面向盲孔亚毫米级定位与尺寸测量的AI辅助自适应光学机器人计量方法

《Frontiers in Artificial Intelligence》：AI-assisted adaptive-optical robotic metrology for sub-millimeter localization and dimensional measurement of blind holes

　　

引言：盲孔尺寸测量困难，因为内表面和底部难以用常规测头和摄像设备探测。光学测量还受可见性受限、照明差异、反射率、视角和机器人定位精度影响。方法：研究人员提出一种使用人工智能（artificial intelligence, AI）的自适应机器人光学计量系统，用于非接触孔检测。该系统包括六自由度（six degrees of freedom, six DOF）机器人、带相机的光学测量头、自适应照明系统、AI分割、亚像素圆和椭圆检测，以及利用坐标测量机（coordinate measuring machine, CMM）参考数据进行误差校正的机器人-相机标定。系统使用30个样本测试，孔直径范围5–15 mm，深度范围10–45 mm，深径比（aspect ratio）2.0–3.1，三种不同表面反射率条件，角度范围0–20°。结果：所有试验均成功实现孔检测。三维空间平均位置误差为0.0322 mm；位置误差均方根误差（root mean square error, RMSE）为0.0344 mm；最大位置误差为0.0645 mm。平均绝对直径误差为0.0544 mm；绝对直径误差RMSE为0.0647 mm。平均重复性为0.0217 mm；基于AI分割的平均置信度为0.935。平均位置误差随反射率类别在0.026 mm至0.037 mm之间变化，并在15°及更高接近角时增大。讨论：结果为使用AI辅助自适应光学机器人系统至少在當前操作范围内执行盲孔自动化非接触检查提供了初步概念验证（proof-of-concept）验证。然而，样本量小、单次重复以及部分混杂的实验条件限制了结果的普适性。需要在多次试验、模块消融试验以及更大深径比条件下开展进一步研究，以确立系统的稳健性和测量可靠性。

研究背景与问题。盲孔尺寸检测在精密加工中关键，孔位置、直径、方向、深度和形状影响装配精度、零件强度和密封性；航空航天、汽车、工具、液压、医疗和增材制造中许多功能孔为盲孔。与通孔相比，盲孔内端面被遮挡，常规测头和摄像设备难以探测；深度、表面状态和视角还限制接触与光学测量及照明。坐标测量机（coordinate measuring machine, CMM）精度高但装夹时间长，难用于快速检测；接触测量受测针形状、探杆弯曲和脆性件表面损伤风险限制。现有机器视觉对可光学接近的圆孔可达较高精度，但盲孔存在照明不足、透视畸变、金属/加工表面反射以及深径比增大导致光信号退化等问题；工业机器人绝对定位精度又比CMM低1–2个数量级。现有研究尚未把主动照明控制与机器人定位误差补偿统一到盲孔测量回路中。因此研究人员开展AI辅助自适应光学机器人计量研究，目标是在深度、反射率和接近角变化下实现盲孔非接触亚毫米级定位与尺寸测量。

研究人员开展的研究、结论与意义。研究人员构建六轴机器人搭载光学测量头、自适应照明、AI分割、亚像素几何重建、机器人-相机标定和基于CMM参考的系统误差补偿的闭环系统，并在30个盲孔样本上验证。结论是系统在试验范围内实现100%检测，平均三维位置误差E_P为0.0322 mm（RMSE 0.0344 mm，最大0.0645 mm），平均绝对直径误差E_D为0.0544 mm（RMSE 0.0647 mm），平均重复性标准差0.0217 mm，平均AI分割置信度0.935；所有误差未超过1 mm亚毫米目标，且多数满足更严格0.5 mm目标。意义在于为盲孔自动化、非接触在机和在线检测提供初步概念验证（proof-of-concept），并显示同一机器人系统有潜力兼顾制造与检测而无需将零件转移至CMM。

