CN107578431A - 一种Mark点视觉识别方法 - Google Patents
一种Mark点视觉识别方法 Download PDFInfo
- Publication number
- CN107578431A CN107578431A CN201710642181.1A CN201710642181A CN107578431A CN 107578431 A CN107578431 A CN 107578431A CN 201710642181 A CN201710642181 A CN 201710642181A CN 107578431 A CN107578431 A CN 107578431A
- Authority
- CN
- China
- Prior art keywords
- feature
- suspected target
- doubtful
- mark points
- target
- 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 38
- 230000000007 visual effect Effects 0.000 title claims abstract description 29
- 238000012937 correction Methods 0.000 claims abstract description 24
- 239000007787 solid Substances 0.000 claims description 11
- 230000004438 eyesight Effects 0.000 description 33
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 239000000853 adhesive Substances 0.000 description 5
- 230000001070 adhesive effect Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000003292 glue Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种Mark点视觉识别方法,通过采集与Mark点几何特征相似的疑似目标的图像,并生成疑似目标结果集;根据Mark点的标准模板分别计算疑似目标结果集中每个疑似目标的缩放参数和旋转参数;利用该缩放参数和旋转参数分别校正标准模板,获得与每个疑似目标一一对应的校正模板;将每个疑似目标分别与校正模板一一对应进行匹配,并分别记录匹配值得到匹配值集合;确定该匹配值集合中最佳匹配值对应的疑似目标为Mark点,该最佳匹配值为属于最佳匹配值范围内的匹配值。由此可知,通过分别依据疑似目标的大小和方位校正Mark点的标准模板,并将校正得到的校正模板分别与疑似目标进行匹配,取最佳匹配值对应的疑似目标为Mark点,能够有效提高Mark点识别的准确率。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种Mark点视觉识别方法。
背景技术
近年来,随着3C产品的普及,3C产品即计算机(Computer)、通信(Communication)和消费类电子产品(Consumer Electronics)三者结合,亦称“信息家电”。3C领域的印刷电路板(Printed Circuit Board,PCB)制造越来越向着高集成度方向发展,制造过程也越来越依赖于基于机器视觉技术的自动化设备。生产中,为了实现机器视觉的辅助定位,一般都会在PCB板上设计Mark点(标识点)。例如在电路板自动点胶过程中,点胶机器人的视觉系统识别定位出Mark点的坐标位置,就可以通过Mark点与点胶起始点的相对位置关系计算出点胶起始点的坐标。其中,Mark点识别与定位算法的可靠性和处理精度将直接影响机器人的操作精度。通过优化Mark点识别与定位算法,提高其定位精度和可靠性,可以有效地提高生产质量,降低次品率和生产成本。
现有技术中,传统模板匹配算法在Mark点识别中不具有缩放和旋转不变性的问题,并且其中一些特征匹配算法在Mark点识别中实时性差、准确率低,无法准确识别Mark点。
本发明针对传统模板匹配算法中点胶机器人的Mark点视觉识别问题,通过对Mark点的显著几何特征进行分析,提出一种面向点胶机器人的Mark点视觉识别方法。
发明内容
本发明实施例提供了一种Mark点视觉识别方法,通过分别依据疑似目标的大小和方位校正Mark点的标准模板,并将校正得到的校正模板分别与疑似目标进行匹配,取最佳匹配值对应的疑似目标为Mark点,能够有效提高Mark点识别的准确率。
有鉴于此,本发明第一方面提供了一种Mark点视觉识别方法,所述方法应用于印制电路板上Mark点识别定位,所述方法包括:
采集疑似目标的图像,并生成疑似目标结果集,所述疑似目标与所述Mark点的几何特征相同;
根据所述Mark点的标准模板分别计算所述疑似目标结果集中每个疑似目标的缩放参数和旋转参数;
利用所述缩放参数和旋转参数校正所述标准模板,获得与所述每个疑似目标一一对应的校正模板;
将所述每个疑似目标分别与所述校正模板一一对应进行匹配,并分别记录匹配值得到匹配值集合;
确定所述匹配值集合中最佳匹配值对应的疑似目标为所述Mark点,所述最佳匹配值为属于最佳匹配值范围内的匹配值。
进一步的,所述Mark点的几何特征包括:第一特征、第二特征以及第三特征,所述第一特征在所述第二特征内部,所述第二特征在所述第三特征内部,且所述第一特征、第二特征以及第三特征的中心相同;
