一種基于機器視覺的表貼元器件自動定位方法

摘" 要：元器件二篩具有型號多、批次多等特點，目前該項工作手工工序比例較高，導致人為質量問題頻發和篩選效率較低等問題。為此，圍繞表貼元器件開展自動化檢測研究，提出一種基于機器視覺的表貼元器件自動定位方法。該方法通過建立機器視覺和機械手的映射關系、構建模板和旋轉標定以實現表貼元器件的自動定位。此外，還開發了表貼元器件全自動檢測系統，實驗驗證了該系統的有效性，且效率較人工提升了5倍以上。

關鍵詞：表貼元器件；機器視覺；自動定位；自動檢測

中圖分類號：TP391.4" 文獻標識碼：A" " 文章編號：2096-4706（2024）21-0020-06

An Automatic Positioning Method of Surface Mount Components Based on Machine Vision

SUN Yi， WANG Wenxi， ZOU Yizhen

（Guizhou Aerospace Institute of Measuring and Testing Technology， Guiyang" 550009， China）

Abstract： The second screening of components has the characteristics of many models and batches. At present， the proportion of manual processes in this work is high， which leads to frequent human quality problems and low screening efficiency and other problems. To this end， automatic detection research is carried out around the surface mount components， and an automatic positioning method of surface mount components based on Machine Vision is proposed. This method realizes the automatic positioning of surface mount components by establishing the mapping relationship between Machine Vision and manipulator， constructing template， and rotating calibration. In addition， the automatic detection system for surface mount components is developed. The experiment verifies the effectiveness of the system， and the efficiency is more than 5 times higher than that of manual operation.

Keywords： surface mount component; Machine Vision; automatic positioning; automatic inspection

0" 引" 言

元器件二次篩選的質量直接影響著型號裝備的可靠性[1]。目前，大多數篩選機構二篩過程仍處于人工檢測水平，該過程手工工序比例較高且篩選效率較低。為此，紛紛成立了元器件可靠性保障機構，對用于型號裝備上的元器件進行二次篩選。其中，表貼元器件篩選需求量較高，占整個元器件篩選工作的70%以上。因此，開展表貼元器件的自動化檢測工作刻不容緩。

近年來，隨著工業成像、計算機視覺等技術的快速發展，機器視覺技術已廣泛應用于工業自動化領域，比如目標檢測[2-3]、缺陷檢測[4-5]等。早在2001年，Paul Viola和Michael Jones提出了第一個人臉檢測框架，能夠快速、高效的對人臉進行實時檢測[6]。最近，張詩文等人設計了一種各向異性非極大值抑制方法用于工業目標檢測，該算法已成功應用于某冷軋廠軋輥自動抓取生產線[7]。因此，基于機器視覺技術已廣泛應用于工業實際生產中，能夠實現產品的自動識別、定位和自動抓取[8-11]。

本文提出了一種基于機器視覺的表貼元器件自動識別與定位技術，用于二篩過程中表貼元器件篩選工作關鍵工序數控化，進而保障表貼元器件篩選質量并提升其篩選效率。本文的主要工作包括：1）提出了基于機器視覺的表貼元器件自動識別與定位技術；2）開發了表貼元器件全自動檢測系統（Chip Component fully Automatic Detection System， CCADS）；3）構建了120只表貼鉭電解電容組成的樣品庫，進行了人工和CCADS系統檢測實驗對比，驗證了系統的有效性。

1" 表貼元器件自動定位方法

1.1" 規則定義

針對表貼元器件自動篩選需求，基于機器視覺和機械手，設計一種表貼元器件自動定位方法，為了更好地澄清該過程，定義如下規則：

1）設圖像的直角平面坐標系為P：UOV，機械手的直角平面坐標系為R：XOY。

2）設P坐標系的原點為OP，R坐標系的原點為OR。

3）P坐標系中任意一點S，在R坐標系中均能找到與之對應的一點，設其為S′。

4）設P坐標系內某點S在P坐標系的坐標為（us，vs），則其對應點S′在R坐標系的坐標為（xS′，yS′）。

5）設P坐標系內起點S1和終點S2在P坐標系的向量為，則R坐標系內與之對應的向量為。

自動定位實現過程如圖1所示，具體包括：（a）建立映射關系，構建P坐標系到R坐標系的映射關系；（b）構建模板和旋轉標定，構建匹配模板和提高定位精度；（c）目標識別與定位，先利用多對象、多角度模板匹配技術，識別并定位出表貼元器件在P坐標系內的坐標和角度信息，在利用建立的映射關系計算該表貼元器件在R坐標系的坐標和角度信息；（d）自動抓取，將坐標和角度信息發送至機械手，實現自動抓取。

