CN108492327A - Aoi图像匹配方法、系统、可读存储介质及智能设备 - Google Patents
Aoi图像匹配方法、系统、可读存储介质及智能设备 Download PDFInfo
- Publication number
- CN108492327A CN108492327A CN201810125034.1A CN201810125034A CN108492327A CN 108492327 A CN108492327 A CN 108492327A CN 201810125034 A CN201810125034 A CN 201810125034A CN 108492327 A CN108492327 A CN 108492327A
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- matching
- reference template
- object detection
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 197
- 238000001514 detection method Methods 0.000 claims abstract description 90
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000012372 quality testing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 5
- 239000012491 analyte Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 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
- 230000008901 benefit Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000003733 optic disk Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/32—Determination of transform parameters for the alignment of images, i.e. image registration using correlation-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提出一种AOI图像匹配方法、系统、可读存储介质及智能设备，包括如下步骤：获取一目标物检测图像，对所述目标物检测图像进行卷积计算以得到一匹配矩阵，所述匹配矩阵为所述目标物检测图像相对于所述参考模板图像的匹配矩阵，所述参考模板图像对应有一初始权重矩阵；根据所述匹配矩阵，计算得到所述目标物检测图像中与所述参考模板图像的匹配度最高的最佳匹配子图；计算所述最佳匹配子图与所述参考模板图像之间的相关度矩阵，根据所述相关度矩阵对所述初始权重矩阵进行修正以得到一目标权重矩阵。本发明提出的AOI图像匹配方法，能够动态地调整目标物检测图像与参考模板图像之间的权重矩阵，从而提高匹配的精度以及稳定性。
Description
技术领域
本发明涉及电子检测技术领域，特别是涉及一种AOI图像匹配方法、系统、可读存储介质及智能设备。
背景技术
AOI(Automatic Optic Inspection)的全称为自动光学检测，是一种基于光学原理来对焊接生产中所遇到的常见缺陷进行检测的设备。AOI虽然为近年来新兴起的一种新型测试技术，但其发展迅速，已经有很多的厂家都推出了AOI测试设备，在实际的工业生产检测中发挥着重要的作用。
具体的，在进行自动检测时，机器通过摄像头自动扫描PCB板以进行图像的采集，然后将采集到的图像中的测试焊点与数据库中的合格参数进行比较，以检查出PCB板上所存在的缺陷，并通过显示器或自动标志将对应的缺陷标示出来，供维修人员进行修整。在传统AOI检测校验的过程中，需要先给定一个参考图像作为模版，然后以此参考模板为基础进行匹配，在扫描得到的目标图中定位出与该参考模版图像相似的图像的位置。
然而，在AOI检测系统中，由于被检测的PCB板上有很多的元件，而有部分元件的位置是不固定的，在实际检测的过程中可能会发生偏移，当将扫描获得的图像与参考模板图像相匹配时，部分位置发生偏移的元件将在一定程度上影响匹配的精度，不利于实际检测作业的进行。
发明内容
鉴于上述状况，有必要解决现有技术中，由于被检测的PCB板上的部分元件在检测过程中位置发生偏移，而导致在与参考模板图像匹配时，在一定程度上影响匹配的精度的问题。
