CN117274246B - 一种焊盘识别方法、计算机设备以及存储介质 - Google Patents
一种焊盘识别方法、计算机设备以及存储介质 Download PDFInfo
- Publication number
- CN117274246B CN117274246B CN202311538373.XA CN202311538373A CN117274246B CN 117274246 B CN117274246 B CN 117274246B CN 202311538373 A CN202311538373 A CN 202311538373A CN 117274246 B CN117274246 B CN 117274246B
- Authority
- CN
- China
- Prior art keywords
- target
- image
- boundary set
- bonding pad
- pad
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 238000003466 welding Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 229910000679 solder Inorganic materials 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- 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
- G06V10/70—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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- 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
- G06T2207/30152—Solder
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请属于芯片焊接技术领域,涉及一种焊盘识别方法,包括以下步骤:获取第一图像,第一图像包含目标焊盘的图像;当第一图像处于有效识别区域时,调取预设模板,对预设模板进行拼接,得到第二图像,其中,第二图像的中心位于目标焊盘上;基于所述第二图像获取目标焊盘对应的目标边界集合,并提取目标边界集合的中心坐标,作为目标焊盘的中心坐标;获取目标边界集合与预设模板的匹配度分数,确认目标焊盘的几何信息。本申请还涉及一种计算机设备以及存储介质。本申请提供的技术方案能够提高对焊盘的形状识别与中心坐标定位,减少人为出错的概率,并进一步提高生产效率。
Description
技术领域
本申请涉及芯片焊接技术领域,更具体地,涉及一种焊盘识别方法、计算机设备以及存储介质。
背景技术
在集成电路(IC)芯片焊接封装领域,晶元焊盘与配对引线管脚的自动识别与定位是其中至关重要的环节之一。由于IC复杂的结构,焊盘与管脚的数量与布局复杂程度远远超越了普通的半导体器件(如LED等),在用户进行焊线机操作前的焊点位置教点时,如果仍旧采用用户手动识别的方式,则不仅效率十分低下,还存在极大的出错可能。
针对芯片晶元上的焊盘,由于在实际的生产环境中,受到材料特性、光照环境、拍摄质量等不利因素的影响,实际拍摄获取的焊盘可能存在边界模糊、多突起毛刺、污损残破等现象,导致生成效率低,产品精度差的问题。
发明内容
本申请实施例所要解决的技术问题是现有技术中对焊盘手动识别导致效率低、精度差,且由于实际拍摄的焊盘存在缺陷,导致识别失败。
为了解决上述技术问题,本申请实施例提供一种焊盘识别方法,采用了如下所述的技术方案:
一种焊盘识别方法,用于对目标焊盘的中心坐标与几何信息进行识别,所述方法包括以下步骤:
获取第一图像,所述第一图像包含所述目标焊盘的图像;
当所述第一图像处于有效识别区域时,调取预设模板,对所述预设模板进行拼接,得到第二图像,其中,所述第二图像的中心位于所述目标焊盘上;
基于所述第二图像获取所述目标焊盘对应的目标边界集合,并提取所述目标边界集合的中心坐标,作为所述目标焊盘的中心坐标;
获取所述目标边界集合与所述预设模板的匹配度分数,确认所述目标焊盘的几何信息。
进一步的,所述调取预设模板,对所述预设模板进行拼接,得到第二图像的步骤,具体包括:
获取参考位置坐标,所述参考位置坐标位于所述目标焊盘上;
调取所述预设模板;
以所述参考位置坐标为中心,沿垂直方向和/或水平方向平移至少一个单位进行拼接,得到所述第二图像,其中,所述一个单位为预设模板的尺寸。
进一步的,所述基于所述第二图像获取所述目标焊盘对应的目标边界集合的步骤,具体包括:
