基于改進(jìn)凸包檢測(cè)算法的多幅芯片圖像校正方法

朱俊杰，巢淵，馬成霞

（江蘇理工學(xué)院機(jī)械工程學(xué)院，江蘇常州 213001）

隨著電子市場(chǎng)的快速發(fā)展，半導(dǎo)體芯片的應(yīng)用越來(lái)越廣泛，需求也在不斷增加，傳統(tǒng)的人工抽檢方法已難以滿足表面貼裝芯片高速高精度檢測(cè)的需求[1]。機(jī)器視覺(jué)技術(shù)以其高效率、高精度、高可靠性、非接觸性和客觀性強(qiáng)等優(yōu)點(diǎn)，在芯片封裝模塊檢測(cè)方面得到了廣泛研究和應(yīng)用[2]。由于圖像采集系統(tǒng)捕獲的目標(biāo)并非規(guī)則地出現(xiàn)，因此，在進(jìn)行芯片封裝缺陷視覺(jué)檢測(cè)前，需要對(duì)芯片圖像進(jìn)行旋轉(zhuǎn)校正，以提高后續(xù)檢測(cè)的正確率以及基于缺陷檢測(cè)的芯片分選效率[3]。

圖像傾斜校正算法研究的重點(diǎn)在于傾斜角度檢測(cè)。楊立剛等人[4]通過(guò)Hough 變換精確定位車牌位置，再利用Radon 變換獲取車牌的傾斜角度，但此方法中Hough 變換和Radon 變換計(jì)算量大，校正效率較低。汪敏倩等人[5]通過(guò)車牌圖像投影方差的規(guī)律性提取局部特征來(lái)獲得車牌水平傾斜角度或垂直錯(cuò)切角度，但對(duì)于局部規(guī)律性不明顯的圖像，此方法難以獲取精準(zhǔn)的傾斜角度。胡人偉等人[6]運(yùn)用傅里葉變換將商標(biāo)圖像從空域轉(zhuǎn)換到頻域，再通過(guò)Hough 變換求出頻譜圖像中的傾斜角度，以實(shí)現(xiàn)圖像的傾斜校正；此方法雖然只做了一次空域到頻域的變換，但耗時(shí)較長(zhǎng)，實(shí)用性不強(qiáng)。鄧翔宇等人[7]通過(guò)大尺度梯度下降法實(shí)現(xiàn)簡(jiǎn)譜的粗校正，再利用小尺度梯度下降法進(jìn)行精細(xì)調(diào)整；但是當(dāng)傾斜角度超過(guò)±8°時(shí)，該方法校正精準(zhǔn)性下降明顯。李青等人[8]結(jié)合Canny 邊緣檢測(cè)和Hough 變換獲取交通標(biāo)識(shí)牌矩形邊緣的4 個(gè)角點(diǎn)坐標(biāo)，再應(yīng)用透視變換對(duì)其進(jìn)行校正；但該方法中Hough變換耗時(shí)長(zhǎng)，且較為依賴Canny 邊緣檢測(cè)獲取的圖像邊緣，不適用于背景復(fù)雜的圖像。