本发明实施例提供了一种AOI图像匹配方法，其中，所述方法包括如下步骤：
获取一目标物检测图像以及与所述目标物检测图像相对应的参考模板图像，对所述目标物检测图像进行卷积计算以得到一匹配矩阵，其中所述匹配矩阵为所述目标物检测图像相对于所述参考模板图像的匹配矩阵，所述参考模板图像对应有一初始权重矩阵；
根据所述匹配矩阵，计算得到所述目标物检测图像中与所述参考模板图像的匹配度最高的最佳匹配子图；
计算所述最佳匹配子图与所述参考模板图像之间的相关度矩阵，根据所述相关度矩阵对所述初始权重矩阵进行修正以得到一目标权重矩阵，所述目标权重矩阵用于在所述目标检测图像与所述参考模板图像进行匹配时，对所述初始权重矩阵进行替换，以提高相互匹配时对应的匹配精度。
本发明提出的AOI图像匹配方法，在将目标物检测图像与参考模板图像进行匹配比较时，先计算目标物检测图像相对于参考模板图像的匹配矩阵，根据得到的匹配矩阵计算二者之间匹配度最高的最佳匹配子图，在确定了最佳匹配子图之后，根据该最佳匹配子图确定其与参考模板图像之间的相关度矩阵。由于该相关度矩阵对应的相关度值存在大小差异，直接反应了目标物检测图像与参考模板图像之间的匹配程度，位置发生偏移的元件区域，其对应的相关度矩阵的值会减小，位置不发生偏移的元件区域，对应的相关度矩阵的值便增大，因此可以根据该相关度矩阵的值，对初始权重矩阵进行修正得到目标权重矩阵。在进行实际匹配时，将原来的初始权重矩阵替换为目标权重矩阵，以使得替换后的目标权重矩阵的值与上述的相关度矩阵的值更为吻合，从而提高相互匹配时对应的匹配精度。
另外，根据本发明上述实施例的板卡数据处理方法，还可以具有如下附加的技术特征：
所述AOI图像匹配方法，其中，所述对所述目标物检测图像进行卷积计算以得到一参考模板图像相对于所述目标物检测图像的匹配矩阵的方法包括如下步骤：
根据公式对所述参考模板图像进行归一化处理以得到第一参考模板图像；
根据公式对所述目标物检测图像进行归一化处理以得到第一目标物检测图像；
根据公式进行所述卷积计算以得到所述匹配矩阵；
其中Imodel(i,j)为所述参考模板图像，I'model(i,j)为所述第一参考模板图像，Iobject(i,j)为所述目标物检测图像，I'object(x+i,y+j)为所述第一目标物检测图像，R(x,y)为所述匹配矩阵，K(i,j)为所述初始权重矩阵，i、j、i'以及j'均为所述参考模板图像的自变量，w与h分别为所述参考模板图像的宽度与高度，x与y分别为所述目标物检测图像的自变量。
所述AOI图像匹配方法，其中，所述根据所述匹配矩阵，计算得到所述目标物检测图像中与所述参考模板图像的匹配度最高的最佳匹配子图的方法包括如下步骤：
计算所述匹配矩阵R(x,y)的矩阵最大值max(R(x,y))，根据所述矩阵最大值max(R(x,y))查找所述匹配矩阵R(x,y)中对应的第一坐标(xbest,ybest)；
根据所述第一坐标(xbest,ybest)在所述目标物检测图像Iobject(i,j)中查找确定所述最佳匹配子图Imatch(x,y)，其中x∈[xbest,xbest+w)，y∈[ybest,ybest+h)。
所述AOI图像匹配方法，其中，所述计算所述最佳匹配子图与所述参考模板图像之间的相关度矩阵的方法包括如下步骤：
根据公式计算得到一中间相关度矩阵M'(i,j)；
对所述中间相关度矩阵M'(i,j)进行归一化处理以得到所述相关度矩阵M(i,j)。
所述AOI图像匹配方法，其中，所述根据所述相关度矩阵对所述初始权重矩阵进行修正以得到一目标权重矩阵的方法包括如下步骤：
根据公式K'＝NORM(α·K+β·M)对所述初始权重矩阵进行修正更新以得到所述目标权重矩阵K'；
其中，α与β为控制参数，NORM为归一化处理。
本发明还提出一种AOI图像匹配系统，其特征在于，包括：
图像获取模块，用于获取一目标物检测图像以及与所述目标物检测图像相对应的参考模板图像，对所述目标物检测图像进行卷积计算以得到一匹配矩阵，其中所述匹配矩阵为所述目标物检测图像相对于所述参考模板图像的匹配矩阵，所述参考模板图像对应有一初始权重矩阵；
匹配计算模块，用于根据所述匹配矩阵，计算得到所述目标物检测图像中与所述参考模板图像的匹配度最高的最佳匹配子图；
权重更新模块，用于计算所述最佳匹配子图与所述参考模板图像之间的相关度矩阵，根据所述相关度矩阵对所述初始权重矩阵进行修正以得到一目标权重矩阵，所述目标权重矩阵用于在所述目标检测图像与所述参考模板图像进行匹配时，对所述初始权重矩阵进行替换，以提高相互匹配时对应的匹配精度。
所述AOI图像匹配系统，其中，所述图像获取模块还具体用于：
根据公式对所述参考模板图像进行归一化处理以得到第一参考模板图像；
根据公式对所述目标物检测图像进行归一化处理以得到第一目标物检测图像；
根据公式进行所述卷积计算以得到所述匹配矩阵；
