CN116563254A - 一种电子元器件表面印刷图案的纹理检测与匹配方法 - Google Patents

一种电子元器件表面印刷图案的纹理检测与匹配方法 Download PDF

Info

Publication number
CN116563254A
CN116563254A CN202310533972.6A CN202310533972A CN116563254A CN 116563254 A CN116563254 A CN 116563254A CN 202310533972 A CN202310533972 A CN 202310533972A CN 116563254 A CN116563254 A CN 116563254A
Authority
CN
China
Prior art keywords
image
area
feature
texture
points
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.)
Pending
Application number
CN202310533972.6A
Other languages
English (en)
Inventor
洪伟
张星宇
廖育霆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN202310533972.6A priority Critical patent/CN116563254A/zh
Publication of CN116563254A publication Critical patent/CN116563254A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/30148—Semiconductor; IC; Wafer
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种电子元器件表面印刷图案的纹理检测与匹配方法，简称ORBAM(ORB and Area Match)算法，属于汽车保险盒组装生产线中的质量检测技术领域。为了解决现有图像检测方法针对表面带有纹理印刷图案的器件需要解决光照条件变化对检测结果造成的干扰和提高对表面纹理高度相似的异类器件检测的准确度的问题，本发明基于ORB算法采取了一系列改进措施，通过自适应对比度增强方法提高图像在不理想光照条件下的对比度，利用基于最大密度约束的特征点筛选和四值特征描述子提升纹理描述算法的性能，并利用特征覆盖区域计算标准器件与待测器件的相似度，有效地解决了表面纹理高度相似的异类器件的检测问题。

