CN117173225A - 一种用于复杂pcb的高精度配准方法 - Google Patents
一种用于复杂pcb的高精度配准方法 Download PDFInfo
- Publication number
- CN117173225A CN117173225A CN202311239069.5A CN202311239069A CN117173225A CN 117173225 A CN117173225 A CN 117173225A CN 202311239069 A CN202311239069 A CN 202311239069A CN 117173225 A CN117173225 A CN 117173225A
- Authority
- CN
- China
- Prior art keywords
- image
- array
- sub
- images
- matched
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000003709 image segmentation Methods 0.000 claims abstract description 4
- 230000001131 transforming effect Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 25
- 150000003071 polychlorinated biphenyls Chemical class 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 9
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 4
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000003491 array Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011166 aliquoting Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明涉及PCB加工和图像识别领域，具体地涉及一种用于复杂PCB的高精度配准方法。包括以下步骤，步骤a.通过PCB的加工文件生成模板图像；并采集待匹配图像；步骤b.识别模板图像中阵列单元的阵列数据，阵列数据包括阵列数和各阵列单元坐标；步骤c.根据步骤b中所得到的阵列数据对待匹配图像进行子图切分得到与阵列数相同的子图像；步骤d.用阵列单元和所有的子图像进行特征点匹配，得到阵列单元在子图像上配准子图的坐标信息；步骤e.把配准子图投影变换到模板图像上，建立模板图像和匹配图像的对应关系。
Description
技术领域
本发明涉及PCB加工和图像识别领域，具体地涉及一种用于复杂PCB的高精度配准方法。
背景技术
近年来计算机视觉飞速发展，已经存在许多基于计算机视觉的图像配准方法，其中NCC(normalized cross correlation)方法，SIFT(Scale-invariant featuretransform)方法与SURF(Speeded Up Robust Features)方法在PCB裸板配准以及缺陷检测上有着良好的应用，但与此同时这几种方法也存在着一些问题，首先，其实时性会随着实际生产中pcb表面特征(点)的增加而降低，其次，这几种算法本身都是基于相似特征进行计算的，当遇到使用拼板工艺的pcb时，容易出现特征重合，导致投影矩阵计算错误，进而导致配准失败。
在现有技术中也存在公开号为CN 106373161 B与CN 114897946 A的专利文献，其中都使用了特征点来提取相机图像特征与模板特征，然后计算相机图像与模板图像的匹配点对，通过杂点剔除的算法获取内点，最后采用内点计算单应性矩阵与投影矩阵从而通过投影变换得到配准图片。
这两种技术都是适用在情况较为简单的pcb板(焊盘数量少，面积小，单板独立)上，上述方法能获取较高精度的匹配以及较好的实时性，但是在真实工业生产环境中(焊盘数量不确定，面积大，拼板)，尤其是存在拼板加工时，整个pcb上就会存在多个阵列单元，每个阵列单元的元素是相同的。再上述方法存在大概率匹配错误，且实时性低。
