一种印刷电路板中Mark点的识别与定位方法.pdf

-97-CHINA SCIENCE AND TECHNOLOGY INFORMATION Mar.2024中国科技信息 2024 年第 6 期三星推荐PCB 在为各行各业提供基础支撑的同时，也在逐渐地向高精度、高密度、高集成化方向发展。如何实现高精度的PCB 定位，是实现高精度表面贴装（Surface Mounting Technology，SMT）、高精度接触式检测的前提条件。传统的 PCB 定位方法包含有机械式定位、机器视觉定位两种。机械式定位又分边定位和孔定位。边定位是通过挤压PCB 的两个边，使 PCB 固定于某一治具当中；而孔定位则是让定位销穿过 PCB 上的定位孔，对 PCB 起到定位和固定作用。机械式定位方式操作烦琐、不方便。机器视觉定位则采用非接触式定位，通过识别 PCB 上的多个（通常为三个）光学标定点（又称为基准点，简称 Mark 点），来构建PCB 的平面坐标系，进而确定其他元器件相对于 Mark 点的位置，实现定位作用。由于机器视觉定位精度较高，目前在 SMT 中使用较多。圆形 Mark 点的识别定位已经有较多的研究成果。Paul Hough 率先提出霍夫圆变换算法，Zhou Lanfeng、李建森等分别根据圆的几何特征对霍夫圆变换进行改进，减少了计算复杂度，提高了运行速度，但在复杂背景、圆残缺的情况下，检测效果较差。熊保玉将最小误差抽样、聚类算法与霍夫算法相结合，提高了圆检测的稳定性。Schneider Viktor J 使用精简霍夫算法实现了圆的实时检测。包晓敏等结合置信图改进 BBS 算法，并将其应用到 SIFT 算法中，实现了PCB中Mark点的定位，同时提高了算法的定位效率，但在 Mark 点残缺或存在遮挡的情况下，会发生误匹配定位准确性不高。周欣则比较了霍夫圆变换算法与模板匹配算法在进行 Mark 点定位时的优劣，指出霍夫圆变换的复杂性和较高的鲁棒性，而模板匹配算法则具有快速性，但鲁棒性较低。熊光洁、程亚彬、刘阳使用最小二乘法拟合算法定位圆孔中心坐标，可实现对完整圆的精确定位，但未进行对残缺圆的拟合实验或实验结果较差。高志亨利用 RANSAC 算法思想，使用两次最小二乘法拟合算法对圆形 Mark 点进行拟合，提高了拟合精度。张舞杰等提出了改进的 RANSAC 算法实现 PCB 中 Mark 点的拟合，该算法可有效适应 Mark点残缺、凸出等情况。RANSAC 算法是针对最小二乘法的优化，可以克服异常点的干扰，拟合精度较高，但其属于一种概率算法，需要进行多次迭代才能够得出精度较高的结果，所需时间较长。综上所述，当前 PCB 中 Mark 点的定位算法专注于对标准的圆形轮廓进行拟合、定位，而对于残缺、凸出的圆形轮廓的定位研究相对较少。为此，本文提出了一种对残缺圆行业曲线开放度创新度生态度互交度持续度可替代度影响力可实现度行业关联度真实度本文针对视觉准确识别和定位 PCB 板的 Mark 点，提出轮廓最小外接圆与最小二乘法结合的定位算法的观点。在自动化定位点测电子信号行业起到作用。如付诸现实将产生相比手动信号测试，自动定位点测信号效率提升 90%，同时提升了信号测试准确率和标准化的经济效益。一种印刷电路板中 Mark 点的识别与定位方法徐小军 常文涛 史全意徐小军 常文涛 史全意合肥联宝信息技术有限公司徐小军（1982），主任工程师，主要研究计算机图形处理，电子信号自动化测试，计算机硬件研发与设计。常文涛（1984），资深工程师，主要研究电子信号自动化测试，计算机硬件研发与设计。史全意（1986），高级工程师，主要研究信号自动化测试和多机械臂协同和路径规划。中国科技信息 2024 年第 6 期CHINA SCIENCE AND TECHNOLOGY INFORMATION Mar.2024-98-三星推荐或凸出圆具有较强适应性的 Mark 点定位算法。其利用最小外接圆与最小二乘法对采集到的 Mark 点图像进行准确识别和定位。该定位算法主要分为三个步骤：（1）对采集到的图像进行预处理；（2）提取 Mark 点的轮廓点，计算轮廓点的最小外接圆，并利用先验条件对轮廓进行分类：有凸出轮廓、无凸出轮廓；（3）针对不同类型的轮廓提出不同的拟合方式。图 1 所示为该算法的简易流程图。定位算法实现图像预处理图像在采集和传输的过程中会产生噪声，对图像进行预处理是为了尽可能地降低这些噪声对图像的影响，同时过滤掉图像中的无用信息，减少图像处理过程中的计算量。