激光直接成像機(jī)靶標(biāo)識別算法的設(shè)計(jì)及抗擾性能測試

關(guān)鍵詞：激光直接成像；靶標(biāo)識別算法；抗擾性能；離面位移

中圖分類號：TH744；TP23

DOI：10.3969/j.issn.1004-132X.2025.07.025 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

Design and Anti-disturbance Performance Tests of Target Recognition Algorithm for LDI Machines

WANG Ruizhou1* ZHANG Yulong1 WANG Hua2 ZHANG Xianmin3 1.State Key Laboratory of Precision Electronic Manufacturing Technology and Equipment， Guangdong University of Technology，Guangzhou，510006 2.Guangdong Provincial Engineering Technology Research Center of Digital Lithography， Guangdong KST Optical Co.，Ltd.，Dongguan，Guangdong，523000 3.Guangdong Provincial Key Laboratory of Precision Equipment and Manufacture Technology， South China University of Technology，Guangzhou，510641

Abstract： In LDI fields，disturbances caused the degradation of target recognition performance， and reduced the accuracy and efficiency of target alignment. A visual targeting device for LDI machines was designed.An adaptive point-selecting circle-searching strategy of random one point and random three points was proposed. The re-fitting was completed using the random sample consensus （RANSAC） method，and a target recognition algorithm was designed. The formation mechanism of disturbances was analyzed. A controllable and quantitative generation device for illumination conditions and out-of-focused-plane displacements was designed. The substrates containing typical targets with anomaly characteristics were fabricated.A quantitative generation and test system for the disturbances of LDI machines was completed. Test results demonstrate that the proposed target recognition algorithm for LDI machines possesses strong robustness against disturbances.

Key words： laser direct imaging（LDI）； target recognition algorithm；anti-disturbance perform ance；out-of-focused-plane displacement

0 引言

激光直接成像（laserdirectimaging，LDI）是一種無掩模光刻技術(shù)[]，它使用可編程激光束曝光印制電路板（printedcircuitboard，PCB）表面的光敏材料來實(shí)現(xiàn)圖像轉(zhuǎn)移。傳統(tǒng)的LDI機(jī)采用逐點(diǎn)曝光的方式，制作周期長且難以獲得高質(zhì)量、高分辨率的圖像。通過數(shù)字微鏡器件調(diào)制光的空間分布[2]，生成可編程動(dòng)態(tài)掩模，實(shí)現(xiàn)面陣曝光，能大幅縮短光刻所需時(shí)長、提高生產(chǎn)效率。相比于有掩模光刻技術(shù)，LDI機(jī)依據(jù)需求快速改變掩模形狀，解決了掩模版制作周期長、成本高的問題，具備靈活、高效、成本低等優(yōu)勢。靶標(biāo)識別對位工序是LDI機(jī)光刻的前置工序[3]，即通過視覺算法捕獲靶標(biāo)圖像，快速識別靶心坐標(biāo)并將其轉(zhuǎn)化為基板位置與形變信息。對曝光圖像數(shù)據(jù)進(jìn)行線性漲縮與仿射變換，修正曝光圖像與基板間的映射關(guān)系[4]

光照不佳是影響靶標(biāo)識別精度的擾動(dòng)。光照均勻性、光源波長與照明強(qiáng)度影響圖像清晰度和對比度[5-6]。光照條件設(shè)置合理可提高圖像質(zhì)量和靶標(biāo)識別精度。光照不均、光源選型不當(dāng)或光強(qiáng)過暗導(dǎo)致圖像前景與背景的對比度過低，降低靶標(biāo)識別精度[7-8]。目前主要從擾動(dòng)發(fā)生前后兩階段研究光照不佳造成的影響。擾動(dòng)發(fā)生前，設(shè)置良好的光照條件，直接遏止擾動(dòng)的產(chǎn)生。SHAO等9使用數(shù)字微鏡器件調(diào)制照明光源來抑制強(qiáng)光干擾，提高視覺成像的可見度和準(zhǔn)確度。WANG等[10]采用結(jié)合分光鏡的同軸照明方案，消除物體表面不平整造成的陰影，提高成像清晰度。擾動(dòng)發(fā)生后，通過圖像增強(qiáng)減小光照不佳的影響。石吉豪等[1設(shè)計(jì)的圖像增強(qiáng)算法可提高光照不均環(huán)境下的圖像質(zhì)量。姚宇捷等[12]采用深度學(xué)習(xí)算法強(qiáng)化目標(biāo)檢測算法的抗光照能力。LDI機(jī)基板類型多，對光照條件的需求多樣化，因此靶標(biāo)識別更易受到光照不佳的干擾。

離面位移（被測對象偏離“理想聚焦平面”的位移）也是影響靶標(biāo)識別精度的擾動(dòng)。視覺測量中，離面位移不但導(dǎo)致圖像產(chǎn)生離焦模糊，損失細(xì)節(jié)信息，影響測量結(jié)果[13-15]，還會改變像平面的成像大小，引起額外虛應(yīng)變，降低測量精度[16-17]WANG等[18]建立了離面位移與微視覺運(yùn)動(dòng)追蹤精度劣化間的線性映射。WU等[19]在基于顯微視覺的逆變器位移測量研究中提到，離面位移會引起離焦模糊并導(dǎo)致測量誤差。LDI機(jī)的靶標(biāo)識別工序中，對位臺高頻加/減速時(shí)的振動(dòng)、氣壓吸附帶來的抖動(dòng)、大面積基板的翹曲變形廣泛存在，易產(chǎn)生離面位移[20]。小振幅或低頻段的離面位移產(chǎn)生的誤差小，在常規(guī)場景中可忽略其影響[21]。LDI機(jī)對靶標(biāo)識別精度的要求較高，因此離面位移的干擾不能忽視。

圖像破損、殘缺、變形、污染等靶標(biāo)異常仍是影響靶標(biāo)識別精度的擾動(dòng)。單獨(dú)一種類型的異常現(xiàn)象對靶標(biāo)識別精度的影響可能較小。實(shí)際的靶標(biāo)異常一般是若干種異常的疊加，對靶標(biāo)識別精度造成嚴(yán)重影響，甚至導(dǎo)致識別失敗，進(jìn)而使視覺對位無法完成，造成LDI機(jī)停機(jī)、降低產(chǎn)能。

針對擾動(dòng)源影響LDI機(jī)靶標(biāo)識別性能的問題，筆者設(shè)計(jì)了穩(wěn)健性強(qiáng)的靶標(biāo)識別算法，搭建擾動(dòng)激勵(lì)與測試系統(tǒng)，量化評估擾動(dòng)對靶標(biāo)識別性能的影響，測試所設(shè)計(jì)靶標(biāo)識別算法的抗擾性能。

