专利摘要

本发明公开了一种基于增量绝对光栅尺的绝对位移检测方法，包括：通过在增量式光栅尺上做标记，使其转变为一种增量绝对光栅尺，保证每条栅纹的唯一性；采集光栅图像并去噪，提取光栅尺的栅纹，建立深度学习的神经网络模型，训练每一道栅纹，保存训练后的神经网络模型；建立位移检测的数学模型，采集待检测位移的光栅尺的图像并利用训练好的神经网络模型进行栅纹识别，将识别出的栅纹号反馈给数学模型，以计算位移检测值。本发明将增量式光栅尺转变为增量绝对光栅尺，位移的测量方法是通过增量方式实现绝对光栅尺的功能，并且，大幅降低了光栅尺制造精度。

权利要求

1.一种基于增量绝对光栅尺的绝对位移检测方法，其特征在于，包括以下步骤：

步骤1，通过在增量式光栅尺上做标记，使其转变为一种增量绝对光栅尺，保证每条栅纹的唯一性；

步骤2，采集光栅图像并去噪，提取光栅尺的栅纹，建立深度学习的神经网络模型，训练每一道栅纹，保存训练后的神经网络模型；

步骤3，建立位移检测的数学模型，采集待检测位移的光栅尺的图像并利用训练好的神经网络模型进行栅纹识别，将识别出的栅纹号反馈给数学模型，以计算位移检测值。

2.如权利要求1所述的基于增量绝对光栅尺的绝对位移检测方法，其特征在于，步骤3所述的数学模型为：

上式中，n表示相邻的两张光栅尺图像中共有的栅纹中最大的栅纹号，j表示光栅尺的第j条栅纹，j<n；d表示任意相邻栅纹的栅距，i表示第i张光栅尺图像，uij表示第j条栅纹在第i张光栅图像中的运动方向左边界坐标，ρ′表示COMS相机的像素尺寸大小。

3.如权利要求1所述的基于增量绝对光栅尺的绝对位移检测方法，其特征在于，步骤1所述的在增量式光栅尺上做标记，使其转变为一种增量绝对光栅尺，具体为：

对于短行程光栅尺从左上至右下刻画一条对角斜线，而长行程光栅尺分段刻画斜线，通过斜线来标记每一道栅纹，这样每条栅纹具有了唯一性，即将光栅尺转化为了绝对尺。

4.如权利要求1所述的基于增量绝对光栅尺的绝对位移检测方法，其特征在于，步骤2所述的采集光栅图像并去噪，包括：

对于载体运动平台上的光栅尺，首先将摄像头对准光栅尺的第一根光栅，再缓慢移动运动平台，通过摄像头采集多批光栅图像，最后，分别将采集的光栅尺图像保存，并按照正整数顺序，依次命名；

因此采用将图片的列向量与阈值进行比较，来滤除噪音，具体公式如下：

其中，I′(:,b)表示滤波前光栅图像I′(u,v)的每一列像素值，I(u,v)表示滤波后的光栅图像。

5.如权利要求1所述的基于增量绝对光栅尺的绝对位移检测方法，其特征在于，步骤2所述的提取光栅尺的栅纹，包括：

首先，提取光栅图像Y轴上的所有像素点并求和，将所得到的值与设定阈值进行比对，如果大于阈值，则像素的位置为特征窗口的起始边界位置；然后，在光栅图像的X轴方向上，横向取其后面的m个像素作为特征窗口的宽度，其中m为栅纹宽度对应的像素数；利用特征窗口提取每一道栅纹图像，同时记录栅纹号；当前光栅图像中栅纹图像提取完后，读取下一张光栅图像，并按照相同的方法依次提取每一道栅纹图像。

6.如权利要求1所述的基于增量绝对光栅尺的绝对位移检测方法，其特征在于，步骤3所述的采集待检测位移的光栅尺的图像并利用训练好的神经网络模型进行栅纹识别，将识别出的栅纹号反馈给数学模型，以计算位移检测值，包括：

