CN103925911A - 柔性线路板校正台的参照目标检测方法 - Google Patents

Abstract

本发明公开了一种柔性线路板校正台的参照目标检测方法。本发明包括如下步骤：步骤1.参照点图像采集；1-2.筛选采集到的参照点图像；步骤2.图像预处理；步骤3.图像二值化与分割；步骤4.启动基于几何约束的区域匹配检测；步骤5.若区域匹配检测失效，则启动快速模板匹配算法，若匹配程度大于给定的阈值R，则匹配成功，返回检测结果，然后退出；否则进入步骤6；步骤6.若快速模板匹配算法失效，则启动基于霍夫变换的圆心检测算法，若霍夫变换的圆心检测算法检测成功，则返回成功检测结果，然后退出；否则检测失败。本发明具有速度快，操作简单，重复性好等特点；系统稳定，采集速度快，算法精度高，能长时间稳定工作。

Description

柔性线路板校正台的参照目标检测方法

技术领域

本发明属于机器视觉技术领域，涉及一种柔性线路板校正台的参照目标检测方法。

背景技术

近些年，FPC板在PCB行业中所占的比重稳步增长，到2010年已超过18％以上，如下图所示。但中国本土企业规模相对较小，企业在产品、技术和管理方面与世界先进水平还有不少差距。随着劳动力成本的不断攀升和欧美大国的机器人革命倒逼中国制造产业升级，中国FPC制造业面临重大技术革新挑战，需要大规模引入自动化生产线，全面提高行业的自动化水平。

一般地，柔性电路板是用柔性的绝缘基材制成的印刷电路，具有许多硬性印刷电路板不具备的优点。易弯曲、卷绕、折叠，可依照空间布局要求任意安排，并在三维空间任意移动和伸缩，从而达到元器件装配和导线连接的一体化。但由于柔性电路板具有易变形的特点，在加工的过程中易由静电和空气压力等因素产生弯曲，卷绕或缺陷，导致柔性电路板不易加工，许多工序过程依靠人工解决，行业的自动化水平偏低。近年来，随着技术的发展，部分工序逐渐实现了自动化生产，如焊接、电镀、印刷等，但仍有相当多工序依靠人工完成。

印刷是柔性板加工的重要环节，往往需印刷多层不同材料的涂料。在印刷过程中，每层材料的相对位置关系极其严格，一般稍微偏差，极易导致整个柔性板报废，因此，印刷平台的精准定位极其重要。当前主流的固定方法是在平台上竖立2个定位柱，将柔性板上定位孔直接套在定位柱上，从而实现柔性板的定位。这种方法简单高效，但也存在一些严重的不足：

印刷错位概率高：由于柔性板自身的拉伸特性，材质的热胀冷缩，定位孔的长度可能变化，易导致废品率高；

效率质量难以保证：由于主要靠人工上料，该环节还未实现自动化。在质量方面，该环节对工人的要求比较高，其合格率和印刷质量与工人固定时候采用的手法和力度都很有关系，一般工人难以掌握。

难适合高精度印刷需求：手工控制印刷，难以自适应调整，当材质印刷要

求较高，如0.5mm精度，系统难以达到要求，废品率高。

发明内容

本发明的目的是针对现有印刷工序存在的技术不足，难以精确定位的缺陷，提出一种柔性线路板校正台的参照目标检测方法。利用机器视觉技术精确计算参照点位置，为自动校正印刷提供了有利的技术支撑，满足工序的高精度的印刷需求，便于印刷过程的精准化和自动化。

本发明解决其技术问题所采用的技术方案具体包括如下步骤：

步骤1.参照点图像采集；

1-1.图像采集设备包括两个工业CMOS相机、两个定焦镜头和普通LED光源；工业CMOS相机和普通LED光源均安装在自动校正台底部，工业CMOS相机透过自动校正台上的采集孔采集参照点图像；