1LDI機(jī)靶標(biāo)識別算法的設(shè)計(jì)

1.1 LDI機(jī)尋靶裝置的設(shè)計(jì)

工業(yè)生產(chǎn)常用基板的最大尺寸為 620mm× 720mm ，厚度為 0.15～4.00mm ，靶標(biāo)直徑3mm 。如圖1所示，對位臺A和B固定在大理石基座上，尋靶裝置安裝在對位臺A的輸出端。吸盤固定在對位臺B的輸出端，通過氣動(dòng)真空吸附的方式固定基板。針對大面積基板的靶標(biāo)識別需求，將對位臺A的 X 軸行程設(shè)為 1280mm ，將對位臺B的 Y 軸行程設(shè)為 1470mm，Z 軸行程設(shè)為17mm 。對位臺均由光柵尺閉環(huán)反饋，并通過運(yùn)動(dòng)控制卡伺服控制，定位精度為 ±10μm 。

圖1LDI機(jī)尋靶裝置的結(jié)構(gòu)

Fig.1 StructureoftargetingdeviceforLDImachine

尋靶裝置由工業(yè)相機(jī)、遠(yuǎn)心鏡頭和LED光源組成。遠(yuǎn)心鏡頭放大倍數(shù)恒定，對物距不敏感，畸變比定焦鏡頭小[22-23]。光源設(shè)于鏡頭下方，光源控制器量化調(diào)制光照強(qiáng)度與光的顏色。為適配多種類型與底色的基板，光源可發(fā)出不同波長的光線。尋靶裝置與對位臺協(xié)同運(yùn)動(dòng)，實(shí)現(xiàn)靶標(biāo)的視覺識別及對位。

1.2LDI機(jī)靶標(biāo)識別算法的設(shè)計(jì)

LDI機(jī)基板的靶標(biāo)有圓形、圓環(huán)、梅花孔、矩陣、十字、拐角等。圓形與圓環(huán)具備旋轉(zhuǎn)不變性、結(jié)構(gòu)簡單、易被識別、便于生產(chǎn)等優(yōu)勢，使用頻率最高，故本文將圓形和圓環(huán)靶標(biāo)作為對象，設(shè)計(jì)識別算法。

首先，通過圖像濾波降低噪聲，減小算法后續(xù)處理難度，并通過下采樣降低分辨率、提高算法速度[24]。其次，通過閾值分割和Canny邊緣檢測[25]分別獲取原始圖像的邊緣檢測結(jié)果 I₀ 和下采樣后圖像的邊緣檢測結(jié)果I，并使用Freeman鏈碼優(yōu)化輪廓、減小偽邊緣影響。之后，提出隨機(jī)一點(diǎn)與隨機(jī)三點(diǎn)自適應(yīng)切換的取點(diǎn)求圓策略，設(shè)計(jì)改進(jìn)的隨機(jī)霍夫變換（revisedrandomizedHoughtransform，RRHT）算法對I進(jìn)行識別，通過采用隨機(jī)抽樣一致（random sampleconsen-sus，RANSAC）對 I₀ 進(jìn)行再擬合，獲取靶標(biāo)參數(shù)。靶標(biāo)識別算法的執(zhí)行流程如圖2所示。

1.2.2 RRHT算法增強(qiáng)識別效率及穩(wěn)健性

RRHT算法包括5個(gè)階段：圓參數(shù)計(jì)算、候選圓判定、真圓判定、像素點(diǎn)擬合、像素點(diǎn)再擬合。前4個(gè)階段均在下采樣后圖像的邊緣檢測結(jié)果 I 中進(jìn)行，像素點(diǎn)再擬合階段在原始圖像的邊緣檢測結(jié)果 I₀ 中進(jìn)行。下采樣操作降低圖像分辨率，減少圖像噪聲。在下采樣邊緣圖中處理圖像可節(jié)約大量時(shí)間，但下采樣邊緣圖丟失圖像的部分信息、引入誤差。因此，本文基于下采樣邊緣圖的計(jì)算結(jié)果，在原邊緣圖中劃分環(huán)形區(qū)域，通過對環(huán)形區(qū)域的再擬合來保證檢測精度。

傳統(tǒng)的隨機(jī)霍夫變換通過隨機(jī)選取的3個(gè)像素點(diǎn)計(jì)算候選圓參數(shù)。這種取樣方法存在盲目性，會引人大量的無效計(jì)算。將隨機(jī)取三點(diǎn)改為隨機(jī)取一點(diǎn)有助于提高采樣概率和算法效率。假設(shè)一張圖包含 n 個(gè)像素?cái)?shù)量均為 m₁ 的圓邊緣，非圓邊緣的像素?cái)?shù)量總共為 m₂ ，則3個(gè)像素點(diǎn)屬于同一個(gè)圓（半徑確定，位置不確定）的概率為

取樣點(diǎn)數(shù)為1時(shí)落在圓內(nèi)的概率為

顯然，隨機(jī)取一點(diǎn)落在圓內(nèi)的概率要大于隨機(jī)取三點(diǎn)落在同一圓內(nèi)的概率。本文在此基礎(chǔ)上提出的RRHT算法包含5個(gè)階段：

1）圓參數(shù)計(jì)算。基于Sobel算子計(jì)算下采樣邊緣圖梯度方向，記為 G（x，y） 。剔除下采樣邊緣圖中梯度方向（根據(jù)圖像的局部像素變化計(jì)算，采用度數(shù)表示）為 -180^°，-90^°，0^°，90^°，180^° 的像素點(diǎn)，隨機(jī)選取點(diǎn) A（x₁，y₁） 。依據(jù)點(diǎn) A 處的梯度方向 G（x₁，y₁） ，取像素點(diǎn) B（x_?，，y_?） 與 C（x₃ ，y3），取點(diǎn)方法如圖3所示[27]

