Neurofuzzy c网络SCARA机器人头部万向节总成(近半年)巡回检查

文摘

SCARA机器人的决策和控制近半年(万向节装配负责人)检查线是一个非常挑战的问题在硬盘驱动器(HDD)制造。近半年的电路称为滑块安全系数是硬盘的一部分用于读写数据在磁盘和一个非常小的维度,即。,45×64µm。扮演着一个重要的角色在这个检查,准确性和分类的缺陷是非常重要的来分配SCARA机器人的动作。机器人可以检查部分转移到相应的盒子,分成5组,这些都是“好”,“桥接”,“失踪”,“烧,”和“不连接。“一般的图像处理技术,blob分析,结合neurofuzzy c (NFC)聚类与分支界限法(BNB)技术来找到最好的结构在所有可能的候选人提出了增加整个机器人系统的性能。结果从两个k - means聚类技术,Kohonen网络,neurofuzzy c研究表明了该算法的有效性。培训的结果与300年30倍显微镜检查样本显示,最好的聚类精度达到99.67%的NFC集群具有以下特点:面积、惯性矩,周长,传统的测试结果显示92.21%的准确率Kohonen网络。结果显示改进聚类神经网络时应用。这个应用程序是一个进展neurorobotics工业应用。该系统已成功实现在希捷的硬盘生产线技术(泰国)有限公司

1。介绍

机器人和人工智能特别是neurorobotics发挥重要作用在许多生产过程,因为它们快速处理时间,精度好,智慧,和高重复性。相反,在手工操作的情况下,用户必须拥有足够的知识和经验来处理流程。手动操作通常会导致不一致和无法控制的精度和可重复性的变化。目前,硬盘制造过程正在研制的全自动过程的实现人工智能(AI)的自动化机器来代替手动过程从人类。一个最困难的过程是目视检查,一直由经验丰富的操作符。商检需要许多技术自从人类可以自然地处理复杂问题比这台机器。此外,商检的决定基于明显的图像智能机器仍然是一个具有挑战性的问题。增强的性能和准确性这一过程,人工智能技术如神经网络、模糊系统,和无监督学习试图适用于制造业,尤其是在机器人的视觉检查和控制的过程。在这项研究中,近半年电路由目测检验,SCARA机器人和分类框。这个过程从来料的负荷,然后装配过程,并使用机器人控制出货检验。 Before the development, the outgoing inspection inspects the FOS using the 30x microscope via the human eyes and then manually controls the robot to move the part into the corresponding box. This research aims to develop a neuro-fuzzy-based decision technique for this system to automatically control the SCARA robot for the HGA circuit inspection. Vision Pro program, which is a popular tool in image processing, is adopted as the platform of image processing in this study.

所(1),斑点检测是一个简单但强大的技术应用在现场可编程门阵列等许多研究blob,指尖滑动识别、和优化(2,3]。在我们的工作中,利用简单的blob作为寻求图像特性的工具应用在未来的分类和机器人控制的过程。在一般情况下,聚类的无监督学习技术被广泛采用在许多应用程序中,这些是,例如,k - means聚类,为文档聚类(k - means算法相结合4),k - means文档聚类和模糊c均值(5),k - means聚类应用于图像图形处理单元(GPU)平台6]。见(6),开发平台可以提高处理时间比普通的技术要快。在[7减少),k - means聚类应用于地图框架,这是一个巨大的数据管理应用程序中找到最好的价值。在[8),加权最小二乘模型(WLSMB)和k - means应用于提高分类的能力。Kohonen是集群技术之一,已被证明是在应用程序的三维数据;此外,新模型与迭代过程可能会进一步帮助改善结果9]。Kohonen映射方法是测试(10解决评估问题,结果显示一个更好的性能比基本信念任务。最受欢迎的模糊c均值聚类技术。数据包络分析(DEA)而言,Kohonen神经网络被应用在11]。在[12),模糊双c均值聚类与执行不同的数据集对数据聚类和图像分割。在医学领域,应用模糊c均值的磁共振脑成像(13),和实验结果表现出改进的性能。在[14],neurofuzzy c均值聚类算法显示了更好的鲁棒性系统在实验的基础上,合成数据集和合适的迭代。在软件质量的问题15),neurofuzzy c中是应用于故障预测问题。无监督和监督数据测试模型的训练过程。检测概率是关键参数进行性能检查。然而,新功能的多个聚类寻找未来的工作需要。在技术方面,司机警惕预测smartwatch-based司机或智能移动设备使用neurofuzzy c进行测试(16]。本研究结合传感器的测量数据和集群数据的预测。Neurofuzzy c均值聚类(17),运用欧氏距离的聚类技术,是利用在许多应用,如脑部肿瘤在MRI图像18),遥感图像(19,数据聚类和图像分割20.),和处理时间改进没有性能的影响(21]。在[22),分支界限法(BNB)是用于循环调度时间Petri网(TPN)基于制造系统。的速度解决块搬迁问题[23)提高利用分支定界算法。这个概念是减少必要的搬迁的数量;然而,它仍然需要未来工作支持放松约束。同时,BNB模型中的应用选择(24),手眼标定(25),大规模的非线性整数规划问题(26),在无线系统中多用户(27),和干扰的最大加权sum-rate链接设置(28]。所有上述技术和应用程序是成功的在前面的范围。在本文中,一种新的改进的分类技术无电路提出了分支定界法检验使用NFC和提高检测的准确性,提高产量。当检查对象的分类或团体决定,行动将SCARA机器人将是下一个过程的对象转移到相应的盒子。