其中Imodel(i,j)为所述参考模板图像，I'model(i,j)为所述第一参考模板图像，Iobject(i,j)为所述目标物检测图像，I'object(x+i,y+j)为所述第一目标物检测图像，R(x,y)为所述匹配矩阵，K(i,j)为所述初始权重矩阵，i、j、i'以及j'均为所述参考模板图像的自变量，w与h分别为所述参考模板图像的宽度与高度，x与y分别为所述目标物检测图像的自变量。
所述AOI图像匹配系统，其中，所述匹配计算模块还具体用于：
计算所述匹配矩阵R(x,y)的矩阵最大值max(R(x,y))，根据所述矩阵最大值max(R(x,y))查找所述匹配矩阵R(x,y)中对应的第一坐标(xbest,ybest)；
根据所述第一坐标(xbest,ybest)在所述目标物检测图像Iobject(i,j)中查找确定所述最佳匹配子图Imatch(x,y)，其中x∈[xbest,xbest+w)，y∈[ybest,ybest+h)。
本发明还提出一种可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现上所述的AOI图像匹配方法。
本发明还提出一种智能设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如上所述的AOI图像匹配方法。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实施例了解到。
附图说明
图1为本发明第一实施例中AOI图像匹配方法的原理框图；
图2为本发明第二实施例中AOI图像匹配方法的流程图；
图3为本发明第二实施例提出的参考模板图像的示意图；
图4为本发明第二实施例提出的目标物检测图像的示意图；
图5为本发明第二实施例提出的最佳匹配子图的示意图；
图6为本发明第二实施例提出的相关度矩阵的图像示意图；
图7为本发明第二实施例提出的权重矩阵的图像示意图；
图8为本发明第三实施例中AOI图像匹配系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
在AOI检测系统中，由于被检测的PCB板上有很多的元件，而有部分元件的位置是不固定的，在实际检测的过程中可能会发生偏移，当将扫描获得的图像与参考模板图像相匹配时，部分位置发生偏移的元件将在一定程度上影响匹配的精度，为了解决这一问题，本发明提出了一种AOI图像匹配方法，请参阅图1，对于第一实施例中的AOI图像匹配方法，其中，所述方法包括如下步骤：
S101，获取一目标物检测图像以及与所述目标物检测图像相对应的参考模板图像，对所述目标物检测图像进行卷积计算以得到一匹配矩阵，其中所述匹配矩阵为所述目标物检测图像相对于所述参考模板图像的匹配矩阵，所述参考模板图像对应有一初始权重矩阵。
在具体的检测中，对待检测的PCB板进行自动扫描，得到对应的目标物检测图像Iobject(x,y)，x∈[0,wobj)，y∈[0,hobj)。其中，wobj为目标物检测图像的宽度，hobj为目标物检测图像的高度。
在扫描得到了PCB板的目标物检测图像Iobject(x,y)，需要将该目标物检测图像Iobject(x,y)与参考模板图像Imodel(i,j)进行匹配比较。其中，该参考模板图像Imodel(i,j)对应有一权重矩阵K(i,j)，在初始时，该权重矩阵K(i,j)中的每一个单元均初始化为1。
然后，分别对目标物检测图像Iobject(x,y)进行归一化处理以得到第一目标物检测图像I'object(x+i,y+j)，对参考模板图像Imodel(i,j)进行归一化处理以得到第一参考模板图像I'model(i,j)。在根据上述的权重矩阵K(i,j)、归一化处理得到的第一目标物检测图像I'object(x+i,y+j)以及第一参考模板图像I'model(i,j)进行卷积计算，从而得到一匹配矩阵R(x,y)。在此需要说明的是，该匹配矩阵的物理意义指的是目标物检测图像Iobject(x,y)相对于参考模板图像Imodel(i,j)的匹配度关系的矩阵。
S102，根据所述匹配矩阵，计算得到所述目标物检测图像中与所述参考模板图像的匹配度最高的最佳匹配子图。
如上所述，在计算得到了对应的匹配矩阵R(x,y)之后，计算该匹配矩阵R(x,y)的值最大时所对应的坐标。其中，该匹配矩阵R(x,y)的最大值可以记为max(R(x,y))，对应的第一坐标为(xbest,ybest)。然后根据该第一坐标(xbest,ybest)在上述的目标物检测图像Iobject(x,y)中查找确定匹配度最高的匹配子图Imatch(x,y)，其中x∈[xbest,xbest+w)，y∈[ybest,ybest+h)。