对位于所述第二图像内的所述第一图像进行二值化处理;
对经过二值化处理后的所述第一图像进行边界集合的提取。
进一步的,所述对经过二值化处理后的所述第一图像进行边界集合的提取的步骤,具体包括:
使用边界轮廓提取算法,提取所述第一图像中所有焊盘的边界集合;
将所有所述边界集合与所述预设模板对比,将几何特征参数与所述预设模板最接近的边界集合作为目标边界集合。
进一步的,所述对所述第一图像进行二值化处理的步骤,具体包括:
计算所述第一图像的全局灰度分割阈值,并以此阈值对所述第一图像进行处理,将焊盘与背景分开;
去除所述第一图像中的毛刺边界与噪点,并填充所述第一图像中的空洞。
进一步的,所述提取所述目标边界集合的中心坐标的步骤,具体包括:
获取所述目标边界集合中各像素点的坐标与目标边界集合的边界长度;
通过以下公式计算所述目标边界集合的中心坐标:;
;
其中,(xct,yct)为所述目标边界集合的中心坐标,x1,x2…xN分别为各像素点的横坐标,y1,y2…yN分别为各像素点的纵坐标,N为目标边界集合中像素点的数量,m00为目标边界集合的边界长度。
进一步的,所述获取所述目标边界集合与所述预设模板的匹配度分数的步骤,具体包括:
获取所述预设模板的中心坐标,并将所述目标边界集合的中心坐标与所述预设模板的中心坐标重合;
获取所述目标边界集合与所述预设模板的重合区域中各像素点的对应灰度;
根据各像素点的对应灰度,获取所述匹配度分数,输出所述目标焊盘的几何信息。
进一步的,所述匹配度分数为归一度灰度相关系数,通过以下公式计算所述归一度灰度相关系数:;
其中,Coeff_M为归一度灰度相关系数,t1,t2……tM分别为各像素点对应所述预设模板中的灰度值,为各像素点对应所述预设模板中的灰度均值,i1,i2……iM分别为各像素点对应所述目标边界集合中的灰度值,/>为各像素点对应所述目标边界集合中的灰度均值。
进一步的,所述匹配度分数为归一度灰度误差平方和,通过以下公式计算所述归一度灰度误差平方和:;
其中,Sqdiff_M为归一度灰度误差平方和,t1,t2……tM分别为各像素点对应所述预设模板中的灰度值,i1,i2……iM分别为各像素点对应所述目标边界集合中的灰度值。
进一步的,所述输出所述目标焊盘的几何信息的步骤,具体包括:
根据所述目标边界集合中各像素点的坐标、所述中心坐标与边界长度,获取所述目标边界集合的旋转角度;
根据所述目标边界集合与所述预设模板的匹配度分数,获取所述目标焊盘对应的预设模板的几何形状;
输出所述目标边界集合的几何形状、边界长度及旋转角度,作为所述目标焊盘的几何信息。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如上所述的焊盘识别方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如上所述的焊盘识别方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请通过以预设模板拼接形成第二图像从而有效地减小目标识别过程中的识别区域的尺寸大小,起到节省识别时间的作用,同时,将第二图像的中心设于目标焊盘上,以确保第二图像能够完全覆盖目标焊盘且对目标焊盘进行定位,起到提高识别精度的作用;此外,当获取了目标焊盘对应的目标边界集合后,提取目标边界集合的中心坐标作为目标焊盘的中心,并通过目标边界集合与预设模板的匹配度分数,识别出目标焊盘的几何信息;采用本申请提供的焊盘识别方法可以提升IC焊线机的自动化操作水平,减少认为出错的概率,并进一步提高生产效率。
附图说明
为了更清楚地说明本申请的方案,下面将对实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请实施例的焊盘识别方法的流程图;
图2是图1的原理图;
图3是本申请实施例的计算机设备的结构示意图。
附图标记:
1、第一图像;2、目标焊盘;21、中心坐标;3、非目标焊盘;4、预设模板;41、参考位置坐标;5、计算机设备;51、存储器;52、处理器;53、网络接口。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
请参阅图1所示,本申请实施例提供一种焊盘识别方法,用于对目标焊盘的位置信息与几何信息进行识别,其中,目标焊盘的位置信息为目标焊盘的中心坐标,所述目标焊盘的几何信息包括目标焊盘的形状、边界长度与旋转角度,所述方法包括以下步骤:
步骤S10,获取第一图像,所述第一图像包含所述目标焊盘的图像。
步骤S20,当所述第一图像处于有效识别区域时,调取预设模板,对所述预设模板进行拼接,得到第二图像,其中,所述第二图像的中心位于所述目标焊盘上。
步骤S30,基于所述第二图像获取所述目标焊盘对应的目标边界集合,并提取所述目标边界集合的中心坐标,作为所述目标焊盘的中心坐标。