圖3像素點(diǎn) 與 c 的選取方法

Fig.3 Selection method of thepixel point and c

若 G（x₁，y₁）∈（0^°，90^°） ，則根據(jù)圖3a隨機(jī)選取像素點(diǎn) B（x₂，y₂），C（x₃，y₃） ，其中， x₂lt; x₁，y₂=y₁，x₃=x₁，y₃gt;y₁ 。若 G（x₁，y₁）∈ （20 （90^°，180^°） ，則根據(jù)圖3b 隨機(jī)選取像素點(diǎn) B（x₂） ， ，其中， x₂gt;x₁，y₂=y₁，x₃=x_{1 y3}gt;_y1 。若 G（x₁，y₁）∈（-90^°，0^°） ，則根據(jù)圖3c隨機(jī)選取像素點(diǎn) B（x₂，y₂），C（x₃，y₃） ，其中， x₂lt; x₁，y₂=y₁，x₃=x₁，y₃1 。若 G（x₁，y₁）∈ （-180^°，-90^°） ，則根據(jù)圖3d隨機(jī)選取像素點(diǎn)B（x₂，y₂），C（x₃，y₃） ，其中， ...gt;x₁，y₂=y₁ ，x₃=x₁，y₃1 。

通過上述方法， .A，B，C 三點(diǎn)構(gòu)成直角三角形，斜邊 BC 的長度為直徑，中點(diǎn)為圓心。圓參數(shù)的計(jì)算公式為

（x，y）=（（x₂+x₃）/2，（y₂+y₃）/2）

式中： （x，y），r 分別為 A，B，C 三點(diǎn)的外接圓圓心坐標(biāo)和半徑。

為減少無效計(jì)算，依據(jù)已知靶標(biāo)信息設(shè)置靶標(biāo)的最小半徑 r_min 與最大半徑 r_max ，僅當(dāng) r_minlt; rmax 時(shí)，通過式（4）計(jì)算圓心坐標(biāo)，進(jìn)入候選圓判定階段。對于半圓或劣弧，隨機(jī)取一點(diǎn)擬合圓參數(shù)的策略將失效，通過點(diǎn) A 僅能獲取點(diǎn) B 或點(diǎn) C ，無法計(jì)算圓參數(shù)，但隨機(jī)取三點(diǎn)計(jì)算外接圓的策略不會失效，因此，設(shè)計(jì)基于比例因子 λ 。的自適應(yīng)切換取點(diǎn)策略。 λ_c?0.5 時(shí)，采用隨機(jī)取單點(diǎn)的改進(jìn)策略計(jì)算圓參數(shù)； λ_clt;0.5 時(shí)，采用隨機(jī)取三點(diǎn)的傳統(tǒng)策略計(jì)算圓參數(shù)。

2）候選圓判定。設(shè)置閾值 L₁ 。圓半徑 r 滿足 r_minmax 時(shí)，計(jì)算下采樣邊緣圖中每個(gè)像素點(diǎn)到圓心的距離 d₁ 。統(tǒng)計(jì)滿足條件 r-L₁lt; d₁1 的像素點(diǎn)數(shù)量 q₁ 。若 q₁gt;2πrλ_c ，將圓參數(shù) （x，y，r） 對應(yīng)的圓視為候選圓 O（x ，y，r）。

3）真圓判定[28]。設(shè)置閾值 L₂ ，基于候選圓O（x，y，r） 定義隨機(jī)采樣區(qū)域和證據(jù)收集區(qū)域。隨機(jī)采樣區(qū)域是半徑 r-L_？…r+L_？ 的圓組成的同心圓環(huán)，證據(jù)收集區(qū)域是半徑 r-2L₂，r+ 2L₂ 的圓組成的同心圓環(huán)。兩區(qū)域的圓心均為（x，y） 。真圓判定的4個(gè)步驟如下：

① 定義最大循環(huán)次數(shù) t ，令當(dāng)前循環(huán)次數(shù) i=0

② 從隨機(jī)采樣區(qū)域中抽取3個(gè)點(diǎn)（任意兩點(diǎn)的距離大于 ε ）計(jì)算外接圓參數(shù) （x^′，y^′，r^′） ;

③ 統(tǒng)計(jì)證據(jù)收集區(qū)域中落在外接圓參數(shù)對應(yīng)的圓 O^′（x^′，y^′，r^′） 上的像素點(diǎn)個(gè)數(shù) q₂ ，若q₂gt;2πrλ_c ，則判斷候選圓 O（x，y，r） 為真圓；否則為假圓，令 i←i+1

④ 若 i

4）像素點(diǎn)擬合。設(shè)置閾值 L₃ ，計(jì)算下采樣邊 緣圖中每個(gè)像素點(diǎn)到真圓 O（x，y，r） 的距離

式中： （x_i，y_i） 為下采樣后圖像的邊緣檢測結(jié)果 I 中的像素點(diǎn)坐標(biāo)位置。

r-L₃i^′′3 時(shí)，從邊緣圖中記錄對應(yīng)像素點(diǎn)的坐標(biāo)位置至集合 P 。采用最小二乘法對集合 P 中元素進(jìn)行圓擬合，獲取更精確圓參數(shù)（x₀，y₀，r₀） 。 （x₀，y₀，r₀） 是下采樣邊緣圖中的計(jì)算結(jié)果，需將其轉(zhuǎn)換回原邊緣圖的坐標(biāo)系：

（7）式中： （X₀，Y₀，R₀） 為原邊緣圖坐標(biāo)系中的圓參數(shù)； n_pyr 為下采樣次數(shù)； （a，b，c） 為補(bǔ)償值。

5）像素點(diǎn)再擬合。設(shè)置閾值 L₄ ，計(jì)算邊緣圖 中每個(gè)像素點(diǎn)到 （X₀，Y₀，R₀） 對應(yīng)圓的距離

式中： （X_i，Y_i） 為原始圖像的邊緣檢測結(jié)果 I₀ 中的像素點(diǎn)坐標(biāo)。

統(tǒng)計(jì)滿足 的像素點(diǎn)數(shù)量 q₃ 。若 q₃gt;2πRλ_c ，則將滿足條件的像素點(diǎn)的坐標(biāo)位置記錄至集合 P^′ ，通過最小二乘法對集合 P^′ 中的元素再次進(jìn)行圓擬合，得出圓參數(shù) （X ，Y，R） ；否則，返回圓參數(shù)計(jì)算階段。

返回的圓參數(shù) （X₀，Y₀，R₀） ）與實(shí)際圓參數(shù)（X_a，Y_a，R_a） 存在偏差，因此，閾值 L₄ 應(yīng)較大，以確保實(shí)際圓參數(shù) （X_a，Y_a，R_a） 對應(yīng)的圓邊緣能盡量落在轉(zhuǎn)移區(qū)域中，實(shí)現(xiàn)邊緣的完整轉(zhuǎn)移，如圖4所示，圖中紅色表示轉(zhuǎn)移區(qū)域，紫色表示實(shí)際圓。

