利用光斑图像特征确定飞秒激光有效烧蚀焦距

为确定飞秒激光光束对微尺度结构的烧蚀深度,研究了给定功率条件下对应的激光束有效烧蚀焦距。提出采用激光焦点处获得的烧痕阵列图像及在离焦状态下提取烧痕图像特征,通过分析图像特征与离焦距离,获得激光束有效烧蚀焦距范围的方法。在激光束焦点附近的硅晶片表面烧蚀出斑痕阵列,向下逐渐减小焦距,采集硅晶片斑痕图像,提取斑痕平均像素面积及斑痕目标与背景之间的R分量灰度差,获得斑痕像素面积及灰度差随激光束焦距变化的曲线;向上逐渐增大焦距,提取并获得斑痕像素面积及灰度差随激光束焦距变化的曲线。结合激光束向下离焦阈值(633μm)及向上离焦阈值(993μm),确定20mW输出功率条件下,飞秒激光在硅晶片材料表面的有效烧蚀深度为360μm。采用中位值方法确定了激光束在硅晶片表面聚焦时的焦距为0.823mm。实验表明,激光烧蚀斑痕像素面积及灰度差与激光束焦距之间的关系能够客观地反映激光束有效烧蚀焦距的变化范围。

飞秒激光烧蚀硅晶等离子体光斑集成小波处理

针对飞秒激光烧蚀硅晶片微结构产生的等离子体光斑图像中的噪声及光斑亮度信号噪声,分别采用多尺度小波阈值方法进行去噪。首先,用CCD相机连续记录烧蚀过程中的等离子体光斑,并转化为序列图像;其次,采用多尺度小波分解对等离子体光斑目标图像进行小波系数提取,去除图像中包含的噪声干扰,再经小波逆变换实现图像的重构;再次,对滤波后的光斑图像进行亮度特征提取,获得光斑序列图像的连续亮度变化曲线;最后,对光斑序列亮度曲线再次进行小波分解、系数提取及信号重构,使不同烧蚀区间的光斑亮度平均信噪比提高了19.74%,获得了平滑的光斑亮度特征变化曲线。

六自由度姿态变换视觉实验平台及应用

为了适应生产线上不同摆放姿态下工件的视觉识别,实现基于视觉的机器人工件定位及抓取,构建了六自由度工件姿态变换模拟实验平台运动学模型及视觉系统模型,通过坐标变换实现工件姿态参量的测量。建立了六自由度姿态变换实验平台坐标系,通过3个滑动副、3个转动副,构建了基于Denavit-Hartenberg(D-H)方法的六自由度姿态变换实验平台运动学模型,并得到了D-H参量表、各个关节的变换矩阵及实验平台基座到末端的总变换矩阵。基于小孔成像原理,构建了姿态变换实验平台视觉系统的内、外参量模型,获得了工件表面点与图像点间的内参量关系矩阵及工件坐标系与相机坐标间的外关系矩阵。由激光环形光条图像,得到工件表面在摄像机坐标系中的法向量,并通过坐标系间的变换得到工件表面在世界坐标系中的法向量,进而推算出工件的姿态参量。结果表明,姿态参量的横滚角θ平均误差为0. 373°,俯仰角φ平均误差为0. 253°,偏转角ξ平均误差为0. 673°。被测工件的姿态测量值与真实值基本吻合,满足不同姿态下的工件视觉测量要求。

天车机器人模型及吊钩运动视觉检测

天车是企业生产中物料吊运的重要设备。研究天车安全、可靠、高效运行具有重要意义。为研究天车运行特点及引入视觉系统进行避障、监控运行的可行性,在实验室环境中搭建了天车机器人及其视觉测量系统。建立了天车机器人吊钩轨迹运动坐标系及双目立体视觉模型;采用RGB不同颜色阈值选取方法对吊钩目标图像进行识别,进而将吊钩从复杂的背景中分割出来;采用SIFT特征点匹配方法实现了吊钩图像的特征点匹配及吊钩运动目标的视觉检测与跟踪。研究结果对提高天车运行的自动化、智能化具有借鉴意义。

飞秒激光烧蚀单晶硅片的表面质量视觉检测

使用飞秒激光微加工中心对单晶硅片等材料进行微尺度结构加工时,需保证硅晶片表面、边缘的完好,无瑕疵、污渍及划痕等缺陷。提前识别有破损的晶片对保证飞秒激光烧蚀样品的顺利进行具有实际意义。以飞秒激光烧蚀的单晶硅片为实验样品,分别针对以下一些瑕疵的视觉检测策略进行了研究:硅晶片表面划痕检测、表面污渍检测、边缘瑕疵与破损检测以及硅晶片边缘直线或曲线检测。经实验验证,提出的针对各种晶片表面瑕疵的检测策略是可行的,对提高飞秒激光烧蚀硅晶片的质量具有借鉴价值。