图像的预处理包含有图像灰度化、图像滤波、图像二值化、轮廓点提取等。本文中使用到的图像均为工业相机采集获得。本文中使用的工业相机的型号为：OPT-CM200-GM-04，其分辨率为，工作距离为，视野范围在，搭配使用75mm焦距的镜头。根据公式（1）可计算获得相机的单个像素精度为。（1）理论上来说，像素精度沿像素的 x 方向和 y 方向应当是一致的，但由于制造过程中存在误差，并不能够保证像素在两方向一致。本文使用的像素精度为两方向中像素精度较低的一方。图像灰度化本文中相机采集到的图像为黑白图像，但其本质上仍是包含有 RGB 的 3 通道图像。为了简化运算矩阵需要对图像进行灰度化处理，使其从 3 通道变为单通道。针对图像的灰度化处理有分量法、最大值法、平均值法以及加权平均法。加权平均法是根据人眼对不同颜色的敏感程度对 RGB 三个通道分别取不同的权重，进而得到灰度图像的一种方法。本文使用的灰度化方法为加权平均法。其计算公式如下：Gray=0.299R+0.578G+0.114B图 2 和图 3 分别为相机采集到的原图像以及灰度化后的图像。图 4 中标注了本文的检测目标即 Mark 点区域。图像滤波图像滤波是去除图像采集、传输过程中带来的噪声信号的一种有效办法。通常使用到的滤波方式有中值滤波、均值滤波、高斯滤波等。使用上述三种滤波方法均需要先确定滤波核的尺寸大小。通常采用的滤波核尺寸有 33、55、77 等。以33 的滤波核为例，中值滤波会计算图像在该滤波核覆盖范围下的九个像素值的中值，用中值像素值代替目标点的像素图 1 算法流程图图 4 检测目标图 2 相机采集原图像图 3 灰度化图像-99-CHINA SCIENCE AND TECHNOLOGY INFORMATION Mar.2024中国科技信息 2024 年第 6 期三星推荐值。这种滤波方法可有效去除椒盐噪声，且能够保证图像的细节信息，不改变图像边缘线条的粗细。均值滤波与中值滤波相似，其使用滤波核覆盖范围下的九个像素值的均值代替目标点的像素值。该方法在去除噪声的同时，会使得图像信息变得模糊。高斯滤波使用高斯滤波核，其对滤波核覆盖下的九个像素值按照高斯分布取不同的权重，并用它们的和代替目标点像素值，可以有效去除高斯噪声，同样也会使图像产生一定程度的模糊。考虑到之后需要进行的轮廓提取操作，本文滤波对于线条细节的要求较高。因此采用中值滤波的方式对图像进行处理。在滤波时所使用到的滤波核的大小为 33。图 5 为图像的中值滤波结果。图像二值化图像二值化是在灰度图像的基础上进一步简化图像矩阵的方法，其在简化图像矩阵的同时，又将感兴趣区域给最大限度地保留了下来。将图像灰度矩阵中的像素值以某一阈值进行分类，大于该阈值的像素设为 255，小于该阈值的像素值设为 0。当选取的阈值过小时，二值化滤除的信息较少，图像当中仍旧保留有大量的无用信息；当选取的阈值过大时虽然过滤掉了较多的无用信息，但也造成 Mark 点周围信息的丢失。分析 Mark 点周围像素值的分布，容易看出 Mark点区域和其周围区域存在较大明暗对比。因此可采用较高的阈值，过滤掉大部分信息。经过参数的调试，本文中所选用的二值化阈值为 120。图 6 分别为阈值为 80、120、170 时的二值化图像。当阈值为 80 时，图像中还包含较多的轮廓信息，这为之后轮廓的筛选带来的难度。当阈值为 170 时，虽然其过滤了大多数轮廓，但 Mark 点边缘存在像素丢失问题。图像轮廓筛选与分类拟合在获取到二值化图像之后就要进行轮廓的提取；而后通过对轮廓的筛选，获得 Mark 点的轮廓；进而根据先验条件，判断轮廓是否存在凸出，并据此选择不同的拟合方法。图像轮廓筛选图 7 所示为二值化阈值为 120 时提取到的轮廓图像，其中的红色线条为提取到的轮廓。从图中可以看出，提取出来的轮廓大小、形状各异。除（c）阈值为 170 时的二值化图像图 6 图像二值化（a）阈值为 80 时的二值化图像（b）阈值为 120 时的二值化图像了 Mark 点的圆形轮廓外，图中还包含有面积很小的圆形轮廓，因此想要从中筛选出 Mark 点的轮廓，需要使用到一些先验条件，如 Mark 点轮廓的面积、形状等。实 际 测 量 Mark 点 的 直 径 为 1.016mm，面 积 约 为0.785mm2。文中使用的相机的像素精度为 0.012mm/pix，将 Mark 点的面积换算为像素面积则为 5 451pix。根据 Mark 点的像素面积来对图 7 中获取到的轮廓进行初步筛选。筛选时使用到的参数包含筛选轮廓的最小和最大像素面积。