1-2.筛选采集到的参照点图像；

若参照点图像精度在1像素内，平均识别时间控制在50ms内，则保留该参照点图像；

步骤2.图像预处理；

对经过步骤1-2处理后的参照点图像进行区域划分，以参照点图像的内接圆为准，将参照点图像划分为两部分；对参照点图像的内接圆部分通过中值滤波进行滤波和祛噪；

步骤3.图像二值化与分割；

将经过预处理的参照点图像进行二值化处理，二值化方式包括最大类间方差法、最大熵值法和双峰法。

设定阈值R，将经过二值化处理的参照点图像通过阈值分割算法进行分割，将参照点图像分割成背景区域和前景区域；阈值R的取值范围该阈值与光源强弱和相机参数有关，一般在20-50之间。

步骤4.启动基于几何约束的区域匹配检测；

4-1.启用区域标记算法，对二值化与分割后的参照点图像中所有的连续区域进行搜索；

4-2.依据区域的特征约束，判断搜索的连续区域是否符合目标需求；若符合特征约束，则检测成功，并返回检测结果，然后退出；否则进入步骤5；

约束1：连续区域的外接矩形，其长度误差在20像素以内；

约束2：将填充率设置在0.3-0.9之间，具体需依据参照点图像的分布特点。

约束3:外接矩形的长宽比值为1-1.25，一般取值1.1；

步骤5.若区域匹配检测失效，则启动快速模板匹配算法，若匹配程度大于给定的阈值R，则匹配成功,返回检测结果，然后退出；否则进入步骤6；

所述的快速模板匹配算法具体如下：

5-1.构建待检测参照点图像的金子塔图层，并对待检测的参照点图像或连续区域构建金子塔结构，邻接的上层图像的长宽尺寸为其下层图像的1/2。

5-2.将参照点图像的金子塔图层中的每一层分别与快速模板匹配算法中的模板图像进行比较，自上而下开始与模板图像进行比较，确定最佳匹配位置；

所述的最佳匹配位置是指参照点图像的金子塔图层与模板图像匹配度最大的情况下；

5-3.金子塔图层中已经确定最佳匹配位置的图层，将其最佳匹配位置传递到金子塔图层的邻接下一层中，邻接下一层最佳匹配位置的匹配以该传递位置为起始点；匹配的搜索范围在传递位置周边2个像素以内，即((2x-2,2x+2),(2y-2,2y+2))；

5-4.重复步骤5-3，直到金子塔图层的底层，此时，快速模板匹配结束。

5-5.查看模板匹配一致性程度，若符合预先设定值D(哪里的设定值)，则该模板匹配符合要求；最后每层所确定的最佳匹配位置为参照点图像的中心位置，返回检测结果并退出；若匹配值低于预先设定值D，则匹配失败，进入步骤6。所述的预先设定值D为两个图像的差异度，其取值范围为0.75-1，一般取值为0.75；

步骤6.若快速模板匹配算法失效，则启动基于霍夫变换的圆心检测算法，若霍夫变换的圆心检测算法检测成功，则返回成功检测结果，然后退出；否则检测失败。

所述的霍夫变换的圆心检测算法具体如下：

6-1.计算参照点图像的梯度，并选择霍夫变换点集。

6-2.对该霍夫变换点集进行圆形霍夫变换，获得霍夫变换后的图像。

6-3.对霍夫变换后的图像进行低通滤波，避免圆心在局部区域震荡。

6-4.检测霍夫累积值，统计当前中心个数，并将中心的霍夫累积值与阈值进行比较，若霍夫累积值大于给定的阈值，则认为该中心有效。

一般而言只存在一个中心的霍夫累积值大于给定的阈值，则该中心即为圆心；若存在多个中心的霍夫累积值大于给定的阈值，则认为存在多个圆心中心。

所述的给定的阈值为500；

6-6.当统计的中心个数大于1个时，则说明存在多个候选的目标中心，此时，对多个候选的目标中心进行合并，当所有的候选目标中心的距离小于3个像素时)，则合并成一个目标中心；