1.2" 建立映射關系

在表貼元器件自動篩選過程中，基于機器視覺得到表貼元器件的P坐標系坐標后，需要將其轉化為R坐標系坐標再告知機械手，進而實現機械手自動取料，此過程需要建立P坐標系到R坐標系的映射關系。

具體操作見算法1，該算法的輸出為比例系數k和偏轉角度θ，k即R坐標系內兩點和向量值與P坐標系內對應兩點Si和Sj向量值之間的比值，θ即兩個坐標系之間的偏轉角度。

算法1建立映射關系

Input：一張待測區帶黑白棋盤格標定板的圖片A

Output：比例系數k和偏轉角度θ

1：begin

2：//轉換A，使UV軸方向分別與XY軸方向一致

3：//移動A1原點Op位置，使其與原點OR位置一致

4：//用9點標定法進行“手眼”標定

5：end

算法1中序號4的“手眼”標定方法采用9點標定，分為3步實現：

1）求向量。先計算P坐標系內某9個點Si的坐標，其中i∈{1，2，3，4，5，6，7，8，9}，下同，再獲取R坐標系內與P坐標系內某9個對應的點的坐標，然后分別計算P坐標系內和R坐標系內相對應的9個向量，即和，其中：

2）求比例系數k。首先利用式（1）求得9個比例系數，然后利用式（2）求得比例系數k。

（1）

（2）

3）求偏轉角θ。先利用式（3）求得9個偏轉角θi。

（3）

其中，θir為向量相對于R坐標系中X軸的偏轉角，θip為向量相對于P坐標系中U軸的偏轉角，分別由式（4）和式（5）求得。

（4）

（5）

其中，表達式AT（a，b）的值見式（6）所示：

（6）

求出θi后，利用式（7）求得偏轉角θ。

（7）

求得比例系數k和偏轉角度θ后，建立映射關系完成。下面舉例說明，若得到P坐標系內任意一點Pt的坐標，可利用式（8）求得R坐標系內與其對應的點的坐標。

（8）

其中，Si為P坐標系內9個已知坐標點中的任意一點，和分別為R坐標系中與點Si對應點的橫縱坐標，。

1.3" 構建模板和旋轉標定

構建待測表貼元器件模板，在自動定位時作為匹配模板。模板的構建方式是通過提取待測表貼元器件的特征，本文采用基于尺度不變特征變換（Scale-invariant feature transform，SIFT）進行特征提取[12]。

具體操作見算法2，該算法的輸出為構建好的模板TPL和平均定位誤差ER。

算法2 構建模板和旋轉標定

Input：包含待測表貼元器件的圖像B，標定循環次數n和旋轉角度a

Output：模板TPL和平均定位誤差ER

1：begin

2：//計算B中連通域，得到初始模板

3：//計算P的中心點坐標

4：//提取關鍵點集合和特征描述信息

5：//根據KP和FD構建模板函數

6：//機械手移動至點位置

7：//根據映射關系計算P在R坐標系中的角度

8：for i ← to n do

9：//機械手吸取表貼元器件原地旋轉a度

10：//表貼元器件當前角度定位

11：//計算當前理論角度

12：//計算本輪定位誤差.

