本发明涉及到基于视觉图像处理的微纳平台运动测量系统及方法。
背景技术：
目前，韩国、日本、美国和德国在微纳伺服平台的研究上有着很高的水平。1997年，美国integratedsolutioninc.研制了用于极紫外光刻机的精密定位平台。其中，粗平台为行程为200nm的气浮平台；微动台为电磁铁驱动的六自由度磁悬浮平台，其具有20nm的定位精度。韩国ajou大学机器人技术制造中心研制的基于音圈电机的新型激光直写运动平台，该平台可实现x、y的直线移动和z方向的角度运动。2006年，日本沙迪克公司研发出用于纳米交工的五轴超精密加工机床，实现了纳米级切割。其中，导轨采用的是空气静压导轨，电机驱动为直线驱动，位置反馈采用光栅尺。
近年来，国内的一些科研机构和高等院校也对超精密伺服和运动控制技术进行了大量研究，取得了很多重要的突破。清华大学和上海微电子装置有限公司合作研制的国内第一套直线电机式气浮运动平台，并且以该平台为基础进行了大量的精密测量和运动控制。该平台采用宏、微双级的直线运动系统，并运用双频激光干涉仪对平台运动进行测量，已达到2nm的检测精度。哈尔滨工业大学研制出的微动平台，其大行程运动采用直线电机驱动，小行程运动采用压电陶瓷驱动，并且利用光栅来对运动进行测量。可以看出，目前国内外对微纳平台运动的测量大多采用光栅进行测量。
技术实现要素：
为了解决现有技术的不足，本发明提供了基于视觉图像处理的微纳平台运动测量系统及方法，借助高帧率摄像机在显微镜下面拍摄平台运动画面，并且实时对图像处理得到平台运动的位移数据，最后将结果运用自行设计的通信方案反馈到平台运动控制系统中以做出相应调节。
基于视觉图像处理的微纳平台运动测量系统，包括：
摄像头，所述摄像头安装在显微镜的目镜上；所述显微镜的物镜位于微纳平台的正上方；所述微纳平台的上表面固定afm探针，所述显微镜的物镜对准afm探针，通过检测探针的位置来测量微纳平台的运动精度；
所述摄像头采集afm探针的图像，将所采集的图像上传给计算机终端，所述计算机采用基于缩小解空间的pso优化算法对图像进行处理，得到微纳平台在x方向和y方向的偏移量；
将得到的微纳平台在x方向和y方向的偏移量，通过串口通信从计算机终端传输给单片机，单片机将偏移量通过数字信号形式传输给微纳平台的控制系统。
所述摄像头、计算机终端、单片机、微纳平台的控制系统、微纳平台到摄像头形成一个闭环运行测量系统。
微纳平台的控制系统为simulinkxpc系统。
所述单片机采用的是型号为arduinounorev3，所述单片机有14个数字io端口和6个模拟io端口，其中，模拟io端口允许作为数字io端口使用，所以arduinounorev3型号的单片机满足串口通信对于数字io端口的需求。
所述单片机将偏移量通过数字信号形式传输给微纳平台的控制系统：
先将单片机中的14个数字io端口与微纳平台的控制系统的14个数字io端口相连接，构成物理线路的连接；
然后，单片机每一个数字io端口有“0”和“1”两种状态，对14个数字io端口进行编码：其中标志位占两个数字io端口，数据位占12个数字io端口，12个数据表示0～2^12的范围，即0～4096整数范围，由于平台运动范围为-300～300像素，因此数据位表示的数据范围能够覆盖平台运动范围；标志位是用来区分x偏移和y偏移的，当标志位为“00”时，则数据位表示x偏移；当标志位为“11”时，数据位表示y偏移。
所述微纳平台的上表面与afm探针之间设有镀金薄膜，所述镀金薄膜作为afm探针的背景。
所述显微镜和微纳平台均封闭在玻璃罩内，从而减少空气中微小颗粒物对参照物造成的污染。
图像采集过程保证摄像头不抖动，摄像头的进光量和光强持续稳定以及采集环境要有高洁净度；显微镜的镜头高低和水平面均可精细调节，这样既可以更加快速发现标记物，又可以保证摄像头有很好的对焦质量；所述显微镜是50倍镜头。摄像头型号为mer-531-20gm/c-p。
所述镀金薄膜作为afm探针的背景，这样可以保证探针所处背景的洁净度，不会对图像处理造成干扰。
为了解决现有技术的不足，本发明还提供了基于视觉图像处理的微纳平台运动精度控制方法；
基于视觉图像处理的微纳平台运动精度控制方法，包括：
图像采集：利用安装在显微镜上的摄像头，采集微纳平台上表面的探针的图像；
图像处理：将所采集的图像上传给计算机终端，所述计算机终端采用基于缩小解空间的pso优化算法对图像进行处理，通过检测探针的位置，得到微纳平台在x方向和y方向的偏移量；
