CN115457063A - Pcb板圆孔的边缘提取方法、装置、设备及存储介质 - Google Patents

Pcb板圆孔的边缘提取方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115457063A
CN115457063A CN202211011089.2A CN202211011089A CN115457063A CN 115457063 A CN115457063 A CN 115457063A CN 202211011089 A CN202211011089 A CN 202211011089A CN 115457063 A CN115457063 A CN 115457063A
Authority
CN
China
Prior art keywords
initial
edge
current
image
determining
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.)
Pending
Application number
CN202211011089.2A
Other languages
English (en)
Inventor
李林峰
汪杨刚
高强
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.)
Wuhan Haiwei Technology Co ltd
Original Assignee
Wuhan Haiwei 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 Wuhan Haiwei Technology Co ltd filed Critical Wuhan Haiwei Technology Co ltd
Priority to CN202211011089.2A priority Critical patent/CN115457063A/zh
Publication of CN115457063A publication Critical patent/CN115457063A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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]

Abstract

本发明属于车载电子产品自动化生产技术领域，公开了一种PCB板圆孔的边缘提取方法、装置、设备及存储介质。该方法包括：根据初始图像，得到滤波图像；根据滤波图像，得到像素梯度数据，根据像素梯度数据，确定初始边缘点；根据初始分割阈值，得到当前类间方差，根据当前类间方差，确定目标分割阈值；根据目标分割阈值与初始边缘点，确定有效边缘点；根据有效边缘点，确定拟合集合，根据拟合集合，确定目标边缘点；对目标边缘点进行椭圆拟合，得到目标椭圆参数，根据目标椭圆参数，确定圆孔中心位置信息；根据圆孔中心位置信息，对当前PCB板进行定位。通过上述方式，提升了PCB板圆孔边缘提取的精度，同时提高了自适应性，提升了检测效果。

Description

PCB板圆孔的边缘提取方法、装置、设备及存储介质
技术领域
本发明涉及车载电子产品自动化生产技术领域，尤其涉及一种PCB板圆孔的边缘提取方法、装置、设备及存储介质。
背景技术
PCB板(印刷电路板，Printed Circuit Board)是车载显示屏的核心部件，在PCB板自动化生产过程中，需要利用机器视觉进行贴合、对位、视觉锁附以及缺陷检测等操作，其中，PCB板上面的圆形特征孔作为PCB板上为数不多的比较明显的特征点，其圆孔的边缘提取精度对于机器视觉技术在PCB板自动化生产过程中的应用显得特别重要，然而传统的边缘检测方法不能很好地平衡检测精度与检测效果，影响PCB板的自动化生产。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种PCB板圆孔的边缘提取方法、装置、设备及存储介质，旨在解决现有技术在提取PCB板圆孔边缘时不能很好地平衡精度与效果，影响自动化生产的技术问题。
为实现上述目的，本发明提供了一种PCB板圆孔的边缘提取方法，所述方法包括以下步骤：
获取当前PCB板的初始图像，根据所述初始图像，得到滤波图像；
根据所述滤波图像，得到像素梯度数据，根据所述像素梯度数据，确定初始边缘点；
根据初始分割阈值，得到当前类间方差，根据所述当前类间方差，确定目标分割阈值；
根据所述目标分割阈值与初始边缘点，确定有效边缘点；
根据所述有效边缘点，确定拟合集合，根据所述拟合集合，确定目标边缘点；
对所述目标边缘点进行椭圆拟合，得到目标椭圆参数，根据所述目标椭圆参数，确定圆孔中心位置信息；
根据所述圆孔中心位置信息，对当前PCB板进行定位。
可选地，所述获取当前PCB板的初始图像，根据所述初始图像，得到滤波图像，包括：
获取当前PCB板的初始图像，对所述初始图像进行增强处理，得到增强图像；
根据所述增强图像与初始滤波窗口，得到当前像素灰度数据；
根据所述当前像素灰度数据，确定当前最小灰度值、当前最大灰度值以及当前中心像素灰度值；
根据所述当前像素灰度数据与预设混合窗口，得到当前灰度中值；
获取滤波输出数据与灰度中值、最小灰度值、最大灰度值以及中心像素灰度值之间的对应关系，根据所述对应关系、当前灰度中值、当前最小灰度值、当前最大灰度值以及当前中心像素灰度值，得到当前滤波输出数据；
根据所述当前滤波输出数据，得到滤波图像。
可选地，所述像素梯度数据包括像素梯度大小数据和像素梯度方向数据；
所述根据所述滤波图像，得到像素梯度数据，根据所述像素梯度数据，确定初始边缘点，包括：
对所述滤波图像进行平滑处理，得到平滑图像；
根据所述平滑图像与预设梯度算子，得到平滑图像中各像素点的像素梯度大小数据和像素梯度方向数据；
根据像素点的像素梯度大小数据和像素梯度方向数据，得到像素梯度插值数据；
在当前像素点的梯度插值数据与当前像素梯度大小数据满足预设比较条件时，根据当前像素点，确定初始边缘点。
可选地，所述根据初始分割阈值，得到当前类间方差，根据所述当前类间方差，确定目标分割阈值，包括：
根据初始分割阈值与所述平滑图像，得到初始前景灰度范围与初始背景灰度范围；
根据所述初始前景灰度范围与初始背景灰度范围，得到初始前景概率与初始背景概率；
获取类间方差与前景概率、背景概率以及全局概率之间的对应关系，根据所述初始前景概率、初始背景概率以及所述对应关系，得到当前类间方差；
在所述当前类间方差满足预设最优条件时，根据所述初始分割阈值，确定目标分割阈值。
