CN110544235A - 一种基于微分几何的柔性电路板图像区域识别方法 - Google Patents

一种基于微分几何的柔性电路板图像区域识别方法 Download PDF

Info

Publication number
CN110544235A
CN110544235A CN201910698744.8A CN201910698744A CN110544235A CN 110544235 A CN110544235 A CN 110544235A CN 201910698744 A CN201910698744 A CN 201910698744A CN 110544235 A CN110544235 A CN 110544235A
Authority
CN
China
Prior art keywords
contour
image
classified
points
curvature
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
Application number
CN201910698744.8A
Other languages
English (en)
Other versions
CN110544235B (zh
Inventor
杜娟
沈思昀
姚灵芝
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201910698744.8A priority Critical patent/CN110544235B/zh
Publication of CN110544235A publication Critical patent/CN110544235A/zh
Application granted granted Critical
Publication of CN110544235B publication Critical patent/CN110544235B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T7/13—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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/752—Contour matching
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • G06T2207/30141—Printed circuit board [PCB]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于微分几何的柔性电路板图像区域识别方法，包括S1采集FPC表面图像作为待分类图像；S2基于自适应选取初始种子点的区域生长法提取待分类图像的轮廓；S3选定标准模板轮廓，计算标准模板轮廓的曲率，并将其转换为直方图；S4计算待分类图像轮廓的离散曲率，并将其转换为与标准模版轮廓具有相同组距的直方图；S5采用EMD距离评价待分类图像轮廓与标准模版轮廓的相似性；S6识别轮廓。本发明满足了实际检测中对单一的FPC组成部分进行缺陷检测的需求。