飞秒激光烧蚀光斑图像灰度特征及应用分析

飞秒激光在单晶硅材料表面进行微结构烧蚀过程中,微结构的烧蚀效率与烧蚀过程的工艺参数(烧蚀功率、烧蚀速度等)密切相关。研究、揭示光斑图像特征对光斑进行精确定位和跟踪显得至关重要。据此,对烧蚀过程中衍生的等离子体光斑图像的几何特征进行分析,首先,提取序列光斑图像,研究了光斑的形态特征和灰度的分布情况;其次,对光斑图像进行质心和中心提取,利用中心到质心的指向判断其烧蚀加工方向;最后,以此为基础,选取同一加工方向的光斑进行叠加,对光晕部分有效剔除,使光斑的灰度呈各向异性对称,即光斑灰度由中心到四周逐步均匀递减,其中心和质心基本重合。能有效提高对烧蚀光斑的定位和跟踪精度,对烧蚀速度的研究有着深远意义。

飞秒激光烧蚀光斑图像的周期灰度变化分析

在不同的飞秒激光烧蚀功率下,由于核心烧蚀区被烧蚀掉的材料体积不同,使得衍生的等离子体发光强度也不同。因此,有必要研究序列烧蚀光斑图像灰度变化与烧蚀工艺之间的关系。首先,连续采集2400帧光斑图像,获得光斑图像的灰度周期变化曲线,并对曲线进行小波去噪处理;其次,分析光斑图像周期性灰度变化曲线与烧蚀加工周期间的关系;再次分析了不同烧蚀状态下的光斑图像熵与光斑图像灰度间的对应关系;最后,分析了同一烧蚀功率,不同烧蚀时刻下烧蚀光斑图像灰度变化的稳定性。研究结果表明:烧蚀光斑灰度的周期变化与激光工作台的周期运动一致。在工作台向左或向右运动时,烧蚀过程是稳定的,光斑较亮。而在左右端点处,烧蚀光斑灰度值较低。

飞秒激光等离子体光斑图像增强及亮度分析

飞秒激光加工单晶硅材料过程中会伴随产生等离子体,通过CCD相机采集等离子体的光辐射信号得到等离子体光斑图像。针对光斑图像边缘与背景区域对比度不明显、信噪比低的特点,对光斑图像进行增强处理,并进一步对光斑图像亮度特征进行分析。首先,对原始光斑图像进行滤波,采用主成分分析方法将其增强,对得到的第一主成分图像进行伪彩色处理,以便于分析其能量分布,并依据其能量分布信息将光斑的核心区域分割出来。其次,分别计算原始光斑图像的质心、长轴以及核心烧蚀区的质心与长短轴,分析图像的几何特征,据此判断激光烧蚀加工的方向。再次,采用Niblack分割方法分割原始图像的灰度图,基于分割后的二值图像掩模亮度信息,得到光斑图像的亮度特征。最后,分析光斑亮度特征与激光烧蚀加工方向、激光功率的关系。亮度特征与加工方向的相关系数小于0.09,与激光功率的相关系数大于0.5。结果表明:光斑图像的亮度特征不受加工方向的影响,光斑亮度特征具有较强的稳定性,可用于激光烧蚀功率的识别。

基于级联支持向量机的飞秒激光烧蚀光斑分类

为了对光斑图像进行精确分类,提出优化的级联支持向量机(SVM)分类器。首先通过SVM分类器并采用质心特征对光斑进行一级分类,得到一类被正确地分类到相对应的运动状态,称为R光斑,其中包括一级拖尾方向为左上(UP)光斑和一级拖尾方向为左下(DN)光斑,另一类被错误分类,称为E光斑。然后,对一级DN光斑进行叠加并求取均值,得到均值光斑。为了进一步得到标准模型使其与每个一级DN光斑相似度尽可能最大,将均值光斑放入生成对抗网络(GAN)中进行训练。最后,利用结构相似度计算E光斑与标准模型的相似度,对E光斑进行二级SVM分类,产生二级UP和DN光斑。将其与一级光斑合并,则为最终的分类结果。对功率分别为10,20,50 mW下的光斑图像进行分类,对应的分类精度为100%、100%和98.5%。相比于传统的分类方法,对应的分类精度提升5~9个百分点,12~16个百分点和9.0~15.5个百分点,说明该分类器具有明显的优越性。