6-7.若合并后的目标中心个数为1，则检测成功；否则，检测失败。

本发明有益效果如下：

1.在柔性线路板中具有很多参照点，经常用于材料对齐或作为特殊标记，用于标定贴片和印刷的位置信息，一般为圆形或接近圆形、或实心，或空心或有十字交叉。2.在传统柔性线路板制造业的自动化改造中，有大量的参照点识别需求，而快速有效的识别参照点，有利于系统的精确定位，提高加工的准确度和制造速度。本发明的优点：具有速度快，操作简单，重复性好等特点；系统稳定，采集速度快，算法精度高，能长时间稳定工作；

附图说明

图1为本发明流程图；

图2为本发明校正台示意图；

图3为本发明金字塔算法示意图；

图4为本发明检测区域示意图。

具体实施方式

下面结合附图对本发明做进一步说明。

如图1所示，柔性线路板校正台的参照目标检测方法，具体包括如下步骤：

步骤1.参照点图像采集；

1-1.如图2所示，图像采集设备包括两个工业CMOS相机、两个定焦镜头和普通LED光源；工业CMOS相机和普通LED光源均安装在自动校正台底部，即参照目标位置平台采集孔处,一般采集2个参照目标图像，便于后续的平台校正；自动校正台上的采集孔处内垫玻璃片，光源从底部进入，工业CMOS相机安装在平台底部，正对采集孔，透过自动校正台上的采集孔采集参照点图像；

1-2.筛选采集到的参照点图像；

若参照点图像精度在1像素内，平均识别时间控制在50ms内，则保留该参照点图像；

步骤2.图像预处理；

对经过步骤1-2处理后的参照点图像进行区域划分，以参照点图像的内接圆为准，将参照点图像划分为两部分；对参照点图像的内接圆部分通过中值滤波进行滤波和祛噪；

步骤3.图像二值化与分割；

将经过预处理的参照点图像进行二值化处理，二值化方式包括最大类间方差法、最大熵值法和双峰法。

设定阈值R，将经过二值化处理的参照点图像通过阈值分割算法进行分割，将参照点图像分割成背景区域和前景区域；阈值R的取值范围该阈值与光源强弱和相机参数有关，一般在20-50之间。

步骤4.启动基于几何约束的区域匹配检测；

4-1.启用区域标记算法，对二值化与分割后的参照点图像中所有的连续区域进行搜索；

4-2.依据区域的特征约束，判断搜索的连续区域是否符合目标需求；若符合特征约束，则检测成功，并返回检测结果，然后退出；否则进入步骤5；

约束1：连续区域的外接矩形，其长度误差在20像素以内；

例如将长度设为50～70之间。区域的外接矩形应该满足以下条件：

region_w<max_Length&&

region_w>min_Length&&

region_h<max_Length&&

region_h>min_Length

其中，region_w和region_h表示区域外接矩形的宽度和高度，min_Length表示外接矩形的最小值，max_Length表示外接矩形的最大值。

约束2：将填充率设置在0.3-0.9之间，具体需依据参照点图像的分布特点；填充率应满足以下条件：

region_fillrate>min_fillrate&&region_fillrate<max_fillrate

其中，region_fillrate为区域填充率，min_fillrate和max_fillrate为填充率最小值和最大值。

约束3:外接矩形的长宽比值为1-1.25，一般取值1.1；

即：max(region_w,region_h)/min(region_w,region_h)<max_w_h_rate

其中，max_w_h_rate表示最大的长宽比值。

步骤5.若区域匹配检测失效，则启动快速模板匹配算法，若匹配程度大于给定的阈值R，则匹配成功,返回检测结果，然后退出；否则进入步骤6；

如图3所示，所述的快速模板匹配算法具体如下：

5-1.构建待检测参照点图像的金子塔图层，并对待检测的参照点图像或连续区域构建金子塔结构，邻接的上层图像的长宽尺寸为其下层图像的1/2。

5-2.将参照点图像的金子塔图层中的每一层分别与快速模板匹配算法中的模板图像进行比较，自上而下开始与模板图像进行比较，确定最佳匹配位置；

所述的最佳匹配位置是指参照点图像的金子塔图层与模板图像匹配度最大；其匹配度的计算具体如下：

$\mathrm{Sim}(x,y)=\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}(I(i+x,j+y)==T(i,j))/(m\&times;n)$

