CN109087276B - 基于smt料盘的x射线图像的元器件自动计数和定位方法 - Google Patents

基于smt料盘的x射线图像的元器件自动计数和定位方法 Download PDF

Info

Publication number
CN109087276B
CN109087276B CN201810473991.3A CN201810473991A CN109087276B CN 109087276 B CN109087276 B CN 109087276B CN 201810473991 A CN201810473991 A CN 201810473991A CN 109087276 B CN109087276 B CN 109087276B
Authority
CN
China
Prior art keywords
image
components
component
ray
counting
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.)
Active
Application number
CN201810473991.3A
Other languages
English (en)
Other versions
CN109087276A (zh
Inventor
章程
袁刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Simawei Technology Co ltd
Original Assignee
Suzhou Simawei Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Simawei Technology Co ltd filed Critical Suzhou Simawei Technology Co ltd
Priority to CN201810473991.3A priority Critical patent/CN109087276B/zh
Publication of CN109087276A publication Critical patent/CN109087276A/zh
Application granted granted Critical
Publication of CN109087276B publication Critical patent/CN109087276B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/10116—X-ray 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
    • G06T2207/20036—Morphological image processing
    • 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
    • G06T2207/30164—Workpiece; Machine component
    • 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
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于SMT料盘的X射线图像的元器件自动计数和定位方法，包括以下步骤：1)加载SMT料盘的X射线透视图像；2)测量X射线透视图像中的距离参数；3)选取阈值，利用阈值分割算法将X射线透视图像分为目标连通域和背景，得到二值图像；4)利用数学形态学方法初步处理得到的二值图像，提取二值图像中每个连通域的质心点；5)根据位置约束和距离约束准则对质心点聚类，计算每个元器件的近似中心点坐标；6)对所有元器件的中心点进行计数，输出元器件总数及所有元器件中心点坐标。本发明直接寻找每个元器件的近似中心点，并利用这些中心点进行计数和定位，本发明不需要处理粘连区域的分割问题，能够有效提高检测的准确率。