对于待检测位移的光栅尺，在光栅尺移动状态下，采用COMS相机连续采集光栅尺图像；对于每一张采集的图像，使用TensorFlow软件对光栅尺图象进行滤、去噪的预处理，以便于提取栅纹；图像预处理后，利用步骤2训练好的网络模型进行栅纹的识别；

通过比对连续两张光栅尺图像中的同一条栅纹，获取相对位移；通过对连续两张图像中所有同一条栅纹之间的相对位移差求平均，得到最终的位移检测值，从而克服光栅制造误差和降低光栅尺制造要求，得到位移信息完成位移检测。

说明书

技术领域

本发明涉及光栅尺位移检测技术领域，尤其涉及一种将增量条纹变成绝对编码及其位移检测方法。

背景技术

随着微电子产品集成度的不断提高，对微电子制造装备的位移检测系统，提出了更高的速度和精度的要求。

随着微细加工技术的发展，尤其是微电子产品集成度的不断提高，其组成元器件的尺寸随之减小，在这些元器件的加工和贴装过程中，对微电子制造装备的定位精度提出了更高的要求，要求精密测量系统向高精度、高速度方面发展。因此光栅尺位移检测速度、精度的提高具有重大意义。

目前使用的光栅尺主要分为增量和绝对两类。其中，增量尺是等间距的栅纹，通过产生莫尔条纹实现细分。由于速度与精度的矛盾，高精度测量时在高速时候容易丢步。为了解决丢步和上电复位问题，人们发明了绝对光栅尺，将位置进行编码，通常一组码为200μm的长度，对光栅刻线和细分要求高。

此外，目前大部分位移测量系统是基于传统图像处理方法的研究，文献“Real-Time Displacement Measurement of a Flexible Bridge Using Digital ImageProcessing Techniques,”提出利用数字图像处理技术对大桥的动态位移进行检测，文献“A High-Speed Vision-Based Sensor for Dynamic Vibration Analysis Using FastMotion Extraction Algorithms”提出利用高速视觉传感器对震动位移进行分析。通过数字图像处理技术应用，有效的提高了位移的测量的速度，降低了位移传感器的制造要求，减少成本和安装要求，但这些方法存在着物理模型误差和环境噪音干扰，使位移测量精度大大降低。另一方面，文献‘一种高分辨率和高频响的光栅纳米测量细分方法’提出一种高分辨率、高频响的光栅纳米测量细分方法－动态跟踪细分法，得到在5nm分辨率测量时，100kHz的频响速度，但测量允许速度仅为0.5mm/s，仍无法提高测量的允许速度。

发明内容

本发明提出了一种基于增量绝对光栅尺的绝对位移检测方法，该方法可以有效地克服传统光栅测量的光栅制造精度的限制(通常20μm)，并且通过神经网络模型算法极大的提高测量反馈的运算速度，达到精密测量中高加速度下的精准位移反馈和及时响应。

为了实现上述任务，本发明采用以下技术方案：

一种基于增量绝对光栅尺的绝对位移检测方法，包括以下步骤：

步骤1，通过在增量式光栅尺上做标记，使其转变为一种增量绝对光栅尺，保证每条栅纹的唯一性；

步骤2，采集光栅图像并去噪，提取光栅尺的栅纹，建立深度学习的神经网络模型，训练每一道栅纹，保存训练后的神经网络模型；

步骤3，建立位移检测的数学模型，采集待检测位移的光栅尺的图像并利用训练好的神经网络模型进行栅纹识别，将识别出的栅纹号反馈给数学模型，以计算位移检测值。

进一步地，步骤3所述的数学模型为：

上式中，n表示相邻的两张光栅尺图像中共有的栅纹中最大的栅纹号，j表示光栅尺的第j条栅纹，j<n；d表示任意相邻栅纹的栅距，i表示第i张光栅尺图像，uij表示第j条栅纹在第i张光栅图像中的运动方向左边界坐标，ρ′表示 COMS相机的像素尺寸大小。