2。头万向节总成

硬盘的读写过程发生于磁场改变盘。内部硬盘驱动器,它可能包含一些光盘有转速在7200 - 15000 rpm。摘要的硬盘生产工艺流程如图1。如这个图所示,30倍显微镜和滑块的过程将悬架的主要流程是HDD制造业。此外,无硬盘驱动器的一部分,包含一个滑块内部的电路。读者、作家、加热器、temperature-activated电路(TA)和microactuator相连的电路。测试、排序和装配过程是接下来的步骤组装近半年堆栈。

3所示。图像处理和特征选择

在自动视觉检测系统中,有两个通用部分需要考虑,这些都是图像处理技术的硬件选择和软件开发。在这项研究中,一个图像处理硬件设计已经考虑,将提供良好的成像结果。视图是一个领域的标准选择一个相机,根据滑块的大小和所需的景深(景深)。景深的最小和最大镜头和物体之间的距离可以产生清晰的图像。放大的比例计算相机工作区域和领域的观点如下:

基于仔细考虑在选择硬件设备,相机,镜头,和照明选择达到足够的分辨率,高灵敏度和高对比度与鲁棒性与环境变化。XC-56 VGA-class分辨率(647×493)是一个单色相机模块在这个研究。它与C-mounting安装镜头。

在这个过程中,阈值应用到图像从灰度图像转换成二进制图像,并基于考虑到指定的值直方图预处理。见图2阈值,148.05像素的直方图可以分离组明显最大化捕获的图像的对比。一般的图像处理技术,即。,noise elimination, “closing,” was also applied to the image preprocessing.

特征提取技术应用于找到候选特征图像。在这个工作中,角,面积、惯性,质心,acircularity,周长,延伸率测定。的例子图像特征计算方程所示(2)和(3),这些区域和acircularity分别:

找到最好的特性用于集群技术,流行的技术,“分支界限法(BNB)”应用。BNB过程从目标函数,分支的大问题,它分为小组的问题。然后,过程分析问题并移除一些结果的约束,不能提供最好的结果评价的目标函数。重复这个过程,直到找到最佳的解决方案。

4所示。集群和拟议的技术

分类方法分类分为特定组的数据模型建设。所有数据被分成2组:训练集和验证集。该训练集用于构建集群结构和参数,同时验证集是用于验证模型的性能。有很多技术应用于聚类,如欧氏距离。在这个研究中,提出的性能技术神经模糊c均值进行比较与k - means Kohonen集群技术。下面的部分将介绍每个聚类技术的简单概念应用于本研究工作。

4.1。k - means聚类

K - means聚类技术定义了K值代表小组成员的集群,每个集群和质心值是设置初始值。点显示的最小求和成员和质心的距离将被设置为中心的集团。这个过程会重复计算每个集群上执行新的质心到质心值没有改变(融合)。图3显示了k - means聚类技术的台阶。

