自動插件機元件管腳視覺檢測算法的研究

韓浩宇，宋 建

（華南理工大學 聚合物新型成型裝備國家工程研究中心 聚合物成型加工工程教育部重點實驗室，廣東 廣州 510640）

1 引言

在電子元件裝配中，對于大多數(shù)功率元件、異型元件和機電元件，通常采用通孔安裝技術(shù)THT（Through-hole Technology），將電子元件插裝在印制電路板的導電通孔內(nèi)[1]。傳統(tǒng)的人工插件主要依賴人眼對管腳進行檢測，不僅耗時耗力[2-3]，而且經(jīng)常會出現(xiàn)錯插、漏插、歪斜、插入過深或過淺等問題，嚴重影響電子元件的插裝質(zhì)量。機器視覺具有非接觸性、實時性、測量精度高，檢測結(jié)果比較穩(wěn)定等優(yōu)點，它利用檢測目標的圖像信息，從中提取出所需要的特征進行分析計算，進而對檢測目標實現(xiàn)判別，可以很好地滿足電子元器件管腳的檢測要求。集成有機器視覺的自動插件機極大地提高了插件的自動化程度和生產(chǎn)效率，是電子元器件裝配的發(fā)展方向，但它對穩(wěn)定性和實時性有較高的要求。為了滿足這些要求，設計了一個應用于自動插件機的圖像采集系統(tǒng)，并對元件管腳檢測算法進行了研究。

2 圖像采集系統(tǒng)的設計

圖像采集系統(tǒng)是視覺檢測系統(tǒng)的基礎，高質(zhì)量的圖像可以有效地降低算法的復雜度，同時也為算法的穩(wěn)定性提供保障。通過對金屬化聚丙烯薄膜電容器插裝缺陷特征進行分析，設計出相應的圖像采集系統(tǒng)。電容器插裝缺陷包括以下兩個方面：管腳缺失與管腳成型跨距不符。由于管腳的特征能夠較全面地反映電容元件的插裝質(zhì)量，因此通過圖像采集系統(tǒng)獲得高對比度的管腳圖像顯得尤為重要。根據(jù)自動插件機的精度要求，相機選用德國某公司的acA2500-14gm，分辨率為（2592×1944）；鏡頭選用OPT公司的OPT-5m03-110，放大倍率為0.3，工作距離為110mm。照明是圖像采集系統(tǒng)的關鍵，合適的照明可以突顯出被測物的重要特征，抑制不需要的特征。直接暗場正面照明的打光方式，除有紋理的表面和凹凸變化的表面之外，其余光線被反射而不進入相機，一般用來檢測劃痕、紋理及雕刻文字等。由于管腳相當于電容的凸起部分，故選用直接暗場正面照明可以很好地突出管腳的特征。環(huán)形光與待檢測電容呈非常小的角度，照射在管腳部分的光較多，其他部分較少，這樣就使管腳特征得到增強，從而獲得管腳區(qū)域較亮、電容其他區(qū)域較暗的高對比度圖像，采集到的電容圖像，如圖 2（a）所示。

3 管腳檢測算法

檢測算法是視覺檢測系統(tǒng)的核心。針對元器件管腳的視覺檢測算法，主要有模板匹配、差分作積分投影等算法。模板匹配檢測算法的特點是采用參考管腳的邊緣幾何信息作為形狀模板與待檢測圖像作對比，在簡單背景下可獲得準確度較高的匹配結(jié)果，但金屬化聚丙烯薄膜電容器底部容易反光，電容圖像背景復雜、亮度不均，使用模板匹配經(jīng)常會出現(xiàn)錯誤的匹配結(jié)果；差分作積分投影檢測算法其特點是通過獲取少數(shù)幾個管腳邊界點來進行管腳形狀擬合，較適用于矩形管腳的檢測，對于圓形管腳該方法并不適用。針對金屬化聚丙烯薄膜電容器管腳圖像的特點，設計了一套視覺檢測算法，主要包括圖像二值化、管腳粗定位、目標邊緣提取及權(quán)重式圓擬合。算法流程圖，如圖1所示。首先對管腳的完整度進行檢測，在管腳粗定位后統(tǒng)計目標區(qū)域的個數(shù)，若其不為2，則說明管腳缺失，不進行后續(xù)處理；其次對管腳成型跨距進行檢測，計算權(quán)重圓擬合后兩圓心的中心距離，若其超出參考距離范圍，則判斷為管腳成型跨距不符。若全部滿足，則判斷為良品，將兩管腳的位置信息發(fā)送至自動插件機的控制系統(tǒng)，指導其完成插件。

圖1 算法流程圖Fig.1 Flow Chart of Proposed Algorithm

3.1 圖像二值化

從圖2（a）可以看出，管腳與背景的灰度分布十分明顯，可選擇全局閾值方法對其進行分割[4-5]。Otsu又叫最大類間方差法，是自動全局閾值的最優(yōu)方法[6-7]。對于大小M×N為的灰度圖，令ni表示灰度級為i的像素的數(shù)量，則各灰度級的概率為。設閾值 k 將像素分為灰度分布在［0，k］的 T1類和［k+1，255］的 T2類，則像素屬于各類的概率分別為：