Description

一种基于微分几何的柔性电路板图像区域识别方法
技术领域
本发明涉及FPC图像处理领域，具体涉及一种基于微分几何的柔性电路板图像区域识别方法。
背景技术
柔性印制电路板(Flexible Printed Circuit，FPC)是刚性印制电路板(PrintedCircuitBoard，PCB)产业中相对高端的产品，其制作成本和工艺难度远高于PCB,因此更加需要在生产过程中及时检测FPC的质量，尽早查找和排除不良品以避免原材料、时间及人力成本的浪费。
自动光学检测(Automatic Optical Inspection，AOI)则是基于光学检测原理，可以无接触地测量FPC表面的物理参数并检测表面缺陷。相对于电气检测来说不会对FPC板造成二次损伤，对比人工检测则在检测效率、精度上均有大幅提升，具备自动、高效以及多尺度等优势。
AOI检测FPC表面缺陷的流程主要包括图像采集、图像预处理、FPC组成部分定位、缺陷检测及识别等步骤，其核心在于FPC组成部分定位以及缺陷检测识别两部分。
由于实际应用中FPC各组成部分的缺陷种类和检测标准都不同，且大部分算法存在只能定位识别单一的FPC组成部分的问题，因此有必要对FPC图像进行区域识别并针对FPC不同区域采取相应的缺陷检测算法。然而现有的FPC图像处理技术在实现上往往跳过了识别步骤直接采集不同部位图像，并不符合实际检测需求，因此本发明提出一种基于微分几何理论的FPC图像区域识别方法。
发明内容
为了实现FPC图像的区域识别及为后续缺陷检测步骤提供信息，本发明提供一种基于微分几何的柔性电路板图像区域识别方法。
本发明首先对FPC表面图像进行轮廓提取，接着利用基于微分几何理论的双向差分法计算已获得准确线路轮廓的FPC图像上轮廓的离散曲率，然后结合陆地移动距离(Earth Move Distance)度量待分类轮廓与标准模板轮廓的相似性，最后实现FPC各组成部分的分类识别。在该技术方案中，实现了FPC组成部位识别，为实际缺陷检测方案提供了区域类别信息，方便后续检测步骤的进行。
本发明采用如下技术方案：
一种基于微分几何的柔性电路板图像区域识别方法，包括如下步骤：
S1采集FPC表面图像作为待分类图像；
S2基于自适应选取初始种子点的区域生长法提取待分类图像的轮廓；
S3选定标准模板轮廓，计算标准模板轮廓的曲率，并将其转换为直方图；
S4计算待分类图像轮廓的离散曲率，并将其转换为与标准模版轮廓具有相同组距的直方图；
以频率l对待分类图像轮廓、标准模板轮廓上的像素点取样，每隔l个像素点利用双向差分法估算一次曲率，将待分类轮廓与模板轮廓的曲率转换为具有相同组距的直方图。
S5采用EMD距离评价待分类图像轮廓与标准模版轮廓的相似性；
S6识别轮廓。
所述S2基于自适应选取初始种子点的区域生长法提取待分类图像的轮廓；具体为：
S2.1对待分类图像进行灰度化处理并构建灰度直方图；
S2.2采用最大类间方差法自适应选取初始种子点并存储于临时开辟的内存空间堆栈中；
S2.3确定初始种子点，通过规定生长准则及停止生长条件进行填充初始种子点过程，实现区域生长法提取轮廓。
所述规定生长准则为以下三个条件：
像素点的灰度值Tx小于最佳分割阈值Tb；
像素点在种子点的8邻域；
像素点尚未与任意一种子点合并；
若图像上的像素点满足上述三个条件，则置灰度值为1，否则置为0，得到二值图像。
所述停止生长条件为，当存储初始种子点集合的堆栈为空时停止生长。
所述通过规定生长准则及停止生长条件进行填充初始种子点过程，实现区域生长法提取轮廓，具体为：
S2.3.1读出位于栈顶的种子点，并以该种子点为中心，以位于种子点的左上的像素点为起始点，以顺时针方式遍历其8邻域的像素点；
S2.3.2根据像素点的灰度值是否等于Tb来判断步骤S2.3.1中的像素点是否是初始种子点，若是，则与S2.3.1中的种子点合并为同一区域；若否，则继续判断其灰度值是否小于Tb，若是，则将该像素点存储到堆栈中并置其灰度值为0，若否，则置其灰度值为255并丢弃该像素点；
S2.3.3判断是否完成步骤S2.3.1种子点的8邻域遍历，若是，转步骤S2.3.4，若否，则执行步骤S2.3.2；