傾斜角度檢測(cè)方法耗時(shí)長(zhǎng)、難以獲取精確角度，而凸包檢測(cè)則可以通過(guò)叉乘、角度和長(zhǎng)度等方法精準(zhǔn)篩選凸包頂點(diǎn)，獲取包含位置和角度信息的特征點(diǎn)[9]。黃珂等人[10]通過(guò)Harris角點(diǎn)檢測(cè)算法獲取QR 碼圖像的角點(diǎn)并進(jìn)行凸包檢測(cè)，以獲取QR 碼位置信息；但角點(diǎn)檢測(cè)過(guò)于依賴拍攝的圖像，難以獲取復(fù)雜背景圖像的有效角點(diǎn)，且參與凸包篩選的角點(diǎn)數(shù)量較多，耗時(shí)長(zhǎng)。郭亞盛等人[11]運(yùn)用Andrew 算法獲取圓柱類零件圖像輪廓凸包，再獲取凸包的最小外接矩形以實(shí)現(xiàn)對(duì)圓柱類零件圖像的尺寸測(cè)量；但凸包篩選邊緣點(diǎn)較多，計(jì)算時(shí)間較長(zhǎng)，且存在特征點(diǎn)集簇?fù)砬闆r。王亞杰等人[12]提取棋盤(pán)輪廓邊緣點(diǎn)后，運(yùn)用凸包檢測(cè)算法獲取棋盤(pán)4個(gè)頂點(diǎn)坐標(biāo)，以實(shí)現(xiàn)棋盤(pán)校正；但該方法需要篩選的棋盤(pán)輪廓邊緣點(diǎn)較多，計(jì)算時(shí)間較長(zhǎng)。朱俊卿[13]采用基于凸包檢測(cè)的矩形頂點(diǎn)檢測(cè)方法定位矩形的4個(gè)頂點(diǎn)，采用透視變換對(duì)畸變圖像進(jìn)行校正；但該方法需要進(jìn)行凸包篩選的點(diǎn)集較多，耗時(shí)長(zhǎng)。

針對(duì)凸包檢測(cè)耗時(shí)長(zhǎng)、特征點(diǎn)多的問(wèn)題，彭志光等人[14]改進(jìn)凸包算法，對(duì)葉片型截面點(diǎn)云數(shù)據(jù)進(jìn)行排序和精準(zhǔn)分割，通過(guò)矩形區(qū)域腐蝕法確定凸包邊界區(qū)域，刪除冗余點(diǎn)，以減少參與排序和生成凸包的點(diǎn)集數(shù)量，提高構(gòu)造凸包效率。張勇等人[15]根據(jù)圖像分辨率確定掃描行數(shù)，保留掃描行第一個(gè)和最后一個(gè)像素點(diǎn)形成點(diǎn)集，以提高構(gòu)造凸包效率。蔡文婷等人[16]對(duì)二維條碼的邊緣點(diǎn)集進(jìn)行預(yù)處理，濾除二維條碼內(nèi)部的點(diǎn)集，再對(duì)剩余點(diǎn)集構(gòu)造凸包，從而實(shí)現(xiàn)圖像的高效定位。

在圖像傾斜校正算法研究中，旋轉(zhuǎn)變換矩陣的選擇也是校正的關(guān)鍵。旋轉(zhuǎn)變換矩陣通常有三種：一是二維歐式變換矩陣[17]，該矩陣包括平移、旋轉(zhuǎn)和縮放三個(gè)基本變換矩陣，可用于對(duì)平面圖形進(jìn)行傾斜校正；二是仿射變換矩陣[18]，該矩陣是在二維歐氏變換矩陣的基礎(chǔ)上增加了一個(gè)錯(cuò)切變換矩陣，從而能夠更加精確地對(duì)圖像進(jìn)行傾斜校正；三是透視變換矩陣[19]，該矩陣在仿射變換矩陣的基礎(chǔ)上增加了一個(gè)透視變換矩陣，能夠?qū)θS場(chǎng)景進(jìn)行投影并進(jìn)行傾斜校正。相較于二維歐式變換矩陣，仿射變換矩陣可更精確地校正傾斜圖像。相較于透視變換矩陣，仿射變換可以保持直線的平行性，從而很好地保持圖像的形狀，而透視變換會(huì)改變圖像的形狀和大小，容易引起失真。

基于上述分析，本文通過(guò)標(biāo)記多幅芯片圖像中每個(gè)芯片的位置，改進(jìn)Andrew 算法以獲取傾斜角度和旋轉(zhuǎn)中心，運(yùn)用仿射變換實(shí)現(xiàn)多幅芯片圖像的快速校正與提取。

1 圖像預(yù)處理

半導(dǎo)體芯片在封裝過(guò)程中存在尺寸公差，制造料盤(pán)承載口時(shí)會(huì)留有一定余量，導(dǎo)致芯片放置于承載口時(shí)存在一定程度的傾斜[20]。本文以QFN芯片引腳面圖像為研究對(duì)象，為了減少噪聲的影響，需要對(duì)圖像進(jìn)行預(yù)處理，獲取芯片中心焊盤(pán)和引腳邊緣點(diǎn)簡(jiǎn)化圖像信息，減少后續(xù)處理的計(jì)算量。多幅傾斜芯片圖像的預(yù)處理包括高斯濾波、灰度化和Canny邊緣檢測(cè)。如圖1所示，為預(yù)處理流程圖。

