CN104463178A - 电子元件识别方法和系统 - Google Patents
电子元件识别方法和系统 Download PDFInfo
- Publication number
- CN104463178A CN104463178A CN201410837635.7A CN201410837635A CN104463178A CN 104463178 A CN104463178 A CN 104463178A CN 201410837635 A CN201410837635 A CN 201410837635A CN 104463178 A CN104463178 A CN 104463178A
- Authority
- CN
- China
- Prior art keywords
- electronic component
- image
- template image
- point
- unique point
- 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 27
- 238000000605 extraction Methods 0.000 claims description 40
- 238000001514 detection method Methods 0.000 claims description 14
- 230000008878 coupling Effects 0.000 claims description 8
- 238000010168 coupling process Methods 0.000 claims description 8
- 238000005859 coupling reaction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000013011 mating Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种电子元件识别方法,包括:获取待识别的电子元件图像;根据指定的模板图像,对所述电子元件图像上的电子元件进行特征点匹配;在所述电子元件图像与所述模板图像匹配成功时,识别出在所述电子元件图像上的与所述模板图像相匹配的电子元件。本发明还提供了一种电子元件识别系统。本发明提供的技术方案实现了对电子元件的自动识别,提高识别率和识别可靠性。
Description
技术领域
本发明涉及电子技术领域,尤其涉及一种电子元件识别方法和系统。
背景技术
各种电子产品形形色色,由不同功能的电子电路印制成电路板构成,而形成电子电路的基本单位是各种电子元器件(简称电子元件或电子器件)。电路板在生产过程要对很多电子器件进行封装,而在封装过程中经常发生由于上错电子器件而影响其它组件安装的情况。
目前印制板上电子元器件的装配过程,主要是按工艺规程等作业指导文件的装配图和电子元器件清单进行装配。尤其是在小批量电子产品的印制板生产线中,仍然需要采用传统的手工方式装配和检查。在当前印制电路板的手工装配和检查过程中,操作者主要先按元器件代号在印制板上找寻某个元器件的焊盘位置,再将该元器件装配在该焊盘上,待整个印制板装配完毕,检查人员再按元器件明细表、印制板图和电路板核对所有元器件装配位置是否正确和检查装配质量是否合格。
由于电路板元器件和电子线路千差万别,多种电子元件的分布各异,因此要在多种电子元件的电路板分布中找到对应的电子元件的装配位置的难度很大,费时费力,而且人工检查的误差率很高。随着微电子技术的迅速发展,电路板及电子元器件的高密集、小型化设计,使得电路板装配操作者及检查人员识别电子元器件装配位置难度变的越来越难,错装率越来越高,质量问题也越来越多,从而导致产品生产周期延长,不能按节点交付,生产成本升高。
发明内容
本发明所要解决的技术问题是,提供一种电子元件识别技术方案,实现对电子元件的自动识别,提高识别率和识别可靠性。
为解决以上技术问题,一方面,本发明实施例提供一种电子元件识别方法,包括:
获取待识别的电子元件图像;
根据指定的模板图像,对所述电子元件图像上的电子元件进行特征点匹配;
在所述电子元件图像与所述模板图像匹配成功时,识别出在所述电子元件图像上的与所述模板图像相匹配的电子元件。
优选地,所述根据指定的模板图像,对所述电子元件图像上的电子元件进行特征点匹配,包括:
对所述模板图像进行ORB特征点提取;
对所述模板图像中的电子元件外形轮廓进行标注,并去除所述模板图像中的电子元件外形轮廓的特征点,获得表征所述模板图像上的目标电子元件的第一图像特征点;
对所述电子元件图像进行ORB特征点提取,获得表征所述电子元件图像上的待识别电子元件的第二图像特征点;
对所述第一图像特征点和第二图像特征点进行匹配,获得n对特征点,n≥0;
根据所述n对特征点,判断所述模板图像与所述电子元件图像是否匹配成功。
进一步地,所述根据所述n对特征点,判断所述模板图像与所述电子元件图像是否匹配成功,包括:
根据预设的匹配度阀值α,滤除所述n对特征点中的匹配度小于α的特征点,获得匹配成功的特征点的对数为m,其中,α>1,m≥0;
根据预设的判断阈值β,将匹配成功的特征点的对数m与特征点对数n的比值m/n与所述判断阈值β进行比较,其中,0<β<1;
若比值m/n≥β,则判定所述电子元件图像与所述模板图像匹配成功;若比值m/n<β,判定所述电子元件图像与所述模板图像匹配失败。