所示的欧几里得距离(4)是用来计算K值和质心集群所示(5): 在哪里年代是总数据点,是重心集群,是数据点。

4.2。Kohonen集群

Kohonen集群首先随机分配重量并定义了学习速率和数据集。的最小距离是获胜的节点,然后,一个新的重量将代表每个集群。新的体重计算使用以下方程: 在哪里是一种新的权重矩阵,是当前权重矩阵,是n^th数据,是学习速率。更新重复计算,直到满足收敛条件。Kohonen上面提到的步骤如图所示4。

4.3。Neurofuzzy c均值聚类

neurofuzzy c均值聚类从一个初始值和更新这个值直到达到停止条件。目标函数(7)用于寻找最优距离值(最小值): 在哪里是成员函数,是数据的数量,集群的重心,是数据。成员函数可以计算出从以下方程:

聚类中心的规范化和去模糊化技术(8):

neurofuzzy c均值聚类的步骤如图所示5。如这个图所示,目标函数是最小化来实现最优的聚类中心值。

5。系统准备和实验结果

照明安装系统是应用于照亮了滑块电路,使最好的近半年电路的对比图像,如图6。所选类型的照明技术扩散照明。

近半年的元素电路是由非盟(黄金)。由于滑块被认为是与介质反射曲线表面,扩散照明技术应用于这个实验的环形灯(LED)适用于因其长寿命、灵活的应用程序,和高亮度。镜头和相机的选择是通过考虑视野和景深。近半年电路面积45×64µm(280×210),景深是80µm。选择的相机XC-56,总659×464像素。因此,放大的镜头可以计算使用(1),

镜头Infinitube fm - 75 PL-18系列工作距离15毫米被选中。近半年的5组电路分类是“好”,“桥接”,“失踪”,“烧,”和“无连接”,如图7。

Cognex视觉专业版7.2应用,图像处理工具,和主形象从希捷公司用于培训neurofuzzy c中搜索(图供参考8)。

上述过程后,斑点工具是用于分离感兴趣的区域(ROI),背景阈值。如图2,40%的像素是在左边,右边和60%,可有效分离的阈值。通过使用这种相对阈值,当照明变化获得的视觉过程的鲁棒性。

预处理和blob出口后,8图像特征变量、面积、惯性矩,周长,acircularity,质心X, Y质心,伸长,和角,是出口。图9显示预处理定义ROI和使用blob找到有趣的特性。目标函数在该技术用于BNB所示以下方程:

目标函数的定义是准确的百分比比较结果时使用30倍显微镜下人眼的分类。获得最有价值的事件(最高目标函数值)是最好的分类结构对于这个应用程序。三个集群技术应用于系统,用于计算精度设置找到最好的分类技术和最佳特性。通过BNB技术3分类技术,8图像特性,5分类组,和300个样本,最优质心值5预定义的分类组织进行评估。结果显示99.667%的最佳精度neurofuzzy c均值聚类。图10和表1说明结果的细节。

表1显示了十大最佳精度及其细节。

最好的精度可以通过NFC技术,和3图像特征变量,惯性矩和周长。显然,设计使用neurofuzzy c均值达到最佳性能,可采用命令SCARA机器人分类产品的质量后滑块附件流程。

如图(11日),红色圆圈是群“好”,蓝圈是粉色圆圈“桥接”,是“失踪”,深蓝色的圆和黑圆圈是“烧,没有连接。“图11 (b)显示每组的重心和表2显示了每组的最优重心。

在验证过程中,所选择的变量,面积、惯性矩,周长,NFC集群。300个新样本测试验证过程,和3目视检查机器,机器没有。17日,没有。23岁,没有。101年,被用来执行测试以确保性能在不同的机器上使用相同的技术。100样本/每台机器进行了测试,发现精度机没有实现。17、23和101年分别为100%,99.21%,和99.12%,分别。显然,上述结果表明精度超过99%(达到了希捷的标准)3视觉系统和技术可以实现在实际生产线。形象建设,真正实现生产线,通过NFC集群,如图12。此外,SCARA机器人的机器用于将滑块基于NFC的评价结果如图12 (b)。