Description

一种电子元器件表面印刷图案的纹理检测与匹配方法
技术领域
本发明属于汽车保险盒电子元器件组装质量检测技术领域。
背景技术
汽车的保险盒是汽车电路的保护装置，保险盒中通常包括保险丝和继电器两种类型的器件，它们都是根据电路保护的要求，选择不同规格或品种的器件。保险盒质量检测包括了器件的种类检测。继电器这类器件的检测主要是检查盒中安插的器件是否存在漏插和错插的情况，装配生产过程中若出现上述的情况应该判定保险盒的质量不合格。一旦不合格的保险盒因检测错误未能及时发现而装配上车，将对汽车的行车安全造成隐患。目前针对继电器这类表面印刷图案的电子元器件，还没有成熟的、通用的基于图像纹理的检测方法。因此采用图像纹理的检测方法进行质量检测还需要解决光照条件变化对测量准确性造成的干扰，以及表面纹理高度近似的器件的准确区分问题。
发明内容
为了解决现有图像检测方法针对表面带有纹理印刷图案的器件需要解决光照条件变化对检测结果造成的干扰和提高对表面纹理高度相似的异类器件检测的准确度的问题，本发明基于ORB算法，提出了一种电子元器件表面印刷图案的纹理检测与匹配方法，简称为ORBAM(ORB and Area Match)，本发明所采用的技术方案主要包含以下步骤：
步骤一、工控机***采用工业相机，在一个封闭的箱体内采集保险盒图像，尽量保证电子元器件表面上的印刷图案在图像中能够清晰、完整地成像。
步骤二、在保险盒批量装配生产前，先拍摄、保存电子元器件表面印刷图案的标准图像f，建立纹理特征描述。
步骤三、装配生产过程中，拍摄待测器件的图像f′，利用步骤二的方法提取特征点，并建立纹理特征描述。
步骤四、将待测产品的纹理特征与标准图像的纹理特征进行区域匹配，并计算相似度。若相似度高于阈值，则装配正确，否则装配错误，产品检测不合格。
步骤二中建立纹理特征描述的方法包括以下步骤：
1)将器件图像f转换为灰度图像g；
2)然后利用自适应对比度增强方法获得对比度增强图g_e；
3)以对比度增强图g_e为初始化图像g_e0，构建图像金字塔{g_ei|i＝0,1,…,nc}，nc为设置的图像金字塔总层数；
4)采用FAST算法提取出图像金字塔每一层图像的特征点；
图像中某一点P的灰度值为gP，将其邻域像素点P1～Pj分为d暗、s相似、b亮三类，对应的类别记为Sj，分类公式如下：
其中，gΔ为设置的灰度阈值；若点P的邻域像素中存在连续大于等于NP个非s的相同分类像素点，则将点P作为特征点；
5)基于最大密度约束的特征点筛选；
6)建立四值特征描述子；
其中，自适应对比度增强方法的实现过程如下：
(1)利用sobel边缘检测算子对灰度图像g进行遍历以增强边缘特征，所得图像记为sobel_g。
(3)对灰度图像g和边缘图像sobel_g分别进行均值滤波、归一化，得到图像g_m和sobel_m。
(4)针对灰度图像g中像素(x，y)，利用图像g_m和sobel_m计算其增强系数m(x，y)，公式如下：
m(x，y)＝g_m(x，y)-k1(sobel_m(x，y)-k2)
调整系数k1和k2，使得像素梯度较大时，系数m适当减小；当像素梯度较小时，系数m适当增大。
(5)利用下式的增强函数遍历灰度图像g，计算得到标准图像f的对比度增强图g_e，调节E可控制增强函数的曲线斜率。
步骤二中基于最大密度约束的特征点筛选的实现过程如下：
基于最大密度约束的特征点筛选优化
首先从图像金字塔的第nc层开始向下遍历并筛选特征点，设当前层为i层，初始化为i＝nc。然后根据第i层图像g_ei构造相同尺寸的特征覆盖图ci，代表像素点(x，y)的位置上检测到的特征点数量，初始值设置为0。/>直接反映了特征点的聚集密度。
遍历图像g_ei中的每个特征点，更新特征覆盖图ci。设坐标为(x，y)的特征点为K(x，y)，ta为设定阈值，若则舍弃该特征点；否则，保留该特征点，同时以坐标(x，y)为中心，建立wc×wc的覆盖区域，记为rectK，并对此区域内的点遍历更新/>的赋值：
根据特征覆盖图ci采用最近邻插值方法，获得与图像金字塔第i-1层图像g_ei-1相同尺寸的ci-1。接下来对第i-1层图像获得的特征点进行筛选，重复上述操作，直至第0层图像g_e0。
