CN110298799A - 一种pcb图像定位校正方法 - Google Patents
一种pcb图像定位校正方法 Download PDFInfo
- Publication number
- CN110298799A CN110298799A CN201910552476.9A CN201910552476A CN110298799A CN 110298799 A CN110298799 A CN 110298799A CN 201910552476 A CN201910552476 A CN 201910552476A CN 110298799 A CN110298799 A CN 110298799A
- Authority
- CN
- China
- Prior art keywords
- image
- pcb
- correction method
- positioning
- region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012937 correction Methods 0.000 title claims abstract description 25
- 238000003708 edge detection Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 239000004615 ingredient Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 2
- 230000005855 radiation Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 14
- 238000001514 detection method Methods 0.000 description 15
- 230000014509 gene expression Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001584785 Anavitrinella pampinaria Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000009304 pastoral farming Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000003296 saliva Anatomy 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30141—Printed circuit board [PCB]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及PCB缺陷检测技术领域,特别涉及一种PCB图像定位校正方法。该PCB图像定位校正方法,包括图像预处理步骤、PCB区域定位步骤、基于PCB区域的图像校正步骤,其特征在于:在PCB区域定位步骤中,基于至少四个方向的Sobel算子检测PCB区域边缘。上述技术方案中,首先对算子模板进行改进,并从原来的二方向算子改进为多方向算子,以克服传统Sobel边缘检测算法由于只考虑了两个方向的梯度信息,准确率不高的缺陷。
Description
技术领域
本发明涉及PCB缺陷检测技术领域,特别涉及一种PCB图像定位校正方法。
背景技术
目前在PCB缺陷检测之前都需要实现PCB的定位校正,校正效果直接影响后期缺陷检测的效果。目前的传统的图像定位校正方法存在准确率低,以及采用机械固定式的图像校正方法的自动化水平低、PCB板放置受限制等问题,导致缺陷检测的效率和精度不高。
PCB区域定位主要包括边缘提取、图像二值化及中值滤波,并得到对应的轮廓信息。边缘检测算法中Sobel算子得到了广泛的应用,例如,申请公布号CN 108985305A,申请公布日2018年12月11的发明专利申请公开的一种激光蚀刻工业***编码图像定位及校正方法中对预处理过的***编码图像运用Sobel算子检测边缘信息并进行二值化。
Sobel算子实际上使用两个方向的模板(水平方向和垂直方向)与图像中每一个点进行邻域卷积,如式(1)所示:
(1)
式中,代表评价函数,分别为像素点位置处的水平以及垂直梯度分量信息,如式(2)所示。
(2)
式中,T为图像的灰度值矩阵,*为卷积运算,分别为水平方向和垂直方向的边缘检测算子方向模板,如式(3)所示。
(3)
边缘强度计算公式如式(4)所示。
(4)
公式(4)中为边缘强度。