6。结论

实验结果所示,性能优良的精度可以达到99.67% neurofuzzy c均值聚类和三个区域的最佳特性,惯性矩,周边的培训过程。结果的准确度是通过比较研究使用人类从30倍显微镜检查操作。在验证过程中,超过99%的准确性可以实现三种不同的视觉系统。这证实了该方法可以应用于头部的检验框架组装电路分类。此外,该命令将滑块与SCARA机器人工作将近半年堆栈正确分类盒。

数据可用性

SCARA机器人的图像在本文中分析了该算法所示数值数据类型的两倍。所有数值数据的输出视觉算法和聚类算法的MATLAB程序进行测试。本研究使用SCARA机器人的图像进行分析,包括在本文提供的希捷科技(泰国)有限公司有限公司,所以不能免费提供。对这些数据的访问请求应该Veerasak Phana-ngam通过邮件(veerasak.phana-ngam@seagate.com)。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了KMITL研究基金、RRI,泰国研究基金,和希捷科技(泰国)有限公司。

引用

1. a . Bochem r .疱疹和k·b·肯特,“硬件加速斑点检测的图像处理,”学报2010年第三次国际会议上电路的发展,电子和微电子页。进一步,威尼斯,意大利,2010年7月。视图:谷歌学术搜索
2. p .朋友,美国维·拉”的实现多个指尖滑动识别基于图像处理的触摸屏表面上电脑,”学报2014第五届国际会议的融合下一代信息技术峰会(融合)诺伊达,页663 - 668年,印度,2014年11月。视图:谷歌学术搜索
3. p c . Ravoor b . s .作者和s . r . Rupanagudi”优化的指尖滑动识别基于图像处理的触摸屏,”学报2012年最新进展国际会议上计算和软件系统(拉克斯),页104 - 108,纽约,纽约,美国,2012年4月。视图:谷歌学术搜索
4. p . Jaganathan和美国Jaiganesh”,一种改进的k - means算法结合粒子群优化方法有效的web文档聚类”学报2013年国际会议上绿色计算、通信和能量守恒(ICGCE)钦奈,页772 - 776年,印度,2013年12月。视图:谷歌学术搜索
5. 诉k·辛格:女子,美国Garg”文档使用k - means聚类,启发式模糊c k - means,,”学报2011年国际会议上计算情报和通信系统瓜廖尔,页297 - 301年,印度,2011年10月。视图:谷歌学术搜索
6. j . Sirotkovic h . Dujmic诉帕皮克,“大规模并行架构GPU, k - means图像分割”第35届国际会议MIPRO学报》上奥,页489 - 494年,克罗地亚,2012年5月。视图:谷歌学术搜索
7. k·d·加西亚和m . c . Naldi”多个平行mapReduce k - means聚类验证和选择,”学报2014年巴西智能会议系统,页432 - 437,圣保罗,巴西,2014年10月。视图:谷歌学术搜索
8. h . Zifen z兆麟,z . Yinhui”WLSMB半色调基于改进的k - means聚类算法使用直接二进制搜索”学报2013年第五次会议上测量技术和机电一体化的自动化,页1310 - 1313,香港,中国,2013年1月。视图:谷歌学术搜索
9. s . p . Lim和h . Haron立方体Kohonen自组织映射(CKSOM)模型与新方程在组织非结构化数据,”IEEE神经网络和学习系统,24卷,不。9日,第1424 - 1414页,2013年。视图:出版商的网站|谷歌学术搜索
10. Mercier Hammami, g, a . Hamouda和d·琼”Kohonen地图信念质量建模方法,”IEEE神经网络和学习系统,27卷,不。10日,2060 - 2071年,2016页。视图:出版商的网站|谷歌学术搜索
11. l·a·阿尔维斯和j·c·c·b·s·梅洛”基于权重的聚类数据包络分析方法在使用kohonen神经网络:一个应用程序在巴西电力部门,“IEEE拉丁美洲事务,13卷,不。1,第194 - 188页,2015。视图:出版商的网站|谷歌学术搜索
12. l . j .顾焦、美国杨和f . Liu”模糊双c均值聚类基于稀疏发作,”IEEE模糊系统,26卷,不。2、612 - 626年,2018页。视图:出版商的网站|谷歌学术搜索
