CN108830838A - 一种亚像素级的pcb板残缺基准点检测方法 - Google Patents
一种亚像素级的pcb板残缺基准点检测方法 Download PDFInfo
- Publication number
- CN108830838A CN108830838A CN201810523189.0A CN201810523189A CN108830838A CN 108830838 A CN108830838 A CN 108830838A CN 201810523189 A CN201810523189 A CN 201810523189A CN 108830838 A CN108830838 A CN 108830838A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- sub
- pcb board
- value
- 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
Classifications
-
- 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8861—Determining coordinates of flaws
- G01N2021/8864—Mapping zones of defects
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30141—Printed circuit board [PCB]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种亚像素级的PCB板残缺基准点检测方法,包括如下步骤:读入一幅PCB板灰度图像1;对PCB板图像预处理:自适应中值滤波去噪,用于去除椒盐类噪声,得到去噪后的图像2;用最大类间方差法进行图像的二值分割,得到二值化图像3;用数学形态学方法对图像进行处理,进一步去除小的干扰点以及孔洞,得到图像4;运用连通域算法求取预处理后的图像特征区域的位置和尺度,然后通过亚像素边缘检测算法和最小二乘法拟合,使基准圆提取与定位效率和精度提高,有效地实现了高精度基准点点提取和定位的要求,克服了以往基准点定位精度低、速度差的缺陷,本发明具有适用性强、准确性高的特点。
Description
技术领域
本发明涉及SMT高速高精度自动贴片机领域,具体涉及一种亚像素级的PCB板残缺基准点检测方法。
背景技术
表面贴装技术SMT(Surface Mount Technology)是新一代电子组装技术,它将传统的电子元器件压缩成为体积只有几十分之一的器件。SMT表面贴装技术主要涉及贴装技术、焊接技术、半导体封装技术、组装设备设计技术、电路成型工艺技术、功能设计模拟技术等。SMT生产线主要包括:贴片机、印刷机、SPI(锡膏检测仪)、波峰焊设备、回流焊设备、AOI检测设备(自动光学检测设备)、X-Ray检测设备、返修工作站等。其中贴片机是用来实现高速、高精度、全自动贴放电子元器件的设备,关系到SMT生产线的效率和精度,是最关键、最复杂的核心的设备。
PCB板的准确定位是实现贴片机精确贴装的关键步骤之一,其中常见的PCB定位孔是圆形孔,因此准确的寻找到圆形基准点并精确地定位圆心,直接影响到整个系统的检测准确性。
现有的圆形基准点检测方法是模板匹配和霍夫变换以及它们各自衍生的相关算法。这些方法都有其独特的适用性,但是它们的精度均没有达到亚像素级,而随着科技的发展,对于精度的要求越来越高。同时霍夫圆检测在PCB有圆干扰的情况下会出现定位错误的现象;模板匹配法在基准点拍摄不全的情况下需要加入各种不同的模板以及算法才能实现定位。因此,提供一种能够实现亚像素级的圆形基准点检测方法并实现在多元件干扰、拍摄不全情况下的非整圆准确定位是十分必要的。
发明内容
针对现有技术中存在不足,本发明提供了一种亚像素级的PCB板残缺基准点检测方法,适用于亚像素级的在多元件干扰、拍摄不全的非整圆情况下检测圆形基准点。
本发明是通过以下技术手段实现上述技术目的的。
一种亚像素级的PCB板残缺基准点检测方法,包括以下步骤:
S1、原始图像的获取:通过基准定位CCD相机获取一幅大小为A×B的PCB板原始图像1;其中:A、B为正整数;
