盧 軍，張傳凱

（陜西科技大學(xué) 機(jī)電工程學(xué)院，西安 710021）

0 引言

LED技術(shù)被認(rèn)為是二十一世紀(jì)有前途的高科技技術(shù)之一，要發(fā)展LED產(chǎn)業(yè)，先進(jìn)的機(jī)器設(shè)備是必不可少的。LED生產(chǎn)線設(shè)備主要包括印刷機(jī)、點(diǎn)膠機(jī)、貼片機(jī)、回流焊和清洗檢測(cè)裝備等，其中，貼片機(jī)是整個(gè)環(huán)節(jié)的關(guān)鍵，其貼裝精度與速度決定了整條生產(chǎn)線的質(zhì)量與生產(chǎn)速度[1]。

新一代的全自動(dòng)LED粘片機(jī)是融合了機(jī)電學(xué)、光電學(xué)、電氣等學(xué)科知識(shí)的高度自動(dòng)化設(shè)備。在滿足生產(chǎn)需求的同時(shí)，LED粘片機(jī)的速度和精度逐漸上升為一對(duì)主要矛盾，這是LED封裝的特點(diǎn)[2]。送料器作為貼片機(jī)的重要部件，決定著工件的輸送精度，帶式LED送料器在送料時(shí)容易出現(xiàn)卡帶、抖動(dòng)的問(wèn)題。在吸嘴吸附的環(huán)節(jié)，傳統(tǒng)的送料器沒(méi)有檢測(cè)環(huán)節(jié)，料帶中如有遺漏的工件，吸嘴會(huì)空運(yùn)行，降低了貼裝效率。

目前在國(guó)際與國(guó)內(nèi)LED芯片檢測(cè)領(lǐng)域視覺(jué)伺服定位技術(shù)是熱點(diǎn)又是難點(diǎn)[3]。機(jī)器視覺(jué)利用計(jì)算機(jī)模擬人的視覺(jué)功能，從客體的圖像中提取信息，并對(duì)這些信息進(jìn)行處理、理解, 將結(jié)果應(yīng)用于檢測(cè)、測(cè)量、控制，在檢測(cè)領(lǐng)域應(yīng)用廣泛[4]。

LED燈片正面的污損情況影響最終產(chǎn)品的照明效果?，F(xiàn)有的貼片機(jī)會(huì)在吸取工件后進(jìn)行燈片背面管腳檢測(cè)，對(duì)于正面污損的情況，無(wú)法識(shí)別檢測(cè)，

針對(duì)以上問(wèn)題，本文對(duì)送料器進(jìn)行了結(jié)構(gòu)改進(jìn)，將機(jī)器視覺(jué)應(yīng)用到送料器中，在吸取之前對(duì)LED進(jìn)行識(shí)別定位以及正面的污損檢測(cè)。

1 送料器的結(jié)構(gòu)設(shè)計(jì)

在專利[5～7]中的帶式送料器輸送部分采用單棘輪，為了使送料更加穩(wěn)定，避免卡帶，對(duì)送料器關(guān)鍵部件進(jìn)行改進(jìn)設(shè)計(jì)，設(shè)計(jì)示意圖如圖1所示。

LED燈封裝在料帶中，在對(duì)其進(jìn)行吸取之前，必須將頂膜與基帶分離。送料器的送料部分主要由前棘輪，后棘輪、同步帶輪、同步帶和步進(jìn)電機(jī)組成。前棘輪為主動(dòng)輪，后棘輪為從動(dòng)輪，對(duì)于工作部分的料帶，前棘輪機(jī)構(gòu)實(shí)現(xiàn)對(duì)料帶推的操作，后棘輪實(shí)現(xiàn)拉的操作，兩棘輪實(shí)現(xiàn)對(duì)料帶的定位，減緩工作部分的震動(dòng)與卡帶。

下摩擦輪與上摩擦輪構(gòu)成頂膜的撕取結(jié)構(gòu)。下摩擦輪與上摩擦輪的擠壓產(chǎn)生摩擦力，為頂膜的運(yùn)動(dòng)提供動(dòng)力，下摩擦輪與前棘輪的反向轉(zhuǎn)動(dòng)實(shí)現(xiàn)基帶與頂膜的分離撕取。工件視窗主要用于吸嘴吸取工件，蓋板主要是防止工件過(guò)度震動(dòng)，支撐板實(shí)現(xiàn)對(duì)基帶的支撐作用。相機(jī)在視窗的正上方，提取工件的圖像信息。

采用微型步進(jìn)電機(jī)作為驅(qū)動(dòng)源,相比傳統(tǒng)的氣缸驅(qū)動(dòng),能實(shí)現(xiàn)加減速控制，使元器件傳送更為平穩(wěn)。為了視覺(jué)提取圖像采集中一次采取三個(gè)工件，結(jié)合LED的封裝特性，設(shè)定電機(jī)每次實(shí)現(xiàn)的步進(jìn)距離為12mm。

2 視覺(jué)系統(tǒng)設(shè)計(jì)

視覺(jué)主要實(shí)現(xiàn)對(duì)燈片的定位檢測(cè)，系統(tǒng)流程如圖2所示。

圖2 工作流程圖

送料器的視覺(jué)系統(tǒng)主要實(shí)現(xiàn)對(duì)LED的定位，以及正面污損檢測(cè)。料帶安裝完畢后，視覺(jué)系統(tǒng)開(kāi)啟，獲取圖像信息，進(jìn)行圖像前處理，提取物體的特征輪廓，檢測(cè)是否有工件存在，未檢測(cè)到工件時(shí)，驅(qū)動(dòng)送料電機(jī)，進(jìn)行物料的輸送。當(dāng)存在工件時(shí)，進(jìn)行工件的位置定位，檢測(cè)合格、受污嚴(yán)重、缺損（崩角）的燈片。提取存儲(chǔ)合格燈片的位置信息，用于吸嘴的吸取控制。

圖像采集的任務(wù)是獲取工件表面的原始信息，是識(shí)別定位的基礎(chǔ)。結(jié)合LED的封裝特性，圖像采集時(shí)要求相機(jī)以下視方式拍攝，多燈片同時(shí)采集，同時(shí)識(shí)別。

圖像采集由圖像采集系統(tǒng)來(lái)完成，該系統(tǒng)由硬件與軟件部分組成。

由于戰(zhàn)亂，下江的形勢(shì)十分吃緊，和祥軒東家黎老板也常住在上河的河口。生意也一天比一天清淡，黎老板也只是無(wú)奈地?cái)[擺頭。這種情形一直持續(xù)到內(nèi)戰(zhàn)爆發(fā)。直到有一天，和祥軒的東家黎老板突然收到一封大公子從南京城寄來(lái)的信，大公子在南京城里當(dāng)差。東家打開(kāi)信一看，是大少爺敦促他把田產(chǎn)和鋪面都賣掉，而且是越快越好。黎老板在茶房里氣得不行，并惡罵大少爺是“娘的敗家子”。他把這封信也給張滿春看了，張滿春也覺(jué)得大少爺太糊涂，掙得一份家業(yè)容易嗎？既然掙上手了又何必賣掉，不是腦子出了毛?。客瑯觾?nèi)容的信黎老板之后又收到了好幾封，而且一封比一封催得急切。東家只是感嘆道，瘋了，他簡(jiǎn)直是瘋了。

硬件部分主要包括：1）筆記本電腦；2）相機(jī)；3）鏡頭，4）工件。其中相機(jī)采用工業(yè)級(jí)300萬(wàn)像素CMOS彩色像機(jī)，為了配合個(gè)人電腦同時(shí)為了即插即用，選用USB接口。

圖3 工業(yè)相機(jī)

軟件部分主要包括Microsoft Visual C++開(kāi)發(fā)環(huán)境和主流計(jì)算機(jī)視覺(jué)開(kāi)發(fā)庫(kù)Open Source Computer Vision Library（OpenCV）[8]。

3 算法設(shè)計(jì)與實(shí)現(xiàn)

對(duì)于整體算法的程序在VC環(huán)境中實(shí)現(xiàn)，結(jié)合OpenCV中的函數(shù)進(jìn)行LED的圖像處理。

3.1 圖像前處理

本系統(tǒng)像機(jī)采集到的圖像是彩色圖像，三通道，原始圖像存在噪聲，為了突出識(shí)別目標(biāo)物，減少噪聲干擾，需要對(duì)圖像進(jìn)行前處理。

3.1.1 灰度化

采集到的原始圖像是彩色圖像，彩色像素點(diǎn)是由R（紅色）、G（綠色）、B（藍(lán)色）三元色混合而成的，有三個(gè)通道?；叶葓D是一種從黑到白256級(jí)灰度等級(jí)的單色圖像。將彩色圖像灰度化，以便減少內(nèi)存空間，加快處理速度，本文采用加權(quán)平均法，對(duì)彩色圖像進(jìn)行灰度化處理，I(i,j)是處理后圖像的灰度像素值。函數(shù)為：

3.1.2 閾值分割

閾值分割是將灰度圖轉(zhuǎn)為二值圖，將目標(biāo)物體與背景分離開(kāi)，進(jìn)一步降低后續(xù)處理的難度。針對(duì)實(shí)驗(yàn)圖5，運(yùn)用MATLAB工具中的函數(shù)對(duì)其灰度圖進(jìn)行灰度統(tǒng)計(jì)，得到灰度直方圖如圖4所示。

圖4 灰度直方圖

從灰度直方圖可以看出，燈片的灰度主要集中在50～150，背景集中在0～50，具有明顯的劃分。利用最大間方差法（Otsu）對(duì)圖像進(jìn)行閾值分割。

求取δ的最大值，對(duì)應(yīng)的閾值T就是要尋找的最優(yōu)閾值。利用這個(gè)閾值T對(duì)原始圖像進(jìn)行分割處理，處理效果如圖5、圖6所示。

圖5 原圖

圖6 二值圖

3.1.3 腐蝕膨脹處理

閾值后，二值圖像會(huì)出現(xiàn)噪聲點(diǎn)，如椒鹽噪聲，影響目標(biāo)物體的識(shí)別，需要對(duì)二值圖像進(jìn)行腐蝕膨脹處理，運(yùn)用cvDilate與cvErode函數(shù)完成，為物體識(shí)別奠定基礎(chǔ)。

3.2 特征提取

輪廓提取[10]決定著目標(biāo)特征識(shí)別的準(zhǔn)確性。雖然Canny[11]之類的邊緣檢測(cè)算法可以根據(jù)像素間的差異檢測(cè)出輪廓邊界的像素，但是它并沒(méi)有將輪廓作為一個(gè)整體，OpenCV中有一個(gè)應(yīng)用廣泛并且方便的函數(shù)cvFindContours可以把邊緣像素組裝成輪廓，以鏈表的形式儲(chǔ)存輪廓，方便了下一步的特征提取。運(yùn)用函數(shù)cvFindContours計(jì)算目標(biāo)輪廓數(shù)，如果輪廓為0，則判定無(wú)工件，則控制輸送電機(jī)，進(jìn)行工件的傳輸。

3.2.1 工件形心提取

吸嘴吸取工件的理想位置為其形心，吸取工件依靠真空負(fù)壓，吸嘴中心位置與形心位置偏離太大，容易漏氣，吸力不足，甚至吸取失敗。因此工件的定位精度對(duì)吸取結(jié)果有重要影響。

根據(jù)處理對(duì)象的特征，利用先驗(yàn)知識(shí)提出針對(duì)性的特征提取方法，具體方法如下：

1）對(duì)閾值后的二值圖像進(jìn)行輪廓提取，計(jì)算出每個(gè)鏈表包含的像素?cái)?shù)。

2）目標(biāo)輪廓的提取，判斷輪廓像素的個(gè)數(shù)，小于特定值的認(rèn)定為噪聲，否則認(rèn)定為工件，對(duì)其進(jìn)行特征提取。

3）對(duì)篩選后的輪廓進(jìn)行特征提取，即目標(biāo)輪廓進(jìn)行特征提取。

4）對(duì)輪廓中所有邊界點(diǎn)的X坐標(biāo)和Y坐標(biāo)分別進(jìn)行循環(huán)判斷，從而得到X和Y的最大值和最小值，XY最大值的點(diǎn)即為工件的四個(gè)極點(diǎn)。

5）得到四個(gè)極點(diǎn)的坐標(biāo)，按順時(shí)針?lè)较?，?duì)兩相鄰點(diǎn)之間的輪廓點(diǎn)進(jìn)行直線擬合。

6）直線擬合后，確定兩相交直線的交點(diǎn)。分別對(duì)四點(diǎn)的X坐標(biāo)與Y坐標(biāo)取平均值，確定工件的形心坐標(biāo)。

3.2.2 工件污損檢測(cè)

燈片的工作面為上表面，正面的污損情況不僅影響美觀，更重要是影響最終成品的照明效果，如圖7、圖8所示。

圖7 受污工件

圖8 缺損工件

根據(jù)輪廓的面積來(lái)判斷污染程度，設(shè)正常輪廓面積為T0-T1，檢測(cè)到的目標(biāo)在正常范圍內(nèi)認(rèn)定為合格工件，存取其形心位置，當(dāng)在范圍之外，則進(jìn)一步檢測(cè)，判斷其形心與相近合格輪廓的關(guān)系，如果在輪廓范圍內(nèi)，則認(rèn)定為受污工件，如果不在輪廓范圍內(nèi)，認(rèn)定為缺損工件，不對(duì)其進(jìn)行形心儲(chǔ)存。

4 實(shí)驗(yàn)測(cè)試與分析

為確定正常輪廓范圍，判斷輪廓的面積，實(shí)驗(yàn)采取30張合格圖像，計(jì)算出90個(gè)燈片的輪廓面積，運(yùn)用OpenCV中的函數(shù)得出數(shù)據(jù)后統(tǒng)計(jì)如圖9所示，從圖中可以看出輪廓面積在29015～29024之間，因此在此范圍內(nèi)的認(rèn)定為合格工件。

圖9 輪廓面積分布圖

定位機(jī)制通過(guò)單目相機(jī)，并給予C++、OpenCV編程完成對(duì)目標(biāo)視野的取像，對(duì)合格工件識(shí)別定位，效果如圖10所示，得到的特征參數(shù)如表1所示。

圖10 定位效果圖

表1 圖形實(shí)驗(yàn)結(jié)果

對(duì)污損件進(jìn)行識(shí)別，對(duì)于合格工件的形心進(jìn)行存儲(chǔ)，并進(jìn)行十字標(biāo)記，效果如圖11～圖13所示。

圖11 遺漏識(shí)別圖

圖12 受污識(shí)別圖

圖13 缺損識(shí)別圖

從圖中得知，本識(shí)別檢測(cè)方法可以對(duì)合格工件正確識(shí)別，同時(shí)可以剔除受污工件與破損工件。

為測(cè)試方法的識(shí)別率，實(shí)驗(yàn)獲取30副不同情況的圖像（90個(gè)工件），對(duì)其進(jìn)行檢測(cè)定位，算法識(shí)別率如表2所示。

表2 算法檢測(cè)結(jié)果

從表2中可以看出，正常工件的識(shí)別率在95%以上，受污缺陷的識(shí)別率相對(duì)其余兩個(gè)較低，通過(guò)分析圖像情況得知，主要原因是污染位置處于工件邊緣的情況下會(huì)誤判為缺損缺陷。

5 結(jié)束語(yǔ)

為了提高送料器的吸附精度，正確吸附合格工件，減緩卡帶現(xiàn)象，減少拋料的次數(shù)，本文提出了一套識(shí)別、定位、檢測(cè)方案，利用雙棘輪實(shí)現(xiàn)工件的傳送與粗定位，運(yùn)用VC平臺(tái)結(jié)合OpenCV實(shí)現(xiàn)機(jī)器視覺(jué)對(duì)工件的檢測(cè)。與普通的送料器相比，運(yùn)行更加穩(wěn)定，吸附精度高，實(shí)現(xiàn)吸附前的檢測(cè)與定位，拋料機(jī)率低，間接的提高了貼片機(jī)的貼片效率與LED燈的合格率，具有很高的使用價(jià)值。

[1] 李清國(guó).高速高效LED專用貼片機(jī)關(guān)鍵技術(shù)研究[D].廣東廣州,廣東工業(yè)大學(xué).2012.

[2] 劉靜.LED封裝設(shè)備中關(guān)鍵運(yùn)動(dòng)結(jié)構(gòu)的動(dòng)態(tài)特性分析及優(yōu)化[D].無(wú)錫市.江南大學(xué).2013.

[3] 吳曉.L E D芯片粗精定位系統(tǒng)[J].紅外與激光工程,2013,42(9):2478-2484.

[4] H.Golnabi, A.Asadpour. Design and application of industrial machine vision systems[J].Robotics and Computer Integrated Manufacturing,2007,23(6):630-637.

[5] 河口悟史.帶式送料器[P]:中國(guó),21320308772.2,2013.11.27.

[6] 伊藤恒太.帶式送料器的選定裝置、表面安裝機(jī)以及帶式送料器[P]:中國(guó),201310314394.3,2014.03.12.

[7] 大塚俊英.送料器[P]:中國(guó), 201220340449.9,2013.02.27.

[8] 于仕琪,劉瑞禎.學(xué)習(xí)OpenCV(中文版)[M].北京:清華大學(xué)出版社,2009.

[9] 王磊,段會(huì)川.Otsu方法在多閾值圖像分割中的應(yīng)用[J].計(jì)算機(jī)工程與設(shè)計(jì),2008,29(11):2844-2845,2972.

[10] 米蘭,許海波.基于邊緣提取的圖像拼接[J].計(jì)算機(jī)應(yīng)用研究,2007,24(5):318-320.

[11] Canny J.A computational approach to edge detection[J].IEEE Transaction on Pattern Analysis and Machine intelligence,1986,8(6):679-698.