S103，计算所述最佳匹配子图与所述参考模板图像之间的相关度矩阵，根据所述相关度矩阵对所述初始权重矩阵进行修正以得到一目标权重矩阵，所述目标权重矩阵用于在所述目标检测图像与所述参考模板图像进行匹配时，对所述初始权重矩阵进行替换，以提高相互匹配时对应的匹配精度。
在确定了最佳匹配子图Imatch(x,y)之后，以上述的参考模板图像Imodel(i,j)为标准，计算该最佳匹配子图Imatch(x,y)与参考模板图像Imodel(i,j)之间的相关度矩阵M(i,j)。其中，该相关度矩阵M(i,j)的值在0～1之间。在本实施例中，通过K'＝NORM(α·K+β·M)对初始权重矩阵K(i,j)进行更新修正以得到目标权重矩阵K'(i,j)。其中，α与β为控制参数，NORM为归一化处理。在此需要说明的是，对权重矩阵K(i,j)可以为一个循环往复的过程，也即可以根据上述公式多次修正权重矩阵对应的权重值。
在实际检测中，对于PCB板上位置发生偏移的元件，可以理解的，当元件发生偏移后，其对应的相关度矩阵M(i,j)的值也在逐渐减小，代入至公式K'＝NORM(α·K+β·M)中，其对应的目标权重矩阵K'(i,j)也在不断变小，也即将那个位置发生偏移的元件的评判权值降低；而对于位置不发生偏移的元件，由于位置发生偏移的元件的权值变小，因此其对应的评判权值对应升高。如此，可以提高AOI检测的匹配精度以及整体稳定性。
本发明提出的AOI图像匹配方法，在将目标物检测图像与参考模板图像进行匹配比较时，先计算目标物检测图像相对于参考模板图像的匹配矩阵，根据得到的匹配矩阵计算二者之间匹配度最高的最佳匹配子图，在确定了最佳匹配子图之后，根据该最佳匹配子图确定其与参考模板图像之间的相关度矩阵。由于该相关度矩阵对应的相关度值存在大小差异，直接反应了目标物检测图像与参考模板图像之间的匹配程度，因此可以根据该相关度矩阵的值，对初始权重矩阵进行修正得到目标权重矩阵。在进行实际匹配时，将原来的初始权重矩阵替换为目标权重矩阵，以使得替换后的目标权重矩阵的值与上述的相关度矩阵的值更为吻合，从而提高相互匹配时对应的匹配精度。。
下面将以一具体的例子对本发明提出的AOI图像匹配方法进行较为详细地说明。如图2至图7所示，具体步骤如下：
首先获取一待测PCB板的目标物检测图像Iobject(x,y)，x∈[0,wobj)，y∈[0,hobj)。其中，wobj为目标物检测图像的宽度，hobj为目标物检测图像的高度。
在扫描得到了PCB板的目标物检测图像Iobject(x,y)(如图4所示)之后，需要将该目标物检测图像Iobject(x,y)与参考模板图像Imodel(i,j)(如图3所示)进行匹配比较。其中，该参考模板图像Imodel(i,j)对应有一权重矩阵K(i,j)，在初始时，该权重矩阵K(i,j)中的每一个单元均初始化为1。
具体的，根据公式(1)对目标物检测图像Iobject(x,y)进行归一化处理以得到第一目标物检测图像I'object(x+i,y+j)；
与此同时，根据公式(2)对参考模板图像Imodel(i,j)进行归一化处理以得到第一参考模板图像I'model(i,j)；
在分别对目标物检测图像Iobject(x,y)以及参考模板图像Imodel(i,j)进行归一化处理之后，根据公式(3)进行卷积计算以得到一匹配矩阵R(x,y)。
其中，K(i,j)为所述初始权重矩阵，i、j、i'以及j'均为所述参考模板图像的自变量，w与h分别为参考模板图像的宽度与高度，x与y分别为目标物检测图像的自变量。
如上所述，在计算得到了匹配矩阵R(x,y)之后，此时计算该匹配矩阵R(x,y)的矩阵最大值max(R(x,y))，然后根据该矩阵最大值max(R(x,y))查找匹配矩阵R(x,y)中对应的第一坐标(xbest,ybest)。在此需要说明的是，匹配矩阵R(x,y)的值越大，说明此时目标物检测图像Iobject(x,y)与参考模板图像Imodel(i,j)之间的匹配度越高。因此，当匹配矩阵R(x,y)的值最大时所对应的第一坐标(xbest,ybest)，在该目标物检测图像Iobject(i,j)中对应的也即为最佳匹配子图Imatch(x,y)(如图5所示)，其中x∈[xbest,xbest+w)，y∈[ybest,ybest+h)。
在确定了最佳匹配子图Imatch(x,y)之后，根据公式(4)计算得到一中间相关度矩阵M'(i,j)。
然后，对该中间相关度矩阵M'(i,j)进行归一化处理以得到相关度矩阵M(i,j)。其中，该相关度矩阵M(i,j)的图像如图6所示，从图中可以看出，该相关度矩阵M(i,j)的取值范围在0～1之间。
在确定了相关度矩阵M'(i,j)之后，根据公式(5)初始权重矩阵K进行修正更新以得到一目标权重矩阵K'。权重矩阵的图像如图7所示，从图中可以看出，权重矩阵的取值也在0～1之间。
K'＝NORM(α·K+β·M) (5)
