武洪恩，倪良月，王 凱，李紅飛

(山東科技大學 機械電子工程學院，山東 青島 266590)

0 引言

模板匹配法的靈活性較差，且建模需要花費大量的時間和空間，使得算法的運算量加大，不符合貼片機高效率的要求。引腳質心法通過搜索獲得的元件引腳的中點坐標，利用最小二乘法對獲得的中心進行直線的擬合實現(xiàn)元件的定位，該方法簡單且高效，但太過于依賴元件管腳的完整性，當矩形元件的引腳出現(xiàn)輕微不對稱或變形等問題時，就會使該方法的準確性降低。針對當前的研究現(xiàn)狀，本文提出了一種基于Hu矩和遞進Hough變換的SOT元件識別算法。該算法選用基于主體輪廓的面積和Hu矩的特征實現(xiàn)SOT元件的識別檢測，再通過遞進Hough變換對貼片元件進行定位檢測，最后將獲得的參數(shù)傳輸?shù)劫N片機的控制系統(tǒng)，完成對SOT芯片的自動貼裝。

1 基本工作原理

SOT元件的識別定位算法流程圖見圖1。通過工業(yè)相機對采集的圖像進行預處理，提取元件的主體輪廓特征，利用面積法對元件進行初步識別，再通過Hu矩對元件進行精確識別，對于不合格的貼片元件，將其剔除；對于合格的貼片元件，對其進行定位信息的提取。

圖1 視覺算法流程

2 SOT元件識別和定位算法

2.1 圖像預處理

在原始灰度圖像采集的過程中會受到不同強度光源和各種噪聲的影響，為了減少圖像中的干擾信息，方便提取有用的信息，采用中值濾波方法對圖像進行平滑處理。平滑處理后，需要對圖像進行圖像分割，常用的圖像分割方法是閥值分割法(圖像二值化)。閥值分割是根據(jù)目標區(qū)域和背景區(qū)域占據(jù)不同的灰度級進行圖像的分割，設定某一閥值T將圖像分為兩個部分：小于閥值T的用“0”表示，大于閥值T的用“1”表示，表達式為：

(1)

式中，f(x,y)為圖像相應坐標點的灰度值；g(x,y)為閥值分割后圖像相應坐標點的像素值。利用圖像處理工具統(tǒng)計得到貼片元件的灰度直方圖，如圖2所示。

圖2 灰度直方圖

圖2表明，目標區(qū)域和背景區(qū)域的劃分明顯，利用最大間方差法(Ostu)[5-6]完成圖像的閥值分割。對一幅圖像I(x,y),目標區(qū)域的像素點數(shù)占整幅圖像的比例記為ω0,目標區(qū)域的平均灰度記為μ0，背景區(qū)域的像素點占整幅圖像的比例記為ω1，背景區(qū)域的平均灰度記為μ1，類間方差記為g，則最大間類方差的表達式為：

g=ω0ω1(μ0-μ1)2

(2)

當方差g最大時，認為此時的目標區(qū)域和背景區(qū)域的差異最大，即T為最佳閥值。最后利用最佳閥值T對圖像進行分割處理，得到SOT元件的二值化圖像。

股骨頸骨折手術治療后,深靜脈血栓形成率比較高,是一種常見的股骨頸骨折術后并發(fā)癥。深靜脈血栓形成對股骨頸骨折手術治療效果會產(chǎn)生十分重要的影響,容易降低手術治療的有效性,從而降低患者的生活質量[3]。通過有效的護理管理措施,對深靜脈血栓的形成可以起到一定的預防性作用,降低其發(fā)生率[4]。

對貼片元件進行閥值分割得到的二值化圖像還存在一些引腳的離散點，可能對圖像輪廓特征提取時造成影響，為了對圖像的輪廓進行精確地提取，采用形態(tài)學開運算對二值化圖像進行處理。開運算是先腐蝕后膨脹的過程，其定義為：

A°B=(AΘB)⊕B

(3)

式中，A為目標圖像元素，B為結構元素。

2.2 圖像輪廓的提取與跟蹤

為了提取目標圖像的輪廓信息，先通過去除內部像素點的方法，對元件主體輪廓二值化圖像進行輪廓提取；再采用八鄰域輪廓跟蹤算法[7]進行目標元件的輪廓信息提取。八鄰域示意圖見圖3。記從(x+1,y)開始逆時針方向的像素點分別為(x，y)的0鄰域、1鄰域...7鄰域。利用八鄰域算法進行輪廓跟蹤時，首先從圖像的左上角出發(fā)，尋找第一個非0的點，作為輪廓跟蹤的起點P0，記錄其坐標值；再以P0為起點，沿0鄰域到7鄰域的方向依次查找下一個輪廓跟蹤點，記錄其坐標值；最后按照上述規(guī)律依次查找其它輪廓跟蹤點，直到邊緣點Pn的下一個跟蹤點為P0時，輪廓跟蹤結束。

圖3 八鄰域示意圖

2.3 SOT元件的識別

本文先利用輪廓的面積對元件進行初始篩選，設元件的輪廓面積在S1～S2之間，如果元件的輪廓面積在此范圍內，則初步認定為合格芯片；再利用Hu矩對SOT貼片元件進行精確識別。

設大小為M×N的二維圖像用f(x,y)表示，圖像的(p+q)階幾何矩mpq定義為：

(4)