Description

基于SMT料盘的X射线图像的元器件自动计数和定位方法
技术领域
本发明涉及数字图像处理技术领域，特别涉及一种基于SMT料盘的X射线图像的元器件自动计数和定位方法。
背景技术
SMT物料盘元器件数目较多且排列紧密，器件间距离较小，其X射线图像中器件的投影会发生局部粘连和重叠现象，现有技术对粘连区域的分割精准度还有所欠缺，从而对元器件的检测和统计形成干扰，漏检率较高。已有的自动计数和定位方法包含检测、分割、提取计数三个步骤。具体内容包括：对X射线透视图像进行增强预处理，初步筛选目标元器件所在连通域，然后利用分割算法划分出粘连零件之间的边界，得到单个元器件的目标区域，最后进行目标提取和计数统计。现有方法的计数和定位思路是找到能够尽量完整覆盖每一个元器件的连通域，通过对粘连区域进行分割，使每个连通域单独覆盖一个元器件，利用连通域的个数进行计数，并利用连通域的中心近似指示元器件的中心，实现定位，因此粘连区域的分割精度直接影响最终检测的准确率。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于SMT料盘的X射线图像的元器件自动计数和定位方法。
为解决上述技术问题，本发明采用的技术方案是：一种基于SMT料盘的X射线图像的元器件自动计数和定位方法，包括以下步骤：
1)加载SMT料盘的X射线透视图像；
2)测量X射线透视图像中的距离参数，其包括元器件的长和宽；
3)选取阈值，利用阈值分割算法将X射线透视图像分为目标连通域和背景，得到二值图像；
4)利用数学形态学方法初步处理得到的二值图像，减少单个元器件的连通域个数，提取二值图像中每个连通域的质心点；
5)根据位置约束和距离约束准则对质心点聚类，找到归属于每个元器件的质心点集合，进而计算每个元器件的近似中心点坐标，并将其作为每个元器件的中心点坐标；
6)对所有元器件的中心点进行计数，输出元器件总数及所有元器件中心点坐标。
优选的是，所述的阈值分割算法具体为：通过比较X射线图像的灰度值与阈值的大小关系，对图像赋值为0或1，得到二值图像，其数学表达式如下：
Figure GDA0001862403800000021
其f为输入X射线图像，L为输出的二值图像，L中等于0的区域为背景，等于1的区域为目标连通域，i,j分别为图像的行列索引，t为阈值。
优选的是，所述步骤3)中阈值的选取准则为：阈值需小于元器件间粘连区域的灰度值并且大于元器件的平均灰度。
优选的是，所述的数学形态学方法包括连通域质心点提取算法以及膨胀算法。
优选的是，所述步骤5)中的位置约束是指元器件的质心点与料盘近似圆心的位置关系；其中的距离约束是指测量得到的距离参数，包括元器件的长和宽。
优选的是，所述步骤5)中元器件的近似中心点坐标由归属于当前元器件的所有质心点的坐标的平均值计算得到。
优选的是，所述的料盘近似圆心的坐标由所有元器件的质心点的坐标平均值计算得到。
本发明的有益效果是：本发明的基于SMT料盘的X射线图像的元器件自动计数和定位方法，提出一种直接寻找每个元器件的近似中心点，并利用这些中心点进行计数和定位的图像处理技术。本发明首先通过阈值分割将X射线透视图像分为背景和目标，通过阈值的设置使每一个元器件分裂为多个连通域，不同元器件的连通域没有粘连，避免了现有方法需要处理粘连的问题；然后通过数学形态学方法对图像进行初步处理，减少单个元器件的连通域个数，提取每个连通域的质心点；最后利用位置约束和距离约束判断归属于每个元器件的质心点集合，计算每个元器件的近似中心点，作为元器件的中心点，以中心点个数计数元器件，以中心点坐标定位元器件。由于本发明不需要处理粘连区域的分割问题，能够有效提高检测的准确率。本发明的方法准确率高、效率高，具有很好的应用前景。
附图说明
图1为本发明的基于SMT料盘的X射线图像的元器件自动计数和定位方法的执行流程示意图；
图2为本发明的一种实施例中的SMT料盘X射线图像原图；
图3为本发明的图2中的SMT料盘X射线图像原图的局部放大示意图；
图4为本发明的一种实施例中得到的二值图像；
图5为本发明的一种实施例中的质心点提取结果示意图；
图6为本发明的一种实施例中的中心点提取结果示意图；
图7为本发明的一种实施例中的中心点标注的原始图像。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
本实施例的一种基于SMT料盘的X射线图像的元器件自动计数和定位方法，包括以下步骤：
1)加载SMT料盘的X射线透视图像；
2)测量X射线透视图像中的距离参数，其包括元器件的长和宽；
3)选取阈值，利用阈值分割算法将X射线透视图像分为目标连通域和背景，得到二值图像；
4)利用数学形态学方法初步处理得到的二值图像，减少单个元器件的连通域个数，提取二值图像中每个连通域的质心点；
5)根据位置约束和距离约束准则对质心点聚类，找到归属于每个元器件的质心点集合，进而计算每个元器件的近似中心点坐标，并将其作为每个元器件的中心点坐标；
6)对所有元器件的中心点进行计数，输出元器件总数及所有元器件中心点坐标。
其中，的阈值分割算法具体为：通过比较X射线图像的灰度值与阈值的大小关系，对图像赋值为0或1，得到二值图像，其数学表达式如下：
Figure GDA0001862403800000041
其f为输入X射线图像，L为输出的二值图像，L中等于0的区域为背景，等于1的区域为目标连通域，i,j分别为图像的行列索引，t为阈值。
其中，步骤3)中阈值的选取准则为：阈值需小于元器件间粘连区域的灰度值并且大于元器件的平均灰度。
其中，的数学形态学方法包括连通域质心点提取算法以及膨胀算法。
其中，步骤5)中的位置约束是指元器件的质心点与料盘近似圆心的位置关系；其中的距离约束是指测量得到的距离参数，包括元器件的长和宽。步骤5)中元器件的近似中心点坐标由归属于当前元器件的所有质心点的坐标的平均值计算得到。料盘近似圆心的坐标由所有元器件的质心点的坐标平均值计算得到。
图1是本发明的基于SMT料盘的X射线图像的元器件自动计数和定位方法的执行流程示意图。在一种实施例中，可通过多个功能模块实现本发明的方法，各单元模块功能如下：
图像加载单元：加载图像，在计算机上读取待处理的X射线透视图像；
参数测量单元：进行参数测量，输入图像中相应点的坐标，计算出所需的距离参数；
阈值分割单元：进行阈值分割，用于将图像区分为目标连通域和背景，生成二值图像；
数学形态学图像处理单元：进行数学形态学图像处理，用于图像的初步处理，减少单个元器件的连通域个数；
质心点提取单元：用于提取连通域的质心点；
中心点坐标计算单元：判断归属于每个元器件的质心点集合，计算元器件的中心点坐标；
计数和坐标输出单元：用于根据中心点个数统计元器件的总数，并输出中心点坐标实现定位。
在一种实施例中，本发明的基于SMT料盘的X射线图像的元器件自动计数和定位方法主要包括以下步骤：
步骤1：读取待处理的X射线透视图像，如图2所示，存储在计算机中，方便后续单元进行处理。
步骤2：输入图像中任意元器件的对角角点坐标，计算元器件的长和宽；
步骤3：利用阈值分割算法将图像分为目标连通域和背景，生成二值图像，如图3所示；
步骤4：提取当前二值图像所有连通域的质心，膨胀若干次后，再次提取质心点，如图4所示，膨胀次数满足
K＝[Width/3]
其中K为膨胀次数，Width为元器件的宽度，f(x)＝[x]为取整函数。
步骤5：根据位置约束和距离约束准则判断归属于每个元器件的质心点集合，利用这些质心点计算每个元器件的近似中心点坐标，并将其作为每个元器件的中心点坐标，所得中心点如图5所示。任意两个质心点归属于同一元器件满足的距离约束条件为
dist(X,Y)＜0.75×Length
其中X,Y为任意两个质心点，dist(X,Y)表示两点的距离，Length为元器件的长度；
满足的位置约束条件为：
Figure GDA0001862403800000051
其中
Figure GDA0001862403800000052
表示点X指向点Y的向量，
Figure GDA0001862403800000053
表示SMT料盘近似圆心O指向点X的向量，
Figure GDA0001862403800000061
表示计算两个向量的内积，
Figure GDA0001862403800000062
表示计算向量的模。
步骤6：根据中心点数目统计和输出SMT料盘上元器件的总数以及每个元器件的中心点坐标。如图6所示，中心点位置由十字记号标注。
图3为本发明的图2中的SMT料盘X射线图像原图中的矩形框内的局部放大示意图。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。