结果输出：将得到的微纳平台在x方向和y方向的偏移量传输给单片机，单片机将偏移量通过数字信号形式传输给微纳平台的控制系统，然后系统根据反馈量对平台运动做出相应调整。
所述单片机将偏移量通过数字信号形式传输给微纳平台的控制系统：
先将单片机中的14个数字io端口与微纳平台的控制系统的14个数字io端口相连接，构成物理线路的连接；
然后，单片机每一个数字io端口有“0”和“1”两种状态，对14个数字io端口进行编码：其中标志位占两个数字io端口，数据位占12个数字io端口，12个数据表示0～2^12的范围，即0～4096整数范围，由于平台运动范围为-300～300像素，因此数据位表示的数据范围能够覆盖平台运动范围；标志位是用来区分x偏移和y偏移的，当标志位为“00”时，则数据位表示x偏移；当标志位为“11”时，数据位表示y偏移。
所述基于缩小解空间的pso优化算法对图像进行处理的步骤为：
步骤(1)：初始化一群粒子的随机位置和速度，群体规模为m；计算所有粒子的适应值，每个粒子的初始位置为pbest，所有粒子中的最佳位置为当前最佳位置gbest；设定迭代次数；
步骤(2)：若首次执行步骤(2)，则以当前最佳位置gbest为中心建立一个正方形解空间；
若非首次执行步骤(2)，则按照设定规则缩小解空间；
步骤(3)：判断每个粒子是否在正方形解空间内，若在，就进入步骤(4)，否则，就进入步骤(5)：
步骤(4)：计算解空间内粒子的适应值，更新当前最佳位置gbest，更新每个粒子的初始位置pbest；更新粒子的运动速度，令自我学习因子＝1；群体学习因子＝1；若未达到迭代次数，就返回步骤(2)；若达到迭代次数，就进入步骤(6)；
步骤(5)：更新解空间外粒子朝解空间内运动的速度，令自我学习因子＝1；群体学习因子＝5；若未达到迭代次数，就返回步骤(2)；若达到迭代次数，就进入步骤(6)；
步骤(6)：在最终gbest位置上计算得到的最佳适应值，判断最佳适应值是否大于设定阈值，若是则返回步骤(2)，否则，进入步骤(7)；
步骤(7)：对最佳适应值进行优化，得到最优解。
步骤(8)：将最优解转换成微纳平台在x方向和y方向的偏移量。
步骤(2)中按照设定规则缩小解空间中的设定规则：
f(x)＝300x-0.7686
其中f(x)是正方形区域的边长，x是当前的迭代次数。通过这种方式可以极大地减少计算量，很快地找到最佳解。
根据步骤(7)的结果，推出第j帧时刻微动平台所对应的位置：
其中，
所述步骤(5)更新解空间外粒子朝解空间内运动的速度公式：
其中，c1为个体学习因子，c2为群体学习因子，当令c1大于c2时，粒子便加速朝着pbest位置运动，也就朝着解空间内运动，从而实现了解空间外部的粒子加速朝着解空间内部运动。
所述步骤(7)的步骤为：
采用由粗到细的搜索模式，从搜索窗口中心开始，按设定步长取周围8个点作匹配运算，初始搜索步长为d，计算周围8个点的适应值，得到取最佳适应值的位置；
将得到的最佳适应值位置作为下一次搜索的中心位置，搜索步长减半，检测当前中心位置周围八个点的适应值，找出适应值最佳的一个点作为下一次搜索的中心位置，以此类推；
每做一步，搜索步长均减半，直至步长为1结束。
所述步骤(8)：
建立图像雅各比矩阵，将图像空间中最佳匹配为止对应的位置转换为微动平台实际位移；
雅各比矩阵如下：
式中ximg，yimg为图像空间坐标，x0，y0为微动平台位置坐标，
与现有技术相比，本发明的有益效果是：
随着高精密电子器件和执行机构的不断发展，生物工程、超精密加工、精密光学仪器和化学分析等领域对于微纳操作平台的需求日益增长。在微纳平台操作中，针对平台运动的测量系统是非常重要的一环，本发明便是利用机器视觉对微纳平台提供实时且准确的测量，并实时传输数据，从而实现对平台运动的闭环控制。本发明对于提高微纳平台运动精度控制有较大辅助作用，它使得平台操作从以往开环控制变成闭环控制，增加了平台的易操作性，降低了对平台操作人员技术要求的难度。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本发明的硬件连接关系图；
图2为afm探针图像；
图3为f(x)曲线示意图；
图4为pso粒子速度更新示意图；
图5为三步法的图解；
图6为算法执行流程图；