13. a . Namburu s . k . Samayamantula, s . r . Edara”普遍粗糙直觉模糊c均值磁共振脑图像分割,“专业图像处理,11卷,不。9日,第785 - 777页,2017年。视图:出版商的网站|谷歌学术搜索
14. 刘k . Zhang, w .香港,p . et al .,“分区提出抑制模糊c均值算法,”系统工程与电子技术》杂志上,28卷,不。5,996 - 1008年,2017页。视图:谷歌学术搜索
15. a .艾尔沙德s Riaz焦l ., a .没吃“Semi-supervised深模糊C-mean集群软件故障预测,“IEEE访问》第六卷,第25685 - 25675页,2018年。视图:出版商的网站|谷歌学术搜索
16. b·g·李,j . h .公园,c . c Pu和w . y .涌,“Smartwatch-based司机警惕与kernel-fuzzy-C-means-wavelet指标方法,“IEEE传感器杂志,16卷,不。1,第253 - 242页,2016。视图:出版商的网站|谷歌学术搜索
17. 莫汉,t·艾哈迈德·h·Lassad, c . Abdelkader”新扩展的模糊c均值算法使用非欧几里得距离和内核的方法,”学报2013年国际会议控制、决策和信息技术(CoDIT)哈,页242 - 249年,突尼斯,2013年5月。视图:谷歌学术搜索
18. Parveen和a·辛格”检测脑部肿瘤的MRI图像,使用模糊c和SVM的组合,”学报》2015年第2信号处理和集成网络国际会议(SPIN)诺伊达,页98 - 102年,印度,2015年2月。视图:谷歌学术搜索
19. p . s . s . Aydav和美国Minz广义模糊c均值聚类的遥感图像的空间信息,”学报2014年数据挖掘与智能计算国际会议(ICDMIC),页1 - 5,新德里,印度,2014年9月。视图:谷歌学术搜索
20. b . k . Tripathy a Tripathy, k . g . Rajulu”可能性的模糊c均值算法在数据聚类和图像分割,”学报2014年IEEE国际会议上计算智能和计算研究(ICCIC)哥印拜陀,页1 - 6,印度,2014年12月。视图:谷歌学术搜索
21. 李张w . Wang y, y, x张“全球模糊c均值聚类算法,”第六届世界大会在智能控制和自动化学报》(WCICA)大连,页3604 - 3607年,中国,2006年1月。视图:谷歌学术搜索
22. c·荣格、h·j·金和t·李”的分支定界算法循环调度时间Petri网,“IEEE自动化科学与工程,12卷,不。1,第323 - 309页,2014。视图:出版商的网站|谷歌学术搜索
23. 田中和k . Takii”更快的算法和块搬迁问题,“IEEE自动化科学与工程,13卷,不。1,第190 - 181页,2016。视图:出版商的网站|谷歌学术搜索
24. n Thakoor和j .高”分支界限法为模型选择和它的计算复杂性,”IEEE工程知识和数据,23卷,不。5,655 - 668年,2011页。视图:出版商的网站|谷歌学术搜索
25. j·海勒,m . Havlena和t . Pajdla“使用和全局最优的手眼标定,”IEEE模式分析与机器智能,38卷,不。5,1027 - 1033年,2016页。视图:出版商的网站|谷歌学术搜索
26. h . d .蒋介石和t . Wang”小说TRUST-TECH引导和非线性整数规划的方法,”IEEE系统,人,和控制论:系统,45卷,不。10日,1361 - 1372年,2015页。视图:出版商的网站|谷歌学术搜索
27. l·t·n·朗道和r . c . de Lamare”和预编码的多用户MIMO系统比特量化,”IEEE无线通信信》第六卷,没有。6,770 - 773年,2017页。视图:出版商的网站|谷歌学术搜索
28. p c . Weeraddana m . Codreanu m . Latva-aho和a . Ephremides”加权sum-rate最大化为一组干扰链接通过分支界限法”IEEE信号处理卷,59号8,3977 - 3996年,2011页。视图:出版商的网站|谷歌学术搜索

版权

版权©2018 Somyot Kiatwanidvilai和Rawinun Praserttaweelap。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。