基于模板匹配的光纖收發(fā)PCB板目標(biāo)檢測(cè)

孫煉杰 樊 臻

(浙江大學(xué)電氣工程學(xué)院 浙江 杭州 310027)

0 引 言

在現(xiàn)代工業(yè)制造業(yè)中，經(jīng)常需要通過(guò)判斷物體的幾何尺寸，進(jìn)而評(píng)判該產(chǎn)品是否為合格品，其中最為典型的是間距的測(cè)量。而對(duì)于指定目標(biāo)的準(zhǔn)確識(shí)別算法設(shè)計(jì)是搭建自動(dòng)化產(chǎn)品檢測(cè)系統(tǒng)的前提條件。在傳統(tǒng)的制造業(yè)中，通常用肉眼的方式從工業(yè)相機(jī)所攝取的圖片上完成這一固定目標(biāo)識(shí)別。隨著數(shù)字圖像處理技術(shù)日益進(jìn)步，研究者熱衷于開(kāi)發(fā)相應(yīng)的機(jī)器視覺(jué)算法，從而代替人的眼睛自動(dòng)完成一系列高精度目標(biāo)的判別與測(cè)量[1]。

自從光纖通信技術(shù)的問(wèn)世，使得大規(guī)模、高速率的通信變成了現(xiàn)實(shí)，它使整個(gè)通信領(lǐng)域發(fā)生了革命性的變化，目前已逐漸成為最主要的信息傳輸技術(shù)之一[2]。光纖通信產(chǎn)品的加工和檢測(cè)有非常高的精度要求，手工操作、肉眼檢測(cè)等傳統(tǒng)操作方式不僅效率低、不適宜于大規(guī)模生產(chǎn)，并且測(cè)量誤差比較大。從事光纖產(chǎn)品制造的廠(chǎng)家為提高生產(chǎn)加工效率和產(chǎn)品檢測(cè)精度，著力于開(kāi)發(fā)一套符合大批量生產(chǎn)需求的檢測(cè)系統(tǒng)軟件，而高效的視覺(jué)算法正是這一自動(dòng)檢測(cè)系統(tǒng)的核心內(nèi)容。

模板匹配技術(shù)[3]是目前數(shù)字圖像處理特別是在目標(biāo)識(shí)別領(lǐng)域的主要研究方向。本文圍繞對(duì)于模板匹配算法的研究展開(kāi)，通過(guò)分析光纖收發(fā)PCB板的產(chǎn)品特性改進(jìn)了基于形狀[4]和基于灰度值[5]的模板匹配數(shù)學(xué)模型，建立單個(gè)PCB自動(dòng)識(shí)別的整體算法，實(shí)現(xiàn)PCB板六個(gè)光學(xué)中心的高精度模板匹配和測(cè)量。

1 模板匹配及其數(shù)學(xué)模型

在數(shù)字圖像處理中，模板匹配技術(shù)是根據(jù)已知的模板，在一定的區(qū)域范圍內(nèi)來(lái)尋找最佳匹配點(diǎn)的坐標(biāo)位置，本質(zhì)上就是通過(guò)一些相似度準(zhǔn)則來(lái)衡量?jī)蓚€(gè)圖像之間的相似度問(wèn)題[6]。一般模板匹配技術(shù)可分為基于灰度值的模板匹配和基于形狀的模板匹配兩大類(lèi)[7-9]。這兩種匹配方式是本文圖像識(shí)別算法設(shè)計(jì)中最為核心的內(nèi)容。

1.1 基于灰度值的模板匹配及數(shù)學(xué)模型

基于灰度值的模板匹配，即模板在給定搜索區(qū)域中做相似度匹配時(shí)，灰度值作為匹配過(guò)程中的最主要依據(jù)。這一算法一般廣泛用于灰度值差別顯著的靜態(tài)圖像識(shí)別[10]。

一般灰度值匹配的數(shù)學(xué)模型如下：將搜索區(qū)域坐標(biāo)定義為S(xs,ys)，模板區(qū)域坐標(biāo)定義為T(mén)(xt,yt)，像素坐標(biāo)(x,y)處的灰度值為G(x,y)，指定點(diǎn)處匹配區(qū)域與模板絕對(duì)差值為：

Diff(xs,ys,xt,yt)=|G(xs,ys)-G(xt,yt)|

(1)