S2、对PCB板原始图像预处理,包括如下步骤:
S2.1、中值滤波去噪:将原始图像1进行中值滤波去噪,得到去燥后的图像2;
S2.2、二值化处理:对图像2进行二值化处理,得到二值图像3;
S2.3、形态学处理:将二值图像3进行形态学开、闭操作进一步去除噪声,其中形态学开操作去除孤立的小点,形态学闭操作去除填补区域内的一些小空洞,得到图像4;
S3、用区域描绘算法计算图像4的区域,并筛选出正确的基准点区域,得到图像5;
S4、用基于多项式插值的亚像素边缘检测算法对图像5进行边缘检测,得出亚像素级的边缘信息;
S5、利用最小二乘法对S4中得到的亚像素边缘点进行拟合,确定它的圆心与半径,得到参数矩阵;
S6、将S5中获取得到的基准点的相关参数利用数值处理软件进行绘制,并显示到原始图像1上,绘制基准点的圆心以及轮廓,最后,输出基准点的圆心坐标以及半径数值。
优选地,所述步骤S2.1中的中值滤波去噪为自适应中值滤波去噪,具体步骤为:
令zmin=Sxy中的最小灰度值、zmax=Sxy中的最大灰度值、zmed=Sxy中的灰度中值、zxy=图像(x,y)处的灰度值;自适应中值滤波算法使用两个处理层次,分别为层次U和层次V:
层次U:如果zmin<zmed<zmax,转至层次V,否则增大窗口尺寸,如果窗口尺寸≤Smax,重复层次U,否则输出zmed;
层次V:如果zmin<zxy<zmax,输出zxy,否则输出zmed;
其中,zmed(x,y)为中心像素灰度值;Sxy表示中心在(x,y),尺寸为p×q的矩形子图像窗口的坐标组;Smax为自适应滤波器窗口允许的最大尺寸。
优选地,所述步骤S2.2中采用最大类间方差法进行二值化处理,首先对滤波去噪后的图像2求取阈值,然后利用得到的阈值对图像2进行二值化处理。
优选地,所述步骤S2.2具体为:
令T为图像2前景与背景的分割阈值,图像2前景区域占图像2的比例为λ0,平均灰度为μ0;图像2背景点数占图像2的比例为λ1,平均灰度为μ1,图像2的总平均灰度为μ,令g为图像2中前景与背景图像的方差,则有:
u=λ0×μ0+λ1×μ1
g=λ0×(μ0-μ)2+λ1×(μ1-μ)2
联立上面两式可得:
g=λ0×λ1×(μ0-μ1)2
即:
当方差g最大的时候,此时的T是最佳阈值,由此最佳阈值T分割图像2得到的前景与背景区域即为二值化图像3的黑色与白色区域。
优选地,所述步骤S3中的具体步骤是:
S3.1、连通域的标记与排序:将步骤S2中得到的图像4求取连通区域的个数并进行编号排序E1,E2,…,Em;
S3.2、圆度阈值设定:设定符合基准点圆度范围的阈值C以及面积阈值D;
S3.3、连通区域的分析计算:对E1,E2,…,Em对应的连通区域分别计算周长Lj、面积Oj和形心坐标(xj,yj),然后求得每个连通域的圆度Fj:
Fj=4*π*Oj/Lj 2
S3.4、寻找最优连通域:将S3.3得到的圆度Fj与面积Oj作为判定依据,与给定的圆度阈值C以及基准点面积阈值D进行比较,得到最匹配的连通域;最后通过形态学处理,选取出该最匹配的连通域即为图像5。
优选地,所述步骤S4中的具体步骤是:
S4.1、根据S3步骤得到的图像5,对图像5进行Canny算子边缘检测,得到像素级的边缘的信息(x0,y0),(x1,y1),(x2,y2),…(xn,yn);
S4.2、根据多项式插值理论,得到公式1:
式中xk为插值点;yk为函数值;f(x)为插值数。
S4.3、通过使用Canny边缘检测算子确定边缘点(xi,yi),在梯度图像R(i,j)的X方向上取三点R(i-1,j),R(i,j),R(i+1,j),以这三点的梯度幅值作为函数值,以(xi-w),xi,(xi+w)三点为插值点,代入公式1即为二次多项式插值:
其中w为像素X方向的间距;
对f(x)微分,并令df(x)/dx=0,得到亚像素边缘x的坐标:
S4.4、在梯度图像R(i,j)的Y方向上取三点R(i-1,j),R(i,j),R(i+1,j),以这三点的梯度幅值作为函数值,以(yi-h),yi,(yi+h)三点为插值点代入公式1,得到亚像素边缘y坐标:
其中h为像素Y方向的间距。
本发明的有益效果:
1、本发明能够克服模板匹配和霍夫变换等方法的缺陷,具备亚像素级的精度,并且本发明能够克服多种元件对于基准点定位的干扰,在拍摄不全情况下的非整圆基准点也能够准确地定位。