进一步地，步骤1所述的在增量式光栅尺上做标记，使其转变为一种增量绝对光栅尺，具体为：

对于短行程光栅尺从左上至右下刻画一条对角斜线，而长行程光栅尺分段刻画斜线，通过斜线来标记每一道栅纹，这样每条栅纹具有了唯一性，即将光栅尺转化为了绝对尺。

进一步地，步骤2所述的采集光栅图像并去噪，包括：

对于载体运动平台上的光栅尺，首先将摄像头对准光栅尺的第一根光栅，再缓慢移动运动平台，通过摄像头采集多批光栅图像，最后，分别将采集的光栅尺图像保存，并按照正整数顺序，依次命名；

因此采用将图片的列向量与阈值进行比较，来滤除噪音，具体公式如下：

其中，I′(:,b)表示滤波前光栅图像I′(u,v)的每一列像素值，I(u,v)表示滤波后的光栅图像。

进一步地，步骤2所述的提取光栅尺的栅纹，包括：

首先，提取光栅图像Y轴上的所有像素点并求和，将所得到的值与设定阈值进行比对，如果大于阈值，则像素的位置为特征窗口的起始边界位置；然后，在光栅图像的X轴方向上，横向取其后面的m个像素作为特征窗口的宽度，其中m为栅纹宽度对应的像素数；利用特征窗口提取每一道栅纹图像，同时记录栅纹号；当前光栅图像中栅纹图像提取完后，读取下一张光栅图像，并按照相同的方法依次提取每一道栅纹图像。

进一步地，步骤3所述的采集待检测位移的光栅尺的图像并利用训练好的神经网络模型进行栅纹识别，将识别出的栅纹号反馈给数学模型，以计算位移检测值，包括：

对于待检测位移的光栅尺，在光栅尺移动状态下，采用COMS相机连续采集光栅尺图像；对于每一张采集的图像，使用TensorFlow软件对光栅尺图像进行滤、去噪的预处理，以便于提取栅纹；图像预处理后，利用步骤2训练好的网络模型进行栅纹的识别；

通过比对连续两张光栅尺图像中的同一条栅纹，获取相对位移；通过对连续两张图像中所有同一条栅纹之间的相对位移差求平均，得到最终的位移检测值，从而克服光栅制造误差和降低光栅尺制造要求，得到位移信息完成位移检测。

本发明与现有技术相比具有以下技术特点：

1.通过在增量式光栅尺条纹上刻画标记，使其转变为一种增量绝对光栅尺，一方面解决了增量式光栅尺速度与精度的矛盾(高精度测量时，在高速时候容易丢步)，另一方面解决了绝对光栅尺对光栅刻线和细分要求高的问题(通常一组码为200μm)。

2.通过引入神经网络模型，降低了建模误差和环境误差对位移测量误差的影响。因为训练集的每幅图片都包含了环境因和建模因素，提高了位移测量精度和稳定性。

3.由于光栅尺在制造过程，肯定会有制造误差，所以本方案位移测量是通过两幅相邻的图片中同一根光栅之间运动的像素位移，这样排除了制造误差，提高了移测量的精度。

4.由于神经网络对光栅尺的识别是通过光栅图像形状来识别的，所以光栅尺的制造精度越差，越易于识别，这样对光栅测量系统而言，每根光栅都是独一无二的，因此，位移的测量方法是通过增量方式实现绝对光栅尺的功能，并且，大幅降低了光栅尺制造精度。

5.传统的位移测量系统是通过细分来提高系统的分辨率，但是细分方法存在累积误差和精度较差等问题，图像提高分辨率是通过镜头放大倍数和图像传感器的像素精度；本方案在较低的成本下，易于获得较高的分辨率。

6.在实际应用过程中，为防止高速运动情况下COMS相机丢帧，可采用光电传感器记录栅纹数量，速度慢下来后用图像细分精准定位。

附图说明

图1为长行程光栅尺；

图2为短行程光栅尺；

图3为特征窗口的示意图；

图4为栅纹神经网络模型；

图5为位移测量原理；

图6为位移测量系统；

图7为本发明的原理流程框图。

具体实施方式

一般的，作为位移传感器的单个光栅尺的分辨率可达到纳米级，但由于受信号检测的扫描频率限制，单个光栅尺检测的最大允许速度往往与其测量分辨率成反比，要想实现纳米级位移的精密测量，系统运动速度会受到光栅位移传感器测量极限速度的限制(一般<200mm/s)；要实现对高速度运动的系统进行位移测量，测量步距又受到光栅位移传感器分辨率的限制(一般>0.5um)。