圖1 預(yù)處理流程圖

具體步驟為：

（1）采用3×3 高斯濾波器對(duì)圖像進(jìn)行卷積，以平滑圖像，減少噪聲對(duì)后續(xù)邊緣檢測(cè)的影響。

（2）對(duì)圖像進(jìn)行灰度化處理，以減少后續(xù)處理計(jì)算量。

（3）為減少噪聲影響，獲取芯片中心焊盤(pán)和引腳邊緣點(diǎn)，采用Canny 邊緣檢測(cè)算法，設(shè)定低閾值為100，高閾值為200。

2 基于改進(jìn)凸包檢測(cè)算法的多幅芯片圖像校正方法

常見(jiàn)的凸包檢測(cè)算法有Graham 掃描法[21]、Andrew算法[22]，其中Andrew算法是對(duì)Graham掃描法的優(yōu)化。Graham 掃描法中需要對(duì)兩個(gè)點(diǎn)算出叉乘，甚至在某些情況下還要算出兩個(gè)點(diǎn)的距離，復(fù)雜度較高且極角排序會(huì)造成丟點(diǎn)現(xiàn)象，而Andrew 算法直接通過(guò)對(duì)點(diǎn)(x,y)排序就可以實(shí)現(xiàn)，降低了算法復(fù)雜度且解決了丟點(diǎn)的問(wèn)題[23]；但Andrew 算法在構(gòu)造凸包時(shí)，存在特征點(diǎn)過(guò)多和計(jì)算時(shí)間較長(zhǎng)等問(wèn)題。因此，本文對(duì)Andrew算法進(jìn)行改進(jìn)。

2.1 Andrew算法

假設(shè)同一平面內(nèi)3 個(gè)不重合的點(diǎn)A=(XA，YA)、B=(XB，XB)、C=(XC，YC)，記AB為點(diǎn)A指向點(diǎn)B的向量，AC為點(diǎn)A指向點(diǎn)C的向量。那么，向量AB=(XB-XA，YB-YA) ，向量AC=(XC-XA，YC-YA)。兩者叉積為：式中：T被稱為點(diǎn)C相對(duì)于點(diǎn)A和點(diǎn)B的凸度，通過(guò)判斷T的正負(fù)，可以確定這3 個(gè)點(diǎn)的相對(duì)位置。如圖2所示，根據(jù)A、B、C這3個(gè)不重合點(diǎn)的相對(duì)位置，凸度T有3種情況：

圖2 A、B、C三個(gè)不重合點(diǎn)相對(duì)位置情況

（1）若T(A，B，C)＜0 ，則AB順時(shí)針轉(zhuǎn)向AC，如圖2（a）所示。

（2）若T(A，B，C)=0，則A、B、C三點(diǎn)在同一直線上，如圖2（b）所示。

（3）若T(A，B，C)＞0 ，則AB逆時(shí)針轉(zhuǎn)向AC，如圖2（c）所示。

Andrew 算法通過(guò)對(duì)點(diǎn)(x,y)排序確定構(gòu)造凸包的起始點(diǎn)和終點(diǎn)，點(diǎn)集按照點(diǎn)橫坐標(biāo)x從小到大排序，在橫坐標(biāo)x相同的情況下，再按照點(diǎn)縱坐標(biāo)y從小到大排序。如圖3 所示，為采用Andrew 算法構(gòu)造凸包的示意圖。從排序后的第一個(gè)點(diǎn)p1到排序后的最后一個(gè)點(diǎn)pn，通過(guò)判斷凸度T大小順時(shí)針構(gòu)造凸包上部；再?gòu)呐判蚝蟮淖詈笠粋€(gè)點(diǎn)pn到排序后的第一個(gè)點(diǎn)p1，通過(guò)判斷凸度T大小順時(shí)針構(gòu)造凸包下部；合并凸包上部和下部保留其中一個(gè)的起點(diǎn)和終點(diǎn)，獲得完整的凸包。