可选地，所述根据所述目标分割阈值与初始边缘点，确定有效边缘点，包括：
根据所述目标分割阈值与平滑图像，得到高阈值图像与低阈值图像；
根据所述高阈值图像、低阈值图像以及初始边缘点，得到高阈值边缘点集合与低阈值边缘点集合；
对所述高阈值边缘点集合中的高阈值边缘点进行遍历；
将遍历到的高阈值边缘点作为初始中心点，根据所述初始中心点，确定邻近边缘点；
在所述邻近边缘点属于高阈值边缘点集合时，将所述初始中心点添加至有效边缘点集合，并根据所述邻近边缘点更新所述初始中心点，返回执行根据所述初始中心点，确定近邻边缘点的步骤；
根据所述有效边缘点集合，确定有效边缘点。
可选地，所述将遍历到的高阈值边缘点作为初始中心点，根据所述初始中心点，确定邻近边缘点之后，还包括：
在所述邻近边缘点不属于高阈值边缘点集合时，判断所述邻近边缘点是否属于低阈值边缘点集合；
在所述邻近边缘点属于低阈值边缘点集合时，将所述初始中心点添加至有效边缘点集合，并根据所述邻近边缘点更新所述初始中心点，返回执行根据所述初始中心点，确定近邻边缘点的步骤。
可选地，所述根据所述有效边缘点，确定拟合集合，根据所述拟合集合，确定目标边缘点，包括：
根据预设划分数量与所述有效边缘点，得到分割集合；
对所述分割集合进行椭圆拟合，得到分割集合的椭圆参数；
在所述分割集合的椭圆参数满足预设拟合条件时，根据预设间距、预设边缘点数量与所述分割集合，得到拟合集合；
对所述拟合集合进行椭圆拟合，得到拟合集合的椭圆参数；
在当前拟合集合的椭圆参数满足预设拟合条件时，根据所述当前拟合集合，确定目标拟合集合，并记录拟合椭圆数量；
在所述拟合椭圆数量大于等于预设拟合数量时，根据所述目标拟合集合的椭圆参数，确定目标边缘点。
此外，为实现上述目的，本发明还提出一种PCB板圆孔的边缘提取装置，所述PCB板圆孔的边缘提取装置包括：
获取模块，用于获取当前PCB板的初始图像，根据所述初始图像，得到滤波图像；
检测模块，用于根据所述滤波图像，得到像素梯度数据，根据所述像素梯度数据，确定初始边缘点；
所述检测模块，还用于根据初始分割阈值，得到当前类间方差，根据所述当前类间方差，确定目标分割阈值；
所述检测模块，还用于根据所述目标分割阈值与初始边缘点，确定有效边缘点；
提取模块，用于根据所述有效边缘点，确定拟合集合，根据所述拟合集合，确定目标边缘点；
所述提取模块，还用于对所述目标边缘点进行椭圆拟合，得到目标椭圆数据，根据所述目标椭圆数据，确定圆孔中心位置信息；
定位模块，用于根据所述圆孔中心位置信息，对当前PCB板进行定位。
此外，为实现上述目的，本发明还提出一种PCB板圆孔的边缘提取设备，所述PCB板圆孔的边缘提取设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的PCB板圆孔的边缘提取程序，所述PCB板圆孔的边缘提取程序配置为实现如上文所述的PCB板圆孔的边缘提取方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有PCB板圆孔的边缘提取程序，所述PCB板圆孔的边缘提取程序被处理器执行时实现如上文所述的PCB板圆孔的边缘提取方法的步骤。
在本发明中，根据当前PCB板的初始图像，得到滤波图像，从而得到像素梯度数据，进而确定初始边缘点，根据初始分割阈值，得到当前类间方差，并根据当前类间方差，确定目标分割阈值，进而根据目标分割阈值与初始边缘点，确定有效边缘点，根据有效边缘点，确定拟合集合，并确定目标边缘点，对目标边缘点进行椭圆拟合，得到目标椭圆参数，根据目标椭圆参数，确定圆孔中心位置信息，进而对当前PCB板进行定位。相较于现有技术在提取PCB板圆孔边缘时不能很好地平衡精度与效果，本发明克服了传统检测方式影响PCB板自动化生产的技术问题，提升了PCB板圆孔边缘提取的稳定性、精度，同时也提高了环境适配性，提高了检测效果，满足了PCB板自动化生产过程中的需求。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的PCB板圆孔的边缘提取设备的结构示意图；
图2为本发明PCB板圆孔的边缘提取方法第一实施例的流程示意图；
图3为本发明PCB板圆孔的边缘提取方法一实施例的边缘检测的流程示意图；
图4为本发明PCB板圆孔的边缘提取方法第二实施例的流程示意图；
图5为本发明PCB板圆孔的边缘提取方法一实施例的中值滤波的流程示意图；
图6为本发明PCB板圆孔的边缘提取方法一实施例的图像预处理的流程示意图；
图7为本发明PCB板圆孔的边缘提取方法第三实施例的流程示意图；
图8为本发明PCB板圆孔的边缘提取方法一实施例的自适应阈值选取的流程示意图；
图9为本发明PCB板圆孔的边缘提取方法第四实施例的流程示意图；
图10为本发明PCB板圆孔的边缘提取方法一实施例的边缘检测连接的流程示意图；
图11为本发明PCB板圆孔的边缘提取方法第五实施例的流程示意图；
图12为本发明PCB板圆孔的边缘提取方法一实施例的圆孔边缘点提取的流程示意图；
图13为本发明PCB板圆孔的边缘提取装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的PCB板圆孔的边缘提取设备结构示意图。
如图1所示，该PCB板圆孔的边缘提取设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对PCB板圆孔的边缘提取设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及PCB板圆孔的边缘提取程序。
在图1所示的PCB板圆孔的边缘提取设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明PCB板圆孔的边缘提取设备中的处理器1001、存储器1005可设置在PCB板圆孔的边缘提取设备中，所述PCB板圆孔的边缘提取设备通过处理器1001调用存储器1005中存储的PCB板圆孔的边缘提取程序，并执行本发明实施例提供的PCB板圆孔的边缘提取方法。
本发明实施例提供了一种PCB板圆孔的边缘提取方法，参照图2，图2为本发明一种PCB板圆孔的边缘提取方法第一实施例的流程示意图。
本实施例中，所述PCB板圆孔的边缘提取方法包括以下步骤：
步骤S10：获取当前PCB板的初始图像，根据所述初始图像，得到滤波图像。
需要说明的是，本实施例的执行主体为计算机，可为任一能够运行PCB板圆孔的边缘提取程序的计算机，本实施例对此不做限制，通过计算机中设有的PCB板圆孔的边缘提取程序，对PCB板图像进行边缘检测，识别圆孔区域，对圆孔边缘进行椭圆拟合，提取PCB板圆孔中心点坐标值。