S2.3.4重复步骤S2.3.1、步骤S2.3.2以及步骤S2.3.3，直到堆栈为空，则停止初始种子点的填充，区域生长过程结束得到二值图像。
所述S2.3.4还包括使用开运算消除二值图像的噪声点，然后再使用闭运算填补开运算所断开的细小的连接。
所述S5采用EMD距离评价待分类图像轮廓与标准模版轮廓的相似性，具体为：
首先将图像轮廓上像素点的曲率作为度量该轮廓与模板相似的一种特征，接着计算这些像素点的曲率与模板轮廓上像素点的曲率距离，最后用曲率距离来衡量两个特征量之间的相似性，计算出EMD距离。
定义待分类轮廓上点的曲率的集合为U，模板轮廓上点的曲率的集合为V，用EMD距离来度量U，V之间相似性的公式为：
其中，DKij为待分类轮廓上第i个点的与模板轮廓上第j个点的曲率距离，fij为从Ui变换到Vj的需要改变的特征量的数量，假设特征量集合U有m个特征量Ui，其权重为特征量集合V有n个特征量Vj，其权重为
所述相似性的公式满足以下四个约束条件：
(1)变换过程是从U到V，不能调转方向，即：
fij≥0
其中，1≤i≤m，1≤j≤n；
(2)由Ui变换到Vj的特征量的数量和不能超过Ui中的特征量总和即：
其中，1≤i≤m；
(3)Vj接收到的所有特征量的数量和不能超过其总容量即：
其中，1≤j≤n；
(4)特征量变换的总数量是容量的较小值：
本发明的有益效果：
(1)对比其他边缘检测方法，本发明提出的边缘提取方案能够得到更为纯净的轮廓，消除了前景和背景相互夹杂的部分为后续的操作带来便利；
(2)使用双向差分法计算曲率解决了微分几何理论中需要已知连续可导的曲线方程才能计算曲率的问题；
(3)采用EMD距离评价各轮廓与模板轮廓的相似性可以避免遍历数组的巨大工作量，同时确定了可靠的相似性度量标准；
(4)本发明实现了FPC图像区域识别分类，满足了实际检测中对单一的FPC组成部分进行缺陷检测的需求。
附图说明
图1是本发明的工作流程图；
图2是本发明S2步骤的流程图；
图3是本发明S2步骤中初始种子点集合的数据存储方式；
图4是本发明S2步骤中初始种子点填充过程中遍历8邻域点的示意图；
图5是本发明S6步骤中轮廓分类识别示意图。
具体实施方式
下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。
实施例
如图1所示，一种基于微分几何的柔性电路板图像区域识别方法，包括如下步骤：
S1通过AOI检测设备采集FPC表面图像，作为待分类图像；
所述AOI检测设备主要由图像采集设备、系统电气控制设备、图像处理算法及数据记录处理系统构成。
所述图像采集设备包括光源、镜头、CCD摄像机及显微镜；所述系统电气控制设备包括伺服电机、编码器、驱动器、电动精密载物台及工作台气泵；所述图像处理算法包括线路、金面及文字部分检测算法；所述数据记录处理系统包括检测标准、缺陷位置及数据分析。
本发明通过显微镜搭配黄色卤素灯光得到所需的FPC表面图像，在该环境下可以取得前景、背景具有良好区分度的图像。
S2基于自适应选取初始种子点的区域生长法提取待分类图像的轮廓。
图像轮廓是指图像中对象的边界，通常轮廓内包含具有某一相似特征(如灰度、纹理、梯度变化方向等)的像素点。当前，图像轮廓主要是通过检测像素点亮度的不连续来获取，这种方式强调的是像素点之间亮度的变化。在数学上，对曲线进行一阶微分操作就可以得到变化最大的点，一阶微分的极大值和极小值之间的过零点便是边缘。
但由于实际采集到的FPC表面图像有斑点较多、噪声较大、亮度不均匀和颜色不一致的问题，这些问题表现为同属于铜箔上的像素点，但是亮度却会发生不连续变化。基于这个原因，并不适合采用边缘检测的方法提取FPC表面图像轮廓。
本发明提出一种可以自适应选取初始种子点的区域生长法用以提取图像轮廓。该方法可以提取在任意光照下采集的FPC图像轮廓，在实际应用中具有较强的适应性。
如图2所示，本步骤首先根据像素点的特征选取初始种子点，然后按从左到右、从上至下的顺序来遍历图像上的像素点，不断迭代地将与种子点具有这一相似特征的且未被合并的像素点加入到种子点所属的区域，从而使得种子点所在的区域能够形成一个更大的区域，之后根据种子点的生长结果实现图像区域分割，最后分别使用开运算、闭运算来消除细小的噪声点、填补因开运算而断开的细小的连接。
