CN112069925B - 一种单相机印刷校正台双标记点的识别方法 - Google Patents

一种单相机印刷校正台双标记点的识别方法 Download PDF

Info

Publication number
CN112069925B
CN112069925B CN202010834904.XA CN202010834904A CN112069925B CN 112069925 B CN112069925 B CN 112069925B CN 202010834904 A CN202010834904 A CN 202010834904A CN 112069925 B CN112069925 B CN 112069925B
Authority
CN
China
Prior art keywords
image
mark
gray
points
region
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
CN202010834904.XA
Other languages
English (en)
Other versions
CN112069925A (zh
Inventor
章张健
周迪斌
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 Kede Software Circuit Board Co ltd
Original Assignee
Suzhou Kede Software Circuit Board 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 Kede Software Circuit Board Co ltd filed Critical Suzhou Kede Software Circuit Board Co ltd
Priority to CN202010834904.XA priority Critical patent/CN112069925B/zh
Publication of CN112069925A publication Critical patent/CN112069925A/zh
Application granted granted Critical
Publication of CN112069925B publication Critical patent/CN112069925B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/44—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
    • G06V10/457—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 by analysing connectivity, e.g. edge linking, connected component analysis or slices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

本发明提供的单相机印刷校正台双标记点的识别方法，包括7个步骤，通过对相机拍摄标记点图像依次进行灰度图像转换、降噪、增强对比度、局部灰度均值化、二值化处理，得到二值化图像，提取二值化图像中的连通区域，对该连通区域进行筛选，提取出有效标记组，根据有效标记组拟合目标圆，完成对双标记点的识别；该方法具有速度快、操作简单、重复性好、抗干扰性好、鲁棒性强的特点，通过对连通区域的筛选，可以有效排除多余的干扰目标或目标组，提高了定位的精度，能够快速有效的识别标记点和他们之间的相对位置，有利于自动化系统的精确定位，能够提高加工的准确度和制造速度，适用于柔性电路板的自动化生产。