所述步骤二中建立四值特征描述子的实现过程如下：
(1)首先以特征点K(x，y)为中心，在wb×wb大小的邻域内随机选取nb个固定的像素点对，pn表示特征点K(x，y)的第n组像素点对，pn＝((x1n，y1n)，(x2n，y2n))。
(2)分类结果δ(pn)设计为四类数值，用两位二进制表示，判别公式如下：
其中tb1，tb2为像素值差异的判断阈值。
(3)利用下式计算得到该特征点的描述子bK(nb)：
所述步骤四中纹理特征区域匹配，计算相似度的方法的实现过程如下：
(1)利用汉明距离将图像f和f′中特征点进行暴力匹配，并利用随机采样一致性(RANSAC)方法消除误匹配项。
(2)计算匹配区域和未匹配区域
将特征点K(x，y)的覆盖区域定义为以(x，y)为中心，wr×wr的正方形，记为rectK。
设标准图像f的已匹配特征点数量为Nfr，已匹配特征点的覆盖区域的并集构成了纹理特征描述的区域，记为Areafr：
同理，可以计算出所有未匹配特征点的覆盖区域，记为Areafe。
对未匹配的覆盖区域与已匹配覆盖区域作差集进一步修改Areafe：
Areafe＝Areafe-Areafr
为获得器件中所有特征的覆盖区域，对未匹配的覆盖区域与已匹配覆盖区域作并集，记Areaf：
Areaf＝AreafrUAreafe
同理，针对待测产品图像f′求其Areaf′r、Areaf′e和Areaf′。
设待测器件图像f′和标准图像f的相似比为D，采用函数S(Area)计算区域Area的面积，则相似比D的计算公式如下：
D越接近1，说明未匹配面积在整体面积中占比越小，待测图像与标准图像越相似；反之，D越接近0，说明未匹配面积在整体面积中占比越大，待测图像与标准图像差异越大。
当D>tD时，说明待测器件图像f′和标准图像f属于同类器件，产品装配正确；反之，产品装配错误。可以根据元器件的相似程度适当调整阈值tD。
本发明的有益效果：
本发明通过搭建视觉检测***，针对继电器这类表面带有纹理印刷图案的器件，设计了基于图像纹理的检测方法和检测流程，既能消除不同光照条件对检测结果的影响，又能解决高度相似器件难以区分的检测问题。
附图说明
图1为本发明方法的技术路线图；
图2为自适应对比度增强方法的效果图；
图3为FAST算法示意图；
图4为改进的ORB特征提取方法与ORB的效果对比图，其中(a)为改进的ORB方法提取的特征点分布，(b)为ORB方法提取的特征点分布；
图5为保险盒中图4所示的继电器安插位置的图像，其中(a)为同类继电器的图像，(b)为异类继电器的图像，(c)为漏插继电器的图像。
图6为图5(a)同类器件的特征整体覆盖区域与未匹配的覆盖区域图，其中(a)为标准图像的整体覆盖区域，(b)为标准图像未匹配的覆盖区域，(c)为待测图像的整体覆盖区域，(d)为待测图像未匹配的覆盖区域。
图7为图5(b)异类器件的特征整体覆盖区域与未匹配的覆盖区域图，其中(a)为标准图像的整体覆盖区域，(b)为标准图像未匹配的覆盖区域，(c)为待测图像的整体覆盖区域，(d)为待测图像未匹配的覆盖区域。
图8为图5(c)漏插器件时特征整体覆盖区域与未匹配的覆盖区域图，其中(a)为标准图像的整体覆盖区域，(b)为标准图像未匹配的覆盖区域，(c)为待测图像的整体覆盖区域，(d)为待测图像未匹配的覆盖区域。
具体实施方式
下面结合附图及具体实施方法对本发明做进一步的说明，并不是对本发明保护范围的限制。
本发明涉及一种电子元器件表面印刷图案的纹理检测与匹配方法，完整的步骤如下所述：
步骤一、在一个封闭的箱体内建立视觉的检测***，箱体中装有一台1500万像素的工业相机，搭配漫反射光源，调整好相机的焦距和漫反射光源亮度，采集电子元器件表面印刷图案的完整图像，将图像实时传送至工控机进行图像处理。
步骤二、工业装配生产前，先拍摄、保存电子元器件表面印刷图案的标准图像f，建立纹理特征描述。本发明针对人工设计的纹理简单的印刷图案，基于ORB方法，采取了一系列的改进措施，设计了改进的ORB方法，用以提高特征描述算法的准确性和实时性。
1、自适应对比度增强