发明内容
针对现有技术中的上述不足或缺陷，本发明提供一种用于复杂PCB的高精度配准方法，该拼板PCB图像识别配准方法能够在拼板生产的PCB中，快速识别拼板的PCB中特征相同的阵列单元，确认pcb中阵列单元的数目和位置，提高这种拼板PCB的图像识别精度。
为了实现快速对拼板PCB进行图像识别的目的，本发明提供一种用于复杂PCB的高精度配准方法，包括以下步骤，
步骤a.通过PCB的加工文件生成模板图像；并采集待匹配图像；
步骤b.识别模板图像中阵列单元的阵列数据，阵列数据包括阵列数和各阵列单元坐标；
步骤c.根据步骤b中所得到的阵列数据对待匹配图像进行子图切分得到与阵列数相同的子图像；
步骤d.用阵列单元和所有的子图像进行特征点匹配，得到阵列单元在子图像上配准子图的坐标信息；
步骤e.把配准子图投影变换到模板图像上，建立模板图像和匹配图像的对应关系。
优选的，在步骤d结束后，步骤e之前对配准子图和阵列单元进行全图的相似度检查；
将配准子图和阵列单元分别进行灰度阈值二值化处理，然后对处理后的配准子图和阵列单元进行位操作xor，然后汇总xor操作的输出结果得到配准字图和阵列单元的相似度。
优选的，在步骤a中，采集待匹配图像包括以下步骤：
首先使用相机拍摄PCB板取得原始图像，然后前景提取算法确定原始图像中PCB区域并提取出来得到待匹配图像。
4、根据权利要求3所述的一种用于复杂PCB的高精度配准方法，其特征在于，前景提取算法包括以下步骤：
S1.将采集到的原始图像转化成灰度图像；
S2.将灰度图像进行二值化处理得到像素之后0或1的二值图；
S3.对二值图进行去噪处理得到降噪图像，先进行开运算去除背景噪声，然后进行闭运算去除前景噪声；
S4.进行轮廓提取，并从轮廓中提取最大轮廓；
S5.计算最大轮廓的周长并以其周长为近似精度参数计算器轮廓近似多边形，采用Douglas-Peucker算法，得出其拟合四边形的四个顶点；
S6.以四个顶点中两个离图像边缘较远的直角顶点为圆心，以直角边边长的三分之二作为半径做相交圆，提取内交点；
S7.提取PCB模板图像的对应直角边，以直角顶点做相交圆，提取内交点；
S8.原始图像与模板图像上的直角顶点与相交圆内交点计算仿射矩阵，
S9.对降噪图像进行仿射变换，从原始图像上得到待匹配图像。
优选的，步骤b中采用阵列图像检测算法识别模板图像中阵列单元的阵列数据，所述阵列图像检测算法包括以下步骤：
T1.分别从模板图像的X和Y两个方向裁切若干个切片；
T2.以每个切片为template，在全图做模板匹配；
T3.对匹配结果进行非最大值抑制(NMS)，统计X方向与Y方向的条目数；
T4.对各切片的条目数进行统计，计算众数；
T5.采用众数作为其方向的阵列数，输出阵列矩阵；
T6.在各方向上，以匹配众数的切片对应列表为样本，计算每条切片匹配的列表中两条元素在该方向上的距离的差值；
T7.在各方向上，统计所有距离差值的众数，得到其方向上对应的精确差值；
T8.整合X、Y方向上的差值，得到阵列单元的长与宽；
T9.在X方向上滑动索引为坐标为(0，0)的阵列模板图像，同时滑动索引为坐标为(n，m)的图像，比对两者，记录相似度至列表；
T10.在Y方向上滑动索引为坐标为(0，0)的阵列模板图像，同时滑动索引为坐标为(n，m)的图像，比对两者，记录相似度至列表；
T11.在X方向的列表中计算最大值，得到X方向的起始点；
T12：在Y方向的列表中计算最大值，得到Y方向的起始点；
T13：整合X与Y方向的起始点、阵列数、整列单元尺寸，得到输出的阵列信息。
优选的，在步骤d进行特征匹配时，每个子图像独立进行，并采用多线程并行进行加速。
优选的，在步骤d中，特征点的提取算法采用SIFT、SURF、ORB；
使用近似最近邻搜索算法(FLANN)匹配两个子图中被检出的特征点，其主要包含导入特征描述符，树结构索引建立，树空间搜索，最邻近描述符匹配得分计算，最终匹配结果生成。
优选的，在步骤d中，使用RANSAC算法优化匹配点集，剔除“外点”，保留“内点”，其主要步骤为：
选择出可以估计出模型的最小数据集；使用这个数据集来计算出数据模型；
将所有数据带入这个模型，计算出“内点”的数目；比较当前模型和之前推出的最好的模型的“内点“的数量，记录最大“内点”数的模型参数和“内点”数；重复上述步骤，直到迭代结束。