各類中像素的平均灰度值為：

圖像的平均灰度為：Otsu算法選擇使得σ2最大的k值作為最佳閾值對圖像進行分割，分割后的二值化圖像，如圖2（b）所示。

圖2 圖像二值化Fig.2 Image Binaryzation

3.2 管腳粗定位

圖像二值化算法返回一個區(qū)域作為圖像分割的結(jié)果，從圖2（b）可以看出，這個區(qū)域不僅包含目標區(qū)域（管腳），還包含了干擾區(qū)域。先采用8連通方法對該區(qū)域執(zhí)行深度優(yōu)先搜索，并標記連通區(qū)域，得到所有不相連的獨立子區(qū)域。分析發(fā)現(xiàn)，目標區(qū)域相對于干擾區(qū)域其面積較大，故采用面積特征來對其進行篩選。根據(jù)相機像素及管腳直徑估算出目標區(qū)域面積的下限閾值Amin和上限閾值Amax，篩選出目標區(qū)域，如圖3（a）所示。由于管腳制造存在切面等原因，篩選出的目標區(qū)域僅能代表殘缺的管腳，不能直接利用其進行管腳位置信息的求取。對目標區(qū)域求最小包圍圓，利用求得的圓心及半徑創(chuàng)建最小包圍圓區(qū)域，實現(xiàn)管腳的粗定位。最小包圍圓區(qū)域與管腳位置已經(jīng)非常接近，它為之后管腳目標邊緣的提取提供可靠的位置信息。

圖3 管腳粗定位Fig.3 Coarse Localization of Pins

3.3 目標邊緣提取

邊緣是指圖像局部強度變化顯著的像素的集合，將邊緣作為邊界是魯棒性最好的分割方法。所以提取目標邊緣即管腳的外邊緣，可以很好地對管腳進行分割。但由于管腳制造受機械剪切，管腳腳平面凹凸不平，存在很多高梯度量值區(qū)域，如圖4（a）所示，有些還會與目標邊緣相連，很難使用統(tǒng)一的規(guī)則將它們剔除。針對管腳的圖像特點，提出一種目標邊緣的提取方法。首先用適當半徑的圓形結(jié)構(gòu)元對最小包圍圓分別進行膨脹和腐蝕，膨脹會增長和粗化最小包圍圓區(qū)域，腐蝕會收縮和細化最小包圍圓區(qū)域；然后用膨脹后的區(qū)域與腐蝕后的區(qū)域做差運算，這樣就得到一個圓環(huán)區(qū)域。該區(qū)域中包含管腳外邊界，從原始圖像中裁剪出圓環(huán)區(qū)域，將其作為目標邊緣提取的ROI，如圖4（b）所示。可排除其他干擾的同時不造成目標邊緣信息的遺失。使用Canny算子在ROI區(qū)域中找到所有目標邊緣。該方法首先對圖像進行高斯濾波平滑，接著計算梯度幅值圖像和角度圖像，然后對梯度幅值圖像應用非最大值抑制，最后用雙閾值處理和連接分析來檢測并連接邊緣[8]，實現(xiàn)對目標邊緣的像素級定位，如圖4（c）所示。

為了獲得更精確的邊緣信息，沿像素級邊緣的梯度方向?qū)吘壏颠M行高斯曲線擬合，求得曲線的極值點，即可得到目標邊緣的亞像素位置。為簡化擬合計算的復雜度，將高斯曲線轉(zhuǎn)化為對數(shù)形式

式中：μ—均值；σ—標準差。式（2）是關于的二次曲線，設二次多項式的形式為：y=a0+a1x+a2x2，根據(jù)采樣定理，每個像素的灰度值為：

設n取0為像素級邊緣點，其相鄰兩個像素的序號分別為-1與1。則灰度值為，如式（4）所示。聯(lián)立解方程組，如式（5）所示。

亞像素級目標邊緣提取結(jié)果，如圖4（d）所示。它為后續(xù)圓擬合提供了更加準確的信息。

圖4 目標邊緣提取Fig.4 The Target Edge Detection

3.4 權(quán)重式圓擬合

獲得目標邊緣后，要對邊緣進行圓擬合來實現(xiàn)管腳的精確定位。傳統(tǒng)的圓擬合常使用最小二乘算法，但管腳制造受機械剪切，目標邊緣上會存在很多大的離群值，最小二乘算法由于采用平方距離，因此距離擬合圓較遠的那些邊緣點在計算過程中將會擁有非常大的權(quán)重，這會導致擬合后的圓不準確。為了降低這些離群值的影響，為每個邊緣點引入權(quán)重ωi，使得大的離群值在計算過程中所占權(quán)重較小。在最小二乘圓擬合算法的基礎上引入Tukey權(quán)重函數(shù)ω（δ），其定義為：