圖3 Andrew算法構(gòu)造凸包示意圖

2.2 Andrew算法改進(jìn)思路

由Andrew 算法構(gòu)造凸包的方法可知，當(dāng)芯片的傾斜方向不同時(shí)，構(gòu)造凸包上下部的點(diǎn)集不同。為了提高凸包算法的效率，本文通過(guò)設(shè)計(jì)新的點(diǎn)集排序方式，使芯片中心焊盤(pán)左下角、右下角和右上角3個(gè)拐角的邊緣點(diǎn)在Andrew算法構(gòu)造的凸包下部，以省去獲取凸包上部點(diǎn)集環(huán)節(jié)，從而大幅度減少凸包計(jì)算量。

針對(duì)Andrew 算法篩選出的凸包點(diǎn)集存在邊緣點(diǎn)簇?fù)砬闆r，首先通過(guò)限制凸度大小減少凸包點(diǎn)集的數(shù)量；再設(shè)計(jì)新點(diǎn)集的排序方法對(duì)篩選后的凸包點(diǎn)集進(jìn)行排序，濾除不需要的凸包點(diǎn)集。如圖4 所示，為改進(jìn)的Andrew 算法步驟示意圖。具體步驟為：

（1）設(shè)計(jì)新的點(diǎn)集排序規(guī)則，以坐標(biāo)系原點(diǎn)為旋轉(zhuǎn)中心將圖像逆時(shí)針旋轉(zhuǎn)45 ° ，然后將點(diǎn)從下往上排序。 經(jīng)過(guò)排序之后，得到序列φnew：p1，p2，…，pn，其中 p1是中心焊盤(pán)左下角的點(diǎn)，pn是中心焊盤(pán)右上角的點(diǎn)。如圖4（a）所示，為點(diǎn)集排序示意圖。

（2）創(chuàng)建3 個(gè)拐角邊緣點(diǎn)點(diǎn)集序列ν，并在序列ν 中加入點(diǎn)p1。

（3）從第1 個(gè)點(diǎn)p1到最后1 個(gè)點(diǎn)pn逆時(shí)針構(gòu)造凸包下部得到凸包點(diǎn)集。如圖4（b）所示，為構(gòu)造凸包下部示意圖。可以看出，連接凸包下部需要篩選的邊緣點(diǎn)為L(zhǎng) 型。序列φnew: p1，p2，…，pn中的點(diǎn)從p1開(kāi)始逐個(gè)加入序列τ ，若序列τ 中的點(diǎn)多余1 個(gè)，取出序列τ 中最后2 個(gè)點(diǎn)，設(shè)定當(dāng)前點(diǎn)pi和序列τ中最后2 個(gè)點(diǎn)的凸度T(τlast-1,τlast,pi) 大小為20。若設(shè)定凸度的值較小，篩選的凸包點(diǎn)集將過(guò)多，不利于后續(xù)篩選；若設(shè)定的凸度值較大，則存在篩選后的凸包點(diǎn)集中，不能將3 個(gè)拐角點(diǎn)都包含在內(nèi)的情況。 經(jīng)過(guò)測(cè)試，選擇凸度T(τlast-1,τlast,pi)為20，這樣，篩選的凸包點(diǎn)集中能夠包含3 個(gè)拐角點(diǎn)，且點(diǎn)集數(shù)量較少。判斷T(τlast-1,τlast,pi) 是否大于等于設(shè)定值，若T(τlast-1,τlast,pi)小于等于設(shè)定值，則刪除序列τ 中最后1 個(gè)點(diǎn)；若T(τlast-1,τlast,pi) 大于等于設(shè)定值，則將當(dāng)前點(diǎn)pi加入序列τ 的最后。