所述第一特征为实心圆,所述第二特征为N边形轮廓,所述第三特征为圆形轮廓,所述N为大于或等于3的正整数。
进一步的,所述采集疑似目标的图像包括:
依次根据所述Mark点的所述第一特征、第二特征以及第三特征搜索所述疑似目标,并采集所述疑似目标的图像。
进一步的,所述采集疑似目标的图像包括:
将所述疑似目标的几何特征与所述第一特征、第二特征以及第三特征依次进行匹配,并在所述疑似目标的几何特征与所述第一特征、第二特征以及第三特征依次匹配时确定采集所述疑似目标的图像。
进一步的,若所述疑似目标的几何特征与所述第一特征匹配,与所述第二特征不匹配,则不将所述疑似目标的几何特征与所述第三特征进行匹配,且确定所述疑似目标非所述Mark点;
若所述疑似目标的几何特征与所述第一特征不匹配,则不将所述疑似目标的几何特征与所述第二特征和第三特征进行匹配,且确定所述疑似目标非所述Mark点。
进一步的,所述疑似目标的几何特征包括:第一疑似特征、第二疑似特征以及第三疑似特征,所述第一疑似特征在所述第二疑似特征的内部,所述第二疑似特征在所述第三疑似特征内部,且所述第一疑似特征、第二疑似特征以及第三疑似特征的中心相同,所述第一疑似特征为类圆形实心形状,所述第二疑似特征为多边框形形状,所述第三疑似特征为类圆形状。
进一步的,所述依次确定所述疑似目标的几何特征与所述第一特征、第二特征以及第三特征匹配包括:
绕所述第一疑似特征的中心旋转,每间隔2π/N计算一次所述第一疑似特征的边缘至中心的距离,若M次计算得到的结果在误差范围内相同,则确定所述第一疑似特征为实心圆形,所述第一疑似特征与所述第一特征匹配,所述M与所述N数值相等;
绕所述第二疑似特征的中心旋转,每间隔2π/N计算一次所述第二疑似特征的边缘至中心的距离,若所述M次计算得到的结果在所述误差范围内相同,则确定所述第二疑似特征为N边形,所述第二疑似特征与所述第二特征匹配;
绕所述第三疑似特征的中心旋转,每间隔2π/N计算一次所述第三疑似特征的边缘至中心的距离,若所述M次计算得到的结果在所述误差范围内相同,则确定所述第三疑似特征为圆形,所述第三疑似特征与所述第三特征匹配。
进一步的,所述根据所述Mark点的标准模板分别计算所述疑似目标结果集中每个疑似目标的缩放参数和旋转参数包括:
通过缩放计算式计算所述疑似目标结果集中所述每个疑似目标的所述缩放参数,以及,通过旋转计算式计算所述目标结果集中所述每一疑似目标的所述旋转参数;
所述缩放计算式包括:
T=r/R;
其中,所述T为所述缩放参数,所述r为所述疑似目标中所述第三疑似特征的半径,所述R为所述标准模板中所述第三特征的半径;
所述旋转计算式包括:
θ=±cos-1(TM/L);
其中,所述θ为所述旋转参数,所述M为所述标准模板中所述第二特征的中心至边缘的垂直距离,所述L为所述疑似目标中所述第二疑似特征的中心至边缘的垂直距离。
进一步的,所述利用所述缩放参数和旋转参数校正所述标准模板包括:
利用所述缩放参数和旋转参数对所述标准模板进行缩放和旋转。
进一步的,所述获得与所述每个疑似目标一一对应的校正模板包括:
对所述校正后的标准模板中所述第三特征作内接矩形,截取所述矩形内的图像作为所述校正模板。
本发明第二方面提供了一种Mark点视觉识别系统,包括:
采集模块,用于采集疑似目标的图像,并生成疑似目标结果集,该疑似目标与Mark点的几何特征相同;
计算模块,用于根据该Mark点的标准模板分别计算疑似目标结果集中每个疑似目标的缩放参数和旋转参数;
校正模块,用于利用该缩放参数和旋转参数校正标准模板,获得与该每个疑似目标一一对应的校正模板;
匹配模块,用于将每个疑似目标分别与校正模板一一对应进行匹配,并分别记录匹配值得到匹配值集合;
确定模块,用于确定该匹配值集合中最佳匹配值对应的疑似目标为该Mark点,该最佳匹配值为属于最佳匹配值范围内的匹配值。
进一步的,该Mark点的几何特征可以包括:第一特征、第二特征以及第三特征,该第一特征在第二特征内部,该第二特征在第三特征内部,且该第一特征、第二特征以及第三特征的中心相同;
该第一特征为实心圆,该第二特征为N边形轮廓,该第三特征为圆形轮廓,N为大于或等于3的正整数。
进一步的,该采集模块具体可以用于:
依次根据Mark点的第一特征、第二特征以及第三特征搜索该疑似目标,并采集该疑似目标的图像。
进一步的,该采集模块具体还可以用于:
将该疑似目标的几何特征与该第一特征、第二特征以及第三特征依次进行匹配,并在该疑似目标的几何特征与该第一特征、第二特征以及第三特征依次匹配时确定采集该疑似目标的图像。
进一步的,该采集模块具体还可以用于:
若该疑似目标的几何特征与该第一特征匹配,与该第二特征不匹配,则不将该疑似目标的几何特征与该第三特征进行匹配,且确定该疑似目标非Mark点;
若该疑似目标的几何特征与该第一特征不匹配,则不将该疑似目标的几何特征与该第二特征和第三特征进行匹配,且确定该疑似目标非Mark点。
进一步的,该疑似目标的几何特征可以包括:第一疑似特征、第二疑似特征以及第三疑似特征,该第一疑似特征在该第二疑似特征的内部,该第二疑似特征在该第三疑似特征内部,且该第一疑似特征、第二疑似特征以及第三疑似特征的中心相同,该第一疑似特征为类圆形实心形状,该第二疑似特征为多边框形形状,该第三疑似特征为类圆形状。
进一步的,该采集模块依次确定该疑似目标的几何特征与该第一特征、第二特征以及第三特征匹配包括:
绕第一疑似特征的中心旋转,每间隔2π/N计算一次该第一疑似特征的边缘至中心的距离,若M次计算得到的结果在误差范围内相同,则确定该第一疑似特征为实心圆形,该第一疑似特征与该第一特征匹配,该M与N数值相等;
