Semiautomatic dimensional screening of plastic scintillator cubes using image analysis and robotics

本文介绍了一种结合图像分析与六轴机器人的半自动系统，用于对用于未来中微子探测器的塑料闪烁体立方体进行高精度尺寸筛选与分类，实现了10微米测量精度、80%以上的人工一致性以及3.1%的剔除率。

要点

这篇论文讲述了一个非常有趣的故事：科学家如何为未来的“超级显微镜”（粒子探测器）制造并筛选出数百万个微小的“积木块”。

想象一下，你要用190 多万个塑料小方块（每个只有 1 立方厘米，大概指甲盖大小）搭建一个巨大的、精密的三维迷宫。这些方块里都要穿过细细的光纤（像头发丝一样），用来捕捉粒子碰撞产生的微弱闪光。

如果这些方块稍微有点歪，或者上面的小孔位置偏了一点点，当你把它们堆叠起来时，那些细如发丝的光纤就穿不过去了，整个探测器就会“瘫痪”。

为了解决这个问题，研究团队开发了一套**“半自动智能质检系统”。我们可以把它想象成一个“超级挑剔的机器人管家”**。

以下是这个系统的运作原理，用生活中的例子来解释：

1. 以前的方法：靠“手感”和“运气”

在俄罗斯制造这些方块时，工人们是纯手工筛选的。

• 怎么做？ 他们把 15x15 个方块排好，用一根根比光纤稍粗一点的金属棒强行插进去。
• 问题在哪？ 如果金属棒插不进去，或者插的时候感觉有点“卡”，这个方块就被扔掉了。
• 缺点： 这就像让工人凭手感去摸每一个苹果好不好，既慢（每个方块要 16 秒），又不标准（不同人手感不同），而且太累了。

2. 新系统的第一阶段：给方块拍“全身照”

研究团队设计了一个自动化的“照相馆”：

• 传送带与旋转台： 方块被放在一个可以旋转的平台上。
• 六只“火眼金睛”： 平台转到不同角度时，六台高清相机（像六个摄影师）同时给方块的六个面拍照。
• 智能分析： 电脑软件会像**“找茬游戏”**一样，瞬间分析照片：
  • 方块是不是完美的正方形？（有没有长歪？）
  • 表面有没有毛刺？（有没有像皮肤上的痘痘一样突起？）
  • 三个方向的小孔位置准不准？（孔是不是在正中心？）
• 结果： 这个系统比人手快得多，而且精度极高（误差只有 0.01 毫米，比头发丝还细）。

但是，这里有个大麻烦：
在第一版系统中，虽然电脑能算出孔的位置，但方块在传送带上转来转去，最后掉进盒子里时，它的“头”朝哪边、哪个孔偏了多少，系统就不知道了。
这就好比你把一堆鞋子扔进箱子，虽然你知道哪只鞋是左脚的，但你不知道它们混在一起后怎么配对。结果就是，系统为了保险起见，把**20%**的方块都扔掉了（因为它们孔的位置稍微有点偏，但可能只是方向没对齐）。

3. 新系统的第二阶段：请出“机械臂管家”

为了把那些“只是方向偏了”的方块救回来，他们请来了一个6 轴机械臂（就像工厂里那种灵活的机械手）。

• 聪明的“分拣员”：
  • 机械臂不再是把方块随便扔进一个盒子，而是像**“乐高大师”一样，根据电脑算出的孔的位置，把方块精准地**放到 48 个不同的格子里。
  • 关键创新： 机械臂会记住每个方块的“朝向”。比如，方块 A 的孔偏左，方块 B 的孔也偏左，它们就会被放在同一个格子里。
• 为什么这很重要？
  • 想象一下，如果一排方块的孔都稍微偏左，但偏得都一样，那么光纤依然可以穿过去！
  • 以前是“一刀切”，只要孔偏了就扔掉；现在是“分组管理”，把孔位置相似的方块归为一组。
  • 这样，原本要扔掉的那 20% 的方块，大部分都能被利用起来，只需要把它们放在正确的位置上。

4. 最终成果：从“废品”变“宝藏”