步骤S40,获取所述目标边界集合与所述预设模板的匹配度分数,确认所述目标焊盘的几何信息。
请参阅图2所示,在本实施例中,所述有效识别区域为焊盘识别设备的视觉采集区域,第一图像1为用户预先输入的包含目标焊盘2的图像区域,其中,第一图像1中还可以包含有至少部分的非目标焊盘3,且非目标焊盘3的几何形状与目标焊盘2的几何形状近似,当所述第一图像1处于有效识别区域的情况下,首先获取参考位置坐标41以作为第二图像的中心,其中,参考位置坐标41由用户预先输入,且参考位置坐标41位于目标焊盘2上,以便于对目标焊盘2的位置信息进行初步定位,且确保第二图像能够完全覆盖目标焊盘2;接着,调取预设模板4,以参考位置坐标为中心,将多个预设模板4进行拼接,形成覆盖目标焊盘2的第二图像,其中,预设模板由用户预先输入,第二图像的范围小于有效识别区域且能够完全覆盖目标焊盘,起到有效地减小识别区域的尺寸大小,且提高对目标焊盘的识别效率;再接着,将第二图像内的焊盘图像转化为边界集合,并基于预设模板的形状获取到与目标焊盘对应的目标边界集合,通过提取目标边界集合的中心坐标,确认目标焊盘的中心坐标,完成目标焊盘的位置信息的识别;最后,将目标边界集合与多个不同形状的预设模板分别计算匹配度分数,选取匹配度分数最高者对应的预设模板作为最匹配的模板形状,并基于目标边界集合输出目标焊盘的几何信息。
本申请实施例提供的焊盘识别方法在识别到第一图像时,以预设模板在有效识别区域内拼接形成第二图像,从而有效地减小识别区域的尺寸大小,起到节省识别时间的作用,同时,将第二图像的中心设于目标焊盘上,以确保第二图像能够完全覆盖目标焊盘且对目标焊盘进行定位,起到提高识别精度的作用;此外,当获取了目标焊盘对应的目标边界集合后,提取目标边界集合的中心坐标作为目标焊盘的中心,并通过目标边界集合与预设模板的匹配度分数,识别出目标焊盘的几何信息;采用本申请提供的焊盘识别方法可以提升IC焊线机的自动化操作水平,减少认为出错的概率,并进一步提高生产效率。
在一些实施例中,所述步骤S20,所述调取预设模板,对所述预设模板进行拼接,得到第二图像的步骤,具体包括:
获取参考位置坐标,所述参考位置坐标位于所述目标焊盘上。
请参阅图2所示,在一些实施例中,所述参考位置坐标41为十字坐标,所述参考位置坐标41设于所述目标焊盘2上。
调取所述预设模板。
在一些实施例中,所述预设模板4可以为用户预先输入的不同形状与尺寸参数的预设模板类型,并基于多个不同形状与尺寸参数的预设模板类型以此执行上述焊盘识别方法,最终选出匹配度分数最高者作为最匹配的形状与尺寸参数的模板类型;
所述预设模板4还可以为用户根据已知的目标焊盘2形状预先输入形状近似,但尺寸参数存在差异的预设模板类型,基于多个不同尺寸参数的预设模板类型依次执行上述焊盘识别方法,最终选出匹配度分数最高者作为最匹配的尺寸参数的模板类型。
在本实施例中,所述预设模板选取与所述目标焊盘的形状近似的模板类型。
以所述参考位置坐标为中心,沿垂直方向和/或水平方向平移至少一个单位进行拼接,得到所述第二图像,其中,所述一个单位为预设模板的尺寸。
请参阅图2所示,在一些实施例中,以所述参考位置坐标41为中心,分别在十字坐标的第一象限、第二象限、第三象限、第四象限处设有一个预设模板,并将四个预设模板4的边界进行拼接,形成第二图像。
本申请实施例通过在目标焊盘2上选取参考位置坐标41,以确保目标焊盘位于第二图像内。
在一些实施例中,所述步骤S30,基于所述第二图像获取所述目标焊盘对应的目标边界集合的步骤,具体包括:
对位于所述第二图像内的所述第一图像进行二值化处理。
对经过二值化处理后的所述第一图像进行边界集合的提取。
本申请实施例通过对第一图像进行二值化处理后进行边界集合的提取,以提高识别准确度。
本实施例为解决实际的生产环境中,受到材料特性、光照环境、拍摄质量等不利因素的影响,而导致的实际拍摄获取的焊盘边界模糊、多突起毛刺、污损残破等现象,还结合提供了图像处理功能,提高了目标边界集合的提取准确率。
在一些实施例中,所述对经过二值化处理后的所述第一图像进行边界集合的提取的步骤,具体包括:
使用边界轮廓提取算法,提取所述第一图像中所有焊盘的边界集合;
将所有所述边界集合与所述预设模板对比,将几何特征参数与所述预设模板最接近的边界集合作为目标边界集合。
由于位于第二图像内的第一图像中除了包含有目标焊盘,还包含多个非目标焊盘,因此经过二值化处理后的第一图像中每个焊盘都有对应的边界集合,本实施例中将所有边界集合与所述预设模板进行几何形状特征参数对比,将几何形状特征参数与预设模板最接近的边界集合作为目标边界集合,且通过上述的参考位置坐标的选择,确保了结果的唯一性。
在本实施例中,采用的边界轮廓提取算法是经典的迭代算法:Zhang-Suen(张-孙)细化算法,通过遍历前景点及其对应的图像领域是否满足算法提供的特定判断规则来区分是否为边缘或者内部点,经过迭代一定次数收敛后细化至单个像素宽度构成的中心线;本申请在此不进行赘述。