所述S2中提取待分类图像的轮廓，自适应地选取初始种子点主要包括构建图像灰度直方图以及通过最大类间方差法确定种子点灰度值两步骤，具体包括如下步骤：
S2.1对待分类图像进行灰度化处理并构建灰度直方图；
为保留原始彩色图像的颜色特点，同时减少后续处理的计算量，按照以下规则对原始图像进行灰度化处理：
Src(x，y)＝0.5*Src_R(x，y)+0.3*Src_G(x，y)+0.2*Src_B(x，y)
上式中，Src(x，y)表示原始彩色图像，Src_R(x，y)、Src_G(x，y)、Src_B(x，y)分别表示原始彩色图像在R、G、B三个通道的值。
图像中的灰度值实际上就是灰度等级。以8位图为例，像素点的灰度值就是由一定比例的值为255的白色和值为0的黑色所构成，其范围为0到255。构建灰度直方图地过程就是遍历整幅图像像素点，统计灰度值为g的像素点的数量ng。
构建图像灰度直方图的目的在于可以很方便快速地计算最大类间方差法中需要使用的一些参数，而且由于FPC表面图像前景的像素点的灰度值较大，背景的像素点的灰度值较小，所以，可以为最大类间方差法过滤掉一些候选分割阈值。
S2.2采用最大类间方差法自适应选取初始种子点并存储于临时开辟的内存空间堆栈中；
在构建图像灰度直方图之后，采用最大类间方差法自适应选取初始种子点，具体为：
(1)寻找图像直方图上的全局最大值即最高点，设其为分割阈值Te；
(2)统计灰度值大于Te的像素点的个数并计算其占总像素个数Npixel的比例以及平均灰度值并且将比例记为PA，平均灰度值记为MA；
(3)统计灰度值小于Te的像素点的个数并计算其占总像素个数Npixel的比例以及平均灰度值并且将比例记为PB，平均灰度值记为MB；
(4)计算整幅图像的平均灰度并记为M，设类间方差为VBA，根据下式计算类间方差：
VBA＝PA*(MA-M)2+PB*(MB-M)2
(5)逐步减小分割阈值Te的大小，重复步骤2到步骤4，直到分割阈值Te减小到0，使得VBA取最大值的分割阈值Te就是最佳分割阈值Tb。
将通过上述步骤得到的初始种子点以点集合的形式存储在临时开辟的内存空间堆栈中。具体堆栈存储数据示意图如图3所示。
S2.3确定初始种子点，通过规定生长准则及停止生长条件进行填充初始种子点过程，实现区域生长法提取轮廓。
综合灰度值和位置的关系，规定生长准则为以下三个条件：
(1)像素点的灰度值Tx小于Tb；
(2)像素点在种子点的8邻域；
(3)像素点尚未与任意一种子点合并。
若图像上的像素点满足上述三个条件，则置其灰度值为1，否则置为0。对图像进行区域生长之后，原灰度图像变为二值图像。
由于初始种子点集合被存储在堆栈中，所以当所有的种子点都被读出即堆栈为空时，意味着可以结束种子点的生长，因此规定当存储初始种子点集合的堆栈为空时停止生长。
综合以上生长准则及停止生长准则，填充初始种子点的过程为：
(1)读出位于栈顶的种子点，并以该种子点为中心，以位于种子点的左上的像素点为起始点，以顺时针方式遍历其8邻域的像素点，如图4所示；
(2)根据像素点的灰度值是否等于Tb来判断步骤(1)中的像素点是否是初始种子点，若是，则与步骤(1)中的种子点合并为同一区域；若否，则继续判断其灰度值是否小于Tb，若是，则将该像素点存储到堆栈中并置其灰度值为0，若否，则置其灰度值为255并丢弃该像素点；
(3)判断是否完成步骤(1)种子点的8邻域遍历，若是，转步骤(4)，若否，则执行步骤(2)；
(4)重复步骤(1)、步骤(2)以及步骤(3)，直到堆栈为空，则停止初始种子点的填充，区域生长过程结束。
对FPC灰度化图像进行了上述区域生长操作后，得到二值图像，但由于原始图像中的噪声，使得二值图像背景部分中可能存在细小的前景部分或者前景部分中存在背景，这都会对后续轮廓提取带来干扰，因此对区域生长之后的图像首先使用开运算消除细小的噪声点，然后再使用闭运算填补由于开运算所断开的细小的连接。
S3选定标准模板轮廓，计算标准模板轮廓的曲率，并将其转换为直方图；
本发明采用双向差分法近似求解图像轮廓上各点的曲率。“双向”是指取图像轮廓上一点的前向差分结果和后向差分结果的平均值作为该点的最终差分结果。
图像轮廓是离散的点集，假定用P0(x0，y0)，P1(x1，y1)，P2(x2，y2)，...Pn(xn，yn)来表示图像线路轮廓上的像素点。为求得图像轮廓上的第i个点的曲率，定义其一阶向前差分为：
Δxiq＝(xi+l-xi)/Diq
Δyiq＝(yi+l-xi)/Diq
其中Δxiq、Δyiq分别表示图像轮廓上第i个点在图像坐标系的X、Y方向上的一阶向前差分。xi+l、yi+l表示图像轮廓上第i个点l邻域内像素点的横坐标和纵坐标。
定义其一阶向后差分为：
Δxih＝(xi-xi-l)/Dih
Δyih＝(yi-xi-l)/Dih
其中Δxih、Δyih分别表示图像轮廓上第i个点在图像坐标系的X、Y方向上的一阶向后差分。
图像轮廓在第i个点最终的一阶差分则为一阶向前差分和一阶向后差分的平均值：
图像轮廓在第i个点的最终曲率ki为二阶向前差分和二阶向后差分的平均值，具体公式如下：
ki＝(ΔxiΔ2yi-ΔyiΔ2xi)/(Δxi 2+Δyi 2)3/2
考虑到算法计算量，并不计算模板图像轮廓上每一点的曲率，而是以频率l对轮廓上的像素点取样，每隔l个像素点估算一次曲率。
S4采用S3中所述的双向差分法取相同采样频率l计算待分类图像轮廓的离散曲率，并将其转换为与标准模版轮廓具有相同组距的直方图；
S5采用EMD距离评价待分类图像轮廓与标准模版轮廓的相似性；
EMD距离是一种度量直方图的相似性的距离。采用EMD距离评价各轮廓与模板轮廓的相似性的实施方案是首先将图像轮廓上像素点的曲率作为度量该轮廓与模板相似的一种特征，接着计算这些像素点的曲率与模板轮廓上像素点的曲率距离，最后用曲率距离来衡量两个特征量之间的相似性。
利用曲率来描述图像轮廓的形状，这是一个绝对的概念，为更能体现图像轮廓特征，提出具有相对概念的曲率距离来体现曲率特征的差别，计算待分类轮廓上像素点的曲率与模板轮廓上像素点的曲率距离，用曲率距离来衡量两个特征量之间的差别。
将待分类轮廓与模板轮廓的曲率转换为具有相同组距的直方图，
假设曲率为待分类轮廓上的第i个点，为模板轮廓上的第j个点，定义曲率距离：
其中，表示待分类轮廓上第i个点的曲率，表示模板轮廓上第j个点的曲率。
定义待分类轮廓上点的曲率的集合为U，模板轮廓上点的曲率的集合为V，用EMD距离来度量U，V之间相似性的公式为：
式中DKij为待分类轮廓上第i个点的与模板轮廓上第j个点的曲率距离，fij为从Ui变换到Vj的需要改变的特征量的数量，假设特征量集合U有m个特征量Ui，其权重为特征量集合V有n个特征量Vj，其权重为
同时上式需要满足以下四个约束条件：
(1)变换过程是从U到V，不能调转方向，即：
fij≥0
其中，1≤i≤m，1≤j≤n。
(2)由Ui变换到Vj的特征量的数量和不能超过Ui中的特征量总和即：
其中，1≤i≤m。
(3)Vj接收到的所有特征量的数量和不能超过其总容量即：
其中，1≤j≤n。
(4)特征量变换的总数量是容量的较小值：
S6，识别轮廓。
在S5中所述四个条件的约束下，求解得到的EMD距离越小，说明特征量集合U和V的相似程度越大，反之EMD距离越大，两者的相似程度越小，因此待分类轮廓与哪一种模板轮廓求得的EMD距离最小，即将其分类为该类轮廓。如图5所示，左侧一列为FPC图像各区域图像轮廓，右侧为待匹配图像，中间列为与待匹配图像进行相似度比对的模板轮廓。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种基于微分几何的柔性电路板图像区域识别方法，其特征在于，包括如下步骤：
S1 采集FPC表面图像作为待分类图像；
S2 基于自适应选取初始种子点的区域生长法提取待分类图像的轮廓；
S3 选定标准模板轮廓，计算标准模板轮廓的曲率，并将其转换为直方图；
S4 计算待分类图像轮廓的离散曲率，并将其转换为与标准模版轮廓具有相同组距的直方图；
S5 采用EMD距离评价待分类图像轮廓与标准模版轮廓的相似性；
S6 识别轮廓。
2.根据权利要求1所述的一种基于微分几何的柔性电路板图像区域识别方法，其特征在于，所述S2基于自适应选取初始种子点的区域生长法提取待分类图像的轮廓；具体为：
S2.1 对待分类图像进行灰度化处理并构建灰度直方图；
S2.2 采用最大类间方差法自适应选取初始种子点并存储于临时开辟的内存空间堆栈中；