因检测光照条件受一些客观因素的限制(如相机视野内的电子元器件的检测光照需求存在冲突)或检测过程中光照的变化(如器件载体存在孔隙漏光)，会造成采集图像的清晰度不高，这将严重影响特征描述的准确性，所以先进行图像预处理，提升器件图像的对比度。为了适应不同光照条件，本发明提出了自适应对比度增强方法，具体步骤如下：
(1)首先将器件图像f转换为灰度图像g。
(2)利用sobel边缘检测算子对灰度图像g进行遍历以增强边缘特征，所得梯度图像记为sobel_g。
设图像g中像素点(x，y)的灰度值为g(x，y)，该点的x，y轴梯度分别为Gx，GY，则：
Gx＝[g(x+1，y-1)+2*g(x+1，y)+g(x+1，y+1)]-[g(x-1，y-1)+2*g(x-1，y)+g(x-1，y+1)]
GY＝[g(x-1，y-1)+2*g(x，y-1)+g(x+1，y-1)]-[g(x-1，y+1)+2*g(x，y+1)+g(x+1，y+1)]
图像sobel_g中像素点(x，y)的梯度记为sobel_g(x，y)，则：
(3)对灰度图像g和梯度图像sobel_g分别进行均值滤波、归一化，得到图像g_m和sobel_m。
(4)针对灰度图像g中像素(x，y)，利用图像g_m和sobel_m计算其增强系数m(x，y)，公式如下：
m(x，y)＝g_m(x，y)-k1(sobel_m(x，y)-k2)
调整系数k1和k2，使得像素梯度较大时，系数m适当减小；当像素梯度较小时，系数m适当增大。
(5)利用下式的增强函数遍历灰度图像g计算得到标准图像f的对比度增强图g_e。
从上式看出，系数m减小时，像素灰度增大；系数m增大时，像素灰度减小。调节E可控制对比度增强函数的曲线斜率。
图2中列举了几种典型的器件图像应用了自适应对比度增强方法的前后对比图，以展示算法的效果。其中，第二行图像为基于第一行相应的原图像，采用了自适应对比度增强方法后得到的处理效果，图像的清晰度有了明显改善，边缘特征突出。
另外，常用图像灰度标准差进行衡量图像的对比度，标准差大则一般对比度明显，标准差小则一般对比度不明显。图像灰度标准差的计算公式为：
M、N为图像像素宽度和高，μ为图像像素灰度均值。
与图2对应的自适应对比度增强方法的前后对比图的灰度标准差的变化见表1，从中可以看出，标准差提高到了原来的3～4倍。
表1
原图像的灰度标准差 对比度增强图像的灰度标准差 倍数关系
10.17 46.55 4.58
6.83 23.54 3.45
9.39 44.11 4.70
7.29 21.95 3.01
2、构建图像金字塔
将对比度增强后的灰度图像g_e初始化为g_e0，设置图像金字塔总层数为nc，比例参数为sc，则第i层图像g_ei相对原图的尺度变换参数scalei为：
利用双线性插值降采样方法，基于初始化灰度图像g_e0，构建图像金字塔{g_ei|i＝0，1，...，nc}，以获得不同尺度下的图像信息。
3、采用FAST算法、基于最大密度约束对图像金字塔求取特征点
(1)以第i层图像g_ei中的点P为例，描述FAST算法提取特征点的过程。
如图3所示，以P点为中心，以3为半径，在其周围绘制圆形邻域，邻域上的像素点记为P1～P16。设点P的灰度值为gP，将邻域像素点P1～P16分为d(暗)、s(相似)、b(亮)三类，对应的类别记为Sj，分类公式如下：
其中，gΔ为设置的灰度阈值，一般取值为10～20。
若点P的16个邻域像素中存在连续大于等于NP个非s的相同分类像素点，则将点P作为特征点，NP在ORB算法中取值为9。
(2)基于最大密度约束的特征点筛选优化
ORB算法基于图像金字塔，将不同尺度空间中检测的特征点组织在一起，构成特征点集合，因此造成同一特征点在不同尺度空间被重复检测，导致出现特征点聚集、分布不均的情况，这将影响后续基于纹理特征的相似比计算的准确性。为了使提取的特征点均匀分布，能够更充分地提取图像纹理特征，本发明提出了基于最大密度约束的特征点筛选方法来优化特征点的分布。
首先由图像金字塔第nc层开始向下遍历并筛选特征点，设当前层为i层，初始化为nc。然后根据第i层图像g_ei构造相同尺寸的特征覆盖图ci，代表像素点(x，y)的位置上检测到的特征点数量，初始值设置为0。/>直接反映了特征点的聚集密度。