2、本发明通过自适应中值滤波算法对PCB板原始图像进行中值滤波去噪处理,滤波处理过程可以对原始图像中椒盐噪声等孤立的噪声点有良好的滤除作用。此外,该算法能够根据被滤波区域的图像特性而自适应图像中不同位置的特性,相比中值滤波更加准确;
3、本发明通过采用对图像运用最大类间方差阈值法进行二值化分割,得到PCB板图像分割的二值图像,减轻误分割的现象,为后续处理提高精度;
4、本发明使用形态学算法进行开、闭运算,去除一些干扰点以及干扰空洞,进一步有效地解决了噪声对算法的影响;
5、本发明通过连通域圆度与连通域面积的双重判定,使得基准点识别的准确性大大增强。
6、本发明通过使用亚像素边缘检测法对基准点边缘进行亚像素级的提取,从而为后续的计算提供更为精确的数据;而选用的多项式插值法具有精度高,计算简便等优点,更适合贴片机这种高速高精度的场合。
7、本发明有效地实现了高精度基准点点提取和定位的要求,克服了以往基准点定位精度低、速度差的缺陷,具有优异的普适性,可以推广应用于其他领域中一切相似的圆形的边界提取、自动测量工作。
附图说明
图1为本发明所述的一种亚像素级的PCB板残缺基准点检测方法的流程图。
图2为本发明实施例的采集到的初始PCB板图像1;
图3为本发明实施例中的自适应中值滤波处理完之后的图像2;
图4为本发明实施例中的最大类间方差法分割处理完之后的图像3;
图5为本发明实施例中的形态学处理后的图像4;
图6为本发明实施例中的精准提取出基准点区域后的图像5;
图7为本发明实施例中的亚像素边缘检测后的图像;
图8为本发明实施例中最小二乘法拟合成功后的图像;
图9~图11为实施例中的多种情况下的基准点定位图像;
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
如图1所示,本发明所述的一种亚像素级的PCB板残缺基准点检测方法,具体包括如下步骤:
S1、原始图像的获取:通过基准定位CCD相机读入一幅大小为480×640的PCB板原始图像1,如图2所示;
S2、对PCB板原始图像预处理,包括如下步骤:
S2.1、自适应中值滤波去噪:将目标图像进行中值滤波去噪,得到去燥后的图像2;如图3所示,具体步骤是:
令zmin=Sxy中的最小灰度值、zmax=Sxy中的最大灰度值、zmed=Sxy中的灰度中值、zxy=坐标(x,y)处的灰度值;自适应中值滤波算法使用两个处理层次,分别为层次U和层次V:
层次U:如果zmin<zmed<zmax,转至层次V,否则增大窗口尺寸,如果窗口尺寸≤Smax,重复层次U,否则输出zmed;
层次V:如果zmin<zxy<zmax,输出zxy,否则输出zmed;
其中,zmed(x,y)为中心像素灰度值;Sxy表示中心在(x,y),尺寸为p×q的矩形子图像窗口的坐标组;Smax为自适应滤波器窗口允许的最大尺寸。
S2.2、二值化处理:采用最大类间方差法对图像2进行二值化处理,得到如图4所示的二值图像3,具体步骤是:
令T为图像2前景与背景的分割阈值,图像2前景区域占图像2的比例为λ0,平均灰度为μ0;图像2背景点数占图像2的比例为λ1,平均灰度为μ1,图像2的总平均灰度为μ,令g为图像2中前景与背景图像的方差,则有:
u=λ0×μ0+λ1×μ1
g=λ0×(μ0-μ)2+λ1×(μ1-μ)2
联立上面两式可得:
g=λ0×λ1×(μ0-μ1)2
即:
当方差g最大的时候,此时的T是最佳阈值,由此最佳阈值分割图像2得到的前景与背景区域即为二值化图像3的黑色与白色区域。本实施例中最佳阈值T=0.4235,阈值的有效性为82.15%;
S2.3、形态学处理:将二值图像3进行形态学开、闭操作进一步去除噪声,其中形态学开操作去除孤立的小点,形态学闭操作去除填补区域内的一些小空洞,得到如图5所示的图像4;
S3、用区域描绘算法计算图像4的区域,并筛选出正确的基准点区域,得到如图6所示的图像5;具体步骤是:
S3.1、连通域的标记与排序:将步骤S2中得到的图像4求取连通区域的个数并进行编号排序E1,E2,…,Em;
S3.2、圆度阈值设定:设定符合基准点圆度范围的阈值C以及面积阈值D;
S3.3、连通区域的分析计算:对E1,E2,…,Em对应的连通区域分别计算其周长Lj、面积Oj、形心坐标(xj,yj),然后求得每个连通域的圆度Fj:
Fj=4*π*Oj/Lj 2