（4）在序列ν 中加入點(diǎn)τlast。

（5）為了保證能精準(zhǔn)獲取L 型邊緣點(diǎn)的拐角邊緣點(diǎn)，設(shè)計(jì)新的點(diǎn)集排序規(guī)則，以坐標(biāo)系原點(diǎn)為旋轉(zhuǎn)中心將圖像順時(shí)針旋轉(zhuǎn)45°，然后將點(diǎn)從下往上排序。如圖4（c）所示，為序列τ 的點(diǎn)集排序示意圖。將序列τ 的點(diǎn)集進(jìn)行排序，取出排序后的第1個(gè)點(diǎn)加入序列ν。

（6）在序列ν 中獲取芯片中心焊盤(pán)左下角、右下角和右上角3個(gè)拐角邊緣點(diǎn)。

由上述步驟可知，該方法不僅適用于QFN封裝芯片傾斜角度的快速獲取；而且對(duì)于和芯片中心焊盤(pán)相同類型、可通過(guò)水平或垂直輪廓線來(lái)表示傾斜角度、且存在L 型輪廓邊緣點(diǎn)的圖像，也可以應(yīng)用該算法快速獲取傾斜角度。

2.3 多幅芯片圖像校正

本文通過(guò)改進(jìn)Andrew 凸包檢測(cè)算法，快速獲取多幅芯片的傾斜角度和旋轉(zhuǎn)中心，校正多幅芯片圖像。如圖5 所示，為多幅芯片校正方法流程圖。具體步驟為：

（1）預(yù)處理。根據(jù)本文第1 節(jié)預(yù)處理方法，完成多幅芯片傾斜圖像的預(yù)處理，獲取每個(gè)芯片的邊緣點(diǎn)。

（2）邊緣點(diǎn)篩選。篩選出中心焊盤(pán)輪廓邊緣點(diǎn)，剔除非中心焊盤(pán)輪廓點(diǎn)。本文通過(guò)限制Canny邊緣檢測(cè)獲取的邊緣點(diǎn)個(gè)數(shù)，保留邊緣點(diǎn)個(gè)數(shù)小于500 或大于2 000 的輪廓，篩選出中心焊盤(pán)的輪廓邊緣點(diǎn)，濾除其余輪廓邊緣點(diǎn)。

（3）記錄芯片位置信息。為后續(xù)應(yīng)用ROI 感興趣區(qū)域提取校正后的圖像，本文采用最小外接正矩形標(biāo)記每個(gè)芯片位置信息。當(dāng)?shù)玫侥繕?biāo)對(duì)象輪廓后，獲取包覆此輪廓的最小正矩形，并記錄其左上角坐標(biāo)和長(zhǎng)寬。

（4）獲取傾斜角度和旋轉(zhuǎn)中心。為了獲取每個(gè)芯片的傾斜角度，本文提出改進(jìn)Andrew 凸包檢測(cè)算法，篩選凸包點(diǎn)，獲取每個(gè)芯片中心焊盤(pán)左下角、右上角和右下角3個(gè)拐角的邊緣點(diǎn)。計(jì)算芯片中心焊盤(pán)左下角拐角點(diǎn)和右下角拐角點(diǎn)坐標(biāo)組成的向量與坐標(biāo)x軸之間的夾角，即每個(gè)芯片的傾斜角度。設(shè)兩個(gè)坐標(biāo)點(diǎn)分別為p(x,y)、q(x,y)，則圖像傾斜角度θ計(jì)算公式為：

式中：xp和yp為點(diǎn)p的橫坐標(biāo)和縱坐標(biāo)；xq和yq為點(diǎn)q的橫坐標(biāo)和縱坐標(biāo)。為了獲取每個(gè)芯片的旋轉(zhuǎn)中心，應(yīng)用改進(jìn)Andrew 凸包檢測(cè)算法篩選凸包獲得中心焊盤(pán)左下角邊緣點(diǎn)和右上角邊緣點(diǎn)，兩者連線的中心點(diǎn)即旋轉(zhuǎn)中心。