其中，(x,y)是参照点图像的匹配点，Sim(x,y)为参照点图像与模板图像在点(x,y)的匹配度,模板图像的大小为m×n,I(i+x,j+y)为待匹配参照点图像，T(i,j)为模板图像。

5-3.金子塔图层中已经确定最佳匹配位置的图层，将其最佳匹配位置传递到金子塔图层的邻接下一层中，邻接下一层最佳匹配位置的匹配以该传递位置为起始点；如图4所示，匹配的搜索范围在传递位置周边2个像素以内，即((2x-2,2x+2),(2y-2,2y+2))；

5-4.重复步骤5-3，直到金子塔图层的底层，此时，快速模板匹配结束。

5-5.查看模板匹配一致性程度，若符合预先设定值D，则该模板匹配符合要求；最后每层所确定的最佳匹配位置为参照点图像的中心位置，返回检测结果并退出；若匹配值低于预先设定值D，则匹配失败，进入步骤6。

所述的预先设定值D为两个图像的差异度，其取值范围为0.75～1，一般取值为0.75；

步骤6.若快速模板匹配算法失效，则启动基于霍夫变换的圆心检测算法，若霍夫变换的圆心检测算法检测成功，则返回成功检测结果，然后退出；否则检测失败。

所述的霍夫变换的圆心检测算法具体如下：

6-1.计算参照点图像的梯度，并选择霍夫变换点集。

$G(i,j)=\sqrt{\mathrm{dx}(i,j)+\mathrm{dy}(i,j)}$

dx(i,j)＝[I(i+1,j)-I(i-1,j)]/2

dy(i,j)＝[I(i,j+1)-I(i,j-1)]/2

其中，G(i,j)为图像I(灰度图)在位置(i,j)的梯度；dx(i,j)为图像在位置(i,j)的X方向的梯度。

dy(i,j)为图像I在位置(i,j)的Y方向的梯度。

考虑到参照点区域较亮，在选择边界点时，可考虑灰度影响，排除灰度值过低的点，提高霍夫变换的效率。此时，需满足以下边界条件:

aG(i,j)+b(I(i,j)-I_th)＞E_th

其中，E_th为边界阈值，I_th为灰度阈值，a，b为梯度和灰度参数的权重，一般a在(0.8,0.9)的范围内取值，而b的取值范围为(0.1,0.2)。

6-2.对该霍夫变换点集进行圆形霍夫变换，获得霍夫变换后的图像。

6-3.对霍夫变换后的图像进行低通滤波，避免圆心在局部区域震荡。

6-4.检测霍夫累积值，统计当前中心个数，并将中心的霍夫累积值与阈值进行比较，若霍夫累积值大于给定的阈值，则认为该中心有效。

一般而言只存在一个中心的霍夫累积值大于给定的阈值，则该中心即为圆心；若存在多个中心的霍夫累积值大于给定的阈值，则认为存在多个圆心中心。

所述的给定的阈值为500；

6-6.当统计的中心个数大于1个时，则说明存在多个候选的目标中心，此时，对多个候选的目标中心进行合并，当所有的候选目标中心的距离小于3个像素时)，则合并成一个目标中心；

6-7.若合并后的目标中心个数为1，则检测成功。否则，检测失败。

本发明的主要参数指标：

圆心位置偏差：<＝0.1mm；

图像拍照范围：30*20mm(最小15*10mm)；

两观测孔距离：200mm；

参照圆直径：2mm。

本发明具有速度快，操作简单，重复性好等特点；系统稳定，采集速度快，算法精度高，能长时间稳定工作。

Claims (3)