优选地,对所述模板图像进行ORB特征点提取和对所述电子元件图像进行ORB特征点提取时,
根据所述电子元件图像和所述模板图像的特征点检测算子,获得所述模板图像的ORB特征点和所述电子元件图像的ORB特征点;并采用BRIEF描述子表征每个特征点。
在一种可实现的方式中,采用以下方程对所述电子元件图像和所述模板图像进行ORB特征点提取:
其中,I(x)为所述电子元件图像或所述模板图像的以像素p为圆心的圆周上任意一点的灰度;circle(p)表示以p为圆心的圆,I(p)为圆心的灰度;
若参数N大于灰度差阈值εd,则判定像素p为所述电子元件图像或所述模板图像上的一个特征点。
另一方面,本发明实施例还提供了一种电子元件识别系统,包括:
图像采集单元,用于获取待识别的电子元件图像;
图像匹配单元,用于根据指定的模板图像,对所述电子元件图像上的电子元件进行特征点匹配;
识别单元,用于在所述电子元件图像与所述模板图像匹配成功时,识别出在所述电子元件图像上的与所述模板图像相匹配的电子元件。
优选地,所述图像匹配单元,包括:
模板图像特征提取单元,用于对所述模板图像进行ORB特征点提取;
模板图像特征优化单元,用于对所述模板图像中的电子元件外形轮廓进行标注,并去除所述模板图像中的电子元件外形轮廓的特征点,获得表征所述模板图像上的目标电子元件的第一图像特征点;
目标图像特征提取单元,用于对所述电子元件图像进行ORB特征点提取,获得表征所述电子元件图像上的待识别电子元件的第二图像特征点;
特征点匹配单元,用于对所述第一图像特征点和第二图像特征点进行匹配,获得n对特征点,n≥0;
匹配判别单元,用于根据所述n对特征点,判断所述模板图像与所述电子元件图像是否匹配成功。
进一步地,所述匹配判别单元,包括:
过滤子单元,用于根据预设的匹配度阀值α,滤除所述n对特征点中的匹配度小于α的特征点,获得匹配成功的特征点的对数为m,其中,α>1,m≥0;
比较子单元,用于根据预设的判断阈值β,将匹配成功的特征点的对数m与特征点对数n的比值m/n与所述判断阈值β进行比较,其中,0<β<1;若比值m/n≥β,则判定所述电子元件图像与所述模板图像匹配成功;若比值m/n<β,判定所述电子元件图像与所述模板图像匹配失败。
进一步地,所述模板图像特征提取单元还包括:模板图像特征计算子单元,用于根据所述模板图像的特征点检测算子,获得所述模板图像的ORB特征点;
所述目标图像特征提取单元,还包括:目标图像特征计算子单元,用于采用FAST算法作为所述电子元件图像的特征点检测算子,获得所述电子元件图像的ORB特征点。
在一种可实现的方式中,所述模板图像特征计算子单元和所述目标图像特征计算子单元,分别还用于:采用以下方程对所述模板图像或所述电子元件图像进行ORB特征点提取:
其中,I(x)为所述模板图像或所述电子元件图像上的以像素p为圆心的圆周上任意一点的灰度;circle(p)表示以p为圆心的圆,I(p)为圆心的灰度;若参数N大于灰度差阈值εd,则判定像素p为一个特征点。
本发明实施例提供的电子元件的识别技术方案,基于图像特征点匹配算法,通过获取的待识别的电子元件图像和用于获得目标电子元件的模板图像进行特征点匹配,在所述电子元件图像与所述模板图像匹配成功时,则识别出在所述电子元件图像上的与所述模板图像相匹配的电子元件,即获得了待识别的目标电子元件。
进一步地,本发明实施例提供的电子元件的识别技术方案,可以优选采用ORB(ORiented BRIEF)算法,迅速地分别提取出电子元件图像和模板图像的特征点,并将电子元件图像的特征点与模板图像的特征点进行匹配,当电子元件图像与模板图像匹配成功时,即从电子元件图像上识别出与模板图像相对应的电子元件。本发明提供的电子元件的识别方法和系统,可以实现对电路板上高密集的各种电子元件的快速和准确识别,具有自动化程度和可靠性高、成本低的优点。
附图说明
图1是本发明第一实施例提供的电子元件识别方法的步骤流程图。
图2是本发明第一实施例提供的电子元件图像匹配示意图。
图3是本发明第一实施例提供的采用模板图像对电子元件图像进行匹配的一种可实现方式的步骤流程图。
图4是本发明第一实施例提供的判断模板图像与电子元件图像是否匹配成功的一种可实现方式的步骤流程图。
图5是本发明第二实施例提供的电子元件识别系统的一种结构示意图。
图6是本发明第二实施例提供的电子元件识别系统的又一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
参见图1,是本发明第一实施例提供的电子元件识别方法的步骤流程图。
在本实施例中,所述的电子元件识别方法具体包括以下步骤S1~S3:
步骤S1:获取待识别的电子元件图像。
步骤S2:根据指定的模板图像,对所述电子元件图像上的电子元件进行特征点匹配。
参看图2,是本发明第一实施例提供的电子元件图像匹配示意图。
其中,模板图像T为本次识别过程中需要识别出的目标电子元件的图像,图像T为获取获得的电子元件图像,具体地,电子元件图像T中包含多个不同种类和/或不同型号的电子元件。在多种电子元件的电路板分布中通过人工查找与模板图像T对应的电子元件的装配位置的难度显然很大,费时费力,且误差率高,本实施例通过对模板图像T和电子元件图像S进行自动化的图像匹配,可以提高电子元件的识别速度和识别准确率,可广泛应用于对工业领域中的电子产品的光学检测。