（5）校正傾斜芯片圖像。基于改進(jìn)Andrew 凸包檢測(cè)算法獲取多幅芯片傾斜角度，且以每個(gè)芯片形心為旋轉(zhuǎn)中心獲得仿射變換矩陣，通過(guò)仿射變換矩陣將傾斜圖像上的每個(gè)點(diǎn)進(jìn)行旋轉(zhuǎn)校正。在二維空間內(nèi)，常見(jiàn)的旋轉(zhuǎn)變換矩陣有兩種：一種為繞原點(diǎn)旋轉(zhuǎn)；另一種為繞任意點(diǎn)旋轉(zhuǎn)。繞原點(diǎn)旋轉(zhuǎn)的旋轉(zhuǎn)變換矩陣簡(jiǎn)單直接，但圖像旋轉(zhuǎn)中心不在原點(diǎn)，需先將圖像移動(dòng)到原點(diǎn)再進(jìn)行旋轉(zhuǎn)，該操作將增加計(jì)算量和實(shí)現(xiàn)難度。相比之下，繞任意點(diǎn)旋轉(zhuǎn)可以直接指定旋轉(zhuǎn)中心點(diǎn)的坐標(biāo)，方便靈活。由于通過(guò)改進(jìn)Andrew 算法已經(jīng)獲取了芯片的傾斜角度和旋轉(zhuǎn)中心，因此，本文將芯片圖像繞旋轉(zhuǎn)中心旋轉(zhuǎn)以實(shí)現(xiàn)校正。設(shè)旋轉(zhuǎn)中心為(x,y)，傾斜角度為θ弧度，繞旋轉(zhuǎn)中心逆時(shí)針旋轉(zhuǎn)θ的旋轉(zhuǎn)變換矩陣M1計(jì)算公式為：

繞旋轉(zhuǎn)中心順時(shí)針旋轉(zhuǎn)θ的旋轉(zhuǎn)變換矩陣M2計(jì)算公式為：

設(shè)傾斜圖像上的點(diǎn)為(x1,y1)，旋轉(zhuǎn)變換矩陣M為M1或M2，旋轉(zhuǎn)后圖像上的點(diǎn)(x2,y2) 計(jì)算公式為：

（6）提取校正后的芯片圖像。根據(jù)最小外接正矩形標(biāo)記每個(gè)芯片位置信息，以芯片的左上角坐標(biāo)和芯片的長(zhǎng)寬設(shè)定矩形ROI 區(qū)域，進(jìn)而提取校正后多幅芯片圖像的矩形ROI區(qū)域。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)結(jié)果

本文通過(guò)改進(jìn)凸包檢測(cè)算法實(shí)現(xiàn)多幅芯片圖像校正，解決了傳統(tǒng)方法在處理多幅芯片圖像時(shí)必須先進(jìn)行圖像切分才能夠繼續(xù)校正的問(wèn)題[20]，從而有效提高了多幅圖像的校正效率。選取10 幅不同的多幅QFN 芯片引腳面圖像為實(shí)驗(yàn)對(duì)象，每幅圖像中包含9 個(gè)QFN 芯片，共90 個(gè)QFN 芯片。實(shí)驗(yàn)環(huán)境為四核十二線程、CPU@2.2 GHz、內(nèi)存16 G、Visual Studio 2017。如圖7（a）所示，為多幅芯片傾斜圖像。如圖7（b）至7（j）所示，為校正后的多幅芯片圖像，其分別對(duì)應(yīng)多幅芯片傾斜圖像中第1 至第9 個(gè)芯片。由圖7 可見(jiàn)，對(duì)于一幅包含9 個(gè)不同芯片的多幅QFN 芯片引腳面圖像，本文方法能夠省去單幅芯片圖像的切分環(huán)節(jié)，直接完成每個(gè)芯片的校正與提取。

圖7 采用本文方法校正多幅芯片圖像

3.2 算法對(duì)比

3.2.1 時(shí)間對(duì)比

對(duì)于多幅芯片圖像，傳統(tǒng)算法需要先切分，再對(duì)切分后的單幅芯片圖像進(jìn)行校正。如圖8所示，為了檢測(cè)切分多幅芯片圖像的運(yùn)行時(shí)間，本文對(duì)采集到的9 幅多幅芯片傾斜圖像進(jìn)行切分，每幅圖像中包含9 個(gè)芯片，使得切分后的圖像中僅包含單幅芯片。如圖8（a）所示，為多幅芯片傾斜圖像，如圖8（b）至8（j）所示，為切分后單幅芯片傾斜圖像，其分別對(duì)應(yīng)多幅芯片傾斜圖像中第1 個(gè)至第9個(gè)芯片。