遍历图像g_ei中的每个特征点，更新特征覆盖图ci。设坐标为(x，y)的特征点为K(x，y)，若则舍弃该特征点；否则，保留该特征点，同时以坐标(x，y)为中心，建立wc×wc的覆盖区域，记为rectK。对此区域内的点遍历完成以下操作：
调整wc，相当于调节特征点代表的像素范围，可以根据印刷图案的纹理疏密情况进行赋值。
为了建立起图像金字塔不同尺度之间的特征描述的联系，根据特征覆盖图ci采用最近邻插值方法，获得与图像金字塔第i-1层图像g_ei-1相同尺寸的ci-1。接下来对第i-1层图像获得的特征点进行筛选，重复上述操作，直至第0层图像g_e0。
4、建立四值特征描述子。
ORB算法利用BRIEF特征描述子构建特征向量。
(1)首先以特征点K(x，y)为中心，在wb×wb大小的邻域内选取nb个固定的像素点对，pn表示特征点K(x，y)的第n组像素点对，pn＝((x1n，y1n)，(x2n，y2n))。集合{pn|n＝1，2，...，nb}构成点集S。wb取值31，nb取值256。
(2)BRIEF特征描述子生成时，主要通过比较像素点对的灰度值分为大于等于和小于两类判断结果，用一位二进制来表示。本发明中前期得到的自适应对比度增强图像，具有前景边缘突出的特点，为了更细致地描述纹理特征的差异，将分类结果δ(pn)设计为四类数值，用两位二进制表示，判别公式如下：
其中tb1，tb2为像素值差异的判断阈值。
(3)将特征点K(x，y)的点集S中的每个像素点对的分类结果利用下式计算得到该特征点的描述子bK(nb)：
步骤三、装配生产过程中，拍摄待测器件的图像f′，利用步骤二的方法提取特征点，并建立纹理特征描述。
步骤四、将待测产品的纹理特征与标准图像的纹理特征进行区域匹配，并计算相似度。若相似度高于阈值，则装配正确，否则装配错误，产品检测不合格。
1、利用基于汉明距离的特征匹配将特征点分为匹配集合和未匹配集合
利用特征描述子之间的汉明距离来计算任意两个特征点之间的相似性，汉明距离越小的两个特征点越相似。利用BFMatcher匹配器将待测产品图像f′和标准图像f中的特征点进行暴力匹配，再利用RANSAC方法消除误匹配项。经过上述方法将全部特征点分为已匹配特征点集Pr、标准图像f中的未匹配特征点集Pef和待测器件图像f′中的未匹配特征点集Pef′。
2、计算匹配区域和未匹配区域
将特征点K(x，y)的覆盖区域定义为以(x，y)为中心，wr*wr的正方形，记为rectl。
设标准图像f的已匹配特征点数量为Nfr，已匹配特征点的覆盖区域的并集构成了纹理特征描述的区域，记为Areafr：
同理，可以计算出所有未匹配特征点的覆盖区域，记为Areafe。
接下来对未匹配的覆盖区域与已匹配覆盖区域作差集，进一步修改Areafe：
Areafe＝Areafe-Areafr
为获得器件中所有特征的覆盖区域，对未匹配的覆盖区域与已匹配覆盖区域作并集，记Areaf：
Areaf＝AreafrUAreafe
同理，针对待测产品图像f′求出Areaf′r、Areaf′e和Areaf′。
图6、图7和图8分别列举了图5中器件(a)的同类、异类器件和漏插检测的整体覆盖区域与未匹配的覆盖区域图，其中(a)为标准图像的整体覆盖区域Areaf，(b)为标准图像未匹配的覆盖区域Areafe，(c)为待测图像的整体覆盖区域Areaf′，(d)为待测图像未匹配的覆盖区域Areaf′e。
4、相似比计算
设待测器件图像f′和标准图像f的相似比为D，采用函数S(Area)计算区域Area的面积，则相似比D的计算公式如下：
D越接近1，说明未匹配面积在整体面积中占比越小，待测图像与标准图像越相似；反之，D越接近0，说明未匹配面积在整体面积中占比越大，待测图像与标准图像差异越大。表2列举了与图6、图7和图8对应的同类、非同类和漏插检测的覆盖区域面积及相似比D的计算结果。
表2
当D>tD时，说明待测器件图像f′和标准图像f属于同类器件，产品装配正确；反之，产品装配错误。可以根据元器件的相似程度适当调整阈值tD。
以上结合附图对本发明的实施做了详细说明，本文虽通过特定的术语进行说明，但不能以此限定本发明的保护范围，熟悉此领域的人士可在了解本发明的精神与原则后对其进行变更或修改而达到等效目的，而此等效变更和修改，皆应涵盖与专利要求范围所界定范畴内。