Claims (6)

1.一种基于SMT料盘的X射线图像的元器件自动计数和定位方法，其特征在于，包括以下步骤：
1)加载SMT料盘的X射线透视图像；
2)测量X射线透视图像中的距离参数，其包括元器件的长和宽；
3)选取阈值，利用阈值分割算法将X射线透视图像分为目标连通域和背景，得到二值图像；
4)利用数学形态学方法初步处理得到的二值图像，减少单个元器件的连通域个数，提取二值图像中每个连通域的质心点；
5)根据位置约束和距离约束准则对质心点聚类，找到归属于每个元器件的质心点集合，进而计算每个元器件的近似中心点坐标，并将其作为每个元器件的中心点坐标；
6)对所有元器件的中心点进行计数，输出元器件总数及所有元器件中心点坐标；
所述的阈值分割算法具体为：通过比较X射线图像的灰度值与阈值的大小关系，对图像赋值为0或1，得到二值图像，其数学表达式如下：
Figure FDA0003274264890000011
其f为输入X射线图像，L为输出的二值图像，L中等于0的区域为背景，等于1的区域为目标连通域，i,j分别为图像的行列索引，t为阈值。
2.根据权利要求1所述的基于SMT料盘的X射线图像的元器件自动计数和定位方法，其特征在于，所述步骤3)中阈值的选取准则为：阈值需小于元器件间粘连区域的灰度值并且大于元器件的平均灰度。
3.根据权利要求1所述的基于SMT料盘的X射线图像的元器件自动计数和定位方法，其特征在于，所述的数学形态学方法包括连通域质心点提取算法以及膨胀算法。
4.根据权利要求1所述的基于SMT料盘的X射线图像的元器件自动计数和定位方法，其特征在于，所述步骤5)中的位置约束是指元器件的质心点与料盘近似圆心的位置关系；其中的距离约束是指测量得到的距离参数，包括元器件的长和宽。
5.根据权利要求4所述的基于SMT料盘的X射线图像的元器件自动计数和定位方法，其特征在于，所述步骤5)中元器件的近似中心点坐标由归属于当前元器件的所有质心点的坐标的平均值计算得到。
6.根据权利要求4所述的基于SMT料盘的X射线图像的元器件自动计数和定位方法，其特征在于，所述的料盘近似圆心的坐标由所有元器件的质心点的坐标平均值计算得到。
CN201810473991.3A 2018-05-17 2018-05-17 基于smt料盘的x射线图像的元器件自动计数和定位方法 Active CN109087276B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810473991.3A CN109087276B (zh) 2018-05-17 2018-05-17 基于smt料盘的x射线图像的元器件自动计数和定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810473991.3A CN109087276B (zh) 2018-05-17 2018-05-17 基于smt料盘的x射线图像的元器件自动计数和定位方法

Publications (2)

Publication Number Publication Date
CN109087276A CN109087276A (zh) 2018-12-25
CN109087276B true CN109087276B (zh) 2022-02-01

Family

ID=64839653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810473991.3A Active CN109087276B (zh) 2018-05-17 2018-05-17 基于smt料盘的x射线图像的元器件自动计数和定位方法

Country Status (1)