具体地,在一种可实现的方式中,可以采用ORB(ORiented BRIEF)算法分别对模板图像T和电子元件图像S上的电子元件进行特征点提取,其中,BRIEF是Binary Robust Independent Elementary Features(二进制稳健独立基本特征)的缩写,是图像特征点的一种特征描述子。ORB算法是一种有效的可替代SIFT(Scale-invariant feature transform,尺度不变特征转换)或SURF(Speed-UpRobust Features,加速稳健特征)的图像处理方法,与SIFT或SURF相比,ORB具有更快的特征提取速度,因而更加适用于特征点的在线、实时检测或提取,具有明显的速度优势。
图像特征点是指图像中的对象固定不变的点,反映物体类型或位置分布等特征。特征描述子是指描述特征点信息的形式,如对特征点的某种定性或定量的表达式。本实施例在进行电子元件识别时,将所述模板图像T作为已知的、需要识别获得的目标电子元件对象,将实时获取的电子元件图像S作为根据模板图像T,识别出与模板图像T相匹配的电子元件的待识别图像。
参看图3,是本发明第一实施例提供的采用模板图像对电子元件图像进行匹配的一种可实现方式的步骤流程图。
在本实施例中,所述步骤S2,即所述根据指定的模板图像,对所述电子元件图像上的电子元件进行特征点匹配,具体可以通过以下步骤S21~S25进行实现,包括:
步骤S21:对所述模板图像T进行ORB特征点提取。具体实施时,可以采用FAST(Features from Accelerated Segment Test,加速分段测试特征)算法作为所述模板图像T的特征点检测算子,获得所述模板图像T的ORB特征点;并采用BRIEF描述子表征每个特征点。FAST特征点检测是非常快速的特征点检测方法,只需要利用周围像素比较的信息就可以得到特征点,具有简单、有效的特点。
具体地,采用所述FAST算法对所述模板图像T的特征点进行检测时,包括:
采用以下方程(1)对所述模板图像T进行ORB特征点提取:
其中,I(x)为所述模板图像T的以像素p为圆心的圆周上任意一点(可简称为候选点)的灰度;circle(p)表示以p为圆心的圆,I(p)为圆心的灰度;
若参数N大于灰度差阈值εd,则判定像素p为所述模板图像T上的一个特征点。
完整的分段测试可以被用于检测所有候选点及其候选点的检测圆上的所有点。为了提高特征点的检测速度,可以进一步采用额外的加速过程。具体地,可以在候选点p周围每隔某一度角选取q个像素点,若至少有k个点与候选点p的灰度值的差值足够大(即>εd),则可以不再计算其他点,直接认为该候选点p为一个特征点。具体地,参数k与参数q的关系一般需要控制在:k/q>3/4的条件中。例如,若共对16个周边像素点进行比较,存在有至少12个像素点与候选点p的灰度差满足方程(1)时,则可以认为候选点p为一个特征点。其中,候选点p的检测圆的半径选取也是一个非常重要的参数,直接影响到判断当前候选点p是否为特征点。经实践证明,采用半径为3.4个像素点为半径,外围一共有16个像素的特征点选取更为高效,圆上像素点的大于中心候选点像素值加上一个阈值或者小于中心候选点像素值减去该阀值的像素的总个数大于等于12,则该中心候选点就是一个特征点。
获得所有的特征点后,可以采用以上所述的BRIEF特征描述子来表征模板图像T的每个特征点。
步骤S22:对所述模板图像T中的电子元件外形轮廓进行标注,并去除所述模板图像T中的电子元件外形轮廓的特征点,获得表征所述模板图像T上的目标电子元件的第一图像特征点。本实施例通过去掉模板图像T中的电子元件外形轮廓,可以更加精确地与电子元件图像S中的目标电子元件进行匹配。
步骤S23:对所述电子元件图像S进行ORB特征点提取,获得表征所述电子元件图像S上的待识别电子元件的第二图像特征点。该步骤可以采用与步骤S21相同的方法对电子元件图像S进行特征点提取。具体地,采用所述FAST算法对所述电子元件图像S的特征点进行检测时,包括:
采用所述方程(1)对所述电子元件图像S进行ORB特征点提取;其中,方程(1)中的各个参数表述的物理含义相应替换为电子元件图像S的参数,即I(x)为所述电子元件图像S的以像素p为圆心的圆周上任意一点(可简称为候选点)的灰度;circle(p)表示以p为圆心的圆,I(p)为圆心的灰度。若参数N大于灰度差阈值εd,则判定像素p为所述电子元件图像S上的一个特征点。
同样,本步骤S23同样可以进行与步骤S21相同的特征点提取加速处理,在候选点周围每隔某一度角选取q个像素点,若至少有k个点与候选点p的灰度值的差值足够大(即大于εd),则可以不再计算其他点,直接认为该候选点p为一个特征点。获得所有的特征点后,同样可以采用以上所述的BRIEF特征描述子来表征电子元件图像S的每个特征点。
步骤S24:对所述第一图像特征点和第二图像特征点进行匹配,获得n对特征点,n≥0。在本实施例中,由于可以采用BRIEF特征描述子来表征模板图像T和电子元件图像S的每个特征点,因此,可以优选采用FLANN(Fast Library forApproximate Nearest Neighbors,近似最近邻快速库)算法来比较两种图像特征点的匹配度。本实施例提供的图像特征点的相似度是使用某种空间的距离来衡量的,距离越大,匹配度越低。因此可以将匹配度定义为最大匹配距离/当前距离,匹配度最小值为1,值越小,相似度越低;反之亦反。采用BRIEF特征描述子作为模板图像T或电子元件图像S的一种特征描述符,结合FLANN算法可以实现快速地进行图像特征点匹配。BRIEF特征描述子提供了一种计算二值串的捷径,而并不需要去计算一个类似于SIFT的特征描述子。
步骤S25:根据所述n对特征点,判断所述模板图像T与所述电子元件图像S是否匹配成功。
需要说明的是,本实施例并不限定以上步骤S21到步骤S25的先后顺序,可以根据实际情况调整各个步骤执行的先后顺序或并行执行其中的多个步骤。
步骤S3:在所述电子元件图像S与所述模板图像T匹配成功时,识别出在所述电子元件图像S上的与所述模板图像T相匹配的电子元件。根据图像匹配结果判断电子元件类型、型号等是否与模板图像T所要识别的电子元件类型、型号等一致。
参看图4,是本发明第一实施例提供的判断模板图像与电子元件图像是否匹配成功的一种可实现方式的步骤流程图。
进一步地,在一种可实现的方式中,所述步骤S25,即所述根据所述n对特征点,判断所述模板图像与所述电子元件图像是否匹配成功,包括:
步骤S251:根据预设的匹配度阀值α,滤除所述n对特征点中的匹配度小于α的特征点,获得匹配成功的特征点的对数为m,其中,α>1,m≥0;
步骤S252:根据预设的判断阈值β,将匹配成功的特征点的对数m与特征点对数n的比值m/n与所述判断阈值β进行比较,其中,0<β<1;若比值m/n≥β,则执行步骤S253;若比值m/n<β,则执行步骤S254。
步骤S253:判定所述电子元件图像与所述模板图像匹配成功。
步骤S254:判定所述电子元件图像与所述模板图像匹配失败。
本实施例提供的电子元件识别方法,基于图像特征点匹配算法,通过获取的待识别的电子元件图像和用于获得目标电子元件的模板图像进行特征点匹配,在所述电子元件图像与所述模板图像匹配成功时,则识别出在所述电子元件图像上的与所述模板图像相匹配的电子元件,即获得了待识别的目标电子元件。进一步地,可以优选采用ORB算法,迅速地分别提取出电子元件图像和模板图像的特征点,并基于FLANN算法对电子元件图像的特征点与模板图像的特征点进行匹配,当电子元件图像与模板图像匹配成功时,即从电子元件图像上识别出与模板图像相对应的电子元件。本发明提供的电子元件的识别方法和系统,可以实现对电路板上高密集的各种电子元件的快速和准确识别,具有自动化程度和可靠性高、成本低的优点。
参看图5,是本发明第二实施例提供的电子元件识别系统的一种结构示意图。
需要说明的是,所述的电子元件识别系统与第一实施例提供的电子元件识别方法的实现过程一一对应,其工作原理相同,在此不再赘述。
具体地,本实施例提供的电子元件识别系统包括:
图像采集单元501,用于获取待识别的电子元件图像S;
图像匹配单元502,用于根据指定的模板图像T,对所述电子元件图像S上的电子元件进行特征点匹配;
识别单元503,用于在所述电子元件图像S与所述模板图像T匹配成功时,识别出在所述电子元件图像S上的与所述模板图像T相匹配的电子元件。
参见图6,是本发明第二实施例提供的电子元件识别系统的又一种结构示意图。
图6实施例在图5实施例的基础上,进一步地,所述图像匹配单元502,包括:
模板图像特征提取单元5021,用于对所述模板图像T进行ORB特征点提取;
模板图像特征优化单元5022,用于对所述模板图像T中的电子元件外形轮廓进行标注,并去除所述模板图像T中的电子元件外形轮廓的特征点,获得表征所述模板图像T上的目标电子元件的第一图像特征点;
目标图像特征提取单元5023,用于对所述电子元件图像S进行ORB特征点提取,获得表征所述电子元件图像S上的待识别电子元件的第二图像特征点;
特征点匹配单元5024,用于对所述第一图像特征点和第二图像特征点进行匹配,获得n对特征点,n≥0;具体实施时,与上述第一实施例的原理相同,特征点匹配单元5024可以优选采用FLANN算法对所述第一图像特征点和第二图像特征点进行匹配,以比较两种图像特征点的匹配度。
匹配判别单元5025,用于根据所述n对特征点,判断所述模板图像T与所述电子元件图像S是否匹配成功。
优选地,所述匹配判别单元5025,包括:
过滤子单元51,用于根据预设的匹配度阀值α,滤除所述n对特征点中的匹配度小于α的特征点,获得匹配成功的特征点的对数为m,其中,α>1,m≥0;
比较子单元52,用于根据预设的判断阈值β,将匹配成功的特征点的对数m与特征点对数n的比值m/n与所述判断阈值β进行比较,其中,0<β<1;若比值m/n≥β,则判定所述电子元件图像S与所述模板图像T匹配成功;若比值m/n<β,判定所述电子元件图像S与所述模板图像T匹配失败。
进一步地,所述模板图像特征提取单元5021还包括:模板图像特征计算子单元11,用于根据模板图像T的特征点检测算子(优选采用FAST算子),获得所述模板图像T的ORB特征点;
所述目标图像特征提取单元5023,还包括:目标图像特征计算子单元31,用于根据所述电子元件图像S的特征点检测算子(优选采用FAST算子),获得所述电子元件图像S的ORB特征点。
具体实施时,所述模板图像特征计算子单元11和所述目标图像特征计算子单元31,分别还用于:采用所述方程(1),即:对所述模板图像T或所述电子元件图像S进行ORB特征点提取;其中,I(x)为所述模板图像T或所述电子元件图像S上的以像素p为圆心的圆周上任意一点的灰度;circle(p)表示以p为圆心的圆,I(p)为圆心的灰度;若参数N大于灰度差阈值εd,则判定像素p为一个特征点。
本实施例提供的电子元件识别系统,采用与第一实施例提供的电子元件识别方法相同的工作原理,实现了从电子元件图像上自动识别出与模板图像相对应的电子元件,快速、准确,并具有自动化程度和可靠性高、成本低的优点。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种电子元件识别方法,其特征在于,包括:
获取待识别的电子元件图像;
根据指定的模板图像,对所述电子元件图像上的电子元件进行特征点匹配;
在所述电子元件图像与所述模板图像匹配成功时,识别出在所述电子元件图像上的与所述模板图像相匹配的电子元件。
2.如权利要求1所述的电子元件识别方法,其特征在于,所述根据指定的模板图像,对所述电子元件图像上的电子元件进行特征点匹配,包括:
对所述模板图像进行ORB特征点提取;
对所述模板图像中的电子元件外形轮廓进行标注,并去除所述模板图像中的电子元件外形轮廓的特征点,获得表征所述模板图像上的目标电子元件的第一图像特征点;
对所述电子元件图像进行ORB特征点提取,获得表征所述电子元件图像上的待识别电子元件的第二图像特征点;
对所述第一图像特征点和第二图像特征点进行匹配,获得n对特征点,n≥0;
根据所述n对特征点,判断所述模板图像与所述电子元件图像是否匹配成功。
3.如权利要求2所述的电子元件识别方法,其特征在于,所述根据所述n对特征点,判断所述模板图像与所述电子元件图像是否匹配成功,包括:
根据预设的匹配度阀值α,滤除所述n对特征点中的匹配度小于α的特征点,获得匹配成功的特征点的对数为m,其中,α>1,m≥0;
根据预设的判断阈值β,将匹配成功的特征点的对数m与特征点对数n的比值m/n与所述判断阈值β进行比较,其中,0<β<1;
若比值m/n≥β,则判定所述电子元件图像与所述模板图像匹配成功;若比值m/n<β,判定所述电子元件图像与所述模板图像匹配失败。
4.如权利要求2所述的电子元件识别方法,其特征在于,对所述模板图像进行ORB特征点提取和对所述电子元件图像进行ORB特征点提取时,
根据所述电子元件图像和所述模板图像的特征点检测算子,获得所述模板图像的ORB特征点和所述电子元件图像的ORB特征点;并采用BRIEF描述子表征每个特征点。
5.如权利要求4所述的电子元件识别方法,其特征在于,采用以下方程对所述电子元件图像和所述模板图像进行ORB特征点提取:
其中,I(x)为所述电子元件图像或所述模板图像的以像素p为圆心的圆周上任意一点的灰度;circle(p)表示以p为圆心的圆,I(p)为圆心的灰度;
若参数N大于灰度差阈值εd,则判定像素p为所述电子元件图像或所述模板图像上的一个特征点。
6.一种电子元件识别系统,其特征在于,包括:
图像采集单元,用于获取待识别的电子元件图像;
图像匹配单元,用于根据指定的模板图像,对所述电子元件图像上的电子元件进行特征点匹配;
识别单元,用于在所述电子元件图像与所述模板图像匹配成功时,识别出在所述电子元件图像上的与所述模板图像相匹配的电子元件。
7.如权利要求6所述的电子元件识别系统,其特征在于,所述图像匹配单元,包括:
模板图像特征提取单元,用于对所述模板图像进行ORB特征点提取;
模板图像特征优化单元,用于对所述模板图像中的电子元件外形轮廓进行标注,并去除所述模板图像中的电子元件外形轮廓的特征点,获得表征所述模板图像上的目标电子元件的第一图像特征点;
目标图像特征提取单元,用于对所述电子元件图像进行ORB特征点提取,获得表征所述电子元件图像上的待识别电子元件的第二图像特征点;
特征点匹配单元,用于对所述第一图像特征点和第二图像特征点进行匹配,获得n对特征点,n≥0;
匹配判别单元,用于根据所述n对特征点,判断所述模板图像与所述电子元件图像是否匹配成功。
8.如权利要求7所述的电子元件识别系统,其特征在于,所述匹配判别单元,包括:
过滤子单元,用于根据预设的匹配度阀值α,滤除所述n对特征点中的匹配度小于α的特征点,获得匹配成功的特征点的对数为m,其中,α>1,m≥0;
比较子单元,用于根据预设的判断阈值β,将匹配成功的特征点的对数m与特征点对数n的比值m/n与所述判断阈值β进行比较,其中,0<β<1;若比值m/n≥β,则判定所述电子元件图像与所述模板图像匹配成功;若比值m/n<β,判定所述电子元件图像与所述模板图像匹配失败。
9.如权利要求7所述的电子元件识别系统,其特征在于,
所述模板图像特征提取单元还包括:模板图像特征计算子单元,用于根据模板图像的特征点检测算子,获得所述模板图像的ORB特征点;
所述目标图像特征提取单元,还包括:目标图像特征计算子单元,用于根据电子元件图像的特征点检测算子,获得所述电子元件图像的ORB特征点。
10.如权利要求9所述的电子元件识别系统,其特征在于,
所述模板图像特征计算子单元和所述目标图像特征计算子单元,分别还用于:采用以下方程对所述模板图像或所述电子元件图像进行ORB特征点提取:
其中,I(x)为所述模板图像或所述电子元件图像上的以像素p为圆心的圆周上任意一点的灰度;circle(p)表示以p为圆心的圆,I(p)为圆心的灰度;若参数N大于灰度差阈值εd,则判定像素p为一个特征点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410837635.7A CN104463178A (zh) | 2014-12-29 | 2014-12-29 | 电子元件识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410837635.7A CN104463178A (zh) | 2014-12-29 | 2014-12-29 | 电子元件识别方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104463178A true CN104463178A (zh) | 2015-03-25 |
Family
ID=52909192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410837635.7A Pending CN104463178A (zh) | 2014-12-29 | 2014-12-29 | 电子元件识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104463178A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260740A (zh) * | 2015-09-23 | 2016-01-20 | 广州视源电子科技股份有限公司 | 一种元件识别方法及装置 |
CN105354816A (zh) * | 2015-09-24 | 2016-02-24 | 广州视源电子科技股份有限公司 | 一种电子元件定位方法及装置 |
CN105404900A (zh) * | 2015-12-22 | 2016-03-16 | 广州视源电子科技股份有限公司 | 一种并排二极管的定位方法及装置 |
CN105426926A (zh) * | 2016-01-04 | 2016-03-23 | 京东方科技集团股份有限公司 | 一种对amoled进行检测分类的方法及装置 |
CN105631458A (zh) * | 2015-12-22 | 2016-06-01 | 广州视源电子科技股份有限公司 | 一种电子元件样本标注方法及装置 |
CN106327483A (zh) * | 2016-08-12 | 2017-01-11 | 广州视源电子科技股份有限公司 | 检测设备logo贴附的方法、系统及装置 |
CN106503737A (zh) * | 2016-10-20 | 2017-03-15 | 广州视源电子科技股份有限公司 | 一种电子元件定位方法及装置 |
CN107403127A (zh) * | 2016-05-20 | 2017-11-28 | 重庆电信系统集成有限公司 | 一种基于图像orb特征的车辆卸货状态监测方法 |
CN107862690A (zh) * | 2017-11-22 | 2018-03-30 | 佛山科学技术学院 | 一种基于特征点匹配的电路板元器件定位方法和定位装置 |
WO2018068415A1 (zh) * | 2016-10-11 | 2018-04-19 | 广州视源电子科技股份有限公司 | 元件错件检测方法和系统 |
CN108480811A (zh) * | 2018-03-30 | 2018-09-04 | 四川斐讯信息技术有限公司 | 一种焊接设备和焊接方法 |
CN108520533A (zh) * | 2018-03-28 | 2018-09-11 | 武汉大学 | 一种面向工件定位的多维度特征配准方法 |
CN108711173A (zh) * | 2018-04-13 | 2018-10-26 | 深圳安博电子有限公司 | 多目标识别方法及装置 |
CN110020517A (zh) * | 2018-01-09 | 2019-07-16 | 佛山市顺德区顺达电脑厂有限公司 | 智能测试管控系统及其方法 |
CN110148133A (zh) * | 2018-07-03 | 2019-08-20 | 北京邮电大学 | 基于特征点及其结构关系的电路板残片图像识别方法 |
CN112560836A (zh) * | 2020-11-09 | 2021-03-26 | 联想(北京)有限公司 | 一种元器件识别方法、装置以及计算机可读存储介质 |
CN113642642A (zh) * | 2021-08-13 | 2021-11-12 | 上海哔哩哔哩科技有限公司 | 控件识别方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609506A (zh) * | 2008-06-20 | 2009-12-23 | 索尼株式会社 | 对象识别装置、方法及其程序以及记录该程序的记录介质 |
CN103217438A (zh) * | 2013-04-02 | 2013-07-24 | 天津大学 | 一种基于图像特征的电路板元件精确定位与检测的方法 |
-
2014
- 2014-12-29 CN CN201410837635.7A patent/CN104463178A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609506A (zh) * | 2008-06-20 | 2009-12-23 | 索尼株式会社 | 对象识别装置、方法及其程序以及记录该程序的记录介质 |
US20090316990A1 (en) * | 2008-06-20 | 2009-12-24 | Akira Nakamura | Object recognition device, object recognition method, program for object recognition method, and recording medium having recorded thereon program for object recognition method |
CN103217438A (zh) * | 2013-04-02 | 2013-07-24 | 天津大学 | 一种基于图像特征的电路板元件精确定位与检测的方法 |
Non-Patent Citations (2)
Title |
---|
RUBLEE等: "ORB:an efficient alternative to SIFT or SURF", 《2011 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
YANG_XIAN521: "OpenCV学习笔记(四十六)——FAST特征点检测features2D", 《CSDN博客》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260740B (zh) * | 2015-09-23 | 2019-03-29 | 广州视源电子科技股份有限公司 | 一种元件识别方法及装置 |
CN105260740A (zh) * | 2015-09-23 | 2016-01-20 | 广州视源电子科技股份有限公司 | 一种元件识别方法及装置 |
WO2017050083A1 (zh) * | 2015-09-23 | 2017-03-30 | 广州视源电子科技股份有限公司 | 一种元件识别方法及装置 |
CN105354816A (zh) * | 2015-09-24 | 2016-02-24 | 广州视源电子科技股份有限公司 | 一种电子元件定位方法及装置 |
CN105354816B (zh) * | 2015-09-24 | 2017-12-19 | 广州视源电子科技股份有限公司 | 一种电子元件定位方法及装置 |
WO2017050088A1 (zh) * | 2015-09-24 | 2017-03-30 | 广州视源电子科技股份有限公司 | 一种电子元件定位方法及装置 |
WO2017107533A1 (zh) * | 2015-12-22 | 2017-06-29 | 广州视源电子科技股份有限公司 | 一种电子元件样本标注方法及装置 |
CN105631458A (zh) * | 2015-12-22 | 2016-06-01 | 广州视源电子科技股份有限公司 | 一种电子元件样本标注方法及装置 |
CN105631458B (zh) * | 2015-12-22 | 2018-05-22 | 广州视源电子科技股份有限公司 | 一种电子元件样本标注方法及装置 |
CN105404900B (zh) * | 2015-12-22 | 2017-12-19 | 广州视源电子科技股份有限公司 | 一种并排二极管的定位方法及装置 |
CN105404900A (zh) * | 2015-12-22 | 2016-03-16 | 广州视源电子科技股份有限公司 | 一种并排二极管的定位方法及装置 |
CN105426926A (zh) * | 2016-01-04 | 2016-03-23 | 京东方科技集团股份有限公司 | 一种对amoled进行检测分类的方法及装置 |
US10043108B2 (en) | 2016-01-04 | 2018-08-07 | Boe Technology Group Co., Ltd. | Method and apparatus for detecting and classifying active matrix organic light emitting diode panel |
CN107403127A (zh) * | 2016-05-20 | 2017-11-28 | 重庆电信系统集成有限公司 | 一种基于图像orb特征的车辆卸货状态监测方法 |
CN106327483A (zh) * | 2016-08-12 | 2017-01-11 | 广州视源电子科技股份有限公司 | 检测设备logo贴附的方法、系统及装置 |
WO2018068415A1 (zh) * | 2016-10-11 | 2018-04-19 | 广州视源电子科技股份有限公司 | 元件错件检测方法和系统 |
WO2018072334A1 (zh) * | 2016-10-20 | 2018-04-26 | 广州视源电子科技股份有限公司 | 一种电子元件定位方法及装置 |
CN106503737B (zh) * | 2016-10-20 | 2019-03-05 | 广州视源电子科技股份有限公司 | 一种电子元件定位方法及装置 |
CN106503737A (zh) * | 2016-10-20 | 2017-03-15 | 广州视源电子科技股份有限公司 | 一种电子元件定位方法及装置 |
CN107862690A (zh) * | 2017-11-22 | 2018-03-30 | 佛山科学技术学院 | 一种基于特征点匹配的电路板元器件定位方法和定位装置 |
CN107862690B (zh) * | 2017-11-22 | 2023-11-14 | 佛山科学技术学院 | 一种基于特征点匹配的电路板元器件定位方法和定位装置 |
CN110020517A (zh) * | 2018-01-09 | 2019-07-16 | 佛山市顺德区顺达电脑厂有限公司 | 智能测试管控系统及其方法 |
CN110020517B (zh) * | 2018-01-09 | 2022-05-27 | 佛山市顺德区顺达电脑厂有限公司 | 智能测试管控系统及其方法 |
CN108520533A (zh) * | 2018-03-28 | 2018-09-11 | 武汉大学 | 一种面向工件定位的多维度特征配准方法 |
CN108520533B (zh) * | 2018-03-28 | 2021-08-03 | 武汉大学 | 一种面向工件定位的多维度特征配准方法 |
CN108480811A (zh) * | 2018-03-30 | 2018-09-04 | 四川斐讯信息技术有限公司 | 一种焊接设备和焊接方法 |
CN108711173A (zh) * | 2018-04-13 | 2018-10-26 | 深圳安博电子有限公司 | 多目标识别方法及装置 |
CN110148133A (zh) * | 2018-07-03 | 2019-08-20 | 北京邮电大学 | 基于特征点及其结构关系的电路板残片图像识别方法 |
CN112560836A (zh) * | 2020-11-09 | 2021-03-26 | 联想(北京)有限公司 | 一种元器件识别方法、装置以及计算机可读存储介质 |
CN113642642A (zh) * | 2021-08-13 | 2021-11-12 | 上海哔哩哔哩科技有限公司 | 控件识别方法及装置 |
CN113642642B (zh) * | 2021-08-13 | 2024-04-30 | 上海哔哩哔哩科技有限公司 | 控件识别方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104463178A (zh) | 电子元件识别方法和系统 | |
Wei et al. | CNN‐based reference comparison method for classifying bare PCB defects | |
CN108734283B (zh) | 神经网络系统 | |
EP3176751B1 (en) | Information processing device, information processing method, computer-readable recording medium, and inspection system | |
CN110648305B (zh) | 工业图像检测方法、系统与计算机可读记录介质 | |
WO2017088553A1 (zh) | 电子元件极性方向的快速识别、标注的方法和系统 | |
US9971954B2 (en) | Apparatus and method for producing image processing filter | |
CN106326887B (zh) | 一种光学字符识别结果的校验方法及装置 | |
US20220178841A1 (en) | Apparatus for optimizing inspection of exterior of target object and method thereof | |
US20210096530A1 (en) | System and method for identifying manufacturing defects | |
CN108133211B (zh) | 一种基于移动终端视觉图像的检测配电柜的方法 | |
CN111914508A (zh) | 元器件检测方法、装置、电子设备及可读存储介质 | |
CN116563291A (zh) | 一种smt智能防错上料检测仪 | |
US11144702B2 (en) | Methods and systems for wafer image generation | |
CN115144399A (zh) | 一种基于机器视觉的装配质量检测方法及装置 | |
CN116205835A (zh) | 电路板瑕疵检测方法、装置及电子设备 | |
CN107194402A (zh) | 一种并行细化骨架提取方法 | |
Rodríguez et al. | HD-MR: A new algorithm for number recognition in electrical meters | |
Wang et al. | Assembly defect detection of atomizers based on machine vision | |
CN112534472B (zh) | 图像判定装置、图像判定方法及其程序的记录介质 | |
Nagato et al. | Machine learning technology applied to production lines: image recognition system | |
CN115063739B (zh) | 异常行为的检测方法、装置、设备及计算机存储介质 | |
Sakarya et al. | Automated region segmentation on cartridge case base | |
CN110955603A (zh) | 自动化测试方法、装置、电子设备及计算机可读存储介质 | |
CN114627113B (zh) | 一种印制电路板缺陷检测方法及系统及装置及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150325 |