绕第二疑似特征的中心旋转,每间隔2π/N计算一次该第二疑似特征的边缘至中心的距离,若M次计算得到的结果在该误差范围内相同,则确定该第二疑似特征为N边形,该第二疑似特征与第二特征匹配;
绕第三疑似特征的中心旋转,每间隔2π/N计算一次该第三疑似特征的边缘至中心的距离,若M次计算得到的结果在该误差范围内相同,则确定该第三疑似特征为圆形,该第三疑似特征与第三特征匹配。
进一步的,该计算模块具体可以用于:
通过缩放计算式计算该疑似目标结果集中每个疑似目标的缩放参数,以及,通过旋转计算式计算目标结果集中每一疑似目标的旋转参数;
该缩放计算式可以包括:
T=r/R;
其中,T为该缩放参数,r为该疑似目标中第三疑似特征的半径,R为该标准模板中第三特征的半径;
该旋转计算式包括:
θ=±cos-1(TM/L);
其中,θ为该旋转参数,M为该标准模板中第二特征的中心至边缘的垂直距离,L为该疑似目标中第二疑似特征的中心至边缘的垂直距离。
进一步的,该校正模块具体可以用于:
利用该缩放参数和旋转参数对该标准模板进行缩放和旋转。
进一步的,该校正模块具体还可以用于:
对该校正后的标准模板中第三特征作内接矩形,截取该矩形内的图像作为该校正模板。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例中,通过采集与Mark点几何特征相似的疑似目标的图像,并生成疑似目标结果集;根据Mark点的标准模板分别计算疑似目标结果集中每个疑似目标的缩放参数和旋转参数;利用该缩放参数和旋转参数分别校正该标准模板,获得与每个疑似目标一一对应的校正模板;将每个疑似目标分别与校正模板一一对应进行匹配,并分别记录匹配值得到匹配值集合;确定该匹配值集合中最佳匹配值对应的疑似目标为Mark点,该最佳匹配值为属于最佳匹配值范围内的匹配值。由此可知,通过分别依据疑似目标的大小和方位校正Mark点的标准模板,并将校正得到的校正模板分别与疑似目标进行匹配,取最佳匹配值对应的疑似目标为Mark点,能够有效提高Mark点识别的准确率。
附图说明
图1为本发明实施例中点胶机器人的Mark点视觉识别定位系统组成示意图;
图2为本发明实施例中Mark点视觉识别方法一个实施例示意图;
图3为本发明实施例中Mark点标准模板示意图;
图4为本发明实施例中疑似目标的图像示意图;
图5为本发明实施例中校正模板示意图;
图6为本发明实施例中Mark点视觉识别方法的步骤流程处理示意图;
图7为本发明实施例中视觉子系统一个实施例示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应理解的是,本发明应用于点胶机器人的Mark点视觉识别定位系统,在该系统中主要由主控子系统、机器手子系统和视觉子系统组成,其工作流程为:(1)主控子系统命令机器手移动到Mark点采集点;(2)视觉子系统进行Mark点图像采集,采用基于Mark点几何特征的改进型模板匹配算法进行Mark点视觉识别与定位,然后根据Mark点定位坐标计算出点胶起始点坐标;(3)主控子系统指示机器手移动到点胶起始点位置准备点胶。
具体的,可以如图1所示:
S101、主控子系统命令机器手运动到拍照位置;
S102、机器手子系统控制机器手运动到采集点并反馈给主控软件;
S103、主控子系统命令视觉子系统采集图片并定位Mark点;
S104、视觉子系统控制相机采集图像;
S105、视觉子系统采用改进型模板匹配算法进行Mark点视觉识别与定位;
S106、视觉子系统计算得到点胶起始点坐标;
S107、主控子系统命令机器手运动到点胶起始点位置;
S108、机器手子系统控制机器手运动到点胶起始点位置并准备点胶。
本发明所针对的是现有技术中,视觉子系统所使用的传统模板匹配算法中点胶机器人的Mark点视觉识别不准确的问题,并对此提出了改进型模板匹配算法进行Mark点视觉识别,下面参照附图对本发明实施例中Mark点视觉识别方法进行描述,请参阅图2,本发明实施例中Mark点视觉识别方法一个实施例包括:
S201、采集疑似目标的图像,并生成疑似目标结果集;
本发明实施例中Mark点的几何特征可以包括:第一特征、第二特征以及第三特征,并且该第一特征可以在第二特征内部,该第二特征可以在第三特征内部,且该第一特征、第二特征以及第三特征的中心可以相同,即可以同心。
如图3所示,该第一特征可以为实心圆;该第三特征可以为圆形轮廓;该第二特征可以为N边形轮廓,为使得该N边行轮廓能够闭合构成多边形,N的取值可以是大于或等于3的正整数,其中,本发明实施例中,上述N边形轮廓以八边形为例进行说明,即N等于8,但其并不应构成对本发明实施例的限定,其也可以为五边形、六边形等。可以理解的是,上述第一特征也可以为实心方形、实心三角形等,上述第三特征也可以为方形轮廓、星形轮廓等。
可以理解的是,该由实心圆、八边形轮廓以及圆形轮廓所构成的Mark点能够具备显著的几何特征,便于视觉子系统快速搜索到该Mark点。
本步骤中,该视觉子系统可以依次按照上述Mark点的第一特征、第二特征以及第三特征在PCB板上搜索该Mark点几何特征相似的疑似目标,并采集该疑似目标的图像,具体的,该视觉子系统可以预先采集该PCB板的图像,并对该PCB板的图像进行预处理(如进行二值化处理),该视觉子系统可以在处理后的PCB图上搜索该疑似目标,并可以将该疑似目标的几何特征与该Mark点的第一特征、第二特征以及第三特征依次进行匹配,其可以在该疑似目标的几何特征与该Mark点的第一特征、第二特征以及第三特征依次匹配时,即在该疑似目标的几何特征与该Mark点的几何特征相同时确定采集该疑似目标的图像。可以理解的是,若该疑似目标的几何特征与该Mark点的第一特征匹配,但不与该Mark点的第二特征匹配时,此时,视觉子系统可以不再将该疑似目标的几何特征与该Mark点的第三特征进行匹配,而直接确定该疑似目标非Mark点;若该疑似目标的几何特征与该Mark点的第一特征不匹配,则可以不再进行Mark点第二特征和第三特征的匹配,直接确定该疑似目标非Mark点;即视觉子系统搜索该疑似目标的几何特征与Mark点的几何特征依次匹配是建立在前一次匹配的基础之上的。