S2.3 确定初始种子点，通过规定生长准则及停止生长条件进行填充初始种子点过程，实现区域生长法提取轮廓。
3.根据权利要求2所述的一种基于微分几何的柔性电路板图像区域识别方法，其特征在于，所述规定生长准则为以下三个条件：
像素点的灰度值Tx小于最佳分割阈值Tb；
像素点在种子点的8邻域；
像素点尚未与任意一种子点合并；
若图像上的像素点满足上述三个条件，则置灰度值为1，否则置为0，得到二值图像。
4.根据权利要求2所述的一种基于微分几何的柔性电路板图像区域识别方法，其特征在于，所述停止生长条件为，当存储初始种子点集合的堆栈为空时停止生长。
5.根据权利要求2所述的一种基于微分几何的柔性电路板图像区域识别方法，其特征在于，所述通过规定生长准则及停止生长条件进行填充初始种子点过程，实现区域生长法提取轮廓，具体为：
S2.3.1 读出位于栈顶的种子点，并以该种子点为中心，以位于种子点的左上的像素点为起始点，以顺时针方式遍历其8邻域的像素点；
S2.3.2 根据像素点的灰度值是否等于Tb来判断步骤S2.3.1中的像素点是否是初始种子点，若是，则与S2.3.1中的种子点合并为同一区域；若否，则继续判断其灰度值是否小于Tb，若是，则将该像素点存储到堆栈中并置其灰度值为0，若否，则置其灰度值为255并丢弃该像素点；
S2.3.3 判断是否完成步骤S2.3.1种子点的8邻域遍历，若是，转步骤S2.3.4，若否，则执行步骤S2.3.2；
S2.3.4 重复步骤S2.3.1、步骤S2.3.2以及步骤S2.3.3，直到堆栈为空，则停止初始种子点的填充，区域生长过程结束得到二值图像。
6.根据权利要求5所述的一种基于微分几何的柔性电路板图像区域识别方法，其特征在于，所述S2.3.4还包括使用开运算消除二值图像的噪声点，然后再使用闭运算填补开运算所断开的细小的连接。
7.根据权利要求1所述的一种基于微分几何的柔性电路板图像区域识别方法，其特征在于，
以频率l对待分类图像轮廓、标准模板轮廓上的像素点取样，每隔l个像素点利用双向差分法估算一次曲率，将待分类轮廓与模板轮廓的曲率转换为具有相同组距的直方图。
8.根据权利要求1所述的一种基于微分几何的柔性电路板图像区域识别方法，其特征在于，所述S5采用EMD距离评价待分类图像轮廓与标准模版轮廓的相似性，具体为：
首先将图像轮廓上像素点的曲率作为度量该轮廓与模板相似的一种特征，接着计算这些像素点的曲率与模板轮廓上像素点的曲率距离，最后用曲率距离来衡量两个特征量之间的相似性，计算出EMD距离。
9.根据权利要求8所述的一种基于微分几何的柔性电路板图像区域识别方法，其特征在于，
定义待分类轮廓上点的曲率的集合为U，模板轮廓上点的曲率的集合为V，用EMD距离来度量U，V之间相似性的公式为：
其中，DKij为待分类轮廓上第i个点的与模板轮廓上第j个点的曲率距离，fij为从Ui变换到Vj的需要改变的特征量的数量，假设特征量集合U有m个特征量Ui，其权重为特征量集合V有n个特征量Vj，其权重为
10.根据权利要求9所述的一种基于微分几何的柔性电路板图像区域识别方法，其特征在于，相似性公式满足以下四个约束条件：
(1)变换过程是从U到V，不能调转方向，即：
fij≥0
其中，1≤i≤m,1≤j≤n；
(2)由Ui变换到Vj的特征量的数量和不能超过Ui中的特征量总和即：
其中，1≤i≤m；
(3)Vj接收到的所有特征量的数量和不能超过其总容量即：
其中，1≤j≤n；
(4)特征量变换的总数量是容量的较小值：
CN201910698744.8A 2019-07-31 2019-07-31 一种基于微分几何的柔性电路板图像区域识别方法 Active CN110544235B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910698744.8A CN110544235B (zh) 2019-07-31 2019-07-31 一种基于微分几何的柔性电路板图像区域识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910698744.8A CN110544235B (zh) 2019-07-31 2019-07-31 一种基于微分几何的柔性电路板图像区域识别方法

Publications (2)

Publication Number Publication Date
CN110544235A true CN110544235A (zh) 2019-12-06
CN110544235B CN110544235B (zh) 2022-12-16

Family

ID=68709897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910698744.8A Active CN110544235B (zh) 2019-07-31 2019-07-31 一种基于微分几何的柔性电路板图像区域识别方法

Country Status (1)

Country Link
CN (1) CN110544235B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112991340A (zh) * 2020-05-08 2021-06-18 视睿（杭州）信息科技有限公司 基于多通道特征的工业颗粒连片制品图像切割方法、装置
CN115035056A (zh) * 2022-05-31 2022-09-09 华南理工大学 基于微分几何的柔性ic基板线路刻蚀缺陷检测方法及系统
CN115082468A (zh) * 2022-08-22 2022-09-20 江苏思伽循环科技有限公司 动力电池回收过程电极材料分离控制方法及系统
CN115312902A (zh) * 2022-10-11 2022-11-08 罗博特科智能科技南通有限公司 一种铅酸蓄电池的回收电极材料分离的控制方法
CN117746056A (zh) * 2023-12-26 2024-03-22 江苏福拉特自动化设备有限公司 一种查找屏体标记的方法
CN117746056B (zh) * 2023-12-26 2024-06-04 江苏福拉特自动化设备有限公司 一种查找屏体标记的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110280457A1 (en) * 2010-05-11 2011-11-17 The University Of Copenhagen Classification of medical diagnostic images
CN103077397A (zh) * 2013-01-21 2013-05-01 信帧电子技术（北京）有限公司 车标定位方法和车标定位系统
CN104915989A (zh) * 2015-07-01 2015-09-16 北京欣方悦医疗科技有限公司 基于ct影像的血管三维分割方法
US20170161584A1 (en) * 2015-12-07 2017-06-08 The Climate Corporation Cloud detection on remote sensing imagery
CN107886496A (zh) * 2017-09-30 2018-04-06 北京得华机器人技术研究院有限公司 一种基于形状匹配的汽车零配件的质量检测方法
CN109509199A (zh) * 2018-10-10 2019-03-22 华南理工大学 一种基于三维重建的医学影像组织智能分割方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110280457A1 (en) * 2010-05-11 2011-11-17 The University Of Copenhagen Classification of medical diagnostic images
CN103077397A (zh) * 2013-01-21 2013-05-01 信帧电子技术（北京）有限公司 车标定位方法和车标定位系统
CN104915989A (zh) * 2015-07-01 2015-09-16 北京欣方悦医疗科技有限公司 基于ct影像的血管三维分割方法
US20170161584A1 (en) * 2015-12-07 2017-06-08 The Climate Corporation Cloud detection on remote sensing imagery
CN107886496A (zh) * 2017-09-30 2018-04-06 北京得华机器人技术研究院有限公司 一种基于形状匹配的汽车零配件的质量检测方法
CN109509199A (zh) * 2018-10-10 2019-03-22 华南理工大学 一种基于三维重建的医学影像组织智能分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孔丁科 等: ""基于 EMD 的快速活动轮廓图像分割算法"", 《电子与信息学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112991340A (zh) * 2020-05-08 2021-06-18 视睿（杭州）信息科技有限公司 基于多通道特征的工业颗粒连片制品图像切割方法、装置
CN115035056A (zh) * 2022-05-31 2022-09-09 华南理工大学 基于微分几何的柔性ic基板线路刻蚀缺陷检测方法及系统
CN115035056B (zh) * 2022-05-31 2024-04-30 华南理工大学 基于微分几何的柔性ic基板线路刻蚀缺陷检测方法及系统
CN115082468A (zh) * 2022-08-22 2022-09-20 江苏思伽循环科技有限公司 动力电池回收过程电极材料分离控制方法及系统
CN115312902A (zh) * 2022-10-11 2022-11-08 罗博特科智能科技南通有限公司 一种铅酸蓄电池的回收电极材料分离的控制方法
CN117746056A (zh) * 2023-12-26 2024-03-22 江苏福拉特自动化设备有限公司 一种查找屏体标记的方法
CN117746056B (zh) * 2023-12-26 2024-06-04 江苏福拉特自动化设备有限公司 一种查找屏体标记的方法