13：end for

14：

15：end

算法2中，Uti為表貼元器件當前理論角度，ERi為當前定位角度與當前理論角度的偏差。

1.4" 目標定位

本節經過系列操作，將得到待測表貼元器件在R坐標系內的坐標和角度，完成最終的目標定位工作。

具體操作見算法3，該算法的輸出為成功定位的所有表貼元器件在R坐標系內的坐標（a，b）和角度U。

算法3 目標定位

Input：旋轉模板角度步進SF、比例系數k、偏轉角度θ、TPL和ER

Output：坐標（a，b）和角度U

1：begin

2： Label photo：//控制工業相機拍照得到圖像C

3：//將C的顏色空間由BGR轉換至HSV

4：/非線性雙邊濾波，保邊去噪

5：//增強對比度，突出有意義部分

6：//形態學開閉運算，連接碎片區域

7：//檢測C4中待測表貼元器件輪廓

8：//獲取初始匹配結果

9：//計算BMC在R坐標系中的角度

10：

11：

12：for 1 ←to T do

13：//獲取本輪最佳匹配結果

14：if

15：//更新最佳匹配度

16：//更新最佳匹配元器件

17：//更新最佳匹配次數

18：end if

19：end for

20：if

21： //計算P坐標系下BMC中心點Pc的坐標

22：//計算Pc對應點的坐標

23：

24：//獲取最佳匹配角度

25：

26：else if

27：//控制柔性振動裝置振動

28：go toLabel photo//程序回到拍照處

29：end if

30：end

至此，實現對表貼元器件進行自動定位，將坐標（a，b）和角度U發送給機械手，進而實現機械手自動抓取和后續自動檢測工作。

2" CCADS系統開發

2.1" CCADS系統總體設計

為了應用所提技術，在Windows環境下，使用C++語言開發了表貼元器件全自動檢測原理樣機CCADS系統，可對9種型號片式鉭電容進行全自動檢測。CCADS系統總體方案如圖2所示，系統由軟件和硬件組成，軟件包括上位機模塊、視覺模塊和機械手行程規劃模塊，硬件包括測試治具、機械手和CCD相機等。

2.2" 軟件設計

CCADS系統軟件總體結構如圖3所示，機械手受上位機模塊控制，并從視覺模塊獲取待測表貼元器件的坐標，將待測表貼元器件從柔性振動盤中吸取至測試治具上，由上位機模塊控制測試儀器對表貼元器件的質量特性進行檢測，機械手根據檢測結果進行分揀。

2.3" 硬件設計

為實現自動檢測，設計了探針接觸式測試治具，包括PCB印制線路底板和1托9測試臺兩部分，機械手將表貼元器件吸取至測試臺上，通過施加壓力，使得表貼元器件、測試臺上的微型彈簧探針、PCB底板線路以及測試儀器構成回路。該款探針接觸式測試治具設計圖和實物圖如圖4所示，可兼容9種型號尺寸的片式鉭電容。

軟硬件設計開發完成后，設計加工了系統機柜，如圖5所示。系統機柜使得機械手、工業相機、柔性振動盤、計算機等硬件得以緊密協作完成片式鉭電容自動識別、定位、自動上下料和自動檢測等工作。

3" 實驗與分析

為了驗證CCADS系統的有效性，做了如下工作：首先，采用人工篩選的方式構建了一個包含120個片式鉭電容的樣品庫，本文稱之為CCADS樣品庫，其中包含115只三個質量特性（電容量、損耗角正切和漏電流）均合格的合格品和5只漏電流超差的不合格品，對CCADS樣品庫中片式鉭電容從1到120進行編號。然后，采用與人工檢測作對比的方式評價CCADS系統是否有效，即人工和CCADS系統分別對CCADS樣品庫中片式鉭電容的質量特性進行檢測，記錄檢測結果并進行對比分析，以此來驗證CCADS系統能否準確有效的檢測片式鉭電容的質量特性。在本次試驗中，人工和CCADS系統均采用電容測試儀（TH2618B）檢測電容量值和損耗角正切值質量特性，均采用漏電流測試儀（TH2689）檢測漏電流質量特性。

表1為人工和CCADS系統檢測結果統計表，時間單位為分鐘（min），其值保留整數部分。觀察表1并進一步統計檢測數據知，CCADS樣品庫中任意一只片式鉭電容，其人工和CCADS系統檢測結果均一致，這初步驗證了CCADS系統的有效性。