图7为分别使用经典pso和改进后的pso算法测量每张图的耗时；
图8(a)-图8(c)为优化前后图像运动测量对比图；
图9为经典pso和改进pso测量误差
图10为编码形式示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
如图1所示，基于视觉图像处理的微纳平台运动测量系统，包括：
摄像头，所述摄像头安装在显微镜的目镜上；所述显微镜的物镜位于微纳平台的正上方；所述微纳平台的上表面固定afm探针，所述显微镜的物镜对准afm探针，通过检测探针的位置来测量微纳平台的运动精度；将摄像头连接到显微镜上，显微镜的镜头是50倍镜头，显微镜的镜头高低和水平面均可精细调节，这样既可以更加快速发现标记物，又可以保证摄像头有很好的对焦质量。该发明所采用的摄像头型号为mer-531-20gm/c-p。
所述摄像头采集afm探针的图像，将所采集的图像上传给计算机终端，所述计算机采用基于缩小解空间的pso优化算法对图像进行处理，得到微纳平台在x方向和y方向的偏移量；
该发明采用afm探针作为图像处理的参照物，探针和平台刚性连接，检测探针的位置就可以测量平台的运动。采用镀金薄膜作为afm探针的背景，这样可以保证探针所处背景的洁净度，确保不会对图像处理造成干扰。
为保证环境光具有稳定且较弱的特点，排除环境光对成像质量造成干扰，将其整套检测系统封闭在玻璃罩环境中，这样可以尽可能减少空气中微小颗粒物对参照物造成污染，最后将摄像头通过千兆网线连接到电脑上。pc电脑根据gige传输协议实时接收摄像头采集的图像序列。
图像处理过程是该系统的核心部分，它对计算机的性能和算法的运行效率有着很高的要求。实验所用微纳运动平台的运动是平面内的平动，可以分解为沿x方向和沿y方向复合运动。因此图像处理的输出量就是x、y方向的偏移量。图像处理算法为自行设计的“基于缩小解空间的pso优化算法”。
将得到的微纳平台在x方向和y方向的偏移量传输给微纳平台的控制系统。
所述将得到的微纳平台在x方向和y方向的偏移量传输给微纳平台的控制系统，传输中所采用的通信方法如下：
为了给控制系统提供进行反馈调节的信息，需要将图像处理的x方向和y方向的偏移信息传输回控制系统。本发明所采用的控制系统没有通用的通信接口，只有数字io和模拟io采集端口，因此该发明设计一种pc电脑和该控制系统的通信方式。通信的结构如图1所示。
串口通信过程是从pc主机通过串行通信将数据传输给单片机。该单片机采用的是型号为“arduinounorev3”，这款单片机有14个数字io端口和6个模拟io端口，因为模拟端口可以当作数字端口使用，所以这款单片机可以满足该发明对io端口数量的需求。
数字信号发送是将数据从单片机传递到控制系统中，将arduino单片机中14个io端口和控制系统中的14个数字io端口相连接，这样便构建了通信的物理线路连接。单片机每一个io端口有“0”和“1”两种状态，因此可以使用如图10所述形式对这14个io端口进行编码：其中标志位占两个io端口，数据位占12个io端口。12个数据为能够表示0～2^12的范围，即0～4096整数范围，由于平台运动范围为-300～300像素，因此数据位表示的数据范围在能够覆盖平台运动范围。标志位是用来区分x偏移和y偏移的，当标志位为“00”时，则数据位表示x偏移；当标志位为“11”时，数据位表示y偏移。
如图2所示，所述镀金薄膜作为afm探针的背景，这样可以保证探针所处背景的洁净度，不会对图像处理造成干扰。
一、pso算法简介：
(1)问题起源
粒子群优化算法(pso：particleswarmoptimization)是一种进化计算技术。设想这样一个场景：一群鸟在随机的搜索食物。在这个区域里只有一块食物，所有的鸟都不知道食物在那。但是它们知道自己当前的位置距离食物还有多远。那么找到食物的最优策略是什么，最简单有效的就是搜寻目前离食物最近的鸟的周围区域。
(2)问题抽象
鸟被抽象为没有质量和体积的粒子(点)，并延伸到n维空间，粒子i在n维空间的位置表示为矢量xi＝(x1,x2,...,xn)，飞行速度表示为矢量vi＝(v1,v2,...,vn)，每个粒子都有一个由目标函数决定的适应值fitnessvalue，并且知道自己到目前为止发现的最好位置pbest和现在的位置xi。这个可以看作是粒子自己的飞行经验。