圖4圓邊緣的完整轉(zhuǎn)移

Fig.4Complete transfer of the circular edge

最小二乘法對離群值敏感。閾值 L₄ 較大時(shí)，實(shí)際圓邊緣附近的離散像素點(diǎn)噪聲或偽邊緣一同被轉(zhuǎn)移，影響圓擬合[29]。為保證擬合準(zhǔn)確性，在像素點(diǎn)再擬合階段采用RANSAC算法擬合圓。

RANSAC算法通過隨機(jī)采樣數(shù)據(jù)點(diǎn)估計(jì)圓形幾何參數(shù)，依據(jù)閾值判定數(shù)據(jù)點(diǎn)是否符合圓形幾何約束條件。通過迭代，去除離群值干擾，得到穩(wěn)健的擬合結(jié)果。擬合步驟如下：

1）初始化參數(shù)。令 i=0，q_max=0 ，設(shè)置迭代次數(shù) t^' 和閾值 k 。

2）圓形擬合。隨機(jī)選取3點(diǎn)，計(jì)算圓參數(shù)（x^′，y^′，r^′） ，計(jì)算圖中每個(gè)像素點(diǎn)到圓心 （x^′，y^′） 的距離 d₄ 。統(tǒng)計(jì)滿足條件 r^′-k4′+k 的像素?cái)?shù)量 q₄ ，令 t←t+1 ：

3）圓參數(shù)更新。若 q₄gt;q_max ，則更新參數(shù)（X，Y，R） ，并令 （X，Y，R）=（x^′，y^′，r^′） q_max=q₄ 。

4）重復(fù)迭代。若 i′ ，則返回步驟2）；否則 結(jié)束迭代，輸出 （X，Y，R） 。

1.2.3 RRHT算法的具體流程

RRHT算法的具體流程，如圖5所示，圖中，i₀ 為當(dāng)前的連續(xù)采樣失敗次數(shù)， i_max 為可容忍的最大連續(xù)采樣失敗次數(shù)， n_c 為檢測的圓數(shù)量。

圖5RRHT算法的流程圖Fig.5 FlowchartoftheRRHTalgorithm

1.3 LDI機(jī)靶標(biāo)識別算法的性能評價(jià)指標(biāo)

將與無擾動(dòng)激勵(lì)下的算法識別結(jié)果平均絕對偏差

式中： l_i.l_0i 分別為有擾動(dòng)與無擾動(dòng)的算法識別結(jié)果。作為評價(jià)靶標(biāo)識別算法精度的指標(biāo)。將單個(gè)靶心坐標(biāo)的平均耗時(shí) t_ac 作為評價(jià)靶標(biāo)識別算法速度的指標(biāo)，將多次測量的單個(gè)靶標(biāo) X 軸坐標(biāo) .Y 軸坐標(biāo)和半徑 R 的標(biāo)準(zhǔn)偏差

式中： 分別為第 i 次測試靶心的 X 軸坐標(biāo) .Y 軸坐標(biāo)和半徑 分別為 X 軸坐標(biāo) .Y 軸坐標(biāo)和半徑R 的平均值； n 為測試次數(shù)。

作為評價(jià)靶標(biāo)識別算法穩(wěn)定性的指標(biāo)。

2 光照擾動(dòng)對LDI機(jī)靶標(biāo)識別的影響

2.1 光照擾動(dòng)的分析

LDI機(jī)的LED光源屬于朗伯體光源，其光強(qiáng)分布遵循朗伯定律[30-31]。被測對象表面為朗伯

反射表面時(shí)，成像面輻照度為

式中： ρ 為物體表面反射率； E₀ 為光源光強(qiáng)； μ 為大氣衰減系數(shù)； r 為光源至被測對象間距； θ 為入射角； A 為 F 制鏡頭光圈系數(shù)， .A=f^′/D;f^′ 為焦距； D 為物鏡口徑； L 為物距； w 為視場角； τ（τ） 為透光率； 為漸暈系數(shù)；C（τ_U） 為雜光系數(shù)。

由式（11）可知，像平面的照度與光強(qiáng)、物體表面的反射率、入射角的余弦值正相關(guān)，與光源至物體距離負(fù)相關(guān)。選取強(qiáng)度、入射角與距離作為控制變量，對光照進(jìn)行可控量化設(shè)計(jì)，如圖6所示。

圖6光照的可控量化控制

Fig.6 Controlledquantitativelycontrol of lighting conditions

光源波長與透射率呈正相關(guān)。基板有綠色、藍(lán)色、黑色等不同底色。為適配基板的顏色與材質(zhì)，獲取清晰的靶標(biāo)圖像，需根據(jù)基板的光譜反射特性及材質(zhì)透射特性選擇合適的波長 λ（593nm 、627nm、949nm） 與輻照度 E（100lx，2500lx. 36 000lx 與 40 000ls） 。

2.2 離面位移的影響分析

依據(jù)視覺成像的原理，分析離面位移導(dǎo)致靶標(biāo)識別算法劣化的機(jī)理。如圖7所示，被測對象在焦平面 p 時(shí)，人射光經(jīng)鏡頭匯聚于像平面 p^′ ，圖片清晰。被測對象移動(dòng)到面 時(shí)，入射光匯于p_l^′ ，在像平面上形成彌散圓，圖像模糊。被測對象向鏡頭移動(dòng)時(shí)，圖像因彌散圓模糊。基于成像公式及三角形相似原理，得彌散圓直徑

式中： V 為 p^′ 與鏡頭的間距； U 為物體與鏡頭的間距； Δu為離面位移。

圖7 視覺尋靶的光學(xué)原理

Fig.7 Optical principle of the visual targeting

由式（12）可知，彌散圓直徑 d 與離面位移 Δu 正相關(guān)。被測對象與焦平面的距離越大，彌散圓直徑越大，圖像越模糊。被測對象與焦平面的間距在一個(gè)景深（depthoffield，DoF）內(nèi)時(shí)，彌散圓直徑小于傳感器像元大小，人眼無法區(qū)分離焦模糊造成的影響。

被測對象從平面 Σ_P 偏離至平面 時(shí)，它從物平面到像平面的三維坐標(biāo)變換會引發(fā)投影幾何畸變，從而引人虛位移 Δx ，導(dǎo)致測量結(jié)果產(chǎn)生誤差。通過理論計(jì)算[16]可得離面位移產(chǎn)生的虛位移 Δx 和虛應(yīng)變ε：

式中： x 為物體未發(fā)生離面位移時(shí)在像平面上的長度。由式（13）式（14）可知，虛應(yīng)變與離面位移 Δu 正相關(guān)，與物距 U 負(fù)相關(guān)。

