基于MFC+HALCON圖像識別Mark圓的檢測方法

李澤峰，歐陽八生

（南華大學 機械工程學院，衡陽421000）

引 言

隨著中國制造2025的提出，各行業(yè)不斷蓬勃發(fā)展，電子行業(yè)印刷電路板（printed circuit board，PCB）上的元器件同樣朝著小型化、精密化、集成化方向發(fā)展，對PCB的加工精度要求也越來越高。PCB上的定位標識圓（以下簡稱Mark圓）及圓心坐標是其加工的定位標識，又稱為基準點，在加工前需要精確識別PCB上的 Mark圓及圓心坐標，以進行準確的加工定位［1-3］。目前圓的常見檢測方法包括：模板匹配、霍夫（Hough）變換和曲線擬合等。

對模板匹配法的研究中，WANG［4］和 DING［5］等人提出基于特征點匹配的模板匹配方法。前者是采用oriented fast and rotated brief（ORB）算法、暴風（brute force，BF）算法結合運動統(tǒng)計模型（grid-based motion statistics，GMS）算法，后者利用ORB算法和最大相關熵準則（maximum comentropy criterion，MCC）交叉檢驗的方式進行模板匹配。雖然這兩種方法相對于傳統(tǒng)模板匹配方式有了較大優(yōu)化改進，但是當PCB中的Mark圓變化明顯或者背景干擾大時，檢測精度有限。此外，采用Hough變換方法進行Mark圓檢測，精度高、抗噪能力強，但由于采用3維累加器，且每維數(shù)據(jù)長度很大，存在計算量大、占用內存多等缺陷。同時此方法若要繼續(xù)提高精度，則累加器每維數(shù)據(jù)長度成倍增加，運算量呈指數(shù)三次方上升［6-7］，難以滿足PCB快速生產加工的需要。

作者旨在改善傳統(tǒng)的PCB中Mark圓識別精度不高的問題，使用計算機計算速度較快的曲線擬合方式進行Mark圓檢測，同時改進標準的機器視覺算法包HALCON中圓擬合算子，提高Mark圓擬合精度。且能在檢測圖像發(fā)生旋轉、平移、縮放等情況下使用，魯棒性好。使用微軟基礎類庫（microsoft foundation classes，MFC）嵌入HALCON的方式搭建檢測平臺，該平臺可繼承HALCON的檢測功能，同時可根據(jù)不同種類Mark圓保存或加載與之匹配的檢測配置，方便、快捷，可滿足實際PCB加工中多樣的檢測需求。

1 曲線擬合檢測Mark圓

1.1 圓曲線擬合識別的優(yōu)勢

WANG［4］和 DING［5］等人分別提出了基于特征點匹配的模板匹配方法。這兩種方法主要適用于圖像整體特征的準確匹配，如人臉識別等領域，區(qū)別是采用了不同的統(tǒng)計方式剔除錯誤的特征點，具有較好的魯棒性，識別成功率較高；但是運用在精度較高的PCB中靜態(tài)Mark圓識別，由此產生的Mark圓精度問題無法得到有效保證。其次Hough變換方式受計算機本身配置影響較高，且即使不斷優(yōu)化也無法達到或超越曲線擬合的計算速度［6］，本身不適用于大批量工業(yè)化生產PCB中Mark圓檢測。本文中的曲線擬合檢測方法是通過尋找圖像Mark圓的邊緣，通過一系列的邊緣像素點和圓擬合方程計算得到最接近實際的Mark圓，基本不受圖像縮放、平移、旋轉的影響，同時計算速度較快、精度較高，且對電腦配置要求不高，適用于大批量工業(yè)化生產。