本发明为了解决上述问题提出了一种增量绝对光栅尺及其位移检测方法，一方面通过光栅尺图像像素的细分提高检测精度(只与相机分辨率有关，与光栅尺的分辨率无关)；另一方面通过将神经网络的权值和偏移参数，下载到FPGA中，实现在高精度下，达到更高的测量速度(只与相机扫描帧数和FPGA硬件的处理速度有关)。

本发明所述的一种基于增量绝对光栅尺的绝对位移检测方法的技术方案，具体包括以下步骤：

步骤1，通过在增量式光栅尺上做标记，使其转变为一种增量绝对光栅尺，保证每条栅纹的唯一性。

在光栅尺上做标记的具体类型可以有多种，只要使得做标记后每条栅纹(即光栅尺中黑色条纹)具有唯一性即可。本实施例中采用一种简单的方法来做标记：

对于短行程(<1000um)光栅尺从左上至右下刻画一条对角斜线，而长行程 (>1000um)光栅尺分段刻画斜线，通过斜线来标记每一道栅纹，这样每条栅纹具有了唯一性，即将光栅尺转化为了绝对尺，使检测过程无需归零和细分操作，加快响应速度；光栅尺的刻画如图1、2所示。

步骤2，采集光栅图像并去噪，提取光栅尺的栅纹，建立深度学习的神经网络模型，训练每一道栅纹，保存训练后的网络模型。

2.1图像采集

对于载体运动平台上的光栅尺，首先将摄像头对准光栅尺的第一根光栅，再缓慢移动运动平台，通过摄像头采集多批光栅图像，最后，分别将采集的光栅尺图像保存，并按照正整数顺序，依次命名。

2.2图像去噪

由于光栅图像采集过程中，存在环境噪音干扰，影响栅纹的提取，因此采用将图片的列向量与阈值进行比较，来滤除噪音，具体公式如下：

其中，I′(:,b)表示滤波前光栅图像I′(u,v)的每一列像素值，I(u,v)表示滤波后的光栅图像。

2.3通过特征窗口提取栅纹图像

特征窗口的定位如图3所示，首先，提取光栅图像Y轴上的所有像素点并求和，将所得到的值与设定阈值进行比对，如果大于阈值，则像素的位置为特征窗口的起始边界位置；然后，在光栅图像的X轴方向上，横向取其后面的m个像素作为特征窗口的宽度，其中m为栅纹宽度对应的像素数；利用特征窗口提取每一道栅纹图像，同时记录栅纹号；当前光栅图像中栅纹图像提取完后，读取下一张光栅图像，并按照相同的方法依次提取每一道栅纹图像。

2.4训练栅纹

将提取的栅纹图像作为神经网络模型的输入层，栅纹图像对应的栅纹号作为神经网络模型的输出层来训练栅纹；训练后能准确识别对应的栅纹标号，也就是知道它是第几道栅纹。

栅纹神经网络模型如图4所示：人工神经网络(Artificial Neural Networks) 是模仿脑细胞结构和功能、脑神经结构以及思维处理问题等脑功能的信息处系统，它从模仿人脑智能的角度出发，探寻新的信息表示、存储和处理方式，这种网络依靠系统的复杂程度，通过调整内部大量节点(神经元)之间相互连接的权重，从而达到处理信息的目的。通常一个神经网络由一个input layer，多个hidden layer 和一个output layer构成。图4中圆圈可以视为一个神经元(又可以称为感知器)。设计神经网络的重要工作是设计hiddenlayer，及神经元之间的权重和偏移量。添加少量隐层获得神经网络SNN；隐层很多时就是深层神经网络DNN。