可理解的是，所述当前PCB板为正在进行边缘提取的PCB板，所述初始图像为PCB板的整体图像，可使用图像采集装置得到，例如：CCD(charge coupled device，电荷耦合器件)工业相机，也可使用其他方式获取，本实施例对此不做限制，可根据实际情况灵活调整，所述滤波图像为经过预处理后的PCB板图像。
在具体实现中，将图像采集装置获取到的PCB板图像输入至PCB板圆孔的边缘提取程序进行边缘提取，由于在图像拍摄和传输过程中，不可避免会引入一些不必要的干扰信号，即噪声，因此需要对初始图像进行预处理，去除干扰的噪声，保证图像的质量，以提高后续边缘提取的精度，其中，图像预处理使用的方式本实施例不做限制，可为任一能够提高获取图像质量的方式，可根据实际需求进行选择。
步骤S20：根据所述滤波图像，得到像素梯度数据，根据所述像素梯度数据，确定初始边缘点。
所述步骤S20包括：对所述滤波图像进行平滑处理，得到平滑图像，根据所述平滑图像与预设梯度算子，得到平滑图像中各像素点的像素梯度大小数据和像素梯度方向数据，根据像素点的像素梯度大小数据和像素梯度方向数据，得到像素梯度插值数据，在当前像素点的梯度插值数据与当前像素梯度大小数据满足预设比较条件时，根据当前像素点，确定初始边缘点。
应理解的是，所述平滑图像为经过平滑处理后的图像，可通过高斯滤波器得到，也可使用其他方式，本实施例对此不做限制，所述像素梯度数据为平滑图像各像素点的梯度大小和梯度方向，即像素梯度大小数据与像素梯度方向数据，所述像素梯度插值数据为像素梯度方向正负方向的两个内插值，所述当前像素点为正在进行数据对比的像素点，平滑图像中每个像素点都要进行数据对比，以初步筛选出边缘点，所述预设比较条件为确认像素点是边缘点时应该满足的条件，用于将满足条件的像素点筛选出来，所述初始边缘点为初步检测出的边缘点，需要进一步进行筛选。
在具体实现中，对滤波图像进行平滑处理后，得到平滑图像，通过Sobel梯度算子求取平滑图像各像素点的水平方向梯度Gx和垂直方向梯度Gy，根据水平方向梯度Gx和垂直方向梯度Gy计算出各像素点的梯度大小G(x,y)和梯度方向θ(x,y)，其计算表达式如下所示：
Figure BDA0003810893710000081
θ(x,y)＝arc tan(Gx/Gy)
式中，Gx表示图像中各像素点的水平方向梯度，Gy表示图像中各像素点的垂直方向梯度，G(x,y)表示各像素点的梯度大小，θ(x,y)表示各像素点的梯度方向。对每个像素点的梯度大小进行非最大值抑制，沿当前像素的梯度方向进行正负方向的梯度内插值，得到各像素的两个内插值G(-x,-y)和G(+x,+y)，比较各像素点G(x,y)与G(-x,-y)以及G(+x,+y)的大小，在G(x,y)比G(-x,-y)和G(+x,+y)都大时，认为该像素点是边缘点，否则不认为是边缘点，进行抑制。
步骤S30：根据初始分割阈值，得到当前类间方差，根据所述当前类间方差，确定目标分割阈值。
可理解的是，所述初始分割阈值为预先设置的图像灰度分割的阈值，可在PCB板圆孔的边缘提取程序中进行设定，本实施例对此不做限制，可根据实际情况灵活调整。所述当前类间方差为分割后图像之间的类间方差，所述目标分割阈值为最佳分割阈值。
在具体实现中，定义一个初始分割阈值，从而根据初始分割阈值计算类间方差，进而进行自适应阈值迭代，找到最佳分割阈值。
步骤S40：根据所述目标分割阈值与初始边缘点，确定有效边缘点。
需要说明的是，所述有效边缘点为去掉干扰和无效边缘点后的较明显的边缘点。利用Canny算子采用最佳分割阈值对平滑图像进行边缘检测，对初始边缘点进行进一步的筛选。
如图3所示的边缘检测的流程示意图，对图像进行平滑后，计算图像的梯度大小和方向，根据梯度大小进行非最大值抑制，接着进行自适应阈值选取，然后进行边缘检测连接。
步骤S50：根据所述有效边缘点，确定拟合集合，根据所述拟合集合，确定目标边缘点。
可理解的是，所述拟合集合为可拟合成椭圆的有效边缘点的集合，所述目标边缘点为最终确定的圆孔边缘点。在有效边缘点中找出可以拟合成椭圆的边缘点集合，并确定最佳集合，进而确定目标边缘点。
步骤S60：对所述目标边缘点进行椭圆拟合，得到目标椭圆参数，根据所述目标椭圆参数，确定圆孔中心位置信息。
应理解的是，所述目标椭圆参数为目标边缘点拟合出的椭圆的参数，所述圆孔中心位置信息为圆孔中心点坐标。
在具体实现中，用得到的目标边缘点重新进行椭圆拟合，并计算出椭圆参数，从而得到拟合椭圆的中心点坐标，即为PCB板圆孔中心点的坐标。
步骤S70：根据所述圆孔中心位置信息，对当前PCB板进行定位。
在本实施例中，根据当前PCB板的初始图像，得到滤波图像，从而得到像素梯度数据，进而确定初始边缘点，根据初始分割阈值，得到当前类间方差，并根据当前类间方差，确定目标分割阈值，进而根据目标分割阈值与初始边缘点，确定有效边缘点，根据有效边缘点，确定拟合集合，并确定目标边缘点，对目标边缘点进行椭圆拟合，得到目标椭圆参数，根据目标椭圆参数，确定圆孔中心位置信息，进而对当前PCB板进行定位。本实施例在提升PCB板圆孔边缘提取稳定性和精度额同时，也提高了环境适配性和检测效果，满足了PCB板自动化生产过程中的需求。
参考图4，图4为本发明一种PCB板圆孔的边缘提取方法第二实施例的流程示意图。
基于上述第一实施例，所述步骤S10包括：
步骤S101：获取当前PCB板的初始图像，对所述初始图像进行增强处理，得到增强图像。
需要说明的是，所述增强图像为初始图像经过增强后得到的图像，图像增强可使用直方图均衡化处理图像，也可使用其他增强方式，本实施例对此不做限制，可根据实际情况灵活调整。
步骤S102：根据所述增强图像与初始滤波窗口，得到当前像素灰度数据。
可理解的是，所述初始滤波窗口为预先设置的中值滤波窗口，其大小介于最小尺寸滤波窗口以及最大尺寸滤波窗口之间，所述初始滤波窗口、最小尺寸滤波窗口以及最大尺寸滤波窗口均可在PCB板圆孔的边缘提取程序中进行设定，本实施例对此不做限制，所述当前像素灰度数据为初始滤波窗口正在处理的各像素的灰度值。
在具体实现中，使用改进的中值滤波算法处理增强图像，首先定义一个初始中值滤波窗口Wxy，以及最小尺寸滤波窗口Wmin和最大尺寸滤波窗口Wmax，然后计算初始滤波窗口内各像素的灰度值。
步骤S103：根据所述当前像素灰度数据，确定当前最小灰度值、当前最大灰度值以及当前中心像素灰度值。
应理解的是，所述当前最小灰度值为当前像素灰度数据中的灰度值最小值，所述当前最大灰度值为当前像素灰度数据中的灰度值最小值，所述当前中心像素灰度值为当前像素灰度数据中的中心像素的灰度值。
在具体实现中，根据获得的当前像素灰度数据，找出滤波窗口Wxy内最小的像素灰度值Fmin、最大的像素灰度值Fmax以及中心像素的灰度值Fxy。
步骤S104：根据所述当前像素灰度数据与预设混合窗口，得到当前灰度中值。
需要说明的是，所述预设混合窗口为多重混合窗口的模板矩阵，所述灰度中值为初始滤波窗口中像素的灰度值中值。
在具体实现中，利用多重混合窗口计算初始滤波窗口Wxy下的灰度中值Fmed，模板矩阵如下所示：
Figure BDA0003810893710000101
式中，R1、R2、R3分别为3个多重混合窗口的模板矩阵，多重混合窗口下，灰度中值计算表达式如下所示：
Fmed1(i，j)＝R1×Rij，(i，j)∈Wxy
Fmed2(i，j)＝R2×Rij，(i，j)∈Wxy
Fmed3(i，j)＝R3×Rij，(i，j)∈Wxy
Fmed(i，j)＝median(Fmed1，Fmed2，Fmed3)
式中，Rij为初始滤波窗口下的灰度值矩阵，Wxy为初始滤波窗口，Fmed(i，j)为滤波窗口中处于位置(i，j)的像素点的灰度中值，R1、R2、R3分别为多重混合窗口的模板矩阵，Fmed1(i，j)、Fmed2(i，j)、Fmed3(i，j)分别为各模板矩阵得到的像素灰度中值。
步骤S105：获取滤波输出数据与灰度中值、最小灰度值、最大灰度值以及中心像素灰度值之间的对应关系，根据所述对应关系、当前灰度中值、当前最小灰度值、当前最大灰度值以及当前中心像素灰度值，得到当前滤波输出数据。
可理解的是，所述滤波输出数据与灰度中值、最小灰度值、最大灰度值以及中心像素灰度值之间的对应关系为滤波输出数据的计算方式，所述当前滤波输出数据为当前正在处理像素的滤波输出结果。
在具体实现中，将计算出的当前灰度中值Fmed与当前最小灰度值Fmin以及当前最大灰度值Fmax进行比较，在Fmin＜Fmed＜Fmax时，进一步将当前中心像素灰度值Fxy与当前最小灰度值Fmin以及当前最大灰度值Fmax进行比较，此时，当前滤波输出结果计算方式如下所示：
Figure BDA0003810893710000111
式中，Fresult表示当前滤波输出，Fxy表示当前中心像素灰度值，Fmin表示当前最小灰度值，Fmax表示当前最大灰度值，Fmed表示当前灰度中值。在Fmed≤Fmin或Fmed≥Fmax时，则增大初始滤波窗口Wxy的大小，若此时增大后的初始滤波窗口大于设置的最大滤波窗口Wmax，则直接输出Fmed，若增大后的初始滤波窗口小于等于最大滤波窗口Wmax，则返回执行步骤S102。
如图5所示的中值滤波的流程示意图，首先初始化滤波窗口Wxy、最小滤波窗口Wmin以及最大滤波窗口Wmax的尺寸，接着计算出Wxy内像素最小灰度值Fmin与像素最大灰度值Fmax，利用多重混合窗口计算Wxy内像素灰度值中值Fmed，然后判断像素灰度值中值Fmed与最小灰度值Fmin以及最大灰度值Fmax之间的大小关系，在Fmin＜Fmed＜Fmax时，进一步判断Wxy内中心像素灰度值Fxy与最小灰度值Fmin以及最大灰度值Fmax之间的大小关系，若Fmin＜Fxy＜Fmax，则输出中心像素灰度值Fxy，若Fxy≤Fmin或Fxy≥Fmax，则输出灰度值中值Fmed；在Fmed≤Fmin或Fmed≥Fmax时，增大滤波窗口Wxy，若Wxy＜Wmax，则输出灰度值中值Fmed，若Wxy≥Wmax，则使用增大后的滤波窗口重新计算灰度中值等数据，重新进行输出判断。
步骤S106：根据所述当前滤波输出数据，得到滤波图像。
应理解的是，通过滤波窗口将增强图像中的所有像素进行滤波输出后，可以得到最终的滤波图像。
在具体实现中，在进行边缘提取前，需要对图像进行预处理，以保证图像质量，提高后续检测效果，如图6所示的图像预处理的流程示意图，获取到PCB板的初始图像后，通过直方图均衡化对初始图像进行图像增强，接着使用改进的中值滤波算法对图像进行滤波。
在本实施例中，对当前PCB板的初始图像进行增强处理，得到增强图像，根据增强图像与初始滤波窗口，得到当前像素灰度数据，从而确定当前最小灰度值、当前最大灰度值以及当前中心像素灰度值，根据当前像素灰度数据与预设混合窗口，得到当前灰度中值，根据当前灰度中值、当前最小灰度值、当前最大灰度值以及当前中心像素灰度值之间的大小关系，得到对应的当前滤波输出数据，进而得到滤波图像。本实施例对初始图像进行增强，可以提升图像的清晰度和亮度对比度，并且对图像的边缘轮廓进行增强，使用改进的中值滤波算法对增强后的图像进行滤波，去除噪声，以保证图像的质量，提高后续边缘提取的精度。
参考图7，图7为本发明一种PCB板圆孔的边缘提取方法第三实施例的流程示意图。
基于上述第一实施例，所述步骤S30包括：
步骤S301：根据初始分割阈值与所述平滑图像，得到初始前景灰度范围与初始背景灰度范围。
需要说明的是，所述初始前景灰度范围为使用初始分割阈值分割平滑图像后前景图像的灰度值范围，所述初始背景灰度范围为使用初始分割阈值分割平滑图像后背景图像的灰度值范围。
在具体实现中，定义一个初始分割阈值T，将平滑图像分为背景图像A和前景图像B，平滑图像的灰度值区间为[0，Tmax]，背景图像的灰度值范围在[0，T]，前景图像的灰度范围在[T，Tmax]。
步骤S302：根据所述初始前景灰度范围与初始背景灰度范围，得到初始前景概率与初始背景概率。
可理解的是，所述初始前景概率为属于前景的像素占整幅图像的概率，所述初始背景概率为属于背景的像素占整幅图像的概率。
在具体实现中，背景图像A和前景图像B可分别计算出背景概率和前景概率，其计算表达式如下所示：
Figure BDA0003810893710000131
式中，PA、PB分别为背景概率和前景概率，T为分割阈值，Tmax为图像中最大灰度值，Pi为各灰度值像素出现的概率，Pi的计算表达式如下所示：
Figure BDA0003810893710000132
式中，N为图像像素总数，i为灰度值，ni为像素数，Tmax为图像中最大灰度值。根据上述计算表达式，可计算出相应的初始前景概率与初始背景概率。
步骤S303：获取类间方差与前景概率、背景概率以及全局概率之间的对应关系，根据所述初始前景概率、初始背景概率以及所述对应关系，得到当前类间方差。
应理解的是，所述类间方差与前景概率、背景概率以及全局概率之间的对应关系为类间方差的计算表达式，其计算表达式如下所示：
Figure BDA0003810893710000133
Figure BDA0003810893710000134
式中，PA为背景概率，PB为前景概率，Pi为各灰度值像素出现的概率，VA为背景图像灰度均值，VB为前景图像灰度均值，VT为整幅图像灰度均值，T为分割阈值，Tmax为图像中最大灰度值，α为调整参数，需根据图像的实况进行调整，σ为背景图像和前景图像的类间方差。将计算出的初始前景概率、初始背景概率以及相关数据代入上述计算表达式，可计算出当前类间方差。
步骤S304：在所述当前类间方差满足预设最优条件时，根据所述初始分割阈值，确定目标分割阈值。
可理解的是，所述预设最优条件为类间方差达到最小，因此，需要进行自适应阈值迭代，找到能够使得当前类间方差最小的最佳分割阈值。
如图8所示的自适应阈值选取的流程示意图，设置初始灰度阈值后，根据将平滑图像分为背景图像A和前景图像B，计算前景和背景出现的概率，自适应计算类间方差，找到最佳分割阈值。
在本实施例中，根据初始分割阈值与所述平滑图像，得到初始前景灰度范围与初始背景灰度范围，从而得到初始前景概率与初始背景概率，获取类间方差与前景概率、背景概率以及全局概率之间的对应关系，根据初始前景概率、初始背景概率以及所述对应关系，计算出当前类间方差，并进行自适应迭代，在当前类间方差达到最小时，找到目标分割阈值。本实施例使用改进的自适应阈值方法，使得每幅图像都能找到最佳分割阈值，提高了边缘提取的自适应性，保证了检测效果。
参考图9，图9为本发明一种PCB板圆孔的边缘提取方法第四实施例的流程示意图。
基于上述第一实施例，所述步骤S40包括：
步骤S401：根据所述目标分割阈值与平滑图像，得到高阈值图像与低阈值图像，根据所述高阈值图像、低阈值图像以及初始边缘点，得到高阈值边缘点集合与低阈值边缘点集合。
需要说明的是，所述高阈值图像为灰度值大于等于目标分割阈值图像边缘部分，所述低阈值图像为灰度值小于目标分割阈值的图像边缘部分，所述高阈值边缘点集合为高阈值图像中的边缘点的集合，所述低阈值边缘点集合为低阈值图像中的边缘点的集合。
在具体实现中，利用Canny算子采用最佳阈值对平滑图像进行边缘检测，将图像边缘分割成高阈值部分H(x,y)和低阈值部分L(x,y)，分别两部分中的初始边缘点，得到高阈值边缘点集合PH与低阈值边缘点集合PL。
步骤S402：对所述高阈值边缘点集合中的高阈值边缘点进行遍历。
可理解的是，初始边缘点中可能存在干扰或无效的轮廓边缘点，因此需要对其进行进一步筛选。
在具体实现中，得到高阈值边缘点集合PH后，对高阈值边缘点集合PH进行遍历，判断PH是否为空，若PH为空，则结束遍历，认为没有找到边缘点，若PH点集不为空，则执行步骤S403，进行下一步筛选。
步骤S403：将遍历到的高阈值边缘点作为初始中心点，根据所述初始中心点，确定邻近边缘点。
应理解的是，所述初始中心点为选取的边缘点起点，所述邻近边缘点为初始中心点邻域内的若干边缘点，其数量可在PCB板圆孔的边缘提取程序中进行设定，本实施例对此不做限制，例如：邻近边缘点数量为8个时，邻近边缘点为距离初始中心点最近的8个边缘点。
在具体实现中，从高阈值边缘点集合PH中取出一点P0，然后以P0点为中心，找到其邻域内的若干边缘点。
步骤S404：在所述邻近边缘点属于高阈值边缘点集合时，将所述初始中心点添加至有效边缘点集合，并根据所述邻近边缘点更新所述初始中心点，返回执行根据所述初始中心点，确定近邻边缘点的步骤。
需要说明的是，所述有效边缘点集合为初始边缘点中筛选出来的较明显边缘点组成的集合，去除了一些干扰和无效的初始边缘点。
在具体实现中，判断初始中心点P0的邻近边缘点中是否存在边缘点属于高阈值边缘点集合PH，若有，则判断该初始中心点是有效边缘点，并将P0邻近边缘点中属于PH的边缘点设置为新中心点，继续判断该中心点邻域内是否有边缘点属于高阈值边缘点集合PH，继续寻找有效边缘点；若初始中心点P0的邻近边缘点中不存在边缘点属于高阈值边缘点集合PH，则进一步判断邻近边缘点中是否存在边缘点属于低阈值边缘点集合PL，若有，则判断该初始中心点是有效边缘点，并将P0邻近边缘点中属于PL的边缘点设置为新中心点，继续判断该中心点邻域内是否有边缘点属于高阈值边缘点集合PH，继续寻找有效边缘点；若邻近边缘点中不存在边缘点属于低阈值边缘点集合PL，则继续遍历PH，重新选取初始中心点。
步骤S405：根据所述有效边缘点集合，确定有效边缘点。
可理解的是，有效边缘点集合中的边缘点即为筛选出来的有效边缘点，将得到的有效边缘点连接起来，即可得到图像中较明显的轮廓边缘。
如图10所示的边缘检测连接的流程示意图，对平滑图像进行边缘分割后，得到高阈值部分H(x，y)和低阈值部分L(x，y)，获取H(x，y)的点集PH和L(x，y)的点集PL，遍历点集PH，判断是否PH＞0，若否，则结束遍历，若是，则取出一点，判断其8邻域内是否有点属于PH，若8邻域内有点属于PH，则将8邻域内属于PH的点设为新起点，继续判断其8邻域内是否有点属于PH；若8邻域内没有点属于PH，则继续判断其8邻域内是否有点属于PL，若否，则继续遍历PH，若是，则将8邻域内属于PL的点设为新起点，继续判断其8邻域内是否有点属于PH。
在本实施例中，根据目标分割阈值对平滑图像进行边缘检测，得到高阈值图像与低阈值图像，从而得到高阈值边缘点集合与低阈值边缘点集合，对高阈值边缘点集合与低阈值边缘点集合中的边缘点进行进一步筛选，找出比较明显的轮廓边缘点，去除干扰和无效的轮廓边缘点，保证边缘点的准确性，以提高边缘提取的准确性。
参考图11，图11为本发明一种PCB板圆孔的边缘提取方法第五实施例的流程示意图。
基于上述第一实施例，所述步骤S50包括：
步骤S501：根据预设划分数量与所述有效边缘点，得到分割集合。
需要说明的是，所述预设划分数量为预先设置的划分数量k(k≥4)，可将图像边缘点划分成若干部分，可在PCB板圆孔的边缘提取程序中进行设定，本实施例对此不做限制，例如：k＝4时，就是将有效边缘点集合分割成4个部分，所述分割集合为划分后的各部分边缘点集合。
步骤S502：对所述分割集合进行椭圆拟合，得到分割集合的椭圆参数，在所述分割集合的椭圆参数满足预设拟合条件时，根据预设间距、预设边缘点数量与所述分割集合，得到拟合集合。
可理解的是，所述分割集合的椭圆参数为各分割集合拟合出椭圆的参数，所述预设拟合条件为可以成功拟合成椭圆，所述预设间距为在集合中选取边缘点时的间距，通常为等间距，本实施例对此不做限制，可根据实际情况灵活调整，所述预设边缘点数量为在集合中选取的边缘点数量m(m≥5)，可在PCB板圆孔的边缘提取程序中进行设定，本实施例对此不做限制。
在具体实现中，对分割后的每个分割集合都进行初步的椭圆拟合，并计算各分割集合的椭圆参数，根据得到的椭圆参数判断每个分割集合是否能拟合成椭圆，若不能，则将不能拟合成椭圆的集合删除，若能，则在可以拟合成椭圆的集合中随机等间距选取m个有效边缘点，组成若干拟合集合。