Also Published As

Publication number Publication date
CN110544235B (zh) 2022-12-16

Similar Documents

Publication Publication Date Title
CN110544235B (zh) 一种基于微分几何的柔性电路板图像区域识别方法
CN110286124B (zh) 基于机器视觉的耐火砖测量系统
CN112651968B (zh) 一种基于深度信息的木板形变与凹坑检测方法
CN111537517A (zh) 一种无人智能化冲压缺陷识别方法
CN111583114B (zh) 一种管道螺纹自动测量装置及测量方法
CN115791822A (zh) 晶圆表面缺陷的视觉检测算法及检测系统
CN110378957B (zh) 面向冶金作业的鱼雷罐车视觉识别与定位方法及其系统
CN114549981A (zh) 一种基于深度学习的智能巡检指针式仪表识别及读数方法
CN110807355A (zh) 一种基于移动机器人的指针仪表检测与读数识别方法
CN105160652A (zh) 基于计算机视觉的手机外壳检验装置与方法
CN112233181A (zh) 6d位姿识别的方法、装置及计算机存储介质
CN110443791B (zh) 一种基于深度学习网络的工件检测方法及其检测装置
CN111354047B (zh) 一种基于计算机视觉的摄像模组定位方法及系统
CN111415376B (zh) 汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法
CN103729631A (zh) 一种基于视觉的连接器表面特征自动识别方法
CN110619328A (zh) 基于图像处理和深度学习的船舶水尺读数智能识别方法
CN115290663A (zh) 基于光学检测的Mini LED晶圆外观缺陷检测方法
CN115797813A (zh) 基于航拍图像的水环境污染检测方法
CN112014407A (zh) 一种集成电路晶圆表面缺陷检测的方法
CN112102254A (zh) 基于机器视觉的木材表面缺陷检测方法与系统
CN112819842B (zh) 适用于工件质检的工件轮廓曲线拟合方法、装置及介质
CN111415378B (zh) 用于汽车玻璃检测的图像配准方法及汽车玻璃检测方法
CN112561885A (zh) 基于YOLOv4-tiny的插板阀开度检测方法
CN112338898A (zh) 物体分选系统的图像处理方法、装置及物体分选系统
CN116245882A (zh) 电路板电子元件检测方法、装置及计算机设备

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