在CNN网络中，n层的输入变量j表示为n-1层的非线性函数的输出变量。定义如下：

其中， 表示第n层的第k个输出变量，f为激活函数， 为n-1层所有输出变量的和， 为n-1层的第i节点变量到n层的第j节点变量的权值， 为 n层的偏移变量，E为误差函数，dk为第k个节点变量的目标值，yk为隐含层的输出，ρ为学习率。

本方案采用三层ANN神经网络，分别是输入层，隐含层，输出层，基于 Adam优化算法训练权值和偏移量；训练后保存网络模型。

步骤3，建立位移检测的数学模型，采集待检测位移的光栅尺的图像并利用训练好的神经网络模型进行栅纹识别，将识别出的栅纹号反馈给数学模型，以计算位移检测值，从而有效克服物理模型的不准确和噪音干扰。

对于待检测位移的光栅尺，在光栅尺移动状态下(光栅尺和COMS相机产生相对运动即可，可以使光栅尺运动，也可以是相机运动)，采用COMS相机连续采集光栅尺图像；对于每一张采集的图像，使用TensorFlow软件对光栅尺图像进行滤、去噪等预处理，以便于提取栅纹；图像预处理后，利用步骤2训练好的网络模型进行栅纹的识别；

通过比对连续两张光栅尺图像中的同一条栅纹，获取相对位移；通过对连续两张图像中所有同一条栅纹之间的相对位移差求平均，得到最终的位移检测值，从而克服光栅制造误差和降低光栅尺制造要求，得到位移信息完成位移检测。

传统的光栅尺位移检测要求每条栅纹宽度一致，且保证极高的精度，本方案中由于是对比连续两张图像中的同一根光栅，所以不存在制造误差，同时也可以降低制造要求。

移测量原理：

如图5所示，本方案中在进行位移检测时，建立位移检测的数学模型S，如下式；取CMOS相机采集的每相邻的两张光栅尺图像，通过下式计算位移检测值：

上式中，n表示相邻的两张光栅尺图像中共有的栅纹中最大的栅纹号，j表示光栅尺的第j条栅纹，即通过网络模型识别出的结果，j<n；d表示任意相邻栅纹的栅距，i表示第i张光栅尺图像，uij表示第j条栅纹在第i张光栅图像中的运动方向左边界坐标，ρ′表示COMS相机的像素尺寸大小。

通过上式可计算出位移检测值，则光栅尺的最大分辨率为：

其中，X表示COMS相机的放大倍数。

由此，本方案可以用较低的分辨率实现较高精度的位移测量。

本方案中，光栅尺光栅位移测量系统由工业相机、光栅尺、计算机、平行光源、基于Python和TensorFlow的神经网络算法程序(程序算法加载到FPGA硬件中，加快处理速度)五大部分组成。工业相机选择分辨率为1280x1024，最高帧率为180帧的高速相机，用于采集和放大光栅尺运动图片；光栅尺选择栅距为 50um的增量光栅尺，用于检测直线运动位移；计算机选择内存8GB，主频为 3.4GHz，用于图像处理和软件的运行。位移测量系统如图6所示，原理流程框如图7所示。

一种基于增量绝对光栅尺的绝对位移检测方法专利购买费用说明

Q：办理专利转让的流程及所需资料

A：专利权人变更需要办理著录项目变更手续，有代理机构的，变更手续应当由代理机构办理。

1：专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。

2：按规定缴纳著录项目变更手续费。

3：同时提交相关证明文件原件。

4：专利权转移的，变更后的专利权人委托新专利代理机构的，应当提交变更后的全体专利申请人签字或者盖章的委托书。

Q:专利著录项目变更费用如何缴交

A：（1）直接到国家知识产权局受理大厅收费窗口缴纳,（2）通过代办处缴纳，（3）通过邮局或者银行汇款,更多缴纳方式

Q：专利转让变更，多久能出结果

A：著录项目变更请求书递交后，一般1-2个月左右就会收到通知，国家知识产权局会下达《转让手续合格通知书》。