圖像的(p+q)階中心矩μpq定義為：

(5)

(6)

Hu[8]利用二階和三階歸一化中心矩推出了7個不變矩組,本文只應用前3個M1～M3:

M1=η20+η02

(7)

(8)

M3=(η30-3η12)2+(3η21-η03)2

(9)

可以從上述Hu矩的計算中提取目標圖像的中心坐標：

(10)

2.4 改進Hough變換

2.4.1 傳統(tǒng)Hough變換

傳統(tǒng)Hough變換檢測直線的思想，是利用點線對偶將圖像空間中直線的檢測問題，轉化為參數(shù)空間的點的檢測問題，以此為依據(jù)進行直線的提取[9]。常用表達式為：

ρ=xcosθ+ysinθ

(11)

式中，ρ為極徑，θ在[0,π)內取值，x為像素點的行坐標，y像素點的列坐標。

為了進一步對傳統(tǒng)Hough變換的精度進行分析，圖像空間中，記M×N圖像像素的灰度值為I(xi,yi)；參數(shù)空間中，令ρ的采樣個數(shù)為Q，θ在[0,π)區(qū)間均勻的取K個離散值，記圖像所有像素點灰度值累加器單元為H(ρq,θk)，對θ進行步距為Δ的直線檢測。則直線檢測中的Hough變換可表示為：

(12)

2.4.2 遞進Hough變換

為了提高檢測速度，滿足貼裝要求，改進了Hough變換，采用步距由大到小的遞進方式進行直線檢測[11]。遞進Hough變換算法步驟為：

(2)搜索目標圖像中所有的像素點，將找到的像素點根據(jù)公式(6)映射到參數(shù)空間；

(3)對θ在[0,π)區(qū)間內進行步距為Δ1的直線粗檢測，并在參數(shù)空間內將累加器對應的位置加1；

(4)進行所有點的掃描，比對每個累加器的值，選取參數(shù)空間H(ρq,θk)值最大的累加器單元為最優(yōu)直線，取其與x軸的夾角θx；

3 實驗結果與分析

本文采集100張元件的圖像作為實驗樣本，利用計算機視覺庫(OpenCV)[12-13]，計算元件的輪廓面積，然后將其進行數(shù)學統(tǒng)計，得到的實驗樣本的輪廓面積分布圖，見圖4。由圖4可知，元件的輪廓面積在1803～1849mm2范圍內，輪廓面積在此區(qū)間內的元件，初步認定為合格元件，還需進行Hu矩的精確識別檢測。

圖4 輪廓面積分布圖

針對Hu矩進行實驗，對上述采集的100張圖像，分別進行Hu矩的計算，將得到M1,M2，M3矩分別進行數(shù)學統(tǒng)計，見圖5。由圖5可知，M1的范圍為(0.134,0.16)，M2的范圍為(0.00345,0.006)，M3的范圍為(2.507×10-6,4.859×10-6)。將Hu矩不在此范圍內的元件認定為缺陷元件，將其剔除。

(a) M1矩數(shù)值分布圖

(b) M2矩數(shù)值分布圖

(c) M3矩數(shù)值分布圖 圖5 Hu矩數(shù)值分布

SOT元件的類型比較多，本文選取常用的SOT223和SOT233類型的元件作為實驗對象，分別采集200張圖像作為實驗樣本。對上述采集到的元件圖像，分別采用文中算法和傳統(tǒng)模版匹配算法進行識別定位，具體參數(shù)見表 1。由表1可知，本文算法的元件識別率較通常的模板匹配法有所提升，且本文所述算法的用時較短，提高了識別效率，也間接提高了貼片機的貼裝質量。

表1 算法識別率的比較結果

SOT元件定位時，在不同貼片元件中識別出合格的SOT233元件，實驗圖像見圖6。在識別的基礎上，通過文中所述算法和模版匹配算法，提取SOT233元件的中心，中心用圓點標記，效果見圖7，得到的特征參數(shù)見表2。

圖6 實驗圖像

圖7 識別效果圖

序號基準角度/°基準坐標本文算法計算坐標計算角度/°坐標誤差角度誤差/°1-23(213,78)(212.46,77.3)-23.040.850.04213(341,75)(341.47,75.8)13.091.00.093-45(51,49)(51.49,48.45)-450.730435(347,47)(346.98,47.2)35.071.010.07

續(xù)表

從表2可以看到，本文算法的元件中心偏移誤差最大為1.01，且偏移角度精度達到0.09°，優(yōu)于通常的模板匹配算法。因為本文利用遞進Hough變換進行芯片定位時，對θ采用步距由大到小的遞進方式進行直線檢測，大大提高了檢測精度。在本文的算法下，芯片中心偏移誤差在1.5個像素內，偏移角度在0.1°內，能較好滿足貼片機高質量高精度的要求。

4 結論

本文針對提高SOT元件的貼裝質量和貼裝精度的問題，提出了一種基于Hu矩和遞進Hough變換的SOT元件識別算法。本算法先利用元件主體輪廓的面積對貼片元件進行初始識別，再利用Hu矩對元件進行精確識別，不僅提高了貼片元件的正確識別率，而且間接提高了貼片機的貼裝質量。并通過遞進Hough變換對主體輪廓進行定位檢測，定位精度高，處理速度快，能較好滿足實際生產(chǎn)中的貼裝要求。