• 效率提升： 整个检查过程从手工的 16 秒/个，缩短到了约 15 秒/个（虽然加了机械臂抓取，但依然比人工快且准）。
• 废品率大降： 通过这种“分组策略”，被判定为废品的方块比例从20% 降到了 3.1%。这意味着他们省下了大量的材料，而且保证了未来探测器的组装更加顺利。
• 未来展望： 现在，连把方块放到传送带上的第一步也可以由机械臂完成。未来，只要把一箱方块放进去，这个系统就能全自动、无人值守地工作，把数百万个方块分门别类地整理好。

总结

这就好比你要用几百万块砖头盖一座摩天大楼。

• 以前： 工人拿着尺子一个个量，觉得稍微有点歪的砖头就扔了，浪费巨大。
• 现在： 一个机器人用相机扫描每一块砖，不仅量得极准，还能记住哪块砖歪向哪边。然后，它把歪向同一方向的砖头放在同一层楼。
• 结果： 大楼盖得更稳，浪费更少，而且速度更快。

这项技术不仅是为了现在的实验，更是为未来更大、更复杂的粒子物理实验（比如寻找中微子的秘密）铺平了道路，展示了如何用**“图像分析 + 机器人”**来解决大规模制造中的质量控制难题。

技术摘要

这是一份关于利用图像分析和机器人技术对塑料闪烁体立方体进行半自动尺寸筛选的论文详细技术总结。

1. 研究背景与问题 (Problem)

• 背景：大型粒子物理探测器（如 T2K 实验中的 SuperFGD）通常由数百万个精密制造的组件组成。SuperFGD 由约 196 万个 1 cm³的塑料闪烁体立方体组成，这些立方体呈三维网格排列。
• 核心挑战：
  • 精度要求极高：每个立方体有三个正交的 1.5 mm 孔，用于插入 1.0 mm 的波长移动光纤（WLS）。如果相邻立方体之间的孔位偏差超过 0.5 mm，光纤将无法插入。考虑到 SuperFGD 最长轴方向有 192 个立方体，单个立方体的允许偏差需远小于 36 μm（假设偏差服从高斯分布）。
  • 现有方法的局限性：在俄罗斯制造过程中，采用的是全人工筛选方法。使用直径 1.4 mm 的不锈钢棒穿过孔洞，依靠人工判断插入阻力来剔除缺陷品。
    • 效率低：每批（15×15 个）需耗时超过 1 小时，单个立方体处理时间超过 16 秒。
    • 主观性强：缺乏定量和可重复的标准。
    • 无法分类利用：人工筛选仅将立方体分为“合格”或“不合格”，无法利用孔位偏差的规律性进行分组优化，导致约 5% 的立方体被直接废弃。
• 目标：开发一种高效、定量且高精度的自动化筛选系统，以适应未来更大规模探测器（如 DUNE）的需求。

2. 方法论 (Methodology)

该系统分为原型机（Prototype）和完成版（Completed System）两个阶段，核心组件包括旋转平台、多相机光学系统、图像分析软件和机械臂。

2.1 硬件系统

• 光学成像：使用 6 台 800 万像素 USB 相机，配备 2 倍增距镜头，使每个像素对应立方体表面约 15 μm 的分辨率。采用环形 LED 从三个方向均匀照明，消除化学蚀刻表面产生的阴影。
• 机械结构：
  • 旋转平台：由五相步进电机驱动，带有 8 个辐条。立方体放置在平台上，利用重力被动定位。
  • 成像流程：平台旋转 45 度至“成像点 1"拍摄 3 个面，再旋转 45 度至“成像点 2"拍摄剩余 3 个面。
• 控制系统：PC 通过 OpenCV 控制相机采集，通过 Arduino 控制步进电机和分拣机构。

2.2 图像分析算法

• 预处理：灰度化、高斯滤波去噪、二值化。
• 轮廓与形状检测：利用 OpenCV 提取轮廓，结合霍夫变换（Hough Transform）检测立方体边缘（直线）和孔洞边缘（圆形）。
• 对齐校正：
  • 倾斜校正：通过拟合立方体边缘线段的中点斜率来校正图像倾斜。
  • 光照与系统误差校正：针对 8 个平台和 6 个相机可能存在的系统性偏差，使用 16 个立方体进行校准，通过线性拟合消除光照不对称和机械对齐带来的偏移（截距）和倾斜（斜率）。
• 缺陷检测：
  • 尺寸测量：计算立方体长宽。
  • 孔位测量：通过最小二乘法对孔边缘进行圆拟合，精确计算孔位坐标。
  • 表面突起检测：比较轮廓与理想边缘，通过亮像素比例量化突起（Bump）。

