文档介绍:机器视觉PCB光板视觉检测技术研究——第三讲视觉检测算法分析机器视觉技术的理论背景是数字图像处理,它是电子技术的一个重要方面,在社会生产与生活中起到越来越重要的作用。而要让机器视觉技术进入实际生产领域,就离不开软、硬件的结合。数字图像处理在这个项目中的应用可以分为五个步骤:图像捕获、图像预处理、图像分割、特征提取、图像识别。首先,必须从PCB板生产线上进行图像捕获。微电子、计算机技术的快速发展对PCB板的质量提出更加严格的要求。以机器视觉检测技术为基础的PCB质量检测系统中,系统的智能化、柔性化、快速性等方面尤为重要。为了缩短后续图像处理的流程与时间,以达到实时检测,图像提取质量是关键之一。其中取像环境之优劣是极为重要的,选择适当的光源照明方式是提高测量分辨率的有效方法。可根据需要,获取不同类型的彩***像或灰度图像。由于PCB板的外观色彩较为单一,为处理方便起见,获取的图像为灰度图像。图像预处理是图像识别前的重要工作,其目的是为了提高图像的质量,内容包括图像增强(平滑、对比度增强、锐化等)。图像增强是PCB图像预处理的重要内容,从增强处理的作用域出发可分为两大类:一是空间域处理,直接面对图像灰度级作运算;二是频率域处理,对图像的变换系统进行修正,然后通过逆变换获得增强图像。由于频率法采用全局处理的方式,而且需要进行域的变换和反变换,这些操作比较费时,而空间域法仅仅进行局部处理,且可以使用计算相对简单的模板卷积操作来实现,因此比起频率域方法来说,空间域法运算量大大减少,算法实现简单,并且平滑效果很好。然后是对图像进行分割。为了进行图像描述与分析,需要将图像划分为若干个有意义的区域。它依据的准则是使区域内部所考虑的特征或属性相同或相似,而这些特征或属性在不同的区域中则不同。在将图像分割为几个区域后,获取区域的特征作为区域的描述子,这就涉及到图像描述。比如:轮廓线的长度可以作为边缘的描述子,区域的面积可以作为区域的描述子,此外还有纹理及区域的形态等。最后就是依据已提取的特征对图像中的不同目标分类或将目标从背景中分离出来,即图像的识别,从而检测出PCB图像上的缺陷。由于数字图像处理有较大的复杂性,所以从硬件的系统吞吐量上考虑,需要较大的带宽。如果完全采用硬件的方法来实现的话,费用昂贵,不便于修改,所以考虑用硬件采集数据,用软件实现算法。PCB图像处理与识别是本论文的重点内容。本章通过对PCB图像光学特性的分析,给出了在PCB图像预处理与图像分割中应采用的方法和所需注意的事项,进而结合数学形态学与模式识别方法,针对PCB板的一些常见缺陷,进行了初步的检测与识别。、获取、传输过程中,由于输入转换器件及周围环境的影响等,如光强度的波动、光电转换过程中敏感元件灵敏度的不均匀性、数字化过程的量化噪声、机器振动引起固定在支架上的摄像机的抖动、供电电源的波动、D器件本身引入的散粒噪声等,使得PCB缺陷检测系统中采集的数字图像不可避免的含有各种各样的噪声和失真,实验采集得到的原始图如图3-1所示。图3-1采集得到的原始图像为了便于后续的图像分析和理解,必须对图像进行预处理,消除噪声,矫正失真,改善图像质量,易于后继分析、处理。这里的预处理包括三个操作:图像平滑、图像对比度增强、以及图像锐化。。滤波的目的有两个:一是抽出对象的特征作为图像识别的特征模式;二是为适应计算机处理的要求,消除图像数字化时所混入的噪声。对滤波处理的要求有两条:一是不能损坏图像轮廓及边缘等重要信息;二是使图像清晰,视觉效果好。(1)均值滤波均值滤波是一种线形滤波技术,它是用一窗口逐一对准图像内每一像素,用窗口邻域的像素灰度的平均值取代窗口中心像素原来的灰度值。窗口邻域S的形状和大小根据图像特点确定。一般选取的形状是正方形、矩形及十字形等,领域的形状和大小可以在全图处理过程中保持不变,也可根据图像的局部统计特性而变化,它的中心一般位于被处理点上。如为3×3邻域,点(m,n)位于S中心,则假设噪声n是加性噪声,在空间各点互不相关,且期望为0,方差为??2,g是未受污染的图像,含噪图像f经过均值滤波后为:方差变小,说明噪声强度减弱了,即抑止了噪声。(2)中值滤波(a)传统中值滤波中值滤波是一种非线性的处理方法,它在一定条件下,可以克服线性滤波器如平均值滤波等带来的图像细节模糊,而且对滤除脉冲干扰及图像扫描噪声最为有效,同时能较好的保持图像边缘。中值滤波法的基本思想是用像素邻域窗口灰度值的中值来代替该像素点的灰度值。做法是:①将所用的窗口内所有像素按灰度值排列大小;②取中间的灰度值作为滤波后的灰度值。窗口的大小决定在多少个数值中求中值,窗口的形状决定在什么样的几何空间中取元素计算中值。图3-2