优选的，步骤e包括：通过单应性矩阵与原图区域子图四角顶点矩阵计算投影后的顶点矩阵，然后每个子图的投影矩阵对各子图进行投影变换。
优选的，在步骤e之后还包括步骤f，
步骤f.将投影变换完成的所有子图拼接，形成高精度匹配的大图。
通过本发明上述技术方案一种一种用于复杂PCB的高精度配准方法，能适应拼板PCB这种有大量重复元素的情况，具有识别速度快、精度高，程序自动化运行的优点。
具体是先用PCB的加工文件直接生成高精度的模板图像，然后再模板图像上识别拼板生产中重负的阵列单元，阵列单元的横纵阵列数，和各个阵列单元的坐标。
再根据阵列识别的结果，对PCB直接拍摄出来的待匹配图像进行切割，然后每个切割出来的子图像和阵列单元进行单独的特征匹配，来确定阵列单元在子图像上的对应位置也就是配准子图，同时得到配准子图的坐标信息，然后再根据配准图像的位置和模板图像做投影变化。从而实现PCB加工文件和模板文件建立对应关系，然后模板文件再和待匹配图像建立对应关系。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
图1是本发明一种实施方式的流程图。
具体实施方式
以下对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了解决背景技术部分所指传统的PCB加工的问题。本发明提供一种用于复杂PCB的高精度配准方法，包括以下步骤。
步骤a.通过PCB的加工文件生成模板图像；并采集待匹配图像；
步骤b.识别模板图像中阵列单元的阵列数据，阵列数据包括阵列数和各阵列单元坐标；
步骤c.根据步骤b中所得到的阵列数据对待匹配图像进行子图切分得到与阵列数相同的子图像；
步骤d.用阵列单元和所有的子图像进行特征点匹配，得到阵列单元在子图像上配准子图的坐标信息；
步骤e.把配准子图投影变换到模板图像上，建立模板图像和匹配图像的对应关系。
在步骤a，生成模板图像包括以下过程，读取PCB的加工文件并将其自动转换为仿真模板图像，具体是读取GERBER文件，使用程序将其自动绘制在高分辨率的虚拟画布上，并输出为图片格式。
在步骤a中，采集待匹配图像包括以下步骤：首先使用相机拍摄PCB板取得原始图像。原始图像上会包括PCB部分，以及加工平台和夹具等，所以就需要用前景提取算法确定原始图像中PCB区域并提取出来得到待匹配图像。
前景提取算法包括以下步骤：
S1.工业相机直接拍摄的原始图像命名为PCB-IMG是彩色图像，里面包括色彩信息；这里将采集到的原始图像转化成灰度图像；包括对PCB-IMG进行色彩空间转换，由RGB色彩空间转到GRAY色彩空间，公式为：Gray＝R*0.299+G*0.587+B*0.114。得到PCB-IMG-GRAY。
S2.将灰度图像进行二值化处理得到像素之后0或1的二值图；使用图像阈值对PCB-IMG-GRAY进行二值化，设定大于阈值的部分被置为255，小于部分被置为0，得到PCB-IMG-GRAY-BINARY。这样就将将灰度图转化为二值图，也就是图像中只有0和1的图像。
S3.对二值图进行去噪处理得到降噪图像，先进行开运算去除背景噪声，然后进行闭运算去除前景噪声；未经过处理的图像中是有噪声的(黑底白点或白底黑点)此步骤是为了去除这些噪声。方法如下：
形态学运算去噪，先进行开运算去除背景噪声，再进行闭运算去除前景噪声，获得其PCB-IMG-GRAY-BINARY-FLITED，中开运算操作为先侵蚀后膨胀，闭运算操作为先膨胀后侵蚀，膨胀即是将图像进行某种程度上的拓宽，即A⊕B，描述为集合B对集合A的膨胀，公式为：
腐蚀即是将图像进行某种程度上的缩减，即AΘB描述为集合B对集合A的腐蚀，公式为：
S4.进行轮廓提取，并从轮廓中提取最大轮廓；也就是对PCB-IMG-GRAY-BINARY-LITED进行轮廓提取，并从轮廓中提取最大轮廓MAX_CNT，这里提取的最大轮廓就是PCB板的轮廓，这个轮廓包含了一个能够将目标围起来的封闭点集。
S5.计算最大轮廓的周长并以其周长为近似精度参数计算器轮廓近似多边形，采用Douglas-Peucker算法，得出其拟合四边形的四个顶点；具体地就是计算MAX_CNT周长并以其周长为近似精度参数计算器轮廓近似多边形，采用Douglas-Peucker算法，得出其拟合四边形的四个顶点。其目的是从点集计算PCB的轮廓图像的顶点，以进行后续的变换。
