Vision correction algorithm applied in high precision mounter
-
摘要: 高精度贴片机的视觉定位系统是提高贴片精度的关键。利用机器视觉技术分别对贴片元件和PCB板的位置及角度偏差进行检测。采用了以区域生长法为基础的元件中心和角度的计算方法，以最大内接矩形法计算了PCB板的中心和角度，从而得到了需要纠偏的位移和角度。实验验证元件中心的检测精度可达30 μm，算法处理总时间为63.6 ms，满足贴装元件定位检测系统对高速高精度的要求。Abstract: Vision positioning system is the key technology for improving the accuracy of high precision mounter.The machine vision was proposed to detect the deviation of surface mounted technology(SMT)components and PCB board.The regional growth method and the maximum internal rectangle method were used to calculate the displacement and angle center of the SMT components and PCB board, respectively, and the displacement and angle that needed correction were obtained.Experiments show that the detection accuracy of the component center can reach 30 μm and the total processing time is 63.6 ms, so it can meet the requirements for fast detection of mounting components with high precision.
-
Keywords:
- mounter /
- machine vision /
- correction algorithm /
- regional growth /
- maximum internal rectangle
-
引言
随着电子科学理论和电子工艺技术的快速发展，电子系统微型化、集成化要求越来越高，电子元器件也由传统的插装元器件发展为小、轻、薄的表面安装元器件[1]，这对表面贴装技术(surface mounted technology，SMT)提出了更高的要求。评价一条SMT生产线最直观的体现就是贴装速度、贴装精度和可贴装元器件范围这3项指标[2]。由于元件的存放、运输、上料、气动吸取等动作会不可避免地产生机械误差，使得贴片位置和预设的理想位置偏差比较大，机器视觉定位系统的运用可以极大地减小这类误差。机器视觉测量系统就是利用CCD摄像机采集工业零部件图像，利用图像处理和检测算法，提取出目标的参数[3]。一个完整的机器视觉系统包括工业相机、光源、光源控制器、视觉上位机等，其简图如图 1所示。
视觉定位系统分为贴装元器件的定位纠偏系统和PCB板定位纠偏系统两大部分：贴片元件定位是对贴片元件中心相对于吸嘴中心的偏移量和贴片元件在拾取过程中的偏转角度进行检测；PCB板定位是通过对母板进行检测，进而得到PCB板坐标系与机器坐标系之间的转换关系[4]。这2个子系统各采用一个工业相机，上视工业相机用于采集贴装元器件的图像，下视工业相机采集PCB板的图像，相应的采集图像传送到视觉上位机后，经过一定的算法处理得到需要的偏移数据，从而控制贴头进行位置位移补偿，提高元件的贴装精度。
目前，很多学者对贴片机的视觉定位纠偏系统做了大量研究工作。刘杰等[5]人提出了一种IC元件角度检测算法，利用像素分割法提取元件引脚的特征点信息，结合最小二乘法拟合特征点，计算元件旋转的角度折算成脉冲，控制电机旋转完成纠偏。这种方法仅仅完成了角度的纠偏，没有考虑到位置的偏移。陈戈珩等[6]人考虑到图像的亮度对定位的影响比较大，给出一种结合相位一致性与Hough圆的方法。首先利用相位一致性对PCB板上的对角线上一对Mark点进行边缘检测，用Hough圆变换分别检测两个Mark圆在图像坐标系下的圆心坐标，从而进行坐标转换，计算偏转角。这种方法具有较好的抗干扰性，但对于精度要求很高的器件具有局限性。姜涛等[7]人通过示教的方法消除第一块PCB板的定位误差，然后利用对PCB板基准点的图像识别与计算，消除其余PCB板的定位误差和制造误差，从而保证了贴片机的重复贴装精度。但仅仅考虑PCB板的定位误差忽略了元件的误差是远远不够的，无法保证贴装要求高的元件精度。针对当前的研究现状，本文提出了同时对贴片元件和PCB板进行视觉定位纠偏的算法。