式中：τ—削波因數(shù)；τ—邊緣點到擬合圓的距離[9-10]。

先利用最小二乘算法計算出各邊緣點到擬合圓的代數(shù)距離，然后借助權(quán)重函數(shù)計算在后續(xù)迭代中各邊界點所對應的權(quán)重。使用上述算法對所提取到的亞像素目標邊緣進行權(quán)重式圓擬合結(jié)果，如圖5所示。從圖5可以看出，擬合后的圓與圓形管腳重合得很好，可以從中獲取管腳的精確位置信息。

圖5 圓擬合結(jié)果Fig.5 The Result of Fitting Circles

4 實驗結(jié)果與分析

為評估該算法的有效性，將上述算法嵌入到自動插件機系統(tǒng)中，如圖6所示。分別從穩(wěn)定性和算法耗時兩個方面評估其有效性。首先進行重復精度實驗，檢測該算法的穩(wěn)定性。在同一位置對同一電容連續(xù)檢測12次，實際檢測中電容器兩個管腳的位置與管腳間的中心距離，如表1所示。分析實驗數(shù)據(jù)可知，管腳位置極差不超過0.037個像素，標準差不超過0.012個像素。根據(jù)標定結(jié)果（1pixel≈7.786μm），即管腳位置極差不超過0.288μm，標準差不超過0.093 μm。表明實驗數(shù)據(jù)波動較小，即算法具有較高的穩(wěn)定性。

圖6 自動插件機Fig.6 AutoInsertion Machine

表1 重復精度實驗Tab.1 The Repeatability Accuracy Test

然后檢測該算法的耗時情況，實際檢測中算法各步驟的執(zhí)行時間，如表2所示。所測得數(shù)據(jù)是在雙核2.30GHz CPU，內(nèi)存1G，目標圖像大小都為2592×1944像素的實驗條件下統(tǒng)計得到。算法執(zhí)行總耗時約為13ms，加上圖像采集所耗時間，檢測單個電容耗時小于80ms，能滿足自動插件機的實時性要求。

表2 算法執(zhí)行時間表Tab.2 Time of Execution

5 結(jié)論

根據(jù)自動插件機的應用需求，設計了圖像采集系統(tǒng)及元件管腳視覺檢測算法。首先，在對圖像進行二值化處理的基礎上利用連通區(qū)域面積特征及最小包圍圓對管腳粗定位；然后，在構(gòu)建的ROI區(qū)域上用Canny檢測算子及高斯曲線擬合原理計算出亞像素級目標邊緣；最后利用Tukey權(quán)重函數(shù)對其進行圓擬合，獲取管腳的精確位置信息。實驗結(jié)表明算法在保證較高穩(wěn)定性的同時還可以滿足實時性的要求。目前該算法已成功應用于自動插件機設備。

［1］夏育平，龍緒明，黃昊.自動插件機的現(xiàn)狀和發(fā)展［C］.2011中國高端SMT學術(shù)會議論文集，2012.（Xia Yu-ping，Long Xu-ming，Huang Hao.The status quo and development of automatic insertion machine［C］.China High-level SMT Technology Conference 2011，2012.）

［2］文懷興，馬小琴.LED顯示屏生產(chǎn)專用陣列式高速插件機設計［J］.機械設計與制造，2009（1）：40-42.（Wen Huai-xing，Ma Xiao-qin.Newly developed array type automatic through hole LED panel mounting machine［J］.Machinery Design&Manufacture，2009（1）：40-42.）

［3］付文華.LED插件若干技術(shù)的研究［D］.合肥：合肥工業(yè)大學，2012.（Fu Wen-hua.Study of a number of technologies about LED plug-in［D］.Hefei：Hefei University of Technology，2012.）

［4］Trier O D，Taxt T.Evaluation of binarization methods for document images［J］.Pattern Analysis&Machine Intelligence IEEE Transactions on，1995，17（3）：312-315.

［5］Valizadeh M，Komeili M，Armanfard N.Degraded document image binarization based on combination of two complementary algorithms［C］.Advances in Computational Tools for Engineering Applications，2009.ACTEA'09.International Conference on.IEEE，2009：595-599.

［6］Otsu N.A threshold selection method from gray-scale histograms［J］.IEEE Trans on Smc，1979（9）：62-66.

［7］岡薩雷斯（美）.數(shù)字圖像處理（第3版）［M］.北京：電子工業(yè)出版社，2011：479-483（GONZALEZ.Digital Image Processing（Third Edition）［M］.Beijing：Publishing House of Electronics Industry，2011：479-483）

［8］Canny J.A computational approach to edge detection［J］.Pattern Analysis&Machine Intelligence IEEE Transactions on，1986，8（6）：679-698.

［9］Steger C，Ulrich M，Wiedemann C.Machine Vision Algorithms and Applications［M］.Weinheim：Wiley-VCH，2007：245-247.

［10］Emo Welzl.Smallest Enclosing Disks（balls and ellipsoids）［M］.New Results and New Trends in Computer Science.Springer，1991：359-370.