Description

一种单相机印刷校正台双标记点的识别方法
技术领域
本发明属于机器视觉技术领域，涉及一种目标识别方法，尤其是一种单相机印刷校正台双标记点的识别方法。
背景技术
柔性电路板是用柔性绝缘基材制成的印刷电路，具有许多硬性印刷电路板不具备的优点，例如:易弯曲、卷绕、折叠等，且可按照空间布局要求任意安排，并在三维空间中移动和伸缩，从而达到元器件装配和导线连接的一体化。但由于柔性电路板柔性基材易变形，在加工的过程中易由静电和空气压力等因素产生弯曲，卷绕或缺陷，导致柔性电路板不易加工，许多工序过程依靠人工解决，行业的自动化水平偏低。近年来，随着技术的发展，部分工序逐渐实现了自动化生产，如焊接、电镀、印刷等，但仍有相当多工序依靠人工完成。
在柔性线路板加工工序中经常会印刷若干标记点，用于材料对齐印刷、贴胶或冲PIN，一般为圆形或接近圆形、或实心，或空心或有十字交叉。在传统柔性线路板制造业的自动化改造中，有大量的参照点识别需求，而快速有效的识别参照点和他们之间的相对位置，有利于自动化系统的精确定位，提高加工的准确度和制造速度。
冲PIN工序是柔性板封装的一个环节，由于PIN头接线紧密，间距很小，甚至小于0.5mm，稍微偏差，极易导致整个柔性板报废。因此，该工序的自动化在目标定位和校正系统方面都要达到极高的精度，对于机械和视觉等技术提出极高的要求。
本发明主要面向柔性电路板自动化生产，以冲PIN工艺的视觉检测需求为切入点，研究提高该工艺的自动化检测水平，并逐步扩大视觉定位技术在柔性板制造业的应用，降低人工成本，更加有效的控制产品质量。
发明内容
本发明的目的是为了克服现有技术的缺点，提供一种能够快速有效的识别标记点和他们之间的相对位置，能够提高加工的准确度和制造速度，适用于自动化生产的单相机印刷校正台双标记点的识别方法。
为达到上述目的，本发明提供的技术方案是，一种单相机印刷校正台双标记点的识别方法，包括如下步骤：
步骤1.通过相机拍摄标记点图像，将该图像转换成灰度图像G1；
步骤2.对灰度图像G1进行去噪并增强其对比度，生成预处理后的灰度图像G2；
步骤3.对灰度图像G2进行自适应调整，得到局部灰度均值化的图像G3；
步骤4.对图像G3进行二值化处理，得到二值化图像G3_Bin，提取二值化图像G3_Bin中的连通区域，计算其主要属性；
步骤5.根据主要属性的约束条件对步骤4提取的连通区域进行筛选，得到符合约束条件的连通区域的集合，记为标记组E2(Region)；
步骤6.对步骤5中得到的所有标记组E2(Region)进行筛选，提取出有效标记组R(Region1,Region2)；
步骤7.根据步骤6提取出的有效标记组R(Region1,Region2)拟合目标圆，完成对双标记点的识别。
优选地，步骤1采用的方法包括：
1-1.将待检测的柔性电路板固定在水平工作台上，并将相机垂直设置于柔性电路板的正上方，并在相机的上方设置光源进行打光，通过相机对待检测的柔性电路板进行图像采集；
1-2.通过加权平均法将1-1采集到的图像转换成灰度图像G1，转换时对1-1采集到的图像中的像素点的处理规则如下：
其中R、G、B为像素点的值的基色分量。
优选地，步骤2采用的方法包括：
2-1.对获取到的灰度图像G1进行图像预处理，通过中值滤波方法除去灰度图像G1的噪声点；
2-2.在去噪之后的灰度图像中选定5×5的邻域，将该邻域内的像素按灰度等级进行排序，确定其中值，将确定的中值赋予滤波后图像中的对应邻域中的像素点，生成图像G2。
优选地，步骤3采用的方法包括：
3-1.将图像G2均等分成个尺寸在20-30个像素的图像块，对每一个图像块G2(i,j)统计其直方图，按公式
求解其灰度的概率，其中rk为像素灰度值，nk为对应的像素数量；
3-2.根据统计出的直方图，采用累积分布函数作变换，所述累积分布函数的公式为
；
3-3.计算均衡化之后的新灰度值，计算公式为
；
3-4.用新灰度Sk代替旧灰度rk，用于对灰度图像块G2(i,j)的直方图进行修正，得到新图像块G2’(i,j)；
3-5.对所有的图像块做类似的处理，获得局部灰度均值化的图像G3。
优选地，步骤4采用的方法包括：
4-1.依据预先设定的介于标记点和背景灰度之间的灰度阈值grayTh，对图像G3进行二值化处理，即任意点灰度值如果大于grayTh，则设置为255，否则设为0，生成二值化图像G3_Bin；
4-2.提取图像G3_Bin中灰度为255的所有连通区域E(Region)，计算的主要属性包括该连通区域的长宽比、填充率FillRate、外接矩形OutRect的宽度范围及高度范围。