1 贴片机元件视觉定位算法及其实现
1.1视觉检测任务分析
由于机械手的精度问题，贴片机吸嘴在吸取元件时可能会产生元件偏转，视觉检测的任务就是通过图像处理算法对待贴装芯片进行有关参数的检测，如图 2所示，检测参数主要包括：
1) 芯片相对于X轴正方向的偏转角度θ；
2) 芯片中心与图像中心的水平偏差Δx；
3) 芯片中心与图像中心的竖直位移Δy。
1.2 图像预处理
由于受到环境影响或者随机干扰(如机械振动、目标物体洁净度)，机器视觉定位系统获取的图像存在一定的噪声，而且ROI(感兴趣区域)或特征也不突出，因此不能直接对其进行定位处理，必须首先对原始图像进行预处理，然后对预处理得到的图像进行定位处理[7]。考虑到原始图像的噪声，制定了如图 3所示的预处理步骤。
首先，对原始图像采用3×3的中值滤波，随后利用最大类间方差法进行图像分割，最后经二值化得到预处理图像。采集的IC元件的原始图像和预处理后的图像如图 4所示，预处理的结果将图像中有用的部分信息提取出来，便于接下来更深层次的定位处理。
1.3 图像的定位处理
1.3.1 利用区域生长法求取各个管脚形心
区域生长法是根据同一物体区域内像素的相似性质来聚集像素点的方法，根据预先设定好的生长准则，将像素点或者子区域集合合并成一个大区域的过程。基本思想是通过一些初始生长种子(种子可以是单个像素，也可以是某个小区域)，将这些种子周围具有相似像素或者区域归并到种子像素所在的区域[9]。由此形成新的种子，反复操作，直到当前区域不能再合并为止。
将图像二值化后，整个图像呈现出明显的黑白效果，黑色区域是背景，而白色区域则包括元件的管脚和干扰点，如图 4(b)所示，使用区域生长法的目的就是搜索出所有白色区域，并求取白色区域的面积和形心[10]。区域生长法的关键是选择种子窗口和种子点，图 4(b)中黑色区域的灰度值为0，白色区域的灰度值为255，没有了其他灰度值像素点的干扰，极大地简化了种子窗口和种子点的选取。方便起见，本文采取简单易行的“十字架”形状的区域为种子窗口，如图 5所示，以图像的起始像素点为种子点开始搜索。
一张二值图像任一点的灰度值可以用函数表示，其中(x，y)表示像素点的位置。从图像的起点(x0，y0)位置开始搜索，当搜索到第一个白色点(Seedpoint1)，即f(x, y)=255时，记录下该点的坐标(x1，y1)，并将(x1，y1)与(x0，y0)合并在同一区域内，同时将(x1，y1)压入堆栈。从这个时刻开始，第一轮的区域生长开始，按照图 5搜索Seedpoint1周围的4个点，看其灰度值是否为255，若为灰度值为255的像素点，则将该点入栈；若不存在，则从栈中取出下一个点重新开始进行遍历，直至栈中的点都取出搜索完毕，至此一块白色区域被完全搜索出来。算法流程如图 6所示，区域生长过程如图 7所示。
根据形心求取公式求取白色区域的形心。形心坐标(xc，yc)为
$$ \left\{ \begin{align} & {{x}_{c}}=\sum\limits_{i=1}^{N}{{{A}_{i}}{{x}_{i}}/N}\text{ } \\ & {{y}_{c}}=\sum\limits_{i=1}^{N}{{{A}_{i}}{{y}_{I}}/N}\text{ } \\ \end{align} \right.\text{ }~ $$ (1) (1) 式中：Ai为图像中第i个像素点的权重，对于一幅二值图，Ai=1；N为栈中的像素点总数；xi、yi分别为栈中第i个像素点的坐标值。
1.3.2 元件的好坏的判别与可疑点的去除
IC元件很可能存在管脚粘连或者损坏，亦或环境的影响使得元器件表面存在一些污点，导致二值化的图像很有可能存在各种各样的干扰点，区域生长法的设计主要是通过匹配管脚的面积进行干扰点的剔除。设定管脚面积上限阈值maxA和下限阈值minA，通过区域生长法计算出来的管脚阈值为A(i)，若minA < A(i) < maxA，则该管脚为合格管脚，否则为非合格管脚。为判断管脚有无缺失、弯曲和粘连等问题，统计合格管脚的数量，若等于设定的管脚数量，则该元器件合格，否则为不合格元器件。
1.3.3 元件的角度与中心的计算
最小二乘法是一种常用的数学优化技术，利用最小二乘法可以简便地求得未知数据，使得这些求得的数据与实际数据之间误差的平方和最小。通过简单排序后，本文通过最小二乘法拟合元件各排管脚形心的坐标得到一条直线，如图 8所示，该直线与水平正方向的夹角就是元件的偏转角。由最小二乘法可得：
$$ \left\{ \begin{align} & {{{\bar{x}}}_{r}}=\sum\limits_{m=1\text{ }}^{M}{{{x}_{r, m}}/M}\text{ } \\ & {{{\bar{y}}}_{r}}=\sum\limits_{m=1}^{M}{{{y}_{r, m}}/M}\text{ } \\ & {{a}_{r}}=\left( M\sum\limits_{m=1}^{M}{{{x}_{r, m}}}-\sum\limits_{m=1}^{M}{{{x}_{r, m}}}\sum\limits_{m=1}^{M}{{{y}_{r, m}}} \right)/\text{ } \\ & \ \ \ \ \ \ \left( M\sum\limits_{m=1}^{M}{x_{r, m}^{2}}-{{\left( \sum\limits_{m=1}^{M}{{{x}_{r, m}}} \right)}^{2}} \right) \\ & {{b}_{r}}={{{\bar{y}}}_{r}}-{{a}_{r}}{{{\bar{x}}}_{r}} \\ \end{align} \right.\text{ }~ $$ (2) (2) 式中：xr, m、yr, m为第r行管脚的形心坐标，r=1，2，3，4；M为第r行管脚的个数；${{\bar{x}}_{r}}, {{\bar{y}}_{r}}$分别为第r排管脚的形心坐标的平均值。
根据(2)式可以求得每排管脚形心组成的拟合直线的参数ar、br，则每排管脚偏转的角度θr为
$$ {{\theta }_{r}}=\text{arctan}\left( {{a}_{r}} \right)~ $$ (3) 元件偏转的角度θic为
$$ {{\theta }_{ic}}=\sum\limits_{r=1}^{4}{{{\theta }_{r}}/M}\text{ }~ $$ (4) 元件的中心位置实际上就是所有管脚的中心的平均，因此可以选取所有管脚形心的平均值作为元器件的中心位置，如式(5)所示。
$$ \left\{ \begin{align} & {{x}_{ic}}=\sum\limits_{r=1}^{4}{\text{ }\sum\limits_{m=1}^{M}{{{x}_{r, m}}/4M}}\text{ } \\ & {{y}_{ic}}=\sum\limits_{r=1}^{4}{\text{ }\sum\limits_{m=1}^{M}{\text{ }{{y}_{r, m}}/4M}}\text{ } \\ \end{align} \right.\text{ }~ $$ (5) 从而，元器件的偏移距离为
$$ \left\{ \begin{align} & \Delta {{x}_{ic}}={{x}_{ic}}-{{x}_{p}} \\ & \Delta {{y}_{ic}}={{y}_{ic}}-{{y}_{p}} \\ \end{align} \right.~ $$ (6) (6) 式中，xp、yp为图像的中心点坐标。
2 PCB板视觉定位算法及其实现
机械手在对PCB板的装夹中，不可避免地存在机械误差，由此很容易导致PCB板装夹位置不精确，虽然也许只有很小的角度或者位置的偏移，对贴装精度要求较高的元器件也会差生较大的误差。因此，除了对贴片元件进行视觉纠偏以外，对PCB板角度偏转θpcb和位置偏移(Δxpcb, Δypcb)的检测也不可忽视。
2.1 图像预处理
对下视工业相机采集到的灰度图像进行去噪、阈值分割等处理获得二值图像，对此二值图像进行重构和边缘检测，得到PCB板的轮廓曲线，如图 9所示。对此轮廓曲线采用边界跟踪算法，生成图像的边缘点链结构，并将轮廓点集Ω存入数组[11]。
2.2 最大内接矩形定位算法
由于PCB板基本都是矩形或圆角矩形的形状，因此利用最大内接矩形定位算法对PCB板的位置角度进行检测是一种有效且准确的方法。最大内接矩形法的基本思路是，从目标几何轮廓的中心点获取离中心点最远的4个像素点的坐标，如图 10所示，P1、P2、P3、P4是轮廓上距离目标中心最远的4个像素点，依次连接这4个点，获得目标轮廓的最大内接矩形。若PCB板有圆角，则最大内接矩形在轮廓内；若无圆角，则与原轮廓重合。
考虑到PCB板形状规则，根据边缘点链结构，用轮廓重心法初步计算PCB图像中心：
$$ ~\left\{ \begin{align} & {{x}_{pcb}}=\sum\limits_{i=1}^{n}{{{x}_{i}}/n}\text{ } \\ & {{y}_{pcb}}=\sum\limits_{i=1}^{n}{{{y}_{i}}/n}\text{ } \\ \end{align} \right. $$ (7) (7) 式中:xi、yi分别为轮廓点集Ω中第i个像素点的坐标值; n为像素点的总数。由此获取目标图像的中心点位置(xpcb，ypcb)。
若P1、P2、P3、P4这4个像素点的坐标依次为(x1, y1)、(x2, y2)、(x3, y3)、(x4, y4)，理论上P1P2、P3P4两条长边与水平方向的夹角以及P1P4、P2P3两条短边与垂直方向的夹角均为图像的旋转角，角度计算如下：
$$ ~\left\{ \begin{align} & \theta _{PCB}^{1}=\text{arctan}\left( \text{ }{{y}_{2}}-{{y}_{1}}~{{x}_{2}}-{{x}_{1}}~ \right) \\ & \theta _{PCB}^{2}=\text{arctan}\left( \text{ }{{y}_{3}}-{{y}_{4}}~{{x}_{3}}-{{x}_{4}}~ \right) \\ & \theta _{PCB}^{3}\text{=}\left| \text{arctan}\left( \text{ }{{y}_{2}}-{{y}_{3}}~{{x}_{2}}-{{x}_{3}}~ \right)-90{}^\circ \right| \\ & \theta _{PCB}^{4}=\left| \text{arctan}\left( \text{ }{{y}_{4}}-{{y}_{1}}~{{x}_{4}}-{{x}_{1}}~ \right)-90{}^\circ \right| \\ \end{align} \right.\text{ } $$ (8) 则PCB板的偏转角θpcb为
$$ ~{{\theta }_{pcb}}=\left( \theta _{PCB}^{1}+\theta _{PCB}^{2}+\theta _{PCB}^{3}+\theta _{PCB}^{4} \right)/4 $$ (9) 虽然理论上PCB板是矩形，但由于PCB板制造误差等因素有可能造成距目标中心最远4个像素点的连线并非矩形，即θPCB1、θPCB2、θPCB3、θPCB4中，可能有角度偏离平均值较大。因此，对偏离平均值超过5%的夹角进行剔出，计算余下角度的平均值作为PCB板的偏转角度。
PCB板的水平和竖直偏移Δxpcb，Δypcb分别为
$$ \left\{ \begin{align} & \Delta {{x}_{pcb}}={{x}_{pcb}}-{{x}_{b}} \\ & \Delta {{y}_{pcb}}={{y}_{pcb}}-{{y}_{b}} \\ \end{align} \right. $$ (10) (10) 式中，xb、yb为图像的中心点坐标。
综前文所述，贴片机元件和PCB板的总修正位移为(Δxic+Δxpcb, Δyic+Δypcb)，修正角度为(θic+θpcb)。
3 实验结果及分析
3.1 理论定位实验
为了验证算法的准确性，人为地生成一幅测试图片用来模拟贴片元件的引脚，模拟图片中，元件中心位置为(285.5, 325)，旋转角度为5.711°，如图 11所示。
图 11中生成了上下两排引脚，标记序号为1~14，各个引脚的中心位置如表 1所示，经过本文算法处理后的引脚中心位置数据如表 2所示。实验测得芯片元件的中心坐标为(285.366, 325.015)，旋转角度为5.742°，像素误差最大为0.134 pixel，角度误差为0.031°，由此证明本算法具有较高的理论精度。
表 1 合成图片芯片引脚位置数据Table 1. Position data of snthesized picture chip pins上排引脚 1 2 3 4 5 6 7 8 9 10 11 12 横坐标/pixel 200 220 240 260 280 300 320 340 360 380 400 420 纵坐标/pixel 158 156 154 152 150 148 146 144 142 140 138 136 下排引脚 13 14 15 16 17 18 19 20 21 22 23 24 横坐标/pixel 230 250 270 290 310 330 350 370 390 410 430 450 纵坐标/pixel 435 433 431 429 427 425 423 421 419 417 415 413 表 2 算法处理后芯片引脚位置数据Table 2. Position data of snthesized picture chip pins after algorithm processing序号 1 2 3 4 5 6 7 8 横坐标/pixel 200.263 219.882 239.829 260.206 279.805 299.793 320.272 339.877 纵坐标/pixel 158.132 155.486 153.122 152.162 149.231 147.325 146.188 143.535 序号 9 10 11 12 13 14 15 16 横坐标/pixel 359.707 380.272 399.844 419.885 230.135 250.038 269.765 290.278 纵坐标/pixel 141.862 140.157 137.237 135.724 435.351 433.101 430.649 429.436 序号 17 18 19 20 21 22 23 24 横坐标/pixel 310.077 329.761 350.247 370.159 389.975 410.168 430.218 449.902 纵坐标/pixel 427.090 424.849 423.339 421.125 418.647 417.291 415.131 412.604 3.2 真实定位实验
本实验采用巴斯勒acA2500-14gm相机和Computar镜头配合工业计算机进行图像采集和处理，以VS2015为软件平台对算法进行测试。
利用本文中提出的区域生长法对同一元件的同一位置进行了10次重复性实验，检测其重复精度和时间，测试结果如表 3所示。
表 3 贴片元件重复精度测试数据Table 3. Repeat test data of SMT component序号 元件中心位置坐标/pixel 元件角度(°) 耗时/ms 1 (1 273.205, 935.291) 6.997 6 35.6 2 (1 273.413, 934.890) 7.026 7 37.6 3 (1 272.796, 935.158) 7.018 4 35.8 4 (1 273.632, 934.581) 7.024 8 36.4 5 (1 273.207, 934.793) 6.999 3 35.8 6 (1 272.852, 935.089) 7.014 2 35.6 7 (1 272.895, 934.948) 7.008 6 37.7 8 (1 273.012, 934.683) 7.014 7 35.6 9 (1 273.369, 935.269) 7.025 5 37.1 10 (1 273.131, 934.886) 7.021 9 35.4 平均值 (1 273.151, 934.959) 7.015 17 36.26 误差范围 (0.836, 0.608) 0.029 1 假设一台高精度贴片机的贴装精度要求50 μm，从表 3可以看出，基于区域生长法的IC元件贴装精度可达0.836 pixel，标定过程中得到相机像素的分辨为35 μm/pixel，即元件中心的检测精度可达29.26 μm，算法平均执行时间为36.26 ms，完全满足精度50 μm的贴片机贴装高速高精度的要求。
最大内接矩形法获得PCB板中心点以及4个定点坐标实验结果如表 4所示。
表 4 PCB板定位实验数据Table 4. PCB positioning experimental data矩形形心坐标 矩形顶点坐标/pixel 旋转角度/(°) 平均耗时/ms (1 325.35, 904.76) (454, 430) 9.432 3 27.363 (2 001, 173) (2 196, 138 1) 9.390 3 (648, 163 7) 由此，根据原图形心坐标(1 296, 972)，贴片元件的中心位置偏移像素距离为(-22.849 0，-37.041 2)，角度偏转为7.015 17°，PCB板中心位置偏移像素距离为(29.35, -67.24)，角度偏转为9.411 3°，综合贴片元件和PCB板的偏移和旋转角度，贴片机的吸盘需调整的像素距离为(6.501，104.281)，角度为16.43°，系统只需将像素距离和角度转化成脉冲发送给电机，便可以控制吸盘进行位置和角度的纠正。
4 结论
本文针对提高贴片机贴装精度问题，利用机器视觉定位系统分别对贴片元件和PCB板进行定位处理。充分利用识别目标的几何特性，能较快并且准确地识别出贴片元件和PCB板的中心和角度。实验结果表明，对一幅(2 592×1 944)的图像，区域生长法对元件中心的检测精度可达30 μm，最大内接矩形法也可以快速准确地计算PCB板的中心和角度，算法处理总时间为63.6 ms，能够较好地满足贴片机高速高精度的要求。
-
表 1 合成图片芯片引脚位置数据
Table 1 Position data of snthesized picture chip pins
上排引脚 1 2 3 4 5 6 7 8 9 10 11 12 横坐标/pixel 200 220 240 260 280 300 320 340 360 380 400 420 纵坐标/pixel 158 156 154 152 150 148 146 144 142 140 138 136 下排引脚 13 14 15 16 17 18 19 20 21 22 23 24 横坐标/pixel 230 250 270 290 310 330 350 370 390 410 430 450 纵坐标/pixel 435 433 431 429 427 425 423 421 419 417 415 413 
下载: 导出CSV
表 2 算法处理后芯片引脚位置数据
Table 2 Position data of snthesized picture chip pins after algorithm processing
序号 1 2 3 4 5 6 7 8 横坐标/pixel 200.263 219.882 239.829 260.206 279.805 299.793 320.272 339.877 纵坐标/pixel 158.132 155.486 153.122 152.162 149.231 147.325 146.188 143.535 序号 9 10 11 12 13 14 15 16 横坐标/pixel 359.707 380.272 399.844 419.885 230.135 250.038 269.765 290.278 纵坐标/pixel 141.862 140.157 137.237 135.724 435.351 433.101 430.649 429.436 序号 17 18 19 20 21 22 23 24 横坐标/pixel 310.077 329.761 350.247 370.159 389.975 410.168 430.218 449.902 纵坐标/pixel 427.090 424.849 423.339 421.125 418.647 417.291 415.131 412.604
下载: 导出CSV
表 3 贴片元件重复精度测试数据
Table 3 Repeat test data of SMT component
序号 元件中心位置坐标/pixel 元件角度(°) 耗时/ms 1 (1 273.205, 935.291) 6.997 6 35.6 2 (1 273.413, 934.890) 7.026 7 37.6 3 (1 272.796, 935.158) 7.018 4 35.8 4 (1 273.632, 934.581) 7.024 8 36.4 5 (1 273.207, 934.793) 6.999 3 35.8 6 (1 272.852, 935.089) 7.014 2 35.6 7 (1 272.895, 934.948) 7.008 6 37.7 8 (1 273.012, 934.683) 7.014 7 35.6 9 (1 273.369, 935.269) 7.025 5 37.1 10 (1 273.131, 934.886) 7.021 9 35.4 平均值 (1 273.151, 934.959) 7.015 17 36.26 误差范围 (0.836, 0.608) 0.029 1
下载: 导出CSV
表 4 PCB板定位实验数据
Table 4 PCB positioning experimental data
矩形形心坐标 矩形顶点坐标/pixel 旋转角度/(°) 平均耗时/ms (1 325.35, 904.76) (454, 430) 9.432 3 27.363 (2 001, 173) (2 196, 138 1) 9.390 3 (648, 163 7)
下载: 导出CSV
-
[1] 李永清.表面安装器件SMD贴装工艺研究[J].中国科技信息, 2011, 23(16):81, 86. http://d.old.wanfangdata.com.cn/Periodical/zgkjxx201116048 LI Yongqing.SMD surface mount device placement process[J].China Science and Technology Information.2011, 23(16): 81, 86. http://d.old.wanfangdata.com.cn/Periodical/zgkjxx201116048
[2] REYNOLDS M R, CAMPANA C, SHETTY D.Design of machine vision systems for improving solder paste inspections[C]//ASME 2004 International Mechanical Engineering Congress and Exposition.USA: ASME, 2004: 921-929.
[3] 吴德刚, 赵利平.基于机器视觉的圆孔尺寸测量系统研究[J].应用光学, 2013, 34(6):1014-1018. http://d.old.wanfangdata.com.cn/Periodical/yygx201306025 WU Degang, ZHAO Liping.Circular hole size measurement system based on computer vision[J].Journal of Applied Optics, 2013, 34(6):1014-1018. http://d.old.wanfangdata.com.cn/Periodical/yygx201306025
[4] 王祖进, 黄筱调, 顾萍萍.基于Harris角点特征的贴片元件视觉定位算法[J].江苏大学学报:自然科学版, 2014, 35(5): 531-535. http://d.old.wanfangdata.com.cn/Periodical/jslgdxxb201405007 WANG Zujin, HUANG Xiaodiao, GU Pingping.Vision positioning algorithm for chip components based on Harris corner features[J].Journal of Jiangsu University:Natural Science Edition, 2014, 35(5): 531-535. http://d.old.wanfangdata.com.cn/Periodical/jslgdxxb201405007
[5] 刘杰.数字图像处理技术在贴片元件纠偏中的应用[J].苏州大学学报:工科版, 2011, 31 (3): 73-76. doi: 10.3969/j.issn.1673-047X.2011.03.015 LIU Jie.Machine vision's research and application in the SMM of SMT[J].Journal of Soochow University:Engineering Science Edition, 2011, 31(3):73-76. doi: 10.3969/j.issn.1673-047X.2011.03.015
[6] 陈戈珩, 李华杰, 房晓伟.基于相位一致性和Hough圆的贴片机视觉定位系统的研究[J].科学技术与工程, 2015, 15(27): 59-63. doi: 10.3969/j.issn.1671-1815.2015.27.011 CHEN Geheng, LI Huajie, FANG Xiaowei.Research of the vision positioning system of surface mounting machine based on phase congruence and Hough circle transform[J].Science Technology and Engineering, 2015, 15(27):59-63. doi: 10.3969/j.issn.1671-1815.2015.27.011
[7] 姜涛, 王安麟, 王石刚, 等.基于机器视觉的印刷电路板误差校正方法[J].上海交通大学学报, 2005, 39(6):388-392. http://d.old.wanfangdata.com.cn/Periodical/shjtdxxb200506024 JIANG Tao, WANG Anlin, WANG Shigang, et al.An error correction method for PCB based on machine vision[J].Journal of Shanghai Jiaotong University, 2005, 39(6):388-392. http://d.old.wanfangdata.com.cn/Periodical/shjtdxxb200506024
[8] 解杨敏, 刘强.高精度自动贴片机视觉系统定位算法研究[J].光学技术, 2008, 34(3):449-451, 454. doi: 10.3321/j.issn:1002-1582.2008.03.021 XIE Yangmin, LIU Qiang.Research on locating algorithm of vision alignment system in automatic high precision chip mounter[J].Optical Technique, 2008, 34(3): 449-451, 454. doi: 10.3321/j.issn:1002-1582.2008.03.021
[9] 魏津瑜, 施鹤南, 苏思沁.基于改进算法的自动种子区域生长图像分割[J].中南大学学报:自然科学版, 2013(S2): 308-312. http://d.old.wanfangdata.com.cn/Conference/8128976 WEI Jinyu, SHI Henan, SU Siqin.Image segmentation of automatic seeded region growing based on improved algorithm[J].Journal of Central South University:Natural Science Edition, 2013(S2): 308-312. http://d.old.wanfangdata.com.cn/Conference/8128976
[10] LOWE D G.Object recognition from local scale invariant features[J].Proceeding of the Seventh IEEE International Conference on Computer Vision, 1999, 2(3):1150-1157. http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ024907373/
[11] 姜利.基于矩形拟合的Chip元件位置误差视觉检测算法[J].机械制造与自动化, 2013, 42 (5): 72-74, 85. doi: 10.3969/j.issn.1671-5276.2013.05.022 JIANG Li.Position error visual detection algorithm for chip component based on rectangle fitting[J].Machine Building and Automation, 2013, 42 (5): 72-74, 85. doi: 10.3969/j.issn.1671-5276.2013.05.022
计量
- 文章访问数: 911
- HTML全文浏览量: 267
- PDF下载量: 133
陕公网安备 61011302001501号 