CN113450292B - 一种pcba零部件高精度视觉定位方法 - Google Patents

一种pcba零部件高精度视觉定位方法 Download PDF

Info

Publication number
CN113450292B
CN113450292B CN202110673520.9A CN202110673520A CN113450292B CN 113450292 B CN113450292 B CN 113450292B CN 202110673520 A CN202110673520 A CN 202110673520A CN 113450292 B CN113450292 B CN 113450292B
Authority
CN
China
Prior art keywords
contour
pixel
pcba
precision
algorithm
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
CN202110673520.9A
Other languages
English (en)
Other versions
CN113450292A (zh
Inventor
闫河
周密
王萧棠
李晓玲
刘宇涵
张宇宁
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.)
Chongqing University of Technology
Original Assignee
Chongqing University of Technology
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 Chongqing University of Technology filed Critical Chongqing University of Technology
Priority to CN202110673520.9A priority Critical patent/CN113450292B/zh
Publication of CN113450292A publication Critical patent/CN113450292A/zh
Application granted granted Critical
Publication of CN113450292B publication Critical patent/CN113450292B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration by the use of histogram techniques
    • 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
    • G06T7/10—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明公开了一种PCBA零部件高精度视觉定位方法，涉及图像处理技术领域。本发明方法包括以下步骤：搭建以及标定单目高精度视觉定位系统；使用一种基于高斯金字塔与新粒子群相结合的目标区域检测方法，对PCBA零部件装配区域进行检测；使用一种OTSU_EDPF算法的目标区域轮廓提取方法，获取装配区域中连续且单像素宽的轮廓信息，提取PCBA零部件轮廓信息；基于局部面积效应的亚像素轮廓细化及最小二乘法轮廓中心位置拟合计算出轮廓中心，对PCBA零部件进行高精度定位。本发明无论对于智能手机PCBA圆形零部件还是矩形零部件都具有较高的定位精度，且定位精度在±0.03mm。