优选地，步骤5中的主要属性的约束条件包括：
约束1：尺寸约束
minW <OutRect.Width<maxW
minH <OutRect.Height<maxH
其中，minW 和maxW 表示标记点外接矩形的宽度范围，minH 和maxH 表示标记点外接矩形的高度范围，标记点外接矩形的长度和宽度的误差值为正负10像素；
约束2：填充率FillRate约束
0.3<FillRate<0.9；
约束3:长宽比约束
设w =OutRect.Width, h =OutRect.Height,则
max(w, h)/min(w, h) <max_w_h_rate
其中，max_w_h_rate表示最大的长宽比值，max_w_h_rate的取值范围为1~1.25。
进一步优选地，所述约束3中的max_w_h_rate的值为1.1。
优选地，步骤6采用的方法包括：
6-1. 对所有的E2(Region) 两两组合，计算他们之间的间距Dist(Region1,Region2)和角度Angle(Region1,Region2)，确定所有符合位置约束1和位置约束2的标记组，其中，
位置约束1的条件为：
minDist<Dist(Region1,Region2)<maxDist
其中，minDist和maxDist为双标记点之间的距离范围，双标记点之间距离的误差值为正负10像素；
位置约束2的条件为：
minAngle<Angle(Region1,Region2)<maxAngle
其中，minAngle和maxAngle为双标记点之间的角度范围，双标记点之间角度的误差值为正负5°；
6-2.若6-1中确定出的标记组为不唯一，则依据组间相对方位关系筛选有效的标记组，所述组件相对方位关系是指：若双标记点是水平方向，则位于双标记点连线中点上下方位的为有效标记组，若双标记点是垂直方向，则位于双标记点连线中点左右方位的为有效标记组。
优选地，步骤7采用的方法包括：
7-1 .将有效标记组R(Region1，Region2)中两个连通Region1和Region2外轮廓边缘点的集合，分别记为边缘轮廓点集E1(P)和E2(P)；
7-2 .采用最小二乘法拟合目标圆，对边缘轮廓点集E1(P)和E2(P)拟合出两个圆C1（p,r）和C2(p, r)，其中参数p和r，分别为圆心坐标与半径，完成对双标记点的识别。
进一步优选地，步骤7采用的方法还包括二次拟合目标圆的步骤，具体步骤如下：
7-3.分别计算边缘轮廓点集E1(P)和E2(P)的所有点离拟合圆C1（p,r）和C2(p, r)的圆心之间的距离Dp=Dist(P, p)；
7-4.计算距离Dp与圆心的半径r之间的差值，舍弃差值超过Rth的边缘点，其中，Rth的取值范围为3-5；
7-5.按上述规则获得新的点集合E1’(P)和E2’(P)；
7-6.对新点集E1’(P)和E2’(P)，采用最小二乘法拟合出目标圆C1’(p,r）和C2’(p,r),完成对双标记点的识别。
由于上述技术方案的运用，本发明与现有技术相比具有下列优点：
本发明提供的单相机印刷校正台双标记点的识别方法，包括7个步骤，通过对相机拍摄标记点图像依次进行灰度图像转换、降噪、增强对比度、局部灰度均值化、二值化处理，得到二值化图像，提取二值化图像中的连通区域，对该连通区域进行筛选，提取出有效标记组，根据有效标记组拟合目标圆，完成对双标记点的识别；该方法具有速度快、操作简单、重复性好、抗干扰性好、鲁棒性强的特点，通过对连通区域的筛选，可以有效排除多余的干扰目标或目标组，提高了定位的精度，能够快速有效的识别标记点和他们之间的相对位置，有利于自动化系统的精确定位，能够提高加工的准确度和制造速度，适用于柔性电路板的自动化生产。
附图说明
图1为图像采集示意图；
图2为图像局部均值化示意图；
图3、图4为组间相对方位关系筛选示意图；
图5为本发明流程图。
其中：100.工作台；200.第一标记点；300.第二标记点；400.PIN；500.相机视场；601.标记组M0；602.标记组M1；603.其他标记组。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
如图1-4所示，本发明提供的单相机印刷校正台双标记点的识别方法，包括如下步骤：
步骤1.通过相机拍摄标记点图像，将该图像转换成灰度图像G1；
步骤2.对灰度图像G1进行去噪并增强其对比度，生成预处理后的灰度图像G2；
步骤3.对灰度图像G2进行自适应调整，得到局部灰度均值化的图像G3；