S3.4、寻找最优连通域:将S3.3得到的圆度Fj与面积Oj作为判定依据,与给定的圆度阈值C以及基准点面积阈值D进行比较,得到最匹配的连通域;经过匹配,目标连通域为E46,其周长L46为335.71,面积O46为8143,形心坐标(71.753,483.385),圆度F46=0.908。然后通过形态学处理,选取出该最匹配的连通域即为图像5;
S4、用基于多项式插值的亚像素边缘检测算法对预提取出的基准点区域进行边缘检测,得出亚像素级的边缘信息,如图7所示,具体步骤是:
S4.1、根据S3步骤得到的图像5,对其进行Canny算子边缘检测,得到像素级的边缘的信息(x0,y0),(x1,y1),(x2,y2),…(xn,yn);
S4.2、根据多项式插值理论,得到公式1:
式中xk为插值点;yk为函数值;f(x)为插值数;
S4.3、通过使用Canny边缘检测算子确定边缘点(xi,yi),在梯度图像R(i,j)的X方向上取三点R(i-1,j),R(i,j),R(i+1,j),以这三点的梯度幅值作为函数值,以(xi-w),xi,(xi+w)三点为插值点(其中w为像素X方向的间距),代入公式1即为二次多项式插值:
对f(x)微分,并令df(x)/dx=0,得到亚像素边缘x的坐标:
S4.4、在梯度图像R(i,j)的Y方向上取三点R(i-1,j),R(i,j),R(i+1,j),以这三点的梯度幅值作为函数值,以(yi-h),yi,(yi+h)三点为插值点,其中h为像素Y方向的间距,代入公式1,得到亚像素边缘y坐标:
S5、利用最小二乘法对S4中得到的亚像素边缘点进行拟合,确定它的圆心与半径,得到参数矩阵;
S6、将S5中获取得到的基准点的相关参数利用数值处理软件进行绘制,并显示到原始图像1上,绘制基准点的圆心以及轮廓,最后,输出基准点的圆心坐标以及半径数值;如图8所示;本实施例中基准点中心坐标最终拟合为(71.210,483.064),半径为50.485;在图9~图11中分别展示了在残缺基准点、多干扰情况下的定位效果图。图9中除了基准点外还有上方的一个类圆元器件干扰,还存在着一些遍布PCB板的小型圆干扰;图10中有大量的元器件干扰同时基准点右侧残缺了很小的一部分,而且基准点自身的灰度不均匀;图11中元器件干扰,同时存在着较多的小型圆干扰,基准点残缺了三分之一;可以看到,本算法对于上述情况的干扰有着很好的鲁棒性。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (6)
1.一种亚像素级的PCB板残缺基准点检测方法,其特征在于,包括以下步骤:
S1、原始图像的获取:通过基准定位CCD相机获取一幅大小为A×B的PCB板原始图像1;其中:A、B为正整数;
S2、对PCB板原始图像预处理,包括如下步骤:
S2.1、中值滤波去噪:将原始图像1进行中值滤波去噪,得到去燥后的图像2;
S2.2、二值化处理:对图像2进行二值化处理,得到二值图像3;
S2.3、形态学处理:将二值图像3进行形态学开、闭操作进一步去除噪声,其中形态学开操作去除孤立的小点,形态学闭操作去除填补区域内的一些小空洞,得到图像4;
S3、用区域描绘算法计算图像4的区域,并筛选出正确的基准点区域,得到图像5;
S4、用基于多项式插值的亚像素边缘检测算法对图像5进行边缘检测,得出亚像素级的边缘信息;
S5、利用最小二乘法对S4中得到的亚像素边缘点进行拟合,确定它的圆心与半径,得到参数矩阵;
S6、将S5中获取得到的基准点的相关参数利用数值处理软件进行绘制,并显示到原始图像1上,绘制基准点的圆心以及轮廓,最后,输出基准点的圆心坐标以及半径数值。
2.根据权利要求1所述的亚像素级的PCB板残缺基准点检测方法,其特征在于,所述步骤S2.1中的中值滤波去噪为自适应中值滤波去噪,具体步骤为:
令zmin=Sxy中的最小灰度值、zmax=Sxy中的最大灰度值、zmed=Sxy中的灰度中值、zxy=图像(x,y)处的灰度值;自适应中值滤波算法使用两个处理层次,分别为层次U和层次V:
层次U:如果zmin<zmed<zmax,转至层次V,否则增大窗口尺寸,如果窗口尺寸≤Smax,重复层次U,否则输出zmed;
层次V:如果zmin<zxy<zmax,输出zxy,否则输出zmed;
其中,zmed(x,y)为中心像素灰度值;Sxy表示中心在(x,y),尺寸为p×q的矩形子图像窗口的坐标组;Smax为自适应滤波器窗口允许的最大尺寸。
