离面位移激励下微视觉运动追踪精度劣化特性

离面位移激励下微视觉运动追踪精度劣化特性 Degradation characteristics of in-focused-plane micro-vision motion-tracking accuracy excited by out-of-focused-plane displacements 1 2 first-author 王瑞洲（1990-），男，河南舞钢人，博士，副教授，硕士生导师，2012年、2017年于华南理工大学分别获得学士、博士学位，主要从事微定位、微视觉等方面的研究。E-mail： wangrz@gdut.edu.cn http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555243&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555252&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555247&type= 22.01333237 32.00401306 王瑞洲 （1990-），男，河南舞钢人，博士，副教授，硕士生导师，2012年、2017年于华南理工大学分别获得学士、博士学位，主要从事微定位、微视觉等方面的研究。E-mail： wangrz@gdut.edu.cn wangrz@gdut.edu.cn 1 2 2 3 corresp E-mail：heng.wu@gdut.edu.cn E-mail：heng.wu@gdut.edu.cn 吴 衡（1985-），男，湖北广水人，博士，副教授，硕士生导师，2009年于武汉科技大学获得学士学位，2012年、2017年于华南理工大学分别获得硕士、博士学位，主要从事鬼成像、深度学习、太赫兹成像、红外成像、机器视觉等方面的研究。E-mail： heng.wu@gdut.edu.cn http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555255&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555264&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555260&type= 22.01333618 32.00399780 吴 衡 （1985-），男，湖北广水人，博士，副教授，硕士生导师，2009年于武汉科技大学获得学士学位，2012年、2017年于华南理工大学分别获得硕士、博士学位，主要从事鬼成像、深度学习、太赫兹成像、红外成像、机器视觉等方面的研究。E-mail： heng.wu@gdut.edu.cn heng.wu@gdut.edu.cn 广东工业大学 省部共建精密电子制造技术与装备国家重点实验室， 广东 广州 510006 广东工业大学 省部共建精密电子制造技术与装备国家重点实验室， 广东 广州 510006 State Key Laboratory of Precision Electronic Manufacturing Technology and Equipment， Guangdong University of Technology， Guangzhou 510006， China State Key Laboratory of Precision Electronic Manufacturing Technology and Equipment， Guangdong University of Technology， Guangzhou 510006， China 广东工业大学 广东省微纳加工技术与装备重点实验室，广东 广州 510006 广东工业大学 广东省微纳加工技术与装备重点实验室，广东 广州 510006 Guangdong Provincial Key Laboratory of Micro/nano Machining Technology and Equipment， Guangdong University of Technology， Guangzhou 510006， China Guangdong Provincial Key Laboratory of Micro/nano Machining Technology and Equipment， Guangdong University of Technology， Guangzhou 510006， China 广东工业大学 广东省信息物理融合系统重点实验室，广东 广州 510006 广东工业大学 广东省信息物理融合系统重点实验室，广东 广州 510006 Guangdong Provincial Key Laboratory of Cyber-Physical System， Guangdong University of Technology， Guangzhou 510006， China Guangdong Provincial Key Laboratory of Cyber-Physical System， Guangdong University of Technology， Guangzhou 510006， China 为在微米级尺度量化表述离面位移激励值-聚焦面内微视觉运动追踪精度劣化值的映射特性，使用光学显微镜、工业相机和空间纳米定位平台进行实验研究。首先，分析离面位移的形成机理，使用方差函数评价图像清晰度，搜索最佳对焦平面并设定为聚焦平面，作为计算离面位移的基准。其次，设计空间多自由度纳米台，将其末端执行器作为微视觉追踪目标，生成聚焦平面内的运动轨迹，同时同步生成可控可测的离面位移。然后，选取灰度值模板匹配法与感兴趣区域划分法作为当前微视觉运动追踪算法，测量聚焦面内的运动轨迹。最后，加工纳米台样机，搭建微视觉运动追踪系统，使用电容传感器作为评价手段，计算不同离面位移引起的微视觉运动追踪精度劣化数值。实验结果表明，微视觉运动追踪精度随着离面位移的增大而不断劣化，具有显著且可量化的相关性。针对给定的76.1 μm×63.7 μm视场、15 Hz采样率与灰度值模板匹配法，（7.7±2.5） μm或更大的离面位移导致微视觉测量系统完全失效。 To quantitatively describe the effect of out-of-focused-plane displacements on the in-focused-plane micro-vision motion-tracking accuracy， a method based on an optical microscope， an industrial camera， and a spatial nano-positioning stage is proposed in this work. First， the formation mechanism of out-of-focused-plane displacements was analyzed. The variance function was employed to evaluate the sharpness of the image and search for the best-focused plane. The searched plane was used as the baseline to calculate out-of-focused-plane displacements. Second， a spatial nano-positioning stage was designed with multiple degrees of freedom. The end-effector served as the target to be tracked by the micro-vision. When generating in-focused-plane displacements， controllable and measurable out-of-focused-plane displacements were also produced simultaneously and synchronously by the end-effector. Third， the gray-value-based template matching approach was selected and combined with the region-of-interest method. This approach served as a representative micro-vision motion-tracking algorithm. Finally， the prototype of the nano-positioning stage was fabricated， and the micro-vision