離面位移引起圖像離焦模糊，引入虛位移，且這種劣化的影響隨放大倍數(shù)增大而更嚴(yán)重。離面位移與光源強(qiáng)度耦合，通過改變光源到被測對象的距離改變像平面照度。

2.3 靶標(biāo)破損的影響分析

鉆孔精度、激光能量穩(wěn)定性、壓膜貼合度的問題會引起邊緣變形、破損毛刺、油墨污染、邊緣泛白、背景混淆、對比度低等靶標(biāo)異常[3，32]，如圖8所示。

圖8來自應(yīng)用場景的典型靶標(biāo)異常

Fig.8Typical target anomalies from application scenarios

靶標(biāo)對比度低可通過設(shè)置合適的光照條件來彌補(bǔ)。邊緣變形、破損毛刺等異常難被彌補(bǔ)，如破損毛刺使靶標(biāo)喪失部分輪廓，引入雜質(zhì)噪聲，降低成像信噪比。靶標(biāo)異常導(dǎo)致輪廓邊緣存在大量噪聲，影響靶標(biāo)識別算法的識別結(jié)果。

為探究破損對靶標(biāo)識別算法識別結(jié)果的影響，以直徑 3mm 的圓形圖案為基礎(chǔ)，參考實(shí)際應(yīng)用場景中的缺陷設(shè)計(jì)異常靶標(biāo)，如圖9所示。正常靶標(biāo)為同心圓環(huán)結(jié)構(gòu)，內(nèi)圓直徑為 3mm ，圓環(huán)與內(nèi)圓間距 0.5mm ，圓環(huán)徑向?qū)挾葹?0.5mm 。為設(shè)計(jì)異常靶標(biāo)，本文在正常靶標(biāo)的基礎(chǔ)上，以 15^° 圓心角為單位，在 0^°～270^° 的范圍內(nèi)，對圓心角對應(yīng)的內(nèi)圓區(qū)域進(jìn)行缺陷設(shè)計(jì)，共設(shè)計(jì)異常靶標(biāo)19個(gè)。三類擾動(dòng)源的可控量化設(shè)計(jì)如圖10所示。

3LDI機(jī)靶標(biāo)識別算法的抗擾性能測試

3.1 視覺尋靶裝置樣機(jī)的搭建與靶標(biāo)識別算法 測試

3.1.1 視覺尋靶裝置的樣機(jī)搭建

為量化表述“光照強(qiáng)度、離面位移、靶標(biāo)異常對RRHT靶標(biāo)識別算法的影響，評估所設(shè)計(jì)算法的抗擾性能，搭建了視覺尋靶樣機(jī)。視覺尋靶樣機(jī)由CMOS面陣相機(jī)（海康威視MV-CU050-60GM）與遠(yuǎn)心鏡頭（視清科技WWK05-110-230-D20）組成。工作距離為 110mm ，視野 14.40mm× 10.80mm ，景深 1.10mm 。LED環(huán)形光源為銳視光電P-RL-105-65-RYIR850，LDI機(jī)視覺尋靶裝置的樣機(jī)如圖11所示。

圖9破損靶標(biāo)的設(shè)計(jì)

Fig.9Designof broken targets

圖10三類擾動(dòng)源的可控量化設(shè)計(jì)Fig.10 Controllablequantifiabledesignofthreedisturbances

圖11LDI機(jī)視覺尋靶裝置的樣機(jī)

Fig.11Prototype of LDI machine visual targeting device

異常靶標(biāo)由LDI機(jī)（科視光學(xué)KST-DI24286FHB）光刻。對位臺均由伺服電機(jī)（松下MHMF082L1V2M驅(qū)動(dòng)，對位臺A的 X 軸和對位臺B的 X 軸、Y軸均通過光柵尺（分辨率0.1μm ，雷尼紹）測量反饋。帶動(dòng)尋靶裝置的對位臺

A的 X 軸定位精度為 1.10μm ，重復(fù)定位精度為0.90μm 。帶動(dòng)基板對位并在 Z 軸生成可控離面位移的對位臺B的 Y 軸、 Z 軸的定位精度分別為1.64μm 和 5.50μm ，重復(fù)定位精度分別為1.45μm 和 1.90μm 。

3.1.2 下采樣層數(shù)對靶標(biāo)識別算法效率的影響

硬件平臺的CPU為Intel i7-13700H 、內(nèi)存為16G ，操作系統(tǒng)為Windows11，開發(fā)環(huán)境為MATLAB R2023b 。靶標(biāo)圖像采用分辨率為1280×1024 像素的靶標(biāo)灰度圖和二值仿真圖（圖12）。

圖12靶標(biāo)灰度圖和二值仿真圖

Fig.12Grayscale target image and binary simulation image

測試過程中的參數(shù)如表1所示，其中，僅當(dāng)采樣層數(shù) n_pyr=1 時(shí)， L₄=2 ，閾值 k=1 。

表1RRHT算法的參數(shù)設(shè)置Tab.1 ParametersconfigurationoftheRRHTalgorithm

為測試下采樣層數(shù)的影響，將下采樣層數(shù)設(shè)為 1～5 并進(jìn)行測試。每次測試（一個(gè)下采樣層數(shù)的測試）均重復(fù)55次以減小隨機(jī)誤差，提高實(shí)驗(yàn)的可靠性和準(zhǔn)確性。進(jìn)行55組重復(fù)測試的過程中，由于設(shè)備初期的運(yùn)行狀態(tài)尚未穩(wěn)定，前幾次測試的算法耗時(shí)總是略大于后續(xù)測試的算法耗時(shí)。為保證測試結(jié)果的準(zhǔn)確性，舍棄前5次不準(zhǔn)確的測試結(jié)果。結(jié)果如表2所示。

表2下采樣層數(shù)對靶標(biāo)識別時(shí)間的影響

Tab.2Effects of numbers of down-sampling layers on the recognition time of the targets

注： ? 表示算法失效，未代入計(jì)算提升百分比。

由表2可知，下采樣加速方法顯著提升算法效率。未進(jìn)行下采樣即 n_pyr=1 時(shí)，靶標(biāo)識別時(shí)間略小于 0.2s ；采用下采樣加速方法后，隨著下采樣層數(shù)的增大，靶標(biāo)識別算法的運(yùn)行速度不斷提高， n_pyr=5 平均節(jié)約 60.45% 的計(jì)算時(shí)長。

