FPC 檢測對位系統的視覺算法研究與應用

姬麗娟，苗振海，陳妍言，鄧 強，方 波

（機科發展科技股份有限公司，北京 100044）

0 引言

電子信息產業是國民經濟和國防建設的支柱產業，柔性印刷電路板（FPC）主要應用于手機、筆記本電腦、PDA、數碼相機、LCM 等電子信息產品中，是其重要的組成部分。精密視覺檢測技術在FPC的姿態識別及后續高速高精度定位控制中的應用，極大程度地提高了原有FPC 生產工藝的自動化水平，提升了產量及品質。因此，本文對機器視覺的應用及相關算法的實際效率、精度和速度進行了系統的分析和評價。

1 柔版加工工藝

柔性電路板簡稱軟板或FPC，具有配線密度高、重量輕、厚度薄的特點。其一般工藝如圖1所示。

圖1 FPC 加工工藝Fig.1 Processing technic of FPC

2 機器視覺定位系統

所謂機器視覺就是通過軟、硬件的組合，賦予機器類似于人類視覺的功能。它以視覺處理理論為中心，是圖像處理、模式識別、計算機技術和生理心理學為基礎的信息處理科學中的一個重要分支。視覺系統一般包含硬件系統和軟件，其中硬件系統組成為攝像機、鏡頭、光源、采集卡、計算機。軟件處理一般包含圖像處理分析、特征提取和模式識別等。為了能更好地檢測到輪廓和姿態，本系統采用了底部打光，而為了防止真空吸附固定后的FPC的意外翹曲造成圖像處理偏差，使用了Moritex的遠心鏡頭，為了保證精度，相機采用到位PLC握手通信內觸發模式，選用大恒HV5051M 相機，500萬像素，象元大小為2.2μm×2.2μm。其檢測對位流程如圖2所示。

圖2 檢測對位系統流程Fig.2 Flow chart of inspect and counterpoint system

HALCON 是一款功能十分強大的機器視覺軟件，它可以提供1000 多個運算子。本系統就是在Vc6.0的平臺來調用HALCON的圖像處理的各個算子。

3 基于閾值分割技術和基于形狀的圖像匹配技術

鑒于FPC的形狀特征，在對工件的識別過程中，主要會用到基于閾值的圖像分割和基于形狀的圖像匹配技術，下面分別對兩種圖像技術進行簡要介紹。

3.1 基于閾值的圖像分割技術

圖像分割是通過對原始采集圖像進行某種方式的分割處理，以便于從其結果中提取到圖像的特征（如輪廓、區域等）的過程。閾值圖像分割技術上圖像分割技術中最基本也是最常用的一種方法，它通過對原始圖像的灰度直方圖進行具體分析，以獲得前景與背景或者不同區域之間的一個或者幾個灰度閾值，然后將具有每一個閾值兩側的灰度值的像素分別設置成相同的顏色，從而達到將圖像進行分割的目的。閾值分割主要有以下幾種方法：基于點的閾值分割、基于區域的閾值分割、局部閾值分割以及多閾值分割等。

閾值分割方法中最簡單的形式就是單閾值分割，設原始圖像灰度為 f（x，y），通過其灰度直方圖信息得到一個灰度閾值t，應用公式：

將得到一個分割后的二值化圖像。若取b0=0（黑），b1=1（白），得到的就是通常所說的黑白二值化圖像。

3.2 基于形狀的匹配

當圖像進行分割之后，就要從中提取出各種特征，如灰度特征、紋理特征以及形狀特征，進而才能進行圖像匹配。

圖像匹配是通過一定的匹配算法在采集圖像和模板圖像之間識別同名點的過程，其實質是在基元相似的條件下，運用匹配準則的最佳搜索問題。圖像匹配主要可以分為基于灰度的匹配和基于特征的匹配，基于形狀的匹配是特征匹配的一種，是本實驗圖像處理開發軟件HALCON 中最常用的匹配方法。

4 系統識別FPC 特征的三種方法

由于HALCON 軟件具有很好的開放式結構，本設備視覺系統在Windows XP 環境下，采用HALCON 和VC++6.0 聯合編程的方法進行FPC 識別算法的開發。一方面能很好地使用HALCON 強大的圖像處理功能，另一方面又能保證程序的兼容性、高效性以及界面的友好性。系統提供的FPC 特征點識別方法有三種，分別為手動區域選擇法、基于閾值分割的識別定位、基于形狀模板匹配法。

使用HALCON 大小為（2×2）mm 專用定做的標定板（標稱精度為±1μm），進行數十次攝像機標定，確定攝像機的內外部平均參數，其中標定出的三組十五張不同位置重要的縮放比例因子如表1所示。

表1 攝像機標定的重要參數

4.1 手動區域選擇法

手動區域選擇法的組成步驟：第一，圖像采集與顯示；第二，手動產生ROI；第三，圖像處理；第四，特征區域識別，如圖3所示。

4.2 基于閾值分割的圖像處理

本方法與第一種方法在圖像采集與顯示、圖像處理以及特征識別上基本一致。但是考慮到自動化生產效率較高、FPC 定位精度要求高的因素，故將第一種方法的第二步改進成為自動閾值分割，并且對輪廓進行膨脹處理，使其進行亞像素級處理并直接產生ROI，這種方法的關鍵是FPC 顏色與背景顏色不同的特點；本方法同時利用了HALCON 里面專有的一種xld 數據結構，專門存儲一組虛擬的輪廓模板。主要使用的HALCON 算子步驟：第一，閾值分割；第二，形態學處理；第三，亞像素分割；第四，區域特征選擇（選取輪廓長度大于62000 后的圖像）；第五，定位，如圖4所示。

圖3 手動區域選擇法最終結果Fig.3 Final result based on manual selection

4.3 基于形狀的模板匹配

本方法使用HALCON 使用較多的基于形狀的模板匹配，即使目標已經旋轉、縮放、部分遮擋或者照明有非線性變化，其亞像素精度匹配技術也可實時地有效、準確地找到目標。步驟：第1 步，模板圖像采集；第2步，建立模板；第3 步，采集新圖像；第4 步，圖像匹配，結果如圖5所示。

圖4 基于閥值分割方法的最終結果Fig.4 Final result based on threshold method

圖5 基于形狀的模板匹配結果Fig.5 Final result based on shape template matching

5 三種方法的分析及比較

（1）從程序執行的角度看，三種方法在讀取圖像步驟基本一致，但是從第二步就有了明顯的區別。第一種方法雖然通過手動選擇ROI 來減少電腦閾值分割和區域選擇所用的時間，但是這種方法的弊端在于需要人工干預，不能滿足高效率的自動化生產線，如果直接使用全局的閾值也可以實現自動化，時間上會略有增加。第二種方法將閾值分割擴大到整張圖，雖然在閾值分割以及區域選擇和亞像素處理等多花了0.03s的時間，但是去掉了人工畫圓的步驟，很好地實現了完全自動識別的功能，第二種方法總共的時間在0.1s 以內。第三種方法的速度也很快，如選擇亞像素精度模板匹配的時間在0.04s 以內，總共花費時間在0.1s 以內。

（2）從程序執行的精度上看，第一種方法為像素級精度，第二種是亞像素級精度，第三種可以自由選擇是像素級還是亞像素級精度。其利用相機的標定后的參數轉化為世界坐標，精度基本都能達到5μm 左右。實驗的結果詳見表2，實驗中使用辨率為1μm 磁性表座值作為參考。

（3）從各自的應用范圍來看，第一種方法主要應用在FPC 上有元件類型與圓孔相似的情況中，此時的圓孔難以通過全局發展分割而得到，因此可以借助于手動，劃分出小的ROI 區域來識別出圓孔，第二種方法則適合大批量生產，只要各批次的PCB 板定位孔大致相同，就可以用此方法完成，由于視場較小，基本沒有其他圓干擾，現場使用情況不錯。第三種方法增加了操作員的靈活性，可以根據現場工件的改變而選擇合適的模板匹配，即不需要工件有圓孔就可以進行識別，而且可以根據需要進行精度、速度、匹配度的選擇，更符合現場情況和客戶要求。

表2 三種方法實際精度

6 總結

自動光學檢測技術在FPC 制造中的應用越來越廣泛，隨之而來的就是各種檢測設備及配套算法的開發，本文在WindowsXP 環境下通過HALCON與Vc++的聯合編程，用三種不同的算法實現了FPC 快速的識別和定位，對其各自的效率、精度和應用范圍行了實驗分析和比較，其中模板匹配具有更好適應現場環境，同時軟件具有數據庫管理以及與下位機PLC 通信、數據統計等功能，可穩定運行。

[1]Carsten Steger,Markus Ulrich.機器視覺算法與應用[M].清華大學出版社，2008.

[2]羅珍茜，薛雷，等.基于HALCON的攝像機標定[J].視頻應用與工程，2010，05.

[3]Milan Sonka,Vaclav Hlavac,Roger Boyle.圖像處理分析與機器視覺[M].清華大學出版社，2011.

[4]張錚等.數字圖像處理與機器視覺—Vc++與Matlab 實現[M].人民郵電出版社，2011.

[5]李良福，陳衛東，等.目標跟蹤與定位中的視覺標定算法研究[J].應用光學，2008，4.

[6]彭曉輝.基于HALCON的IC 卡噴碼符號識別技術研究與實現[D].廣東工業大學，2006.

[7]李鵬程，范彥斌，等.基于HALCON的PCB 光學定位點的3 種識別方法及比較[J].佛山科學技術學院學報，2010，28～33.

[8]姚立新，張武學，連軍莉.AOI 系統在PCB 中的應用 [J].電子工業專用設備，2004.