motion-tracking experimental system was constructed. Capacitive sensors were employed as evaluation tools. The degradation values of the micro-vision motion-tracking accuracy when excited by different out-of-focused-plane displacements were quantified. The experimental results indicate that out-of-focused-plane displacements directly contribute to accuracy degradation. The displacements and degradation were significantly correlated. The area of the proposed viewing field was 76.1 μm×63.7 μm， the sampling frequency was 15 Hz， and the gray-value-based template-matching approach was employed. When the out-of-focused-plane displacement reached （7.7±2.5） μm or larger， the micro-vision system was rendered inoperable. 微视觉运动追踪 离面位移 精度劣化 纳米定位平台 micro-vision motion-tracking out-of-focused-plane displacements accuracy degradation nano-positioning stage 1 引 言 1 微视觉测量使用显微镜和工业相机，具有非接触、可视化等优势 ［ 1 1 - 2 2 1-2 ］ 。所使用的目镜倍数越大，焦距越短、景深越小。由于景深普遍偏小，微视觉一般用于测量其聚焦平面内的运动或位置信息。影响平面内测量精度的因素较多，包括离焦模糊、运动模糊和高斯模糊等 ［ 3 3 - 6 6 3-6 ］ 。由于振动普遍存在，无法避免，镜头与被测对象之间的相对距离发生改变，引起不同程度的离焦模糊 ［ 7 7 ］ 。对于微视觉运动追踪而言，运动中对象的离面位移相对静止对象更为严重。相对毫米级视觉检测，其精度衰变也更为突出。 离面位移是相对于偏离特定参考平面位移量的一种描述 ［ 8 8 ］ 。在视觉成像领域，可直观地理解为被测面偏离“特定理想聚焦平面”的位移。离面位移常用在单目视觉三维位移测量中 ［ 9 9 ］ ，利用离焦成像特性，得到离面位移到图像变化的模型 ［ 10 10 ］ 。离面位移无法避免，实验环境变动、实验平台振动、机械装置因间隙或磨损产生相对位移等，均可产生离面位移。因此，视觉测量精度不可避免地受到离面位移的影响。同时，相对普通视觉测量，离面位移对微视觉造成更为严重的影响。Clark ［ 11 11 ］ 使用显微镜测量标尺的微位移，避开微平台移动过程中竖直方向位移对图像的影响。吴衡 ［ 12 12 ］ 指出离面方向位移使图像模糊，降低了微视觉平面位移和角度的测量精度。刘璐 ［ 13 13 ］ 检测液晶面板表面时，观测到离面方向的微振动会导致图像模糊。 空间多自由度纳米定位平台可以同时独立生成平面内运动轨迹，与垂直于平面的离面运动轨迹，精度均可达到纳米级。其中，平面内的运动轨迹，可以作为微视觉在聚焦平面内的运动追踪测量对象；垂直于平面的运动轨迹，可以模拟微视觉系统在特定离面位移激励下的运动测量特性。纳米台包含测量系统，测量精度为纳米级 ［ 14 14 - 15 15 14-15 ］ ，比现有微视觉的精度高一个数量级以上，可以用于量化评价微视觉测量精度及其劣化程度。目前，尚未有公开资料在微米级尺度对离面位移-微视觉运动追踪精度的映射进行量化表述。 本文选取被广泛采用、兼顾精度和实时性的灰度模板匹配法 ［ 16 16 - 17 17 16-17 ］ ，作为微视觉运动追踪算法的典型代表。由空间多自由度纳米定位平台控制生成离面位移，并使用电容传感器进行第三方评价，以量化表述离面位移激励值-微视觉运动追踪精度劣化值的映射特性。 2 离面位移的形成机理与评价方法 1 2.1　离面位移的形成机理 2 在光学显微镜成像中，被测对象在参考平面位置的成像清晰度，随聚焦平面沿轴向的移动而改变。获得最清晰的显示图像所在平面，定义为“理想聚焦平面”。被测对象沿光轴移动的过程中，可清晰成像的范围称为景深，景深分为前景深与后景深。被测对象在“聚焦平面”的成像最清晰。微视觉成像简化模型如 图1 图1 所示。 当被测对象偏离参考平面，处于位置 P 1 或 P 2 ，离开“聚焦平面”，即视为产生离面位移。最终，在CMOS/CCD上呈现类似圆形的扩散范围，所成图像变得模糊，测量精度下降。 2.2　离面位移的评价方法 2 在视觉对焦成像技术中，使被测面处于“聚焦平面”的方法，包括外界测量方法和图像特征判断方法 ［ 18 18 ］ 。基于图像特征的清晰度评价方法，是较为成熟的对焦处理手段，成本低、易于实现。常用的清晰度评价方法，包括频域函数、灰度函数和信息熵函数等 ［ 19 19 - 21 21 19-21 ］ 。其中，方差法是一种表征图像清晰度值差异的算法。在灰度图像中，清晰图像的灰度值差异大于模糊图像。当图像像素为 <math id="M1"><mi>M</mi><mtext> </mtext><mo>×</mo><mi>N</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555283&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555280&type= 11.59933376 2.87866688 时，方差法的计算结果为： <math display="block" id="M2"><mi>F</mi><mo>=</mo><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>M</mi></mrow></munderover></mstyle><mrow><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>j</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>N</mi></mrow></munderover></mstyle><mrow><mo stretchy="false">[</mo><mi>I</mi><msup><mrow><mo stretchy="false">(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo stretchy="false">)</mo><mo>-</mo><mover><mrow><mi>μ</mi></mrow><mo>¯</mo></mover><mo stretchy="false">]</mo></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></mrow></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555291&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555287&type= 37.67666626 8.97466660 ， 其中： <math id="M3"><mi>I</mi><mfenced separators="|"><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555301&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555296&type= 9.48266602 4.74133301 为图像坐标值为 <math id="M4"><mo stretchy="false">(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555309&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555304&type= 7.11199999 3.97933316 的灰度值， <math id="M5"><mover><mrow><mi>μ</mi></mrow><mo>¯</mo></mover></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555317&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555312&type= 1.94733346 4.23333359 表示整幅图像的灰度平均值。 <math display="block" id="M6"><mover><mrow><mi>μ</mi></mrow><mo>¯</mo></mover><mo>=</mo><mfrac><mrow><mn mathvariant="normal">1</mn></mrow><mrow><mi>M</mi><mi>N</mi></mrow></mfrac><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>i</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>M</mi></mrow></munderover></mstyle><mrow><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>j</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>N</mi></mrow></munderover></mstyle><mrow><mi>I</mi><msup><mrow><mo stretchy="false">(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo stretchy="false">)</mo></mrow><mrow/></msup></mrow></mrow></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555326&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555321&type= 33.86666870 9.05933285 . 方差评价函数具有单峰性、抗噪性等优点，可准确确定最清晰图像的位置。基于图像清晰度函数搜索最佳聚焦平面，设定为离面位移的计算基准。 3 聚焦面内与离面位移的生成精度 1 3.1　聚焦面内与离面位移生成方法 2 为在亚微米级精度同时生成聚焦面内与离面位移，设计空间多自由度纳米定位平台，如 图2 图2 所示。6条与末端执行器连接的并联型运动支链，另一端分别与聚焦面内和离面方向布置的6支压电陶瓷驱动器连接。聚焦面内生成的运动由面内布置的3个柱状电容传感器实时测量。离面方向生成的离面位移由离面方向的1个片状电容传感器实时测量。 1;2;3; 3.2　聚焦面内与离面位移的生成精度 2 在压电陶瓷的驱动下，空间纳米定位平台同步生成聚焦面内与离面方向可测可控的运动，其位移生成能力如 表1 表1 所示。 聚焦 面内 自由度 离面 方向 自由度 聚焦面内的 工作空间 离面方向的 可达行程 3 1 ≥140 μm×170 μm ≥90 μm 将空间纳米定位平台末端执行器的表面金属纹理作为运动观测的对象。它在聚焦面内生成的运动轨迹包括两段长25 μm的线段和一段直径为50 μm的圆轨迹，如 图3 图3 所示。 1;2; 空间纳米定位平台的末端执行器使用电容传感器实时伺服控制，聚焦面内的3支压电驱动器采用应变片伺服。末端执行器在聚焦面内 X ， Y 方向的3 σ 运动误差分别为38，54 nm，优于微视觉检测能力。 4 聚焦面内微视觉运动追踪算法 1 4.1　基于灰度值的模板匹配法 2 模板匹配是图像处理的关键步骤。根据已知目标模板图像，在另一幅图像中寻找目标位置并定位的过程，称为模板匹配 ［ 22 22 ］ 。模板匹配使用特定的算法，在目标图像中寻找与模板图像特征内容最为相似的区域 ［ 17 17 ］ 。相似性度量是模板匹配算法的核心。传统的模板匹配算法通常采用差值平方和（Sum of Squared Differences， SSD）或归一互相关（Normalized Cross-correlation， NCC）等，计算模板与目标图像之间的相似度。 设 <math id="M7"><mi>S</mi><mo stretchy="false">(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555501&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555498&type= 11.76866722 3.97933316 是尺寸为 <math id="M8"><mi>M</mi><mtext> </mtext><mo>×</mo><mi>N</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555418&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555415&type= 11.59933376 2.87866688 的搜索图像， <math id="M9"><mi>T</mi><mo stretchy="false">(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555429&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555425&type= 12.44600010 3.97933316 是 <math id="M10"><mi>m</mi><mo>×</mo><mi>n</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555448&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555446&type= 9.56733322 2.79399991 的模板图像。在搜索图 S 中，以 <math id="M11"><mo stretchy="false">(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555444&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555440&type= 7.11199999 3.97933316 为左上角，取 <math id="M12"><mi>m</mi><mo>×</mo><mi>n</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555448&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555446&type= 9.56733322 2.79399991 大小的子图，计算它与模板的相似度。遍历整个搜索图，在所有能够取到的子图中找到与模板图最相似的子图，作为最终匹配结果。SSD算法的相似性量度公式如下： <math display="block" id="M13"><mtable><mtr><mtd><mi>D</mi><mo stretchy="false">(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo stretchy="false">)</mo><mo>=</mo></mtd></mtr><mtr><mtd><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>s</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>m</mi></mrow></munderover></mstyle><mrow><mstyle displaystyle="true"><munderover><mo largeop="true">∑</mo><mrow><mi>t</mi><mo>=</mo><mn mathvariant="normal">1</mn></mrow><mrow><mi>n</mi></mrow></munderover></mstyle><mrow><mo stretchy="false">[</mo><mi>S</mi><mo stretchy="false">(</mo><mi>i</mi><mo>+</mo><mi>s</mi><mo>-</mo><mn mathvariant="normal">1</mn><mo>,</mo><mi>j</mi><mo>+</mo><mi>t</mi><mo>-</mo><mn mathvariant="normal">1</mn><mo stretchy="false">)</mo><mo>-</mo><mi>T</mi><msup><mrow><mo stretchy="false">(</mo><mi>s</mi><mo>,</mo><mi>t</mi><mo stretchy="false">)</mo><mo stretchy="false">]</mo></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msup></mrow></mrow></mtd></mtr></mtable></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555456&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555452&type= 64.68533325 14.30866718 . 