3.根据权利要求1所述的一种亚像素级的PCB板残缺基准点检测方法,其特征在于,所述步骤S2.2中采用最大类间方差法进行二值化处理,首先对滤波去噪后的图像2求取阈值,然后利用得到的阈值对图像2进行二值化处理。
4.根据权利要求1所述的一种亚像素级的PCB板残缺基准点检测方法,其特征在于,所述步骤S2.2具体为:
令T为图像2前景与背景的分割阈值,图像2前景区域占图像2的比例为λ0,平均灰度为μ0;图像2背景点数占图像2的比例为λ1,平均灰度为μ1,图像2的总平均灰度为μ,令g为图像2中前景与背景图像的方差,则有:
u=λ0×μ0+λ1×μ1
g=λ0×(μ0-μ)2+λ1×(μ1-μ)2
联立上面两式可得:
g=λ0×λ1×(μ0-μ1)2
即:
当方差g最大的时候,此时的T是最佳阈值,由此最佳阈值T分割图像2得到的前景与背景区域即为二值化图像3的黑色与白色区域。
5.根据权利要求1所述的一种亚像素级的PCB板残缺基准点检测方法,其特征在于,所述步骤S3中的具体步骤是:
S3.1、连通域的标记与排序:将步骤S2中得到的图像4求取连通区域的个数并进行编号排序E1,E2,…,Em;
S3.2、圆度阈值设定:设定符合基准点圆度范围的阈值C以及面积阈值D;
S3.3、连通区域的分析计算:对E1,E2,…,Em对应的连通区域分别计算周长Lj、面积Oj和形心坐标(xj,yj),然后求得每个连通域的圆度Fj:
Fj=4*π*Oj/Lj 2
S3.4、寻找最优连通域:将S3.3得到的圆度Fj与面积Oj作为判定依据,与给定的圆度阈值C以及基准点面积阈值D进行比较,得到最匹配的连通域;最后通过形态学处理,选取出该最匹配的连通域即为图像5。
6.根据权利要求1所述的一种亚像素级的PCB板残缺基准点检测方法,其特征在于,所述步骤S4中的具体步骤是:
S4.1、根据S3步骤得到的图像5,对图像5进行Canny算子边缘检测,得到像素级的边缘的信息(x0,y0),(x1,y1),(x2,y2),…(xn,yn);
S4.2、根据多项式插值理论,得到公式1:
式中xk为插值点;yk为函数值;f(x)为插值数。
S4.3、通过使用Canny边缘检测算子确定边缘点(xi,yi),在梯度图像R(i,j)的X方向上取三点R(i-1,j),R(i,j),R(i+1,j),以这三点的梯度幅值作为函数值,以(xi-w),xi,(xi+w)三点为插值点,代入公式1即为二次多项式插值:
其中w为像素X方向的间距;
对f(x)微分,并令df(x)/dx=0,得到亚像素边缘x的坐标:
S4.4、在梯度图像R(i,j)的Y方向上取三点R(i-1,j),R(i,j),R(i+1,j),以这三点的梯度幅值作为函数值,以(yi-h),yi,(yi+h)三点为插值点代入公式1,得到亚像素边缘y坐标:
其中h为像素Y方向的间距。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810523189.0A CN108830838A (zh) | 2018-05-28 | 2018-05-28 | 一种亚像素级的pcb板残缺基准点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810523189.0A CN108830838A (zh) | 2018-05-28 | 2018-05-28 | 一种亚像素级的pcb板残缺基准点检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108830838A true CN108830838A (zh) | 2018-11-16 |
Family
ID=64146289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810523189.0A Pending CN108830838A (zh) | 2018-05-28 | 2018-05-28 | 一种亚像素级的pcb板残缺基准点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830838A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109365877A (zh) * | 2018-12-20 | 2019-02-22 | 长安大学 | 一种数控机床零件加工自动定位方法 |