S6.以四个顶点中两个离图像边缘较远的直角顶点为圆心，以直角边边长的三分之二作为半径做相交圆，提取内交点；
具体操作时以四个顶点中两个离图像边缘较远的直角顶点为圆心，以直角边边长的三分之二作为半径做相交圆，提取内交点S7注释：因为要进行仿射变换，至少需要3个点组成的点阵以及与之对应的映射点阵，所以只有边缘的两点是不够的，
作圆的目的就是为了提取第三个点，不论图形作何种变换，而此点相对于边的相对关系都是不变的。
S7：提取PCB模板图像的对应直角边，以直角顶点做相交圆，提取内交点；这里的操作方法和目的与步骤S6相同。
S8：原始图像与模板图像上的直角顶点与相交圆内交点计算仿射矩阵，计算方法如下
其中
dst(i)＝(x′i，y′i)，src(i)＝(xi，yi)，i＝0，1，2
S9：对降噪图像进行仿射变换，从原始图像上得到待匹配图像。也就是对PCB-IMG-GRAY-BINARY-FLITED进行仿射变换，从原始图像上得到粗略配准的待匹配图像。
阵列图像检测算法
步骤b中首先从PCB的加工文件获取模板图像，然后采用阵列图像检测算法识别模板图像中阵列单元的阵列数据，所述阵列图像检测算法包括以下步骤：
T1.分别从模板图像的X和Y两个方向裁切若干个切片；从模板图像X边与Y边提取切片，切片数量可调，切片宽度也可调切片数量为3～9，每个切片宽度为20～100像素。切片在长度方向上贯穿整个模板图像，优选的统一方向上的多个切片相邻。
在进行T1之前需要将模板图像的边缘剔除，也就是实际PCB中边缘不包含元器件和布线的部分剔除，这一部分由于不包含任何图像特征所以不适合用来做图像的对比素材。具体方法可以采用在切片时，不从边缘开始，而是从边缘空若干个像素例如10-50个像素然后再去第一个切片。
这里的X方向和Y方向就是两个相互垂直的方向或者理解成图像的长指向的方向和图像的宽指向的方向。
T2.以每个切片为template，在全图做模板匹配；
分别以每个切片为模板，在全图范围内作模板匹配，得到匹配的输出结果为形状为n*4*2的矩阵，其中n代表匹配到的图像数量，4代表被匹配图像的四个顶点框，2代表X与Y坐标值。采用标准相关匹配，公式为：
具体地灰度直方图匹配的方法有六种，分别为：“cv.TM_CCOEFF，cv.TM_CCOEFF_NORMED，cv.TM_CCORR，cv.TM_CCORR_NORMED，cv.TM_SQDIFF，cv.TM_SQDIFF_NORMED”，匹配时，输入为两张图片(模板与待匹配大图)，输出为满足设定的匹配阈值的n个对象，
这一步是为了找到切片模板在全图中出现在了多少个地方，从而得到图像中有多少个和切片长的一模一样的区域。
T3.对匹配结果进行非最大值抑制(NMS)，统计X方向与Y方向的条目数；在T2中匹配到了模板在全图中有多少处，但被匹配的n个区域可能是重叠的，所以进行NMS，即在一个区域内，只保留一个匹配分数最大的被匹配项，得到切片模板在全图中准确的数量。
T4.对各切片的条目数进行统计，计算众数；步骤T2-T3的执行对象是单个切片，步骤T1中，切片数量为复数，所以T3-T4的操作是在每个切片上都进行了一次，形成了数量为切片数量的样本集，而不一定每个样本集中都完全正确的记录了阵列数量，所以对于此样本集作众数统计来消除此不确定性，即能得到更准确的此方向在全图上的真实阵列数量。
T5.采用众数作为其方向的阵列数，输出阵列矩阵；这一步中的阵列矩阵只有阵列的数量信息，没有坐标信息，由于PCB板在生成时会有供机械夹持的边缘，所以在步骤T1中会首先把边缘去掉在裁切提取切片，所以其阵列起点不一定为(0，0)位置。
T6.在各方向上，也就是X方向和Y方向，以匹配众数的切片对应列表为样本，计算每条切片匹配的列表中两条元素在该方向上的距离的差值；相邻匹配样本的距离差值就是阵列单元在该方向上的宽度。
T7在各方向上，统计所有距离差值的众数，得到其方向上对应的精确差值；与前文相同由于取了多个切片，单独一个切片对宽度的计算可能存在偏差因此采用取众数消除误差。
T8：整合X、Y方向上的差值，得到阵列单元的长与宽。
T9：在X方向上滑动索引为坐标为(0，0)的阵列模板图像，同时滑动索引为坐标为(n，m)的图像，比对两者，记录相似度至列表；