由 式（3） 式（3） 可知，平均绝对差 <math id="M14"><mi>D</mi><mo stretchy="false">(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555463&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555459&type= 10.58333302 3.97933316 越小，越相似；找到 <math id="M15"><mi>D</mi><mo stretchy="false">(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555470&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555467&type= 10.58333302 3.97933316 的最小值，确定能匹配的子图位置。 4.2　聚焦面内的感兴趣区域检索法 2 为提高运算效率，利用感兴趣区域（Region of Interest，ROI）区域进行追踪。在开始运动追踪前，通过微视觉系统采集一帧图像进行模板匹配，经计算获得模板图像在原始图像中的位置 <math id="M16"><mo stretchy="false">(</mo><msub><mrow><mi>u</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub><mo>,</mo><msub><mrow><mi>v</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555477&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555474&type= 11.09133339 4.48733330 ，即运动轨迹的起始点，以此位置作为原始ROI区域 <math id="M17"><mo stretchy="false">(</mo><mi>m</mi><mo>×</mo><mi>n</mi><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555483&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555480&type= 12.61533356 3.55599999 的中心位置。原始ROI区域 <math id="M18"><msub><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555487&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555485&type= 3.89466691 3.72533321 为： <math display="block" id="M19"><msub><mrow><mi>R</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub><mo>=</mo><mi>I</mi><mfenced separators="|"><mrow><msub><mrow><mi>u</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub><mo>-</mo><mfrac><mrow><mi>m</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></mfrac><mo>:</mo><msub><mrow><mi>u</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub><mo>+</mo><mfrac><mrow><mi>m</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></mfrac><mo>,</mo><msub><mrow><mi>v</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub><mo>-</mo><mfrac><mrow><mi>n</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></mfrac><mo>:</mo><msub><mrow><mi>v</mi></mrow><mrow><mn mathvariant="normal">0</mn></mrow></msub><mo>+</mo><mfrac><mrow><mi>n</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></mfrac></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555491&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555489&type= 64.68533325 9.22866726 . 在末端执行器开始运动后，微视觉系统采集新一帧的图像，基于前一帧形成的ROI区域截取待匹配图像，进行模板匹配后，获得这一帧的模板中心在ROI区域中的位置 <math id="M20"><mo stretchy="false">(</mo><msub><mrow><mi>R</mi></mrow><mrow><mi>u</mi><mi>i</mi></mrow></msub><mo>,</mo><msub><mrow><mi>R</mi></mrow><mrow><mi>v</mi><mi>i</mi></mrow></msub><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555495&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555492&type= 14.05466747 4.48733330 ，计算得到模板中心在搜索图像 <math id="M21"><mi>S</mi><mo stretchy="false">(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555501&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555498&type= 11.76866722 3.97933316 的位置： <math display="block" id="M22"><mo stretchy="false">(</mo><msub><mrow><mi>u</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>,</mo><msub><mrow><mi>v</mi></mrow><mrow><mi>i</mi></mrow></msub><mo stretchy="false">)</mo><mo>=</mo><mfenced separators="|"><mrow><msub><mrow><mi>u</mi></mrow><mrow><mi>i</mi><mo>-</mo><mn mathvariant="normal">1</mn></mrow></msub><mo>-</mo><mfrac><mrow><mi>m</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></mfrac><mo>+</mo><msub><mrow><mi>R</mi></mrow><mrow><mi>u</mi><mi>i</mi></mrow></msub><mo>,</mo><msub><mrow><mi>v</mi></mrow><mrow><mi>i</mi><mo>-</mo><mn mathvariant="normal">1</mn></mrow></msub><mo>-</mo><mfrac><mrow><mi>n</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></mfrac><mo>+</mo><msub><mrow><mi>R</mi></mrow><mrow><mi>v</mi><mi>i</mi></mrow></msub></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555509&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555504&type= 66.54799652 9.22866726 . 