可以理解的是,该疑似目标的几何特征与Mark点的几何特征匹配,即该疑似目标也可以包含与该Mark点对应的第一疑似特征、第二疑似特征以及第三疑似特征,并且,该第一疑似特征也可以是在该第二疑似特征的内部,该第二疑似特征也可以是在该第三疑似特征的内部,且该第一疑似特征、第二疑似特征以及第三疑似特征的中心也可以相同,互为同心。该第一疑似特征即可以为类圆形实心形状,该第二疑似特征也可以为多边框形形状,该第三疑似特征也可以为类圆形状。并且,应理解的是,该疑似目标的几何特征与该Mark点的几何特征对应关联,在该Mark点的几何特征中,该第二特征为八边形轮廓时,即在该疑似目标中,该第二疑似特征也应为类八边形形状,其也应当具有八条边。
本步骤中,该视觉子系统可以多次计算该疑似目标中第一疑似特征、第二疑似特征以及第三疑似特征的边缘到中心的距离进行判断,判断该第一疑似特征的类圆形实心形状是否为实心圆、该第二疑似特征的多边框形形状是否为多边形(即八边形)、该第三疑似特征的类圆形状是否为圆形。
具体的,可以绕该该第一疑似特征的中心旋转,每间隔2π/N计算一次第一疑似特征的边缘至中心的距离,若M次计算得到的结果在误差范围内相同(即计算得到的结果两两之间的误差在所允许的误差范围内则判定二者相同),则可以确定该第一疑似特征为实心圆形,该第一疑似特征与第一特征匹配;应理解,该M可以与该N数值相等,并且在上述N取8时(Mark点中第二特征为八边形)即每间隔45度计算一次结果;
也可以绕该第二疑似特征的中心旋转,每间隔2π/N计算一次该第二疑似特征的边缘至中心的距离,若M次计算得到的结果在该误差范围内相同,则可以确定该第二疑似特征为多边形(即八边形),该第二疑似特征与第二特征匹配;
还可以绕该第三疑似特征的中心旋转,每间隔2π/N计算一次该第三疑似特征的边缘至中心的距离,若M次计算得到的结果在该误差范围内相同,则可以确定该第三疑似特征为圆形,该第三疑似特征与第三特征匹配。并且,该视觉子系统还可以对该第三疑似特征进行霍夫变换,检测其是否为圆形的轮廓,从而确定该疑似目标的几何特征与该Mark点的匹配。
本步骤中,在该疑似目标的几何特征与Mark点的匹配之后,该视觉子系统可以采集该疑似目标的图像,如图4所示。并且,该视觉子系统可以采集每一疑似目标的图像生成疑似目标结果集,该视觉子系统还可以将采集该疑似目标图像时的机器手的位置坐标以及该图像的尺寸信息一并存储至该疑似目标结果集中
S202、根据Mark点的标准模板分别计算疑似目标结果集中每个疑似目标的缩放参数和旋转参数;
本步骤中,该视觉子系统可以参考该Mark点的标准模板,并通过缩放计算式(1)计算该疑似目标结果集中每个疑似目标的缩放参数,以及,通过旋转计算式(2)计算该疑似目标结果集中每个疑似目标的旋转参数,具体的如下所示:
缩放计算式:T=r/R; (1)
其中,T为该缩放参数,r为该疑似目标中第三疑似特征的半径(即该疑似目标外圈的圆形的半径),R为该标准模板中第三特征的半径(标准模板中外圈的圆形轮廓的半径);
旋转计算式:θ=±cos-1(TM/L); (2)
该θ即旋转参数,M为标准模板中第二特征的中心至边缘的垂直距离(即指八边形轮廓),该L为疑似目标中第二疑似特征的中心至边缘的垂直距离(即八边形)。并且,由于疑似目标相对于标准模板其旋转方向不确定,故针对每一个疑似目标其旋转参数取正负两个值。
需要说明的是,该Mark点的标准模板可以为预先输入的Mark点的标准图像,其也可以为机器手按照预定程序运行至Mark点坐标后由视觉子系统拍照采集得到的Mark点图像,具体此处不做限定。
S203、利用缩放参数和旋转参数校正标准模板,获得与每个疑似目标一一对应的校正模板;
本步骤中,该视觉子系统可以利用上述步骤中计算得到的缩放参数以及旋转参数对该标准模板进行校正,即对该标准模板进行缩放和旋转操作。可以理解的是,该视觉子系统可以使用所计算得到的每一个疑似目标对应缩放参数和旋转参数对该标准模板进行校正,从而获得与该每一个疑似目标一一对应的校正模板。
需要说明的是,该视觉子系统还可以在每一个进行了缩放和旋转操作后的标准模板中作矩形框截取图像,截取该矩形框内的图像作为该校正模板,如图5所示,且该矩形框可以截取在该标准模板中该Mark点的第三特征的内部,即可以在该圆形轮廓中作矩形截取图像,该矩形可以是该圆形轮廓内的最大矩形,具体此处不做限定。
并且,在本步骤中,由于该旋转参数存在正负两种取值,所以该视觉子系统还可以按照该两种取值旋转缩放后的标准模板与该疑似目标进行匹配,该视觉子系统可以去除该匹配值低的错误旋转方向的标准模板,而保留该匹配值高的正确旋转方向的标准模板作为该校正后的校正模板。
S204、将每个疑似目标分别与校正模板一一对应进行匹配,并分别记录匹配值得到匹配值集合;
本步骤中,该视觉子系统可以分别将每个疑似目标与相对应的校正模板一对一进行匹配,并分别记录其匹配得到的匹配值,该视觉子系统还可以将该得到匹配值生成匹配值集合。
S205、确定匹配值集合中最佳匹配值对应的疑似目标为Mark点。