2.3 分类策略的演进

• 原型机策略：基于固定阈值判断“合格”、“需复检”或“不合格”。
• 完成版策略（引入机械臂）：
  • 问题：原型机仅能分 3 类，且立方体掉落时丢失了方向信息。
  • 解决方案：引入 6 轴机械臂（xArm 6）。
  • 逻辑：
    1. 机械臂在成像点 2 抓取立方体，保留其空间方向。
    2. 根据三个孔中偏离标称值最小的孔定义 Z 面，其余为 X 和 Y 面。
    3. 根据 X 和 Y 面的孔位偏差，将立方体分为 4 组（每组偏差范围<500 μm，满足光纤插入容差）。
    4. 结合 Z 面的 3 种可能朝向，将立方体细分为 48 个组别（3 × 4 × 4）。
    5. 机械臂将立方体放入对应的 48 个插槽中，确保同一组内的立方体孔位偏差方向一致，从而在组装时仍能顺利穿线。

3. 关键贡献 (Key Contributions)

1. 半自动筛选系统的开发：实现了从人工操作到半自动（原型机）再到高度自动化（完成版）的跨越，显著提升了检测效率。
2. 高精度图像分析算法：提出了一套结合霍夫变换、最小二乘拟合及多变量校正的算法，将测量精度提升至 10 μm，并有效消除了光照和机械对齐带来的系统误差。
3. 基于孔位偏差的“分组利用”策略：突破了传统“合格/不合格”的二元分类，利用机械臂将具有相似孔位偏差的立方体归类。这种策略将原本因微小偏差被废弃的立方体重新利用，大幅降低了废品率。
4. 机器人集成：成功将 6 轴机械臂集成到筛选流程中，不仅用于分拣，还展示了其自动抓取和放置立方体的能力，为全自动化奠定了基础。

4. 实验结果 (Results)

• 测量精度：
  • 经过校正后，孔位测量的标准差从 23 μm 降低至 10 μm。
  • 与游标卡尺测量相比，系统测量值的差异标准差为 39.8 μm（卡尺本身因接触式测量和表面不平整存在较大误差，系统非接触测量更优）。
• 原型机性能：
  • 单个立方体检测时间约 6 秒（人工方法需 16 秒以上）。
  • 与人工筛选结果的一致性超过 80%。
  • 在原型机测试中，约 20% 的立方体被判定为不合格（主要因孔位偏差）。
• 完成版系统性能：
  • 在约 6,500 个立方体的测试运行中，引入机械臂和 48 组分类策略后，不合格率（废品率）降至 3.1%。
  • 机械臂运行稳定，无抓取失败或掉落现象。
  • 每个分组内的孔位最大偏差控制在 500 μm 以内，满足光纤插入要求。

5. 意义与展望 (Significance)

• 可扩展性与效率：该系统处理速度是人工的 3 倍以上，且具备处理数百万级组件的潜力，对于未来大型中微子探测器（如 DUNE）的制造至关重要。
• 质量控制的范式转变：从单纯的“剔除缺陷”转变为“缺陷的量化与分类利用”，通过精细分组最大化材料利用率，显著降低了项目成本。
• 技术验证：证明了图像分析与机器人技术结合在精密粒子物理探测器组件质量控制中的可行性。
• 未来方向：研究指出，通过引入第二台机械臂可实现完全无人值守的全自动流程；此外，利用机器学习处理原始图像或进行多变量分析有望进一步提升筛选精度。

总结：该论文展示了一套创新的、基于机器视觉和机器人技术的解决方案，成功解决了大规模塑料闪烁体立方体的高精度筛选难题，不仅大幅提高了检测效率，更通过智能分组策略显著降低了材料浪费，为下一代大型粒子物理实验的组件制造提供了重要的技术参考。