根据该位置更新ROI区域，第 <math id="M23"><mi>i</mi></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555515&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555511&type= 1.10066664 2.79399991 帧的ROI区域 <math id="M24"><msub><mrow><mi>R</mi></mrow><mrow><mi>i</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555523&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555519&type= 3.55599999 3.72533321 为： <math display="block" id="M25"><msub><mrow><mi>R</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>=</mo><mi>I</mi><mfenced separators="|"><mrow><msub><mrow><mi>u</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>-</mo><mfrac><mrow><mi>m</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></mfrac><mo>:</mo><msub><mrow><mi>u</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>+</mo><mfrac><mrow><mi>m</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></mfrac><mo>,</mo><msub><mrow><mi>v</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>-</mo><mfrac><mrow><mi>n</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></mfrac><mo>:</mo><msub><mrow><mi>v</mi></mrow><mrow><mi>i</mi></mrow></msub><mo>+</mo><mfrac><mrow><mi>n</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></mfrac></mrow></mfenced></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555530&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555528&type= 62.65333176 9.22866726 . 通过上一帧的ROI区域截取实时帧的待匹配图像，进行模板匹配。计算模板图像在原图像中的位置 <math id="M26"><mo stretchy="false">(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555535&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555533&type= 8.72066593 3.55599999 ，形成微视觉运动追踪轨迹 <math id="M27"><mi>f</mi><mo stretchy="false">(</mo><mi>u</mi><mo>,</mo><mi>v</mi><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555540&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=39555537&type= 11.68400002 3.97933316 。 5 实 验 1 5.1　微视觉运动追踪系统搭建 2 为量化研究离面位移-聚焦面内微视觉运动追踪精度劣化的映射关系，加工空间纳米定位平台样机，搭建微视觉实物系统，如 图4 图4 所示。微视觉观测对象为空间纳米台末端执行器表面的金属纹理。 1;2; 微视觉运动追踪系统所用的工业相机来自FILR公司，像素为2 048×2 448，单元尺寸为3.45 μm。目镜和ZOOM镜筒来自NAVITAR公司，物镜型号为Mitutoyo 50×，所组成的显微镜的放大倍数约为112.5。使用升降滑台（北京卓立汉光仪器有限公司，型号为KA050-Z）带动显微镜组，调节与对焦平面垂直的轴向高度，实现对焦。升降滑台行程为50 mm，闭环分辨率为1 μm，重复定位精度优于±3 μm。 利用微视觉系统追踪和计算实际位移，需要通过相机标定与计算像素当量，获取“像素-位移”换算关系。本文利用R1L1S1N分辨率和畸变组合测试靶计算像素当量，得到结果为0.0311 μm/pixel。 5 . 1 . 1　宏动系统位移锁止能力与单步长运动特性 3 升降滑台由步进电机驱动，承载的显微镜质量为1.75 kg。使用KEYSIGHT 5519B激光干涉仪测量滑台沿离面位移方向的位移。升降滑台以一个步长连续运动，上升和下降过程如 图5 图5 所示。升降滑台连续单方向运动时，位移变化呈现“运动-回弹-保持”。回弹幅值随步进次数的增加而增大，持续时间小于1.5 s，幅值小于0.3 μm。 5 . 1 . 2　基于清晰度评价的聚焦平面重复搜索精度 3 在对焦的同时，使用激光干涉仪测量位移变化。调整回程的运行距离，改进对焦算法性能，测试现场如 图6 图6 所示。 调整升降滑台驱动器步长细分为1/64。控制升降滑台连续运动，对末端执行器表面成像。针对微视觉系统采集的20张图像，利用方差法计算图像清晰度值并进行归一化，结果如 图7 图7 所示。在评价图像的清晰度时，以固定步长进行单点自动对焦。通过升降滑台运动寻找最大值作为对焦结果，以获取准焦位置。以前景深为例，对焦算法获取清晰度最值位置与准焦位置的关系，如 图8 图8 所示。重复测试对焦算法获取的准焦位置与清晰度最值位置的距离，得到的平均值约为30 nm。 获取准焦位置后，使升降滑台运行相同的距离，控制工业相机逐一成像，计算清晰度最大的图像所在的位置。进行100组实验，微视觉系统获取准焦位置的重复率为80%，变化规律如 图9 图9 所示。由 图9 图9 可知，微视觉系统的实时误差最大值为1.414 pixel；累计误差最大值为4 pixel，换算约为0.125 μm。 5.2　离面位移引起的微视觉精度劣化 2 离面方向的3支压电陶瓷的最大驱动电压为150 V。微视觉视场为76.1 μm×63.7 μm，采样率为15 Hz，采用基于灰度值的模板匹配法。在离面位移的激励下，电压值、离面位移和追踪精度的关系如 表2 表2 所示。 激励电压/V 离面位移/μm 电容测量/μm 微视觉测量/μm 精度劣化/μm 0.000 -0.234±2.518 25.000±0.017 28.474±0.233 0.000 3.000 0.768±2.515 25.000±0.017 28.558±0.213 0.084 6.000 1.895±2.515 25.000±0.017 28.606±0.180 0.132 9.000 3.061±2.515 25.000±0.017 28.638±0.148 0.164 12.000 4.265±2.516 25.000±0.017 28.707±0.171 0.233 15.000 5.579±2.513 25.000±0.017 28.892±0.330 0.418 18.000 6.831±2.514 25.000±0.017 28.984±0.309 0.510 19.000 7.279±2.513 25.000±0.017 29.027±0.349 0.553 20.000 7.737±2.512 25.000±0.017 精度丧失 失效 21.000 8.211±2.512 25.000±0.017 精度丧失 失效 如 表2 表2 所示，电容测量与微视觉测量存在稳态固定偏差，这是因为二者测量的位置不同。