遗传算法模板匹配的PCB元件自动检测.ppt

基于遗传算法模板匹配的PCB元件自动检测 A. J. Crispin V. Rankov Int J Adv Manuf Technol (2007) 摘要 表面安装PCB板的自动检测是保证质量、减少制造废品浪费和返工的要求。本文研究定位和识别SMD检测图像中的多个对象的方法。表面安装器件检测的主要难点之一是元件放置的检测。元件放置缺陷如漏贴、偏位或者是错误的旋转元件是主要缺陷必须在回流焊之前或之后进行检测。本文的重点在于定位多对象的对像识别技术；使用灰色模型匹配来为一组元件创建通用模板。研究中使用标准化互相关模板匹配方法并对限制搜索区域以减少计算量的方法进行测试。查找模板位置的方法使用了一个遗传算法，性能优越。最后列出了对典型的PCB图像的实验结果。 1 引言 生产步骤 单面表面安装板的主要生产步骤如图1所示。步骤包括在PCB板上放置焊膏、在正确位置放置元件和将PCB板放入烤炉焊接元件到焊盘上（回流焊）。双面板需要在一个更复杂的装配过程中将穿板元件插到板上。用粘合剂在板的两面固定SMD元件，然后使用峰波焊将元件焊接在板上。 导致缺陷的原因 元件的放置是自动“取-放”的过程，使用一个真空管来从喂料带上拾取元件并将元件放置到板上。真空吹气的时候可能存在元件没有放下来（吹气太弱）或者元件被吹离位置（吃气太强）的情况；X-Y平台机械状况不好时会导致位置偏移的问题。元件放置缺陷包括： （1）漏贴； （2）偏位 （3）偏转 回流焊过程中也会因为焊料特性和气体释放作用引起元件的升起和翻转。 2 模板匹配 使用标准化互相关模板匹配 模板匹配是一个在一个源图像中识别与另一个称之为模板图像的较小的子图像匹配的特征的方法，经常被用于对象识别。基本的模板匹配算法是：模板图像在源图像上移动并在每个位置计算灰度相关度，灰度相关度使用像素亮度来估计模板图像和源图像区域之间的相似度。一般地，在模板匹配算法中使用标准化互相关（NCC）如下式： （1） 其中f(x,y)是源图像中灰阶像素亮度矩阵； 是与模板图像相一致区域的源图像的平均灰阶亮度值； t是模板图像的灰阶像素亮度矩阵； 是模板图像的灰阶像素亮度平均值； c(u, v)的值范围从-1到1并且原图像和模板图像的比例变化与其无关。c(u, v)的最大值的地方即模板和源图像最匹配的地方。 3 灰色模型模板 建立通用灰色模型模板 图2是一个7475集成芯片的PCB源图像和六个贴装电阻。要求是要将7475下面的6个元件进行定位和识别，6个元件是5110或1001贴片电阻。注意到其中一个5110电阻相对其它旋转了180度。6个元件的大小和形状相同，但灰度值不一样，因为元件上面的印刷字符不一样，及元件的生产厂家不一样产品颜色也有区别等。不一致的照明会在原图像产生阴影区域。 方法中使用一组元件的模板图像来建立一个灰色模型模板。这个通过线性组合一组模板图像来平均每个元件图像之间的灰阶亮度值的统计差异。方法从源图像中的六个元件中提取相同大小的模板图像并计算每个图像对应像素值的平均值。图3显示使用从图2中提取六个元件的模板图像创建的通用灰色模型模板图像。 3 灰色模型模板 最大可能性搜索方法 通用模板可以用来搜索区域的最大可能性图像如图4所示。最大可能性X可以通过下式计算： （2） 其中 是协方差矩阵的逆矩阵。协方差矩阵根据对应于模板矩阵的源图像区域像素亮度矩阵及模板像素亮度矩阵计算。在方程中[f-t]转置矩阵是1Xn矩阵，乘以 （nxn矩阵）得出一个1Xn矩阵。再将这个矩阵乘以nx1的[f-1]矩阵得到一个数量值X。X值的范围为0到1。X趋于0，代表模板和对应源图像匹配可能性很高。 在源图像上移动图3所示的通用模板并在每个位置计算协方差和使用式2计算最大可能性，便产生了最大可能性图像。同时也创建对模板旋转一定角度的最大可能性搜索区域图像。图4显示了许多黑色的区域，表示和要定位的元件在图像上的位置匹配可能性很高。六个黑色区域对应贴片电阻的位置，可见计算的通用的模板能够很好的在一个图像上查找多对象。 4 限制搜索区域 Canny 边缘检测 虽然标准化互相关是应用于在图像中检测模式的很好的技术，但是其基于加法和乘法操作，这使得在搜索整个图像是很费计算时间。 源图像的边缘滤波可以用来将搜索区域限制在边缘位置。通过只在边缘位置搜索图像，减少NCC需要执行的计算量。明显和不明显的边缘都需要检测，以便能够进行精确的模板定位。Canny边缘算法，对比其它边缘滤波如Sobel，够很好的检测不明显的边缘