步骤S503：对所述拟合集合进行椭圆拟合，得到拟合集合的椭圆参数，在当前拟合集合的椭圆参数满足预设拟合条件时，根据所述当前拟合集合，确定目标拟合集合，并记录拟合椭圆数量。
应理解的是，所述拟合集合的椭圆参数为各拟合集合拟合出椭圆的参数，所述当前拟合集合为正在进行判断的拟合集合，所述目标拟合集合为拟合集合中可以成功拟合成椭圆的集合，所述拟合椭圆数量为拟合集合中可以成功拟合成椭圆的数量n。
在具体实现中，对各拟合集合中的m个有效边缘点进行椭圆拟合，并计算出椭圆参数，判断是否能拟合成椭圆，若不能，则删除不能拟合成椭圆的拟合集合，若能，则将能够拟合成椭圆的拟合集合作为目标拟合集合，并对能拟合成椭圆的数量n进行统计。
步骤S504：在所述拟合椭圆数量大于等于预设拟合数量时，根据所述目标拟合集合的椭圆参数，确定目标边缘点。
需要说明的是，所述预设拟合数量为预先设置的拟合椭圆数量n0(n0≥4)，可在PCB板圆孔的边缘提取程序中进行设定。
在具体实现中，将拟合椭圆数量n与初始设置的n0进行比较，若n＜n0，则返回执行步骤S502，继续随机抽取m个有效边缘点进行椭圆拟合；若n≥n0，则对各目标拟合集合拟合出的椭圆参数进行比较，保留椭圆参数比较接近的目标拟合集合，去除椭圆参数差异比较大的集合，保留集合中的有效边缘点即为最终提取的目标边缘点。
如图12所示的圆孔边缘点提取的流程示意图，获取有效边缘点后，将有效边缘点等分成k个部分，得到k个部分的有效边缘点集，对每部分的有效边缘点集进行椭圆拟合，判断每个部分的有效边缘点集是否能拟合成椭圆，若否，则去除该部分的有效边缘点集，若是，则对各有效边缘点集随机等间距选取m(m≥5)个点，对选取出来的点集进行椭圆拟合，并计算椭圆参数，判断是否能够拟合成椭圆，若否，则去除选取的点集，若是，则对能够拟合成椭圆的数量n进行统计，判断是否n＜n0，若否，则返回重新选取m个点进行拟合，若是，则对拟合成椭圆的参数进行比较，椭圆参数接近的点集保留，去除差异较大的点集，对保留下来的点集重新进行椭圆拟合，计算椭圆参数，得到圆孔中心点坐标。
在本实施例中，根据预设划分数量与有效边缘点，得到分割集合，对分割集合进行椭圆拟合，并计算分割集合的椭圆参数，在分割集合的椭圆参数满足预设拟合条件时，根据预设间距、预设边缘点数量提取分割集合中的边缘点，得到拟合集合，对拟合集合进行椭圆拟合，并计算拟合集合的椭圆参数，在当前拟合集合的椭圆参数满足预设拟合条件时，确定目标拟合集合，并记录拟合椭圆数量，在拟合椭圆数量大于等于预设拟合数量时，根据目标拟合集合的椭圆参数，筛选出目标边缘点。本实施例通过对有效边缘点进行椭圆拟合，找到能够拟合成椭圆的边缘点集合，并进行筛选，将差异较大的边缘点删除，得到最终的目标边缘点，进一步提高了边缘点提取的准确性。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有PCB板圆孔的边缘提取程序，所述PCB板圆孔的边缘提取程序被处理器执行时实现如上文所述的PCB板圆孔的边缘提取方法的步骤。
参照图13，图13为本发明PCB板圆孔的边缘提取装置第一实施例的结构框图。
如图13所示，本发明实施例提出的PCB板圆孔的边缘提取装置包括：
获取模块10，用于获取当前PCB板的初始图像，根据所述初始图像，得到滤波图像。
检测模块20，用于根据所述滤波图像，得到像素梯度数据，根据所述像素梯度数据，确定初始边缘点。
所述检测模块20，还用于根据初始分割阈值，得到当前类间方差，根据所述当前类间方差，确定目标分割阈值。
所述检测模块20，还用于根据所述目标分割阈值与初始边缘点，确定有效边缘点。
提取模块30，用于根据所述有效边缘点，确定拟合集合，根据所述拟合集合，确定目标边缘点。
所述提取模块30，还用于对所述目标边缘点进行椭圆拟合，得到目标椭圆数据，根据所述目标椭圆数据，确定圆孔中心位置信息。
定位模块40，用于根据所述圆孔中心位置信息，对当前PCB板进行定位。
在本实施例中，根据当前PCB板的初始图像，得到滤波图像，从而得到像素梯度数据，进而确定初始边缘点，根据初始分割阈值，得到当前类间方差，并根据当前类间方差，确定目标分割阈值，进而根据目标分割阈值与初始边缘点，确定有效边缘点，根据有效边缘点，确定拟合集合，并确定目标边缘点，对目标边缘点进行椭圆拟合，得到目标椭圆参数，根据目标椭圆参数，确定圆孔中心位置信息，进而对当前PCB板进行定位。本实施例在提升PCB板圆孔边缘提取稳定性和精度额同时，也提高了环境适配性和检测效果，满足了PCB板自动化生产过程中的需求。
在一实施例中，所述获取模块10，还用于获取当前PCB板的初始图像，对所述初始图像进行增强处理，得到增强图像；
根据所述增强图像与初始滤波窗口，得到当前像素灰度数据；
根据所述当前像素灰度数据，确定当前最小灰度值、当前最大灰度值以及当前中心像素灰度值；
根据所述当前像素灰度数据与预设混合窗口，得到当前灰度中值；
获取滤波输出数据与灰度中值、最小灰度值、最大灰度值以及中心像素灰度值之间的对应关系，根据所述对应关系、当前灰度中值、当前最小灰度值、当前最大灰度值以及当前中心像素灰度值，得到当前滤波输出数据；
根据所述当前滤波输出数据，得到滤波图像。
在一实施例中，所述检测模块20，还用于对所述滤波图像进行平滑处理，得到平滑图像；
根据所述平滑图像与预设梯度算子，得到平滑图像中各像素点的像素梯度大小数据和像素梯度方向数据；
根据像素点的像素梯度大小数据和像素梯度方向数据，得到像素梯度插值数据；
在当前像素点的梯度插值数据与当前像素梯度大小数据满足预设比较条件时，根据当前像素点，确定初始边缘点。
在一实施例中，所述检测模块20，还用于根据初始分割阈值与所述平滑图像，得到初始前景灰度范围与初始背景灰度范围；
根据所述初始前景灰度范围与初始背景灰度范围，得到初始前景概率与初始背景概率；
获取类间方差与前景概率、背景概率以及全局概率之间的对应关系，根据所述初始前景概率、初始背景概率以及所述对应关系，得到当前类间方差；
在所述当前类间方差满足预设最优条件时，根据所述初始分割阈值，确定目标分割阈值。
在一实施例中，所述检测模块20，还用于根据所述目标分割阈值与平滑图像，得到高阈值图像与低阈值图像；
根据所述高阈值图像、低阈值图像以及初始边缘点，得到高阈值边缘点集合与低阈值边缘点集合；
对所述高阈值边缘点集合中的高阈值边缘点进行遍历；
将遍历到的高阈值边缘点作为初始中心点，根据所述初始中心点，确定邻近边缘点；
在所述邻近边缘点属于高阈值边缘点集合时，将所述初始中心点添加至有效边缘点集合，并根据所述邻近边缘点更新所述初始中心点，返回执行根据所述初始中心点，确定近邻边缘点的步骤；
根据所述有效边缘点集合，确定有效边缘点。
在一实施例中，所述检测模块20，还用于在所述邻近边缘点不属于高阈值边缘点集合时，判断所述邻近边缘点是否属于低阈值边缘点集合；
在所述邻近边缘点属于低阈值边缘点集合时，将所述初始中心点添加至有效边缘点集合，并根据所述邻近边缘点更新所述初始中心点，返回执行根据所述初始中心点，确定近邻边缘点的步骤。
在一实施例中，所述提取模块30，还用于根据预设划分数量与所述有效边缘点，得到分割集合；
对所述分割集合进行椭圆拟合，得到分割集合的椭圆参数；
在所述分割集合的椭圆参数满足预设拟合条件时，根据预设间距、预设边缘点数量与所述分割集合，得到拟合集合；
对所述拟合集合进行椭圆拟合，得到拟合集合的椭圆参数；
在当前拟合集合的椭圆参数满足预设拟合条件时，根据所述当前拟合集合，确定目标拟合集合，并记录拟合椭圆数量；
在所述拟合椭圆数量大于等于预设拟合数量时，根据所述目标拟合集合的椭圆参数，确定目标边缘点。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的PCB板圆孔的边缘提取方法，此处不再赘述。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种PCB板圆孔的边缘提取方法，其特征在于，所述PCB板圆孔的边缘提取方法包括：
获取当前PCB板的初始图像，根据所述初始图像，得到滤波图像；
根据所述滤波图像，得到像素梯度数据，根据所述像素梯度数据，确定初始边缘点；
根据初始分割阈值，得到当前类间方差，根据所述当前类间方差，确定目标分割阈值；
根据所述目标分割阈值与初始边缘点，确定有效边缘点；
根据所述有效边缘点，确定拟合集合，根据所述拟合集合，确定目标边缘点；
对所述目标边缘点进行椭圆拟合，得到目标椭圆参数，根据所述目标椭圆参数，确定圆孔中心位置信息；
根据所述圆孔中心位置信息，对当前PCB板进行定位。
2.如权利要求1所述的方法，其特征在于，所述获取当前PCB板的初始图像，根据所述初始图像，得到滤波图像，包括：
获取当前PCB板的初始图像，对所述初始图像进行增强处理，得到增强图像；
根据所述增强图像与初始滤波窗口，得到当前像素灰度数据；
根据所述当前像素灰度数据，确定当前最小灰度值、当前最大灰度值以及当前中心像素灰度值；
根据所述当前像素灰度数据与预设混合窗口，得到当前灰度中值；
获取滤波输出数据与灰度中值、最小灰度值、最大灰度值以及中心像素灰度值之间的对应关系，根据所述对应关系、当前灰度中值、当前最小灰度值、当前最大灰度值以及当前中心像素灰度值，得到当前滤波输出数据；
根据所述当前滤波输出数据，得到滤波图像。
3.如权利要求1所述的方法，其特征在于，所述像素梯度数据包括像素梯度大小数据和像素梯度方向数据；
所述根据所述滤波图像，得到像素梯度数据，根据所述像素梯度数据，确定初始边缘点，包括：
对所述滤波图像进行平滑处理，得到平滑图像；
根据所述平滑图像与预设梯度算子，得到平滑图像中各像素点的像素梯度大小数据和像素梯度方向数据；
根据像素点的像素梯度大小数据和像素梯度方向数据，得到像素梯度插值数据；
在当前像素点的梯度插值数据与当前像素梯度大小数据满足预设比较条件时，根据当前像素点，确定初始边缘点。
4.如权利要求3所述的方法，其特征在于，所述根据初始分割阈值，得到当前类间方差，根据所述当前类间方差，确定目标分割阈值，包括：
根据初始分割阈值与所述平滑图像，得到初始前景灰度范围与初始背景灰度范围；
根据所述初始前景灰度范围与初始背景灰度范围，得到初始前景概率与初始背景概率；
获取类间方差与前景概率、背景概率以及全局概率之间的对应关系，根据所述初始前景概率、初始背景概率以及所述对应关系，得到当前类间方差；
在所述当前类间方差满足预设最优条件时，根据所述初始分割阈值，确定目标分割阈值。
5.如权利要求3所述的方法，其特征在于，所述根据所述目标分割阈值与初始边缘点，确定有效边缘点，包括：
根据所述目标分割阈值与平滑图像，得到高阈值图像与低阈值图像；
根据所述高阈值图像、低阈值图像以及初始边缘点，得到高阈值边缘点集合与低阈值边缘点集合；
对所述高阈值边缘点集合中的高阈值边缘点进行遍历；
将遍历到的高阈值边缘点作为初始中心点，根据所述初始中心点，确定邻近边缘点；
在所述邻近边缘点属于高阈值边缘点集合时，将所述初始中心点添加至有效边缘点集合，并根据所述邻近边缘点更新所述初始中心点，返回执行根据所述初始中心点，确定近邻边缘点的步骤；
根据所述有效边缘点集合，确定有效边缘点。
6.如权利要求5所述的方法，其特征在于，所述将遍历到的高阈值边缘点作为初始中心点，根据所述初始中心点，确定邻近边缘点之后，还包括：
在所述邻近边缘点不属于高阈值边缘点集合时，判断所述邻近边缘点是否属于低阈值边缘点集合；
在所述邻近边缘点属于低阈值边缘点集合时，将所述初始中心点添加至有效边缘点集合，并根据所述邻近边缘点更新所述初始中心点，返回执行根据所述初始中心点，确定近邻边缘点的步骤。
7.如权利要求1至6中任一项所述的方法，其特征在于，所述根据所述有效边缘点，确定拟合集合，根据所述拟合集合，确定目标边缘点，包括：
根据预设划分数量与所述有效边缘点，得到分割集合；
对所述分割集合进行椭圆拟合，得到分割集合的椭圆参数；
在所述分割集合的椭圆参数满足预设拟合条件时，根据预设间距、预设边缘点数量与所述分割集合，得到拟合集合；
对所述拟合集合进行椭圆拟合，得到拟合集合的椭圆参数；
在当前拟合集合的椭圆参数满足预设拟合条件时，根据所述当前拟合集合，确定目标拟合集合，并记录拟合椭圆数量；
在所述拟合椭圆数量大于等于预设拟合数量时，根据所述目标拟合集合的椭圆参数，确定目标边缘点。
8.一种PCB板圆孔的边缘提取装置，其特征在于，所述PCB板圆孔的边缘提取装置包括：
获取模块，用于获取当前PCB板的初始图像，根据所述初始图像，得到滤波图像；
检测模块，用于根据所述滤波图像，得到像素梯度数据，根据所述像素梯度数据，确定初始边缘点；
所述检测模块，还用于根据初始分割阈值，得到当前类间方差，根据所述当前类间方差，确定目标分割阈值；
所述检测模块，还用于根据所述目标分割阈值与初始边缘点，确定有效边缘点；
提取模块，用于根据所述有效边缘点，确定拟合集合，根据所述拟合集合，确定目标边缘点；
所述提取模块，还用于对所述目标边缘点进行椭圆拟合，得到目标椭圆数据，根据所述目标椭圆数据，确定圆孔中心位置信息；
定位模块，用于根据所述圆孔中心位置信息，对当前PCB板进行定位。
9.一种PCB板圆孔的边缘提取设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的PCB板圆孔的边缘提取程序，所述PCB板圆孔的边缘提取程序配置为实现如权利要求1至7中任一项所述的PCB板圆孔的边缘提取方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有PCB板圆孔的边缘提取程序，所述PCB板圆孔的边缘提取程序被处理器执行时实现如权利要求1至7任一项所述的PCB板圆孔的边缘提取方法的步骤。
CN202211011089.2A 2022-08-23 2022-08-23 Pcb板圆孔的边缘提取方法、装置、设备及存储介质 Pending CN115457063A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211011089.2A CN115457063A (zh) 2022-08-23 2022-08-23 Pcb板圆孔的边缘提取方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211011089.2A CN115457063A (zh) 2022-08-23 2022-08-23 Pcb板圆孔的边缘提取方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115457063A true CN115457063A (zh) 2022-12-09

Family

ID=84299747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211011089.2A Pending CN115457063A (zh) 2022-08-23 2022-08-23 Pcb板圆孔的边缘提取方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115457063A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228747A (zh) * 2023-05-04 2023-06-06 青岛穗禾信达金属制品有限公司 一种金属柜加工质量监测方法
CN116433701A (zh) * 2023-06-15 2023-07-14 武汉中观自动化科技有限公司 一种工件孔洞轮廓的提取方法、装置、设备及存储介质
CN116503387A (zh) * 2023-06-25 2023-07-28 聚时科技(深圳)有限公司 图像检测方法、装置、设备、系统及可读存储介质
CN116740115A (zh) * 2023-08-14 2023-09-12 国网电商科技有限公司 图像边缘检测方法和装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228747A (zh) * 2023-05-04 2023-06-06 青岛穗禾信达金属制品有限公司 一种金属柜加工质量监测方法
CN116228747B (zh) * 2023-05-04 2023-07-21 青岛穗禾信达金属制品有限公司 一种金属柜加工质量监测方法
CN116433701A (zh) * 2023-06-15 2023-07-14 武汉中观自动化科技有限公司 一种工件孔洞轮廓的提取方法、装置、设备及存储介质
CN116433701B (zh) * 2023-06-15 2023-10-10 武汉中观自动化科技有限公司 一种工件孔洞轮廓的提取方法、装置、设备及存储介质
CN116503387A (zh) * 2023-06-25 2023-07-28 聚时科技(深圳)有限公司 图像检测方法、装置、设备、系统及可读存储介质
CN116503387B (zh) * 2023-06-25 2024-03-26 聚时科技(深圳)有限公司 图像检测方法、装置、设备、系统及可读存储介质
CN116740115A (zh) * 2023-08-14 2023-09-12 国网电商科技有限公司 图像边缘检测方法和装置
CN116740115B (zh) * 2023-08-14 2023-11-17 国网电商科技有限公司 图像边缘检测方法和装置

Similar Documents

Publication Publication Date Title
CN115457063A (zh) Pcb板圆孔的边缘提取方法、装置、设备及存储介质
CN109509200B (zh) 基于轮廓提取的棋盘格角点检测方法以及计算机可读存储介质
CN110399842B (zh) 视频处理方法、装置、电子设备及计算机可读存储介质
CN113781406B (zh) 电子元器件的划痕检测方法、装置及计算机设备
CN109214996B (zh) 一种图像处理方法及装置
CN112634301A (zh) 设备区域图像提取方法及装置
CN113822897A (zh) 血管分割方法、终端及计算机可读存储介质
CN107563986B (zh) 图像区域的判断方法和系统
CN110942435B (zh) 一种文档图像处理的方法和装置
CN113034525A (zh) 图像边缘检测方法、装置及设备
CN111489389A (zh) 一种光斑中心检测方法
CN112150368A (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
CN111476801B (zh) 图像分割方法、电子设备及相关产品
CN113744200B (zh) 一种摄像头脏污检测方法、装置及设备
CN111754413A (zh) 图像处理方法、装置、设备及存储介质
CN113284158B (zh) 一种基于结构约束聚类的图像边缘提取方法及系统
CN115830049A (zh) 角点检测的方法和装置
CN114494052A (zh) 书本计数方法、装置、计算机设备和存储介质
CN110363723B (zh) 改进图像边界效果的图像处理方法及装置
CN112200730B (zh) 图像滤波处理方法、装置、设备及存储介质
CN111915497A (zh) 一种图像黑白增强方法、装置、电子设备和可读存储介质
US20240020846A1 (en) Corner point detection method and apparatus
CN113781351B (zh) 图像处理方法、设备及计算机可读存储介质
CN115908184B (zh) 一种摩尔纹图案的自动去除方法和装置
CN113139975B (zh) 一种基于道路特征的路面分割方法及装置

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