CN109580633A (zh) * | 2018-11-30 | 2019-04-05 | 佛山职业技术学院 | 一种木板自动贴面生产设备及木板自动贴面的方法 |
CN109725002A (zh) * | 2019-01-23 | 2019-05-07 | 深圳市华星光电技术有限公司 | 一种基于aoi的基板缺陷类别判别方法 |
CN109785324A (zh) * | 2019-02-01 | 2019-05-21 | 佛山市南海区广工大数控装备协同创新研究院 | 一种大幅面pcb板定位方法 |
CN109900711A (zh) * | 2019-04-02 | 2019-06-18 | 天津工业大学 | 基于机器视觉的工件缺陷检测方法 |
CN110175999A (zh) * | 2019-05-30 | 2019-08-27 | 广东工业大学 | 一种位姿检测方法、系统及装置 |
CN110766672A (zh) * | 2019-10-21 | 2020-02-07 | 郑州迈拓信息技术有限公司 | 电极脏污检测方法 |
CN111583193A (zh) * | 2020-04-21 | 2020-08-25 | 广州番禺职业技术学院 | 基于几何轮廓模板匹配的开心果骨架提取装置及其算法 |
CN111583216A (zh) * | 2020-04-30 | 2020-08-25 | 深圳比特微电子科技有限公司 | Pcba电路板的缺陷检测方法 |
CN111640154A (zh) * | 2020-05-24 | 2020-09-08 | 西安交通大学 | 一种基于显微视觉的立针微平面亚像素级定位方法 |
CN111986208A (zh) * | 2019-10-25 | 2020-11-24 | 深圳市安达自动化软件有限公司 | 一种目标标记定位圆的捕捉定位方法、装置、计算机设备 |
CN112347950A (zh) * | 2020-11-11 | 2021-02-09 | 湖北大学 | 基于深度学习的pcb板镭射标靶识别方法及系统 |
CN112489042A (zh) * | 2020-12-21 | 2021-03-12 | 大连工业大学 | 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法 |
CN112762865A (zh) * | 2020-12-28 | 2021-05-07 | 苏州维嘉科技股份有限公司 | 一种背钻孔检测设备和方法 |
CN113066389A (zh) * | 2019-12-26 | 2021-07-02 | 杭州海康威视数字技术股份有限公司 | 发光二极管(led)灯板处理方法及装置 |
CN113222978A (zh) * | 2021-05-31 | 2021-08-06 | 安徽国芯智能装备有限公司 | 一种靶标识别方法 |
CN113313641A (zh) * | 2021-04-28 | 2021-08-27 | 北京理工大学 | 一种自适应中值滤波的ct图像去噪方法 |
CN113808067A (zh) * | 2020-06-11 | 2021-12-17 | 广东美的白色家电技术创新中心有限公司 | 电路板检测方法、视觉检测设备及具有存储功能的装置 |
CN115229355A (zh) * | 2022-09-22 | 2022-10-25 | 江苏双赢锻压机床有限公司 | 高精密冲压锻件用激光切割方法 |
CN116503401A (zh) * | 2023-06-26 | 2023-07-28 | 成都数联云算科技有限公司 | 一种pcb连板目标检测方法、装置、设备和介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208117A (zh) * | 2013-03-21 | 2013-07-17 | 袁景 | 一种多功能智能皮带表面斑块边缘检测方法 |
CN104063850A (zh) * | 2014-06-24 | 2014-09-24 | 广东互维科技有限公司 | 红眼修复方法 |
-
2018