圖8 切分多幅芯片圖像

如表1 所示，為9 張多幅芯片傾斜圖像的切分時(shí)間。從表1 可見(jiàn)，平均切分時(shí)間為406.67 ms，平均每個(gè)芯片的切分時(shí)間為45.18 ms。本文采用最小外接正矩形標(biāo)記芯片位置信息，應(yīng)用ROI 完成校正后的芯片圖像提取，從而直接省去如表1 所示的45.18 ms 的平均單幅芯片切分時(shí)間。

表1 切分多幅芯片圖像的時(shí)間 單位：ms

為了檢測(cè)本文方法與傳統(tǒng)Hough 變換校正方法[24]、最小外接矩形校正方法[25]、傅里葉變換校正方法[26]的時(shí)間差異，分別對(duì)9幅不同的QFN芯片引腳面圖像進(jìn)行運(yùn)行時(shí)間對(duì)比。為了保證算法對(duì)比的有效性，首先，將3 種對(duì)比算法都按上述完成芯片傾斜圖像的預(yù)處理，獲取邊緣點(diǎn)；接著，獲取邊緣點(diǎn)最小外接矩形，通過(guò)限制最小外接矩形長(zhǎng)寬，篩選出芯片中心焊盤(pán)輪廓邊緣點(diǎn)；最后，通過(guò)芯片中心焊盤(pán)的最小外接矩形確定旋轉(zhuǎn)中心，該旋轉(zhuǎn)中心即為最小外接矩形的中心點(diǎn)。

傳統(tǒng)Hough 變換校正方法通過(guò)Hough 變換計(jì)算芯片中心焊盤(pán)水平或垂直輪廓線的傾斜角度，再應(yīng)用仿射變換校正芯片圖像。最小外接矩形校正方法通過(guò)最小外接矩形獲取芯片中心焊盤(pán)的傾斜角度，再應(yīng)用仿射變換校正芯片圖像。傅里葉變換校正方法通過(guò)最小外接正矩形標(biāo)記芯片中心焊盤(pán)位置信息，設(shè)定矩形ROI 區(qū)域提取芯片中心焊盤(pán)圖像；再應(yīng)用傅里葉變換求出芯片中心焊盤(pán)頻域圖像，應(yīng)用Hough 變換計(jì)算頻域圖像中直線的傾斜角度；最后應(yīng)用仿射變換校正芯片圖像。如表2所示，為4種算法的運(yùn)行時(shí)間。對(duì)9 幅芯片引腳面圖像校正的平均時(shí)間，傳統(tǒng)Hough 變換校正方法為153.89 ms，最小外接矩形校正方法為120.33 ms，傅里葉變換校正方法為191.89 ms，本文方法處理單幅圖像的平均用時(shí)僅為45.11 ms；與對(duì)比方法中平均用時(shí)最少的最小外接矩形校正方法120.33 ms 相比，本文方法的平均用時(shí)少于其1/2。由于采用最小外接正矩形標(biāo)記芯片位置信息，應(yīng)用ROI 完成校正后芯片圖像的提取，省去了單幅芯片圖像切分環(huán)節(jié)，本文方法校正包含9個(gè)芯片的多幅芯片圖像中每個(gè)芯片的平均時(shí)間為79.44 ms，與對(duì)比方法中校正單幅芯片平均用時(shí)最少的最小外接矩形校正方法120.33 ms 相比，本文方法校正多幅芯片圖像的平均用時(shí)少于其2/3。

表2 4種算法校正圖像的時(shí)間 單位：ms

3.2.2 角度偏差對(duì)比

如圖9 所示，通過(guò)人工標(biāo)定5 幅傾角分別為1°、2°、3°、4°、5°，規(guī)格為34 mm×30 mm×9 mm的金屬量塊圖像，對(duì)本文方法獲取傾斜角度的準(zhǔn)確性進(jìn)行驗(yàn)證。如表3所示，運(yùn)用上述4種算法分別檢測(cè)5幅量塊圖像得到傾斜角度及偏差值。根據(jù)表3，本文方法獲取的5幅量塊圖像傾斜角度和人工標(biāo)定角度的平均偏差為0.085°，低于其它3種對(duì)比方法，說(shuō)明本文方法可以獲取相對(duì)更為準(zhǔn)確的量塊圖像傾斜角度。