关键技术方法（≤250字）。系统由六自由度（six degrees of freedom, six DOF）机器人、带相机光学测量头、自适应LED/激光照明、AI分割、亚像素圆/椭圆拟合、机器人-相机标定及CMM参考误差补偿组成。分割采用自定义轻量卷积神经网络（convolutional neural network, CNN）编码器-解码器，输入256×256 RGB图像，输出像素级概率图，损失为分割、边缘和几何损失的加权和；训练/验证/测试按80%/10%/10%划分，试验图像不参与训练。样本来源为数控机床（computer numerical control, CNC）加工的聚甲基丙烯酸甲酯（poly(methyl methacrylate), PMMA）块上30个盲孔，孔径5–15 mm、深10–45 mm、深径比d/D 2.0–3.1、三种反射率、接近角0–20°，以按ISO 10360的CMM为参考。

研究结果。
5.1 总体测量性能。基于30次试验统计，30次均成功检测并完成AI分割和亚像素几何拟合；平均E_P 0.0322 mm，位置RMSE 0.0344 mm，最大0.0645 mm；平均绝对E_D 0.0544 mm，直径RMSE 0.0647 mm，最大0.1607 mm；平均重复性标准差0.0217 mm，平均AI置信度0.935；95%自助法（bootstrap）置信区间（confidence interval, CI）显示平均位置误差0.0281–0.0367 mm、平均绝对直径误差0.0422–0.0672 mm，检测率100%的精确单侧95%下限为88.4%。结论为整体精度满足亚毫米目标。
5.2 重复性。通过30次重复计算重复性标准差，范围0.0130–0.0291 mm，均值0.0217 mm；与深度和反射率无清晰相关（Pearson r分别为0.105和近零），提示试验间变异主要来自噪声ε而非系统性光学或照明效应，但高重复性仍可能伴随系统偏差。
5.3 表面反射率与自适应照明。通过按低/中/高反射率分层统计，自适应照明平均发射强度分别为149.4%、109.7%、77.0%；平均位置误差分别为0.0261、0.0366、0.0338 mm，类别差异未达统计显著（Kruskal–Wallis p=0.19，n=10/类），CI重叠；反射率与接近角部分混杂，且无固定照明基线，不能单独证明自适应照明的贡献；AI置信度在0.933–0.937间稳定。
5.4 孔深与相关分析。通过相关与回归分析，深度与AI置信度强负相关（r=?0.959，95% CI ?0.98至?0.91）；标准化回归R²=0.95，深度系数?0.87、直径0.02、接近角?0.26、反射率0.11；全深度范围检测仍100%。位置误差与d/D弱正相关（r=0.100，p=0.60）且不显著，d/D≥3.0仅9次。接近角与AI置信度r=?0.51、与自适应光r=?0.61，但受反射率混杂；位置误差与直径误差r=?0.176，提示两类误差源应分别处理。
5.5 与亚毫米目标和现有方法比较。通过将结果与亚毫米目标和现有机器人视觉圆孔结果比较，所有位置误差<0.065 mm、直径误差<0.161 mm，满足1 mm和0.5 mm目标；与可光学观测圆孔平均直径误差0.016 mm的研究相比量级相近，但其意义在于盲孔构型的可行性而非更高精度。研究未做模块级硬件消融，不能量化AI分割、自适应照明、亚像素拟合和机器人标定各自贡献。
5.6 统计稳健性与设计空间覆盖。通过bootstrap和留一法分析，均值位置误差在0.0311–0.0329 mm、位置RMSE在0.0328–0.0349 mm、平均绝对直径误差在0.0507–0.0561 mm、深度-置信度相关在?0.965至?0.953内变化；剔除最大位置误差试验2后最大位置误差0.0557 mm，剔除最大直径误差试验5后平均绝对直径误差0.0507 mm。d/D 1.0–2.0及>3.1未采样；d/D≥3.0与其余位置误差无差异（均0.032 mm，Mann–Whitney U p=0.65）；接近角≥15°平均位置误差0.041 mm，高于<15°的0.028 mm（约50%，p=0.003，Bonferroni校正p=0.012）；直径误差子集无显著差异（p=0.62、0.58）。结论为在采样范围内稳健，但不能外推。
5.6.1 基于硬件的验证与消融限制。通过30次物理试验验证完整系统配置，得到100%检测、平均三维位置误差0.0322 mm、位置RMSE 0.0344 mm、最大0.0645 mm、平均绝对直径误差0.0544 mm、直径RMSE 0.0647 mm；但未对AI分割、自适应照明、亚像素拟合和机器人误差补偿分别进行硬件消融，因此不能给出模块级贡献，后续需通过移除/替换模块开展消融。
5.7 讨论。通过讨论指出：自适应照明与反射率强跟踪（r=?0.96）并使位置误差在不同反射率类别稳定，照明应视为计量系统组成部分，但仍需固定照明基线比较；深度与AI置信度r=?0.959提示置信度反映光路衰减，可作为在线参数决定是否重新照明；位置误差与直径误差弱相关，应分别评估和补偿。适用边界为孔径5–15 mm、深10–45 mm、d/D 2.0–3.1、三种反射率和接近角≤20°，不能外推至更高d/D；CMM、机器人标定和训练数据多样性作为前提而非独立变量。

