CN114140426A - 一种湿度传感器陶瓷基片印刷碳线图像处理倾斜矫正算法 - Google Patents

Abstract

本发明涉及湿度传感器缺陷检测领域，具体涉及一种湿度传感器陶瓷基片印刷碳线图像处理倾斜矫正算法。该算法通过阈值分割，将图像中的湿度传感器与背景分离出，再将分割得到的湿度传感器图像进行形态学处理，留下湿度传感器边框，通过边缘检提取湿度传感器轮廓，利用Radon变和仿射变换进行图像角度和畸变的矫正，对矫正后的图像提取ROI区域得到湿度传感器图像。由该算法得到的湿度传感器处理效果图上的印刷碳线的缺陷明显，具有极高的辨识精度，对于机器视觉对湿度传感器缺陷检测领域应用具有极大的使用价值。

Description

一种湿度传感器陶瓷基片印刷碳线图像处理倾斜矫正算法

技术领域

本发明涉及湿度传感器缺陷检测领域，具体涉及一种湿度传感器陶瓷基片印刷碳线图像处理倾斜矫正算法。

背景技术

湿度传感器是用于测试空气中水分含量的常用工具，在生活中被广泛应用于各行各业，其中高分子电阻型湿度传感器是目前应用最广泛的湿度传感器之一。在湿度传感器的生产制造中，由于碳线线路是在一整块陶瓷基片上对多个湿度传感器基片统一进行印刷，所以需要将印刷有碳线的陶瓷基片进行切割，然后是对陶瓷片进行清洗并将引脚焊接在焊盘上，后面是采用高分子溶液对湿度传感器陶瓷片进行浸涂处理并进行烘干，形成高分子感湿薄膜。

在电阻型高分子湿度传感器的生产过程中，由于原材料的不均匀，生产车间温湿度的差异等原因会造成产品陶瓷基片上的印刷碳线存在短路、断路等情况，因此需要对产品进行检测。目前，在高分子湿度传感器的生产中对印刷线路主要有两个方面，一是性能检测，需要检验传感器的电气特性，这种方法比较耗时，二则是外观检测，依靠工人对生产线下来的产品进行外观检查来判断其是否存在缺陷。而这种人工检测存在很大的局限性，不仅效率低，检测精度和良品率也不高。随着计算机和机器视觉技术的迅速发展，机器视觉已经逐渐代替人眼来进行工业测量，这能极大地提高生产效率和产品质量。但是由于湿度传感器尺寸小、拍摄角度、湿度传感器拍摄位置等问题导致的图像倾斜和畸变，仍然是限制湿度传感器的陶瓷基板印刷碳线缺陷检测达到极高识别精度的重要因素。

发明内容

为解决上述问题，本发明提供了一种湿度传感器陶瓷基片印刷碳线图像处理倾斜矫正算法，该算法能够对图像中的湿度传感器分割、矫正、ROI区域提取等处理，最终得到的湿度传感器图像印刷碳线缺陷特征明显，极大提高湿度传感器检测的识别精度。

一种湿度传感器陶瓷基片印刷碳线图像处理倾斜矫正算法，其特征在于，包括以下步骤：

S1、阈值分割：提取摄像机获取的图像，对图像进行阈值分割，将图像中的湿度传感器与背景分离出；

S2、形态学处理：将分割得到的湿度传感器图像进行形态学处理，并通过函数去除图像中的印刷碳线区域，留下湿度传感器边框；

S3、边缘检测：对形态学处理后的图像采用Canny算子提取湿度传感器轮廓；

S4、湿度传感器图像倾斜矫正：利用Radon变换对湿度传感器图像旋转进行水平方向的矫正，再经过仿射变换进行竖直方向的矫正，得到角度正确的湿度传感器图像；

S5、ROI区域提取：对矫正后的湿度传感器图像通过纵向截取和横向截取两次操作，提取湿度传感器图像的ROI区域。

所述步骤S1的阈值分割采用Otsu算法，通过Otsu算法得到阈值T，将图像中的湿度传感器与背景分离出，其确定阈值T步骤如下：

1.1)计算输入图像的归一化直方图，设MxN图像的灰度范围为{0,1,2,…,L-1}，那么对应灰度值为i的像素出现的概率Pi：

其中，L为整数灰度级个数，n_i为灰度级i的像素总数。

1.2)设初始阈值T为最小灰度值g，将图像进行分割，计算出这两类的像素点数占图像比例W₁和W₂，以及前背景的平均灰度U₁和U₂

1.3)计算整个图像的平均灰度U：

其中U₁和U₂为前背景的平均灰度，W₁和W₂为像素点数占图像比例。

1.4)计算出类间方差σ_(k)：

σ_(k)＝W₁*(U₁-U)²+W₂*(U₂-U)²

1.5)遍历图像中所有灰度值k，重复步骤2)到步骤4)，比较所有类间方差，当σ_(k)取得最大值时，k即为分割的最佳阈值；

所述Otsu算法分割后得到的湿度传感器图像为二值图。

所述步骤S2形态学处理，选择边长12的方形结构元对分割得到湿度传感器图像进行开运算操作，并使用matlab函数E＝bwareaopen(E,n)去除湿度传感器图像中的碳线区域。

所述步骤S3中的Canny算子提取湿度传感器轮廓步骤如下：

3.1)高斯滤波，

3.2)计算梯度图像和角度图像，

3.3)非极大值抑制，

3.4)双阈值进行边缘连接。

所述步骤S4的湿度传感器图像倾斜矫正具体步骤如下：

4.1)Radon变换通过提取的湿度传感器轮廓找到靠近水平方向的直线，得到倾斜角度，接着对湿度传感器图像进行水平矫正，

4.2)再通过仿射变换的水平方向的偏移变换对湿度传感器图形进行竖直方向的矫正。

所述仿射变换的水平方向的偏移变换，变换矩阵为：

其中Sh表示靠近竖直方向直线与水平方向直线夹角的正切值，通过Radon变换可得到该角。

所述步骤S5中ROI区域提取具体步骤为：

5.1)纵向截取，计算矫正后湿度传感器图像中每一列的像素累加值，得到统计直方图，然后通过算法自动选取边界值对湿度传感器图像进行截取；

5.2)横向截取，将纵向截取得到的图像做一个90度的旋转变换，再计算图像中每一列的像素累加值，得到统计直方图，通过算法自动选取边界值对湿度传感器图像进行截取，再做一个-90度的旋转变换，得到完整的湿度传感器图像。

有益效果：本发明将图像依次进行阈值分割、形态学处理、边缘检测、倾斜矫正处理，精准矫正由于湿度传感器位置和拍摄角度引起的倾斜和畸变，同时采用ROI区域提取增大湿度传感器图像占比，解决了湿度传感器尺寸小导致印刷碳线难以检测问题，最终得到的湿度传感器处理效果图的几何形状特征具有类间差异大，类内差异小的特点，极大的提高机器视觉对湿度传感器陶瓷基片印刷碳线缺陷检测精度。该算法采用计算量小，运行时间短的Radon变换和仿射变换对图像倾斜和畸变矫正，加快算法运行速度。该发明对于机器视觉对湿度传感器缺陷检测领域应用具有极大的使用价值。

附图说明

图1为本发明的流程图。

图2为形态学处理前后示意图，左是处理前，右是处理后。

图3为去除碳线区域前后图，左是去除碳线区域前，右是去除碳线区域后。

图4为Canny算子提取的湿度传感器轮廓示意图。

图5为Radon变换和仿射变换的倾斜矫正算法处理流程图。

图6为湿度传感器图像水平矫正示意图。

图7为湿度传感器图像竖直矫正示意图。

图8为ROI区域提取湿度传感器前后示意图，左为提取前，右为提取后。

图9为湿度传感器图像最终处理效果图。

具体实施方式

本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，一种湿度传感器陶瓷基片印刷碳线图像处理倾斜矫正算法，其特征在于，包括以下步骤：

S1、阈值分割：提取摄像机获取的图像，对图像采用Otsu算法进行阈值分割，通过Otsu算法得到阈值T，将图像中的湿度传感器与背景分离出，消除图像干扰，其确定阈值T步骤如下：