表3 4種算法獲取傾斜角度與人工標(biāo)定角度的誤差對(duì)比 單位：（°）

為了驗(yàn)證本文方法應(yīng)用在QFN芯片引腳面圖像檢測(cè)中的準(zhǔn)確性，如圖10所示，選取一張標(biāo)準(zhǔn)無(wú)傾斜的QFN 芯片引腳面圖像為實(shí)驗(yàn)對(duì)象，將此芯片圖像每次順時(shí)針旋轉(zhuǎn)0.5°，旋轉(zhuǎn)7 次獲取傾角分別為0.5°、1.0°、1.5°、2.0°、2.5°、3.0°、3.5°的7 張標(biāo)準(zhǔn)角度傾斜芯片圖像。如表4所示，運(yùn)用上述4種算法分別檢測(cè)7張標(biāo)準(zhǔn)角度傾斜芯片圖像的傾斜角度及偏差值，平均偏差分別為：本文方法0.112°、傳統(tǒng)Hough變換校正方法0.293°、最小外接矩形校正方法0.339°、傅里葉變換校正方法0.753°；本文方法獲取的平均偏差小于其它3種對(duì)比方法，說(shuō)明其獲取傾斜角度更加準(zhǔn)確。

表4 4種算法獲取傾斜角度與標(biāo)準(zhǔn)角度的誤差對(duì)比 單位：（°）

圖10 標(biāo)準(zhǔn)角度傾斜芯片圖像

4 結(jié)論

本文以多幅QFN 芯片圖像為實(shí)驗(yàn)對(duì)象，針對(duì)芯片在封裝缺陷視覺(jué)檢測(cè)過(guò)程中存在的圖像傾斜問(wèn)題，改進(jìn)Andrew 凸包檢測(cè)算法，實(shí)現(xiàn)多幅芯片圖像校正。首先，通過(guò)限制輪廓點(diǎn)個(gè)數(shù)篩選出芯片中心焊盤(pán)輪廓，用最小外接正矩形標(biāo)記每個(gè)芯片位置信息；然后，采用改進(jìn)Andrew 算法快速獲取多幅芯片圖像中每個(gè)芯片的傾斜角度和旋轉(zhuǎn)中心；最后，應(yīng)用仿射變換校正多幅芯片圖像，根據(jù)芯片位置信息應(yīng)用ROI完成芯片圖像的校正與提取。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的Hough 變換方法、最小外接矩形方法、傅里葉變換校正方法相比，該方法能夠更精準(zhǔn)校正芯片圖像，且校正單幅芯片圖像的運(yùn)行時(shí)間少于對(duì)比方法的1/2。

本文方法采用最小外接矩形標(biāo)記芯片位置信息，應(yīng)用ROI完成校正后的芯片圖像提取，省去了單幅芯片圖像切分環(huán)節(jié)，能夠進(jìn)一步提高圖像校正效率。改進(jìn)的Andrew算法不僅適用于QFN芯片圖像，而且同樣適用于可通過(guò)水平或垂直輪廓線來(lái)表示傾斜角度且存在L 型輪廓邊緣點(diǎn)的圖像。但是，該方法依賴于能夠獲取連續(xù)不間斷的L型邊緣點(diǎn)，若缺少L型邊緣點(diǎn)，則無(wú)法獲取旋轉(zhuǎn)中心；若邊緣點(diǎn)不連續(xù)，則會(huì)出現(xiàn)兩個(gè)傾斜角度和旋轉(zhuǎn)中心，影響校正精度。在后續(xù)研究中，可研究邊緣檢測(cè)算法以獲取連續(xù)邊緣，再配合本文改進(jìn)的Andrew 算法，獲取存在L型邊緣點(diǎn)圖像的傾斜角度。