面向机箱标准件装配质量的KB-BBT结构机器评价系统

王文萍，刘桂雄

（1.华南理工大学广州学院，广东 广州 510640；2.华南理工大学机械与汽车工程学院，广东 广州 510640）

面向机箱标准件装配质量的KB-BBT结构机器评价系统

王文萍1，刘桂雄2

（1.华南理工大学广州学院，广东 广州 510640；2.华南理工大学机械与汽车工程学院，广东 广州 510640）

机箱装配具有部位多、标准件类型复杂等特点，实现机箱标准件装配质量评价，模式识别是关键。该文提出类间均衡树（KB-BBT）机器评价系统结构，首先，提出可实现不同评价标准的机箱标准件装配质量机器评价方法；其次，结合机箱具有固件三大类标准件的特点，构建3个SVM分类器，实现漏装配与机箱功能件、机箱钣金件、机箱紧固件三标准件大类的模式识别；最后，应用均衡树（BBT）结构，实现各大类标准件类内不同零部件模式的识别。经具有15种、204个的机箱标准件样本集实验，结果表明：KB-BBT结构能使SVM分类器最高识别准确率达到100.0%，比BBT结构提升7%，KB-BBT统结构从顶层区分三大类标准件，具有分类识别准确率高、分类器训练简单的特点。

机箱标准件；装配质量；均衡树；机器评价

0 引 言

机箱是设备的关键防护结构，机箱装配具有部位多、标准件类型复杂、结构各异等特点[1]，目前还多采用人工目测法检测装配质量，难以满足大批量工业生产检测的需要[2]。实现机箱标准件装配质量评价，模式识别是关键。

图像分类基于对已知样本的观察与学习，实现对未知样本预测[3]，在机箱装配质量检测过程中，全程具有技术人员参与，非常适合采用图像分类模式识别方法实现。支持向量机（support vector machine，SVM）基于结构风险最小化准则的学习方法，通过松弛变量和核函数对非线性的样本数据进行分类[4]，在解决小样本、非线性及高维模式识别问题中表现出独特优势，得到广泛应用。Ukwatta等[5]利用SVM开发出一种全自动的元素谱图像识别分类系统，达到了99%的识别分类准确度；Prakash等[6]实验证明SVM分类器比传统的k-NN分类算法在分类准确率上更有优势；文献[7]基于SVM原理提出了一种利用图像统计建模实现工业过程中产品质量检测的方法，并在产品质量智能检测流水线上进行试验，得到了较高的分类准确率；文献[8]对玻璃瓶口的生产缺陷进行图像特征提取并对已有的特征进行分类，设计SVM分类器进行学习与测试，最后达到了91.6%的缺陷识别率；文献[9]利用SVM对图像进行分类分割，实验结果证明了SVM算法具有较高的分类精度以及较高的可靠性。

笔者所在团队前期成功应用SVM结合有向无环图，实现表面缺陷识别[10-11]。本文将结合机箱具有机箱功能件、机箱钣金件、机箱紧固件三大类标准件的特点，从顶层区分三大类标准件，提出一种实现SVM多分类的类间均衡树（KB-BBT）机器评价系统结构。

1 机箱标准件装配质量机器评价方法

机箱装配过程将标准零、部件按规定技术要求组装起来，经过调试、检验使之成为合格产品。机箱上每个装配位置上应装配的标准件的型号、外观等都有规定的技术要求。机箱上有各种不同标准件，在质量检测过程中，对每个装配位置的装配检测结果可归纳为正确装配、误装配、漏装配3种情况。其中：1）正确装配是指在装配位置上，能按照技术要求装配正确标准件；2）误装配是指在装配位置上，所装配标准件型号不正确或装配质量不合格；3）漏装配是指在装配位置上，未装配上标准件。图1为某嵌入式机箱的装配结果示意图，图中列出正确装配、误装配、漏装配3种装配情况。

图1 某嵌入式机箱的装配结果示意图

若机箱装配的标准件共有M个种类：ω1，ω2，…，ωM；漏装标准件情况为ω0。设机箱上需装配J个标准件，令漏装配、误装配时得分别为 s0、s1（s0、s1≤0），其中某个位置pj应装配的标准件为W（pj），其机器模式识别结果为 W′（pj），则其装配情况Sj为

设各个位置 pj的权重为 Rj（Rj＞0），权重向量 R=（R1，R2，…，RJ）T，由式（1）得到每个位置装配情况 S=（S1，S2，…，SJ）T，若装配质量接收限为 Emin，则整个机箱的装配质量E及接收条件为

接收，E≥Emin；返修或报废，E＜Emin。

[算例1]若在具有极高要求的应用场合，不允许有任何的漏装配、误装配情况发生，则令 s0＜0、s1＜0，Emin=0即可。

[算例2]若在装配质量要求一般的应用场合，漏装配与误装配出现的总数不得超过5次，则令s0=s1＜0，Emin=5s0即可。

设置不同的 s0、s1、R、Emin，由式（1）、式（2）即可实现不同装配质量评价。只需要保证机器模式识别结果W′（pj）准确，即可实现机箱装配质量准确评价。

2 KB-AVL结构机器评价系统

SVM可以解决高维空间中的分类问题，对整体数据依赖性小，但仅能实现二分类，可与均衡树结构结合实现多分类[12]。

提出类间均衡树（kind-based balanced binary tree，KB-BBT）结构，整体结构包括顶层类间分类、类内均衡结构。机箱标准件可按不同功能与外观特性，分为机箱功能件C1、机箱钣金件C2、机箱紧固件C33大类，在各大类标准件中再细分为不同零部件。