步骤4.对图像G3进行二值化处理，得到二值化图像G3_Bin，提取二值化图像G3_Bin中的连通区域，计算其主要属性；
步骤5.根据主要属性的约束条件对步骤4提取的连通区域进行筛选，得到符合约束条件的连通区域的集合，记为标记组E2(Region)；
步骤6.对步骤5中得到的所有标记组E2(Region)进行筛选，提取出有效标记组R(Region1,Region2)；
步骤7.根据步骤6提取出的有效标记组R(Region1,Region2)拟合目标圆，完成对双标记点的识别。
优选地，步骤1采用的方法包括：
1-1.将待检测的柔性电路板固定在水平工作台上，并将相机垂直设置于柔性电路板的正上方，并在相机的上方设置光源进行打光，通过相机对待检测的柔性电路板进行图像采集；
1-2.通过加权平均法将1-1采集到的图像转换成灰度图像G1，转换时对1-1采集到的图像中的像素点的处理规则如下：
其中R、G、B为像素点的值的基色分量。
优选地，步骤2采用的方法包括：
2-1.对获取到的灰度图像G1进行图像预处理，通过中值滤波方法除去灰度图像G1的噪声点；
2-2.在去噪之后的灰度图像中选定5×5的邻域，将该邻域内的像素按灰度等级进行排序，确定其中值，将确定的中值赋予滤波后图像中的对应邻域中的像素点，生成图像G2。
优选地，步骤3采用的方法包括：
3-1.将图像G2均等分成个尺寸在20-30个像素的图像块，对每一个图像块G2(i,j)统计其直方图，按公式
求解其灰度的概率，其中rk为像素灰度值，nk为对应的像素数量；
3-2.根据统计出的直方图，采用累积分布函数作变换，所述累积分布函数的公式为
；
3-3.计算均衡化之后的新灰度值，计算公式为
；
3-4.用新灰度Sk代替旧灰度rk，用于对灰度图像块G2(i,j)的直方图进行修正，得到新图像块G2’(i,j)；
3-5.对所有的图像块做类似的处理，获得局部灰度均值化的图像G3。
优选地，步骤4采用的方法包括：
4-1.依据预先设定的介于标记点和背景灰度之间的灰度阈值grayTh，对图像G3进行二值化处理，即任意点灰度值如果大于grayTh，则设置为255，否则设为0，生成二值化图像G3_Bin；
4-2.提取图像G3_Bin中灰度为255的所有连通区域E(Region)，计算的主要属性包括该连通区域的长宽比、填充率FillRate、外接矩形OutRect的宽度范围及高度范围。
优选地，步骤5中的主要属性的约束条件包括：
约束1：尺寸约束
minW <OutRect.Width<maxW
minH <OutRect.Height<maxH
其中，minW 和maxW 表示标记点外接矩形的宽度范围，minH 和maxH 表示标记点外接矩形的高度范围，标记点外接矩形的长度和宽度的误差值为正负10像素；
约束2：填充率FillRate约束
0.3<FillRate<0.9；
约束3:长宽比约束
设w =OutRect.Width, h =OutRect.Height,则
max(w, h)/min(w, h) <max_w_h_rate
其中，max_w_h_rate表示最大的长宽比值，max_w_h_rate的取值范围为1~1.25。
进一步优选地，所述约束3中的max_w_h_rate的值为1.1。
优选地，步骤6采用的方法包括：
6-1. 对所有的E2(Region) 两两组合，计算他们之间的间距Dist(Region1,Region2)和角度Angle(Region1,Region2)，确定所有符合位置约束1和位置约束2的标记组，其中，
位置约束1的条件为：
minDist<Dist(Region1,Region2)<maxDist
其中，minDist和maxDist为双标记点之间的距离范围，双标记点之间距离的误差值为正负10像素；
位置约束2的条件为：
minAngle<Angle(Region1,Region2)<maxAngle
其中，minAngle和maxAngle为双标记点之间的角度范围，双标记点之间角度的误差值为正负5°。
6-2.若6-1中确定出的标记组为不唯一，则依据组间相对方位关系筛选有效的标记组，所述组件相对方位关系是指：若双标记点是垂直方向，则位于双标记点连线中点左右方位的为有效标记组，具体地，如图3所示，标记组M0 位于左方，标记组M1位其他标记组位于右方，与PIN最匹配的为标记组M0和标记组M1，有效标记组为标记组M0和标记组M1；若双标记点是水平方向，则位于双标记点连线中点上下方位的为有效标记组，具体地，如图4所示，标记组M0 位于上方，标记组M1位其他标记组位于下方，与PIN最匹配的为标记组M0和标记组M1，有效标记组为标记组M0和标记组M1。
