韩浩宇，宋 建

（华南理工大学 聚合物新型成型装备国家工程研究中心 聚合物成型加工工程教育部重点实验室，广东 广州 510640）

1 引言

在电子元件装配中，对于大多数功率元件、异型元件和机电元件，通常采用通孔安装技术THT（Through-hole Technology），将电子元件插装在印制电路板的导电通孔内[1]。传统的人工插件主要依赖人眼对管脚进行检测，不仅耗时耗力[2-3]，而且经常会出现错插、漏插、歪斜、插入过深或过浅等问题，严重影响电子元件的插装质量。机器视觉具有非接触性、实时性、测量精度高，检测结果比较稳定等优点，它利用检测目标的图像信息，从中提取出所需要的特征进行分析计算，进而对检测目标实现判别，可以很好地满足电子元器件管脚的检测要求。集成有机器视觉的自动插件机极大地提高了插件的自动化程度和生产效率，是电子元器件装配的发展方向，但它对稳定性和实时性有较高的要求。为了满足这些要求，设计了一个应用于自动插件机的图像采集系统，并对元件管脚检测算法进行了研究。

2 图像采集系统的设计

图像采集系统是视觉检测系统的基础，高质量的图像可以有效地降低算法的复杂度，同时也为算法的稳定性提供保障。通过对金属化聚丙烯薄膜电容器插装缺陷特征进行分析，设计出相应的图像采集系统。电容器插装缺陷包括以下两个方面：管脚缺失与管脚成型跨距不符。由于管脚的特征能够较全面地反映电容元件的插装质量，因此通过图像采集系统获得高对比度的管脚图像显得尤为重要。根据自动插件机的精度要求，相机选用德国某公司的acA2500-14gm，分辨率为（2592×1944）；镜头选用OPT公司的OPT-5m03-110，放大倍率为0.3，工作距离为110mm。照明是图像采集系统的关键，合适的照明可以突显出被测物的重要特征，抑制不需要的特征。直接暗场正面照明的打光方式，除有纹理的表面和凹凸变化的表面之外，其余光线被反射而不进入相机，一般用来检测划痕、纹理及雕刻文字等。由于管脚相当于电容的凸起部分，故选用直接暗场正面照明可以很好地突出管脚的特征。环形光与待检测电容呈非常小的角度，照射在管脚部分的光较多，其他部分较少，这样就使管脚特征得到增强，从而获得管脚区域较亮、电容其他区域较暗的高对比度图像，采集到的电容图像，如图 2（a）所示。

3 管脚检测算法

检测算法是视觉检测系统的核心。针对元器件管脚的视觉检测算法，主要有模板匹配、差分作积分投影等算法。模板匹配检测算法的特点是采用参考管脚的边缘几何信息作为形状模板与待检测图像作对比，在简单背景下可获得准确度较高的匹配结果，但金属化聚丙烯薄膜电容器底部容易反光，电容图像背景复杂、亮度不均，使用模板匹配经常会出现错误的匹配结果；差分作积分投影检测算法其特点是通过获取少数几个管脚边界点来进行管脚形状拟合，较适用于矩形管脚的检测，对于圆形管脚该方法并不适用。针对金属化聚丙烯薄膜电容器管脚图像的特点，设计了一套视觉检测算法，主要包括图像二值化、管脚粗定位、目标边缘提取及权重式圆拟合。算法流程图，如图1所示。首先对管脚的完整度进行检测，在管脚粗定位后统计目标区域的个数，若其不为2，则说明管脚缺失，不进行后续处理；其次对管脚成型跨距进行检测，计算权重圆拟合后两圆心的中心距离，若其超出参考距离范围，则判断为管脚成型跨距不符。若全部满足，则判断为良品，将两管脚的位置信息发送至自动插件机的控制系统，指导其完成插件。

图1 算法流程图Fig.1 Flow Chart of Proposed Algorithm

3.1 图像二值化

从图2（a）可以看出，管脚与背景的灰度分布十分明显，可选择全局阈值方法对其进行分割[4-5]。Otsu又叫最大类间方差法，是自动全局阈值的最优方法[6-7]。对于大小M×N为的灰度图，令ni表示灰度级为i的像素的数量，则各灰度级的概率为。设阈值 k 将像素分为灰度分布在［0，k］的 T1类和［k+1，255］的 T2类，则像素属于各类的概率分别为：

各类中像素的平均灰度值为：

图像的平均灰度为：Otsu算法选择使得σ2最大的k值作为最佳阈值对图像进行分割，分割后的二值化图像，如图2（b）所示。

图2 图像二值化Fig.2 Image Binaryzation

3.2 管脚粗定位

图像二值化算法返回一个区域作为图像分割的结果，从图2（b）可以看出，这个区域不仅包含目标区域（管脚），还包含了干扰区域。先采用8连通方法对该区域执行深度优先搜索，并标记连通区域，得到所有不相连的独立子区域。分析发现，目标区域相对于干扰区域其面积较大，故采用面积特征来对其进行筛选。根据相机像素及管脚直径估算出目标区域面积的下限阈值Amin和上限阈值Amax，筛选出目标区域，如图3（a）所示。由于管脚制造存在切面等原因，筛选出的目标区域仅能代表残缺的管脚，不能直接利用其进行管脚位置信息的求取。对目标区域求最小包围圆，利用求得的圆心及半径创建最小包围圆区域，实现管脚的粗定位。最小包围圆区域与管脚位置已经非常接近，它为之后管脚目标边缘的提取提供可靠的位置信息。

图3 管脚粗定位Fig.3 Coarse Localization of Pins

3.3 目标边缘提取

边缘是指图像局部强度变化显著的像素的集合，将边缘作为边界是鲁棒性最好的分割方法。所以提取目标边缘即管脚的外边缘，可以很好地对管脚进行分割。但由于管脚制造受机械剪切，管脚脚平面凹凸不平，存在很多高梯度量值区域，如图4（a）所示，有些还会与目标边缘相连，很难使用统一的规则将它们剔除。针对管脚的图像特点，提出一种目标边缘的提取方法。首先用适当半径的圆形结构元对最小包围圆分别进行膨胀和腐蚀，膨胀会增长和粗化最小包围圆区域，腐蚀会收缩和细化最小包围圆区域；然后用膨胀后的区域与腐蚀后的区域做差运算，这样就得到一个圆环区域。该区域中包含管脚外边界，从原始图像中裁剪出圆环区域，将其作为目标边缘提取的ROI，如图4（b）所示。可排除其他干扰的同时不造成目标边缘信息的遗失。使用Canny算子在ROI区域中找到所有目标边缘。该方法首先对图像进行高斯滤波平滑，接着计算梯度幅值图像和角度图像，然后对梯度幅值图像应用非最大值抑制，最后用双阈值处理和连接分析来检测并连接边缘[8]，实现对目标边缘的像素级定位，如图4（c）所示。

为了获得更精确的边缘信息，沿像素级边缘的梯度方向对边缘幅值进行高斯曲线拟合，求得曲线的极值点，即可得到目标边缘的亚像素位置。为简化拟合计算的复杂度，将高斯曲线转化为对数形式

式中：μ—均值；σ—标准差。式（2）是关于的二次曲线，设二次多项式的形式为：y=a0+a1x+a2x2，根据采样定理，每个像素的灰度值为：

设n取0为像素级边缘点，其相邻两个像素的序号分别为-1与1。则灰度值为，如式（4）所示。联立解方程组，如式（5）所示。

亚像素级目标边缘提取结果，如图4（d）所示。它为后续圆拟合提供了更加准确的信息。

图4 目标边缘提取Fig.4 The Target Edge Detection

3.4 权重式圆拟合

获得目标边缘后，要对边缘进行圆拟合来实现管脚的精确定位。传统的圆拟合常使用最小二乘算法，但管脚制造受机械剪切，目标边缘上会存在很多大的离群值，最小二乘算法由于采用平方距离，因此距离拟合圆较远的那些边缘点在计算过程中将会拥有非常大的权重，这会导致拟合后的圆不准确。为了降低这些离群值的影响，为每个边缘点引入权重ωi，使得大的离群值在计算过程中所占权重较小。在最小二乘圆拟合算法的基础上引入Tukey权重函数ω（δ），其定义为：

式中：τ—削波因数；τ—边缘点到拟合圆的距离[9-10]。

先利用最小二乘算法计算出各边缘点到拟合圆的代数距离，然后借助权重函数计算在后续迭代中各边界点所对应的权重。使用上述算法对所提取到的亚像素目标边缘进行权重式圆拟合结果，如图5所示。从图5可以看出，拟合后的圆与圆形管脚重合得很好，可以从中获取管脚的精确位置信息。

图5 圆拟合结果Fig.5 The Result of Fitting Circles

4 实验结果与分析

为评估该算法的有效性，将上述算法嵌入到自动插件机系统中，如图6所示。分别从稳定性和算法耗时两个方面评估其有效性。首先进行重复精度实验，检测该算法的稳定性。在同一位置对同一电容连续检测12次，实际检测中电容器两个管脚的位置与管脚间的中心距离，如表1所示。分析实验数据可知，管脚位置极差不超过0.037个像素，标准差不超过0.012个像素。根据标定结果（1pixel≈7.786μm），即管脚位置极差不超过0.288μm，标准差不超过0.093 μm。表明实验数据波动较小，即算法具有较高的稳定性。

图6 自动插件机Fig.6 AutoInsertion Machine

表1 重复精度实验Tab.1 The Repeatability Accuracy Test

然后检测该算法的耗时情况，实际检测中算法各步骤的执行时间，如表2所示。所测得数据是在双核2.30GHz CPU，内存1G，目标图像大小都为2592×1944像素的实验条件下统计得到。算法执行总耗时约为13ms，加上图像采集所耗时间，检测单个电容耗时小于80ms，能满足自动插件机的实时性要求。

表2 算法执行时间表Tab.2 Time of Execution

5 结论

根据自动插件机的应用需求，设计了图像采集系统及元件管脚视觉检测算法。首先，在对图像进行二值化处理的基础上利用连通区域面积特征及最小包围圆对管脚粗定位；然后，在构建的ROI区域上用Canny检测算子及高斯曲线拟合原理计算出亚像素级目标边缘；最后利用Tukey权重函数对其进行圆拟合，获取管脚的精确位置信息。实验结表明算法在保证较高稳定性的同时还可以满足实时性的要求。目前该算法已成功应用于自动插件机设备。

［1］夏育平，龙绪明，黄昊.自动插件机的现状和发展［C］.2011中国高端SMT学术会议论文集，2012.（Xia Yu-ping，Long Xu-ming，Huang Hao.The status quo and development of automatic insertion machine［C］.China High-level SMT Technology Conference 2011，2012.）

［2］文怀兴，马小琴.LED显示屏生产专用阵列式高速插件机设计［J］.机械设计与制造，2009（1）：40-42.（Wen Huai-xing，Ma Xiao-qin.Newly developed array type automatic through hole LED panel mounting machine［J］.Machinery Design&Manufacture，2009（1）：40-42.）

［3］付文华.LED插件若干技术的研究［D］.合肥：合肥工业大学，2012.（Fu Wen-hua.Study of a number of technologies about LED plug-in［D］.Hefei：Hefei University of Technology，2012.）

［4］Trier O D，Taxt T.Evaluation of binarization methods for document images［J］.Pattern Analysis&Machine Intelligence IEEE Transactions on，1995，17（3）：312-315.

［5］Valizadeh M，Komeili M，Armanfard N.Degraded document image binarization based on combination of two complementary algorithms［C］.Advances in Computational Tools for Engineering Applications，2009.ACTEA'09.International Conference on.IEEE，2009：595-599.

［6］Otsu N.A threshold selection method from gray-scale histograms［J］.IEEE Trans on Smc，1979（9）：62-66.

［7］冈萨雷斯（美）.数字图像处理（第3版）［M］.北京：电子工业出版社，2011：479-483（GONZALEZ.Digital Image Processing（Third Edition）［M］.Beijing：Publishing House of Electronics Industry，2011：479-483）

［8］Canny J.A computational approach to edge detection［J］.Pattern Analysis&Machine Intelligence IEEE Transactions on，1986，8（6）：679-698.

［9］Steger C，Ulrich M，Wiedemann C.Machine Vision Algorithms and Applications［M］.Weinheim：Wiley-VCH，2007：245-247.

［10］Emo Welzl.Smallest Enclosing Disks（balls and ellipsoids）［M］.New Results and New Trends in Computer Science.Springer，1991：359-370.