传统的Sobel算子简单容易实现,由于算法中存在平均运算,能够对图像起到平滑去噪的作用,但Sobel算子无法很好地区分图像的前景和背景区域。同时,由于只考虑了两个方向的梯度信息,对于图像边缘方向特征考虑较少,常丢失部分边缘细节,在动态环境下,实际的图像梯度式是未知的,由此按照传统Sobel算子计算准确率不高;除此之外,式(4)中边缘强度计算是以2阶范数来计算的,且涉及开方运算,计算量大;同时,计算边缘强度时,取两个方向边缘成分的权重系数相同,因此,减弱了强边缘成分的权重,加强了弱边缘成分的权重。
发明内容
本发明的目的在于提出一种高效精准的PCB图像定位校正方法,满足中小企业生产线检测效率要求的图像处理技术;实现低成本大面积PCB板缺陷检测。
该PCB图像定位校正方法,包括图像预处理步骤、PCB区域定位步骤、基于PCB区域的图像校正步骤,其特征在于:
在PCB区域定位步骤中,基于至少四个方向的Sobel算子检测PCB区域边缘。
上述技术方案中,首先对算子模板进行改进,并从原来的二方向算子改进为多方向算子,以克服传统Sobel边缘检测算法由于只考虑了两个方向的梯度信息,准确率不高的缺陷。
作为优选,所述PCB定位步骤包括:基于水平方向Sobel算子S1、垂直方向Sobel算子S2、第一对角方向Sobel算子S3以及第二对角方向Sobel算子S4计算各像素点的边缘强度,以输出边缘检测输出图像;对边缘检测输出图像进行图像二值化;提取图像轮廓。
作为优选,边缘检测输出图像;其中,为S1、S2、S3、S4四个方向的边缘成分中最大的两个边缘成分,分别为对应边缘成分的权重系数。将基于四个方向的Sobel算子计算得到的边缘成分进行由大到小(或由小到大)排序,将四个方向的边缘成分中的两个弱边缘成分舍去,保留两个强边缘成分,并对这两个边缘成分进行重新权重分配,调整各边缘成分在梯度计算时候的比重,从而更加精确的计算出每个像素点的梯度。
作为优选,边缘检测输出图像;其中,为S1、S2、S3、S4四个方向的边缘成分中最大的两个边缘成分。
作为优选,所述像素二值化图像;其中,t(x,y)为边缘检测输出图像,T为阈值。采用大津法进行二值化处理,将边缘检测输出图像转化为像素二值图像,目的是将图像中的目标和背景有效区分,突出感兴趣区域。
作为优选,所述PCB定位步骤还包括:在对边缘检测输出图像进行图像二值化之后进行中值滤波,以实现图像降噪。
作为优选,还包括:在图像预处理步骤中,提取输入的PCB图像的G通道图像。
作为优选,在图像预处理步骤中,对提取像的G通道图像进行降采样。相对于其他通道,G通道图像得到的图像细节更为清晰。
作为优选,在基于PCB区域的图像校正步骤中,结合PCB区域定位步骤的输出结果计算旋转角度和旋转矩阵并利用放射变换实现校正。
作为优选,在基于PCB区域的图像校正步骤中,采用旋转目标法提取最小旋转矩形并求出旋转矩阵。
本发明具有下述有益效果:
基于多方向Sobel算子的PCB定位校正方法,能够满足企业PCB自动检测生产线的要求,不仅大大降低了传统的机械式固定定位校正方法的成本,而且对比现有的定位校正方法准确率大大提高,极大降低整个PCB缺陷检测生产线的成本,提高了缺陷检测的效率和精度。其具有低成本、自动化、经济性、灵活性、准确率的综合优势满足PCB自动化缺陷检测需求。
附图说明
图1本发明实施例一的PCB图像定位校正方法的流程图。
图2 图1中图像预处理步骤的流程图。
图3 图1中PCB区域定位步骤的流程图。
图4 图1中基于PCB区域的图像校正步骤的流程图。
具体实施方式
下面将对本发明的实施方式进行详细描述。
本具体实施例仅仅是对本发明的解释,其并不是对发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
实施例一
本发明提出的PCB图像定位校正方法流程如图1所示。该方法包括图像预处理、PCB区域定位及基于PCB区域的图像校正3个步骤。
1.1 图像预处理
图像预处理的流程如图2所示,本实施例中输入的PCB图像为RGB图像,相对于其他通道,G通道图像得到的图像细节更为清晰。因此,在图像预处理步骤中提取所输入RGB图像的G通道图像,以直接采用G通道图像替换常见的灰度化操作。为进一步提高算法的实时性,本实施例还在图像预处理步骤中,对所提取的G通道图像进行降采样,以减少后续所要处理的像素数。
1.2 PCB区域定位
PCB区域定位主要包括边缘提取、图像二值化及中值滤波,并得到对应的轮廓信息,流程如图3所示。
PCB区域定位步骤中采用多方向Sobel算子检测PCB边缘区域,本实施例中,采用四个方向的Sobel算子模板如式(5)所示。
(5)
表示水平方向和垂直方向模板,分别表示45°对角线方向模板和135°对角线方向模板。