1. 柔性线路板校正台的参照目标检测方法，其特征在于包括如下步骤：

步骤1. 参照点图像采集；

1-1.图像采集设备包括两个工业CMOS相机、两个定焦镜头和普通LED光源；

工业CMOS相机和普通LED光源均安装在自动校正台底部，工业CMOS相机透过自动校正台上的采集孔采集参照点图像；

1-2.筛选采集到的参照点图像；

若参照点图像精度在1像素内，平均识别时间控制在50ms内，则保留该参照点图像；

步骤2. 图像预处理；

对经过步骤1-2处理后的参照点图像进行区域划分，以参照点图像的内接圆为准，将参照点图像划分为两部分；对参照点图像的内接圆部分通过中值滤波进行滤波和祛噪；

步骤3. 图像二值化与分割；

    将经过预处理的参照点图像进行二值化处理，二值化方式包括最大类间方差法、最大熵值法和双峰法；

设定阈值R，将经过二值化处理的参照点图像通过阈值分割算法进行分割，将参照点图像分割成背景区域和前景区域；阈值R的取值范围该阈值与光源强弱和相机参数有关，一般在20～50之间；

步骤4.启动基于几何约束的区域匹配检测；

4-1.启用区域标记算法，对二值化与分割后的参照点图像中所有的连续区域进行搜索；

4-2. 依据区域的特征约束，判断搜索的连续区域是否符合目标需求；若符合特征约束，则检测成功，并返回检测结果，然后退出；否则进入步骤5；

约束1：连续区域的外接矩形，其长度误差在20像素以内；

约束2：将填充率设置在0.3～0.9之间，具体需依据参照点图像的分布特点；

约束3: 外接矩形的长宽比值为1～1.25，一般取值1.1；

步骤5. 若区域匹配检测失效，则启动快速模板匹配算法，若匹配程度大于给定的阈值R，则匹配成功, 返回检测结果，然后退出；否则进入步骤6；

步骤6. 若快速模板匹配算法失效，则启动基于霍夫变换的圆心检测算法，若霍夫变换的圆心检测算法检测成功，则返回成功检测结果，然后退出；否则检测失败。

2.如权利要求1所述的柔性线路板校正台的参照目标检测方法，其特征在于所述的快速模板匹配算法具体如下：

5-1.构建待检测参照点图像的金子塔图层，并对待检测的参照点图像或连续区域构建金子塔结构，邻接的上层图像的长宽尺寸为其下层图像的1/2；

5-2.将参照点图像的金子塔图层中的每一层分别与快速模板匹配算法中的模板图像进行比较，自上而下开始与模板图像进行比较，确定最佳匹配位置；

所述的最佳匹配位置是指参照点图像的金子塔图层与模板图像匹配度最大的情况下；

5-3.金子塔图层中已经确定最佳匹配位置的图层，将其最佳匹配位置传递到金子塔图层的邻接下一层中，邻接下一层最佳匹配位置的匹配以该传递位置为起始点；匹配的搜索范围在传递位置周边2个像素以内，即((2 x -2, 2x+2), (2y-2, 2y+2))；

5-4.重复步骤5-3，直到金子塔图层的底层，此时，快速模板匹配结束；

5-5.查看模板匹配一致性程度，若符合预先设定值D，则该模板匹配符合要求；最后每层所确定的最佳匹配位置为参照点图像的中心位置，返回检测结果并退出；若匹配值低于预先设定值D，则匹配失败，进入步骤6；

所述的预先设定值D为两个图像的差异度，其取值范围为0.75～1，一般取值为0.75。

3.如权利要求1所述的柔性线路板校正台的参照目标检测方法，其特征在于所述的霍夫变换的圆心检测算法具体如下：

6-1.计算参照点图像的梯度，并选择霍夫变换点集；

6-2.对该霍夫变换点集进行圆形霍夫变换，获得霍夫变换后的图像；

6-3.对霍夫变换后的图像进行低通滤波，避免圆心在局部区域震荡；

6-4.检测霍夫累积值，统计当前中心个数，并将中心的霍夫累积值与阈值进行比较，若霍夫累积值大于给定的阈值，则认为该中心有效；

一般而言只存在一个中心的霍夫累积值大于给定的阈值，则该中心即为圆心；若存在多个中心的霍夫累积值大于给定的阈值，则认为存在多个圆心中心；

所述的给定的阈值为500；

6-6.当统计的中心个数大于1个时，则说明存在多个候选的目标中心，此时，对多个候选的目标中心进行合并，当所有的候选目标中心的距离小于3个像素时，则合并成一个目标中心；

6-7.若合并后的目标中心个数为1，则检测成功；否则，检测失败。