logo
摘要：表面安装PCB板的自动检测是保证品质，减少制造废弃物的浪费和再加工的要求。在本文中，SMD研究定位和识别检测图像中的多个对象的方法。表面安装元件检测的主要难点之一是元件配置的检测。诸如泄漏、偏差或错误旋转元件等元件布置缺陷是主要缺陷，并且必须在回流焊接之前或之后检测。本文的重点是定位多对象的对像识别技术。使用灰度模型匹配，在构成部件的组合中创建共同的模板。在研究中，使用标准化互相关模板匹配法，为了减少计算量，测试了限制搜索区域的方法。要搜索模板位置，请使用性能优良的遗传算法。最后，列举了典型PCB图像的实验结果。
关键词：PCB制造；元素检测；模板匹配；遗传算法
5检索方法
模板匹配的检索可以使用遗传算法这样的启发性的方法。结束检索的判断条件由计算出的NCC值决定。实验表明，0.65NCC值是找到模板匹配并指示终止搜索的终止条件的理想表示。
5.1遗传算法检索
遗传算法是种群（population？基于based）的概率搜索算法。使用了模拟自然选择和生物遗传机构mechanics的运算符。遗传算法开始建立经解集的随机集群以及计算每个成员适应度值NCC值。以适应度值为根据，从种子群中选择了作为父母的子集。这些父母的组合产生下一代的解集称为子孙。将这些新集合替换为原始集群的一部分成员，并计算新的适应度值。重复这样的选择和使用适应度值来生成新集群的过程。物种群进化后，也接近最优解。
遗传算法在执行边缘像素搜索（图5）时，使用一个indices determining边缘位置（x，y）坐标种类组和indices determining角度种群。图像中的电阻对象的旋转角度可能不同。因此，定义表示模板角度的角度变量。由于一般电阻的布置角度为0、90、180和270，所以角度向量限制于这四个值。只使用四个角度的缺点是实际旋转角度可能是不确定的。优点是降低计算量。
对于各父（例如边缘位置及角度indices），根据对应的边缘位置（x，y）坐标及角度计算NCC值分配一个适应度值。Roulette-wheel selection选择父，使用线性组合对父生成新子，并按以下公式计算。
（3）
其中，a是值从0到1的随机权重数。根据需要，以宽度值扩展子区域。
遗传算法因为能够很好地解决单解问题，所以在找到模板匹配的情况下GA需要寻找其他解的机制。源图像如果找到大于0.65NCC值的位置源图像，则用相反颜色的模板图像替换与模板一致的区域。当模板匹配发生时，该方法有效地关闭区域。如果找到所有构成部件，则算法结束。
遗传算法使用检测PCB过程，如图7所示，在Matlap中实现。首先，离线创建通用模板，设置对象的数量。然后，应用用于获取检测到的PCB图像并搜索对象及其位置和旋转角度的算法。当位置和旋转角度等于期望值时，测定PCB通过质量检查。
图7遗传算法模板图像检索流程图
6适用和结果
在本章中，测试和比较基于通用模板的不同多对象识别技术。结果如表1所示。使用完全搜索非压缩源图像方法，比较了标准化互相关（NCC）和最大可能的模板匹配法。该算法使用图3的通用模板定位图2的六个5110和1001贴片电阻。结果表明，NCC模板匹配方法比最大可能匹配方法快4倍以上。使用最大可能的方法计算协方差矩阵非常花时间。接下来，在预定的矩形区域中，使用局部搜索方法对每个已知的元件目标点进行测试。这个方法大大缩短了搜索时间。
构成部件的错误和偏移时，本地检索方法失败。在这种情况下，需要查找源图像整体并查找错误放置的对象。使用以前讨论的Canny边缘压缩方法可以减少搜索点的数量，分别对完全搜索和遗传算法进行实验，得到了结果。GA的模板位置搜索比完全探索快6倍左右。
表1结果
方法执行时间（s）最大可能未压缩完全探索3303NCC未压缩完全探索737.2NCCCanny边缘压缩完全探索230.8NCC对象目标点局部探索47.5NCCCanny边缘压缩GA探索39.5
为了找到最佳参数并最小化遗传算法的执行时间，进行了实验统计分析。初始实验确定了可控制参数的范围，例如簇尺寸，复合百分比，线性复合宽度，变异百分比。接下来，进行了两组实验，获得了两组值的范围。在第一组实验中，物种群值160200240，复合百分比75%，85%，95%，突变百分比15%，25%，35%，线性复合宽度00.10.2。在第二组的实验中，利用物种群值80、120、160，复合百分比值为55%、65%、75%，突变百分比为25%、35%、45%，线性复合宽度为0、0.1、0.2。
第一组实验的最佳参数是簇尺寸160，重组合百分比75%，变异百分比35%，线性重组合宽度0。第二组实验的最佳参数是：簇尺寸160，重组合百分比75%，变异百分比45%，线性重组合宽度0。两组实验中的组尺寸，重组合百分比和线性重组合宽度的最佳参数相同。唯一不明确的是变异率的值，实验表明35%的变异率是最佳参数。
图8示出了定位对象对图像的总数和当前定位对象的数量之间的变化过程。这里，N如下定义。
（4）
如下。
NTOTTAL＝放置对象的合计数。
NUND=放置的对象的数量。
图8示出了N减小到0的一系列步骤。在第一阶段检测到新对象。当检测到所有对象时，遗传算法结束，并返回各个元素的位置和旋转角度。角度限制在4个角度为0、90、180、270。这些算法可以基于返回值进行质量检查。如果元件的旋转角度不是限制的四个角度，则该算法产生的互相关值不超过0.65，并且该装置无法识别。因此，识别对象的总数可以用于质量检查。图9遗传算法是表示使用多对象识别方法定位的6个要素的源图像的图。
图8重复iteration次数与对像定位关系
图9遗传算法使用了6个要素的识别和定位源图像
这种方法的测量可能性的主要因素是通用模板的构建。在这项研究中，共同模板由从源图像中提取的具有相同大小的6个元素的模板构成，这些元素的标签特性存在差异。因此，方法只能查找6个对象。图10是表示与检索对象的数量对应的平均检索时间的图。图显示了单独搜索和同时搜索的结果。同时查找可以同时查找所有对象，而每次单独查找只能查找一个对象。结果表明，随着对象数量的增加，搜索方法具有更好的平均时间，并且是更好的多对象识别方法。
围绕对象点NCC的局部区域搜索方法在假定对象点的位置预先已知的情况下表现出良好的性能。GA方法的优点是边缘的全局搜索，因此与照相机的对准无关。这一点很重要。因为在生产环境中不能完全保证照相机的定位。
图10遗传算法测定结果
7结论
在本论文中，设计多对象识别法，应用该方法检索PCB上的贴片元件的位置和角度，进行质量控制检查。基本方法是针对构成部件的组构建通用灰度模型模板。检索可以限于已知的对象点周边的本地区域，或者，在为了检索错误需要检索源图像整体的情况下，也可以被限制在Canny边缘位置。
如果预先已知元件对象点，则可以完全搜索围绕对象点的连续小区域以查找模板匹配。在需要检索图像整体的情况下，通过在Canny边缘限制检索区域，能够缩短检索时间。
当检测到所有元素时，遗传算法结束，并且搜索性能比针对相同搜索区域的完整搜索方法快6倍，并且比围绕已知对象点的局部完整搜索方法快6倍。遗传算法因为方法搜索整个图像的边缘，所以与图像的对准无关（通过比较两个图像来检测缺陷是必要的）。本研究的方法也可以应用于包括机器视觉系统和卫星监控的其他应用。