其中，α与β为控制参数，NORM为归一化处理。在本实施例中，α的值为0.9，β的值为0.1。
在实际检测中，对于PCB板上位置发生偏移的元件，可以理解的，当元件发生偏移后，其对应的相关度矩阵M(i,j)的值也在逐渐减小，代入至公式K'＝NORM(α·K+β·M)中，其对应的目标权重矩阵K'(i,j)也在不断变小，也即将那个位置发生偏移的元件的评判权值降低；而对于位置不发生偏移的元件，由于位置发生偏移的元件的权值变小，因此其对应的评判权值对应升高。如此，可以提高AOI检测的匹配精度以及整体稳定性。
请参阅图8，对于第三实施例中的AOI图像匹配系统，包括依次连接的图像获取模块11、匹配计算模块12以及权重更新模块13；
其中，所述图像获取模块11具体用于：
获取一目标物检测图像，对所述目标物检测图像进行卷积计算以得到一匹配矩阵，所述匹配矩阵为所述目标物检测图像相对于所述参考模板图像的匹配矩阵，所述参考模板图像对应有一初始权重矩阵；
所述匹配计算模块具体用于：
根据所述匹配矩阵，计算得到所述目标物检测图像中与所述参考模板图像的匹配度最高的最佳匹配子图；
所述权重更新模块13具体用于：
计算所述最佳匹配子图与所述参考模板图像之间的相关度矩阵，根据所述相关度矩阵对所述初始权重矩阵进行修正以得到一目标权重矩阵，所述目标权重矩阵用于在所述目标检测图像与所述参考模板图像进行匹配时，对所述初始权重矩阵进行替换，以提高相互匹配时对应的匹配精度。
所述图像获取模块11还具体用于：
根据公式对所述参考模板图像进行归一化处理以得到第一参考模板图像；
根据公式对所述目标物检测图像进行归一化处理以得到第一目标物检测图像；
根据公式进行所述卷积计算以得到所述匹配矩阵。
所述匹配计算模块12还具体用于：
计算所述匹配矩阵R(x,y)的矩阵最大值max(R(x,y))，根据所述矩阵最大值max(R(x,y))查找所述匹配矩阵R(x,y)中对应的第一坐标(xbest,ybest)；
根据所述第一坐标(xbest,ybest)在所述目标物检测图像Iobject(i,j)中查找确定所述最佳匹配子图Imatch(x,y)，其中x∈[xbest,xbest+w)，y∈[ybest,ybest+h)。
所述匹配计算模块12还具体用于：
根据公式计算得到一中间相关度矩阵M'(i,j)；
对所述中间相关度矩阵M'(i,j)进行归一化处理以得到所述相关度矩阵M(i,j)。
所述权重更新模块13还具体用于：
根据公式K'＝NORM(α·K+β·M)对所述初始权重矩阵进行修正更新以得到所述目标权重矩阵K'；
其中，α与β为控制参数，NORM为归一化处理。
本发明还提出一种可读存储介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现上所述的AOI图像匹配方法。
本发明还提出一种智能设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如上所述的AOI图像匹配方法。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种AOI图像匹配方法，其特征在于，所述方法包括如下步骤：
获取一目标物检测图像以及与所述目标物检测图像相对应的参考模板图像，对所述目标物检测图像进行卷积计算以得到一匹配矩阵，其中所述匹配矩阵为所述目标物检测图像相对于所述参考模板图像的匹配矩阵，所述参考模板图像对应有一初始权重矩阵；
根据所述匹配矩阵，计算得到所述目标物检测图像中与所述参考模板图像的匹配度最高的最佳匹配子图；
计算所述最佳匹配子图与所述参考模板图像之间的相关度矩阵，根据所述相关度矩阵对所述初始权重矩阵进行修正以得到一目标权重矩阵，所述目标权重矩阵用于在所述目标检测图像与所述参考模板图像进行匹配时，对所述初始权重矩阵进行替换，以提高相互匹配时对应的匹配精度。
2.根据权利要求1所述的AOI图像匹配方法，其特征在于，所述对所述目标物检测图像进行卷积计算以得到一参考模板图像相对于所述目标物检测图像的匹配矩阵的方法包括如下步骤：
根据公式对所述参考模板图像进行归一化处理以得到第一参考模板图像；
根据公式对所述目标物检测图像进行归一化处理以得到第一目标物检测图像；
根据公式进行所述卷积计算以得到所述匹配矩阵；
其中Imodel(i,j)为所述参考模板图像，I'model(i,j)为所述第一参考模板图像，Iobject(i,j)为所述目标物检测图像，I'object(x+i,y+j)为所述第一目标物检测图像，R(x,y)为所述匹配矩阵，K(i,j)为所述初始权重矩阵，i、j、i'以及j'均为所述参考模板图像的自变量，w与h分别为所述参考模板图像的宽度与高度，x与y分别为所述目标物检测图像的自变量。
3.根据权利要求2所述的AOI图像匹配方法，其特征在于，所述根据所述匹配矩阵，计算得到所述目标物检测图像中与所述参考模板图像的匹配度最高的最佳匹配子图的方法包括如下步骤：