T10：在Y方向上滑动索引为坐标为(0，0)的阵列模板图像，同时滑动索引为坐标为(n，m)的图像，比对两者，记录相似度至列表；
T11：在X方向的列表中计算最大值，得到X方向的起始点；
T12：在Y方向的列表中计算最大值，得到Y方向的起始点；
T13：整合T8-T12中的数据，也就是整合X与Y方向的起始点、阵列数、整列单元尺寸，得到输出的阵列信息。得到的信息就包括一个阵列单元的图像、X和Y方向上阵列单元的阵列数，以及每个阵列单元的位置。
在步骤d结束后，步骤e之前对配准子图和阵列单元进行全图的相似度检查；将配准子图和阵列单元分别进行灰度阈值二值化处理，然后对处理后的配准子图和阵列单元进行位操作xor，然后汇总xor操作的输出结果得到配准字图和阵列单元的相似度。
具体地获得配准子图a与阵列单元的图像b，将a与b分别进行灰度阈值二值化处理得到a-t与b-t，将a-t与b-t进行位操作xor(异或)，得到ab-xor图像，此图像中白色像素代表a-t与b-t中不同的部分，计算白色像素的面积可以得到匹配后两张图像之间的差异。
在步骤d进行特征匹配时，每个子图像独立进行，并采用多线程并行进行加速，具体公式为：
L(x，y，σ)＝G(x，y，σ)*I(x，y)
L为高斯模糊后图像，G为高斯核函数，
I为原图
D(x，y，σ)＝L(x，y，kσ)-L(x，y，σ)
D为DoG图像
L1(2σ0)≈L1(σ0)
L3(σ0)≈L2(2σ0)≈L1(4σ0)
特征描述子为周边像素的灰度梯度方向：
1)、将得到的角度值进行36等分。
2)、在特征点对应的尺度空间计算梯度值。
3)、利用高斯核对梯度进行计算权重。
也就是说该像素周围像素的权重由两个值决定：一个是本身梯度大小、第二个是离考察像素点的距离。
在步骤d中，特征点的提取算法采用SIFT、SURF、ORB；
使用近似最近邻搜索算法(FLANN)匹配两个子图中被检出的特征点，其主要包含导入特征描述符，树结构索引建立，树空间搜索，最邻近描述符匹配得分计算，最终匹配结果生成。
然后在步骤d中，使用RANSAC算法优化匹配点集，剔除“外点”，保留“内点”，其主要步骤为：
选择出可以估计出模型的最小数据集；使用这个数据集来计算出数据模型；
将所有数据带入这个模型，计算出“内点”的数目；比较当前模型和之前推出的最好的模型的“内点“的数量，记录最大“内点”数的模型参数和“内点”数；重复上述步骤，直到迭代结束。
然后，通过内点点集计算原图区域子图至模板子图坐标的单应性矩阵，该算法能够找到并返回源平面和目标平面之间的转换矩阵H
反向投影错误率计算方式如下：
通过单应性矩阵与原图区域子图四角顶点矩阵计算投影后的顶点矩阵，然后每个子图的投影矩阵对各子图进行投影变换。
在步骤e之后还包括步骤f，步骤f.将投影变换完成的所有子图拼接，形成高精度匹配的大图。最终的配准大图并非必要，如果需要在进行生成。
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。
Claims (10)
1.一种用于复杂PCB的高精度配准方法，其特征在于，包括以下步骤，
步骤a.通过PCB的加工文件生成模板图像；并采集待匹配图像；
步骤b.识别模板图像中阵列单元的阵列数据，阵列数据包括阵列数和各阵列单元坐标；
步骤c.根据步骤b中所得到的阵列数据对待匹配图像进行子图切分得到与阵列数相同的子图像；
步骤d.用阵列单元和所有的子图像进行特征点匹配，得到阵列单元在子图像上配准子图的坐标信息；
步骤e.把配准子图投影变换到模板图像上，建立模板图像和匹配图像的对应关系。
2.根据权利要求1所述的一种用于复杂PCB的高精度配准方法，其特征在于，在步骤d结束后，步骤e之前对配准子图和阵列单元进行全图的相似度检查；
将配准子图和阵列单元分别进行灰度阈值二值化处理，然后对处理后的配准子图和阵列单元进行位操作xor，然后汇总xor操作的输出结果得到配准字图和阵列单元的相似度。
3.根据权利要求1所述的一种用于复杂PCB的高精度配准方法，其特征在于，在步骤a中，采集待匹配图像包括以下步骤：
首先使用相机拍摄PCB板取得原始图像，然后前景提取算法确定原始图像中PCB区域并提取出来得到待匹配图像。