将基于四个方向Sobel算子计算得到的边缘成分进行由大到小(或由小到大)排序,将四个方向的边缘成分中的两个弱边缘成分舍去,保留两个强边缘成分,并对这两个边缘成分进行重新权重分配,调整各边缘成分在梯度计算时候的比重,从而更加精确的计算出每个像素点的梯度。具体在本实施例中,边缘检测输出图像的表达式为:
(6)
上式中分别为保留下来的强边缘成分,分别为保留下来的强边缘成分的所对应的权重系数。为提高计算效率,在其他实施例中也可以将上述公式中权重系数取为1并采用1阶范数表示,如式(7)所示。
(7)
随后,对边缘检测输出图像进行图像二值化,以输出像素二值化图像。了可以采用大津法进行二值化处理。将边缘检测输出图像转化为像素二值图像,目的是将图像中的目标和背景有有效区分,突出感兴趣区域。本实施例中所采用的二值化原理详细表达式为:
(8)
上式中t(x,y)为边缘检测输出图像,k(x,y)为像素二值化图像,T为阈值(例如,T=200)。
为了提高定位准确率,在其他实施例中还可以在对边缘检测输出图像进行图像二值化之后进行中值滤波。本实施例中,可根据Satoshi Suzuki,KeiichiA be在文章《Topological structural analysis of digitized binary images by borderfollowing》提出的轮廓检测原理即通过对数值化图像拓扑分析,获得图像边界,提取经过中值滤波之后的输出图像的轮廓。
1.3 基于PCB区域的图像校正
PCB图像校正结合PCB区域定位步骤的输出结果计算旋转角度和旋转矩阵,并利用仿射变换实现校正,图像校正流程如图4所示。
实现基于PCB区域的图像校正,必须求出旋转的中心点坐标和旋转角度。根据张法全等人在文章《利用重心原理的图像目标最小外接矩形快速算法》提到的旋转目标法提取图像中最小旋转矩形并求出旋转矩阵。旋转目标法力图在图像中检测物体的外接矩形实现检测准确率高和适应性广之间的最佳方案,其基本思想是将图像中的目标在范围内进行等间隔旋转,每次记录轮廓在坐标系方向上的外接矩形参数,通过计算外接矩形面积,提取矩形面积最小时候的矩形。
仿射变换表示两幅图像之间的映射关系,具有“平直性”和“平行性”,在图像处理中只要找到图像之间的映射关系即可实现变换,根据如下给出的解析几何表达式(9),提取向量p和p’,使用得到的变换矩阵A和B实现像素点到的变换,数学表达式如下:
(9)
向量p和p’表达式为:
(10)
实现二维向量变换的矩阵A和B表达式为:
(11)
矩阵变换表达式为:
(12)
本实施例的方法可使用OpenCV 3.4.0计算机视觉库实现,该计算机视觉库是开源免费的,方便获取,并且用户可以根据自己的需求进行修改;不仅可以使用在Windows操作***下,而且可以在Linux下,方便移植。
本发明是一种基于多方向Sobel算子的PCB定位校正方法,能够满足企业PCB自动检测生产线的要求,不仅大大降低了传统的机械式固定定位校正方法的成本,而且对比现有的定位校正方法准确率大大提高,极大降低整个PCB缺陷检测生产线的成本,提高了缺陷检测的效率和精度。其具有低成本、自动化、经济性、灵活性、准确率的综合优势满足PCB自动化缺陷检测需求。
虽然描述了本发明的实施方式,但是本领域普通技术人员可以在所附权利要求的范围内做出各种变形或修改。
Claims (10)
1.PCB图像定位校正方法,包括图像预处理步骤、PCB区域定位步骤、基于PCB区域的图像校正步骤,其特征在于:
在PCB区域定位步骤中,基于至少四个方向的Sobel算子检测PCB区域边缘。
2.根据权利要求1所述的PCB图像定位校正方法,其特征在于,所述PCB定位步骤包括:
基于水平方向Sobel算子S1、垂直方向Sobel算子S2、第一对角方向Sobel算子S3以及第二对角方向Sobel算子S4计算各像素点的边缘强度,以输出边缘检测输出图像;
对边缘检测输出图像进行图像二值化以输出像素二值化图像;
提取图像轮廓。
3.根据权利要求2所述的PCB图像校正方法,其特征在于:
边缘检测输出图像;
其中,为S1、S2、S3、S4四个方向的边缘成分中最大的两个边缘成分,分别为对应边缘成分的权重系数。
4.根据权利要求2所述的PCB图像定位校正方法,其特征在于:
边缘检测输出图像;
其中,为S1、S2、S3、S4四个方向的边缘成分中最大的两个边缘成分。
5.根据权利要求2所述的PCB图像定位校正方法,其特征在于:
所述像素二值化图像;
其中,t(x,y)为边缘检测输出图像,T为阈值。
6.根据权利要求2所述的PCB图像定位校正方法,其特征在于,所述PCB定位步骤还包括:
在对边缘检测输出图像进行图像二值化之后进行中值滤波。
7.根据权利要求1所述的PCB图像定位校正方法,其特征在于,还包括:
在图像预处理步骤中,提取输入的PCB图像的G通道图像。