為更直觀體現CCADS系統的有效性，繪制了圖6和表2，圖6為人工和CCADS系統檢測115只合格品得到的電容量、損耗角正切和漏電流結果對比，橫坐標為片式鉭電容的編號，縱坐標分別為電容量值、損耗角正切值和漏電流值，正方形藍色折線為人工檢測結果，“×”型紅色折線為CCADS系統檢測結果。

表2為5只不合格品檢測結果統計表，將人工和CCADS系統檢測出的電容量、損耗角正切、漏電流分別進行判限，合格用“Y”表示，不合格用“N”表示。

分析圖6和表2知，CCADS系統與人工檢測結果吻合。這說明，CCADS系統能夠準確有效地檢測片式鉭電容的質量特性。再觀察表1知，人工和CCADS系統檢測完CCADS樣品庫花費的時間分別為88分鐘和17分鐘，CCADS系統的檢測效率是人工檢測的5倍以上。本次實驗驗證了CCADS系統能夠準確有效地對片式鉭電容進行全自動檢測，擴展后可兼容所有表貼元器件。

4" 結" 論

本文提出了一種基于機器視覺的表貼元器件自動識別與定位技術，并開發了CCADS系統。在120只片式鉭電容樣本上進行了人工和CCADS檢測實驗比對，以驗證CCADS系統的有效性。實驗結果表明，CCADS系統在大幅降低元器件二篩手工工序比例的同時，檢測效率較人工提升了5倍以上。與此同時，CCADS系統已在本單位投入生產，累計檢測用戶送檢片式鉭電容3萬余只。未來將進一步完善CCADS系統，能夠兼容更多的元器件類型，實現元器件自動檢測和自動編帶一體化，并在行業內推廣應用。

參考文獻：

[1] 孟碧云.軍用電子元器件二次篩選質量管理 [J].電子質量，2010（3）：41-43.

[2] 吳嬌，王鵬，喬夢雨，等.基于改進多級特征金字塔的陸戰場目標檢測算法 [J].計算機應用與軟件，2020，37（10）：155-161.

[3] 齊榕，賈瑞生，徐志峰，等.基于YOLOv3的輕量級目標檢測網絡 [J].計算機應用與軟件，2020，37（10）：208-213.

[4] 羅東亮，蔡雨萱，楊子豪，等.工業缺陷檢測深度學習方法綜述 [J].中國科學：信息科學，2022，52（6）：1002-1039.

[5] 高興宇，鐘平，李志松，等.基于自模板重構與NSCT的汽車內飾件表面缺陷檢測方法研究 [J].計算機應用與軟件，2019，36（3）：57-61.

[6] VIOLA P，JONES M. Rapid Object Detection Using a Boosted Cascade of Simple Features [C]//Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Kauai：IEEE，2001，511-518.

[7] 張詩文，鄧春華，張俊雯.各向異性非極大值抑制在工業目標檢測中的應用 [J].計算機應用，2022，42（7）：2210-2218.

[8] GAO J，YANG T. Face Detection Algorithm based on Improved TinyYOLOv3 and Attention Mechanism [J].Computer Communications，2022，44（181）：329-337.

[9] CHEN Y，CHEN R，LIU M，et al. Indoor Visual Positioning Aided by CNN-based Image Retrieval：Training-free，3D Modeling-free [J/OL].Sensors，2018，18（8）：2692（2018-08-16）.https：//doi.org/10.3390/s18082692.

[10] 陳立挺，聶曉根.基于雙目視覺的機械手識別、定位、抓取系統研究 [J].機電工程，2019，36（8）：862-866+872.

[11] 郭振鐸，路向陽，徐慶偉，等.基于面部塊運動歷史直方圖特征的視頻表情自動識別 [J].計算機應用與軟件，2017，34（11）：192-196.

[12] GOLLAPUDI S. Learn Computer Vision Using OpenCV [M].New York：Apress，2019.

作者簡介：孫毅（1994—），男，苗族，貴州遵義人，工程師，工學碩士，研究方向：自動化、圖像處理、形式化驗證；王文璽（1992—），男，漢族，貴州安順人，工程師，工學碩士，研究方向：通信工程；鄒宜楨（1997—），男，仡佬族，貴州遵義人，工程師，碩士研究生，研究方向：智能檢測研發。