1.2 圓曲線擬合準則

圓是一種特殊的二元二次方程，故可用數(shù)學形式表現(xiàn)，其方程一般形式為：

式中，（a1，a2）為圓心，r為半徑，r=

確定了圓的圓心（a1，a2）和半徑r，就可以得到唯一確定圓，在圓曲線擬合中，已知圓曲線上一系列測點zi（xi，yi）（i=1，2，3…m），該點對應的圓曲線擬合點為（，），存在以下擬合準則：

理想情況下，當距離總和ρ=0時，圓曲線擬合點與圓上測點重合，即曲線擬合圓與真實圓完全重合，故實際擬合過程中當ρ取值越小，擬合圓越接近真實圓。該方法對于圖像檢測圓擬合同樣適用。

2 檢測方案設計及圖像預處理

HALCON是德國MVtec公司研發(fā)的一套完善的標準機器視覺算法包，包含一千多個圖像處理算子，能適用于各種操作系統(tǒng)，同時具有百余種工業(yè)相機和圖像采集卡的接口，擁有廣泛的機器視覺集成開發(fā)環(huán)境，但是HALCON單獨作為檢測軟件使用局限性較大，一般需要把HALCON中的視覺算法庫嵌入到實際檢測軟件中使用，才能滿足多樣的檢測功能。本文中將HALCON嵌入MFC中，進行Mark圓識別檢測和優(yōu)化擬合，以滿足PCB的高精度加工要求。

2.1 HALCON配置及檢測方案設計

首先制作一個包含HALCON［8-9］函數(shù)庫信息的屬性項目表，該屬性表中添加包含HALCON算子的庫目錄、包含目錄、附加依賴項等信息，然后在MFC的開發(fā)環(huán)境（操作系統(tǒng)：Windows 7×86，內存4g）中導入該屬性表，即可正常調用HALCON函數(shù)庫的算子，然后通過激光加工平臺上的電荷耦合器件（charge coupled device，CCD）相機拍攝圖像信息，再傳遞給本文中設計的含HALCON函數(shù)庫的MFC模塊對圖像進行檢測和處理，得到所需的Mark圓相關信息后再和激光控制平臺實時通訊，從而實現(xiàn)激光加工前的基準精確定位。檢測流程圖如圖1所示。

Fig.1 Flow chart of detection

2.2 圖像清晰度評價和圖像預處理

圖像處理與檢測首先要求圖像清晰，圖像模糊對檢測的效果和精度影響很大。通過查閱清晰度評價相關文獻得知，本方法中Mark圓的檢測屬于灰度圖像邊緣檢測，其主要影響圖像清晰度［10-12］的噪聲是椒鹽噪聲，故文中MFC模塊直接調用HALCON的Brenner函數(shù)對圖像清晰度進行評價。當采集到清晰圖像后，文中MFC模塊調用HALCON算子來完成圖像采集和預處理［13-15］，如 read-image算子和 get-image-size算子組合獲取圖像及其尺寸信息，rgb1-to-gray算子將RGB圖像轉化為灰度圖像，draw-rectangle1算子和gen-rectangle1算子組合可人機交互選擇合適的感興趣區(qū)域（region of interest，ROI）。

3 工件Mark圓的檢測及優(yōu)化擬合

該方法對Mark圓的檢測包括兩個步驟：Mark圓的檢測及原始曲線擬合、優(yōu)化擬合。詳細步驟如下。

3.1 Mark圓的檢測及原始曲線擬合

首先使用Robert算子進行圖像邊緣過濾，去除無關的噪聲，使圖像邊緣變得更加容易識別。Robert算子過濾前后圖片效果見圖2。然后利用edges_sub_pix和canny算子進行邊緣檢測，篩選出所有的邊緣。接著利用輪廓分割算子segment_contours_xld將輪廓分割為直線或者圓。再利用分割后輪廓的全局屬性cont-approx識別出所有的圓弧，利用fit_circle_contour_xld算子擬合圓弧輪廓，同時添加篩選條件。最后通過gen_circle_contour_xld算子重繪生成符合條件的擬合圓，并展示在圖像中［16-18］。