4.根据权利要求3所述的一种用于复杂PCB的高精度配准方法，其特征在于，前景提取算法包括以下步骤：
S1.将采集到的原始图像转化成灰度图像；
S2.将灰度图像进行二值化处理得到像素之后0或1的二值图；
S3.对二值图进行去噪处理得到降噪图像，先进行开运算去除背景噪声，然后进行闭运算去除前景噪声；
S4.进行轮廓提取，并从轮廓中提取最大轮廓；
S5.计算最大轮廓的周长并以其周长为近似精度参数计算器轮廓近似多边形，采用Douglas-Peucker算法，得出其拟合四边形的四个顶点；
S6.以四个顶点中两个离图像边缘较远的直角顶点为圆心，以直角边边长的三分之二作为半径做相交圆，提取内交点；
S7.提取PCB模板图像的对应直角边，以直角顶点做相交圆，提取内交点；
S8.原始图像与模板图像上的直角顶点与相交圆内交点计算仿射矩阵，
S9.对降噪图像进行仿射变换，从原始图像上得到待匹配图像。
5.根据权利要求1所述的一种用于复杂PCB的高精度配准方法，其特征在于，步骤b中采用阵列图像检测算法识别模板图像中阵列单元的阵列数据，所述阵列图像检测算法包括以下步骤：
T1.分别从模板图像的X和Y两个方向裁切若干个切片；
T2.以每个切片为template，在全图做模板匹配；
T3.对匹配结果进行非最大值抑制(NMS)，统计X方向与Y方向的条目数；
T4.对各切片的条目数进行统计，计算众数；
T5.采用众数作为其方向的阵列数，输出阵列矩阵；
T6.在各方向上，以匹配众数的切片对应列表为样本，计算每条切片匹配的列表中两条元素在该方向上的距离的差值；
T7.在各方向上，统计所有距离差值的众数，得到其方向上对应的精确差值；
T8.整合X、Y方向上的差值，得到阵列单元的长与宽；
T9.在X方向上滑动索引为坐标为(0，0)的阵列模板图像，同时滑动索引为坐标为(n，m)的图像，比对两者，记录相似度至列表；
T10.在Y方向上滑动索引为坐标为(0，0)的阵列模板图像，同时滑动索引为坐标为(n，m)的图像，比对两者，记录相似度至列表；
T11.在X方向的列表中计算最大值，得到X方向的起始点；
T12.在Y方向的列表中计算最大值，得到Y方向的起始点；
T13.整合X与Y方向的起始点、阵列数、整列单元尺寸，得到输出的阵列信息。
6.根据权利要求1所述的一种用于复杂PCB的高精度配准方法，其特征在于，在步骤d进行特征匹配时，每个子图像独立进行，并采用多线程并行进行加速。
7.根据权利要求1所述的一种用于复杂PCB的高精度配准方法，其特征在于，在步骤d中，特征点的提取算法采用SIFT、SURF、ORB；
使用近似最近邻搜索算法(FLANN)匹配两个子图中被检出的特征点，其主要包含导入特征描述符，树结构索引建立，树空间搜索，最邻近描述符匹配得分计算，最终匹配结果生成。
8.根据权利要求7所述的一种用于复杂PCB的高精度配准方法，其特征在于，在步骤d中，使用RANSAC算法优化匹配点集，剔除“外点”，保留“内点”，其主要步骤为：
选择出可以估计出模型的最小数据集；使用这个数据集来计算出数据模型；
将所有数据带入这个模型，计算出“内点”的数目；比较当前模型和之前推出的最好的模型的“内点“的数量，记录最大“内点”数的模型参数和“内点”数；重复上述步骤，直到迭代结束。
9.根据权利要求1所述的一种用于复杂PCB的高精度配准方法，其特征在于，步骤e包括：
通过单应性矩阵与原图区域子图四角顶点矩阵计算投影后的顶点矩阵，然后每个子图的投影矩阵对各子图进行投影变换。
10.根据权利要求1所述的一种用于复杂PCB的高精度配准方法，其特征在于，在步骤e之后还包括步骤f，
步骤f.将投影变换完成的所有子图拼接，形成高精度匹配的大图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311239069.5A CN117173225A (zh) | 2023-09-22 | 2023-09-22 | 一种用于复杂pcb的高精度配准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311239069.5A CN117173225A (zh) | 2023-09-22 | 2023-09-22 | 一种用于复杂pcb的高精度配准方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117173225A true CN117173225A (zh) | 2023-12-05 |