8.根据权利要求7所述的PCB图像定位校正方法,其特征在于:
在图像预处理步骤中,对提取像的G通道图像进行降采样。
9.根据权利要求1所述的PCB图像定位校正方法,其特征在于:
在基于PCB区域的图像校正步骤中,结合PCB区域定位步骤的输出结果计算旋转角度和旋转矩阵并利用放射变换实现校正。
10.根据权利要求9所述的PCB图像定位校正方法,其特征在于:
在基于PCB区域的图像校正步骤中,采用旋转目标法提取最小旋转矩形并求出旋转矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910552476.9A CN110298799B (zh) | 2019-06-25 | 2019-06-25 | 一种pcb图像定位校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910552476.9A CN110298799B (zh) | 2019-06-25 | 2019-06-25 | 一种pcb图像定位校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110298799A true CN110298799A (zh) | 2019-10-01 |
CN110298799B CN110298799B (zh) | 2021-02-23 |
Family
ID=68028704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910552476.9A Active CN110298799B (zh) | 2019-06-25 | 2019-06-25 | 一种pcb图像定位校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298799B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110838135A (zh) * | 2019-10-31 | 2020-02-25 | 上海工程技术大学 | 一种pcb裸板图像配准方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722699A (zh) * | 2012-05-22 | 2012-10-10 | 湖南大学 | 基于多尺度韦伯局部特征和核组稀疏表示的人脸识别方法 |
CN103391392A (zh) * | 2012-05-11 | 2013-11-13 | 索尼公司 | 图像增强装置和方法 |
CN103559692A (zh) * | 2013-11-13 | 2014-02-05 | 华为技术有限公司 | 处理图像的方法与装置 |
CN104268857A (zh) * | 2014-09-16 | 2015-01-07 | 湖南大学 | 一种基于机器视觉的快速亚像素边缘检测与定位方法 |
CN104408722A (zh) * | 2014-11-26 | 2015-03-11 | 南京工业大学 | 一种用于pcb视觉定位的检测方法 |
CN105118086A (zh) * | 2015-06-30 | 2015-12-02 | 东莞市盟拓光电科技有限公司 | 3d-aoi设备中的3d点云数据配准方法及*** |
CN108985305A (zh) * | 2018-06-26 | 2018-12-11 | 武汉科技大学 | 一种激光蚀刻工业***编码图像定位及校正方法 |
CN109065001A (zh) * | 2018-06-20 | 2018-12-21 | 腾讯科技(深圳)有限公司 | 一种图像的降采样方法、装置、终端设备和介质 |
-
2019
- 2019-06-25 CN CN201910552476.9A patent/CN110298799B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103391392A (zh) * | 2012-05-11 | 2013-11-13 | 索尼公司 | 图像增强装置和方法 |
CN102722699A (zh) * | 2012-05-22 | 2012-10-10 | 湖南大学 | 基于多尺度韦伯局部特征和核组稀疏表示的人脸识别方法 |
CN103559692A (zh) * | 2013-11-13 | 2014-02-05 | 华为技术有限公司 | 处理图像的方法与装置 |
CN104268857A (zh) * | 2014-09-16 | 2015-01-07 | 湖南大学 | 一种基于机器视觉的快速亚像素边缘检测与定位方法 |