本步骤中,该视觉子系统可以在该疑似目标结果集中所有疑似目标进行匹配结束之后,选取该匹配值集合中属于最佳匹配值范围内的匹配值作为该最佳匹配值,并可以确定该最佳匹配值对应的疑似目标为该Mark点,即该视觉子系统识别到该PCB板上的Mark点。
本发明技术方案通过采集与Mark点几何特征相似的疑似目标的图像,并生成疑似目标结果集;根据Mark点的标准模板分别计算疑似目标结果集中每个疑似目标的缩放参数和旋转参数;利用该缩放参数和旋转参数分别校正该标准模板,获得与每个疑似目标一一对应的校正模板;将每个疑似目标分别与校正模板一一对应进行匹配,并分别记录匹配值得到匹配值集合;确定该匹配值集合中最佳匹配值对应的疑似目标为Mark点,该最佳匹配值为属于最佳匹配值范围内的匹配值。其对应的步骤流程处理图可以如图6所示,本发明技术方案的优势在于,通过分别依据疑似目标的大小和方位校正Mark点的标准模板,并将校正得到的校正模板分别与疑似目标进行匹配,取最佳匹配值对应的疑似目标为Mark点,能够有效提高Mark点识别的准确率。
基于上述图2所示的Mark点视觉识别方法的实施例,下面请参阅图7,本发明实施例中视觉子系统一个实施例包括:
采集模块701,用于采集疑似目标的图像,并生成疑似目标结果集,该疑似目标与Mark点的几何特征相同;
计算模块702,用于根据该Mark点的标准模板分别计算疑似目标结果集中每个疑似目标的缩放参数和旋转参数;
校正模块703,用于利用该缩放参数和旋转参数校正标准模板,获得与该每个疑似目标一一对应的校正模板;
匹配模块704,用于将每个疑似目标分别与校正模板一一对应进行匹配,并分别记录匹配值得到匹配值集合;
确定模块705,用于确定该匹配值集合中最佳匹配值对应的疑似目标为该Mark点,该最佳匹配值为属于最佳匹配值范围内的匹配值。
可选的,在本发明的一些实施例中,该Mark点的几何特征可以包括:第一特征、第二特征以及第三特征,该第一特征在第二特征内部,该第二特征在第三特征内部,且该第一特征、第二特征以及第三特征的中心相同;
该第一特征为实心圆,该第二特征为N边形轮廓,该第三特征为圆形轮廓,N为大于或等于3的正整数。
可选的,在本发明的一些实施例中,该采集模块701具体可以用于:
依次根据Mark点的第一特征、第二特征以及第三特征搜索该疑似目标,并采集该疑似目标的图像。
可选的,在本发明的一些实施例中,该采集模块701具体还可以用于:
将该疑似目标的几何特征与该第一特征、第二特征以及第三特征依次进行匹配,并在该疑似目标的几何特征与该第一特征、第二特征以及第三特征依次匹配时确定采集该疑似目标的图像。
可选的,在本发明的一些实施例中,该采集模块701具体还可以用于:
若该疑似目标的几何特征与该第一特征匹配,与该第二特征不匹配,则不将该疑似目标的几何特征与该第三特征进行匹配,且确定该疑似目标非Mark点;
若该疑似目标的几何特征与该第一特征不匹配,则不将该疑似目标的几何特征与该第二特征和第三特征进行匹配,且确定该疑似目标非Mark点。
可选的,在本发明的一些实施例中,该疑似目标的几何特征可以包括:第一疑似特征、第二疑似特征以及第三疑似特征,该第一疑似特征在该第二疑似特征的内部,该第二疑似特征在该第三疑似特征内部,且该第一疑似特征、第二疑似特征以及第三疑似特征的中心相同,该第一疑似特征为类圆形实心形状,该第二疑似特征为多边框形形状,该第三疑似特征为类圆形状。
可选的,在本发明的一些实施例中,该采集模块701依次确定该疑似目标的几何特征与该第一特征、第二特征以及第三特征匹配包括:
绕第一疑似特征的中心旋转,每间隔2π/N计算一次该第一疑似特征的边缘至中心的距离,若M次计算得到的结果在误差范围内相同,则确定该第一疑似特征为实心圆形,该第一疑似特征与该第一特征匹配,该M与N数值相等;
绕第二疑似特征的中心旋转,每间隔2π/N计算一次该第二疑似特征的边缘至中心的距离,若M次计算得到的结果在该误差范围内相同,则确定该第二疑似特征为N边形,该第二疑似特征与第二特征匹配;
绕第三疑似特征的中心旋转,每间隔2π/N计算一次该第三疑似特征的边缘至中心的距离,若M次计算得到的结果在该误差范围内相同,则确定该第三疑似特征为圆形,该第三疑似特征与第三特征匹配。
可选的,在本发明的一些实施例中,该计算模块702具体可以用于:
通过缩放计算式计算该疑似目标结果集中每个疑似目标的缩放参数,以及,通过旋转计算式计算目标结果集中每一疑似目标的旋转参数;
该缩放计算式可以包括:
T=r/R;
其中,T为该缩放参数,r为该疑似目标中第三疑似特征的半径,R为该标准模板中第三特征的半径;
该旋转计算式包括:
θ=±cos-1(TM/L);
其中,θ为该旋转参数,M为该标准模板中第二特征的中心至边缘的垂直距离,L为该疑似目标中第二疑似特征的中心至边缘的垂直距离。
可选的,在本发明的一些实施例中,该校正模块703具体可以用于:
利用该缩放参数和旋转参数对该标准模板进行缩放和旋转。
可选的,在本发明的一些实施例中,该校正模块703具体还可以用于:
对该校正后的标准模板中第三特征作内接矩形,截取该矩形内的图像作为该校正模板。
本发明技术方案中,通过采集模块701采集与Mark点几何特征相似的疑似目标的图像,并生成疑似目标结果集;计算模块702根据Mark点的标准模板分别计算疑似目标结果集中每个疑似目标的缩放参数和旋转参数;校正模块703利用该缩放参数和旋转参数分别校正该标准模板,获得与每个疑似目标一一对应的校正模板;匹配模块704将每个疑似目标分别与校正模板一一对应进行匹配,并分别记录匹配值得到匹配值集合;最后由确定模块705确定该匹配值集合中最佳匹配值对应的疑似目标为Mark点,该最佳匹配值为属于最佳匹配值范围内的匹配值。其优势在于,在校正模块703中通过分别依据疑似目标的大小和方位校正Mark点的标准模板,并在匹配模块704中将校正得到的校正模板分别与疑似目标进行匹配,由确定模块705取最佳匹配值对应的疑似目标为Mark点,达到提高Mark点识别的准确率的目的。
