Um das Problem zu lösen, dass durch unterschiedliche Montagezustände beim präzisen Massenmontageprozess Fehler bei der Merkmalserkennung zu Prozessunterbrechungen und damit zu einer Beeinträchtigung der Montageeffizienz führen, wird ein Support Vector Machine-Modell vorgeschlagen, das Merkmale des Directional Gradient Histogram und lokale Binärmustermerkmale kombiniert. Zusätzlich wird eine Pyramidensuchstrategie angewendet, um die Erkennungseffizienz zu verbessern und eine mikroskopische Merkmalslokalisierung zu realisieren. Die Leistungsüberprüfung und Anwendungstests wurden an selbst entwickelten präzisen automatischen Montagegeräten durchgeführt. Dabei wurden verschiedene Merkmale für das Training der Support Vector Machine gesammelt, der Einfluss von Störfaktoren wie Textur und Beleuchtung auf die Stabilität und Genauigkeit der Lokalisierung untersucht sowie Lokalisierungsgenauigkeitsversuche und Chargenmontageversuche bestimmter Komponenten durchgeführt. Die Ergebnisse zeigen, dass die Methode die Zielpositionsmerkmale extrahieren und eine genaue Lokalisierung realisieren kann, unter verschiedenen Bedingungen eine gute Monomodizität und Wiederholgenauigkeit aufweist, eine Erkennungsgenauigkeit von 98 % erreicht, eine Lokalisierungsgenauigkeit besser als 4 μm und eine Montagegenauigkeit besser als 7 μm erzielt. Die Methode erfüllt die Lokalisierungsanforderungen unter unterschiedlichen Montagebedingungen in der realen Massenproduktion und bietet eine wirksame Lösung für die automatisierte präzise Montagepositionierung.

präzise Montage;Merkmalslokalisierung;mikroskopische Sicht;Support Vector Machine