讨论总结与结论翻译。讨论总结：结果支持将光作为主动控制参数、AI分割、亚像素几何建模和机器人标定组合用于盲孔非接触计量；但样本量小、单次重复、部分混杂和缺乏模块消融限制普适性。结论（6）翻译：研究人员提出AI辅助自适应光学机器人计量系统用于盲孔几何非接触测量，将六轴机器人、光学测量单元、自适应发光单元、AI视觉单元、亚像素几何重建以及机器人感知坐标变换与误差补偿集成为单一测量回路，并以漫反射照明模型、照明质量目标、AI分割损失、亚像素圆/椭圆拟合、机器人-相机齐次变换、系统误差补偿模型和不确定度预算方程形式化。对孔径5–15 mm、深10–45 mm、三种表面反射率和机器人接近角0–20°的30次试验，框架达到100%检测率、三维位置误差0.0322 mm（95% bootstrap CI 0.028–0.037 mm；RMSE 0.0344 mm，最大0.0645 mm）、绝对直径误差0.0544 mm（RMSE 0.0647 mm）、重复性标准差0.0217 mm和平均AI置信度0.935。随表面反射率增加，自适应照明控制器降低发光量，使位置误差在0.026–0.037 mm内稳定；相关分析显示孔深是AI置信度降低的主要原因（r=?0.959）。所有误差未超过本试验采用的1 mm亚毫米精度水平。上述结果基于n=30、d/D 2.0–3.1的概念验证数据；接近角≥15°时位置误差约高50%（0.041 mm对0.028 mm），且反射率与接近角存在混杂。初步结果表明，将光作为主动控制参数而非被动成像工具，并结合AI分割、亚像素几何建模和机器人标定，可能是几何不可达盲孔自主非接触机器人计量的可行途径。该架构可直接用于航空航天结构、汽车发动机和液压件、模具、涡轮部件、增材制造零件和机加工装配的在机检测，主要优势是同一机器人系统可用于制造和检测而无需将零件转移至CMM。局限包括光学检测仍受表面反射率和散射影响，d/D大于5–10时遮挡重要且不能由自适应照明补偿，AI分割依赖训练数据对材料、深度、直径、反射率、照明和测量几何的代表性，窄视场下机器人定位误差更明显并需定期标定外参矩阵^ET_C，表面粗糙度、毛刺、污染物、氧化和圆度偏差未纳入验证，尺寸溯源需通过CMM artifact校准确定；统计范围受30个未重复、部分交叉试验限制，d/D 2.0–3.1且d/D≥3.0仅9次、接近角≥15°仅10次，深度与直径r=0.86、反射率与接近角r=0.74，不能分离因果。未来需开展硬件消融、更多覆盖深度/d/D/反射率/角度/材料的数据、与固定照明和图像处理方案比较，并在金属和工业零件特别是深孔几何上验证，以理解模块性能、降低不确定度并推动自动检测应用。