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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、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Mark点视觉识别方法,其特征在于,所述方法应用于印制电路板上Mark点识别定位,所述方法包括:
采集疑似目标的图像,并生成疑似目标结果集,所述疑似目标与所述Mark点的几何特征相同;
根据所述Mark点的标准模板分别计算所述疑似目标结果集中每个疑似目标的缩放参数和旋转参数;
利用所述缩放参数和旋转参数校正所述标准模板,获得与所述每个疑似目标一一对应的校正模板;
将所述每个疑似目标分别与所述校正模板一一对应进行匹配,并分别记录匹配值得到匹配值集合;
确定所述匹配值集合中最佳匹配值对应的疑似目标为所述Mark点,所述最佳匹配值为属于最佳匹配值范围内的匹配值。
2.根据权利要求1所述的Mark点视觉识别方法,其特征在于,所述Mark点的几何特征包括:第一特征、第二特征以及第三特征,所述第一特征在所述第二特征内部,所述第二特征在所述第三特征内部,且所述第一特征、第二特征以及第三特征的中心相同;
所述第一特征为实心圆,所述第二特征为N边形轮廓,所述第三特征为圆形轮廓,所述N为大于或等于3的正整数。
3.根据权利要求2所述的Mark点视觉识别方法,其特征在于,所述采集疑似目标的图像包括:
依次根据所述Mark点的所述第一特征、第二特征以及第三特征搜索所述疑似目标,并采集所述疑似目标的图像。
4.根据权利要求3所述的Mark点视觉识别方法,其特征在于,所述采集疑似目标的图像包括:
将所述疑似目标的几何特征与所述第一特征、第二特征以及第三特征依次进行匹配,并在所述疑似目标的几何特征与所述第一特征、第二特征以及第三特征依次匹配时确定采集所述疑似目标的图像。
5.根据权利要求4所述的Mark点视觉识别方法,其特征在于,若所述疑似目标的几何特征与所述第一特征匹配,与所述第二特征不匹配,则不将所述疑似目标的几何特征与所述第三特征进行匹配,且确定所述疑似目标非所述Mark点;
若所述疑似目标的几何特征与所述第一特征不匹配,则不将所述疑似目标的几何特征与所述第二特征和第三特征进行匹配,且确定所述疑似目标非所述Mark点。
6.根据权利要求1至5中任一项所述的Mark点视觉识别方法,其特征在于,所述疑似目标的几何特征包括:第一疑似特征、第二疑似特征以及第三疑似特征,所述第一疑似特征在所述第二疑似特征的内部,所述第二疑似特征在所述第三疑似特征内部,且所述第一疑似特征、第二疑似特征以及第三疑似特征的中心相同,所述第一疑似特征为类圆形实心形状,所述第二疑似特征为多边框形形状,所述第三疑似特征为类圆形状。
7.根据权利要求6所述的Mark点视觉识别方法,其特征在于,所述依次确定所述疑似目标的几何特征与所述第一特征、第二特征以及第三特征匹配包括:
绕所述第一疑似特征的中心旋转,每间隔2π/N计算一次所述第一疑似特征的边缘至中心的距离,若M次计算得到的结果在误差范围内相同,则确定所述第一疑似特征为实心圆形,所述第一疑似特征与所述第一特征匹配,所述M与所述N数值相等;
绕所述第二疑似特征的中心旋转,每间隔2π/N计算一次所述第二疑似特征的边缘至中心的距离,若所述M次计算得到的结果在所述误差范围内相同,则确定所述第二疑似特征为N边形,所述第二疑似特征与所述第二特征匹配;
绕所述第三疑似特征的中心旋转,每间隔2π/N计算一次所述第三疑似特征的边缘至中心的距离,若所述M次计算得到的结果在所述误差范围内相同,则确定所述第三疑似特征为圆形,所述第三疑似特征与所述第三特征匹配。
8.根据权利要求7所述的Mark点视觉识别方法,其特征在于,所述根据所述Mark点的标准模板分别计算所述疑似目标结果集中每个疑似目标的缩放参数和旋转参数包括:
通过缩放计算式计算所述疑似目标结果集中所述每个疑似目标的所述缩放参数,以及,通过旋转计算式计算所述目标结果集中所述每一疑似目标的所述旋转参数;
所述缩放计算式包括:
T=r/R;
其中,所述T为所述缩放参数,所述r为所述疑似目标中所述第三疑似特征的半径,所述R为所述标准模板中所述第三特征的半径;
所述旋转计算式包括:
θ=±cos-1(TM/L);
其中,所述θ为所述旋转参数,所述M为所述标准模板中所述第二特征的中心至边缘的垂直距离,所述L为所述疑似目标中所述第二疑似特征的中心至边缘的垂直距离。
9.根据权利要求8所述的Mark点视觉识别方法,其特征在于,所述利用所述缩放参数和旋转参数校正所述标准模板包括:
利用所述缩放参数和旋转参数对所述标准模板进行缩放和旋转。
10.根据权利要求9所述的Mark点视觉识别方法,其特征在于,所述获得与所述每个疑似目标一一对应的校正模板包括:
对所述校正后的标准模板中所述第三特征作内接矩形,截取所述矩形内的图像作为所述校正模板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710642181.1A CN107578431A (zh) | 2017-07-31 | 2017-07-31 | 一种Mark点视觉识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710642181.1A CN107578431A (zh) | 2017-07-31 | 2017-07-31 | 一种Mark点视觉识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107578431A true CN107578431A (zh) | 2018-01-12 |
Family
ID=61035368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710642181.1A Pending CN107578431A (zh) | 2017-07-31 | 2017-07-31 | 一种Mark点视觉识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107578431A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211183A (zh) * | 2019-06-13 | 2019-09-06 | 广州番禺职业技术学院 | 基于单次成像大视场led透镜贴装的多目标定位系统与方法 |
CN112199972A (zh) * | 2020-10-28 | 2021-01-08 | 普联技术有限公司 | 一种识别定位点的方法 |
CN112355710A (zh) * | 2020-10-20 | 2021-02-12 | 苏州浩智工业控制技术有限公司 | 一种基于ccd的cnc工件加工方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000077323A (ja) * | 1998-06-19 | 2000-03-14 | Hitachi Ltd | 半導体製造装置における合わせマークの検出方法 |
CN102252611A (zh) * | 2011-05-09 | 2011-11-23 | 深圳市澎湃图像技术有限公司 | 几何定位方法 |
CN102873420A (zh) * | 2012-09-28 | 2013-01-16 | 廖怀宝 | 一种用图像匹配法定位PCB板Mark点的方法 |
CN102930266A (zh) * | 2012-09-28 | 2013-02-13 | 廖怀宝 | 一种用轮廓重心法定位PCB板Mark点的方法 |
US20130180658A1 (en) * | 2012-01-12 | 2013-07-18 | Samsung Electro-Mechanics Co., Ltd. | Tilt correcting apparatus and bonding method using the same |
CN103357556A (zh) * | 2013-06-27 | 2013-10-23 | 深圳市轴心自控技术有限公司 | 倾斜点胶的方法及系统 |
CN105627934A (zh) * | 2014-10-30 | 2016-06-01 | 宁波舜宇光电信息有限公司 | 一种基于机器视觉的视觉比例系数获取方法 |
CN106353977A (zh) * | 2016-11-25 | 2017-01-25 | 天津津芯微电子科技有限公司 | Ldi外层对位方法及装置 |
US20170080733A1 (en) * | 2015-09-22 | 2017-03-23 | Maxphotonics Corporation | Correction method and device of laser marking |
-
2017
- 2017-07-31 CN CN201710642181.1A patent/CN107578431A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000077323A (ja) * | 1998-06-19 | 2000-03-14 | Hitachi Ltd | 半導体製造装置における合わせマークの検出方法 |
CN102252611A (zh) * | 2011-05-09 | 2011-11-23 | 深圳市澎湃图像技术有限公司 | 几何定位方法 |
US20130180658A1 (en) * | 2012-01-12 | 2013-07-18 | Samsung Electro-Mechanics Co., Ltd. | Tilt correcting apparatus and bonding method using the same |
CN102873420A (zh) * | 2012-09-28 | 2013-01-16 | 廖怀宝 | 一种用图像匹配法定位PCB板Mark点的方法 |
CN102930266A (zh) * | 2012-09-28 | 2013-02-13 | 廖怀宝 | 一种用轮廓重心法定位PCB板Mark点的方法 |
CN103357556A (zh) * | 2013-06-27 | 2013-10-23 | 深圳市轴心自控技术有限公司 | 倾斜点胶的方法及系统 |
CN105627934A (zh) * | 2014-10-30 | 2016-06-01 | 宁波舜宇光电信息有限公司 | 一种基于机器视觉的视觉比例系数获取方法 |
US20170080733A1 (en) * | 2015-09-22 | 2017-03-23 | Maxphotonics Corporation | Correction method and device of laser marking |