除此之外，每个粒子还知道到目前为止整个群体中所有粒子发现的最好位置gbest，其中，gbest是pbest中的最好值。这个可以看作是粒子同伴的经验。粒子就是通过自己的经验和同伴中最好的经验来决定下一步的运动。
二、经典pso算法实现过程
step1:初始化一群粒子的随机位置和速度，群体规模为m；
step2:评价每个粒子的适应度；
step3:对每个粒子，将其适应值与其经过的最好位置pbest作比较，如果较好，则将其作为当前的最好位置pbest；
step4:对每个粒子，将其适应值与其经过的最好位置gbest作比较，如果较好，则将其作为当前的最好位置gbest；
step5:根据速度和位置更新公式调整粒子速度和位置；
step6：当迭代次数未达到预设值，则跳转到step2。
三、主要优化思路
因为每次迭代都要计算每个粒子的适应值，这将极大消耗计算资源，不适合运用于实时图像处理。而且，计算距离gbest粒子很远的粒子的适应值对整个学习过程帮助很小，因此本发明提出一种优化思路，如图6所示，就是以当前gbest粒子位置为中心建立一个正方形解空间，只计算落入该解空间中的粒子的适应值，而解空间外的粒子加速朝解空间运动，每一次迭代，解空间将缩小，最后解空间包含的gbest粒子就是最佳粒子。
优化步骤主要分为：(1)解空间缩小；(2)加速外部粒子朝解空间中运动。
(1)解空间缩小的程度并不是和迭代次数成线性关系，鉴于pso算法具有收敛速度快的特性(就是在最初几次迭代后gbest的位置变化幅度就很小了)，因此本发明提出一种缩小解空间的形式，如图3所示：
f(x)＝300x-0.7686
其中f(x)是正方形区域的边长，x是当前的迭代次数。通过这种方式可以极大地减少计算量，很快地找到最佳解。
(2)对于在解空间外部的粒子，不需要计算它们的适应值，但需要加速他们朝着解空间内部运动，这样增加了快速找到最佳解的几率。根据pso粒子速度更新公式：
用图解可以表示为下图4：
其中c1和c2分别为个体学习因子和群体学习因子，当令c1大于c2时，这时粒子便会加速朝着pbest位置运动也就朝着解空间内运动，这样就实现了解空间外部的粒子加速朝着解空间内部运动的功能。
四、利用三步法得到更加精确的解
利用优化后的pso算法求得的结果不一定是最优解，但它一定距离最优解非常近，所以为了确保找到最优解，需要检查一下pbest的邻域，该发明采用三步搜索法来检查pbest的邻域。三步法的图解如下图5所示：
(1)图中a点表示gbest的位置，先计算它周围8个步长为4的点的适应值，找出适应值最佳的一个点，如b点所示。
(2)缩小邻域步长，检测b点周围8个补偿为2的点的适应值，找到适应值最佳的那个点，即c点所示
(3)重复上述步骤直至步长为1为止。
五、图像测量结果
(1)图像处理耗时
分别测量四种不同运动信号的图像，统计分别使用经典pso和改进后的pso算法测量每张图的耗时如图7所示(程序运行的pc的cpu：intelcorei3-4170双核3.7ghz)：可以发现利用改进后的pso可以稳定提高程序的运行效率，特别当迭代次数变得很大时，耗时差距会进一步拉大，这说明了优化后pso具有较好的性能。
(2)优化前后测量图像运动信号质量对比，如图8(a)-图8(c)：
图8(a)-图8(c)分别是测量‘mstep’、正弦和阶跃运动信号的实验结果，其中用作参考线的虚线是利用激光干涉仪精确测量的，将经典pso算法和改进后pso算法得到的曲线与参考线进行对比，可以发现改进后的pso与经典pso取得了较好的测量结果，在图9中，列出了经典pso算法和改进后的pso算法测量产生的平均误差，该平均误差(单位：微米)是通过将它们曲线与参考线之间作差再取平均值得到的，它们的误差都在0～0.2微米范围内，由图9的结果可以证明算法拥有较高的测量精确度。由以上结论可知，在保证相同质量的情形下，改进后的pso具有更加快的运行速度，当迭代次数增加时(即要处理的问题变得更加复杂时)，这时速度的差距会进一步变大。
六、平台位移计算
根据微视觉系统成像模型建立图像雅各比矩阵，将图像空间中最佳匹配位置对应的位移转换为微动平台实际位移。
根据图示几何关系，可以推导图像空间和微动平台的雅各比矩阵如下：
式中ximg，yimg为图像空间坐标，x0，y0为微动平台位置坐标，
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。