Country Link
CN (1) CN109087276B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111380457B (zh) * 2018-12-29 2024-02-06 上海晨兴希姆通电子科技有限公司 料盘的定位方法及系统
CN110307934A (zh) * 2019-06-18 2019-10-08 合肥安杰特光电科技有限公司 一种基于图形分析的均匀物体质心实时检测方法
CN111784777A (zh) * 2020-07-09 2020-10-16 千顺智能(珠海)有限公司 基于卷积神经网络的smt物料数量统计方法及统计系统
CN113379784B (zh) * 2021-05-30 2022-03-25 南方医科大学 一种基于x射线投影的smt物料盘电子元器件的计数方法
CN116740332B (zh) * 2023-06-01 2024-04-02 南京航空航天大学 基于区域检测的星上空间目标部件中心定位和测角方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105261017A (zh) * 2015-10-14 2016-01-20 长春工业大学 基于路面约束的图像分割法提取行人感兴趣区域的方法
WO2016123525A1 (en) * 2015-01-30 2016-08-04 Raytheon Company Apparatus and methods for classifying and counting corn kernels
CN106097369A (zh) * 2016-06-16 2016-11-09 天津工业大学 一种smt物料盘x射线透视图像分割检测与计数统计方法及装置
CN106447020A (zh) * 2016-09-13 2017-02-22 上海海事大学 一种智能菌落计数方法
CN106485708A (zh) * 2016-10-11 2017-03-08 南京航空航天大学 一种基于图像识别的圆木计数方法
CN107730499A (zh) * 2017-10-31 2018-02-23 河海大学 一种基于nu‑支持向量机的白细胞分类方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103745475B (zh) * 2014-01-22 2017-02-08 哈尔滨工业大学 一种用于球形引脚元件的检测与定位方法
CN103761534B (zh) * 2014-01-22 2017-03-01 哈尔滨工业大学 一种用于qfp元件视觉定位的检测方法
CN104460988B (zh) * 2014-11-11 2017-12-22 陈琦 一种智能手机虚拟现实设备的输入控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016123525A1 (en) * 2015-01-30 2016-08-04 Raytheon Company Apparatus and methods for classifying and counting corn kernels
CN105261017A (zh) * 2015-10-14 2016-01-20 长春工业大学 基于路面约束的图像分割法提取行人感兴趣区域的方法
CN106097369A (zh) * 2016-06-16 2016-11-09 天津工业大学 一种smt物料盘x射线透视图像分割检测与计数统计方法及装置
CN106447020A (zh) * 2016-09-13 2017-02-22 上海海事大学 一种智能菌落计数方法
CN106485708A (zh) * 2016-10-11 2017-03-08 南京航空航天大学 一种基于图像识别的圆木计数方法
CN107730499A (zh) * 2017-10-31 2018-02-23 河海大学 一种基于nu‑支持向量机的白细胞分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"位置信息约束的SMT料盘X射线图像检测方法";耿磊 等;《红外与激光工程》;20170630;第46卷(第6期);0617004-1-7 *

Also Published As

Publication number Publication date
CN109087276A (zh) 2018-12-25

Similar Documents

Publication Publication Date Title
CN109087276B (zh) 基于smt料盘的x射线图像的元器件自动计数和定位方法
CN109978839B (zh) 晶圆低纹理缺陷的检测方法
CN115249246B (zh) 一种光学玻璃表面缺陷检测方法
CN110619333B (zh) 一种文本行分割方法、文本行分割装置及电子设备
CN108898132B (zh) 一种基于形状上下文描述的太赫兹图像危险品识别方法
CN102044071A (zh) 基于fpga的单像素边缘检测方法
CN107944354B (zh) 一种基于深度学习的车辆检测方法
CN110533654A (zh) 零部件的异常检测方法及装置
CN109767445A (zh) 一种高精度的pcb缺陷智能检测方法
CN112364865B (zh) 一种复杂场景中运动小目标的检测方法
CN111860494A (zh) 图像目标检测的优化方法、装置、电子设备和存储介质
CN104123554A (zh) 基于mmtd的sift图像特征提取方法
Zheng et al. Improvement of grayscale image 2D maximum entropy threshold segmentation method
CN115187602A (zh) 基于图像处理的注塑件缺陷检测方法及系统
CN109727226A (zh) 一种基于机器学习的位置表自动生成方法
CN116704516B (zh) 一种用于水溶肥料包装的视觉检测方法
CN113657423A (zh) 适用于小体积零件与堆叠零件的目标检测方法及其应用
CN107358621B (zh) 对象跟踪方法及装置
CN114418898A (zh) 一种基于目标重叠度计算和自适应调整的数据增强方法
CN110363730A (zh) 一种基于颜色直方图峰值的自适应超像素分割方法
CN104809460B (zh) 晶体中心位置图生成方法及晶体像素查找表生成方法
CN113033256B (zh) 一种指尖检测模型的训练方法和设备
CN112330611A (zh) 一种面向fpga的高并行性光斑分割方法
CN116664613B (zh) 一种基于fpga的像素边缘位置检测方法、系统及存储介质
Zhang et al. Moving cast shadow detection based on regional growth

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