Claims (4)

1.一种电子元器件表面印刷图案的纹理检测与匹配方法，其特征在于，该方法步骤如下：
步骤一、工控机***采用工业相机，在一个封闭的箱体内采集保险盒图像，尽量保证电子元器件表面上的印刷图案在图像中能够清晰、完整地成像；
步骤二、在保险盒批量装配生产前，先拍摄、保存电子元器件表面印刷图案的标准图像f，建立纹理特征描述；
步骤三、装配生产过程中，拍摄待测器件的图像f′，利用步骤二的方法提取特征点，并建立纹理特征描述；
步骤四、将待测产品的纹理特征与标准图像的纹理特征进行区域匹配，并计算相似度；若相似度高于阈值，则装配正确，否则装配错误，产品检测不合格；
步骤二中建立纹理特征描述的方法包括以下步骤：
1)将器件图像f转换为灰度图像g；
2)然后利用自适应对比度增强方法获得对比度增强图g_e；
3)以对比度增强图g_e为初始化图像g_e0，构建图像金字塔{g_ei|i＝0,1,…,nc}，nc为设置的图像金字塔总层数；
4)采用FAST算法提取出图像金字塔每一层图像的特征点；
图像中某一点P的灰度值为gP，将其邻域像素点P1～Pj分为d暗、s相似、b亮三类，对应的类别记为Sj，分类公式如下：
其中，gΔ为设置的灰度阈值；若点P的邻域像素中存在连续大于等于NP个非s的相同分类像素点，则将点P作为特征点；
5)基于最大密度约束的特征点筛选；
6)建立四值特征描述子；
所述步骤四中纹理特征区域匹配，计算相似度的方法的实现过程如下：
(1)利用汉明距离将图像f和f′中特征点进行暴力匹配，并利用随机采样一致性(RANSAC)方法消除误匹配项；
(2)计算匹配区域和未匹配区域
将特征点K(x,y)的覆盖区域定义为以(x,y)为中心，wr×wr的正方形，记为rectK；
设标准图像f的已匹配特征点数量为Nfr，已匹配特征点的覆盖区域的并集构成了纹理特征描述的区域，记为Areafr：
同理，可以计算出所有未匹配特征点的覆盖区域，记为Areafe；
对未匹配的覆盖区域与已匹配覆盖区域作差集进一步修改Areafe:
Areafe＝Areafe-Areafr
为获得器件中所有特征的覆盖区域，对未匹配的覆盖区域与已匹配覆盖区域作并集，记Areaf：
Areaf＝Areafr∪Areafe
同理，针对待测产品图像f′求其Areaf′r、Areaf′e和Areaf′；
设待测器件图像f′和标准图像f的相似比为D，采用函数S(Area)计算区域Area的面积，则相似比D的计算公式如下：
D越接近1，说明未匹配面积在整体面积中占比越小，待测图像与标准图像越相似；反之，D越接近0，说明未匹配面积在整体面积中占比越大，待测图像与标准图像差异越大；
当D>tD时，说明待测器件图像f′和标准图像f属于同类器件，产品装配正确；反之，产品装配错误；阈值tD根据元器件的相似程度调整。
2.根据权利要求1所述的电子元器件表面印刷图案的纹理检测与匹配方法，其特征在于，步骤二中自适应对比度增强方法的实现过程如下：
(1)利用sobel边缘检测算子对灰度图像g进行遍历以增强边缘特征，所得图像记为sobel_g；
(3)对灰度图像g和边缘图像sobel_g分别进行均值滤波、归一化，得到图像g_m和sobel_m；
(4)针对灰度图像g中像素(x,y)，利用图像g_m和sobel_m计算其增强系数m(x,y)，公式如下：
m(x,y)＝g_m(x,y)-k1(sobel_m(x,y)-j2)
调整系数j1和j2，使得像素梯度较大时，系数m适当减小；当像素梯度较小时，系数m适当增大；
(5)利用下式的增强函数遍历灰度图像g，计算得到标准图像f的对比度增强图g_e，调节E可控制增强函数的曲线斜率；
3.根据权利要求1所述的电子元器件表面印刷图案的纹理检测与匹配方法，其特征在于，步骤二中基于最大密度约束的特征点筛选的实现过程如下：
首先从图像金字塔的第nc层开始向下遍历并筛选特征点，设当前层为i层，初始化为i＝nc；然后根据第i层图像g_ei构造相同尺寸的特征覆盖图ci，代表像素点(x,y)的位置上检测到的特征点数量，初始值设置为0；/>直接反映了特征点的聚集密度；
遍历图像g_ei中的每个特征点，更新特征覆盖图ci；设坐标为(x,y)的特征点为K(x,y)，ta为设定阈值，若则舍弃该特征点；否则，保留该特征点，同时以坐标(x,y)为中心，建立wc×wc的覆盖区域，记为rectK，并对此区域内的点遍历更新/>的赋值：
根据特征覆盖图ci采用最近邻插值方法，获得与图像金字塔第i-1层图像g_ei-1相同尺寸的ci-1；接下来对第i-1层图像获得的特征点进行筛选，重复上述操作，直至第0层图像g_e0。
4.根据权利要求1所述的电子元器件表面印刷图案的纹理检测与匹配方法，其特征在于，所述步骤二中建立四值特征描述子的实现过程如下：
(1)首先以特征点K(x,y)为中心，在wb×wb大小的邻域内随机选取nb个固定的像素点对，pn表示特征点K(x,y)的第n组像素点对，pn＝((x1n,y1n),(x2n,y2n))；
(2)分类结果δ(pn)设计为四类数值，用两位二进制表示，判别公式如下：
其中tb1，tb2为像素值差异的判断阈值；
(3)利用下式计算得到该特征点的描述子bK(nb)：
CN202310533972.6A 2023-05-12 2023-05-12 一种电子元器件表面印刷图案的纹理检测与匹配方法 Pending CN116563254A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310533972.6A CN116563254A (zh) 2023-05-12 2023-05-12 一种电子元器件表面印刷图案的纹理检测与匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310533972.6A CN116563254A (zh) 2023-05-12 2023-05-12 一种电子元器件表面印刷图案的纹理检测与匹配方法