考虑到图像为像素图像，像素图形在边缘上会存在一定量像素格的损失，且轮廓会存在凸起和残缺的情况，因此将最小像素面积设置为：4 000pix，最大像素面积设置为 7 000pix。筛选后剩余轮廓图像如图 8 所示。与图 7 相比，图 5 图像中值滤波中国科技信息 2024 年第 6 期CHINA SCIENCE AND TECHNOLOGY INFORMATION Mar.2024-100-三星推荐算法 1.轮廓筛选及最小外接圆算法输 入：二 值 化 图 像 矩 阵 img，目 标 轮 廓 最 小 面 积minArea，最大面积 maxArea输出：Mark 点定位圆心和半径1.提取 img 的轮廓，保存为 contours2.初 始 化 满 足 面 积 要 求 的 轮 廓 列 表 contour_beter None3.FOR contours /遍历所有轮廓4.IF minArea contour 的面积 444.最小二乘法拟合，获取拟合半径 r5.IF r 44 /第一次拟合完成后，r 不符合误差要求6.计算轮廓上点到拟合圆心的距离 d7.摒弃 d r+E 的点8.对新的点集进行最小二乘法拟合图 14 最小二乘法算法拟合残缺 Mark 点轮廓图 13 最小外接圆算法拟合残缺 Mark 点轮廓图 12 残缺 Mark 点图像图 11 最小二乘法算法拟合凸出 Mark 点轮廓中国科技信息 2024 年第 6 期CHINA SCIENCE AND TECHNOLOGY INFORMATION Mar.2024-102-三星推荐9.输出拟合半径 r10.Else：11.输出轮廓最小外接圆半径 R将算法1与算法2合并即为本文所提出的完整定位算法，其可有效克服轮廓残缺和轮廓凸出所带来的异常点的干扰。实验验证本文利用实际采集到的图像制作了相关数据集，该数据集包含正常轮廓 50 张，根据正常轮廓制作而成的凸出轮廓50 张，残缺轮廓 50 张。使用本文提出的算法、霍夫圆检测算法设计了对照实验，用于对比二者在多种情况下 Mark 点的识别准确性、圆心的坐标定位精度以及半径的计算精度。由于实际中并不能够获取到图像上圆的真实圆心坐标，因此，本文考虑使用能够进行精确拟合的 RANSAC 算法进行圆心坐标拟合，并以其拟合结果作为对照组。RANSAC算法基本上不受噪声的影响，因此在直线、圆等的数据拟合中具有极佳的表现。本文所使用的 RANSAC 算法的伪代码如算法 3 所示，其迭代次数为 10 000 次。算法 3.RANSAC 算法输入：拟合点集、迭代次数、最小点集 n、误差阈值、模型最小内点率输出：最优模型1.计算拟合点集总样本数 N2.初始化模型误差 E0、最优模型 BM None、真实迭代次数 03.WHILE 真实迭代次数 模型最小内点率9.拟合所有满足模型的内点，得到新模型10.计算模型误差 E111.IF E1 E012.E0 E113.BM M14.输出最优模型 BM本文的实验环境实验电脑配置：处理器为 i7-4790CPU，机带 RAM 为8GB。使用 Python3 语言结合 4.5.5.64 版本的 OpenCV库进行代码编程。Mark 点识别准确度本文算法所使用的参数如下：二值化阈值参数 120，Mark 点 最 小 面 积 minArea 为 4 000pix，最 大 面 积maxArea 为 7 000pix。霍夫圆变换算法所使用的参数如下：本文在执行霍夫圆变换算法前首先对图像进行预处理，图像滤波、二值化等操作；而后使用 Canny 算子对图像进行边缘检测，算法参数分别为：低阈值 15，高阈值 30；而后使用 OpenCV 中霍图 16 霍夫圆变换算法定位失败图像夫圆变换算法函数 cv2.HoughCircles（），并设置允许检测圆的最小半径 38mm，最大半径 44mm，并设置其参数param1 为 120，param2 为 20。以上参数为经过多次调试后得到的实验结果较好的参数。实验结果如表 1 和表 2 所示。表 1 本文算法中 Mark 点识别准确度标准轮廓残缺轮廓凸出轮廓总图像数505050识别数484648定位准确率96%92%96%总计94.7%表 2 霍夫圆变换算法中 Mark 点识别准确度标准轮廓残缺轮廓凸出轮廓总图像数505050识别数444040定位准确率88%80%80%总计82.7%本文算法在标准、残缺、凸出轮廓的识别上都具有较高的准确性，总体识别准确率为 94.7%，相比于霍夫圆变换的总体识别率高出 12%。