CN104408722A (zh) * | 2014-11-26 | 2015-03-11 | 南京工业大学 | 一种用于pcb视觉定位的检测方法 |
CN105118086A (zh) * | 2015-06-30 | 2015-12-02 | 东莞市盟拓光电科技有限公司 | 3d-aoi设备中的3d点云数据配准方法及*** |
CN109065001A (zh) * | 2018-06-20 | 2018-12-21 | 腾讯科技(深圳)有限公司 | 一种图像的降采样方法、装置、终端设备和介质 |
CN108985305A (zh) * | 2018-06-26 | 2018-12-11 | 武汉科技大学 | 一种激光蚀刻工业***编码图像定位及校正方法 |
Non-Patent Citations (3)
Title |
---|
ASJAD AMIN1: "A new approach for salt dome detectionusing a 3D multidirectional edge detector", 《APPLIED GEOPHYSICS》 * |
宁赛男: "一种改进的sobel自适应边缘检测的FPGA实现", 《液晶与显示》 * |
张法全: "利用重心原理的图像目标最小外接矩形快速算法", 《红外与激光工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110838135A (zh) * | 2019-10-31 | 2020-02-25 | 上海工程技术大学 | 一种pcb裸板图像配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110298799B (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106446894B (zh) | 一种基于轮廓识别球型目标物位置的方法 | |
CN105046252B (zh) | 一种人民币冠字码识别方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN104268519B (zh) | 基于模式匹配的图像识别终端及其识别方法 | |
CN109685827B (zh) | 一种基于dsp的目标检测与跟踪方法 | |
CN109376740A (zh) | 一种基于视频的水尺读数检测方法 | |
CN109708658B (zh) | 一种基于卷积神经网络的视觉里程计方法 | |
CN111311618A (zh) | 一种基于高精度几何基元提取的圆弧工件匹配与定位方法 | |
CN110929710A (zh) | 一种基于视觉的仪表指针读数自动识别方法与*** | |
CN103218605A (zh) | 一种基于积分投影与边缘检测的快速人眼定位方法 | |
CN115096206B (zh) | 一种基于机器视觉的零件尺寸高精度测量方法 | |
TW201516969A (zh) | 視訊物件追蹤方法 | |
CN108921813A (zh) | 一种基于机器视觉的无人机检测桥梁结构裂缝识别方法 | |
CN109359604B (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
CN116862910B (zh) | 基于自动化裁切生产的视觉检测方法 | |
CN112861870A (zh) | 指针式仪表图像矫正方法、***及存储介质 | |
Wang et al. | An edge detection algorithm based on improved Canny operator | |
CN106778766B (zh) | 一种基于定位点的旋转数字识别方法及*** | |
CN116503462A (zh) | 一种圆形斑点圆心快速提取方法及*** | |
CN109308707B (zh) | 铝锭厚度非接触式在线测量方法 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN109671084B (zh) | 一种工件形状的测量方法 | |
CN110298799A (zh) | 一种pcb图像定位校正方法 | |
CN111145216B (zh) | 一种视频图像目标的跟踪方法 | |
CN106250687B (zh) | 去扁化ipp的沉积砾石圆度计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |