PCB 焊點(diǎn)及芯線端頭識別

劉翰林，張榮福

（上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093）

引言

隨著科學(xué)技術(shù)的不斷發(fā)展，過去人們在焊接電路板過程中通過人眼直接觀察識別印刷電路板(PCB) 焊點(diǎn)及被焊芯線的方式逐漸被現(xiàn)代人工智能技術(shù)所取代，焊接質(zhì)量也逐漸受到人們的重視[1]。焊點(diǎn)和被焊接芯線的識別精度直接影響著最終的焊接質(zhì)量，焊點(diǎn)和芯線端頭識別方法因?qū)嶋H情況而異。本文對同一視野內(nèi)不同位置的焊點(diǎn)和芯線端頭的顏色、形狀等特征信息的分析進(jìn)行識別算法思路的構(gòu)建。為了提高效率，達(dá)到實(shí)時(shí)性要求，本文視覺系統(tǒng)硬件采用LED 光源、工業(yè)鏡頭、顯微鏡和計(jì)算機(jī)組成。軟件主要利用計(jì)算機(jī)視覺庫OpenCV 配置VS2017 完成圖像算法處理[2]?；谠摥h(huán)境下提出基于顏色閾值分割的焊點(diǎn)識別算法和基于灰度特征的芯線端頭識別算法。焊點(diǎn)和芯線端頭皆通過預(yù)處理、圖像分割、特征提取等完成識別過程。但由于焊點(diǎn)和芯線端頭不同的特征信息，細(xì)節(jié)處理算法也有所差異。

目前已有對焊點(diǎn)及芯線相關(guān)識別算法的研究，比如朱文杰等[3]以機(jī)器視覺為基礎(chǔ)對焊點(diǎn)進(jìn)行定位，通過Hough 圓檢測擬合焊點(diǎn)邊緣輪廓并確定中心點(diǎn)位置；張玉登等[4]采用基于HSV 顏色空間下的焊點(diǎn)檢測技術(shù)，通過選取HSV 空間下的V 通道結(jié)合大津法(Otsu)完成焊點(diǎn)分割。楊懿[5]采用大津法計(jì)算圖像焊點(diǎn)閾值轉(zhuǎn)為二值圖像，對輪廓進(jìn)行有效提取，改進(jìn)Hough 變換精確計(jì)算焊點(diǎn)圓心對應(yīng)位置。本文焊點(diǎn)識別是基于HSV 空間下的處理，根據(jù)HSV空間下的色系設(shè)定上下限閾值進(jìn)行閾值分割，相較于已有的采用HSV 單通道焊點(diǎn)的分割算法而言，本文的焊點(diǎn)識別方法更直觀、快速且識別準(zhǔn)確率相對較高。

1 圖像預(yù)處理

1.1 圖像去噪

通過圖像采集設(shè)備采集到的是RGB 空間下的彩色圖像，環(huán)境干擾、光照不均勻等原因使采集到的圖像不可避免地存在噪聲[6]，從而影響人們對圖像信息的接收。因此在提取待測物特征信息之前需進(jìn)行噪聲的抑制。平滑濾波處理能有效地抑制圖像中的噪聲，圖像的空間域中進(jìn)行的圖像處理操作即為空間濾波。圖像濾波既可以在空域?yàn)V波也可以在頻域?yàn)V波。頻域?yàn)V波算法計(jì)算復(fù)雜且實(shí)時(shí)性較差，而空域?yàn)V波不需要任何變換便可直接對像素點(diǎn)進(jìn)行處理，大大縮短處理時(shí)間，性能也得到了很好的提升，因此本文選用空域?yàn)V波算法完成去噪過程。

去噪作為一種重要的預(yù)處理，其效果好壞直接影響后續(xù)的圖像處理工作[7]。常見的空域?yàn)V波方法有均值濾波、中值濾波、高斯濾波[8-9]。均值濾波是用一片圖像區(qū)域的各個(gè)像素值的均值來代替原圖像的像素值，需對目標(biāo)像素給出一個(gè)內(nèi)核模板，用模板中全體像素的平均值來代替目標(biāo)像素。中值濾波是將模板對應(yīng)的鄰域像素的灰度值先進(jìn)行統(tǒng)計(jì)排序，然后將統(tǒng)計(jì)結(jié)果作為模板中心對應(yīng)像素的輸出值。高斯濾波是對圖像進(jìn)行加權(quán)平均的過程，每一個(gè)像素點(diǎn)的值都由其本身和鄰域內(nèi)的其他像素值加權(quán)平均后得到，不同位置的像素賦予的權(quán)重比例不同。高斯分布函數(shù)決定其濾波模板。為分析不同濾波算法去噪效果，本文統(tǒng)一采用大小為5 的模板作為內(nèi)核參數(shù)設(shè)定。圖1 和圖2 分別為焊點(diǎn)和芯線端頭濾波效果圖。

圖2 芯線端頭原圖及濾波效果圖Fig.2 Images of original core wire end and filtering effect

從結(jié)果可以看出不同濾波算法的處理效果各有差異，對于焊點(diǎn)而言三種濾波效果差別細(xì)微，而對于芯線端頭則有較為明顯的區(qū)別。中值和高斯濾波處理后的端頭模糊程度較高，輪廓識別度降低，不利于后續(xù)分割。在實(shí)際應(yīng)用時(shí)，應(yīng)根據(jù)期望的圖像和邊緣特征等來選擇合適的濾波方法，這樣才能發(fā)揮圖像濾波的最大優(yōu)點(diǎn)。因此結(jié)合實(shí)驗(yàn)結(jié)果，本文選擇保邊效果較好的中值濾波對焊點(diǎn)進(jìn)行預(yù)處理，對芯線端頭采用均值濾波，為后續(xù)感興趣區(qū)域提取及識別提供基礎(chǔ)。

1.2 圖像特征分析

去噪完成后需對目標(biāo)進(jìn)行特征分析方便后續(xù)特征提取和分割處理。彩色圖像的分割關(guān)鍵在于如何利用豐富的色彩信息來達(dá)到分割目的[10]，所以本文從焊點(diǎn)及芯線端頭特征入手。

張熊楚等[11]通過大津法（Otsu）分別對RGB顏色空間下的2G-R-B 分量的灰度圖像進(jìn)行閾值分割。劉波等[12]將圖像轉(zhuǎn)換至其他顏色空間下，將該顏色空間各分量分離出來，并對其進(jìn)行二值化處理。對彩色圖像進(jìn)行分割，選擇符合人眼視覺特性的顏色空間對于后續(xù)分割至關(guān)重要。HSV 顏色空間在用于指定顏色分割時(shí)作用比較大，運(yùn)行速度較快且其三要素相互獨(dú)立，是比較接近人眼對色彩感知的顏色空間。因此，為了便于色彩處理和識別感興趣區(qū)域（ROI）的目標(biāo)焊點(diǎn)，本文將在HSV 空間下對焊點(diǎn)進(jìn)行圖像算法的處理。

焊點(diǎn)在H、S、V 顏色通道模型中會(huì)呈現(xiàn)不一樣的圖形基本特性[13]。HSV 是Alvy Ray Smith 根據(jù)顏色的直觀特性創(chuàng)建的一種顏色空間。這種顏色空間在各種圖像分析任務(wù)中多有應(yīng)用，例如可以用來作膚色區(qū)域分割[14]等。RGB空間與HSV 空間的轉(zhuǎn)換關(guān)系如下：

式 (1) 中H的值在0°～360°之間，S和V的值在0～1 范圍內(nèi)變化。如圖3 所示，HSV 模型可用圓柱坐標(biāo)系中的一個(gè)圓錐形子集來表示。

圖3 HSV 顏色空間模型Fig.3 HSV color space model

根據(jù)原圖對感興趣區(qū)域的焊點(diǎn)進(jìn)行空間轉(zhuǎn)換，得到HSV 空間下單個(gè)焊點(diǎn)的顏色分布情況，如圖4 所示。

圖4 ROI 單個(gè)焊點(diǎn)HSV 圖Fig.4 HSV image of ROI single solder joint

根據(jù)圖4 結(jié)果可知，HSV 空間下的焊點(diǎn)色系易辨別，其色系之間相對分明，能較好體現(xiàn)其顏色特征。所以本文考慮基于OpenCV 的HSV顏色體系結(jié)合HSV 顏色參數(shù)列表完成焊點(diǎn)后續(xù)分割及識別。

同樣對芯線端頭進(jìn)行HSV 空間的轉(zhuǎn)換，結(jié)果如圖5 所示。根據(jù)結(jié)果可知，HSV 下的芯線端頭顏色信息相對混雜且所屬色系不易區(qū)分，在這種情況下對其顏色特征進(jìn)行分析比較困難，若直接根據(jù)HSV 顏色參數(shù)列表進(jìn)行閾值分割可能會(huì)出現(xiàn)芯線端頭區(qū)域存在部分缺失的情況，給后續(xù)識別帶來不便。

圖5 ROI 芯線端頭HSV 圖Fig.5 HSV image of ROI core wire end

由于HSV 空間下的顏色分析對于芯線端頭難度較大，因此可根據(jù)其他特征對芯線端頭進(jìn)行分析。假設(shè)將芯線當(dāng)作前景，其余部分為背景，則從原圖可以看出芯線與背景之間的顏色及形態(tài)差異比較大，所以考慮依照灰度特征的變化來提升前后背景對比度差異，從而實(shí)現(xiàn)芯線端頭分割。

每一張圖片都是由紅色（Red），綠色（Green），藍(lán)色（Blue）三原色組合而成，不同顏色在這三個(gè)分量上的分布特點(diǎn)是不一樣的，顏色差異直接影響其在分量間的分布規(guī)律。為體現(xiàn)出顏色分量間的差異性，本文基于OpenCV 下的split 函數(shù)對RGB 空間下芯線端頭原圖進(jìn)行分離得到R、G、B 單通道圖。芯線端頭單通道顯示如圖6 所示。

圖6 RGB 單通道圖Fig.6 RGB single channel images

對比圖6 結(jié)果可知，G 通道下的芯線與背景灰度差異較大。為了更直觀地感受圖像對比度差異，突顯芯線端頭有用的特征信息并提高辨識度，本文提出一種基于RGB 單通道下圖像增強(qiáng)的方法完成芯線端頭的后續(xù)分割及識別。

綜上所述，通過對焊點(diǎn)及芯線端頭的顏色等特征進(jìn)行分析，制定了較為合理的分割前預(yù)處理方案，有利于后續(xù)的分割及識別過程。

2 焊點(diǎn)識別算法

通過上一節(jié)對焊點(diǎn)和芯線端頭的顏色特征分析及分割方案的制定，本節(jié)主要描述焊點(diǎn)和芯線端頭的詳細(xì)分割過程及后續(xù)識別算法。

基于HSV 空間的焊點(diǎn)識別算法流程如圖7所示。首先通過顏色空間轉(zhuǎn)換對照HSV 顏色參數(shù)列表完成對焊點(diǎn)的閾值分割，可以分割出焊點(diǎn)所在區(qū)域，然后根據(jù)分割后圖像中的噪點(diǎn)位置結(jié)合原圖像特征，利用掩膜方式去掉噪點(diǎn)部分，再通過輪廓檢測算法完成對焊點(diǎn)輪廓的檢測及提取，最后對焊點(diǎn)輪廓所在位置顯示其中心點(diǎn)像素坐標(biāo)，完成焊點(diǎn)的識別過程。

圖7 焊點(diǎn)識別算法流程Fig.7 Process of the soldering joint recognition algorithm

焊點(diǎn)識別算法步驟如下。

1）對預(yù)處理后的焊點(diǎn)圖像進(jìn)行顏色空間轉(zhuǎn)換并結(jié)合HSV 顏色空間參數(shù)列表進(jìn)行閾值分割。在OpenCV 算法實(shí)現(xiàn)過程中，H被量化為0～180，V和S被量化為0～255。觀察焊點(diǎn)感興趣區(qū)域，根據(jù)焊點(diǎn)顯示的暗黃色顏色特征，結(jié)合HSV 顏色參數(shù)列表進(jìn)行目標(biāo)焊點(diǎn)顏色提取，選定合適的閾值。HSV 顏色空間參數(shù)列表如表1所示。篩選顏色特征可參照表上各顏色參數(shù)分布情況及實(shí)驗(yàn)獲得，確定待識別的焊點(diǎn)顏色范圍在橙色和黃色之間，分割效果如圖8 所示。

表1 HSV 顏色空間參數(shù)列表Tab.1 HSV color space parameter list

圖8 焊點(diǎn)分割結(jié)果圖Fig.8 Image of soldering joint segmentation result

2）觀察分割結(jié)果可知白色噪點(diǎn)主要位于PCB板和背景的交界處及其左邊部分區(qū)域，且原圖像板子與背景交界處涇渭分明，如圖9（a）所示?？紤]利用掩膜對白色噪點(diǎn)進(jìn)行抑制。首先對預(yù)處理后的原圖像進(jìn)行灰度二值化處理，再進(jìn)行形態(tài)學(xué)濾波處理。二值化閾值為人工調(diào)試結(jié)合分割效果得到，如圖9（c）所示。

圖9 Mask 圖實(shí)現(xiàn)步驟Fig.9 Implementation steps of mask image

形態(tài)學(xué)濾波基本操作有膨脹、腐蝕、開啟和閉合[15]。膨脹是通過結(jié)構(gòu)元掃描方式對邊界進(jìn)行外擴(kuò)，腐蝕則是對邊界進(jìn)行收縮。兩者用公式可表示為

其中B為結(jié)構(gòu)元，E是被處理空間。通過B對E中的每一點(diǎn)像素進(jìn)行掃描，膨脹的結(jié)果就是B掃描后與E的交集非空的點(diǎn)構(gòu)成的集合，腐蝕就是B掃描后包含于E的所有點(diǎn)構(gòu)成的集合。結(jié)構(gòu)元參數(shù)選取根據(jù)所要提取物體的形狀特征來設(shè)定，本文算法選取矩形結(jié)構(gòu)元。形態(tài)學(xué)方式選擇閉操作，即先膨脹后腐蝕，目的是去除圖9（c）中存在的小型黑洞。濾波后生成的mask圖用于掩膜，完成對白色噪點(diǎn)的抑制，圖9 為mask 圖的實(shí)現(xiàn)步驟。

3）圖像掩膜是用選定的圖像、圖形及物體對被處理圖像進(jìn)行全局或局部的遮掩，使圖像處理的區(qū)域被控制的過程，通過位之間的相“與”運(yùn)算實(shí)現(xiàn)感興趣區(qū)域的提取。其主要應(yīng)用于對感興趣區(qū)域的提取、屏蔽效果、結(jié)構(gòu)特征的提取及特殊形狀的圖像制作方面。掩膜運(yùn)算過程示意圖如圖10 所示。

圖10 圖像掩膜Fig.10 Mask image

形態(tài)學(xué)濾波次數(shù)N的取值會(huì)不同程度地影響掩膜結(jié)果，結(jié)果對比如圖11 所示

圖11 掩膜結(jié)果Fig.11 Mask results

實(shí)驗(yàn)結(jié)果表明N的取值大于或等于4 時(shí)對白色噪點(diǎn)區(qū)域抑制效果較好，且隨著次數(shù)增加處理效果無明顯差異，因此該部分算法選取N=10作為濾波次數(shù)參數(shù)設(shè)定。

4）對掩膜后的圖像進(jìn)行輪廓檢測。首先通過輪廓查找結(jié)合內(nèi)循環(huán)進(jìn)行遍歷檢測，獲得檢測到的輪廓上的所有點(diǎn)的最大最小橫縱坐標(biāo)值（xmax，xmin，ymax，ymin），最大最小橫縱坐標(biāo)的中值近似為閉合輪廓的中心點(diǎn)坐標(biāo)。圖12 所示為確定中心點(diǎn)的示意圖。

圖12 輪廓中心點(diǎn)示意圖Fig.12 Schematic of contour center point

然后用紅色實(shí)心圓點(diǎn)來標(biāo)記輪廓中心點(diǎn)，最后顯示識別到的中心點(diǎn)的像素坐標(biāo)。以原圖左上角的4 個(gè)焊點(diǎn)為例，識別結(jié)果如圖13 所示。

圖13 焊點(diǎn)識別結(jié)果Fig.13 Solder joint recognition results

從識別結(jié)果來看，基于HSV 顏色空間的焊點(diǎn)識別算法能有效地識別出焊點(diǎn)大致位置并顯示中心點(diǎn)像素坐標(biāo)。

3 芯線端頭識別算法

基于RGB 單通道處理的芯線端頭識別算法框圖如圖14 所示。首先單通道處理后獲得G 通道下圖像，然后通過圖像增強(qiáng)算法結(jié)合對比度增強(qiáng)結(jié)果，從人眼直觀角度來選擇合適的通道作為基礎(chǔ)進(jìn)行后續(xù)處理，接著通過形態(tài)學(xué)濾波對圖像細(xì)節(jié)進(jìn)行處理，根據(jù)實(shí)驗(yàn)得到的閾值完成芯線端頭分割，最后通過連通域分析結(jié)合芯線形態(tài)特征完成芯線端頭的識別過程。

圖14 芯線端頭識別算法框圖Fig.14 Flowchart of core wire end recognition algorithm

芯線端頭識別算法步驟如下。

1）原圖經(jīng)預(yù)處理后，首先分離得到單通道下的圖像，然后通過圖15 所示的A、B 兩圖像自乘方法實(shí)現(xiàn)對比度增強(qiáng)，增大亮暗圖像像素點(diǎn)之間的差距。圖16 為三個(gè)通道的圖像自乘后的結(jié)果，考慮到乘積溢出情況，該算法使用飽和運(yùn)算機(jī)制將小于0 的通道值置位0，大于255 的置位255。

圖15 圖像乘法運(yùn)算Fig.15 Image multiplication

圖16 對比度增強(qiáng)效果圖Fig.16 Contrast enhancement effect

對比R、G、B 通道下的對比度增強(qiáng)處理，可看出在G 通道下對芯線端頭圖像處理后的灰度變化較大，可看出明顯的差異性。傳統(tǒng)圖像增強(qiáng)方法直方圖均衡化也可達(dá)到圖像增強(qiáng)目的，其原理是通過原灰度直方圖求出每個(gè)像素點(diǎn)發(fā)生的概率，對于每個(gè)像素點(diǎn)概率乘以動(dòng)態(tài)范圍向下取整后得到均衡化后的圖像。直方圖均衡化處理效果如圖17 所示。

圖17 直方圖均衡化Fig.17 Histogram equalization

對比兩種圖像增強(qiáng)算法的實(shí)驗(yàn)結(jié)果，可以看出直方圖均衡化對于芯線端頭與背景區(qū)域的對比度區(qū)分效果不太理想，處理后仍有些許噪點(diǎn)，不利于后續(xù)分割。而基于RGB 單通道處理再進(jìn)行圖像自乘后的處理效果能明顯體現(xiàn)出芯線端頭與背景的對比度差異。