- 2018-05-28 CN CN201810523189.0A patent/CN108830838A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208117A (zh) * | 2013-03-21 | 2013-07-17 | 袁景 | 一种多功能智能皮带表面斑块边缘检测方法 |
CN104063850A (zh) * | 2014-06-24 | 2014-09-24 | 广东互维科技有限公司 | 红眼修复方法 |
Non-Patent Citations (1)
Title |
---|
李华杰: "基于DSP的SMT贴片头定位与片状元件纠偏技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109580633A (zh) * | 2018-11-30 | 2019-04-05 | 佛山职业技术学院 | 一种木板自动贴面生产设备及木板自动贴面的方法 |
CN109365877A (zh) * | 2018-12-20 | 2019-02-22 | 长安大学 | 一种数控机床零件加工自动定位方法 |
CN109725002A (zh) * | 2019-01-23 | 2019-05-07 | 深圳市华星光电技术有限公司 | 一种基于aoi的基板缺陷类别判别方法 |
CN109785324B (zh) * | 2019-02-01 | 2020-11-27 | 佛山市南海区广工大数控装备协同创新研究院 | 一种大幅面pcb板定位方法 |
CN109785324A (zh) * | 2019-02-01 | 2019-05-21 | 佛山市南海区广工大数控装备协同创新研究院 | 一种大幅面pcb板定位方法 |
CN109900711A (zh) * | 2019-04-02 | 2019-06-18 | 天津工业大学 | 基于机器视觉的工件缺陷检测方法 |
CN110175999A (zh) * | 2019-05-30 | 2019-08-27 | 广东工业大学 | 一种位姿检测方法、系统及装置 |
CN110766672A (zh) * | 2019-10-21 | 2020-02-07 | 郑州迈拓信息技术有限公司 | 电极脏污检测方法 |
CN111986208A (zh) * | 2019-10-25 | 2020-11-24 | 深圳市安达自动化软件有限公司 | 一种目标标记定位圆的捕捉定位方法、装置、计算机设备 |
CN113066389A (zh) * | 2019-12-26 | 2021-07-02 | 杭州海康威视数字技术股份有限公司 | 发光二极管(led)灯板处理方法及装置 |
CN111583193A (zh) * | 2020-04-21 | 2020-08-25 | 广州番禺职业技术学院 | 基于几何轮廓模板匹配的开心果骨架提取装置及其算法 |
CN111583193B (zh) * | 2020-04-21 | 2021-04-23 | 广州番禺职业技术学院 | 基于几何轮廓模板匹配的开心果骨架提取装置及其算法 |
CN111583216A (zh) * | 2020-04-30 | 2020-08-25 | 深圳比特微电子科技有限公司 | Pcba电路板的缺陷检测方法 |
CN111640154A (zh) * | 2020-05-24 | 2020-09-08 | 西安交通大学 | 一种基于显微视觉的立针微平面亚像素级定位方法 |
CN111640154B (zh) * | 2020-05-24 | 2022-04-05 | 西安交通大学 | 一种基于显微视觉的立针微平面亚像素级定位方法 |
CN113808067A (zh) * | 2020-06-11 | 2021-12-17 | 广东美的白色家电技术创新中心有限公司 | 电路板检测方法、视觉检测设备及具有存储功能的装置 |
CN112347950A (zh) * | 2020-11-11 | 2021-02-09 | 湖北大学 | 基于深度学习的pcb板镭射标靶识别方法及系统 |
CN112347950B (zh) * | 2020-11-11 | 2024-04-05 | 湖北大学 | 基于深度学习的pcb板镭射标靶识别方法及系统 |