计算所述匹配矩阵R(x,y)的矩阵最大值max(R(x,y))，根据所述矩阵最大值max(R(x,y))查找所述匹配矩阵R(x,y)中对应的第一坐标(xbest,ybest)；
根据所述第一坐标(xbest,ybest)在所述目标物检测图像Iobject(i,j)中查找确定所述最佳匹配子图Imatch(x,y)，其中x∈[xbest,xbest+w)，y∈[ybest,ybest+h)。
4.根据权利要求3所述的AOI图像匹配方法，其特征在于，所述计算所述最佳匹配子图与所述参考模板图像之间的相关度矩阵的方法包括如下步骤：
根据公式计算得到一中间相关度矩阵M'(i,j)；
对所述中间相关度矩阵M'(i,j)进行归一化处理以得到所述相关度矩阵M(i,j)。
5.根据权利要求4所述的AOI图像匹配方法，其特征在于，所述根据所述相关度矩阵对所述初始权重矩阵进行修正以得到一目标权重矩阵的方法包括如下步骤：
根据公式K'＝NORM(α·K+β·M)对所述初始权重矩阵进行修正更新以得到所述目标权重矩阵K'；
其中，α与β为控制参数，NORM为归一化处理。
6.一种AOI图像匹配系统，其特征在于，包括：
图像获取模块，用于获取一目标物检测图像，对所述目标物检测图像进行卷积计算以得到一匹配矩阵，所述匹配矩阵为所述目标物检测图像相对于所述参考模板图像的匹配矩阵，所述参考模板图像对应有一初始权重矩阵；
匹配计算模块，用于根据所述匹配矩阵，计算得到所述目标物检测图像中与所述参考模板图像的匹配度最高的最佳匹配子图；
权重更新模块，用于计算所述最佳匹配子图与所述参考模板图像之间的相关度矩阵，根据所述相关度矩阵对所述初始权重矩阵进行修正以得到一目标权重矩阵，所述目标权重矩阵用于在所述目标检测图像与所述参考模板图像进行匹配时，对所述初始权重矩阵进行替换，以提高相互匹配时对应的匹配精度。
7.根据权利要求6所述的AOI图像匹配系统，其特征在于，所述图像获取模块还具体用于：
根据公式对所述参考模板图像进行归一化处理以得到第一参考模板图像；
根据公式对所述目标物检测图像进行归一化处理以得到第一目标物检测图像；
根据公式进行所述卷积计算以得到所述匹配矩阵；
其中Imodel(i,j)为所述参考模板图像，I'model(i,j)为所述第一参考模板图像，Iobject(i,j)为所述目标物检测图像，I'object(x+i,y+j)为所述第一目标物检测图像，R(x,y)为所述匹配矩阵，K(i,j)为所述初始权重矩阵，i、j、i'以及j'均为所述参考模板图像的自变量，w与h分别为所述参考模板图像的宽度与高度，x与y分别为所述目标物检测图像的自变量。
8.根据权利要求6所述的AOI图像匹配系统，其特征在于，所述匹配计算模块还具体用于：
计算所述匹配矩阵R(x,y)的矩阵最大值max(R(x,y))，根据所述矩阵最大值max(R(x,y))查找所述匹配矩阵R(x,y)中对应的第一坐标(xbest,ybest)；
根据所述第一坐标(xbest,ybest)在所述目标物检测图像Iobject(i,j)中查找确定所述最佳匹配子图Imatch(x,y)，其中x∈[xbest,xbest+w)，y∈[ybest,ybest+h)。
9.一种可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现上述权利要求1至5任意一项所述的AOI图像匹配方法。
10.一种智能设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1至5任意一项所述的AOI图像匹配方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810125034.1A CN108492327B (zh) | 2018-02-07 | 2018-02-07 | Aoi图像匹配方法、系统、可读存储介质及智能设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810125034.1A CN108492327B (zh) | 2018-02-07 | 2018-02-07 | Aoi图像匹配方法、系统、可读存储介质及智能设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108492327A true CN108492327A (zh) | 2018-09-04 |
| CN108492327B CN108492327B (zh) | 2021-01-26 |
Family
ID=63344724