优选地，步骤7采用的方法包括：
7-1 .将有效标记组R(Region1，Region2)中两个连通Region1和Region2外轮廓边缘点的集合，分别记为边缘轮廓点集E1(P)和E2(P)；
7-2 .采用最小二乘法拟合目标圆，对边缘轮廓点集E1(P)和E2(P)拟合出两个圆C1（p,r）和C2(p, r)，其中参数p和r，分别为圆心坐标与半径，完成对双标记点的识别。
进一步优选地，步骤7采用的方法还包括二次拟合目标圆的步骤，具体步骤如下：
7-3.分别计算边缘轮廓点集E1(P)和E2(P)的所有点离拟合圆C1（p,r）和C2(p, r)的圆心之间的距离Dp=Dist(P, p)；
7-4.计算距离Dp与圆心的半径r之间的差值，舍弃差值超过Rth的边缘点，其中，Rth的取值范围为3-5；
7-5.按上述规则获得新的点集合E1’(P)和E2’(P)；
7-6.对新点集E1’(P)和E2’(P)，采用最小二乘法拟合出目标圆C1’(p,r）和C2’(p,r),完成对双标记点的识别。
由于上述技术方案的运用，本发明与现有技术相比具有下列优点：
1.速度快、操作简单、重复性好；
2.采用本发明所述的方法会使系统更加稳定、采集速度更快、算法精度更高、能够长时间稳定工作；
3.本发明所述的方法抗干扰性好、鲁棒性强；
4.采用二次圆心拟合算法，能够提高目标定位的精度，提升对双标记点识别的准确性；
5.通过各类约束和方位关系，可以有效排除多余的干扰目标或目标组，进一步的目标定位的精度，提升对双标记点识别的准确性。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种单相机印刷校正台双标记点的识别方法，其特征在于，包括如下步骤：
步骤1.通过相机拍摄标记点图像，将该图像转换成灰度图像G1；
步骤2.对灰度图像G1进行去噪并增强其对比度，生成预处理后的灰度图像G2；
步骤3.对灰度图像G2进行自适应调整，得到局部灰度均值化的图像G3；
步骤4.对图像G3进行二值化处理，得到二值化图像G3_Bin，提取二值化图像G3_Bin中的连通区域，计算其主要属性；
步骤5.根据主要属性的约束条件对步骤4提取的连通区域进行筛选，得到符合约束条件的连通区域的集合，记为标记组E2(Region)；
步骤6.对步骤5中得到的所有标记组E2(Region)进行筛选，提取出有效标记组R(Region1,Region2)；
步骤6采用的方法包括：
6-1.对所有的E2(Region)两两组合，计算他们之间的间距Dist(Region1,Region2)和角度Angle(Region1,Region2)，确定所有符合位置约束1和位置约束2的标记组，其中，
位置约束1的条件为：
minDist<Dist(Region1,Region2)<maxDist
其中，minDist和maxDist为双标记点之间的距离范围，双标记点之间距离的误差值为正负10像素；
位置约束2的条件为：
minAngle<Angle(Region1,Region2)<maxAngle
其中，minAngle和maxAngle为双标记点之间的角度范围，双标记点之间角度的误差值为正负5°；
6-2.若6-1中确定出的标记组为不唯一，则依据组间相对方位关系筛选有效的标记组，所述组间相对方位关系是指：若第一标记点和第二标记点连线是水平方向，则位于第一标记点和第二标记点连线中点上下方位的为有效标记组，若第一标记点和第二标记点连线是垂直方向，则位于第一标记点和第二标记点连线中点左右方位的为有效标记组；
步骤7.根据步骤6提取出的有效标记组R(Region1,Region2)拟合目标圆，完成对双标记点的识别。
2.根据权利要求1所述的单相机印刷校正台双标记点的识别方法，其特征在于，步骤1采用的方法包括：
1-1.将待检测的柔性电路板固定在水平工作台上，并将相机垂直设置于柔性电路板的正上方，并在相机的上方设置光源进行打光，通过相机对待检测的柔性电路板进行图像采集；
1-2.通过加权平均法将1-1采集到的图像转换成灰度图像G1，转换时对1-1采集到的图像中的像素点的处理规则如下：
Gray＝R×0.3+G×0.59+B×0.11
其中R、G、B为像素点的值的基色分量。
3.根据权利要求1所述的单相机印刷校正台双标记点的识别方法，其特征在于，步骤2采用的方法包括：
2-1.对获取到的灰度图像G1进行图像预处理，通过中值滤波方法除去灰度图像G1的噪声点；
2-2.在去噪之后的灰度图像中选定5×5的邻域，将该邻域内的像素按灰度等级进行排序，确定其中值，将确定的中值赋予滤波后图像中的对应邻域中的像素点，生成图像G2。
4.根据权利要求1所述的单相机印刷校正台双标记点的识别方法，其特征在于，步骤3采用的方法包括：
3-1.将图像G2均等分成m×n个尺寸在20-30个像素的图像块，对每一个图像块G2(i,j)统计其直方图，按公式
P(rk)＝nk/(m×n)
求解其灰度的概率，其中rk为像素灰度值，nk为对应的像素数量；
3-2.根据统计出的直方图，采用累积分布函数作变换，所述累积分布函数的公式为
3-3.计算均衡化之后的新灰度值，计算公式为
Sk＝255×T(rk)；
3-4.用新灰度Sk代替旧灰度rk，用于对灰度图像块G2(i,j)的直方图进行修正，得到新图像块G2’(i,j)；
3-5.对所有的图像块做类似的处理，获得局部灰度均值化的图像G3。
5.根据权利要求1所述的单相机印刷校正台双标记点的识别方法，其特征在于，步骤4采用的方法包括：
4-1.依据预先设定的介于标记点和背景灰度之间的灰度阈值grayTh，对图像G3进行二值化处理，即任意点灰度值如果大于grayTh，则设置为255，否则设为0，生成二值化图像G3_Bin；
4-2.提取图像G3_Bin中灰度为255的所有连通区域E(Region)，计算的主要属性包括该连通区域的长宽比、填充率FillRate、外接矩形OutRect的宽度范围及高度范围。
6.根据权利要求1所述的单相机印刷校正台双标记点的识别方法，其特征在于，步骤5中的主要属性的约束条件包括：
约束1：尺寸约束
minW<OutRect.Width<maxW
minH<OutRect.Height<maxH
其中，minW和maxW表示标记点外接矩形的宽度范围，minH和maxH表示标记点外接矩形的高度范围，标记点外接矩形的长度和宽度的误差值为正负10像素；
约束2：填充率FillRate约束
0.3<FillRate<0.9；
约束3:长宽比约束
设w＝OutRect.Width,h＝OutRect.Height,则
max(w,h)/min(w,h)<max_w_h_rate
其中，max_w_h_rate表示最大的长宽比值，max_w_h_rate的取值范围为1～1.25。
7.根据权利要求6所述的单相机印刷校正台双标记点的识别方法，其特征在于，所述约束3中的max_w_h_rate的值为1.1。
8.根据权利要求1所述的单相机印刷校正台双标记点的识别方法，其特征在于，步骤7采用的方法包括：
7-1.将有效标记组R(Region1，Region2)中两个连通Region1和Region2外轮廓边缘点的集合，分别记为边缘轮廓点集E1(P)和E2(P)；
7-2.采用最小二乘法拟合目标圆，对边缘轮廓点集E1(P)和E2(P)拟合出两个圆C1(p,r)和C2(p,r)，其中参数p和r，分别为圆心坐标与半径，完成对双标记点的识别。
9.根据权利要求8所述的单相机印刷校正台双标记点的识别方法，其特征在于，步骤7采用的方法还包括二次拟合目标圆的步骤，具体步骤如下：
7-3.分别计算边缘轮廓点集E1(P)和E2(P)的所有点离拟合圆C1(p,r)和C2(p,r)的圆心之间的距离Dp＝Dist(P,p)；
7-4.计算距离Dp与圆心的半径r之间的差值，舍弃差值超过Rth的边缘点，其中，Rth的取值范围为3-5；
7-5.按上述规则获得新的点集合E1’(P)和E2’(P)；
7-6.对新点集E1’(P)和E2’(P)，采用最小二乘法拟合出目标圆C1’(p,r)和C2’(p,r),完成对双标记点的识别。
CN202010834904.XA 2020-08-19 2020-08-19 一种单相机印刷校正台双标记点的识别方法 Active CN112069925B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010834904.XA CN112069925B (zh) 2020-08-19 2020-08-19 一种单相机印刷校正台双标记点的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010834904.XA CN112069925B (zh) 2020-08-19 2020-08-19 一种单相机印刷校正台双标记点的识别方法