Family
ID=88945009
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311239069.5A Pending CN117173225A (zh) | 2023-09-22 | 2023-09-22 | 一种用于复杂pcb的高精度配准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117173225A (zh) |
-
2023
- 2023-09-22 CN CN202311239069.5A patent/CN117173225A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109978839B (zh) | 晶圆低纹理缺陷的检测方法 | |
| CN109615611B (zh) | 一种基于巡检影像的绝缘子自爆缺陷检测方法 | |
| CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及*** | |
| WO2019119567A1 (en) | Systems and methods for block based edgel detection with false edge elimination | |
| JP5538868B2 (ja) | 画像処理装置、その画像処理方法及びプログラム | |
| US20080232715A1 (en) | Image processing apparatus | |
| CN109784250B (zh) | 自动引导小车的定位方法和装置 | |
| CN110473221B (zh) | 一种目标物体自动扫描***及方法 | |
| CN106709500B (zh) | 一种图像特征匹配的方法 | |
| JP2009258968A (ja) | 画像検査装置 | |
| CN109948521B (zh) | 图像纠偏方法和装置、设备及存储介质 | |
| CN105718931B (zh) | 用于确定采集图像中的杂斑的***和方法 | |
| Serna et al. | Data fusion of objects using techniques such as laser scanning, structured light and photogrammetry for cultural heritage applications | |
| CN111489337A (zh) | 一种自动光学检测伪缺陷去除方法及*** | |
| CN111222507A (zh) | 数字式仪表读数的自动识别方法、计算机可读存储介质 | |
| CN113723399A (zh) | 一种车牌图像矫正方法、车牌图像矫正装置和存储介质 | |
| Recky et al. | Façade segmentation in a multi-view scenario | |
| CN112991374A (zh) | 基于Canny算法的边缘增强方法、装置、设备及存储介质 | |
| CN110288040B (zh) | 一种基于拓扑验证的图像相似评判方法及设备 | |
| CN108960247B (zh) | 图像显著性检测方法、装置以及电子设备 | |
| US20160035076A1 (en) | Registration of cad data with sem images | |
| JP2017500662A (ja) | 投影ひずみを補正するための方法及びシステム | |
| JP2008252856A (ja) | 画像の補正方法、補正プログラムおよび画像歪み補正装置 | |
| CN114626118A (zh) | 建筑物室内模型生成方法及装置 | |
| CN117173225A (zh) | 一种用于复杂pcb的高精度配准方法 |
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 |