下采樣加速方法通過降低圖像分辨率來提高效率，但多次進(jìn)行下采樣會丟失圖像的大量信息，影響算法精度與穩(wěn)定性，甚至導(dǎo)致算法失效。如表2所示， n_pyr=5 時(shí)，算法無法識別靶標(biāo) Δb 。效率提升效果隨下采樣層數(shù)的增加而降低。為兼顧效率與精度，下采樣層數(shù)設(shè)為3或4比較合理。

3.2 算法抗擾性能測試

測試算法性能前，向LDI機(jī)導(dǎo)人靶標(biāo)設(shè)計(jì)資料，獲取靶心理論值 （X₀，Y₀，R₀） 。對位臺A與對位臺B協(xié)同運(yùn)動(dòng)，將靶標(biāo)移至尋靶裝置視野中心。

基板為藍(lán)底，表面涂覆的感光油墨易受白光影響而分解，影響靶標(biāo)圖案的質(zhì)量，因此測試在黃光環(huán)境進(jìn)行。無擾動(dòng)時(shí)，光源波長 λ 取 593nm 輻照度 E 取 35886lx ，離面位移取零，相機(jī)曝光時(shí)間取 15ms 。測試所用靶標(biāo)圖像大小為 2592× 1944像素，測試過程中 n_pyr 始終為4。為保證算法在不同光照強(qiáng)度、離面位移、靶標(biāo)異常下可成功識別，在測試過程中調(diào)整參數(shù)。每組測試重復(fù)55次，處理數(shù)據(jù)時(shí)舍棄前5次測試結(jié)果。

3.2.1 光照強(qiáng)度的算法抗擾性能測試

光照強(qiáng)度、相機(jī)增益、光圈與曝光時(shí)間對圖像質(zhì)量的影響近似。通過調(diào)節(jié)曝光時(shí)間來模擬不同光照強(qiáng)度對圖像的影響，量化光照強(qiáng)度的擾動(dòng)。保持靶標(biāo)位置不變，曝光時(shí)間以 2.5ms 為單位從0開始逐漸增加至 42.5ms ，且測試過程中未加入擾動(dòng)（離面位移和靶標(biāo)異常）。以曝光時(shí)間 15ms 的識別結(jié)果為基準(zhǔn)，計(jì)算偏差 D_ev ，測試結(jié)果如圖13所示。

由圖13可知，過曝光（曝光時(shí)間大于 30ms ）與欠曝光（曝光時(shí)間小于 15ms ）均不利于靶標(biāo)識別，但過曝光的影響更嚴(yán)重。由圖 13a 、圖13b可知，RRHT算法計(jì)算的圓心位置偏差隨曝光時(shí)間的增長而先降后升；曝光時(shí)間對 R 偏差的影響顯著線性相關(guān)。由圖13c、圖13d可知，算法穩(wěn)定性和效率僅受過曝光的影響：曝光時(shí)間為 30.0～ 42.5ms 時(shí)，RRHT算法的穩(wěn)定性隨曝光時(shí)間的增長而降低；曝光時(shí)間為 20.0～42.5ms 時(shí)，RRHT算法的平均耗時(shí)隨曝光時(shí)間的延長而縮短。因此，將曝光設(shè)為 15～20ms 利于算法執(zhí)行。

3.2.2 離面位移的算法抗擾性能測試

測試過程中，靶標(biāo)位置不變，以鏡頭景深的整

數(shù)倍設(shè)置離面位移的幅值。由于對位臺B的 Z 軸行程為 17.00mm ，焦面位于 Z 軸行程范圍內(nèi)的 9.80mm 處，因此以景深 D_f 為單位控制對位臺B在一 8D_f～5D_f 范圍生成不同振幅的離面位移（總計(jì)14組）。以無離面位移即被測對象在焦平面的算法識別結(jié)果為參照，計(jì)算偏差 D_ev （未加人擾動(dòng)光照條件和靶標(biāo)異常），測量結(jié)果如圖14所示。

由圖14可知，離面位移對算法精度的影響顯著，對算法穩(wěn)定性和效率的影響不顯著。離面位移與圓心位置的 X 軸偏差和總偏差，以及半徑偏差顯著線性相關(guān)，但對圓心位置的Y軸偏差和平均耗時(shí)的影響不顯著。線性擬合結(jié)果如表3所示，表中的 α?β 分別為算法識別結(jié)果的平均絕對偏差和離面位移幅值。每增加1個(gè)景深的離面位移，圓心位置的 X 軸偏差和總偏差至少增加0.5個(gè)像素，半徑偏差至少增加3個(gè)像素。

圖14離面位移對靶標(biāo)識別算法精度、速度和穩(wěn)定性的影響Fig.14Effect of out-of-focused-plane displacements on the accuracy，speed and stability of target recognitionalgorithm

表3線性擬合結(jié)果

Tab.3 Linear fitting results

3.2.3 靶標(biāo)異常的算法抗擾性能測試

以圓環(huán)的外圓坐標(biāo)和內(nèi)圓坐標(biāo)的識別結(jié)果之差為參照計(jì)算定位偏差 D_ev ，未加入光照條件和離面位移擾動(dòng)，測試結(jié)果如圖15所示。

圖15靶標(biāo)破損對靶標(biāo)識別算法精度、速度和穩(wěn)定性的影響

Fig.15Effect of target breakage on the accuracy， speedandstabilityoftargetrecognitionalgorithm

由圖15可知，靶標(biāo)破損顯著劣化靶標(biāo)識別算法的精度與穩(wěn)定性，但對算法速度的影響不明顯。RRHT算法對破損區(qū)域圓心角小于 200^° 的靶標(biāo)具有穩(wěn)健性，算法性能劣化不明顯；破損區(qū)域圓心角超過 200^° 時(shí)，算法的精度與穩(wěn)定性隨破損區(qū)域圓心角的增大而快速下降。

3.2.4 三種擾動(dòng)源激勵(lì)前的空白組性能

在測試三種擾動(dòng)前進(jìn)行空白組的性能測試，光源波長取 593nm ，輻照度取 35886lx ，離面位移取零，相機(jī)曝光時(shí)間取 15ms 。測試數(shù)據(jù)如表4所示，LDI機(jī)硬件及算法的起始性能指標(biāo)在三種擾動(dòng)激勵(lì)測試前是相近的。

表4三種擾動(dòng)激勵(lì)前的空白組性能指標(biāo)

Tab.4Performance indexesof blank groupsbefore testingfor excitation of three disturbance resources

像素

4結(jié)論

本文提出了穩(wěn)健性較強(qiáng)的LDI機(jī)靶標(biāo)識別算法，并研究了光照強(qiáng)度、離面位移、靶標(biāo)異常這三類擾動(dòng)對LDI機(jī)靶標(biāo)識別的影響。設(shè)計(jì)了擾動(dòng)的量化激勵(lì)生成測試系統(tǒng)，生成了可控量化的擾動(dòng)。使用靶標(biāo)識別精度、速度與穩(wěn)定性指標(biāo)對擾動(dòng)造成的識別時(shí)間進(jìn)行了量化分析。實(shí)驗(yàn)表明，算法在無擾動(dòng)下的標(biāo)準(zhǔn)偏差最大約0.206像素，對單個(gè)靶標(biāo)的識別時(shí)間平均小于 0.2s 。

分別加入三種擾動(dòng)后，靶標(biāo)識別算法的性能發(fā)生不同程度的劣化。光照強(qiáng)度對算法的三項(xiàng)性能指標(biāo)均造成顯著影響，欠曝光（曝光時(shí)間小于15ms ）只劣化算法精度，過曝光（曝光時(shí)間超過20ms ）劣化算法的精度、速度與穩(wěn)定性。因此，15～20ms 的曝光有利于算法識別靶標(biāo)。離面位移僅對算法精度有顯著影響，離面位移與圓心位置的 X 軸偏差和總偏差，以及半徑偏差顯著線性相關(guān)，對圓心位置的Y軸偏差和算法平均耗時(shí)的影響不顯著。靶標(biāo)異常對靶標(biāo)識別算法的精度和穩(wěn)定性造成顯著影響，但破損區(qū)域圓心角小于200^° 時(shí)，算法具有穩(wěn)健性。

后續(xù)研究將致力于提高LDI機(jī)靶標(biāo)識別算法的穩(wěn)健性，并對LDI機(jī)靶標(biāo)識別對位的后續(xù)光刻工藝進(jìn)行離面位移擾動(dòng)的量化分析。通過加入可控離面位移來獲得離面位移對LDI機(jī)光刻精

度劣化的影響。

參考文獻(xiàn)：

[1]何敏菲，朱大釗，王洪慶，等.基于雙光子直寫的微 納光學(xué)器件研究進(jìn)展［J]．光學(xué)學(xué)報(bào)，2023，43 （16）：203-218. HE Minfei， ZHU Dazhao，WANG Hongqing， et al. Advancements in Micro-Nano Optical Device Based on Two-Photon Direct Writing[J]. Acta Optica Sin ica，2023，43（16）：203-218.

[2]張思琪，周思翰，楊卓俊，等.基于數(shù)字微鏡器件的 無掩膜光刻技術(shù)進(jìn)展［J].光學(xué)精密工程，2022，30 （1） ：12-30. ZHANG Siqi， ZHOU Sihan， YANG Zhuojun，et al. Research Progress of Maskless Lithography Based on Digital Micromirror Devices[J]. Optics and Precision Engineering，2022，30（1）：12-30.

[3］方林，董帥，鄭超，等.基于人工智能的LDI對位 靶標(biāo)精確識別方法探討[J].印制電路信息，2022， 30（11） ：16-21. FANG Lin，DONG Shuai， ZHENG Chao，et al. Discussion on Accurate Identification Method of LDI Alignment Target Based on Artificial Intelligence [J].Printed Circuit Information，2022，30（11） ：16- 21.

[4]李輝，方林，劉國藩，等.基于多軸對準(zhǔn)定位平臺提 升LDI機(jī)生產(chǎn)效率的探討[J].印制電路信息， 2022，30（12） ：1-6. LI Hui，F(xiàn)ANG Lin，LIU Guofan，et al. Discussion on Improving the Production Efficiency of LDI Machine Based on Multi-axis Alignment Positioning Stage［J].Printed Circuit Information，2022，30 （12）：1-6.

[5]KOPPARAPU S K. LightingDesign for Machine Vision Application[J]. Image and Vision Computing，2006，24（7）：720-726.

[6]MORENO I. Image-like Illumination with LED Arrays：Design[J]. Optics Letters，2012，37（5）： 839-841.

[7]史晨陽，林燕丹.機(jī)器視覺中均勻照明成像的 LED 環(huán)形陣列設(shè)計(jì)[J].光學(xué)學(xué)報(bào)，2020，40（20）：118- 128. SHI Chenyang，LIN Yandan. LED Ring Array De sign for Uniform Illumination Imaging in Machine Vision[J]. Acta Optica Sinica，2020，40（20） ：118- 128.

[8］張旭，鄭澤龍.主動(dòng)光立體標(biāo)靶檢測及其在工業(yè)機(jī) 器人位姿測量中的應(yīng)用[J].中國機(jī)械工程，2016， 27（19）：2594-2601. ZHANG Xu， ZHENG Zelong. Active Light Stereo Target Detection and Its Applications in Industrial Robot’s Pose Measurement[J]. China Mechanical Engineering，2016，27（19）：2594-2601.

[9]SHAO Wei，LIU Kaibin，SHAO Yunqiu，et al. Smooth Surface Visual Imaging Method for Eliminating High Reflection Disturbance[J]. Sensors， 2019，19（22）：4953.

[10]WANG Rui，YANG Kaiming，ZHU Yu. A Highprecision Mark Positioning Algorithm Based on Sub-pixel Shape Template Matching in Wafer Bonding Alignment [J]. Precision Engineering， 2023，80：104-114.

[11]石吉豪，鐘羽中，鄭秀娟，等.基于光線散射衰減 模型的低照度圖像增強(qiáng)[J].光學(xué)精密工程，2023， 31（8）：1244-1255. SHI Jihao， ZHONG Yuzhong， ZHENG Xiujuan， et al.Low-light Image Enhancement Algorithm Based on Light Scattering Attenuation Model[J]. Optics and Precision Engineering，2023，31（8）： 1244-1255.

[12]姚宇捷，彭育輝，陳澤輝，等.支持抗光照目標(biāo)檢 測的改進(jìn)YOLO算法［J]．汽車工程，2023，45 （5）：777-785. YAO Yujie，PENG Yuhui，CHEN Zehui，et al. An Improved YOLO Algorithm Supporting Antiillumination Target Detection[J].Automotive Engineering，2023，45（5）：777-785.

[13]SU Gaozhao，LU Guoliang，YAN Peng.Planar Motion Measurement of a Compliant Micro Stage： an Enhanced Microscopic Vision Approach [J]. IEEE Transactions on Instrumentation and Measurement，2020，69（5）：1930-1939.

[14]王瑞洲，梁熾聰，蔡遠(yuǎn)馨，等.離面位移激勵(lì)下微 視覺運(yùn)動(dòng)追蹤精度劣化特性[J].光學(xué)精密工程， 2023，31（1） ：119-128. WANG Ruizhou，LIANG Chicong，CAI Yuanxin， et al.Degradation Characteristics of In-focusedplane Micro-vision Motion-tracking Accuracy Excited by Out-of-focused-plane Displacements [J]. Optics and Precision Engineering，2023，31（1）： 119-128.

[15］房運(yùn)濤，王曉東，徐松，等.萬向支架微小螺紋副 自動(dòng)裝配系統(tǒng)[J].中國機(jī)械工程，2022，33（6）： 698-706. FANG Yuntao， WANG Xiaodong， XU Song，et al. Miniature Thread Pairs Automatic Assembly System for Gimbals[J]. China Mechanical Engineering，2022，33（6）：698-706.

[16] SUTTON M A，YAN JH，TIWARI V， et al. The Effect of Out-of-plane Motion on 2D and 3D Digital Image Correlation Measurements[J]. Optics and Lasers in Engineering，2008，46（10）：746- 757.

[17］WANG Lianpo，CHEN Yuangang，LI Hui，et al. Out-of-plane Motion and Non-perpendicular Alignment Compensation for 2D-DIC Based on Crossshaped Structured Light[J]. Optics and Lasers in Engineering，2020，134：106148.

[18] WANG Ruizhou，WU Heng. Design and Test of a Spatial Nanopositioner for Evaluating the Out-offocus-plane Performance of Micro-vision[J]. Micromachines，2023，14（3）：513.

[19］WU Heng，ZHANG Xianmin，GAN Jinqiang，et al. Displacement Measurement System for Inverters Using Computer Micro-vision[J]. Optics and Lasers in Engineering，2016，81：113-118.

[20]SEO C H，JEON Y H，LEE H K，et al. Reaction Force Compensator for High-speed Precision Stage of Laser Direct Imaging Process[J]. Shock and Vi bration，2018，2018（1） ：8324539.

[21]王楠，李恩普，湯忠斌，等.二維數(shù)字圖像相關(guān)方 法的拉伸實(shí)驗(yàn)誤差分析[J].光學(xué)儀器，2012，34 （3）：5-12. WANG Nan，LI Enpu，TANG Zhongbin，et al. An Investigation of the Experimental Error of 2-D DIC Method Applied to Tensile Strain Measurement[J]. Optical Instruments，2012，34（3） ：5-12.

[22]PAN Bing，YU Liping，WU Dafang. High-accuracy 2D Digital Image Correlation Measurements with Bilateral Telecentric Lenses：Error Analysis and Experimental Verification[J]. Experimental Mechanics，2013，53（9）：1719-1733.

[23]PAN Bing，YU Liping，WU Dafang.High-accuracy 2D Digital Image Correlation Measurements Using Low-cost Imaging Lenses： Implementation of a Generalized Compensation Method[J]. Measurement Science and Technology，2Ol4，25（2）： 025001.

[24］崔海華，徐振龍，楊亞鵬，等.一種基于深度學(xué)習(xí) 圖像超分的環(huán)形靶標(biāo)穩(wěn)定檢測方法[J].中國機(jī)械 工程，2021，32（23）：2861-2867. CUI Haihua，XU Zhenlong，YANG Yapeng，et al.A Circular Target Stability Detection Method Based on Deep Learning Image Super-resolution [J].China Mechanical Engineering， 2O21，32 （23）：2861-2867.

[25]CANNY J. AComputational Approach to Edge Detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1986（6）：679-698.

[26]SHANG Ce， TAO Guoliang. An Automatic Assembly Technology for Perforated Discs Based on Contour Optimized Hough Circle Transform[J]. AppliedMechanicsandMaterials，2013，459：297- 303.

[27] WANG Guojun. A Sub-pixel Circle Detection Algorithm Combined with Improved RHT and Fitting[J]. Multimedia Tools and Applications， 2020，79（39）：29825-29843.

[28] JIANG Lianyuan.A Fast and Accurate Circle Detection Algorithm Based on Random Sampling[J]. Future Generation Computer Systems，2021，123： 245-256.

[29] 肖敏，莊春剛，熊振華.基于機(jī)器視覺的液晶顯示 屏裝配尺寸檢測算法的研究[J].中國機(jī)械工程， 2014，25（1）：7-11. XIAO Min，ZHUANG Chungang，XIONG Zhenhua. Measurement Algorithm of LCD Mounting Dimension Based on Machine Vision[J].China Mechanical Engineering，2014，25（1） ：7-11.

[30] 祝振敏，曲興華，梁海昱，等.基于發(fā)光二極管環(huán) 形陣列與漫反射表面的均勻照明光源研究［J].光 學(xué)學(xué)報(bào)，2011，31（1）：186-191. ZHU Zhenmin，QU Xinghua，LIANG Haiyu，et al.Uniform Illumination Study by Light-Emitting Diode Ring Array and Diffuse Reflection Surface [J].Acta Optica Sinica，2011，31（1） ：186-191.

[31]巢淵，徐鵬，唐寒冰，等.視覺檢測系統(tǒng)LED光源

照度優(yōu)化方法[J].紅外與激光工程，2021，50（12）：357-368.CHAO Yuan，XU Peng，TANG Hanbing，et al.Illumination Optimization Method of LED LightSource for Visual Inspection System[J].InfraredandLaserEngineering，2021，50（12）：357-368.[32] 李云峰，李晟陽.基于梯度方向信息熵的印刷電路板缺陷檢測[J].中國機(jī)械工程，2017，28（6）：695-701.LIYunfeng，LI Shengyang.Defect Detection forPCBS Based on Gradient Direction Information En-tropy[J].China Mechanical Engineering，2O17，28（6）：695-701.

（編輯張洋）

作者簡介：王瑞洲*，男，1990年生，副教授。研究方向?yàn)槿犴槞C(jī)構(gòu)、微納定位與運(yùn)動(dòng)控制、微視覺。發(fā)表論文30余篇。E-mail：wangrz@ gdut.edu.cn。

本文引用格式：

王瑞洲，張宇龍，王華，等.激光直接成像機(jī)靶標(biāo)識別算法的設(shè)計(jì)及抗擾性能測試[J].中國機(jī)械工程，2025，36（7）：1624-1635.WANG Ruizhou，ZHANG Yulong，WANG Hua，et al.Designand Anti-disturbance Performance Tests of Target RecognitionAlgorithm forLDI Machines[J].China Mechanical Engineering，2025，36（7）：1624-1635.