Description

一种PCBA零部件高精度视觉定位方法
技术领域
本发明属于图像处理技术领域，特别是涉及一种PCBA零部件高精度视觉定位方法。
背景技术
在《中国制造2025》中首次提及智能制造，推动了信息技术与制造技术的融合发展，并将智能制造作为融合的主攻方向，实现产品、设备和生产过程的智能化，伴随着人工智能加入了国家战略计划，使得人工智能领域成为了一个研究热门，机器视觉作为人工智能领域的一个研究分支，研究仪器设备如何向人眼一样可以观察周围事物，实现对目标的检测、定位、测量等功能，因此在多个行业中得到了广泛的使用，包括工业、军事、农业等，在工业行业中，帮助人们实现产业的自动化，取代传统手工作业，推动产业生产线朝着精密、精益、柔性、高速、非接触式的方向快速发展；
智能手机作为电子产品的典型代表，不断进行产品的迭代更新，据IDC报告显示，2020年国内智能手机出货量超过3亿多部，庞大的手机市场促使智能手机生产线上的相关制造设备和对应技术不断向前突破，高精度视觉定位可用于智能手机生产线上贴片机工位，进行智能手机PCBA零部件的高精度装配，实现±0.03毫米高精度定位，目前国外定位装配精度可达±0.025毫米，由于智能手机的集成度高且变得越来越复杂，导致手机印刷电路板装配中的零部件尺寸微型化、安装密集化、间距细化，这就很大程度上提高了对智能手机零部件定位装配精度的需求，然而目前国内视觉定位技术受定位区域检测准确性低、轮廓不够完整和细化、硬件设备等多种因素影响，无法实现±0.03毫米的高精度定位标准。
发明内容
本发明的目的在于提供一种PCBA零部件高精度视觉定位方法，以解决上述背景技术中提出的问题。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明为一种PCBA零部件高精度视觉定位方法，所述方法包括以下步骤：
搭建以及标定单目高精度视觉定位系统；
使用一种基于高斯金字塔与新粒子群相结合的目标区域检测方法，对PCBA零部件装配区域进行检测；
使用一种OTSU_EDPF算法的目标区域轮廓提取方法，获取装配区域中连续且单像素宽的轮廓信息，提取PCBA零部件轮廓信息；
基于局部面积效应的亚像素轮廓细化及最小二乘法轮廓中心位置拟合计算出轮廓中心，对PCBA零部件进行高精度定位。
一种PCBA零部件高精度视觉定位方法，所述搭建以及标定单目高精度视觉定位系统分为：光源选取、镜头选取、相机选取及系统搭建；
所述光源选取的光源为LED灯；
所述镜头选取的镜头型号为BT-10系列的双远心镜头；
所述相机选取的相机型号为MV-CE200-10GM。
一种基于高斯金字塔与新粒子群相结合的目标区域检测方法，步骤如下：
S1：设置金字塔层数为L，分别对待匹配图像与模板图像进行高斯金字塔变换；
S2：在待匹配图像变换后的L层子图中采用新粒子群算法搜索粗匹配区域；
S3：设置邻域大小为n*n，在邻域范围内将相同层的模板子图与待匹配子图逐像素匹配，找到最佳匹配位置；
S4：若L＝0,则算法结束，输出匹配区域，否则执行第三步。
一种新粒子群算法，步骤如下:
S1:初始化粒子群算法的参数：种群个数m、空间维度K、当前迭代次数为t，最大迭代次数为T；
S2：初始化粒子群的位置和移动速度，利用NCC系数作为适应度值Pi，然后找出个体和群体的初始最优值；
S3：更新粒子的移动速度、位置、个体最优值和群体最优值；
S4：若t＝T,则算法运行结束，将群体最优值反变换传入L-1层；否则执行S3。
一种OTSU_EDPF算法的目标区域轮廓提取方法，所述方法为改进的OTSU算法与EDPF结合，所述改进的OTSU算法包括以下步骤:
S1：用二元组(i,j)表示二维直方图中阈值划分点；
S2：直线截距阈值η将图像分成背景区域Cb和目标区域Co；
S3：利用增加的45°和135°方向与水平和竖直方向形成的八方向梯度模板计算图像的梯度大小；
S4：结合中心像素点3×3邻域范围内的梯度信息差值决定锚点阈值than的选取；
S5：获得一系列锚点之后，根据梯度方向将锚点连接成线段；
S6：计算边缘线段的NFA值，判定该线段为是否有效边缘段，若不是则去除掉该边缘线段。
一种轮廓中心的计算方法，步骤如下：
S1：圆形零部件基准点轮廓保留，使用EDCircle算法保留圆形基准点重要轮廓，将轮廓以线段形式合成弧，并进行圆形检测；
S2：矩形零部件基准点最小外接圆求解；
S3：基于局部面积效应的亚像素轮廓提取，令Fx,y表示图像轮廓经过像素点(x,y)的强度值；
