結合標定擬合和模糊理論的焊點特征顏色提取

舒 操，汪同慶，李 陽

SHU Cao,WANG Tongqing,LI Yang

重慶大學 光電技術及系統教育部重點實驗室，重慶 400044

Key Laboratory of Optoelectronic Technology&Systems Ministry Technology of Education,Chongqing University,Chongqing 400044,China

1 引言

自動光學檢測（Automatic Optical Inspection，AOI）系統是一種基于機器視覺理論并在電子元件組裝行業中廣泛運用的質量檢測設備。近年來，其發展了一種采用3色環形LED照明設計的結構。這種結構通過光學反射原理間接地包含焊點三維信息的顏色信息[1]。其顏色提取工作就是焊點質量檢測必要步驟。對于顏色質量信息的分析提取，常采用各顏色空間分量比對法。李長勇等[2]構造出了一種主色判別式顏色提取法。孫慧賢等[3]采用了一種自定義結合HSI空間的三分量色差度量方法。該類方法相比于常用分量比對法，匹配效果、效率都有所提高，但對環境變化較為敏感，需要根據經驗設定閾值。李革等[4]結合神經網絡對樣本數據的HSI三顏色分量進行分析，提高了顏色提取法的自適應性，但依托神經網絡技術，對先驗數據要求較多，算法的實用效率降低。

本文結合AOI系統圖像特點將模糊理論運用到顏色提取算法中。同時又結合了直方圖統計分析、特征擬合，先得出HSV顏色的特征函數，再通過模糊隸屬度判據實現顏色提取工作。相比于常用的主色判別式有著較好的自適應性，其實驗結果也表明提取出來的特征類內數據一致性有所提高，可適用于AOI系統的顏色提取工作。

2 元件焊點特征顏色與HSV顏色模型

2.1 元件焊點特征顏色

根據光學中的反射定律，采用3色環形陣列照明設計的AOI系統可以得出帶有特征顏色的元件彩色圖像[5]，如圖1所示，焊點的3維形狀信息間接地體現在2維彩色圖像上。

圖1 元件彩色圖

其反應焊點形狀的特征顏色為紅色、綠色、藍色，其中紅色代表平的焊錫面、綠色代表稍傾斜的焊錫面、藍色代表傾斜度較大的焊錫面，通過特征顏色的分布情況就能反應出焊點的質量。

2.2 HSV顏色空間模型

HSV（Hue-Saturation-Value）是由常用的RGB顏色空間經過非線性變化而來[6]。其中H表示色調，S是飽和度，V是亮度。HSV顏色空間將顏色H、S分量和亮度V分量各自獨立，便于顏色處理[7]。

3 顏色特征函數

為了減少環境變化產生的誤差，選取每一批樣板的焊點圖像進行特征顏色的標定，得出如圖2所示的紅、綠、藍特征顏色標定塊。通過標定塊的顏色分析得出焊點紅、綠、藍三種顏色的特征函數。

圖2 顏色標定塊

3.1 顏色標定塊的統計直方圖分析

統計直方圖是為了分析出各顏色標定塊的總體特征信息。各色標定塊通過RGB-HSV空間變換得出顏色在HSV空間下的H、S分量。每種顏色的H、S分量經過直方圖分析和5領域平滑算法處理就得出如圖3所示的各色直方圖分布圖。

從分布圖看出各個顏色的分布情況均和HSV顏色空間各色理論值大致相同。

3.2 擬合出顏色各分量特征函數

根據標定塊的直方圖曲線分布情況，選取了與其適合以特定函數為模型來進行函數擬合，從而分別獲得顏色H、S分量的特征函數。函數基本模型是非線性的正態函數如公式（1）以及其變化式如公式（2）。平滑處理后的函數與A函數對應，其顏色分量中的自變量與模型變量u對應。

其中待確定的參數為a，δ。

其中待確定的參數為 a，δ，c，?。

函數擬合時先將直方圖曲線進行歸一化處理，再結合最小二乘法進行數據擬合。對于非線性正態函數，將函數取對數后轉換為線性方程組。然后采用已知分布數據求出最小二乘解得到數據擬合參數。

擬合出的數據如表1。

3.3 特征函數確定

通過數據擬合得到了各顏色的H、S兩個特征函數分量。結合兩分量在顏色中的權重系數來將兩者線性組合起來。將它們的權重系數設為0.5，得出各顏色的特征函數，其表達式如下：

其中i∈{1，2，3} 。

4 基于模糊集的顏色提取

本算法采用了一種根據隸屬度函數進行顏色判定的模糊集方法，它的基本原則如下：

設論域U表示整個元件圖像中的全部像素點，u為論域U中的一個元素即圖像中的一個像素點。 A1、A2、A3、A4是論域U上的4個模糊子集，分別表示紅色集、綠色集、藍色集、其他色集。若對每一個Ai都建立一個隸屬函數fAi(u)，i∈{1，2，3，4} 對于任一屬于U 的元素u0，若滿足：

圖3 標定塊直方圖

表1 顏色特征函數擬合數據

表2 本文算法與另兩種顏色提取法對5幅圖像進行分割實驗結果

則認為u0隸屬于Ai，這就是利用隸屬原則進行模糊集判定顏色的方法[7]。

采用的隸屬度函數 fA1(u)、fA2(u)、fA3(u)分別為紅色、綠色、黃色的特征函數。而 fA4(u)為其余顏色的隸屬度函數，其定義如下：

其他區域提取方法如C均值、區域生長等迭代步驟次數較多，提取時間較長，而本文通過建立的模糊隸屬度函數來進行判定，簡化了步驟，從而提高了方法的實際性能。

5 實驗與結果

對采集到的3組數據共60張照片進行了分割實驗，并結合主色判別式法、基于RPROP神經網絡的自適應顏色提取算法來進行對比說明。選取了其中的5幅分別代表焊點雙邊理想、焊點右邊理想、焊點左邊理想、焊點有噪聲和焊點有缺陷。其實驗結果如表2。

本文對分割質量的評價采用了兩個指標，對各顏色內部的數據一致性進行評價。Bezdek的劃分系數VPC是模糊法聚類結果評價的一種常用方法[8]，如公式（6）。而另一個就用統計方差來表示。

其中，fij表示第i個數據屬于第 j類的最大隸屬度。

根據表3所示，基于最大隸屬度平方的劃分系數的值穩定，大致保持在0.65左右，隸屬度大于0.8。而結合表3和表4中的方差分析得知，本文算法來的數據方差為1.0E-4左右，較其余兩種算法1.0E-3高一數量級，表明該算法分割出來的數據類內數據一致性有所提高。此外該方法在CPU主頻2.8 GHz，內存512 MB的計算機中平均單個元件運行時間為18.4 ms，能進行實時處理。

表3 本算法的模糊度劃分系數評價及方差

表4 主色判別法和神經網絡自適應法實驗結果方差

6 結語

為了解決AOI系統中焊點特征顏色提取的問題，本文對顏色提取算法進行了研究，提出了一種基于顏色標定塊與模糊理論的相結合的顏色自適應分割方法。該方法采用統計和模糊隸屬的理論實現了標定塊的分析和焊點特征顏色提取與分割，最后結合分割質量評價指標對本文算法和另兩種算法的分割效果進行了比對驗證，表明該改進后的自適應算法顏色分割效果穩定。

[1]謝宏威，張憲民，鄺泳聰.基于圖像特征統計分析的PCB焊點檢測方法[J].儀器儀表學報，2011（2）：401-404.

[2]李長勇，曹其新，郭峰.基于主色直方圖特征匹配的蔬果分類方法[J].上海交通大學學報，2009，42（12）：1898-1902.

[3]李革，李斌，王瑩，等.基于HIS顏色模型的珍珠顏色分選方法[J].農業工程學報，2008，24（8）：284-287.

[4]孫慧賢，張玉華，羅飛路.基于HSI顏色空間的彩色邊緣檢測方法研究[J].光學技術，2009，25（2）：221-225.

[5]盧盛林，張憲民.無鉛焊點檢測光源的分析與優化設計[J].光學精密工程，2008，16（8）：1377-1383.

[6]Chen C，Wu W.Color pattern recognition with the multi-channel non-zero-order joint transform correlator based on the HSV color space[J].Optics Communications，2005，244（1/6）：51-59.

[7]楊綸標，高英儀.模糊數學原理及應用[M].廣州：華南理工大學出版社，2006：45-47.

[8]Bezdek J C.Cluster validity with fuzzy sets[J].Journal of Cybernetics，1974，3（3）：58-73.