而相似度評(píng)判標(biāo)準(zhǔn)主要是這些絕對(duì)差值的總和，將其定義為SAD(Sum of absolute differences)：

(2)

由于相似度函數(shù)SAD是像素絕對(duì)差值的累加和，顯然SAD值越小說(shuō)明該區(qū)域與模板的相似程度越高。SAD利用了模板圖像的所有像素信息[11-13]，這一算法在構(gòu)造上比較簡(jiǎn)單，容易實(shí)現(xiàn)，能夠解決很大一部分在光照不變條件下的最佳相似度匹配問(wèn)題。而對(duì)于光照影響較大情況下的模板匹配，通常構(gòu)造歸一化系數(shù)：

(3)

R越接近于1，則匹配程度越高。

1.2 基于形狀的模板匹配及數(shù)學(xué)模型

對(duì)于匹配對(duì)象具有很明顯的內(nèi)部固定特征紋理或外部邊緣輪廓[14]，此時(shí)基于形狀的模板匹配會(huì)是最佳選擇。形狀匹配的優(yōu)點(diǎn)在于精度高，支持目標(biāo)物體的部分遮擋[15]，并且對(duì)光照不敏感。

形狀匹配主要分為“形狀特征提取”和“形狀特征匹配”兩個(gè)步驟，如圖1所示。“形狀特征提取”主要是將圖像中所包含的形狀信息轉(zhuǎn)變?yōu)閿?shù)值、向量或其他更復(fù)雜的形狀描述符[16]。其中形狀描述符中形狀區(qū)分能力的強(qiáng)弱直接影響形狀識(shí)別的結(jié)果，所以形狀匹配的很多工作都集中于特征提取上。“形狀特征匹配”是對(duì)形狀間整體及局部對(duì)應(yīng)關(guān)系分析的過(guò)程，最終得到一個(gè)形狀相似度結(jié)果。

圖1 形狀匹配步驟圖

以下通過(guò)如圖2中不同形狀的A為例闡述形狀匹配的主要數(shù)學(xué)模型。

圖2 不同形狀的A圖形

1) 截取一些有限的點(diǎn)作為模板的特征形狀P={p1,p2,…,pn}，這些離散的點(diǎn)表征著模板的特征信息，實(shí)際操作時(shí)可以根據(jù)模板圖片的特性，提取外層邊緣輪廓或者內(nèi)層邊緣輪廓的一系列點(diǎn)作為模板的特征信息。

2) 基于步驟一種所采集到的n個(gè)點(diǎn)，從第i個(gè)像素點(diǎn)至剩余的n-1個(gè)點(diǎn)建立向量集vector(i)，而所有的向量集vector(i)，i=1,2,…,n表征著特征形狀內(nèi)部的所有參數(shù)信息。顯然分析這一數(shù)據(jù)是非常龐大的，在算法設(shè)計(jì)時(shí)需要省略一系列向量(即省略不是非常重要的信息)，使算法變得簡(jiǎn)易并且仍舊保留魯棒性。以下定義hi作為能夠勝任上述工作的向量集:

hi(k)=#{q≠pi:(q-pi)∈bin(k)}

(4)

3) 將模板點(diǎn)pi與匹配點(diǎn)qi進(jìn)行相似度比較， 建立兩個(gè)像素點(diǎn)之間的匹配函數(shù)為Cij：

(5)

同理可分析其余像素點(diǎn)之間的模板匹配。

2 基于模板匹配的PCB圖像處理算法

2.1 光纖收發(fā)PCB圖像模板選取及其識(shí)別工藝

在生產(chǎn)檢測(cè)中需要自動(dòng)識(shí)別光纖收發(fā)PCB元件的光學(xué)中心，如圖3箭頭所指向的位置，值得注意的是圖3并不是完整的收發(fā)PCB板，視野中只是讀取了需要檢測(cè)的區(qū)域。

圖3 放大的光纖收發(fā)PCB元件圖

在圖3的檢測(cè)區(qū)域中，左側(cè)五個(gè)箭頭所指向的中心，其四周環(huán)繞有規(guī)則、明顯黃色紋理，故稱(chēng)之為黃圈光學(xué)中心。而最右邊箭頭所指向的中心，其四周像素較低，稱(chēng)之為黑圈光學(xué)中心。傳統(tǒng)的檢測(cè)工藝為：操作員用肉眼確定上圖紅色箭頭所指代的光學(xué)中心，然后根據(jù)位置坐標(biāo)測(cè)量?jī)蓛晒鈱W(xué)中心的間距。為自動(dòng)識(shí)別圖3中箭頭所指代的六個(gè)光學(xué)中心，需要根據(jù)基于形狀的模板匹配思路和基于灰度值的模板匹配思路設(shè)計(jì)算法。模板選取如圖4所示。