Publications (1)

Publication Number Publication Date
CN116563254A true CN116563254A (zh) 2023-08-08

Family

ID=87489415

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310533972.6A Pending CN116563254A (zh) 2023-05-12 2023-05-12 一种电子元器件表面印刷图案的纹理检测与匹配方法

Country Status (1)

Country Link
CN (1) CN116563254A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117747077A (zh) * 2024-01-04 2024-03-22 广东医宝通医疗科技有限公司 基于智能化技术的眼科全流程医疗服务***及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117747077A (zh) * 2024-01-04 2024-03-22 广东医宝通医疗科技有限公司 基于智能化技术的眼科全流程医疗服务***及方法
CN117747077B (zh) * 2024-01-04 2024-07-16 广东医宝通医疗科技有限公司 基于智能化技术的眼科全流程医疗服务***及方法

Similar Documents

Publication Publication Date Title
CN116168026B (zh) 基于计算机视觉的水质检测方法及***
Guo et al. License plate localization and character segmentation with feedback self-learning and hybrid binarization techniques
CN115619793B (zh) 基于计算机视觉的电源适配器外观质量检测方法
CN104568986A (zh) 基于surf算法的遥控器面板印刷缺陷自动检测方法
CN104899888B (zh) 一种基于Legendre矩的图像亚像素边缘检测方法
CN114998198A (zh) 一种注塑件表面缺陷识别方法
CN110111387B (zh) 一种基于表盘特征的指针表定位及读数方法
CN116977358B (zh) 一种瓦楞纸生产品质视觉辅助检测方法
CN104766319B (zh) 提升夜间拍照图像配准精度的方法
CN104008379A (zh) 一种基于surf特征的物体识别方法
CN109447036A (zh) 一种图像数字分割与识别方法及***
CN116563254A (zh) 一种电子元器件表面印刷图案的纹理检测与匹配方法
CN107180422A (zh) 一种基于词袋特征的标贴破损检测方法
CN114926839A (zh) 基于rpa和ai的图像识别方法及电子设备
CN107590512A (zh) 一种模板匹配中参数的自适应方法和***
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
CN115375629A (zh) 一种lcd屏幕中线缺陷检测及缺陷信息提取方法
CN116091498A (zh) 用于铅酸蓄电池智能充电器的视觉缺陷检测方法
CN110348307B (zh) 一种起重机金属结构攀爬机器人的路径边缘识别方法及***
CN103942526B (zh) 一种离散数据点集的线特征提取方法
CN117437238B (zh) 一种封装ic表面缺陷视觉检测方法
CN108805854B (zh) 一种复杂环境下药片快速计数与完整性检测方法
CN106815851B (zh) 一种基于视觉测量的栅格圆形油位计自动读数方法
CN105139013A (zh) 一种融合形状特征和兴趣点的物体识别方法
CN116167921B (zh) 一种飞行太空舱全景图像拼接方法及***

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