CN106353977A (zh) * | 2016-11-25 | 2017-01-25 | 天津津芯微电子科技有限公司 | Ldi外层对位方法及装置 |
Non-Patent Citations (7)
Title |
---|
FANG LEI ET AL.: "A locating algorithm based on OGHT for PCB mark orientation", 《 2010 INTERNATIONAL CONFERENCE ON INFORMATION, NETWORKING AND AUTOMATION (ICINA)》, 15 November 2015 (2015-11-15), pages 396 * |
刘政 等: "基于PCA和分段RHT的PCB板圆Mark点定位", 《重庆理工大学学报( 自然科学)》, vol. 31, no. 1, 31 January 2017 (2017-01-31), pages 93 - 99 * |
夏成林: "开放式点胶机器人控制系统的研究与实", pages 50 - 69 * |
夏成林: "开放式点胶机器人控制系统的研究与实现", pages 62 - 67 * |
潘长开;田学军;叶峰;: "基于SIFT算法的PCB板基准点匹配", no. 12, pages 84 - 86 * |
谢光伟;仲兆准;钟胜奎;张运诗;沈峰;: "基于机器视觉的PCB板上圆Mark点定位方法的研究", no. 32, pages 7340 - 7344 * |
谢光伟等: "《基于机器视觉的PCB板上圆Mark点定位方法的研究》", 电脑知识与技术, vol. 32, no. 9, pages 7340 - 7344 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110211183A (zh) * | 2019-06-13 | 2019-09-06 | 广州番禺职业技术学院 | 基于单次成像大视场led透镜贴装的多目标定位系统与方法 |
CN110211183B (zh) * | 2019-06-13 | 2022-10-21 | 广州番禺职业技术学院 | 基于单次成像大视场led透镜贴装的多目标定位系统 |
CN112355710A (zh) * | 2020-10-20 | 2021-02-12 | 苏州浩智工业控制技术有限公司 | 一种基于ccd的cnc工件加工方法及系统 |
CN112199972A (zh) * | 2020-10-28 | 2021-01-08 | 普联技术有限公司 | 一种识别定位点的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107578431A (zh) | 一种Mark点视觉识别方法 | |
CN102063718B (zh) | 一种点激光测量系统的现场标定和精密测量方法 | |
CN101576956B (zh) | 基于机器视觉的在线字符检测方法和系统 | |
CN109389161A (zh) | 基于深度学习的垃圾识别进化学习方法、装置、系统及介质 | |
CN106204544A (zh) | 一种自动提取图像中标志点位置及轮廓的方法和系统 | |
CN104123542A (zh) | 一种轮毂工件定位的装置及其方法 | |
CN106780609B (zh) | 视觉定位方法和视觉定位装置 | |
CN107782305A (zh) | 一种基于数字字母识别的移动机器人定位方法 | |
CN106204560B (zh) | 菌落挑选仪自动标定方法 | |
CN109657708A (zh) | 基于图像识别-svm学习模型的工件识别装置及其方法 | |
CN108121332A (zh) | 基于二维码的室内移动机器人定位装置及方法 | |
CN104091175B (zh) | 一种基于Kinect深度信息获取技术的害虫图像自动识别方法 | |
CN109360794A (zh) | 一种晶硅光伏太阳能电池电极二次印刷精度视觉检测方法及装置 | |
CN103136525A (zh) | 一种利用广义Hough变换的异型扩展目标高精度定位方法 | |
CN113379720A (zh) | 一种基于茶饼图像特征编码的茶饼防伪方法 | |
CN107356213A (zh) | 滤光片同心度测量方法及终端设备 | |
CN104952757B (zh) | 一种具有分布图像传感单元的硅片分布状态检测方法及装置 | |
CN109038826A (zh) | 基于物联网和ar技术的变电站设备巡视系统及巡视方法 | |
CN105335971A (zh) | 基于图像的工件加工精确定位方法 | |
CN100553349C (zh) | 确定靶标拓扑关系的方法及可任意摆放的摄像机标定靶标 | |
CN105988305A (zh) | 硅片预对准方法 | |
CN115760782A (zh) | 一种基于机器视觉的模内贴标偏移缺陷识别方法 | |
CN107958208A (zh) | 一种基于传播算法的指纹交叉库匹配方法 | |
CN110472651A (zh) | 一种基于边缘点局部特征值的目标匹配与定位方法 | |
CN107066148A (zh) | 一种提高书写板的识别精度的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |