韓浩宇，宋 建

（華南理工大學(xué) 聚合物新型成型裝備國家工程研究中心 聚合物成型加工工程教育部重點(diǎn)實(shí)驗(yàn)室，廣東 廣州 510640）

1 引言

在電子元件裝配中，對(duì)于大多數(shù)功率元件、異型元件和機(jī)電元件，通常采用通孔安裝技術(shù)THT（Through-hole Technology），將電子元件插裝在印制電路板的導(dǎo)電通孔內(nèi)[1]。傳統(tǒng)的人工插件主要依賴人眼對(duì)管腳進(jìn)行檢測(cè)，不僅耗時(shí)耗力[2-3]，而且經(jīng)常會(huì)出現(xiàn)錯(cuò)插、漏插、歪斜、插入過深或過淺等問題，嚴(yán)重影響電子元件的插裝質(zhì)量。機(jī)器視覺具有非接觸性、實(shí)時(shí)性、測(cè)量精度高，檢測(cè)結(jié)果比較穩(wěn)定等優(yōu)點(diǎn)，它利用檢測(cè)目標(biāo)的圖像信息，從中提取出所需要的特征進(jìn)行分析計(jì)算，進(jìn)而對(duì)檢測(cè)目標(biāo)實(shí)現(xiàn)判別，可以很好地滿足電子元器件管腳的檢測(cè)要求。集成有機(jī)器視覺的自動(dòng)插件機(jī)極大地提高了插件的自動(dòng)化程度和生產(chǎn)效率，是電子元器件裝配的發(fā)展方向，但它對(duì)穩(wěn)定性和實(shí)時(shí)性有較高的要求。為了滿足這些要求，設(shè)計(jì)了一個(gè)應(yīng)用于自動(dòng)插件機(jī)的圖像采集系統(tǒng)，并對(duì)元件管腳檢測(cè)算法進(jìn)行了研究。

2 圖像采集系統(tǒng)的設(shè)計(jì)

圖像采集系統(tǒng)是視覺檢測(cè)系統(tǒng)的基礎(chǔ)，高質(zhì)量的圖像可以有效地降低算法的復(fù)雜度，同時(shí)也為算法的穩(wěn)定性提供保障。通過對(duì)金屬化聚丙烯薄膜電容器插裝缺陷特征進(jìn)行分析，設(shè)計(jì)出相應(yīng)的圖像采集系統(tǒng)。電容器插裝缺陷包括以下兩個(gè)方面：管腳缺失與管腳成型跨距不符。由于管腳的特征能夠較全面地反映電容元件的插裝質(zhì)量，因此通過圖像采集系統(tǒng)獲得高對(duì)比度的管腳圖像顯得尤為重要。根據(jù)自動(dòng)插件機(jī)的精度要求，相機(jī)選用德國某公司的acA2500-14gm，分辨率為（2592×1944）；鏡頭選用OPT公司的OPT-5m03-110，放大倍率為0.3，工作距離為110mm。照明是圖像采集系統(tǒng)的關(guān)鍵，合適的照明可以突顯出被測(cè)物的重要特征，抑制不需要的特征。直接暗場(chǎng)正面照明的打光方式，除有紋理的表面和凹凸變化的表面之外，其余光線被反射而不進(jìn)入相機(jī)，一般用來檢測(cè)劃痕、紋理及雕刻文字等。由于管腳相當(dāng)于電容的凸起部分，故選用直接暗場(chǎng)正面照明可以很好地突出管腳的特征。環(huán)形光與待檢測(cè)電容呈非常小的角度，照射在管腳部分的光較多，其他部分較少，這樣就使管腳特征得到增強(qiáng)，從而獲得管腳區(qū)域較亮、電容其他區(qū)域較暗的高對(duì)比度圖像，采集到的電容圖像，如圖 2（a）所示。

3 管腳檢測(cè)算法

檢測(cè)算法是視覺檢測(cè)系統(tǒng)的核心。針對(duì)元器件管腳的視覺檢測(cè)算法，主要有模板匹配、差分作積分投影等算法。模板匹配檢測(cè)算法的特點(diǎn)是采用參考管腳的邊緣幾何信息作為形狀模板與待檢測(cè)圖像作對(duì)比，在簡單背景下可獲得準(zhǔn)確度較高的匹配結(jié)果，但金屬化聚丙烯薄膜電容器底部容易反光，電容圖像背景復(fù)雜、亮度不均，使用模板匹配經(jīng)常會(huì)出現(xiàn)錯(cuò)誤的匹配結(jié)果；差分作積分投影檢測(cè)算法其特點(diǎn)是通過獲取少數(shù)幾個(gè)管腳邊界點(diǎn)來進(jìn)行管腳形狀擬合，較適用于矩形管腳的檢測(cè)，對(duì)于圓形管腳該方法并不適用。針對(duì)金屬化聚丙烯薄膜電容器管腳圖像的特點(diǎn)，設(shè)計(jì)了一套視覺檢測(cè)算法，主要包括圖像二值化、管腳粗定位、目標(biāo)邊緣提取及權(quán)重式圓擬合。算法流程圖，如圖1所示。首先對(duì)管腳的完整度進(jìn)行檢測(cè)，在管腳粗定位后統(tǒng)計(jì)目標(biāo)區(qū)域的個(gè)數(shù)，若其不為2，則說明管腳缺失，不進(jìn)行后續(xù)處理；其次對(duì)管腳成型跨距進(jìn)行檢測(cè)，計(jì)算權(quán)重圓擬合后兩圓心的中心距離，若其超出參考距離范圍，則判斷為管腳成型跨距不符。若全部滿足，則判斷為良品，將兩管腳的位置信息發(fā)送至自動(dòng)插件機(jī)的控制系統(tǒng)，指導(dǎo)其完成插件。

圖1 算法流程圖Fig.1 Flow Chart of Proposed Algorithm

3.1 圖像二值化

從圖2（a）可以看出，管腳與背景的灰度分布十分明顯，可選擇全局閾值方法對(duì)其進(jìn)行分割[4-5]。Otsu又叫最大類間方差法，是自動(dòng)全局閾值的最優(yōu)方法[6-7]。對(duì)于大小M×N為的灰度圖，令ni表示灰度級(jí)為i的像素的數(shù)量，則各灰度級(jí)的概率為。設(shè)閾值 k 將像素分為灰度分布在［0，k］的 T1類和［k+1，255］的 T2類，則像素屬于各類的概率分別為：

各類中像素的平均灰度值為：

圖像的平均灰度為：Otsu算法選擇使得σ2最大的k值作為最佳閾值對(duì)圖像進(jìn)行分割，分割后的二值化圖像，如圖2（b）所示。

圖2 圖像二值化Fig.2 Image Binaryzation

3.2 管腳粗定位

圖像二值化算法返回一個(gè)區(qū)域作為圖像分割的結(jié)果，從圖2（b）可以看出，這個(gè)區(qū)域不僅包含目標(biāo)區(qū)域（管腳），還包含了干擾區(qū)域。先采用8連通方法對(duì)該區(qū)域執(zhí)行深度優(yōu)先搜索，并標(biāo)記連通區(qū)域，得到所有不相連的獨(dú)立子區(qū)域。分析發(fā)現(xiàn)，目標(biāo)區(qū)域相對(duì)于干擾區(qū)域其面積較大，故采用面積特征來對(duì)其進(jìn)行篩選。根據(jù)相機(jī)像素及管腳直徑估算出目標(biāo)區(qū)域面積的下限閾值A(chǔ)min和上限閾值A(chǔ)max，篩選出目標(biāo)區(qū)域，如圖3（a）所示。由于管腳制造存在切面等原因，篩選出的目標(biāo)區(qū)域僅能代表殘缺的管腳，不能直接利用其進(jìn)行管腳位置信息的求取。對(duì)目標(biāo)區(qū)域求最小包圍圓，利用求得的圓心及半徑創(chuàng)建最小包圍圓區(qū)域，實(shí)現(xiàn)管腳的粗定位。最小包圍圓區(qū)域與管腳位置已經(jīng)非常接近，它為之后管腳目標(biāo)邊緣的提取提供可靠的位置信息。

圖3 管腳粗定位Fig.3 Coarse Localization of Pins

3.3 目標(biāo)邊緣提取

邊緣是指圖像局部強(qiáng)度變化顯著的像素的集合，將邊緣作為邊界是魯棒性最好的分割方法。所以提取目標(biāo)邊緣即管腳的外邊緣，可以很好地對(duì)管腳進(jìn)行分割。但由于管腳制造受機(jī)械剪切，管腳腳平面凹凸不平，存在很多高梯度量值區(qū)域，如圖4（a）所示，有些還會(huì)與目標(biāo)邊緣相連，很難使用統(tǒng)一的規(guī)則將它們剔除。針對(duì)管腳的圖像特點(diǎn)，提出一種目標(biāo)邊緣的提取方法。首先用適當(dāng)半徑的圓形結(jié)構(gòu)元對(duì)最小包圍圓分別進(jìn)行膨脹和腐蝕，膨脹會(huì)增長和粗化最小包圍圓區(qū)域，腐蝕會(huì)收縮和細(xì)化最小包圍圓區(qū)域；然后用膨脹后的區(qū)域與腐蝕后的區(qū)域做差運(yùn)算，這樣就得到一個(gè)圓環(huán)區(qū)域。該區(qū)域中包含管腳外邊界，從原始圖像中裁剪出圓環(huán)區(qū)域，將其作為目標(biāo)邊緣提取的ROI，如圖4（b）所示?？膳懦渌蓴_的同時(shí)不造成目標(biāo)邊緣信息的遺失。使用Canny算子在ROI區(qū)域中找到所有目標(biāo)邊緣。該方法首先對(duì)圖像進(jìn)行高斯濾波平滑，接著計(jì)算梯度幅值圖像和角度圖像，然后對(duì)梯度幅值圖像應(yīng)用非最大值抑制，最后用雙閾值處理和連接分析來檢測(cè)并連接邊緣[8]，實(shí)現(xiàn)對(duì)目標(biāo)邊緣的像素級(jí)定位，如圖4（c）所示。

為了獲得更精確的邊緣信息，沿像素級(jí)邊緣的梯度方向?qū)吘壏颠M(jìn)行高斯曲線擬合，求得曲線的極值點(diǎn)，即可得到目標(biāo)邊緣的亞像素位置。為簡化擬合計(jì)算的復(fù)雜度，將高斯曲線轉(zhuǎn)化為對(duì)數(shù)形式

式中：μ—均值；σ—標(biāo)準(zhǔn)差。式（2）是關(guān)于的二次曲線，設(shè)二次多項(xiàng)式的形式為：y=a0+a1x+a2x2，根據(jù)采樣定理，每個(gè)像素的灰度值為：

設(shè)n取0為像素級(jí)邊緣點(diǎn)，其相鄰兩個(gè)像素的序號(hào)分別為-1與1。則灰度值為，如式（4）所示。聯(lián)立解方程組，如式（5）所示。

亞像素級(jí)目標(biāo)邊緣提取結(jié)果，如圖4（d）所示。它為后續(xù)圓擬合提供了更加準(zhǔn)確的信息。

圖4 目標(biāo)邊緣提取Fig.4 The Target Edge Detection

3.4 權(quán)重式圓擬合

獲得目標(biāo)邊緣后，要對(duì)邊緣進(jìn)行圓擬合來實(shí)現(xiàn)管腳的精確定位。傳統(tǒng)的圓擬合常使用最小二乘算法，但管腳制造受機(jī)械剪切，目標(biāo)邊緣上會(huì)存在很多大的離群值，最小二乘算法由于采用平方距離，因此距離擬合圓較遠(yuǎn)的那些邊緣點(diǎn)在計(jì)算過程中將會(huì)擁有非常大的權(quán)重，這會(huì)導(dǎo)致擬合后的圓不準(zhǔn)確。為了降低這些離群值的影響，為每個(gè)邊緣點(diǎn)引入權(quán)重ωi，使得大的離群值在計(jì)算過程中所占權(quán)重較小。在最小二乘圓擬合算法的基礎(chǔ)上引入Tukey權(quán)重函數(shù)ω（δ），其定義為：

式中：τ—削波因數(shù)；τ—邊緣點(diǎn)到擬合圓的距離[9-10]。

先利用最小二乘算法計(jì)算出各邊緣點(diǎn)到擬合圓的代數(shù)距離，然后借助權(quán)重函數(shù)計(jì)算在后續(xù)迭代中各邊界點(diǎn)所對(duì)應(yīng)的權(quán)重。使用上述算法對(duì)所提取到的亞像素目標(biāo)邊緣進(jìn)行權(quán)重式圓擬合結(jié)果，如圖5所示。從圖5可以看出，擬合后的圓與圓形管腳重合得很好，可以從中獲取管腳的精確位置信息。

圖5 圓擬合結(jié)果Fig.5 The Result of Fitting Circles

4 實(shí)驗(yàn)結(jié)果與分析

為評(píng)估該算法的有效性，將上述算法嵌入到自動(dòng)插件機(jī)系統(tǒng)中，如圖6所示。分別從穩(wěn)定性和算法耗時(shí)兩個(gè)方面評(píng)估其有效性。首先進(jìn)行重復(fù)精度實(shí)驗(yàn)，檢測(cè)該算法的穩(wěn)定性。在同一位置對(duì)同一電容連續(xù)檢測(cè)12次，實(shí)際檢測(cè)中電容器兩個(gè)管腳的位置與管腳間的中心距離，如表1所示。分析實(shí)驗(yàn)數(shù)據(jù)可知，管腳位置極差不超過0.037個(gè)像素，標(biāo)準(zhǔn)差不超過0.012個(gè)像素。根據(jù)標(biāo)定結(jié)果（1pixel≈7.786μm），即管腳位置極差不超過0.288μm，標(biāo)準(zhǔn)差不超過0.093 μm。表明實(shí)驗(yàn)數(shù)據(jù)波動(dòng)較小，即算法具有較高的穩(wěn)定性。

圖6 自動(dòng)插件機(jī)Fig.6 AutoInsertion Machine

表1 重復(fù)精度實(shí)驗(yàn)Tab.1 The Repeatability Accuracy Test

然后檢測(cè)該算法的耗時(shí)情況，實(shí)際檢測(cè)中算法各步驟的執(zhí)行時(shí)間，如表2所示。所測(cè)得數(shù)據(jù)是在雙核2.30GHz CPU，內(nèi)存1G，目標(biāo)圖像大小都為2592×1944像素的實(shí)驗(yàn)條件下統(tǒng)計(jì)得到。算法執(zhí)行總耗時(shí)約為13ms，加上圖像采集所耗時(shí)間，檢測(cè)單個(gè)電容耗時(shí)小于80ms，能滿足自動(dòng)插件機(jī)的實(shí)時(shí)性要求。

表2 算法執(zhí)行時(shí)間表Tab.2 Time of Execution

5 結(jié)論

根據(jù)自動(dòng)插件機(jī)的應(yīng)用需求，設(shè)計(jì)了圖像采集系統(tǒng)及元件管腳視覺檢測(cè)算法。首先，在對(duì)圖像進(jìn)行二值化處理的基礎(chǔ)上利用連通區(qū)域面積特征及最小包圍圓對(duì)管腳粗定位；然后，在構(gòu)建的ROI區(qū)域上用Canny檢測(cè)算子及高斯曲線擬合原理計(jì)算出亞像素級(jí)目標(biāo)邊緣；最后利用Tukey權(quán)重函數(shù)對(duì)其進(jìn)行圓擬合，獲取管腳的精確位置信息。實(shí)驗(yàn)結(jié)表明算法在保證較高穩(wěn)定性的同時(shí)還可以滿足實(shí)時(shí)性的要求。目前該算法已成功應(yīng)用于自動(dòng)插件機(jī)設(shè)備。

［1］夏育平，龍緒明，黃昊.自動(dòng)插件機(jī)的現(xiàn)狀和發(fā)展［C］.2011中國高端SMT學(xué)術(shù)會(huì)議論文集，2012.（Xia Yu-ping，Long Xu-ming，Huang Hao.The status quo and development of automatic insertion machine［C］.China High-level SMT Technology Conference 2011，2012.）

［2］文懷興，馬小琴.LED顯示屏生產(chǎn)專用陣列式高速插件機(jī)設(shè)計(jì)［J］.機(jī)械設(shè)計(jì)與制造，2009（1）：40-42.（Wen Huai-xing，Ma Xiao-qin.Newly developed array type automatic through hole LED panel mounting machine［J］.Machinery Design&Manufacture，2009（1）：40-42.）

［3］付文華.LED插件若干技術(shù)的研究［D］.合肥：合肥工業(yè)大學(xué)，2012.（Fu Wen-hua.Study of a number of technologies about LED plug-in［D］.Hefei：Hefei University of Technology，2012.）

［4］Trier O D，Taxt T.Evaluation of binarization methods for document images［J］.Pattern Analysis&Machine Intelligence IEEE Transactions on，1995，17（3）：312-315.

［5］Valizadeh M，Komeili M，Armanfard N.Degraded document image binarization based on combination of two complementary algorithms［C］.Advances in Computational Tools for Engineering Applications，2009.ACTEA'09.International Conference on.IEEE，2009：595-599.

［6］Otsu N.A threshold selection method from gray-scale histograms［J］.IEEE Trans on Smc，1979（9）：62-66.

［7］岡薩雷斯（美）.數(shù)字圖像處理（第3版）［M］.北京：電子工業(yè)出版社，2011：479-483（GONZALEZ.Digital Image Processing（Third Edition）［M］.Beijing：Publishing House of Electronics Industry，2011：479-483）

［8］Canny J.A computational approach to edge detection［J］.Pattern Analysis&Machine Intelligence IEEE Transactions on，1986，8（6）：679-698.

［9］Steger C，Ulrich M，Wiedemann C.Machine Vision Algorithms and Applications［M］.Weinheim：Wiley-VCH，2007：245-247.

［10］Emo Welzl.Smallest Enclosing Disks（balls and ellipsoids）［M］.New Results and New Trends in Computer Science.Springer，1991：359-370.