刘 伟，韩震宇

（四川大学 制造科学与工程学院，四川 成都 610065）

随着电子通信及相关技术的发展，电子元器件越来越多地被用于生活中的电子设备中，并且每种芯片上都标有制造商、产品的规格型号等信息[1]。同时，SMD也越来越多地被应用于电子产品中。对大多数SMD字符传统方式检测来讲，工人的需求量大且检测效率低，也存在着较多的不可靠因素。为了解决这些问题，机器视觉也被越来越多地应用于制造业等不同的领域中，并且能够为企业和社会带来一定的利益。

1 SMD检测系统硬件组成

检测系统由工业相机、工业镜头、图像采集卡、工业光源、起偏震片、PC机以及机械结构和机械传动等构成。通过检测精度、检测速度、视野范围、工作距离、工件尺寸来选取合适的工业相机和工业镜头。通过数据传输的大小进行图像采集，本文采用漫反射条形组合光源。为了提高字符与背景的对比度，降低辐照与辐射强度，采用起振片和偏振片。起振片可以将光源发出来的光变成偏振光，放置于光源位置处；偏振片安装于工业相机镜头前，对偏振光进行一定的遮蔽，偏振光经过漫反射后将变成自然光，经过镜面发射后仍然是偏振光[2]。打光方式采用正面明视场。根据测试分选机工位条件的限制，将光源布置在芯片的正上方，通过螺纹丝杆调节光源距SMD芯片的距离。

2 SMD检测系统算法设计

SMD字符在线实时检测对检测速度和检测精度有较高的要求，包括字符定位、字符分割、字符匹配在实时性上都有较高的要求。在PC机上，通过多线程技术提高CPU的利用率，提高系统的处理速度。本文利用设计定位块的方式来提高检测字符区域的效率，通过基于灰度方式的水平垂直投影进行字符的局部分割，利用基于图像采集结果和分割结果进行全局与局部模板匹配，以保证检测的精度。

2.1 字符定位

字符定位通过设计金属定位块的方式，利用金属材料在光源辐照下的辐射特性与SMD的差异性提高对比度来进行快速定位。金属定位块如图1所示。

2.2 字符分割

在进行字符分割之前，要进行SMD芯片的位姿矫正。SMD的欧式运动是先旋转、后平移的组合，所以可以用刚体运动来表示位姿[3]。利用二值化图像的像素分布直方图进行分析，从而找出相邻字符的分界点进行分割。图2所示是利用垂直投影切分的方式进行字符切割的结果[4]，切割结果如图3所示。

图1 SMD金属定位块

图2 垂直投影图

图3 SMD采集原图像及切分结果

2.3 字符缺陷识别

字符缺陷识别采用基于边缘特征的模板匹配。模板匹配的基本思想是让模板在目标图像中做平移运动，将模板左上角和待检测的图像左上角重合，每移动一个像素，计算模板与待匹配图像的相似度，遍历结束之后，将符合阈值的位置认定为最佳匹配位置。基于灰度的互相关模板匹配是通过用模板图像遍历待匹配图像，每移动一个像素，计算对应部分的互相关值，将互相关值的最大值作为最佳匹配位置。基于灰度的互相关模板匹配缺点是在光场不均匀情况下，不具有鲁棒性。归一化互相关系数法是一个亮度、对比度线性不变量，能够明显改善光照的线性变化带来的影响。但是随着图像分辨率的提高，图像匹配的时间会增加，匹配准确度也存在差异，甚至会发生匹配失效的情况，并且由于半导体芯片的位姿和完整性等存在差异，会引起光照的非线性变化，这会导致图像的灰度差异大，进而导致模板匹配结果不准确[5]。较于基于灰度的互相关模板匹配，基于边缘的模板匹配不需要建立两幅图像之间点的对应关系，具有较好的鲁棒性[6]。模板由目标图像边缘的一系列点组成，本文所采用的模板如图4所示。Hausdorff距离是点的集合A到点的集合B中最近点的最大距离，是一个极大化极小函数，定义为：

式（1）中：a，b分别是集合A和集合B中的点；d（a，b）是集合A到集合B中点之间距离的一种度量。

更一般的定义为：H（A，B）＝max{h（A，B），h（B，A）}.两个距离h（A，B）和h（B，A）称为A到B的前向和后向Hausdorff距离。

2.4 合格度判断

SMD字符缺陷合格度包括模板匹配的相似度、字符较于SMD本身的旋转角度、字符相对于SMD本身位置偏移，3个指标同时满足，则认定为合格。

3 实验及结果

下面是基于边缘模板匹配对芯片表面字符的检测，图5（a）是待检测的SMD字符，图5（b）是匹配得到的结果。

图4 基于边缘匹配的整体与局部模板图像

图5 对芯片表面字符的检测

4 结束语

基于机器视觉的SMD字符检测技术在自动化识别领域应用非常广泛。芯片表面的制造商、产品的规格型号参数等对于使用者来说十分重要。本文通过设计SMD专用定位块的方式解决字符搜索定位，通过投影切分来进行字符的分割，作为整体和局部字符匹配，提高字符检测的准确性，整体上在鲁棒性、实时性、准确性上能够满足企业字符识别的要求。

参考文献：

［1］章士瀛.21世纪电子元件的发展趋势［J］.电子元件与材料，1999，18（1）：29-31.

［2］Carsten Steger，Markus Ulrich，Christian Wiedemann.机器视觉算法与应用［M］.杨少荣，吴迪靖，段德山，译.北京：清华大学出版社，2008：14-15.

［3］章毓晋.图像工程（上册）［M］.北京：清华大学出版社，2012：132-133.

［4］Nijhuis JA G，BruggeM H T，HelmholtK A，et al.CarLicense Plate Recognition with Neural Networks and Fuzzy Logic［G］//Proceedings of IEEE International Conference on Neural Networks，Perth：IEEE，1995：2232-2236.

［5］陈沈轶，钱徽，吴铮，等.模板图像匹配中互相关的一种快速算法［J］.传感技术学报，2007（6）：1325-1329.

［6］黄先学.基于机器视觉的SMD芯片外观质量检测系统的研发［D］.成都：四川大学，2014：39.