圖4 模板選取圖組

2.2 改進(jìn)的模板匹配

2.2.1 形狀匹配特征點(diǎn)選取

所謂特征點(diǎn)，即在像素上有顯著不同的點(diǎn)[17]。形狀匹配的關(guān)鍵在于模板特征點(diǎn)的提取，早期基于輪廓的形狀提取方法通常是直接對(duì)剪影輪廓進(jìn)行分析。剪影輪廓對(duì)于提取目標(biāo)輪廓點(diǎn)集而言雖然簡(jiǎn)單，只能反映整體模板的邊緣信息并不能反映模板內(nèi)部的結(jié)構(gòu)機(jī)理。這種方法對(duì)于信息的表示并不完整，容易產(chǎn)生誤匹配現(xiàn)象。

提取特征點(diǎn)，通常用該像素點(diǎn)的灰度值與其周?chē)袼攸c(diǎn)的差絕對(duì)值之和是否大于給定閾值的方法。由于固定的閾值缺乏抗噪能力，雖然傳統(tǒng)的各種邊緣提取算子都可以完成特征點(diǎn)的提取工作，但降低了對(duì)于模板提取的準(zhǔn)確性。為了克服這一點(diǎn)，本文借助Carry算子中的滯后閾值法提取黃圈模板內(nèi)部具有較明顯的內(nèi)部紋理特征點(diǎn)。該方法在提取邊緣點(diǎn)時(shí)能有效地將噪聲點(diǎn)區(qū)分出來(lái)。具體步驟如下：

1) 先設(shè)定一個(gè)高閾值為H，用Sobel算子對(duì)模板進(jìn)行第一次梯度運(yùn)算，所提取的特征點(diǎn)為PH={P1,P2,…,Ph}；

2) 設(shè)定一個(gè)低閾值為L(zhǎng)，用Sobel算子對(duì)模板進(jìn)行第二次梯度運(yùn)算，所提取的特征點(diǎn)為PL={P1,P2,…,Pl}；

3) 將PH與PL中具有連通關(guān)系的像素點(diǎn)提取出來(lái)Pψ={P1,P2,…,Pξ}，并在Pψ中像素去掉小于M的輪廓，最終得到離散特征點(diǎn)PY={P1,P2,…,Py}。

作梯度運(yùn)算時(shí)，需要選取恰當(dāng)?shù)拈撝担拍艿玫椒夏０鍍?nèi)部紋理信息的特征點(diǎn)如下圖 5(b)所示(選取H=100，L=50)。若選取的閾值過(guò)小時(shí)，所選取的特征點(diǎn)數(shù)量增加，特征點(diǎn)中將引入噪聲，如圖5(c)所示(選取H=50，L=30)；若選取的閾值過(guò)大，特征點(diǎn)數(shù)量不足，將丟失部分內(nèi)部紋理特性，如圖5(d)所示(選取H=150，L=70)。無(wú)論閾值過(guò)大或過(guò)小都會(huì)增加匹配的難度，從而降低目標(biāo)識(shí)別的精度。

圖5 不同閾值特征點(diǎn)選取圖組

2.2.2 改進(jìn)的灰度匹配

對(duì)于黑圈模板而言?xún)?nèi)部沒(méi)有顯著的紋理特性，并且模板內(nèi)部總體而言灰度值較低，基于灰度的模板匹配會(huì)是最佳定位方式。為了增強(qiáng)模板邊緣像素的區(qū)別度，定義如下絕對(duì)差值為：

Diff(x+i,y+j,i,j)=

(6)

而將參加比較的像素點(diǎn)值減少為原先的四分之一：

(7)