机箱标准件样本空间Ra分别为

KB-BBT结构中，顶层类间分类实现漏装配X（ω0）与C1、C2、C33大类标准件的模式识别；类内均衡结构则针对属于各大类标准件下的零部件构建均衡树。

顶层类间分类共由3个SVM分类器组成，基于一对其余策略（one versus rest，OVR），先训练 SVM分类器 A1，识别未装配标准件 X（ω0）与有装配标准件X¯（ω0）的情况；训练 3 个 OVR-SVM 分类器 A2-i（i=1，2，3）分别实现类型Ci的识别，挑选其中分类效果最佳的分类器，作为整个KB-BBT结构的第2个分类器A2；再训练1个SVM分类器A3，实现另外两类机箱标准件分类。将 A1、A2、A3串联使用即可实现 X（ω0），C1，C2，C3的模式识别。

类内均衡树结构则针对属于各大类标准件下的零部件，可采用红黑树、AVL、伸展树等算法构建均衡树，形成类内均衡结构SVM。

图2为类间均衡树SVM的机箱装配质量机器评价系统，图中圆形为SVM分类器，矩形为3大类机箱标准件与漏装情况，正方形为各种零部件。

3 试 验

图2 类间均衡树SVM机箱装配质量评价系统

构建用于分类评价的机箱功能件、机箱钣金件、机箱紧固件等机箱三大类标准件图像样本集。采用MikrotronEoSens 25CXP工业相机 （分辨率5120×5120、黑白灵敏度 5.8 Vlux-1s-1、像元尺寸 4.5μm）；广东奥普特科技股份有限公司的OPT-C7528-2M定焦镜头（径向畸变＜0.02%）；视创科技有限公司的型号TXX-D708X21条形光源搭建标准件图像采集装置。采集不同光照条件下的机箱标准件图像样本；同时，考虑相机存在径向畸变等、光照角度等成像扰动，样本应在出现在相机采集图像的不同位置。

根据上述两项原则构建机箱三大类标准件图像样本集。样本集包括COM接口、DVI接口、PS/2接口、RJ45接口、电源接口等5种机箱功能件，PCI挡板、机箱风扇钣金件、电源风扇钣金件、电源接口钣金件、接口钣金件、热交换网、警告钣金件、脚垫钣金件等8种机箱钣金件，通孔铆钉、盲孔铆钉等机箱紧固件。 对应的图像样本数量为 16，5，8，8，4，12，5，5，16，5，15，5，10，45，45。

图3 各种结构不同核函数SVM分类器识别准确率

表1 BBT结构、KB-BBT结构SVM分类器识别效果对比表

图4 KB-BBT结构SVM分类器识别效果图

随机选择机箱标准件图像样本集中75%图像样本（153个）作为训练样本，余下25%图像样本（51个）作为测试样本，分别输入KB-BBT结构、BBT结构SVM分类器中进行学习与识别。 图3（a）、图3（b）分别为BBT结构、KB-BBT结构不同核函数SVM分类器识别准确率，BBT结构SVM分类器最高识别准确率为93.0%，采用KB-BBT结构后，SVM分类器最高识别准确率达到100.0%。表1和图4分别为BBT结构、KB-BBT结构识别准确率最佳SVM分类器识别效果对比表和示意图，结果表明KB-BBT结构能从顶层区分3大类标准件，具有分类识别准确率高、分类器训练简单的特点，满足机箱装配质量评价需求。

4 结束语

1）提出KB-BBT机器评价系统结构。结合机箱具有固件三大类标准件的特点，构建3个SVM分类器，实现漏装配 X（ω0）与机箱功能件 C1、机箱钣金件C2、机箱紧固件C3三标准件大类的模式识别；其次，应用BBT结构，实现各大类标准件类内不同零部件模式识别。

2）构建具有15种、204个的机箱标准件样本集，实验结果表明，KB-BBT结构能使SVM分类器最高识别准确率达到100.0%，比BBT结构提升7%，KBBBT统结构从顶层区分三大类标准件，具有分类识别准确率高、分类器训练简单的特点。

[1] 机械科学研究院.通用零部件标准化工作综述[J].机械工业标准化与质量，2016（12）：7-20，33.

[2]杨杰.多工序制造质量智能预测建模机理研究及应用[D].广州：华南理工大学，2011.

[3]郭继昌，王楠，张帆.基于多描述子分层特征学习的图像分类[J].哈尔滨工业大学学报，2016（11）：83-89.

[4] 吕岩，房立清，褚怡，等.基于混沌理论和相关向量机的自动机故障诊断[J].中国测试，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] 刘金平，唐朝晖，张进，等.基于图像统计建模的工业过程产品质量监测[J].光电子·激光，2015（9）：1796-1805.

[8] 黄志鸿，毛建旭，王耀南，等.基于机器视觉的啤酒瓶口缺陷检测分类方法研究[J].电子测量与仪器学报，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]吴俊芳，刘桂雄，付梦瑶，等.基于SVM的滤光片表面缺陷识别方法[J].中国测试，2016，42（2）：92-95，144.

[11]黄坚，刘桂雄，王小辉.滤光片表面缺陷视觉检测系统多处理器调度优化[J].中国测试，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.

（编辑：李刚）

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

广州市科技计划项目（2017010160641，201509010008）

王文萍（1981-），女，河南周口市人，讲师，硕士，主要从事设计制造与自动化研究。

刘桂雄（1968-），男，广东揭阳市人，教授，博导，主要从事先进传感与仪器研究。