S4：基于最小二乘法的亚像素圆拟合及中心位置计算。
本发明具有以下有益效果：
本发明无论对于智能手机PCBA圆形零部件还是矩形零部件都具有较高的定位精度，且定位精度在±0.03mm。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种PCBA零部件高精度视觉定位方法的流程图；
图2为本发明一种PCBA零部件高精度视觉定位方法的系统搭建图；
图3为本发明一种PCBA零部件高精度视觉定位方法OTSU_EDPF算法对比图；
图4为本发明一种PCBA零部件高精度视觉定位方法的目标区域轮廓提取方法对比图；
图5为本发明一种PCBA零部件高精度视觉定位方法的传统方法对比图；
图6为本发明一种PCBA零部件高精度视觉定位方法的计算机合成的第一种圆形图像测试图；
图7为本发明一种PCBA零部件高精度视觉定位方法的计算机合成的第二种圆形图像测试图；
图8为本发明一种PCBA零部件高精度视觉定位方法的计算机合成的第三种圆形图像测试图；
图9为本发明一种PCBA零部件高精度视觉定位方法的矩形零部件实际图像；
图10为本发明一种PCBA零部件高精度视觉定位方法的圆形零部件实际图像。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1-10所示，本发明为一种PCBA零部件高精度视觉定位方法，包括以下步骤：
搭建以及标定单目高精度视觉定位系统；
搭建以及标定单目高精度视觉定位系统分为：光源选取、镜头选取、相机选取及系统搭建；
光源选取的光源为LED灯；
镜头选取的镜头型号为维视制造公司的BT-10系列的双远心镜头；
相机选取的相机型号为海康威视MV-CE200-10GM工业相机；
使用一种基于高斯金字塔与新粒子群相结合的目标区域检测方法，对PCBA零部件装配区域进行检测；
使用一种OTSU_EDPF算法的目标区域轮廓提取方法，获取装配区域中连续且单像素宽的轮廓信息，提取PCBA零部件轮廓信息；
基于局部面积效应的亚像素轮廓细化及最小二乘法轮廓中心位置拟合计算出轮廓中心，对PCBA零部件进行高精度定位。
实施例二：
在实施例一的基础上公开了一种基于高斯金字塔与新粒子群相结合的目标区域检测方法，其步骤如下：
第一步：设置金字塔层数为L，分别对待匹配图像与模板图像进行高斯金字塔变换；
第二步：在待匹配图像变换后的L层子图中采用新粒子群算法搜索粗匹配区域；
第三步：设置邻域大小为n*n，在邻域范围内将相同层的模板子图与待匹配子图逐像素匹配，找到最佳匹配位置；
第四步：若L＝0,则算法结束，输出匹配区域，否则执行第三步。
实施例三：
在实施例二的基础上公开了一种新粒子群算法，其步骤如下：
第一步：初始化粒子群算法的参数：种群个数m、空间维度K、当前迭代次数为t，最大迭代次数为T；
第二步：初始化粒子群的位置和移动速度，利用NCC系数作为适应度值Pi，然后找出个体和群体的初始最优值；
第三步：更新粒子的移动速度、位置、个体最优值和群体最优值；
第四步：若t＝T,则算法运行结束，将群体最优值反变换传入L-1层；否则执行第三步。
实施例四：
在实施例一的基础上公开了一种OTSU_EDPF算法的目标区域轮廓提取方法，方法为改进的OTSU算法与EDPF结合，改进的OTSU算法包括以下步骤：
第一步：用二元组(i,j)表示二维直方图中阈值划分点，通过直线截距划分方式利用i+j＝t表示垂直于对角线且截距为t的直线，可以将二维直方图降成一维直方图，假设Nt表示i+j＝t出现的次数，Pt表示二元组出现的概率，两者间之间的关系有：
Figure GDA0003731341370000071
由此可得图像的均值为：
Figure GDA0003731341370000072
第二步：直线截距阈值η将图像分成背景区域Cb和目标区域Co，且它们之间的取值范围分别为Cb(T)∈[0,T]，Co(T)∈[T+1,2T-1]，从而有Cb和Cb的概率分别为：
Figure GDA0003731341370000073
背景区域的像素均值为mb，目标区域的像素均值为mo，则有
Figure GDA0003731341370000081
因此可以计算出类内方差：
Figure GDA0003731341370000082
式中，fb(x,y)和fo(x,y)分别表示背景像素点灰度值和目标像素点灰度值，故可以计算出类间方差和类内方差的方差比，定义如下：