Fig.2 Comparison of images of a Mark in the ROI region before and after the filtering process with a Robert's operatora—before the filtering b—after the filtering

上述邊緣檢測中選用的canny算子［19-20］只是單一的檢測像素點的灰度等級，對邊緣的識別方式是逐一跟蹤可能存在的邊緣像素點，其檢測結果從微觀上看是一個不規(guī)則的近似圓或者圓弧的像素點集合，因此該集合的中心，難以準確確定，需要進一步對檢測信息進行擬合，再進行圓孔中心檢測。文中檢測圓的擬合算法是依據(jù)圓曲線擬合的思想，將輪廓上點到擬合圓心的距離的平方進行求和，根據(jù)最小二乘準則，當ρ最小時，得到的對應點集合即為需要的圓孔輪廓區(qū)域。擬合函數(shù)見下式：

式中，ρ為距離總和（單位：pixel）；（a，b）為圓心點的坐標；r為圓的半徑（單位：pixel）；（xi，yi）為圓孔輪廓上點的坐標；n為輪廓上像素點的總數(shù)量。

3.2 優(yōu)化擬合

在實際情況中，由于自身及環(huán)境各種因素的綜合影響，利用HALCON算法生成的擬合圓信息不唯一，則產生的擬合圓心坐標也不唯一，因此會對Mark圓的位置識別精度造成一定的影響，不能滿足實際需要，根據(jù)最小二乘法和迭代法圓曲線擬合的原則［21］。本文中在HALCON擬合圓算法的基礎上，添加了優(yōu)化擬合圓坐標的算法，達到了較高的識別精度。

其優(yōu)化擬合過程是：設平面圓的標準方程式如下：

式中，a和b分別為圓心坐標，r為圓半徑。首先記錄原始擬合圓產生的a，b，r數(shù)據(jù)，根據(jù)平均值法分別求出均值a0，b0，r0，以該值生成標準圓，然后利用間接平差的原理，令：

式中，a^為待求參量，a0為待求參量近似值，δ為待求參量的改正補償系數(shù)。

設優(yōu)化擬合前（原始擬合生成了n個擬合半徑）和擬合后（總會有且只有1個）半徑差值為di，則：

依據(jù)最小二乘準則，應使得∑（di-r）2取最小，即：min［∑ （di-r）2］。設檢測生成的原始擬合圓個數(shù)為n（n≥1），并將 di作為觀測對象，則d^i的平差值方程為：

將上式按照泰勒公式展開得：

式中，si0==xi-a0，Δyi0=yi-b0，li=r0-si0。

雖然原始擬合圓心坐標（a，b）不精確，但誤差較小。這樣便可以將圓心計算范圍限制在（a，b）附近，大大減少了無效計算，為了避免擬合過程出現(xiàn)精度不高的問題，引入迭代法，迭代時，為了提高收斂速度，設置迭代終止條件為：

式中，X代表 a，b，r。

采用該優(yōu)化算法后，得到一個以a，b，r數(shù)據(jù)重繪的擬合圓，同時輸出重繪后的坐標，該優(yōu)化擬合圓更接近實際圓，從而提高檢測精度。

Fig.3 Standard CAD drawing

Fig.4 Standard inspection chart

4 實驗方法及結果分析

4.1 標準CAD圖圓心檢測

為驗證優(yōu)化算法與原始擬合算法的位置精度，特制作一張帶有標準圓及圓心的計算機輔助設計（computer aided design，CAD）樣板圖，并轉化為圖片格式，畫圖軟件顯示圓心坐標為（586，372），如圖3所示。為方便分析對比，將圖像檢測程序寫入到同一個程序界面，其檢測結果如圖4所示。圖中左側顯示區(qū)域表示直接利用HALCON算法擬合的圓，用“紅色圓”顯示，輸出圓心信息顯示為“檢測圓信息”；右側顯示區(qū)域表示優(yōu)化擬合計算之后擬合的圓，用“綠色圓”顯示，輸出圓心信息為“擬合圓信息”。