1.1)计算输入图像的归一化直方图，设MxN图像的灰度范围为{0,1,2,…,L-1}，那么对应灰度值为i的像素出现的概率Pi：

其中，L为整数灰度级个数，n_i为灰度级i的像素总数。

1.2)设初始阈值T为最小灰度值g，将图像进行分割，计算出这两类的像素点数占图像比例W₁和W₂，以及前背景的平均灰度U₁和U₂

1.3)计算整个图像的平均灰度U：

其中U₁和U₂为前背景的平均灰度，W₁和W₂为像素点数占图像比例。

1.4)计算出类间方差σ_(k)：

σ_(k)＝W₁*(U₁-U)²+W₂*(U₂-U)²

1.5)遍历图像中所有灰度值k，重复步骤2)到步骤4)，比较所有类间方差，当σ_(k)取得最大值时，k即为分割的最佳阈值；

Otsu算法在一定程度上不受图像亮度和对比度变化的影响，且分割效果也适用于大部分场景，提高了适应能力。

具体地，所述Otsu算法分割后得到的湿度传感器图像为二值图。

如图2，3所示，S2、形态学处理：将分割得到的湿度传感器图像进行形态学处理，选择边长12的方形结构元对分割得到湿度传感器图像进行开运算处理，削弱图像边缘的锯齿状，使得目标图像的边界变得平滑，并使用matlab函数E＝bwareaopen(E,n)去除湿度传感器图像中的碳线区域，留下湿度传感器边框；

S3、边缘检测：对形态学处理后的图像采用Canny算子提取如图4所示的湿度传感器轮廓，；

Canny算子提取湿度传感器轮廓步骤如下：

3.1)高斯滤波，

3.2)计算梯度图像和角度图像，

3.3)非极大值抑制，

3.4)双阈值进行边缘连接。

Canny算子能高准确率，精准定位边缘，在复杂的图像仍能取得好的效果，增加算法的识别精度和适应能力。

S4、湿度传感器图像倾斜和畸变的矫正，矫正过程如图5所示：

4.1)如图6所示，先Radon变换通过提取的湿度传感器轮廓找到靠近水平方向的直线，得到倾斜角度，接着对湿度传感器图像进行水平矫正，

4.2)如图7所示，再通过仿射变换的水平方向的偏移变换对湿度传感器图形进行竖直方向的矫正。

所述仿射变换的水平方向的偏移变换，变换矩阵为：

其中Sh表示靠近竖直方向直线与水平方向直线夹角的正切值，通过Radon变换可得到该角。

基于Radon变换和仿射变换的倾斜矫正算法能够实现图像角度和畸变的矫正，算法程序运行时间短，进一步加快运行速度。

S5、如图8所示，ROI区域提取：由于图像中湿度传感器占比小，所以需要对矫正后的湿度传感器图像通过纵向截取和横向截取两次操作，通过ROI区域提取增大湿度传感器占比。

ROI区域提取具体步骤为：

5.1)纵向截取，计算矫正后湿度传感器图像中每一列的像素累加值，得到统计直方图，然后通过算法自动选取边界值对湿度传感器图像进行截取；

5.2)横向截取，将纵向截取得到的图像做一个90度的旋转变换，再计算图像中每一列的像素累加值，得到统计直方图，通过算法自动选取边界值对湿度传感器图像进行截取，再做一个-90度的旋转变换，得到完整的湿度传感器图像。

提取得到的湿度传感器图像四周存在黑色区域，因此还需经过简单的填充才可得到湿度传感器的最终处理效果图。通过求取图像的尺寸，对图像的从左上角第一个像素点，横向截止到第15个像素点，从上到下扫描每一行15个像素点的值，若为0，则赋予新值1，这样就成功去除图像左侧黑色区域。根据此原理去除图像四周的黑色区域，并对图像做一个非处理，得到如图9所示湿度传感器的最终处理效果图。

处理后得到的不同印刷碳线缺陷的最终效果图的几何形状特征具有类间差异大，类内差异小的特点，能极大的提高机器视觉对湿度传感器陶瓷基片印刷碳线缺陷检测精度。

有益效果：本发明将图像依次进行阈值分割、形态学处理、边缘检测、倾斜矫正处理，精准矫正由于湿度传感器位置和拍摄角度引起的倾斜和畸变，同时采用ROI区域提取增大湿度传感器图像占比，解决了湿度传感器尺寸小导致印刷碳线难以检测问题，最终得到的湿度传感器处理效果图的几何形状特征具有类间差异大，类内差异小的特点，极大的提高机器视觉对湿度传感器陶瓷基片印刷碳线缺陷检测精度。该算法采用计算量小，运行时间短的Radon变换和仿射变换对图像倾斜和畸变矫正，加快算法运行速度。该发明对于机器视觉对湿度传感器缺陷检测领域应用具有极大的使用价值。

以上所述仅为本发明的优选并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变形在内。

Claims (8)

1.一种湿度传感器陶瓷基片印刷碳线图像处理倾斜矫正算法，其特征在于，包括以下步骤：

S1、阈值分割：提取摄像机获取的图像，对图像进行阈值分割，将图像中的湿度传感器与背景分离出；

S2、形态学处理：将分割得到的湿度传感器图像进行形态学处理，并通过函数去除图像中的印刷碳线区域，留下湿度传感器边框；

S3、边缘检测：对形态学处理后的图像采用Canny算子提取湿度传感器轮廓；

S4、湿度传感器图像倾斜矫正：利用Radon变换对湿度传感器图像旋转进行水平方向的矫正，再经过仿射变换进行竖直方向的矫正，得到角度正确的湿度传感器图像；

S5、ROI区域提取：对矫正后的湿度传感器图像通过纵向截取和横向截取两次操作，提取湿度传感器图像的ROI区域。

2.根据权利要求1所述的一种湿度传感器陶瓷基片印刷碳线图像处理倾斜矫正算法，其特征在于：所述步骤S1的阈值分割采用Otsu算法，通过Otsu算法得到阈值T，将图像中的湿度传感器与背景分离出，其确定阈值T步骤如下：

1.1)计算输入图像的归一化直方图，设MxN图像的灰度范围为{0,1,2,…,L-1}，则对应灰度值为i的像素出现的概率Pi：

其中，L为整数灰度级个数，n_i为灰度级i的像素总数；

1.2)设初始阈值T为最小灰度值g，将图像进行分割，计算出这两类的像素点数占图像比例W₁和W₂，以及前背景的平均灰度U₁和U₂，

1.3)计算整个图像的平均灰度U：

其中U₁和U₂为前背景的平均灰度，W₁和W₂为像素点数占图像比例；

1.4)计算出类间方差σ_(k)：

σ_(k)＝W₁*(U₁-U)²+W₂*(U₂-U)²

1.5)遍历图像中所有灰度值k，重复步骤2)到步骤4)，比较所有类间方差，当σ_(k)取得最大值时，k即为分割的最佳阈值。

3.根据权利要求2所述的一种湿度传感器陶瓷基片印刷碳线图像处理倾斜矫正算法，其特征在于：所述Otsu算法分割后得到的湿度传感器图像为二值图。

4.根据权利要求1所述的一种湿度传感器陶瓷基片印刷碳线图像处理倾斜矫正算法，其特征在于：所述步骤S2形态学处理，选择边长12的方形结构元对分割得到湿度传感器图像进行开运算操作，并使用matlab函数E＝bwareaopen(E,n)去除湿度传感器图像中的碳线区域。

5.根据权利要求1所述的一种湿度传感器陶瓷基片印刷碳线图像处理倾斜矫正算法，其特征在于：所述步骤S3中的Canny算子提取湿度传感器轮廓步骤如下：

3.1)高斯滤波，

3.2)计算梯度图像和角度图像，

3.3)非极大值抑制，

3.4)双阈值进行边缘连接。

6.根据权利要求1所述的一种湿度传感器陶瓷基片印刷碳线图像处理倾斜矫正算法，其特征在于：所述步骤S4的湿度传感器图像倾斜矫正具体步骤如下：

4.1)Radon变换通过提取的湿度传感器轮廓找到靠近水平方向的直线，得到倾斜角度，接着对湿度传感器图像进行水平矫正；

4.2)再通过仿射变换的水平方向的偏移变换对湿度传感器图形进行竖直方向的矫正。

7.根据权利要求6所述的一种湿度传感器陶瓷基片印刷碳线图像处理倾斜矫正算法，其特征在于：所述仿射变换的水平方向的偏移变换，变换矩阵为：

其中Sh表示靠近竖直方向直线与水平方向直线夹角的正切值，通过Radon变换可得到该角。

8.根据权利要求1所述的一种湿度传感器陶瓷基片印刷碳线图像处理倾斜矫正算法，其特征在于：所述步骤S5中ROI区域提取具体步骤为：

5.1)纵向截取，计算矫正后湿度传感器图像中每一列的像素累加值，得到统计直方图，然后通过算法自动选取边界值对湿度传感器图像进行截取；

5.2)横向截取，将纵向截取得到的图像做一个90度的旋转变换，再计算图像中每一列的像素累加值，得到统计直方图，通过算法自动选取边界值对湿度传感器图像进行截取，再做一个-90度的旋转变换，得到完整的湿度传感器图像。

Images