CN112489042A (zh) * | 2020-12-21 | 2021-03-12 | 大连工业大学 | 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法 |
CN112762865A (zh) * | 2020-12-28 | 2021-05-07 | 苏州维嘉科技股份有限公司 | 一种背钻孔检测设备和方法 |
CN113313641A (zh) * | 2021-04-28 | 2021-08-27 | 北京理工大学 | 一种自适应中值滤波的ct图像去噪方法 |
CN113222978A (zh) * | 2021-05-31 | 2021-08-06 | 安徽国芯智能装备有限公司 | 一种靶标识别方法 |
CN115229355A (zh) * | 2022-09-22 | 2022-10-25 | 江苏双赢锻压机床有限公司 | 高精密冲压锻件用激光切割方法 |
CN115229355B (zh) * | 2022-09-22 | 2022-12-13 | 江苏双赢锻压机床有限公司 | 高精密冲压锻件用激光焊接方法 |
CN116503401A (zh) * | 2023-06-26 | 2023-07-28 | 成都数联云算科技有限公司 | 一种pcb连板目标检测方法、装置、设备和介质 |
CN116503401B (zh) * | 2023-06-26 | 2023-09-22 | 成都数联云算科技有限公司 | 一种pcb连板目标检测方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830838A (zh) | 一种亚像素级的pcb板残缺基准点检测方法 | |
CN109785316B (zh) | 一种芯片表观缺陷检测方法 | |
KR920004956B1 (ko) | 도형인식장치 | |
CN102999886B (zh) | 图像边缘检测器及标尺光栅栅线精度检测系统 | |
CN108510476B (zh) | 一种基于机器视觉的手机屏线路检测方法 | |
CN110047063B (zh) | 一种物料掉落的检测方法、装置、设备及存储介质 | |
CN109345554A (zh) | 一种基于rgb-d相机的粘连蘑菇视觉原位测量方法 | |
CN108038481A (zh) | 一种结合最大极值稳定区域和笔画宽度变化的文本定位方法 | |
CN109409355A (zh) | 一种新型变压器铭牌识别的方法及装置 | |
CN113781486B (zh) | Ic卡图像缺陷检测方法 | |
CN114047123A (zh) | 一种用于集成板生产缺陷检测方法及检测系统 | |
CN112164050B (zh) | 用于流水线上产品表面缺陷的检测方法、设备及存储介质 | |
CN111251336A (zh) | 一种基于视觉定位的双臂协同智能装配系统 | |
CN111161295A (zh) | 一种菜品图像背景剥离方法 | |
CN115019024B (zh) | 一种qfp的视觉识别方法 | |
CN106503720B (zh) | 一种去除吸嘴干扰的元件图像识别方法 | |
CN113781413A (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
CN113112396A (zh) | 导电粒子的检测方法 | |
CN108898584B (zh) | 一种基于图像分析的全自动贴面电容装焊极性判别方法 | |
CN110765993A (zh) | 基于ai算法的sem图形量测方法 | |
CN111508017B (zh) | 一种弱对比度定位标记中心的方法和系统 | |
CN113222978A (zh) | 一种靶标识别方法 | |
CN110781746B (zh) | 一种枸杞识别与定位方法 | |
CN112991327A (zh) | 基于机器视觉的钢格网焊接系统、方法和终端设备 | |
CN112734779A (zh) | 一种圆点标定板边缘亚像素检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181116 |