2）圖像增強(qiáng)后進(jìn)行灰度形態(tài)學(xué)濾波。這是對灰度圖像的形態(tài)學(xué)濾波操作，處理形式與二值化后的形態(tài)學(xué)濾波操作相同，通過開或閉操作來對芯線端頭的邊緣細(xì)節(jié)進(jìn)行擴(kuò)大或縮小，目的是盡量得到較為完整的輪廓邊緣信息。結(jié)構(gòu)元根據(jù)芯線端頭形態(tài)特征選擇矩形核，圖18 為形態(tài)學(xué)濾波中開閉運(yùn)算處理效果圖。

圖18 形態(tài)學(xué)濾波Fig.18 Morphological filtering

從形態(tài)學(xué)處理效果來看，開運(yùn)算處理后的感興趣區(qū)域的芯線端頭圖像邊緣特征較閉運(yùn)算而言更為完整，有利于后續(xù)的輪廓提取。因此使用形態(tài)學(xué)濾波算法中的開運(yùn)算完成芯線端頭的細(xì)節(jié)處理。

3）形態(tài)學(xué)濾波后進(jìn)行閾值分割。通過實(shí)驗(yàn)調(diào)試結(jié)合分割效果進(jìn)行閾值參數(shù)thresh 的設(shè)定，參考閾值最大值maxval 設(shè)置為255（白色），選擇合適的閾值分割類型結(jié)合式（3）完成二值化處理：

式（3）表示大于設(shè)定閾值的像素灰度值為0，其他像素點(diǎn)值為最大值255。不同參數(shù)設(shè)定分割效果差異性較大，經(jīng)多次實(shí)驗(yàn)后對比不同閾值下分割效果可選定閾值為40 進(jìn)行二值化處理，效果較為理想。二值化分割與HSV 閾值分割及自適應(yīng)算法分割結(jié)果相比較，如圖19 所示。

圖19 分割結(jié)果比較Fig.19 Comparison of segmentation results

對比分割結(jié)果可看出，HSV 閾值分割使感興趣區(qū)域的芯線端頭部分區(qū)域缺失，自適應(yīng)閾值分割削弱了芯線端頭輪廓特征，而二值化分割結(jié)果與前兩種方式相比，感興趣區(qū)域的芯線端頭的邊緣特征保留相對完整。

4）通過連通域分析對分割后的圖像進(jìn)行輪廓提取、面積判斷并排序，最后識別芯線端頭的像素坐標(biāo)。連通區(qū)域一般是指圖像中具有相同像素值且位置相鄰的前景像素點(diǎn)組成的圖像區(qū)域，連通區(qū)域分析是指將圖像中的各個(gè)連通區(qū)域找出并標(biāo)記，通常對二值化后的圖像進(jìn)行處理。

該部分算法流程如圖20 所示，首先通過輪廓函數(shù)查找所有邊緣輪廓，然后提取連通域的邊緣，再對連通域面積大小排序，找出最大面積連通域并標(biāo)記，接著保留最大面積連通域邊緣輪廓點(diǎn)的值，取右側(cè)較大的3～5 個(gè)點(diǎn)求其坐標(biāo)的平均值，忽略干擾。與傳統(tǒng)的冒泡排序法相比，為了優(yōu)化時(shí)間性能，提升運(yùn)算速度，提高效率，此處使用直接排序法，實(shí)現(xiàn)類型為升序。

圖20 連通域分析算法框圖Fig.20 Flowchart of connected domain analysis algorithm

芯線端頭識別結(jié)果如圖21 所示。

圖21 芯線端頭識別結(jié)果Fig.21 Core wire end recognition result

4 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證本文算法的焊點(diǎn)和芯線端頭識別結(jié)果與人工識別結(jié)果的有效性與準(zhǔn)確性，需事先進(jìn)行定標(biāo)。定標(biāo)是以標(biāo)準(zhǔn)物件來確定其誤差。為了確保數(shù)據(jù)測量的精確性和可靠性，本文選用高精度圓點(diǎn)標(biāo)定板進(jìn)行定標(biāo)，對焊點(diǎn)及芯線端頭識別結(jié)果進(jìn)行驗(yàn)證與誤差分析。標(biāo)定板規(guī)格參數(shù)如表2 所示，定標(biāo)結(jié)果如圖22 所示。

圖22 定標(biāo)結(jié)果Fig.22 Calibration results

表2 標(biāo)定板規(guī)格參數(shù)Tab.2 Calibration plate specification parameters

4.1 焊點(diǎn)識別誤差及其分析

首先將本文焊點(diǎn)識別算法中焊點(diǎn)輪廓的提取部分與文獻(xiàn)[16]中的電路板焊點(diǎn)分割部分進(jìn)行整理。本文算法在閾值類型選取及設(shè)定方面有所變化，但兩者的焊點(diǎn)分割部分都是基于HSV 空間下的閾值分割?，F(xiàn)將本文與文獻(xiàn)[16]中的閾值分割算法進(jìn)行同一焊點(diǎn)的測試，結(jié)果如圖23 所示。

根據(jù)圖23 的對比結(jié)果可知，本文焊點(diǎn)識別算法相較于文獻(xiàn)中的識別算法準(zhǔn)確率更高，且對于焊點(diǎn)的輪廓提取更為完整，有利于輪廓中心點(diǎn)的確定。

圖23 算法對比Fig.23 Algorithm comparison

本文通過基于HSV 顏色空間的圖像處理算法完成焊點(diǎn)的識別，分別對同一視野內(nèi)不同位置的焊點(diǎn)樣本進(jìn)行該算法實(shí)驗(yàn)，識別結(jié)果如圖24所示。

圖24 不同情況的焊點(diǎn)識別效果Fig.24 Solder joint recognition results of different cases

為了實(shí)驗(yàn)的完整性及算法有效性驗(yàn)證，再將本文識別算法與相機(jī)SDK 下人工實(shí)測結(jié)果進(jìn)行對比，結(jié)果如圖25 所示。

圖25 兩種方式的焊點(diǎn)識別效果Fig.25 Solder joint recognition results of two methods

限于篇幅，為了方便后續(xù)數(shù)據(jù)整理分析，按照圖26 所示的焊點(diǎn)區(qū)域分布及命名方式來獲取同一圖片下本文識別算法與人工實(shí)測的焊點(diǎn)像素坐標(biāo)數(shù)據(jù)。

圖26 焊點(diǎn)分布和命名方式示意圖Fig.26 Schematic of solder joint distribution and naming method

為確定焊點(diǎn)識別精度及與PCB 板上焊點(diǎn)之間的實(shí)際尺寸的量化關(guān)系，方便后續(xù)將芯線端頭與焊點(diǎn)的實(shí)際空間位置聯(lián)系起來，假設(shè)本文焊點(diǎn)識別算法所識別到的焊點(diǎn)像素坐標(biāo)為（x1，y1)，人工識別的焊點(diǎn)像素坐標(biāo)為（x2，y2)，則歐氏距離D可表示為

數(shù)據(jù)獲取方式是以PCB 板區(qū)域左上角第一個(gè)區(qū)域（a 區(qū)域）的焊點(diǎn)圓心a（0，0）開始，依次按照“a 區(qū)域→b 區(qū)域→c 區(qū)域→d 區(qū)域”的順序進(jìn)行，對獲取的16 組樣本數(shù)據(jù)進(jìn)行分析，根據(jù)式（4）計(jì)算相同位置下兩種方法得到的焊點(diǎn)像素坐標(biāo)之間的歐氏距離，整理結(jié)果如表3 所示。

表3 本文識別算法與人工識別的焊點(diǎn)坐標(biāo)對比Tab.3 Comparison of coordinates between algorithm recognition and manual recognition of solder joint

根據(jù)事先得到的定標(biāo)結(jié)果，結(jié)合識別到的焊點(diǎn)中心點(diǎn)像素坐標(biāo)及表2 數(shù)據(jù)，可計(jì)算出這4 個(gè)區(qū)域內(nèi)共8 組左右圓心距與上下圓心距的值，對本文算法與人工實(shí)測的圓心距測量值進(jìn)行分析比較，結(jié)果如表4 和表5 所示。

根據(jù)實(shí)驗(yàn)要求的±0.1 mm 的測量誤差范圍，結(jié)合表4 和表5 的數(shù)據(jù)分析可知，本文算法結(jié)果與焊點(diǎn)識別結(jié)果的測量值誤差均能達(dá)到最初實(shí)驗(yàn)要求且識別準(zhǔn)確率達(dá)90%以上，因此采用基于HSV 顏色空間的PCB 焊點(diǎn)識別算法能有效地識別焊點(diǎn)及其位置信息，可為自動(dòng)測試提供坐標(biāo)數(shù)據(jù)。

表4 焊點(diǎn)圓心距測量值對比（左右）Tab.4 Comparison of measured values of center distance of solder joint circle（left and right）

表5 焊點(diǎn)圓心距測量值對比（上下）Tab.5 Comparison of measured values of center distance of solder joint circle（upper and lower）

4.2 芯線端頭識別誤差及其分析

本文通過基于RGB 單通道處理的相關(guān)算法完成了芯線端頭的識別。圖27 為4 組不同情況下本文算法與人工實(shí)測的芯線端頭識別效果，同組左邊為本文算法識別結(jié)果，右邊為人工實(shí)測結(jié)果。

圖27 兩種方式的芯線端頭識別結(jié)果Fig.27 Core wire end recognition results of two methods

為了驗(yàn)證識別結(jié)果的有效性和準(zhǔn)確性，選取10 組圖片數(shù)據(jù)進(jìn)行整理分析，對本文算法與人工實(shí)測的數(shù)據(jù)進(jìn)行比較，結(jié)果如表6 所示。

表6 本文識別算法與人工實(shí)測的芯線端頭坐標(biāo)對比Tab.6 Comparison of coordinates between recognition algorithm and manual measurement of core wire end

通過定標(biāo)結(jié)果計(jì)算可知一個(gè)像素大小為3.41 μm，根據(jù)0.1 mm 的測量誤差所對應(yīng)的像素距離范圍，結(jié)合表6 中歐氏距離計(jì)算結(jié)果可知，本文芯線端頭識別誤差均在允許的測量誤差范圍之內(nèi)，并且識別準(zhǔn)確率可達(dá)95%以上。因此本文基于RGB 單通道處理的芯線端頭識別算法能準(zhǔn)確地識別芯線端頭所在位置，可為自動(dòng)焊接過程芯線端頭的識別提供有效的方法。

5 結(jié)論

本文通過對焊點(diǎn)和芯線端頭的圖像采集、圖像增強(qiáng)、閾值分割、識別算法等一系列處理過程，完成了對焊點(diǎn)和芯線端頭的識別，并成功提取到其像素坐標(biāo)。識別結(jié)果表明：與人工焊點(diǎn)識別算法相比，本文基于HSV 空間的焊點(diǎn)識別算法準(zhǔn)確率更高；同時(shí)基于RGB 單通道處理的芯線端頭識別算法高效快捷，焊點(diǎn)和芯線端頭識別誤差都較小。這為自動(dòng)焊接過程中PCB 板的焊點(diǎn)和被焊芯線的檢測提供了較為有效的方法，后續(xù)可應(yīng)用到實(shí)際工程中。