通过分析本文算法定位失败的图像，发现定位失败的图像大多属于图像残缺区域过大或者图像凸出区域过大，导致在进行轮廓筛选时不能够准确根据轮廓形状进行筛选。标准图像定位失败的原因主要是图像中存在于 Mark 点尺寸类似的圆形轮廓，导致算法误判。通过分析霍夫圆变换算法定位失败的图像，发现定位失败的图像大多属于 Mark 点之上存在较多灰尘杂质的图像。这在一定程度上影响了霍夫梯度算法对圆心的判断。图像如图 16 所示。Mark 点定位精度本文使用迭代 10 000 次的 RANSAC 拟合的圆心数据作为对照组，如表 3 为部分数据，其中误差按 x、y 轴误差的平方和均值来算，表 3 中坐标均为像素坐标。将两算法的标准图像、残缺图像、凸出图像分别与RANSAC 算法的拟合坐标进行比较，二者误差统计结果如表 4、表 5。-103-CHINA SCIENCE AND TECHNOLOGY INFORMATION Mar.2024中国科技信息 2024 年第 6 期三星推荐表 4 本文算法定位误差标准轮廓残缺轮廓凸出轮廓坐标误差1.6511.7088.686总误差4.051表 5 霍夫圆变换算法定位误差标准轮廓残缺轮廓凸出轮廓坐标误差1.7641.1801.764总误差1.570就标准轮廓和残缺轮廓定位误差而言，本文算法与霍夫圆变换算法的定位精度处于同一水平。但本文算法针对凸出轮廓定位方面的误差几乎是霍夫圆变换算法的五倍，这是本文算法的不足之处，需要进行后续的改进。Mark 点半径拟合精度已知 Mark 点的真实半径为 42.3pix，根据本文算法与霍夫圆变换算法对半径的拟合，求取半径的均方误差，结果如表 6 和表 7 所示。表 6 本文算法半径拟合误差标准轮廓残缺轮廓凸出轮廓半径误差2.4743.1721.994总误差2.547表 7 霍夫圆变换算法半径拟合误差标准轮廓残缺轮廓凸出轮廓半径误差5.1205.0605.785总误差5.327表 3 部分圆心定位数据图序RANSAC霍夫圆变换本文算法1（1 592.609，708.226）（1 591.5，706.5）（1 592.068，705.181 3）2（1 040.574，608.757）（1 040.5，608.5）（1 042.513，605.791）3（1 254.528，974.640）（1 254.5，974.5）（1 255.147，971.235）4（1 249.722，243.947）（1 250.5，241.5）（1 249.796，243.543）5（502.061，909.972）（500.5，910.5）（502.773 1，910.111）6（1 329.476，827.617）（1 330.5，828.5）（1 330.232，827.232）7（1 353.631，418.678）（1 354.5，418.5）（1 353.813，418.176）8（942.443，322.432）（941.5，321.5）（943.25，321.5）9（247.193，1 026.626）（247.5，1 027.5）（247.833，1 025.76）10（1 306.304，391.751）（1 305.5，190.5）（1 307.038，391.237）误差2.1053.928由表 6、7 中的数据可知，本文算法在轮廓拟合方面的精度相比于霍夫圆变换精度提高了 2 倍左右。结语本文提出了一种将最小外接圆与最小二乘法相结合的融合定位算法。该算法可用来解决圆形 Mark 点在实际定位过程中所遇到的由于轮廓残缺、凸出等造成的识别准确率低、定位精度低的问题。该定位算法主要分为三个步骤：（1）对图像进行预处理；（2）提取 Mark 点的轮廓点，计算轮廓点的最小外接圆，利用先验条件对轮廓进行分类：轮廓有凸出、无凸出；（3）针对分类后的轮廓提出不同的拟合方式。本文基于 Mark 点轮廓的面积以及轮廓的形状对 Mark 轮廓进行筛选，在复杂背景中正确定位到 Mark 点轮廓，并针对轮廓是否残缺、凸出等情况对轮廓进行拟合，定位轮廓的圆心与半径。本文通过实验验证了该算法与霍夫圆算法之间的优劣。本文算法对 Mark 点的定位准确性相比霍夫圆算法提高了 12%，半径拟合精度是霍夫圆变换算法的 2 倍，在标准图像与残缺图像的圆心定位上与霍夫圆变换算法精度相仿，但对凸出轮廓的圆心定位精度而言，霍夫圆变换定位精度是本文算法定位精度的 5 倍左右。凸出轮廓的拟合算法，将在后续的工作计划中进行深入探索与研究。