Figure GDA0003731341370000083
其中λ为权值，增大类间方差和类内方差的比值，有助于获取最佳阈值。
第三步：利用增加的45°和135°方向与水平和竖直方向形成的八方向梯度模板计算图像的梯度大小，令T45表示45°方向梯度模板，T135表示135°方向梯度模板，有：
Figure GDA0003731341370000084
若G45和G135分别表示45°方向梯度值和135°方向梯度值，G(x,y)、Gx、Gy分别表示图像梯度大小、水平梯度值、竖直梯度值，则有：
Figure GDA0003731341370000085
采用改进的OTSU算法获取图像阈值T，以阈值的0.5倍作为低阈值，采用改进的OTSU算法获取图像阈值T，以阈值的0.5倍作为低阈值，当G(x,y)≥0.5T时，若Gx≥Gy，则该点为竖直方向，否则为水平方向，当G(x,y)＜0.5T时，去除该点；
第四步：结合中心像素点3×3邻域范围内的梯度信息差值决定锚点阈值than的选取，定义如下：
Figure GDA0003731341370000091
Figure GDA0003731341370000092
遍历图像，当像素点呈竖直方向时，若diff8＞than&&diff4＞than则记为锚点；当像素点呈水平方向时，若diff2＞than&&diff6＞than则记为锚点；
第五步：获得一系列锚点之后，根据梯度方向将锚点连接成线段，选择一个锚点作为起始点，若锚点呈水平方向，则向左右两边进行移动；若呈竖直方向，则向上下两边进行移动，两种都连接三个像素中梯度值最大的点；
第六步：计算边缘线段的NFA(NumberofFalseAlarms)值，若满足下式则判定该线段为有效边缘段，否则去除掉该边缘线段；
Figure GDA0003731341370000093
其中I表示图像，g表示梯度值，N表示像素点数量，H(u)表示梯度值g的积累分布函数，li表示线段Si的长度，ε为判定界限，取值为1；
请参看图1-5所示，图3表示原图，图4表示传统提取轮廓方法，图5表示本发明公开的提取轮廓方法，可以看出本发明提出的单像素宽轮廓像素提取方法在手机PCBA零部件装配区域中有更好的连续性，且轮廓信息更为丰富，从而验证了本发明公开的提取轮廓方法效果更佳显著，包含的轮廓信息更加完整和细化。
实施例五：
在实施例一的基础上公开了一种轮廓中心的计算方法，其步骤如下：
第一步：圆形零部件基准点轮廓保留，使用EDCircle算法保留圆形基准点重要轮廓，将轮廓以线段形式合成弧，并进行圆形检测；
在此，在扩展弧的过程中有三个约束条件：
(1)半径差约束：弧半径差在±25％以内，如果弧H2的半径在弧H1半径的±25％以内，那么认为弧H2作为候选加入弧；
(2)中心距离约束：弧中心距离在25％以内，如果弧H2与弧H1的中心距离不超过弧H1半径的25％，那么弧H2可以加入候选弧序列中；
(3)角度约束：在满足前两个约束条件下，弧角度之和需大于π，在上述步骤后形成候选圆弧，再利用最小二乘法拟合圆，由此检测出图像中的圆形轮廓并保留；
第二步：矩形零部件基准点最小外接圆求解，设十字形轮廓中间距最远的两个端点为E和F，LEF表示两点间的距离，计算LEF的中间点，并遍历其余点同时计算其与LEF中间点距离，找出距离最长的点作为G点，且距离为LG；
若LG≤LEF/2，则以EF的中点作为圆点，LEF距离的一半作为半径得到最小外接圆；
反之，按照圆心到三角形顶点之间的距离相等的准则列举等式求解：
Figure GDA0003731341370000111
Figure GDA0003731341370000112
结合上述两式可得到圆心坐标，圆半径，以此得到十字形的最小外接圆；
第三步：基于局部面积效应的亚像素轮廓提取，令Fx,y表示图像轮廓经过像素点(x,y)的强度值，A表示轮廓下方的强度，B表示轮廓上方的强度，SA和SB是像素点(x,y)中强度A和强度B占据的面积，h表示像素的宽，则Fx,y可定义为：
Figure GDA0003731341370000113
设以二次曲线方程y＝a+bx+cx2来模拟轮廓，选择以轮廓像素点为中心的5×3大小作为窗口，其中5行为了确保轮廓能从窗口左边穿插到右边，并令SL,SM,SR分别表示5×3窗口左边、中间、右边的像素面积，则表示为：
Figure GDA0003731341370000114
Figure GDA0003731341370000115