表1為優(yōu)化前后圓心檢測數(shù)據(jù)對比。可以發(fā)現(xiàn)，優(yōu)化處理前擬合出來的圓心坐標與標準坐標位置偏差較大，最小偏差0.255pixel，最大偏差3.143pixel；經過優(yōu)化擬合之后輸出的圓心坐標與標準坐標偏差較小，精度不大于0.3pixel，表明檢測的精度得到提高。一方面，通過限制ROI區(qū)域的檢測范圍，另一方面，重新擬合迭代數(shù)據(jù)計算量增加不多，且和圖片顯示分屬不同的線程，因此在軟件界面顯示優(yōu)化前后處理時間沒有明顯變化。

Table 1 Data comparison of circle center detection before and after optimization

4.2 實際鋁基板PCB Mark圓心檢測

為了驗證本方法的實用性，特選用兩種常見的鋁基板PCB，在不同光源條件下進行測試，其產品測試效果如圖5所示。

從圖5可以發(fā)現(xiàn)，XCZ-86101815鋁基板PCB擬合圓心坐標偏差范圍為：暗光源下為 0.23pixel～0.29pixel，亮光源下為0.11pixel～0.24pixel。LED鋁基板PCB擬合圓心坐標偏差范圍為：暗光源下為0.22pixel～0.27pixel，亮光源下為 0.13pixel～0.22pixel。結果表明：兩種鋁基板擬合圓心坐標總體檢測精度不大于0.3pixel，且在亮光源條件下測試效果更好。

4.3 批量實際檢測統(tǒng)計分析

選取100組XCZ-86101815型號鋁基板PCB、50組FR-4玻纖PCB和80組LED鋁基板PCB，利用文中的MFC模塊在不同環(huán)境下測試，統(tǒng)計檢測結果情況如表2、表3所示。結果表明：檢測成功率可達97%，檢測精度不大于0.3pixel，檢測時間小于100ms。實際檢測說明本文中開發(fā)的MFC程序模塊能有效地檢測并識別鋁基板PCB上的Mark圓，并適時輸出坐標信息，完全能滿足實際加工需要。

Fig.5 Comparison of the detection effects of two common aluminum substrate PCBs under different light sourcesa—aluminum substrate of XCZ-86101815（dark light source） b—aluminum substrate of XCZ-86101815（light source） c—aluminum substrate of LED（dark light source） d—aluminum substrate of LED（light source）

Table 2 Statistics of batch detection

Table 3 Statistics of detection time

實際檢測結果也有少量失敗，產生誤檢的原因主要有：（1）光源強度不匹配，不同產品表面對光敏感程度不同，相機采集圖像過程中需要適時調整，如圖6表示，因光源亮度過低導致檢測失??；（2）平臺運動不到位，導致檢測視野中缺少有效的檢測部位，造成軟件無法識別而誤檢。后期解決方法可考慮添加檢測失敗判定，當檢測失敗或產生誤檢時，軟件報警提醒并提示進入人工檢測界面，實現(xiàn)人工輔助檢測。

Fig.6 Example ofmistaken image

5 結 論

文中通過在MFC中嵌入HALCON函數(shù)庫方式搭建檢測平臺，開發(fā)了新型圖像識別和檢測工具模塊，既繼承了HALCON的圖像檢測功能，能在圖像發(fā)生平移、旋轉、縮放的環(huán)境下使用，同時實驗測試表明，該研究檢測成功率可達97%，檢測精度不大于0.3pixel，檢測時間小于100ms，能滿足目前PCB生產加工行業(yè)的功能需要。其次，平臺可根據(jù)不同種類Mark圓保存或加載與之匹配的檢測配置，方便、快捷，對實際PCB生產或檢測具有一定借鑒意義。