能有效減少識(shí)別所花費(fèi)的時(shí)間。

2.3 PCB板自動(dòng)識(shí)別整體算法

PCB板自動(dòng)識(shí)別的整體算法構(gòu)造如下：用工業(yè)相機(jī)讀取一幅清晰的圖像并且對(duì)其進(jìn)行預(yù)處理操作，第一步用基于形狀的模板匹配的方式自動(dòng)識(shí)別5個(gè)黃圈的光學(xué)中心；在成功識(shí)別5個(gè)黃圈光學(xué)中心后，第二步用基于灰度值的模板匹配方式自動(dòng)識(shí)別黑圈的最佳光學(xué)中心；在6個(gè)光學(xué)中心都成功識(shí)別后，根據(jù)中間4個(gè)光學(xué)中心的相對(duì)距離為標(biāo)準(zhǔn)分別定出最左側(cè)兩端與最右側(cè)兩端光學(xué)中心的間距大小。單個(gè)PCB元件自動(dòng)識(shí)別整體程序如圖6所示。

圖6 單個(gè)PCB元件自動(dòng)識(shí)別流程圖

3 實(shí)驗(yàn)檢測(cè)及結(jié)果分析

3.1 單塊PCB檢測(cè)及用戶(hù)友好型界面搭建

基于模板匹配的PCB識(shí)別算法采用C#編程后最終效果如圖7所示。

圖7 PCB元件自動(dòng)識(shí)別效果圖

圖7能準(zhǔn)確地識(shí)別出五個(gè)黃圈以及一個(gè)黑圈的光學(xué)中心，但對(duì)于批量檢測(cè)而言，操作者希望只要一個(gè)按鈕就能自動(dòng)完成當(dāng)前圖像的識(shí)別工作，并且能準(zhǔn)確地將光學(xué)中心的間距、相對(duì)偏移量等數(shù)據(jù)顯示在同一個(gè)界面上。為此搭建如圖8所示用戶(hù)友好型界面。

圖8 用戶(hù)友好型界面圖

3.2 實(shí)驗(yàn)樣本檢測(cè)及結(jié)果分析

為檢測(cè)系統(tǒng)的可靠性與魯棒性，本次實(shí)驗(yàn)引入300塊樣本PCB元件進(jìn)行測(cè)試。樣本測(cè)試結(jié)果如表1所示。

表1 樣本測(cè)試結(jié)果

對(duì)于測(cè)試的300個(gè)樣本，這一款高精度PCB元件自動(dòng)檢測(cè)系統(tǒng)可以識(shí)別的產(chǎn)品達(dá)到100%。每個(gè)樣本的誤差范圍是-5微米至5微米之間，檢測(cè)平均耗費(fèi)時(shí)間是196.5 ms，單塊樣本PCB檢測(cè)耗時(shí)如圖9所示，這些都是符合生產(chǎn)線(xiàn)的標(biāo)準(zhǔn)。

圖9 單塊樣本PCB檢測(cè)耗時(shí)柱狀圖

對(duì)于識(shí)別誤差較大的PCB而言，很大一部分是因?yàn)镻CB自身的缺陷導(dǎo)致的，例如PCB放置時(shí)間過(guò)長(zhǎng)，導(dǎo)致表面堆積灰塵，此時(shí)黃圈中出現(xiàn)很大的白色噪聲導(dǎo)致無(wú)法進(jìn)行模板匹配。對(duì)于這類(lèi)識(shí)別誤差較大PCB，如能先清理表面的灰塵在進(jìn)行識(shí)別則有效減少誤差。

3.3 原始模板匹配和改進(jìn)模板匹配結(jié)果比較

在相同測(cè)試環(huán)境下，同樣是300塊樣本PCB板，用傳統(tǒng)模板匹配的方式進(jìn)行檢測(cè)。表2將傳統(tǒng)模板匹配算法與改進(jìn)模板匹配算法進(jìn)行對(duì)比。

表2 傳統(tǒng)模板匹配與改進(jìn)模板匹配檢測(cè)算法對(duì)比

表2中根據(jù)誤差范圍、平均絕對(duì)誤差、樣品檢測(cè)平均耗費(fèi)時(shí)間這三個(gè)指標(biāo)作為評(píng)判標(biāo)準(zhǔn)，顯然改進(jìn)模板匹配后的算法對(duì)系統(tǒng)的識(shí)別性能有所提高。

4 結(jié) 語(yǔ)