电容的测量对象是末端执行器的下部分。微视觉的测量对象是末端执行器的上表面。二者使用螺钉连接，在离面方向的位置不同，由此存在固定差值。 使用不同电压驱动3支离面方向的压电陶瓷。微视觉系统测量聚焦面内圆轨迹追踪精度，采用电容传感器测量追踪精度，不同电压下的离面位移激励变化如 图10 图10 所示。施加20 V或更高的电压，所产生的离面位移使得微视觉追踪失效。视觉追踪结果如 图11 图11 所示。 6 结 论 1 本文通过设计空间纳米运动平台，生成聚焦面内目标轨迹与离面位移，以量化表述离面位移-聚焦面内微视觉运动追踪精度劣化的映射为目的，以业内通用的模板匹配法为基础，搭建了一套微视觉运动追踪系统，使用不同的离面位移逐次激励，以相同的聚焦面内圆轨迹位移为目标，设计并完成了一系列微视觉运动追踪实验。实验结果表明，在视场为76.1 μm×63.7 μm、采样率为15 Hz的条件下，基于灰度值的模板匹配法得到，离面位移与微视觉运动追踪精度劣化存在线性相关且可量化的显著关系。当离面位移达到（7.737±2.512）μm及以上时，微视觉运动追踪精度全部丧失。 下一步将围绕已获取的离面位移激励值-聚焦面内微视觉运动追踪精度劣化值的映射关系，以图像清晰度评价函数等为参考，在微视觉系统中进行软件层面的实时补偿或修正，改善离面位移引起的精度劣化。 参考文献 马天兵 ， 周青 ， 杜菲 ， 等 . 基于机器视觉和改进PID的压电柔性机械臂振动控制 ［J］. 光学 精密工程 ， 2020 ， 28 （ 1 ）： 141 - 150 . doi: 10.3788/ope.20202801.0141 http://dx.doi.org/10.3788/ope.20202801.0141 基于机器视觉和改进PID的压电柔性机械臂振动控制 MA T B ， ZHOU Q ， DU F ， et al . Piezoelectric flexible manipulator vibration control based on machine vision and improved PID ［J］. Opt. Precision Eng. ， 2020 ， 28 （ 1 ）： 141 - 150 . （in Chinese） . doi: 10.3788/ope.20202801.0141 http://dx.doi.org/10.3788/ope.20202801.0141 Piezoelectric flexible manipulator vibration control based on machine vision and improved PID 张翔 . 微视觉图像面内微位移精密测量理论与实验研究 ［D］. 广州 ： 华南理工大学 ， 2019 . 微视觉图像面内微位移精密测量理论与实验研究 ZHANG X . Theoretical and Experimental Research on Precise Measurement of In-plane Micro Displacement in Micro Vision Image ［D］. Guangzhou ： South China University of Technology ， 2019 . （in Chinese） Theoretical and Experimental Research on Precise Measurement of In-plane Micro Displacement in Micro Vision Image 陈荣军 ， 郑志君 ， 赵慧民 ， 等 . 一种基于模糊成像机理的QR码图像快速盲复原方法 ［J］. 光子学报 ， 2021 ， 50 （ 7 ）： 99 - 107 . doi: 10.3788/gzxb20215007.0710003 http://dx.doi.org/10.3788/gzxb20215007.0710003 一种基于模糊成像机理的QR码图像快速盲复原方法 CHEN R J ， ZHENG ZH J ， ZHAO H M ， et al . Fast blind restoration of QR code images based on blurred imaging mechanism ［J］. Acta Photonica Sinica ， 2021 ， 50 （ 7 ）： 99 - 107 . （in Chinese） . doi: 10.3788/gzxb20215007.0710003 http://dx.doi.org/10.3788/gzxb20215007.0710003 Fast blind restoration of QR code images based on blurred imaging mechanism PENTLAND A P . A new sense for depth of field ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 1987 ， 9 （ 4 ）： 523 - 531 . doi: 10.1109/tpami.1987.4767940 http://dx.doi.org/10.1109/tpami.1987.4767940 A new sense for depth of field 方睿 ， 周愉 ， 刘鹏 ， 等 . 基于多尺度循环残差神经网络的图像去运动模糊 ［J］. 计算机工程与设计 ， 2022 ， 43 （ 3 ）： 786 - 793 . 基于多尺度循环残差神经网络的图像去运动模糊 FANG R ， ZHOU Y ， LIU P ， et al . Motion deblurring based on multi-scale recurrent residual network ［J］. Computer Engineering and Design ， 2022 ， 43 （ 3 ）： 786 - 793 . （in Chinese） Motion deblurring based on multi-scale recurrent residual network 金燕 ， 黄梦佳 ， 姜智伟 . 基于聚集残差生成对抗网络的图像去模糊 ［J］. 计算机辅助设计与图形学学报 ， 2022 ， 34 （ 1 ）： 84 - 93 . doi: 10.3724/sp.j.1089.2022.18839 http://dx.doi.org/10.3724/sp.j.1089.2022.18839 基于聚集残差生成对抗网络的图像去模糊 JIN Y ， HUANG M J ， JIANG ZH W . Image deblurring based on aggregate residual adversary networks ［J］. Journal of Computer-Aided Design & Computer Graphics ， 2022 ， 34 （ 1 ）： 84 - 93 . （in Chinese） . doi: 10.3724/sp.j.1089.2022.18839 http://dx.doi.org/10.3724/sp.j.1089.2022.18839 Image deblurring based on aggregate residual adversary networks 闫钧华 ， 吕向阳 ， 时萌玮 ， 等 . 遥感成像耦合典型误差源反演方法研究 ［J］. 仪器仪表学报 ， 2021 ， 42 （ 6 ）： 200 - 210 . doi: 10.2352/j.imagingsci.technol.2022.66.6.060503 http://dx.doi.org/10.2352/j.imagingsci.technol.2022.66.6.060503 遥感成像耦合典型误差源反演方法研究 YAN J H ， LÜ X Y ， SHI M W ， et al . Research on the inversion method of coupled typical error source in remote sensing imaging ［J］. Chinese Journal of Scientific Instrument ， 2021 ， 42 （ 6 ）： 200 - 210 . （in Chinese） . doi: 10.2352/j.imagingsci.technol.2022.66.6.060503 http://dx.doi.org/10.2352/j.imagingsci.technol.2022.66.6.060503 Research on the inversion method of coupled typical error source in remote sensing imaging 戴相录 ， 谢惠民 ， 王怀喜 . 二维数字图像相关测量中离面位移引起的误差分析 ［J］. 实验力学 ， 2013 ， 28 （ 1 ）： 10 - 19 . doi: 10.7520/1001-4888-12-102 http://dx.doi.org/10.7520/1001-4888-12-102 二维数字图像相关测量中离面位移引起的误差分析 DAI X L ， XIE H M ， WANG H X . Analysis of the error caused by off-plane displacement in two-dimensional digital image correlation measurement ［J］. Journal of Experimental Mechanics ， 2013 ， 28 （ 1 ）： 10 - 19 . （in Chinese） . doi: 10.7520/1001-4888-12-102 http://dx.doi.org/10.7520/1001-4888-12-102 Analysis of the error caused by off-plane displacement in two-dimensional digital image correlation measurement 孙伟 ， 何小元 ， 郑翔 . 基于数字图像相关的三维刚体位移测量方法 ［J］. 光学学报 ， 2008 ， 28 （ 5 ）： 894 - 901 . doi: 10.3321/j.issn:0253-2239.2008.05.015 http://dx.doi.org/10.3321/j.issn:0253-2239.2008.05.015 基于数字图像相关的三维刚体位移测量方法 SUN W ， HE X Y ， ZHENG X . Three-dimensional rigid body displacement measurement based on digital image correlation ［J］. Acta Optica Sinica ， 2008 ， 28 （ 5 ）： 894 - 901 . （in Chinese） . doi: 10.3321/j.issn:0253-2239.2008.05.015 http://dx.doi.org/10.3321/j.issn:0253-2239.2008.05.015 Three-dimensional rigid body displacement measurement based on digital image correlation 徐飞鸿 ， 林皓 . 单目CCD离面位移测量 ［J］. 长沙理工大学学报（自然科学版） ， 2013 ， 10 （ 1 ）： 54 - 60 . doi: 10.3969/j.issn.1672-9331.2013.01.009 http://dx.doi.org/10.3969/j.issn.1672-9331.2013.01.009 单目CCD离面位移测量 XU F H ， LIN H . Out-of-plane displacement measurement based on single CCD ［J］. Journal of Changsha University of Science & Technology （Natural Science） ， 2013 ， 10 （ 1 ）： 54 - 60 . （in Chinese） . doi: 10.3969/j.issn.1672-9331.2013.01.009 http://dx.doi.org/10.3969/j.issn.1672-9331.2013.01.009 Out-of-plane displacement measurement based on single CCD CLARK L ， SHIRINZADEH B ， BHAGAT U ， et al . A vision-based measurement algorithm for micro/nano manipulation ［C］. 2013 IEEE/ASME International Conference on Advanced Intelligent Mechatronics . 912，2013 ， Wollongong ， NSW ， Australia . IEEE ， 2013 ： 100 - 105 . doi: 10.1109/aim.2013.6584075 http://dx.doi.org/10.1109/aim.2013.6584075 A vision-based measurement algorithm for micro/nano manipulation WU H ， ZHANG X M ， GAN J Q ， et al . Displacement measurement system for inverters using computer micro-vision ［J］. Optics and Lasers in Engineering ， 2016 ， 81 ： 113 - 118 . doi: 10.1016/j.optlaseng.2015.12.018 http://dx.doi.org/10.1016/j.optlaseng.2015.12.018 Displacement measurement system for inverters using computer micro-vision 刘璐 ， 闫佩正 ， 但西佐 ， 等 . 基于条纹投影的显微镜自动对焦研究 ［J］. 光学学报 ， 2019 ， 39 （ 8 ）： 276 - 283 . doi: 10.3788/aos201939.0818001 http://dx.doi.org/10.3788/aos201939.0818001 基于条纹投影的显微镜自动对焦研究 LIU L ， YAN P ZH ， DAN X Z ， et al . Microscope autofocus research based on stripe projection ［J］. Acta Optica Sinica ， 2019 ， 39 （ 8 ）： 276 - 283 . （in Chinese） . doi: 10.3788/aos201939.0818001 http://dx.doi.org/10.3788/aos201939.0818001 Microscope autofocus research based on stripe projection 王耿 ， 魏维宁 ， 代军 ， 等 . 线性偏摆复合型压电微动平台 ［J］. 光学 精密工程 ， 2022 ， 30 （ 9 ）： 1058 - 1070 . doi: 10.37188/OPE.20223009.1058 http://dx.doi.org/10.37188/OPE.20223009.1058 线性偏摆复合型压电微动平台 WANG G ， WEI W N ， DAI J ， et al . Linear yaw compound piezoelectric micro-motion platform ［J］. Opt. Precision Eng. ， 2022 ， 30 （ 9 ）： 1058 - 1070 . （in Chinese） . doi: 10.37188/OPE.20223009.1058 http://dx.doi.org/10.37188/OPE.20223009.1058 Linear yaw compound piezoelectric micro-motion platform 刘芳芳 ， 杨子涵 ， 焦宇辉 ， 等 . 皮米量级微位移信号处理分辨力的光纤布拉格光栅探针系统 ［J］. 光学 精密工程 ， 2022 ， 30 （ 7 ）： 755 - 764 . doi: 10.37188/OPE.20223007.0755 http://dx.doi.org/10.37188/OPE.20223007.0755 皮米量级微位移信号处理分辨力的光纤布拉格光栅探针系统 LIU F F ， YANG Z H ， JIAO Y H ， et al . Fiber Bragg grating probe system with picometer-level micro-displacement signal processing resolution ［J］. Opt. Precision Eng. ， 2022 ， 30 （ 7 ）： 755 - 764 . （in Chinese） . doi: 10.37188/OPE.20223007.0755 http://dx.doi.org/10.37188/OPE.20223007.0755 Fiber Bragg grating probe system with picometer-level micro-displacement signal processing resolution KROON D J . Fast/Robust Template Matching ［Z/OL］. https：//www.mathworks.com/matlabcentral/fileexchange/24925-fast-robust-template-matching ， MATLAB Central File Exchange. 