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810125034.1A Active CN108492327B (zh) | 2018-02-07 | 2018-02-07 | Aoi图像匹配方法、系统、可读存储介质及智能设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108492327B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359497A (zh) * | 2018-09-17 | 2019-02-19 | 四川长虹电器股份有限公司 | 一种增值税发票图像二维码区域的定位与识别方法 |
| CN110598717A (zh) * | 2019-09-12 | 2019-12-20 | 北京迈格威科技有限公司 | 图像特征的提取方法、装置及电子设备 |
| CN111225162A (zh) * | 2020-01-21 | 2020-06-02 | 厦门亿联网络技术股份有限公司 | 图像曝光的控制方法、系统、可读存储介质及摄像设备 |
| CN112241975A (zh) * | 2019-07-17 | 2021-01-19 | 杭州海康机器人技术有限公司 | 特征模板的匹配定位方法和匹配定位装置 |
| CN115496927A (zh) * | 2022-09-19 | 2022-12-20 | 广东炬森智能装备有限公司 | 基于归一化的印刷电路板影像与模板图的匹配方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103679641A (zh) * | 2012-09-26 | 2014-03-26 | 株式会社理光 | 深度图像增强方法和装置 |
| US20140152762A1 (en) * | 2012-06-28 | 2014-06-05 | Nokia Corporation | Method, apparatus and computer program product for processing media content |
| CN104793620A (zh) * | 2015-04-17 | 2015-07-22 | 中国矿业大学 | 基于视觉特征捆绑和强化学习理论的避障机器人 |
| CN105335973A (zh) * | 2015-10-20 | 2016-02-17 | 上海交通大学 | 运用于带钢加工生产线的视觉处理方法 |
| CN106997387A (zh) * | 2017-03-28 | 2017-08-01 | 中国科学院自动化研究所 | 基于文本‑图像匹配的多模态自动文摘方法 |
-
2018
- 2018-02-07 CN CN201810125034.1A patent/CN108492327B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140152762A1 (en) * | 2012-06-28 | 2014-06-05 | Nokia Corporation | Method, apparatus and computer program product for processing media content |
| CN103679641A (zh) * | 2012-09-26 | 2014-03-26 | 株式会社理光 | 深度图像增强方法和装置 |
| CN104793620A (zh) * | 2015-04-17 | 2015-07-22 | 中国矿业大学 | 基于视觉特征捆绑和强化学习理论的避障机器人 |
| CN105335973A (zh) * | 2015-10-20 | 2016-02-17 | 上海交通大学 | 运用于带钢加工生产线的视觉处理方法 |
| CN106997387A (zh) * | 2017-03-28 | 2017-08-01 | 中国科学院自动化研究所 | 基于文本‑图像匹配的多模态自动文摘方法 |
Non-Patent Citations (2)
| Title |
|---|
| 孙卜郊: "基于NCC的快速匹配算法", 《传感器与微系统》 * |
| 黄真宝: "图像匹配中NCC算法的一种快速实现方法", 《信息化研究》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359497A (zh) * | 2018-09-17 | 2019-02-19 | 四川长虹电器股份有限公司 | 一种增值税发票图像二维码区域的定位与识别方法 |
| CN112241975A (zh) * | 2019-07-17 | 2021-01-19 | 杭州海康机器人技术有限公司 | 特征模板的匹配定位方法和匹配定位装置 |
