件，在質量檢測過程中，對每個裝配位置的裝配檢測結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，能按照技術要求裝配正確標準件；2）誤裝配是指在裝配位置上，所裝配標準件型號不正確或裝配質量不合格；3）漏裝配是指在裝配位置上，未裝配上標準件。圖1為某嵌入式機箱的裝配結果示意圖，圖中列出正確裝配、誤裝配、漏裝配3種裝配情況。

圖1 某嵌入式機箱的裝配結果示意圖

若機箱裝配的標準件共有M個種類：ω1，ω2，…，ωM；漏裝標準件情況為ω0。設機箱上需裝配J個標準件，令漏裝配、誤裝配時得分別為 s0、s1（s0、s1≤0），其中某個位置pj應裝配的標準件為W（pj），其機器模式識別結果為 W′（pj），則其裝配情況Sj為

設各個位置 pj的權重為 Rj（Rj＞0），權重向量 R=（R1，R2，…，RJ）T，由式（1）得到每個位置裝配情況 S=（S1，S2，…，SJ）T，若裝配質量接收限為 Emin，則整個機箱的裝配質量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用場合，不允許有任何的漏裝配、誤裝配情況發生，則令 s0＜0、s1＜0，Emin=0即可。

[算例2]若在裝配質量要求一般的應用場合，漏裝配與誤裝配出現的總數不得超過5次，則令s0=s1＜0，Emin=5s0即可。

設置不同的 s0、s1、R、Emin，由式（1）、式（2）即可實現不同裝配質量評價。只需要保證機器模式識別結果W′（pj）準確，即可實現機箱裝配質量準確評價。

2 KB-AVL結構機器評價系統

SVM可以解決高維空間中的分類問題，對整體數據依賴性小，但僅能實現二分類，可與均衡樹結構結合實現多分類[12]。

提出類間均衡樹（kind-based balanced binary tree，KB-BBT）結構，整體結構包括頂層類間分類、類內均衡結構。機箱標準件可按不同功能與外觀特性，分為機箱功能件C1、機箱鈑金件C2、機箱緊固件C33大類，在各大類標準件中再細分為不同零部件。

機箱標準件樣本空間Ra分別為

KB-BBT結構中，頂層類間分類實現漏裝配X（ω0）與C1、C2、C33大類標準件的模式識別；類內均衡結構則針對屬于各大類標準件下的零部件構建均衡樹。

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），先訓練 SVM分類器 A1，識別未裝配標準件 X（ω0）與有裝配標準件Xˉ（ω0）的情況；訓練 3 個 OVR-SVM 分類器 A2-i（i=1，2，3）分別實現類型Ci的識別，挑選其中分類效果最佳的分類器，作為整個KB-BBT結構的第2個分類器A2；再訓練1個SVM分類器A3，實現另外兩類機箱標準件分類。將 A1、A2、A3串聯使用即可實現 X（ω0），C1，C2，C3的模式識別。

類內均衡樹結構則針對屬于各大類標準件下的零部件，可采用紅黑樹、AVL、伸展樹等算法構建均衡樹，形成類內均衡結構SVM。

圖2為類間均衡樹SVM的機箱裝配質量機器評價系統，圖中圓形為SVM分類器，矩形為3大類機箱標準件與漏裝情況，正方形為各種零部件。

3 試 驗

圖2 類間均衡樹SVM機箱裝配質量評價系統

構建用于分類評價的機箱功能件、機箱鈑金件、機箱緊固件等機箱三大類標準件圖像樣本集。采用MikrotronEoSens 25CXP工業相機 （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%）；視創科技有限公司的型號TXX-D708X21條形光源搭建標準件圖像采集裝置。采集不同光照條件下的機箱標準件圖像樣本；同時，考慮相機存在徑向畸變等、光照角度等成像擾動，樣本應在出現在相機采集圖像的不同位置。

根據上述兩項原則構建機箱三大類標準件圖像樣本集。樣本集包括COM接口、DVI接口、PS/2接口、RJ45接口、電源接口等5種機箱功能件，PCI擋板、機箱風扇鈑金件、電源風扇鈑金件、電源接口鈑金件、接口鈑金件、熱交換網、警告鈑金件、腳墊鈑金件等8種機箱鈑金件，通孔鉚釘、盲孔鉚釘等機箱緊固件。 對應的圖像樣本數量為 16，5，8，8，4，12，5，5，16，5，15，5，10，45，45。

圖3 各種結構不同核函數SVM分類器識別準確率

表1 BBT結構、KB-BBT結構SVM分類器識別效果對比表

圖4 KB-BBT結構SVM分類器識別效果圖

隨機選擇機箱標準件圖像樣本集中75%圖像樣本（153個）作為訓練樣本，余下25%圖像樣本（51個）作為測試樣本，分別輸入KB-BBT結構、BBT結構SVM分類器中進行學習與識別。 圖3（a）、圖3（b）分別為BBT結構、KB-BBT結構不同核函數SVM分類器識別準確率，BBT結構SVM分類器最高識別準確率為93.0%，采用KB-BBT結構后，SVM分類器最高識別準確率達到100.0%。表1和圖4分別為BBT結構、KB-BBT結構識別準確率最佳SVM分類器識別效果對比表和示意圖，結果表明KB-BBT結構能從頂層區分3大類標準件，具有分類識別準確率高、分類器訓練簡單的特點，滿足機箱裝配質量評價需求。

4 結束語

1）提出KB-BBT機器評價系統結構。結合機箱具有固件三大類標準件的特點，構建3個SVM分類器，實現漏裝配 X（ω0）與機箱功能件 C1、機箱鈑金件C2、機箱緊固件C3三標準件大類的模式識別；其次，應用BBT結構，實現各大類標準件類內不同零部件模式識別。

2）構建具有15種、204個的機箱標準件樣本集，實驗結果表明，KB-BBT結構能使SVM分類器最高識別準確率達到100.0%，比BBT結構提升7%，KBBBT統結構從頂層區分三大類標準件，具有分類識別準確率高、分類器訓練簡單的特點。

[1] 機械科學研究院.通用零部件標準化工作綜述[J].機械工業標準化與質量，2016（12）：7-20，33.

[2]楊杰.多工序制造質量智能預測建模機理研究及應用[D].廣州：華南理工大學，2011.

[3]郭繼昌，王楠，張帆.基于多描述子分層特征學習的圖像分類[J].哈爾濱工業大學學報，2016（11）：83-89.

[4] 呂巖，房立清，褚怡，等.基于混沌理論和相關向量機的自動機故障診斷[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，等.基于圖像統計建模的工業過程產品質量監測[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多處理器調度優化[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，主要從事設計制造與自動化研究。

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