其中L、M、R表示每列在轮廓曲线下的像素面积，则有如下表达式：
Figure GDA0003731341370000116
Figure GDA0003731341370000121
可以计算得到二次曲线参数：
a＝(2SM-5(A+B))/2(A-B)-c/12 b＝(SR-SL)/2(A-B) c＝(SL+SR-2SM)/2(A-B)
轮廓曲线斜率的计算根据图像梯度来决定，若所在范围不同，计算亚像素的位置也有所差异，如果斜率范围在[-1,1]之间，则满足约束：
Figure GDA0003731341370000122
如果斜率的绝对值大于1，则满足约束：
Figure GDA0003731341370000123
当轮廓曲线斜率范围在[-1,1]之间时，轮廓亚像素位置是(x,y-a)，当斜率范围超过1时，需要把原来的5×3窗口的行列数互换变为3×5窗口，且曲线定义为x＝a+by+cy2，再利用前面的原理来计算相关参数得到亚像素位置为(x-a,y)。
第四步：基于最小二乘法的亚像素圆拟合及中心位置计算，令圆的一般表示方程为：
(x-a)2+(y-b)2-r2＝0，若亚像素级轮廓点为(xi,yi)，拟合圆心为(xnc,ync)，则轮廓点与拟合点之间的距离为di，最小二乘法实质上是最小化误差的平方和，利用最小二乘法拟合圆，则是寻找到使di与r差值最小的参数，则有：
Figure GDA0003731341370000124
A,B,C＝argmin{f(A,B,C)}实现f(A,B,C)函数最小化，需要通过对三个参数分别求偏导，且偏导后的结果都为零：
Figure GDA0003731341370000131
于是可得如下线性方程组:
Figure GDA0003731341370000132
根据参数可得到拟合圆心的坐标位置：
Figure GDA0003731341370000133
实施例六：
公开了一种PCBA零部件高精度定位方法的验证方法：方法包括有对合成图像和实际图像进行测试，并与基于矩的亚像素定位方法(Zernike)和基于高斯拟合的亚像素定位方法(Gaussian)进行比较；
为验证本发明公开的方法在缺陷情况下依然可以进行高精度定位，计算机合成的圆形图像包含完整图像图6、缺陷图像图7、凸出图像图8，合成圆的定位误差结果如表1所示。
从表1定位误差可知，本文方法的平均定位误差在0.02个像素内，基于高斯拟合的亚像素定位方法平均误差在0.06个像素内，基于矩的亚像素定位方法平均误差为0.3个像素，可明显得知本方法的定位精度较高，相对凸起部分对于定位精度的影响，部分缺损带来的影响较小，但是在完整情况下本文方法的定位精度更高。
表1合成圆定位误差(单位：pixel)
Figure GDA0003731341370000141
具体实施时，验证本发明公开的PCBA零部件高精度定位方法在实际应用中依然具有较高的定位精度，分别对矩形零部件和圆形零部件的装配区域进行定位测试，如附图5所示是测试图像，比较视觉系统定位坐标与实际坐标的误差；对于矩形零部件的定位结果，从表2中数据可知，对于圆形零部件的定位结果，从表3中数据可知：
表2矩形零部件定位数据
Figure GDA0003731341370000151
表3圆形零部件定位数据
Figure GDA0003731341370000152
本技术方案定位误差在±0.03mm以内，基于高斯拟合的亚像素定位方法和基于矩的亚像素定位方法的误差都在±0.04mm以内，且本发明公开方法的绝对均值误差为0.023mm，其它两种方法的绝对均值误差为0.027mm和0.029mm。对于圆形零部件的定位结果，本发明公开方法的定位误差在-0.03mm以内，基于高斯拟合的亚像素定位方法的误差范围与之相同，但是误差值相对偏大，基于矩的亚像素定位方法的误差在-0.08mm以内，且本发明公开方法的绝对均值误差为0.0225mm，其它两种方法的绝对均值误差为0.0275mm和0.05mm；
综上所述，本发明无论对于智能手机PCBA圆形零部件还是矩形零部件都具有较高的定位精度，且定位精度在±0.03mm。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”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。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (3)

1.一种PCBA零部件高精度视觉定位方法，其特征在于，所述方法包括以下步骤：
搭建以及标定单目高精度视觉定位系统；
使用一种基于高斯金字塔与新粒子群相结合的目标区域检测方法，对PCBA零部件装配区域进行检测；
使用一种OTSU_EDPF算法的目标区域轮廓提取方法，获取装配区域中连续且单像素宽的轮廓信息，提取PCBA零部件轮廓信息；
基于局部面积效应的亚像素轮廓细化及最小二乘法轮廓中心位置拟合计算出轮廓中心，对PCBA零部件进行高精度定位；
所述基于高斯金字塔与新粒子群相结合的目标区域检测方法步骤如下：
S1：设置金字塔层数为L，分别对待匹配图像与模板图像进行高斯金字塔变换；
S2：在待匹配图像变换后的L层子图中采用新粒子群算法搜索粗匹配区域；
S3：设置邻域大小为n*n，在邻域范围内将相同层的模板子图与待匹配子图逐像素匹配，找到最佳匹配位置；
S4：若L＝0,则算法结束，输出匹配区域，否则执行S3；
所述新粒子群算法的步骤如下:
S5:初始化粒子群算法的参数：种群个数m、空间维度K、当前迭代次数为t，最大迭代次数为T；
S6：初始化粒子群的位置和移动速度，利用NCC系数作为适应度值Pi，然后找出个体和群体的初始最优值；
S7：更新粒子的移动速度、位置、个体最优值和群体最优值；
S8：若t＝T,则算法运行结束，将群体最优值反变换传入L-1层；否则执行S7；
所述OTSU_EDPF算法的目标区域轮廓提取方法为改进的OTSU算法与EDPF结合，所述改进的OTSU算法包括以下步骤:
S9：用二元组(i,j)表示二维直方图中阈值划分点；
S10：直线截距阈值η将图像分成背景区域Cb和目标区域Co；
S11：利用增加的45°和135°方向与水平和竖直方向形成的八方向梯度模板计算图像的梯度大小；
S12：结合中心像素点3×3邻域范围内的梯度信息差值决定锚点阈值than的选取；
S13：获得一系列锚点之后，根据梯度方向将锚点连接成线段；
S14：计算边缘线段的NFA值，判定该线段为是否有效边缘段，若不是则去除掉该边缘线段。
2.根据权利要求1所述的一种PCBA零部件高精度视觉定位方法，其特征在于，所述搭建以及标定单目高精度视觉定位系统分为：光源选取、镜头选取、相机选取及系统搭建；
所述光源选取的光源为LED灯；
所述镜头选取的镜头型号为BT-10系列的双远心镜头；
所述相机选取的相机型号为MV-CE200-10GM。
3.根据权利要求1所述的一种PCBA零部件高精度视觉定位方法，其特征在于，所述轮廓中心的计算方法的步骤如下：
S15：圆形零部件基准点轮廓保留，使用EDCircle算法保留圆形基准点重要轮廓，将轮廓以线段形式合成弧，并进行圆形检测；
S16：矩形零部件基准点最小外接圆求解；
S17：基于局部面积效应的亚像素轮廓提取，令Fx,y表示图像轮廓经过像素点(x,y)的强度值；
S18：基于最小二乘法的亚像素圆拟合及中心位置计算。
CN202110673520.9A 2021-06-17 2021-06-17 一种pcba零部件高精度视觉定位方法 Active CN113450292B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110673520.9A CN113450292B (zh) 2021-06-17 2021-06-17 一种pcba零部件高精度视觉定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110673520.9A CN113450292B (zh) 2021-06-17 2021-06-17 一种pcba零部件高精度视觉定位方法

Publications (2)

Publication Number Publication Date
CN113450292A CN113450292A (zh) 2021-09-28
CN113450292B true CN113450292B (zh) 2022-08-16

Family

ID=77811699

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110673520.9A Active CN113450292B (zh) 2021-06-17 2021-06-17 一种pcba零部件高精度视觉定位方法

Country Status (1)

Country Link
CN (1) CN113450292B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114202487B (zh) * 2022-02-21 2022-07-08 聚时科技(江苏)有限公司 一种定位孔的检测方法
CN116433700B (zh) * 2023-06-13 2023-08-18 山东金润源法兰机械有限公司 一种法兰零件轮廓视觉定位方法
CN116519033B (zh) * 2023-06-25 2023-08-29 易启科技(吉林省)有限公司 一种线束端子参数检测装置及检测方法
CN117409082B (zh) * 2023-12-13 2024-02-23 南昌工控机器人有限公司 用于手机壳体模块化装配的视觉识别与定位方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436644A (zh) * 2011-11-02 2012-05-02 南京物联网研究院发展有限公司 基于自适应边缘配准的非结构化道路检测方法
CN111583311A (zh) * 2020-05-14 2020-08-25 重庆理工大学 一种pcba快速图像匹配方法
AU2020103215A4 (en) * 2020-11-04 2021-01-14 Desai, Rajendra MR Efficient fungi disease detection and grading for leafy vegetables using optimized image processing techniques
CN112685591A (zh) * 2020-12-31 2021-04-20 荆门汇易佳信息科技有限公司 用户兴趣区域与反馈引导的图片精准检索方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7136066B2 (en) * 2002-11-22 2006-11-14 Microsoft Corp. System and method for scalable portrait video
US9224200B2 (en) * 2012-04-27 2015-12-29 Parasite Technologies A/S Computer vision based method for extracting features relating to the developmental stages of Trichuris spp. eggs
CN112950659A (zh) * 2021-01-12 2021-06-11 中国石油天然气股份有限公司 一种用于压裂支撑剂显微放大的图像处理方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436644A (zh) * 2011-11-02 2012-05-02 南京物联网研究院发展有限公司 基于自适应边缘配准的非结构化道路检测方法
CN111583311A (zh) * 2020-05-14 2020-08-25 重庆理工大学 一种pcba快速图像匹配方法
AU2020103215A4 (en) * 2020-11-04 2021-01-14 Desai, Rajendra MR Efficient fungi disease detection and grading for leafy vegetables using optimized image processing techniques
CN112685591A (zh) * 2020-12-31 2021-04-20 荆门汇易佳信息科技有限公司 用户兴趣区域与反馈引导的图片精准检索方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《基于WFSOA的2D-Otsu钢轨缺陷图像分割方法》;曹义亲 等;《计算机科学》;20200531;第154-160页 *
《基于改进免疫粒子群优化算法的室内可见光通信三维定位方法》;陈勇 等;《电子与信息学报》;20210131;第101-106页 *

Also Published As

Publication number Publication date
CN113450292A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
CN113450292B (zh) 一种pcba零部件高精度视觉定位方法
CN107609557B (zh) 一种指针式仪表读数识别方法
CN103345755B (zh) 一种基于Harris算子的棋盘格角点亚像素提取方法
CN111223133B (zh) 一种异源图像的配准方法
CN109859226B (zh) 一种图形分割的棋盘格角点亚像素的检测方法
CN111243032A (zh) 一种棋盘格角点全自动检测方法
Ma et al. A robust and high-precision automatic reading algorithm of pointer meters based on machine vision
CN108510476B (zh) 一种基于机器视觉的手机屏线路检测方法
WO1999062024A1 (en) Method of accurately locating the fractional position of a template match point
CN110415304B (zh) 一种视觉标定方法及系统
CN106022337B (zh) 一种基于连续边缘特征的平面目标检测方法
CN109447062A (zh) 基于巡检机器人的指针型仪表识别方法
Vilaca et al. Calibration procedure for 3D measurement systems using two cameras and a laser line
CN111861979A (zh) 一种定位方法、设备及计算机可读存储介质
CN111861866A (zh) 一种变电站设备巡检图像全景重建方法
CN107230212B (zh) 一种基于视觉的手机尺寸的测量方法及系统
Zhao et al. Vision-based adaptive stereo measurement of pins on multi-type electrical connectors
CN113688846B (zh) 物体尺寸识别方法、可读存储介质及物体尺寸识别系统
CN114463397A (zh) 一种基于渐进式滤波的多模态图像配准方法
CN105631846A (zh) 一种圆形图形的检测方法
CN113591548B (zh) 靶环识别方法及系统
Ren et al. SAR image matching method based on improved SIFT for navigation system
RU2538319C1 (ru) Устройство поиска дубликатов изображений
CN116843748B (zh) 一种远距二维码及其物体空间位姿获取方法及系统
CN116993803B (zh) 滑坡形变监测方法、装置及电子设备

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