Publications (2)

Publication Number Publication Date
CN112069925A CN112069925A (zh) 2020-12-11
CN112069925B true CN112069925B (zh) 2024-05-07

Family

ID=73661328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010834904.XA Active CN112069925B (zh) 2020-08-19 2020-08-19 一种单相机印刷校正台双标记点的识别方法

Country Status (1)

Country Link
CN (1) CN112069925B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103925911A (zh) * 2014-04-23 2014-07-16 杭州师范大学 柔性线路板校正台的参照目标检测方法
CN105717395A (zh) * 2016-02-24 2016-06-29 深圳精智达技术股份有限公司 待测产品的对位方法及装置
WO2017050082A1 (zh) * 2015-09-21 2017-03-30 广州视源电子科技股份有限公司 一种端子位置的确定方法及终端设备
CN106767425A (zh) * 2016-11-07 2017-05-31 无锡浩远视觉科技有限公司 一种轴承卡簧豁口的视觉测量方法
CN108990252A (zh) * 2017-06-05 2018-12-11 上达电子（深圳）股份有限公司 柔性电路板、插拔手指及其成型方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9217862B2 (en) * 2010-06-08 2015-12-22 Prysm, Inc. Local dimming on light-emitting screens for improved image uniformity in scanning beam display systems

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103925911A (zh) * 2014-04-23 2014-07-16 杭州师范大学 柔性线路板校正台的参照目标检测方法
WO2017050082A1 (zh) * 2015-09-21 2017-03-30 广州视源电子科技股份有限公司 一种端子位置的确定方法及终端设备
CN105717395A (zh) * 2016-02-24 2016-06-29 深圳精智达技术股份有限公司 待测产品的对位方法及装置
CN106767425A (zh) * 2016-11-07 2017-05-31 无锡浩远视觉科技有限公司 一种轴承卡簧豁口的视觉测量方法
CN108990252A (zh) * 2017-06-05 2018-12-11 上达电子（深圳）股份有限公司 柔性电路板、插拔手指及其成型方法

Also Published As

Publication number Publication date
CN112069925A (zh) 2020-12-11

Similar Documents

Publication Publication Date Title
CN108918526B (zh) 一种柔性ic封装基板线路的缺口缺陷检测方法
CN111260731B (zh) 一种棋盘格亚像素级角点自适应检测的方法
CN107014291B (zh) 一种物料精密转载平台的视觉定位方法
CN109767445B (zh) 一种高精度的pcb缺陷智能检测方法
CN115170669B (zh) 基于边缘特征点集配准的识别定位方法及系统、存储介质
CN107633502B (zh) 一种轴孔装配自动对中的靶心识别方法
CN110189375B (zh) 一种基于单目视觉测量的图像目标识别方法
CN103729655A (zh) 一种用于片式元件视觉定位的检测方法
CN113112496B (zh) 一种基于自适应阈值的亚像素轴类零件尺寸测量方法
CN103925911B (zh) 柔性线路板校正台的参照目标检测方法
CN108537772B (zh) 贴片电阻正导体印刷缺陷的视觉检测方法
CN111322967A (zh) 一种面向阶梯轴与孔装配过程的对中方法
CN110427979B (zh) 基于K-Means聚类算法的道路水坑识别方法
CN113963051A (zh) 基于视觉信息和特征提取的目标直径自动测量方法和系统
CN107507185B (zh) 一种适用于工业检测的快速检测圆的方法
CN110889874B (zh) 一种双目相机标定结果的误差评估方法
CN112069925B (zh) 一种单相机印刷校正台双标记点的识别方法
CN106503720B (zh) 一种去除吸嘴干扰的元件图像识别方法
CN117315289B (zh) 基于图像处理的航空发动机叶片轮廓边缘检测方法
CN113554713A (zh) 飞机蒙皮移动机器人制孔视觉定位及检测方法
CN116075148B (zh) 一种基于人工智能的pcba板生产线智能监管系统
CN111476792A (zh) 一种板带钢图像轮廓的提取方法
CN112446912B (zh) 一种金融票据宽度计算方法
CN111105418B (zh) 一种针对图像中矩形目标的高精度图像分割方法
CN115388785A (zh) 一种基于视觉的柔性线束的测量方法及系统

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