2022 . Fast/Robust Template Matching 江苏蓬 ， 向伟 ， 刘云鹏 ， 等 . 采用多特征共生矩阵的模板匹配 ［J］. 光学 精密工程 ， 2021 ， 29 （ 6 ）： 1459 - 1467 . doi: 10.37188/OPE.20212906.1459 http://dx.doi.org/10.37188/OPE.20212906.1459 采用多特征共生矩阵的模板匹配 JIANG S P ， XIANG W ， LIU Y P ， et al . Template matching with multi-feature co-occurrence matrix ［J］. Opt. Precision Eng. ， 2021 ， 29 （ 6 ）： 1459 - 1467 . （in Chinese） . doi: 10.37188/OPE.20212906.1459 http://dx.doi.org/10.37188/OPE.20212906.1459 Template matching with multi-feature co-occurrence matrix 尤玉虎 ， 刘通 ， 刘佳文 . 基于图像处理的自动对焦技术综述 ［J］. 激光与红外 ， 2013 ， 43 （ 2 ）： 132 - 136 . doi: 10.3969/j.issn.1001-5078.2013.02.003 http://dx.doi.org/10.3969/j.issn.1001-5078.2013.02.003 基于图像处理的自动对焦技术综述 YOU Y H ， LIU T ， LIU J W . Survey of the auto-focus methods based on image processing ［J］. Laser & Infrared ， 2013 ， 43 （ 2 ）： 132 - 136 . （in Chinese） . doi: 10.3969/j.issn.1001-5078.2013.02.003 http://dx.doi.org/10.3969/j.issn.1001-5078.2013.02.003 Survey of the auto-focus methods based on image processing 杨瑞宇 ， 吕浩 ， 龚晓霞 ， 等 . 红外成像系统中自动对焦功能优化方法研究 ［J］. 红外技术 ， 2020 ， 42 （ 10 ）： 940 - 946 . doi: 10.3724/sp.j.7103116031 http://dx.doi.org/10.3724/sp.j.7103116031 红外成像系统中自动对焦功能优化方法研究 YANG R Y ， LÜ H ， GONG X X ， et al . Optimizing method of autofocusing function in infrared imaging system ［J］. Infrared Technology ， 2020 ， 42 （ 10 ）： 940 - 946 . （in Chinese） . doi: 10.3724/sp.j.7103116031 http://dx.doi.org/10.3724/sp.j.7103116031 Optimizing method of autofocusing function in infrared imaging system 熊锐 ， 顾乃庭 ， 徐洪艳 . 一种适应多方向灰度梯度变化的自动对焦评价函数 ［J］. 激光与光电子学进展 ， 2022 ， 59 （ 4 ）： 373 - 380 . doi: 10.3788/LOP202259.0418001 http://dx.doi.org/10.3788/LOP202259.0418001 一种适应多方向灰度梯度变化的自动对焦评价函数 XIONG R ， GU N T ， XU H Y . An auto-focusing evaluation function adapted to multi-directional gray gradient change ［J］. Laser & Optoelectronics Progress ， 2022 ， 59 （ 4 ）： 373 - 380 . （in Chinese） . doi: 10.3788/LOP202259.0418001 http://dx.doi.org/10.3788/LOP202259.0418001 An auto-focusing evaluation function adapted to multi-directional gray gradient change 曾海飞 ， 韩昌佩 ， 李凯 ， 等 . 改进的梯度阈值图像清晰度评价算法 ［J］. 激光与光电子学进展 ， 2021 ， 58 （ 22 ）： 285 - 293 . doi: 10.3788/lop202158.2211001 http://dx.doi.org/10.3788/lop202158.2211001 改进的梯度阈值图像清晰度评价算法 ZENG H F ， HAN CH P ， LI K ， et al . Improved gradient threshold image sharpness evaluation algorithm ［J］. Laser & Optoelectronics Progress ， 2021 ， 58 （ 22 ）： 285 - 293 . （in Chinese） . doi: 10.3788/lop202158.2211001 http://dx.doi.org/10.3788/lop202158.2211001 Improved gradient threshold image sharpness evaluation algorithm 邓黎 ， 张博 ， 冯丹彤 ， 等 . 基于模板匹配的物体间距实时检测系统 ［J］. 自动化技术与应用 ， 2022 ， 41 （ 6 ）： 128 - 132 . 基于模板匹配的物体间距实时检测系统 DENG L ， ZHANG B ， FENG D T ， et al . Real-time detection system of object distance based on template matching ［J］. Techniques of Automation and Applications ， 2022 ， 41 （ 6 ）： 128 - 132 . （in Chinese） Real-time detection system of object distance based on template matching 10.37188/OPE.20233101.0119 TP391.7 TH742 A 1004-924X（2023）01-0119-10 王瑞洲,梁炽聪,蔡远馨等.离面位移激励下微视觉运动追踪精度劣化特性[J].光学精密工程,2023,31(01):119-128. 王瑞洲,梁炽聪,蔡远馨等.离面位移激励下微视觉运动追踪精度劣化特性[J].光学精密工程,2023,31(01):119-128. WANG Ruizhou,LIANG Chicong,CAI Yuanxin,et al.Degradation characteristics of in-focused-plane micro-vision motion-tracking accuracy excited by out-of-focused-plane displacements[J].Optics and Precision Engineering,2023,31(01):119-128. WANG Ruizhou,LIANG Chicong,CAI Yuanxin,et al.Degradation characteristics of in-focused-plane micro-vision motion-tracking accuracy excited by out-of-focused-plane displacements[J].Optics and Precision Engineering,2023,31(01):119-128. 国家自然科学基金资助项目（No.51905106） 2022-07-11 2022-08-22 2023-01-10 2023-02-07 光学精密工程 1 31