| CN112241975B (zh) * | 2019-07-17 | 2024-03-29 | 杭州海康机器人股份有限公司 | 特征模板的匹配定位方法和匹配定位装置 |
| CN110598717A (zh) * | 2019-09-12 | 2019-12-20 | 北京迈格威科技有限公司 | 图像特征的提取方法、装置及电子设备 |
| CN110598717B (zh) * | 2019-09-12 | 2022-06-21 | 北京迈格威科技有限公司 | 图像特征的提取方法、装置及电子设备 |
| CN111225162A (zh) * | 2020-01-21 | 2020-06-02 | 厦门亿联网络技术股份有限公司 | 图像曝光的控制方法、系统、可读存储介质及摄像设备 |
| CN111225162B (zh) * | 2020-01-21 | 2021-08-03 | 厦门亿联网络技术股份有限公司 | 图像曝光的控制方法、系统、可读存储介质及摄像设备 |
| CN115496927A (zh) * | 2022-09-19 | 2022-12-20 | 广东炬森智能装备有限公司 | 基于归一化的印刷电路板影像与模板图的匹配方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108492327B (zh) | 2021-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108492327A (zh) | Aoi图像匹配方法、系统、可读存储介质及智能设备 | |
| CN104809974B (zh) | 一种显示装置的gamma和白平衡自动校正方法及装置 | |
| CN106097361A (zh) | 一种缺陷区域检测方法及装置 | |
| JP6736257B2 (ja) | 情報処理装置、情報処理方法、プログラム | |
| US7027651B2 (en) | Geometric hashing method for model-based recognition of an object | |
| JP6254763B2 (ja) | Ｃａｄベースの位置合わせのためのシステム、方法、及びコンピュータプログラム製品 | |
| CN109087294A (zh) | 一种产品缺陷检测方法、系统及计算机可读存储介质 | |
| CN107133986B (zh) | 一种基于二维标定物的相机标定方法 | |
| US7580590B2 (en) | Optical image system surface resolution calibration method | |
| CN105976354A (zh) | 基于颜色和梯度的元件定位方法和系统 | |
| CN110517265A (zh) | 一种产品表面缺陷的检测方法、装置及存储介质 | |
| JP7297634B2 (ja) | 設備工事の検査方法、および設備工事の検査システム | |
| KR20110040965A (ko) | 외관 검사 장치 | |
| CN109360190A (zh) | 基于图像超像素融合的建筑损毁检测方法及装置 | |
| CN110177264A (zh) | 清晰度检测方法及检测装置 | |
| Qiang et al. | Detection method of PCB component based on automatic optical stitching algorithm | |
| JP2002140693A (ja) | 画像処理パラメータ決定装置、画像処理パラメータ決定方法および画像処理パラメータ決定プログラムを記録した記録媒体 | |
| JP2004172464A (ja) | 半田付け検査の特徴量算出装置 | |
| WO2017080295A1 (zh) | 元件的定位方法和系统 | |
| JPWO2020145004A1 (ja) | 撮影ガイド装置 | |
| CN111784634B (zh) | 一种基于Harris-CPDA的角点检测方法 | |
| CN114399669A (zh) | 目标检测方法和装置 | |
| CN116993803B (zh) | 滑坡形变监测方法、装置及电子设备 | |
| CN109040749A (zh) | 鱼眼模组的光心对位检测方法、装置、设备及存储介质 | |
| CN109800765A (zh) | 一种海洋输油软管的成型过程质量抽检方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |