CN106017328A - 一种多类型线宽测量方法及装置 - Google Patents

Abstract

本发明实施例公开了一种多类型线宽测量方法及装置，解决了目前的采用人眼量测来完成，误差大、效率低的技术问题，以及定性通断测试，无法测得线宽尺寸的实际值的技术问题，且X射线对细导线成像效果变差的技术问题。本发明实施例多类型线宽测量方法包括：对采集的测试图像进行预处理，获取测试图像中的导线边缘轮廓对应的特征值；将特征值与预置的先验特征值进行比对，并根据比对结果确定导线满足的先验特征类别，先验特征类别包括最优特征和不理想特征；根据确定的先验特征类别进行对应的线宽计算。

Description

一种多类型线宽测量方法及装置

技术领域

本发明涉及PCB检测技术领域，尤其涉及一种多类型线宽测量方法及装置。

背景技术

随着光学影像设备的不断成熟和计算机视觉技术的迅猛发展，在PCB检测领域利用硬件设备和软件算法自由搭配组合，协调完成高效、高质量的检测任务成为新兴的发展趋势。

鉴于电子产品芯片的微型化、集成化发展趋势或者工业设备的高精度的微小间隙，对PCB的要求急切体现在PCB的多层化、布线密集化之上，国内外PCB生产制造技术也正在向高精度、细导线、大密度、小间距的方向发展，从而致使PCB板或微小间隙待测产品导线自身的特性阻抗对电路板的信号传输影响越来越大，最终影响到电子产品的性能，其中导线线宽的变化范围是影响特性阻抗的最主要因素，而导线线宽的毛边大小是特性阻抗的直接误差来源，因此，PCB线宽及其毛边的长度是评定PCB品质好坏的重要参数，以及工业设备的高精度的微小间隙，如针对涡轮发动机叶片的叶尖间隙测量(即叶片与发动机机匣内壁之间的距离，直接影响到发动机的耗油量和寿命)。

现今常用的微小间隙或线宽测量方法有人工目测法、飞针测试法、自动X射线检测法和图像测量法。其中人工目测法依靠100倍左右的显微放大镜或者金相显微设备，采用人眼量测来完成，不仅误差大，而且效率低；飞针测试法属于定性通断测试，无法测得线宽尺寸的实际值；自动X射线检测法通过不同材料或不同厚度材料对X光的吸收，成像进行测量分析，但X射线对细导线成像效果变差；图像测量法主要借助光学影像技术与计算机图像处理方法完成对导线的非接触、高精度测量，其中的核心部分为对图像特征进行分析测量的部分，但由于微小间隙的线宽及导线种类较多、线路板环境干扰大的原因，现有的图像测量法往往检测范围较为有限。

因此，上述提及的采用人眼量测来完成，误差大、效率低的技术问题，定性通断测试，无法测得线宽尺寸的实际值的技术问题，X射线对细导线成像效果变差的技术问题，成为了本领域技术人员亟待解决的技术问题。

发明内容

本发明实施例提供的一种多类型线宽测量方法及装置，解决了目前的采用人眼量测来完成，误差大、效率低的技术问题，以及定性通断测试，无法测得线宽尺寸的实际值的技术问题，且X射线对细导线成像效果变差的技术问题。

本发明实施例提供的一种多类型线宽测量方法，包括：

对采集的测试图像进行预处理，获取所述测试图像中的导线边缘轮廓对应的特征值；

将所述特征值与预置的先验特征值进行比对，并根据比对结果确定所述导线满足的先验特征类别，所述先验特征类别包括最优特征和不理想特征；

根据确定的所述先验特征类别进行对应的线宽计算。

优选地，对采集的测试图像进行预处理，获取所述测试图像中的导线边缘轮廓对应的特征值具体包括：

采集所述导线的线宽及毛边的所述测试图像，并提取通过鼠标框选的待测区域；

对所述待测区域依次进行预处理、OTSU算法处理和Canny边缘检测算法处理，确定所述导线的线宽及毛边的边缘轮廓；

根据所述边缘轮廓确定对应的所述特征值。

优选地，根据所述边缘轮廓确定对应的所述特征值具体包括：

对确定的所述边缘轮廓通过采用Hough直线检测算法，确定直线密集区域直线数与总检测直线数的第一比值；

以及，对确定的所述边缘轮廓通过采用FindContour边缘连续轮廓检测算法，确定表示所示导线的线宽及毛边区域的边缘权重的第二比值；

其中，所述特征值为二维特征值(第一比值，第二比值)。

优选地，将所述特征值与预置的先验特征值进行比对，并根据比对结果确定所述导线满足的先验特征类别具体包括：

将所述第一比值和所述第二比值与预置的先验特征值的第一阈值和第二阈值进行比对，若所述第一比值大于所述第一阈值，则判断所述第二比值是否大于所述第二阈值，若所述第二比值大于所述第二阈值，则确定所述特征值属于第一先验特征值，若所述第二比值不大于所述第二阈值，则确定所述特征值属于第二先验特征值；

若所述第一比值不大于所述第一阈值，则判断所述第二比值是否大于所述第二阈值，若所述第二比值大于所述第二阈值，则确定所述特征值属于第三先验特征值，若所述第二比值不大于所述第二阈值，则确定所述特征值属于第四先验特征值；

所述第一阈值表示中心区域信息量大小的门阀阈值，所述第二阈值表示线宽及毛边边缘轮廓线的门阀阈值。

优选地，根据确定的所述先验特征类别进行对应的线宽计算具体包括：

根据确定的所述第一先验特征值，进行对应的所述导线的线宽及毛边的双向逐点扫描，以确定所述导线的线宽距离及毛边距离；

或

根据确定的所述第二先验特征值或第三先验特征值，对对应的所述导线的线宽及毛边的采用预置梯度峰值分析法，进行所述导线的线宽距离及毛边距离的计算；

或

根据确定的所述第四先验特征值，对对应的所述导线的线宽及毛边的采用基于概率统计的Hough变换，进行所述导线的线宽距离及毛边距离的计算。

本发明实施例提供的一种多类型线宽测量装置，包括：

预处理单元，用于对采集的测试图像进行预处理，获取所述测试图像中的导线边缘轮廓对应的特征值；

比对单元，用于将所述特征值与预置的先验特征值进行比对，并根据比对结果确定所述导线满足的先验特征类别，所述先验特征类别包括最优特征和不理想特征；

计算单元，用于根据确定的所述先验特征类别进行对应的线宽计算。

优选地，预处理单元具体包括：

待测区域确定子单元，用于采集所述导线的线宽及毛边的所述测试图像，并提取通过鼠标框选的待测区域；

边缘轮廓确定子单元，用于对所述待测区域依次进行预处理、OTSU算法处理和Canny边缘检测算法处理，确定所述导线的线宽及毛边的边缘轮廓；

特征值确定子单元，用于根据所述边缘轮廓确定对应的所述特征值。

优选地，特征值确定子单元具体包括：

第一比值确定模块，用于对确定的所述边缘轮廓通过采用Hough直线检测算法，确定直线密集区域直线数与总检测直线数的第一比值；

第二比值确定模块，用于对确定的所述边缘轮廓通过采用FindContour边缘连续轮廓检测算法，确定表示所示导线的线宽及毛边区域的边缘权重的第二比值；

其中，所述特征值为二维特征值(第一比值，第二比值)。

优选地，比对单元具体包括：

比对子单元，用于将所述第一比值和所述第二比值与预置的先验特征值的第一阈值和第二阈值进行比对，若所述第一比值大于所述第一阈值，则触发第一判断子单元，若所述第一比值不大于所述第一阈值，则触发第二判断子单元；

所述第一判断子单元，用于判断所述第二比值是否大于所述第二阈值，若所述第二比值大于所述第二阈值，则确定所述特征值属于第一先验特征值，若所述第二比值不大于所述第二阈值，则确定所述特征值属于第二先验特征值；

所述第二判断子单元，用于判断所述第二比值是否大于所述第二阈值，若所述第二比值大于所述第二阈值，则确定所述特征值属于第三先验特征值，若所述第二比值不大于所述第二阈值，则确定所述特征值属于第四先验特征值；

所述第一阈值表示中心区域信息量大小的门阀阈值，所述第二阈值表示线宽及毛边边缘轮廓线的门阀阈值。

优选地，计算单元具体包括：

第一计算子单元，用于根据确定的所述第一先验特征值，进行对应的所述导线的线宽及毛边的双向逐点扫描，以确定所述导线的线宽距离及毛边距离；

或

第二计算子单元，用于根据确定的所述第二先验特征值或第三先验特征值，对对应的所述导线的线宽及毛边的采用预置梯度峰值分析法，进行所述导线的线宽距离及毛边距离的计算；

或

第三计算子单元，用于根据确定的所述第四先验特征值，对对应的所述导线的线宽及毛边的采用基于概率统计的Hough变换，进行所述导线的线宽距离及毛边距离的计算。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明实施例提供的一种多类型线宽测量方法及装置，其中，多类型线宽测量方法，包括：对采集的测试图像进行预处理，获取测试图像中的导线边缘轮廓对应的特征值；将特征值与预置的先验特征值进行比对，并根据比对结果确定导线满足的先验特征类别，先验特征类别包括最优特征和不理想特征；根据确定的先验特征类别进行对应的线宽计算。本实施例中，通过对采集的测试图像进行预处理，获取测试图像中的导线边缘轮廓对应的特征值，然后将特征值与预置的先验特征值进行比对，并根据比对结果确定导线满足的先验特征类别，再根据确定的先验特征类别进行对应的线宽计算，基于先确立线宽边缘的先验特征类型，然后分析比较被测线宽的特征类型与之匹配，最后选择具体的检测方法来检测线宽及其毛边距离，解决了目前的采用人眼量测来完成，误差大、效率低的技术问题，以及定性通断测试，无法测得线宽尺寸的实际值的技术问题，且X射线对细导线成像效果变差的技术问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的一种多类型线宽测量方法的一个实施例的流程示意图；

图2为本发明实施例提供的一种多类型线宽测量方法的另一个实施例的流程示意图；

图3为本发明实施例提供的一种多类型线宽测量装置的一个实施例的结构示意图；

图4为本发明实施例提供的一种多类型线宽测量装置的另一个实施例的结构示意图；

图5为图2应用例；

图6(a)至(d)为归纳的四大先验特征图；

图7(a)至(d)为PCB和FCB导线进行线宽检测示意图；

图8(a)至(f)为对不同材质的线路板上导线进行线宽检测示意图。

具体实施方式

本发明实施例提供的一种多类型线宽测量方法及装置，解决了目前的采用人眼量测来完成，误差大、效率低的技术问题，以及定性通断测试，无法测得线宽尺寸的实际值的技术问题，且X射线对细导线成像效果变差的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，本发明实施例提供的一种多类型线宽测量方法的一个实施例包括：

101、对采集的测试图像进行预处理，获取测试图像中的导线边缘轮廓对应的特征值；

本实施例中，当需要对不同类型的导线的线宽进行测量分析，首先需要对采集的测试图像进行预处理，获取测试图像中的导线边缘轮廓对应的特征值。

102、将特征值与预置的先验特征值进行比对，并根据比对结果确定导线满足的先验特征类别；

当对采集的测试图像进行预处理，获取测试图像中的导线边缘轮廓对应的特征值之后，需要将特征值与预置的先验特征值进行比对，并根据比对结果确定导线满足的先验特征类别，先验特征类别包括最优特征和不理想特征。

103、根据确定的先验特征类别进行对应的线宽计算。

当将特征值与预置的先验特征值进行比对，并根据比对结果确定导线满足的先验特征类别之后，需要根据确定的先验特征类别进行对应的线宽计算。

本实施例中，通过对采集的测试图像进行预处理，获取测试图像中的导线边缘轮廓对应的特征值，然后将特征值与预置的先验特征值进行比对，并根据比对结果确定导线满足的先验特征类别，再根据确定的先验特征类别进行对应的线宽计算，基于先确立线宽边缘的先验特征类型，然后分析比较被测线宽的特征类型与之匹配，最后选择具体的检测方法来检测线宽及其毛边距离，解决了目前的采用人眼量测来完成，误差大、效率低的技术问题，以及定性通断测试，无法测得线宽尺寸的实际值的技术问题，且X射线对细导线成像效果变差的技术问题。

上面是对多类型线宽测量方法的过程进行详细的描述，下面将对请参阅图1，本发明实施例提供的一种多类型线宽测量方法的一个实施例包括：

201、采集导线的线宽及毛边的测试图像，并提取通过鼠标框选的待测区域；

本实施例中，当需要对不同类型的导线的线宽进行测量分析，首先需要采集导线的线宽及毛边的测试图像，并提取通过鼠标框选的待测区域。

202、对待测区域依次进行预处理、OTSU算法处理和Canny边缘检测算法处理，确定导线的线宽及毛边的边缘轮廓；

当采集导线的线宽及毛边的测试图像，并提取通过鼠标框选的待测区域之后，需要对待测区域依次进行预处理、OTSU算法(最大类间方差法)处理和Canny边缘检测算法处理，确定导线的线宽及毛边的边缘轮廓。

需要说明的是，前述的预处理可以是借助高斯平滑滤波和形态学处理，消除噪声和干扰点。

203、对确定的边缘轮廓通过采用Hough直线检测算法，确定直线密集区域直线数与总检测直线数的第一比值；

当对待测区域依次进行预处理、OTSU算法处理和Canny边缘检测算法处理，确定导线的线宽及毛边的边缘轮廓之后，需要对确定的边缘轮廓通过采用Hough直线检测算法，确定直线密集区域直线数与总检测直线数的第一比值。

204、对确定的边缘轮廓通过采用FindContour边缘连续轮廓检测算法，确定表示所示导线的线宽及毛边区域的边缘权重的第二比值；

当对待测区域依次进行预处理、OTSU算法处理和Canny边缘检测算法处理，确定导线的线宽及毛边的边缘轮廓之后，及步骤203的同时，需要对确定的边缘轮廓通过采用FindContour边缘连续轮廓检测算法，确定表示所示导线的线宽及毛边区域的边缘权重的第二比值。

必须说明的是，特征值为二维特征值(第一比值，第二比值)。

205、将第一比值和第二比值与预置的先验特征值的第一阈值和第二阈值进行比对，若第一比值大于第一阈值，则执行步骤206，若第一比值不大于第一阈值，则执行步骤209；

当步骤204和步骤205之后，需要将第一比值和第二比值与预置的先验特征值的第一阈值和第二阈值进行比对，若第一比值大于第一阈值，则执行步骤206，若第一比值不大于第一阈值，则执行步骤209。

206、判断第二比值是否大于第二阈值，若第二比值大于第二阈值，则执行步骤207，若第二比值不大于第二阈值，则执行步骤208；

当将第一比值和第二比值与预置的先验特征值的第一阈值和第二阈值进行比对，为第一比值大于第一阈值，则判断第二比值是否大于第二阈值，若第二比值大于第二阈值，则执行步骤207，若第二比值不大于第二阈值，则执行步骤208。

207、确定特征值属于第一先验特征值；

当判断第二比值大于第二阈值，则确定特征值属于第一先验特征值。

208、确定特征值属于第二先验特征值；

当判断第二比值不大于第二阈值，则确定特征值属于第二先验特征值。

209、判断第二比值是否大于第二阈值，若第二比值大于第二阈值，则执行步骤210，若第二比值不大于第二阈值，则执行步骤211；

当将第一比值和第二比值与预置的先验特征值的第一阈值和第二阈值进行比对，为第一比值不大于第一阈值，则判断第二比值是否大于第二阈值，若第二比值大于第二阈值，则执行步骤210，若第二比值不大于第二阈值，则执行步骤211。

210、确定特征值属于第三先验特征值；

当判断第二比值大于第二阈值，则确定特征值属于第三先验特征值。

211、确定特征值属于第四先验特征值；

当判断第二比值不大于第二阈值，则确定特征值属于第四先验特征值。

212、根据确定的第一先验特征值，进行对应的导线的线宽及毛边的双向逐点扫描，以确定导线的线宽距离及毛边距离；

当步骤207的确定特征值属于第一先验特征值之后，需要根据确定的第一先验特征值，进行对应的导线的线宽及毛边的双向逐点扫描，以确定导线的线宽距离及毛边距离。

213、根据确定的第二先验特征值或第三先验特征值，对对应的导线的线宽及毛边的采用预置梯度峰值分析法，进行导线的线宽距离及毛边距离的计算；

当步骤208和/或步骤210的确定特征值属于第二先验特征值或第三先验特征值之后，需要根据确定的第二先验特征值或第三先验特征值，对对应的导线的线宽及毛边的采用预置梯度峰值分析法，进行导线的线宽距离及毛边距离的计算。

214、根据确定的第四先验特征值，对对应的导线的线宽及毛边的采用基于概率统计的Hough变换，进行导线的线宽距离及毛边距离的计算。

当步骤211的确定特征值属于第四先验特征值之后，需要根据确定的第四先验特征值，对对应的导线的线宽及毛边的采用基于概率统计的Hough变换，进行导线的线宽距离及毛边距离的计算。

下面以一具体应用场景对步骤201至214进行详细的描述，如图5所示，应用例包括：

通过对大量不同类型的导线进行测量分析，可以将其边缘轮廓二值图归纳为四大先验特征图(如图6(a)至(d)所示)。图6(a)为先验特征1和图6(c)为先验特征3为最优特征，其线宽边缘及其毛边边缘都保留的相对完整，主要区别是来自中间区域的干扰不同；而图6(b)为先验特征2和图6(d)为先验特征4相对而言较为不理想，边缘信息有所丢失，导致不容易抓取到边缘轮廓线。

在测量线宽时，首先会对被测图像进行图像预处理、边缘检测和轮廓提取，同时对轮廓的特征进行分析，判断被测对象的轮廓信息属于上述先验特征的哪一种。而对于上述四种不同类型的先验特征本文设计了三种针对性的检测方法，其中检测方法1主要立足于周边扫描，克服中间信息的干扰，适用于先验特征1和先验特征2；检测方法2主要采用模板遍历的梯度峰值分析法，抗孤立点、离散块、氧化等环境干扰能力较强，适用于先验特征2和先验特征3；检测方法3主要是基于概率统计的Hough变换，可以与检测方法2搭配使用，对缺少信息量的间断边缘也可以拟合出边缘直线，适用于先验特征3。当被测对象的轮廓信息匹配到对应的先验特征后，则选用相对应的检测方法重新进行图像分析处理，然后测量得到相对应的线宽间距值。

根据上述原理，设计算法流程如图5所示，根据其具体功能总体上可以分为特征提取、特征比较分析和线宽检测三个部分：

(1)特征提取部分。首先采集导线线宽及其毛边的清晰图像，鼠标框选需要检测的具体线宽区域；借助高斯平滑滤波和形态学处理，消除噪声和干扰点，然后利用最大类间方差(Otsu)选取最佳阈值将图像前景部分准确分割出来，再用Canny边缘检测算法得到导线线宽及其毛边的边缘轮廓；最后凭借Hough直线检测算法，适当设定检测直线的最少点数和点间最大连接距离，计算直线密集区域直线数与总检测直线数的比值h₀，即代表导线中心区域的细节权重，并利用FindContour(边缘连续轮廓检测)找到线宽边缘的一段段连续的轮廓，根据所检测到轮廓的长度和面积设定阈值重点选取合适的线宽及其毛边轮廓，在选取的连续轮廓中计算大于m(m＝2*(最大轮廓像素点总数+最小轮廓像素点总数)/3)的轮廓个数f₀，即代表导线线宽及其毛边区域的边缘权重，从而得到特征比较值(h₀，f₀)，另外根据大量导线测试得到一个可以作为最佳特征分类的经验比较值(h，f)。

(2)特征比较分析部分。此部分主要是比较特征比较值(h₀，f₀)和经验比较值(h，f)，从而将被测导线的线宽特征与先前预设的四大特征类型进行匹配，然后根据匹配到的特征类型采取相对应的检测算法进行线宽及其毛边的检测。其中，h为中心区域信息量大小的门阀阈值，f为线宽及其毛边边缘轮廓线的门阀阈值，总体上将(h₀>h，f₀>f)的图像定义为高信息量(或高对比度)线宽中心、高信息量线宽边缘图像，定为先验特征1，采用检测方法1检测；将(h₀>h，f₀<f)的图像定义为高信息量线宽中心、低信息量线宽边缘的图像，定为先验特征2，采用检测方法2检测；将(h₀>h，f₀>f)的图像定义为低信息量线宽中心、高信息量线宽边缘图像，定为先验特征3，采用检测方法2检测；将(h₀>h，f₀<f)图像定以为低信息量线宽中心、低信息量线宽边缘图像，定为先验特征4，采用检测方法3检测。

(3)线宽检测部分。此部分提供了三种可供自动切换的线宽及其毛边检测方法[1][3]，各检测算法针对相对应的先验特征都能达到很好的检测效果。

检测方法1，主要针对线宽中心区域高信息量的特征图像，此类特征会导致Hough线检测、灰度值梯度峰值检测等检测方法无法分离线宽中心区域和线宽边缘及其毛边区域，从而导致误检。这里采用双向逐点扫描遍历得到代表线宽上边线、下边线、上毛边、下毛边的四个点集P[1]、P[2]、P[3]、P[4]；对边缘点筛选优化后拟合得到的边缘直线L1、L2、L3、L4；取中心点互作垂线即可得到四条线的垂点C1、C2、C3、C4，根据四个垂点即可求得线宽距离S1和毛边距离S2。由于逐点扫描受线宽方向的影响，因此可通过对线宽轮廓图求最小外接矩形得到其倾斜角度，然后采用旋转仿射变换(如公式1所示)将线宽轮廓旋转至垂直状态，最终得到线宽及其毛边距离S11和S12。

公式1为 $\left[\begin{array}{c}{x}^{\&prime;}\\ y^{\&prime;}\end{array}\right]=\left[\begin{array}{cc}cos\mathrm{\&alpha;}& -sin\mathrm{\&alpha;}\\ sin\mathrm{\&alpha;}& \cos \mathrm{\&alpha;}\end{array}\right]\left[\begin{array}{c}x\\ y\end{array}\right]+\left[\begin{array}{c}offset.x\\ offset.y\end{array}\right];$

公式1中x、y表示原像素点坐标，x'、y'表示旋转后的点，α为轮廓倾斜角度，offset.x、offset.y为轮廓中心的偏移坐标。

检测方法2，主要针对常规线宽图像中的高氧化、背景干扰大、导线环境恶劣的情况，这种情况下的PCB、FPC板表面环境复杂，人眼手动拉选测量都会受到影响。因此采取先用标准Hough变换判断线宽轮廓的方向，Canny边缘检测初定位边缘轮廓，然后设置16像素掩码矩阵，将左八位像素点的灰度值记作x1～x8为样本A，右八位像素点的灰度值记作y1～y8为样本B，依据双总体t检验的变化式(如公式2所示)，在粗定边缘轮廓的附近按与线宽轮廓垂直的方向滑动检测(若滑动步长为亚像素级，则可完成亚像素边缘定位)，得到四个梯度变化最大的峰值，对应四条边缘直线，从而求得相应线宽及毛边距离。

公式2为 $t(x,y)=\frac{|\stackrel{\&OverBar;}{x}-\stackrel{\&OverBar;}{y}|}{\sqrt{\frac{S_x^2}{n_x}+\frac{S_y^2}{n_y}+k}};$

公式2中表示样本A和样本B的平均值，表示总体标准差的估计量，为样本标准差，n为样本元素个数，k为补偿常数。

检测方法3，主要针对对比度较低、图像信息量较少、导线颜色与背景颜色相近、打光不当导致的图像偏暗、图像较模糊质量较差等缺少检测信息的情况。这里采用基于统计概率的Hough(x₀，y₀，x₁，y₁)直线变换，通过将直线从笛卡尔坐标系中的(b,k)斜率和截距映射到极坐标系中的(r,θ)的极径和极角形成峰值，从而把检测直线的问题转化为统计峰值问题，对邻近点和共线点进行统计估算出直线段。其中的主要限制参数有三个，分别为直线所需最少曲线交点、直线最少点数和点间最大间距，用来设定直线检测的灵敏度。在检测到的直线容器中，可以利用直线的方向、长度、离中心点的距离等限制条件来进行剥离，最后筛选得到我们所需要的线宽直线，从而计算出线宽距离。

在使用上述方法实际测量中，硬件图像采集部分采用了分辨率为0.42～2.68μm/pixel，视野范围为3.3mm×2.5mm～0.53mm×0.4mm，电子放大50倍，光学放大1.4倍～9倍连续可调的高感光彩色CCD相机，光源为LED环形光(亮度连续可调)，相机标定是采用基于标准片的参照物标定法。采集到的图像数据最终传输到PC上后用配置有OpenCV(Open Source Computer VisionLibrary)的Visual Studio 2010平台进行相关的图像分析处理。

首先对常规的PCB和FCB导线进行线宽检测，效果如图7所示，其中图7(a)为PCB上常规导线，图7(b)为FCB上常规导线，图7(c)为高氧化线宽，图7(d)为低质量线宽。

本测量方法能对于绝大多数的常规PCB、FCB线宽进行测量，对于有线宽毛边的可以检测出线宽及其毛边的距离，对于没线宽毛边的(如图7(c)所示)则只检测线宽距离。除此之外还能对其他类型的导线进行检测(如图8所示)，如对金(图8(a))、银(图8(b))、陶(图8(c))、瓷(图8(d))、膜(图8(e)和(图8(f)))等材质导线的检测。

从图8可以看出在对图8(b)银的检测中，导线的左线宽没有毛边，但由于背景的干扰仍然误检出了左毛边；在对图8(f)膜B的检测中，由于线宽毛边及小且对比度低，从而导致只检测到线宽距离没有检测到毛边距离。除此之外，对其它类型导线的线宽及毛边检测效果都很好，

从而验证了此测量方法适用于各类导线的线宽测量。

通过对五种不同材质的线路板上导线(均含毛边)的不同部位分别进行20次检测(标定当量C＝1.627μm/pixel)，分别测取上下线宽距离和上下毛边距离，对测得间距以重复精度(修正标准差)来表示测量精度，得到的测量数据如表1所示：

表1

在标定当量C＝1.627μm/pixel的环境下，根据测量得到线宽距和毛边距可以看出，测量精度在一个像素上下。此外，毛边距的测量误差要大于线宽距，导致这种结果的原因主要有两点：(1)线宽边缘属于强边缘而毛边边缘属于弱边缘，线宽边缘信息量更多；(2)毛边边缘的不规则性更突出，直线拟合误差较大。

本实施例中，通过对采集的测试图像进行预处理，获取测试图像中的导线边缘轮廓对应的特征值，然后将特征值与预置的先验特征值进行比对，并根据比对结果确定导线满足的先验特征类别，再根据确定的先验特征类别进行对应的线宽计算，基于先确立线宽边缘的先验特征类型，然后分析比较被测线宽的特征类型与之匹配，最后选择具体的检测方法来检测线宽及其毛边距离，解决了目前的采用人眼量测来完成，误差大、效率低的技术问题，以及定性通断测试，无法测得线宽尺寸的实际值的技术问题，且X射线对细导线成像效果变差的技术问题，进一步地本实施例适用于多种类型导线检测的线宽测量方法，通过先确立线宽边缘的先验特征类型，然后分析比较被测线宽的特征类型与之匹配，最后选择具体的检测方法来检测线宽及其毛边距离，该方法经在ASIDA线宽测量仪上实现，重复测量精度达到了2μm以内，误差控制在1个像素左右，且适用于各类导线的测量，不仅测量精度高、测量稳定，而且适用范围广、实用性强。目前已经有几十家PCB相关厂家在使用，使用者对检测效果反应良好。但随着线路材料和工艺的不断革新，线路的特征类型也在不断推陈出新，未来采用基于模式识别和在线(离线)学习的方法进行检测将更为有效。

请参阅图3，本实施例中提供的一种多类型线宽测量装置的一个实施例包括：

预处理单元301，用于对采集的测试图像进行预处理，获取测试图像中的导线边缘轮廓对应的特征值；

比对单元302，用于将特征值与预置的先验特征值进行比对，并根据比对结果确定导线满足的先验特征类别，先验特征类别包括最优特征和不理想特征；

计算单元303，用于根据确定的先验特征类别进行对应的线宽计算。

本实施例中，通过预处理单元301对采集的测试图像进行预处理，获取测试图像中的导线边缘轮廓对应的特征值，然后比对单元302将特征值与预置的先验特征值进行比对，并根据比对结果确定导线满足的先验特征类别，计算单元303再根据确定的先验特征类别进行对应的线宽计算，基于先确立线宽边缘的先验特征类型，然后分析比较被测线宽的特征类型与之匹配，最后选择具体的检测方法来检测线宽及其毛边距离，解决了目前的采用人眼量测来完成，误差大、效率低的技术问题，以及定性通断测试，无法测得线宽尺寸的实际值的技术问题，且X射线对细导线成像效果变差的技术问题。

上面是对多类型线宽测量装置的各单元进行详细的描述，下面将对子单元进行详细的描述，请参阅图4，本实施例中提供的一种多类型线宽测量装置的一个实施例包括：

预处理单元401，用于对采集的测试图像进行预处理，获取测试图像中的导线边缘轮廓对应的特征值；

预处理单元401具体包括：

待测区域确定子单元4011，用于采集导线的线宽及毛边的测试图像，并提取通过鼠标框选的待测区域；

边缘轮廓确定子单元4012，用于对待测区域依次进行预处理、OTSU算法处理和Canny边缘检测算法处理，确定导线的线宽及毛边的边缘轮廓；

特征值确定子单元4013，用于根据边缘轮廓确定对应的特征值。

特征值确定子单元4013具体包括：

第一比值确定模块4013a，用于对确定的边缘轮廓通过采用Hough直线检测算法，确定直线密集区域直线数与总检测直线数的第一比值；

第二比值确定模块4013b，用于对确定的边缘轮廓通过采用FindContour边缘连续轮廓检测算法，确定表示所示导线的线宽及毛边区域的边缘权重的第二比值；

其中，特征值为二维特征值(第一比值，第二比值)。

比对单元402，用于将特征值与预置的先验特征值进行比对，并根据比对结果确定导线满足的先验特征类别，先验特征类别包括最优特征和不理想特征；

比对单元402具体包括：

比对子单元4021，用于将第一比值和第二比值与预置的先验特征值的第一阈值和第二阈值进行比对，若第一比值大于第一阈值，则触发第一判断子单元4022，若第一比值不大于第一阈值，则触发第二判断子单元4023；

第一判断子单元4022，用于判断第二比值是否大于第二阈值，若第二比值大于第二阈值，则确定特征值属于第一先验特征值，若第二比值不大于第二阈值，则确定特征值属于第二先验特征值；

第二判断子单元4023，用于判断第二比值是否大于第二阈值，若第二比值大于第二阈值，则确定特征值属于第三先验特征值，若第二比值不大于第二阈值，则确定特征值属于第四先验特征值；

第一阈值表示中心区域信息量大小的门阀阈值，第二阈值表示线宽及毛边边缘轮廓线的门阀阈值。

计算单元403，用于根据确定的先验特征类别进行对应的线宽计算。

计算单元403具体包括：

第一计算子单元4031，用于根据确定的第一先验特征值，进行对应的导线的线宽及毛边的双向逐点扫描，以确定导线的线宽距离及毛边距离；

或

第二计算子单元4032，用于根据确定的第二先验特征值或第三先验特征值，对对应的导线的线宽及毛边的采用预置梯度峰值分析法，进行导线的线宽距离及毛边距离的计算；

或

第三计算子单元4033，用于根据确定的第四先验特征值，对对应的导线的线宽及毛边的采用基于概率统计的Hough变换，进行导线的线宽距离及毛边距离的计算。

本实施例中，通过预处理单元401对采集的测试图像进行预处理，获取测试图像中的导线边缘轮廓对应的特征值，然后比对单元402将特征值与预置的先验特征值进行比对，并根据比对结果确定导线满足的先验特征类别，计算单元403再根据确定的先验特征类别进行对应的线宽计算，基于先确立线宽边缘的先验特征类型，然后分析比较被测线宽的特征类型与之匹配，最后选择具体的检测方法来检测线宽及其毛边距离，解决了目前的采用人眼量测来完成，误差大、效率低的技术问题，以及定性通断测试，无法测得线宽尺寸的实际值的技术问题，且X射线对细导线成像效果变差的技术问题，进一步地本实施例适用于多种类型导线检测的线宽测量方法，通过先确立线宽边缘的先验特征类型，然后分析比较被测线宽的特征类型与之匹配，最后选择具体的检测方法来检测线宽及其毛边距离，该方法经在ASIDA线宽测量仪上实现，重复测量精度达到了2μm以内，误差控制在1个像素左右，且适用于各类导线的测量，不仅测量精度高、测量稳定，而且适用范围广、实用性强。目前已经有几十家PCB相关厂家在使用，使用者对检测效果反应良好。但随着线路材料和工艺的不断革新，线路的特征类型也在不断推陈出新，未来采用基于模式识别和在线(离线)学习的方法进行检测将更为有效。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种多类型线宽测量方法，其特征在于，包括：

对采集的测试图像进行预处理，获取所述测试图像中的导线边缘轮廓对应的特征值；

将所述特征值与预置的先验特征值进行比对，并根据比对结果确定所述导线满足的先验特征类别，所述先验特征类别包括最优特征和不理想特征；

根据确定的所述先验特征类别进行对应的线宽计算。

2.根据权利要求1所述的多类型线宽测量方法，其特征在于，对采集的测试图像进行预处理，获取所述测试图像中的导线边缘轮廓对应的特征值具体包括：

采集所述导线的线宽及毛边的所述测试图像，并提取通过鼠标框选的待测区域；

对所述待测区域依次进行预处理、OTSU算法处理和Canny边缘检测算法处理，确定所述导线的线宽及毛边的边缘轮廓；

根据所述边缘轮廓确定对应的所述特征值。

3.根据权利要求2所述的多类型线宽测量方法，其特征在于，根据所述边缘轮廓确定对应的所述特征值具体包括：

对确定的所述边缘轮廓通过采用Hough直线检测算法，确定直线密集区域直线数与总检测直线数的第一比值；

以及，对确定的所述边缘轮廓通过采用FindContour边缘连续轮廓检测算法，确定表示所示导线的线宽及毛边区域的边缘权重的第二比值；

其中，所述特征值为二维特征值(第一比值，第二比值)。

4.根据权利要求3所述的多类型线宽测量方法，其特征在于，将所述特征值与预置的先验特征值进行比对，并根据比对结果确定所述导线满足的先验特征类别具体包括：

将所述第一比值和所述第二比值与预置的先验特征值的第一阈值和第二阈值进行比对，若所述第一比值大于所述第一阈值，则判断所述第二比值是否大于所述第二阈值，若所述第二比值大于所述第二阈值，则确定所述特征值属于第一先验特征值，若所述第二比值不大于所述第二阈值，则确定所述特征值属于第二先验特征值；

若所述第一比值不大于所述第一阈值，则判断所述第二比值是否大于所述第二阈值，若所述第二比值大于所述第二阈值，则确定所述特征值属于第三先验特征值，若所述第二比值不大于所述第二阈值，则确定所述特征值属于第四先验特征值；

所述第一阈值表示中心区域信息量大小的门阀阈值，所述第二阈值表示线宽及毛边边缘轮廓线的门阀阈值。

5.根据权利要求4所述的多类型线宽测量方法，其特征在于，根据确定的所述先验特征类别进行对应的线宽计算具体包括：

根据确定的所述第一先验特征值，进行对应的所述导线的线宽及毛边的双向逐点扫描，以确定所述导线的线宽距离及毛边距离；

或

根据确定的所述第二先验特征值或第三先验特征值，对对应的所述导线的线宽及毛边的采用预置梯度峰值分析法，进行所述导线的线宽距离及毛边距离的计算；

或

根据确定的所述第四先验特征值，对对应的所述导线的线宽及毛边的采用基于概率统计的Hough变换，进行所述导线的线宽距离及毛边距离的计算。

6.一种多类型线宽测量装置，其特征在于，包括：

预处理单元，用于对采集的测试图像进行预处理，获取所述测试图像中的导线边缘轮廓对应的特征值；

比对单元，用于将所述特征值与预置的先验特征值进行比对，并根据比对结果确定所述导线满足的先验特征类别，所述先验特征类别包括最优特征和不理想特征；

计算单元，用于根据确定的所述先验特征类别进行对应的线宽计算。

7.根据权利要求6所述的多类型线宽测量装置，其特征在于，预处理单元具体包括：

待测区域确定子单元，用于采集所述导线的线宽及毛边的所述测试图像，并提取通过鼠标框选的待测区域；

边缘轮廓确定子单元，用于对所述待测区域依次进行预处理、OTSU算法处理和Canny边缘检测算法处理，确定所述导线的线宽及毛边的边缘轮廓；

特征值确定子单元，用于根据所述边缘轮廓确定对应的所述特征值。

8.根据权利要求7所述的多类型线宽测量装置，其特征在于，特征值确定子单元具体包括：

第一比值确定模块，用于对确定的所述边缘轮廓通过采用Hough直线检测算法，确定直线密集区域直线数与总检测直线数的第一比值；

第二比值确定模块，用于对确定的所述边缘轮廓通过采用FindContour边缘连续轮廓检测算法，确定表示所示导线的线宽及毛边区域的边缘权重的第二比值；

其中，所述特征值为二维特征值(第一比值，第二比值)。

9.根据权利要求8所述的多类型线宽测量装置，其特征在于，比对单元具体包括：

比对子单元，用于将所述第一比值和所述第二比值与预置的先验特征值的第一阈值和第二阈值进行比对，若所述第一比值大于所述第一阈值，则触发第一判断子单元，若所述第一比值不大于所述第一阈值，则触发第二判断子单元；

所述第一判断子单元，用于判断所述第二比值是否大于所述第二阈值，若所述第二比值大于所述第二阈值，则确定所述特征值属于第一先验特征值，若所述第二比值不大于所述第二阈值，则确定所述特征值属于第二先验特征值；

所述第二判断子单元，用于判断所述第二比值是否大于所述第二阈值，若所述第二比值大于所述第二阈值，则确定所述特征值属于第三先验特征值，若所述第二比值不大于所述第二阈值，则确定所述特征值属于第四先验特征值；

所述第一阈值表示中心区域信息量大小的门阀阈值，所述第二阈值表示线宽及毛边边缘轮廓线的门阀阈值。

10.根据权利要求9所述的多类型线宽测量装置，其特征在于，计算单元具体包括：

第一计算子单元，用于根据确定的所述第一先验特征值，进行对应的所述导线的线宽及毛边的双向逐点扫描，以确定所述导线的线宽距离及毛边距离；

或

第二计算子单元，用于根据确定的所述第二先验特征值或第三先验特征值，对对应的所述导线的线宽及毛边的采用预置梯度峰值分析法，进行所述导线的线宽距离及毛边距离的计算；

或

第三计算子单元，用于根据确定的所述第四先验特征值，对对应的所述导线的线宽及毛边的采用基于概率统计的Hough变换，进行所述导线的线宽距离及毛边距离的计算。