本文提出了符合光纖PCB批量識(shí)別的模板匹配算法。通過(guò)構(gòu)建特征點(diǎn)，采用形狀匹配的方式識(shí)別黃圈光學(xué)中心。通過(guò)改進(jìn)SAD，用基于灰度值的匹配方式識(shí)別黑圈的光學(xué)中心。并在此基礎(chǔ)上構(gòu)建了單塊PCB識(shí)別的整體檢測(cè)算法模型。為了迎合批量檢測(cè)的需求，用C#搭建了用戶(hù)友好型界面，操作者只需要一個(gè)按鈕就能夠得到識(shí)別后的所有參數(shù)。對(duì)于300塊樣本PCB的檢測(cè)表明，每個(gè)樣本的絕對(duì)誤差都能控制在5微米以?xún)?nèi)，檢測(cè)平均耗時(shí)少于200 ms，符合大規(guī)模檢測(cè)要求。與傳統(tǒng)模板匹配相比，改進(jìn)模板匹配識(shí)別性能更佳。對(duì)于光纖PCB版目標(biāo)檢測(cè)算法設(shè)計(jì)，能很大程度上克服傳統(tǒng)通過(guò)人眼識(shí)別導(dǎo)致誤差大、效率低等缺點(diǎn)，也為其他高精度產(chǎn)品自動(dòng)化加工檢測(cè)系統(tǒng)提供重要借鑒作用。

[1] 王強(qiáng),宋京民,胡建平,等.一種快速模板匹配目標(biāo)識(shí)別算法[J].計(jì)算機(jī)工程與應(yīng)用,2000,36(6):42-43,69.

[2] 趙梓森.光纖通信的過(guò)去、現(xiàn)在和未來(lái)[J].光學(xué)學(xué)報(bào),2011,31(9):91-93.

[3] 李俠,李文舉,孫娟紅,等.基于模板匹配和邊緣檢測(cè)的車(chē)標(biāo)定位方法[J].計(jì)算機(jī)工程與設(shè)計(jì),2011,32(10):3453-3456.

[4] 薛峰,丁曉青.基于形狀匹配變形模型的三維人臉重構(gòu)[J].電子學(xué)報(bào),2006,34(10):1896-1899.

[5] 鄭江云,江巨浪,黃忠.基于RGB灰度值縮放的彩色圖像增強(qiáng)[J].計(jì)算機(jī)工程,2012,38(2):226-228.

[6] 梁路宏,艾海舟,何克忠,等.基于多關(guān)聯(lián)模板匹配的人臉檢測(cè)[J].軟件學(xué)報(bào),2001,12(1):94-102.

[7] 吳成茂,郭銳.三種典型模板匹配算法性能比較[J].西安郵電大學(xué)學(xué)報(bào),2014(3):15-21.

[8] Wang C Y,Qu M J,Bi H Z,et al.Facial feature detection algorithm based on main characteristic of eyes[J].Applied Mechanics and Materials,2013,303-306:1402-1405.

[9] Ouyang W,Tombari F,Mattoccia S,et al.Performance Evaluation of Full Search Equivalent Pattern Matching Algorithms[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2011,34(1):127-143.

[10] David W,Palieroni,Siddharth M.Signal to noise behavior for matches to gradient direction models of corners in images[R].Computer Science Technical Report,2008.

[11] Kim J S,Kim H W,Kweon I S.A camera calibration method using concentric circles for vision applications[C]//The 5thAsian Conference on Computer Vision,2002:515-520.

[12] 王慧.基于模板匹配的手寫(xiě)體字符識(shí)別算法研究[D].北京交通大學(xué),2012.

[13] Dalal N,Triggs B.Histograms of Oriented Gradients for Human Detection[C]//Computer Vision and Pattern Recognition,2005.CVPR 2005.IEEE Computer Society Conference on.IEEE,2005:886-893.

[14] 姜映映,田豐,王緒剛,等.基于模板匹配和SVM的草圖符號(hào)自適應(yīng)識(shí)別方法[J].計(jì)算機(jī)學(xué)報(bào),2009,32(2):252-260.

[15] 周瑜,劉俊濤,白翔.形狀匹配方法研究與展望[J].自動(dòng)化學(xué)報(bào),2012,38(6):889-910.

[16] 鄭丹晨.基于輪廓點(diǎn)空間結(jié)構(gòu)特征的形狀匹配方法研究[D].大連理工大學(xué),2014.

[17] 朱錚濤,張宏.基于特征點(diǎn)的形狀匹配技術(shù)及其算法實(shí)現(xiàn)[J].計(jì)算機(jī)工程與設(shè)計(jì),2010,31(5):1096-1099.