在本实施例中,同一个边界集合内部的像素点均满足至少4连通,由于第一图像中存在多个边界集合,故需要通过连通性进行不同边界集合的区别,而不同边界集合之间的任意两个像素点均不满足连通性的要求。
在其他实施例中,同一个边界集合内部的像素点均满足5连通、6连通、7连通、8连通等等,本申请再次不进行限制。
在本实施例中,选自边界集合的长度、各阶中心矩或各类矩距离中的至少一种。
在一些实施例中,所述对位于所述第二图像内的所述第一图像进行二值化处理的步骤,具体包括:
计算所述第一图像的全局灰度分割阈值,并以此阈值对所述第一图像进行处理,将焊盘与背景分开;
去除所述第一图像中的毛刺边界与噪点,并填充所述第一图像中的空洞。
在本实施例中,首先,计算所述图像的全局灰度分割阈值,并以此阈值对所述图像进行处理,将所述管脚与背景分开,具体地,将代表管脚的像素标记为255,代表背景的像素标记为0,二值化所需的阈值可以采用手动设定或者Otsu自动获取的方法进行设置;接着,对二值化后的图像进行形态学开运算,以去除所述图像中的毛刺边界与噪点,进一步清除以获得较为平滑的边界,最后填充所述图像中的孔洞,以获得修复后的管脚,有利于后续计算与结果分析。
在一些实施例中,在完成获取所述目标焊盘对应的目标边界集合的步骤之后,需要对所述目标边界集合进行中心坐标的提取,所述提取所述目标边界集合的中心坐标的步骤,具体包括:
获取所述目标边界集合中各像素点的坐标与目标边界集合的边界长度。
在本实施例中,所述目标边界集合中个像素点的空间二维坐标记录为(x1,y1),(x2,y2)……(xN,yN),所述目标边界集合的边界长度即为零阶矩:m00=N。
通过以下公式计算所述目标边界集合的中心坐标:;
;
其中,(xct,yct)为所述目标边界集合的中心坐标,x1,x2…xN分别为所述目标边界集合的各像素点的横坐标,y1,y2…yN分别所述目标边界集合的为各像素点的纵坐标,N为目标边界集合中像素点的数量,m00为目标边界集合的边界长度。
在本实施例中,由于目标焊盘的图像经过二值化处理后并提取形成目标边界集合,因此目标边界集合的中心坐标可以作为所述目标焊盘的中心坐标,作为目标焊盘的位置信息进行输出。
在一些实施例中,所述步骤S40,获取所述目标边界集合与所述预设模板的匹配度分数的步骤,具体包括:
获取所述预设模板的中心坐标,并将所述目标边界集合的中心坐标与所述预设模板的中心坐标重合。
在一些实施例中,选取第二图像中的其中一个预设模板,并根据预设模板的形状及尺寸大小计算出其中心坐标,并将所述目标边界集合的中心坐标与所述预设模板的中心坐标重合,所述目标边界集合与所述预设模板之间形成重合区域。
获取所述目标边界集合与所述预设模板的重合区域中各像素点的对应灰度。
在本实施例中,记录重合区域中的M个像素点对应所述预设模板中的灰度值,并通过以下公式计算M个像素点对应所述预设模板中的灰度均值:;
其中,t1,t2……tM分别为各像素点对应所述预设模板中的灰度值,为各像素点对应所述预设模板中的灰度均值,M为重合区域中的像素点数量。
记录重合区域中的各像素点对应所述目标边界集合中的灰度值,并通过以下公式计算M个像素点对应所述目标边界集合中的灰度均值:;
其中,i1,i2……iM分别为各像素点对应所述目标边界集合中的灰度值,为各像素点对应所述目标边界集合中的灰度均值。
根据各像素点的对应灰度,获取所述匹配度分数,输出所述目标焊盘的几何信息。
在本实施例中,所述匹配度分数为归一度灰度相关系数,通过以下公式计算所述归一度灰度相关系数:;
其中,Coeff_M为归一度灰度相关系数,t1,t2……tM分别为各像素点对应所述预设模板中的灰度值,为各像素点对应所述预设模板中的灰度均值,i1,i2……iM分别为各像素点对应所述目标边界集合中的灰度值,/>为各像素点对应所述目标边界集合中的灰度均值。
在一些实施例中,当归一度灰度相关系数低于0.7时,则可以认为选取的预设模板与目标焊盘的几何形状和/或尺寸大小不匹配。
在其他实施例中,所述匹配度分数还可以为归一度灰度误差平方和,通过以下公式计算所述归一度灰度误差平方和:;
其中,Sqdiff_M为归一度灰度误差平方和,t1,t2……tM分别为各像素点对应所述预设模板中的灰度值, i1,i2……iM分别为各像素点对应所述目标边界集合中的灰度值。
在一些实施例中,当归一度灰度误差平方和低于0.7时,则可以认为选取的预设模板与目标焊盘的几何形状和/或尺寸大小不匹配。
本申请实施例使目标边界集合的中心坐标与预设模板的中心坐标重合后,根据两者重合区域内的像素点的灰度值计算匹配度分数,通过匹配度分数的得分以验证预设模板与目标边界集合的匹配程度,以确认选择的预设模板是否与目标焊盘匹配。
在其他实施例中,若用户在步骤S20中预先输入了多个形状且尺寸大小不同的预设模板,且未能根据目标焊盘提前指定预设模板,则可以根据上述步骤S40获取所述目标边界集合分别与多个所述预设模板的匹配度分数,并取其中的最高值匹配度分数对应的预设模板作为与目标焊盘最匹配的预设模板,从而确定目标焊盘的几何形状,并初步确定目标焊盘的尺寸大小。
在一些实施例中,完成获取所述目标边界集合与所述预设模板的匹配度分数计算,并确定了与目标焊盘最匹配的预设模板之后,还包括输出所述目标焊盘的几何信息的步骤,具体包括:
根据所述目标边界集合中各像素点的坐标、所述中心坐标与边界长度,获取所述目标边界集合的旋转角度。
根据所述目标边界集合与所述预设模板的匹配度分数,获取所述目标焊盘对应的预设模板的几何形状;
输出所述目标边界集合的几何形状、边界长度及旋转角度,作为所述目标焊盘的几何信息。
在一些实施例中,所述目标边界集合的几何形状为所述匹配度分数最高对应的预设模板的几何形状。
在一些实施例中,通过以下公式计算所述目标边界集合的旋转角度:;
其中,θ为所述目标边界集合的旋转角度,μ11,μ20,μ02为各个二阶归一化中心矩。
在一些实施例中,通过以下公式计算所述μ11,μ20,μ02:;
;
;
其中,(xct,yct)为所述目标边界集合的中心坐标,x1,x2…xN分别为所述目标边界集合的各像素点的横坐标,y1,y2…yN分别为所述目标边界集合的各像素点的纵坐标,N为目标边界集合中像素点的数量,m00为目标边界集合的边界长度。
在一些实施例中,所述目标边界集合的边界长度为零阶矩,即m00=N。
本申请实施例还提供计算机设备。具体请参阅图3,图3为本实施例计算机设备基本结构框图。
所述计算机设备5包括通过系统总线相互通信连接存储器51、处理器52、网络接口53。需要指出的是,图中仅示出了具有组件51~53的计算机设备5,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备5是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器 (Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备5可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器51至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器51可以是所述计算机设备5的内部存储单元,例如该计算机设备5的硬盘或内存。在另一些实施例中,所述存储器51也可以是所述计算机设备5的外部存储设备,例如该计算机设备5上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(FlashCard)等。当然,所述存储器51还可以既包括所述计算机设备5的内部存储单元也包括其外部存储设备。本实施例中,所述存储器51通常用于存储安装于所述计算机设备5的操作系统和各类应用软件,例如焊点修正方法的计算机可读指令等。此外,所述存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器52在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制所述计算机设备5的总体操作。本实施例中,所述处理器52用于运行所述存储器51中存储的计算机可读指令或者处理数据,例如运行所述焊点修正方法的计算机可读指令。
所述网络接口53可包括无线网络接口或有线网络接口,该网络接口53通常用于在所述计算机设备5与其他电子设备之间建立通信连接。
本申请通过以预设模板拼接形成第二图像从而有效地减小目标识别过程中的识别区域的尺寸大小,起到节省识别时间的作用,同时,将第二图像的中心设于目标焊盘上,以确保第二图像能够完全覆盖目标焊盘且对目标焊盘进行定位,起到提高识别精度的作用;此外,当获取了目标焊盘对应的目标边界集合后,提取目标边界集合的中心坐标作为目标焊盘的中心,并通过目标边界集合与预设模板的匹配度分数,识别出目标焊盘的几何信息;采用本申请提供的焊盘识别方法可以提升IC焊线机的自动化操作水平,减少认为出错的概率,并进一步提高生产效率。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的焊盘识别方法的步骤。
本申请通过以预设模板拼接形成第二图像从而有效地减小目标识别过程中的识别区域的尺寸大小,起到节省识别时间的作用,同时,将第二图像的中心设于目标焊盘上,以确保第二图像能够完全覆盖目标焊盘且对目标焊盘进行定位,起到提高识别精度的作用;此外,当获取了目标焊盘对应的目标边界集合后,提取目标边界集合的中心坐标作为目标焊盘的中心,并通过目标边界集合与预设模板的匹配度分数,识别出目标焊盘的几何信息;采用本申请提供的焊盘识别方法可以提升IC焊线机的自动化操作水平,减少认为出错的概率,并进一步提高生产效率。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种焊盘识别方法,其特征在于,用于对目标焊盘的中心坐标与几何信息进行识别,所述方法包括以下步骤:
获取第一图像,所述第一图像包含所述目标焊盘的图像;
当所述第一图像处于有效识别区域时,调取预设模板,对所述预设模板进行拼接,得到第二图像,其中,所述第二图像的中心位于所述目标焊盘上;
基于所述第二图像获取所述目标焊盘对应的目标边界集合,并提取所述目标边界集合的中心坐标,作为所述目标焊盘的中心坐标;
获取所述目标边界集合与所述预设模板的匹配度分数,确认所述目标焊盘的几何信息;
其中,所述提取所述目标边界集合的中心坐标的步骤,具体包括:
获取所述目标边界集合中各像素点的坐标与目标边界集合的边界长度;
通过以下公式计算所述目标边界集合的中心坐标:;
;
其中,(xct,yct)为所述目标边界集合的中心坐标,x1,x2…xN分别为各像素点的横坐标,y1,y2…yN分别为各像素点的纵坐标,N为目标边界集合中像素点的数量,moo为目标边界集合的边界长度;
所述获取所述目标边界集合与所述预设模板的匹配度分数,确认所述目标焊盘的几何信息的步骤,具体包括:
获取所述预设模板的中心坐标,并将所述目标边界集合的中心坐标与所述预设模板的中心坐标重合;
获取所述目标边界集合与所述预设模板的重合区域中各像素点的对应灰度;
根据各像素点的对应灰度,获取所述匹配度分数,输出所述目标焊盘的几何信息。
2.根据权利要求1所述的焊盘识别方法,其特征在于,所述调取预设模板,对所述预设模板进行拼接,得到第二图像的步骤,具体包括:
获取参考位置坐标,所述参考位置坐标位于所述目标焊盘上;
调取所述预设模板;
以所述参考位置坐标为中心,沿垂直方向和/或水平方向平移至少一个单位进行拼接,得到所述第二图像,其中,所述一个单位为预设模板的尺寸。
3.根据权利要求1所述的焊盘识别方法,其特征在于,所述基于所述第二图像获取所述目标焊盘对应的目标边界集合的步骤,具体包括:
对位于所述第二图像内的所述第一图像进行二值化处理;
对经过二值化处理后的所述第一图像进行边界集合的提取。
4.根据权利要求3所述的焊盘识别方法,其特征在于,所述对经过二值化处理后的所述第一图像进行边界集合的提取的步骤,具体包括:
使用边界轮廓提取算法,提取所述第一图像中所有焊盘的边界集合;
将所有所述边界集合与所述预设模板对比,将几何特征参数与所述预设模板最接近的边界集合作为目标边界集合。
5.根据权利要求3所述的焊盘识别方法,其特征在于,所述对位于所述第二图像内的所述第一图像进行二值化处理的步骤,具体包括:
计算所述第一图像的全局灰度分割阈值,并以此阈值对所述第一图像进行处理,将焊盘与背景分开;
去除所述第一图像中的毛刺边界与噪点,并填充所述第一图像中的空洞。
6.根据权利要求1所述的焊盘识别方法,其特征在于,所述匹配度分数为归一度灰度相关系数,通过以下公式计算所述归一度灰度相关系数:;
其中,Coeff_M为归一度灰度相关系数,t1,t2……tM分别为各像素点对应所述预设模板中的灰度值,为各像素点对应所述预设模板中的灰度均值,i1,i2……iM分别为各像素点对应所述目标边界集合中的灰度值,/>为各像素点对应所述目标边界集合中的灰度均值。
7.根据权利要求1所述的焊盘识别方法,其特征在于,所述匹配度分数为归一度灰度误差平方和,通过以下公式计算所述归一度灰度误差平方和:;
其中,Sqdiff_M为归一度灰度误差平方和,t1,t2……tM分别为各像素点对应所述预设模板中的灰度值,i1,i2……iM分别为各像素点对应所述目标边界集合中的灰度值。
8.根据权利要求1所述的焊盘识别方法,其特征在于,所述输出所述目标焊盘的几何信息的步骤,具体包括:
根据所述目标边界集合中各像素点的坐标、所述中心坐标与边界长度,获取所述目标边界集合的旋转角度;
根据所述目标边界集合与所述预设模板的匹配度分数,获取所述目标焊盘对应的预设模板的几何形状;
输出所述目标边界集合的几何形状、边界长度及旋转角度,作为所述目标焊盘的几何信息。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1~8中任一项所述的焊盘识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1~8中任一项所述的焊盘识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311538373.XA CN117274246B (zh) | 2023-11-17 | 2023-11-17 | 一种焊盘识别方法、计算机设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311538373.XA CN117274246B (zh) | 2023-11-17 | 2023-11-17 | 一种焊盘识别方法、计算机设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117274246A CN117274246A (zh) | 2023-12-22 |
CN117274246B true CN117274246B (zh) | 2024-02-20 |
Family
ID=89204686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311538373.XA Active CN117274246B (zh) | 2023-11-17 | 2023-11-17 | 一种焊盘识别方法、计算机设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117274246B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117571721B (zh) * | 2024-01-15 | 2024-04-05 | 北京兆维智能装备有限公司 | 一种电路板焊盘表面缺陷检测方法、装置及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745475A (zh) * | 2014-01-22 | 2014-04-23 | 哈尔滨工业大学 | 一种用于球形引脚元件的检测与定位方法 |
CN108426891A (zh) * | 2018-05-07 | 2018-08-21 | 湖北第二师范学院 | 一种光器件引脚焊接质量检测方法及装置 |
CN110992326A (zh) * | 2019-11-27 | 2020-04-10 | 江苏理工学院 | 一种qfn芯片引脚图像快速倾斜校正方法 |
US11100270B1 (en) * | 2019-06-21 | 2021-08-24 | Synopsys, Inc. | Pattern based die connector assignment using machine learning image recognition |
CN114418951A (zh) * | 2021-12-22 | 2022-04-29 | 深圳技术大学 | 一种焊盘检测方法、装置、计算机设备及存储介质 |
CN115564772A (zh) * | 2022-11-18 | 2023-01-03 | 深圳市大族封测科技股份有限公司 | 焊球识别方法、焊接设备及存储介质 |
CN115578571A (zh) * | 2022-10-08 | 2023-01-06 | 合肥安迅精密技术有限公司 | Qfn元件快速准确识别定位方法、装置及存储介质 |
WO2023115409A1 (zh) * | 2021-12-22 | 2023-06-29 | 深圳技术大学 | 一种焊盘检测方法、装置、计算机设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005997B (zh) * | 2015-08-05 | 2017-11-14 | 哈尔滨工业大学 | 一种基于行列直线聚类的多类型bga芯片视觉识别方法 |
WO2019212850A2 (en) * | 2018-05-02 | 2019-11-07 | Corning Research & Development Corporation | Methods for detection of contaminants on optical fiber connectors |
-
2023
- 2023-11-17 CN CN202311538373.XA patent/CN117274246B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745475A (zh) * | 2014-01-22 | 2014-04-23 | 哈尔滨工业大学 | 一种用于球形引脚元件的检测与定位方法 |
CN108426891A (zh) * | 2018-05-07 | 2018-08-21 | 湖北第二师范学院 | 一种光器件引脚焊接质量检测方法及装置 |
US11100270B1 (en) * | 2019-06-21 | 2021-08-24 | Synopsys, Inc. | Pattern based die connector assignment using machine learning image recognition |
CN110992326A (zh) * | 2019-11-27 | 2020-04-10 | 江苏理工学院 | 一种qfn芯片引脚图像快速倾斜校正方法 |
CN114418951A (zh) * | 2021-12-22 | 2022-04-29 | 深圳技术大学 | 一种焊盘检测方法、装置、计算机设备及存储介质 |
WO2023115409A1 (zh) * | 2021-12-22 | 2023-06-29 | 深圳技术大学 | 一种焊盘检测方法、装置、计算机设备及存储介质 |
CN115578571A (zh) * | 2022-10-08 | 2023-01-06 | 合肥安迅精密技术有限公司 | Qfn元件快速准确识别定位方法、装置及存储介质 |
CN115564772A (zh) * | 2022-11-18 | 2023-01-03 | 深圳市大族封测科技股份有限公司 | 焊球识别方法、焊接设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
Chip Pad Inspection Method Based on an Improved YOLOv5 Algorithm;Jiangjie Xu et al.;《Sensors 2022》;第1-19页 * |
芯片焊盘自动识别与定位方法的研究;吴川 等;《计算机辅助设计与图形学学报》;第17卷(第8期);第1673-1677页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117274246A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097542B (zh) | 芯片气泡的检测方法、装置及存储介质 | |
CN117274246B (zh) | 一种焊盘识别方法、计算机设备以及存储介质 | |
CN110992326B (zh) | 一种qfn芯片引脚图像快速倾斜校正方法 | |
CN108364311B (zh) | 一种金属部件自动定位方法及终端设备 | |
WO2021051604A1 (zh) | Osd的文字区域的识别方法、装置及存储介质 | |
US20210201068A1 (en) | Image processing method and apparatus, and electronic device | |
JP5468332B2 (ja) | 画像特徴点抽出方法 | |
JPH11328408A (ja) | データ処理装置および方法、情報記憶媒体 | |
EP3889833A1 (en) | Method and apparatus for extracting a satellite image-based building footprint | |
CN113808131B (zh) | 一种连接器缺陷识别方法及系统及装置及介质 | |
WO2014129018A1 (ja) | 文字認識装置、文字認識方法及び記録媒体 | |
JP6338429B2 (ja) | 被写体検出装置、被写体検出方法及びプログラム | |
CN112419207A (zh) | 一种图像矫正方法及装置、系统 | |
WO2018058573A1 (zh) | 对象检测方法、对象检测装置以及电子设备 | |
JP7121132B2 (ja) | 画像処理方法、装置及び電子機器 | |
CN112801067B (zh) | 一种检测虹膜光斑的方法及计算设备 | |
CN111241951B (zh) | 一种虹膜图像的处理方法及装置 | |
JP5299196B2 (ja) | マーカー検知装置及びマーカー検知装置用プログラム | |
CN117245266B (zh) | 一种焊点修正方法、装置、计算机设备以及存储介质 | |
CN115630663A (zh) | 一种二维码识别方法、装置及电子设备 | |
CN115221909A (zh) | 二维码识别方法、装置、设备及计算机可读存储介质 | |
JP6580201B2 (ja) | 被写体検出装置、被写体検出方法及びプログラム | |
CN111598943A (zh) | 基于书本辅助阅读设备的书本就位检测方法、装置及设备 | |
CN116757973B (zh) | 一种面板产品自动修补方法、系统、设备及存储介质 | |
JP2006338482A (ja) | 画像処理用部品データ作成方法及び画像処理用部品データ作成装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |