[发明专利]一种用于矩形引脚元件视觉定位的检测方法

权利要求书

1.一种用于矩形引脚元件视觉定位的检测方法，其特征在于它包括下述步骤： 

步骤一：采用贴片机视觉系统获取矩形引脚元件的图像； 

步骤二：对步骤一得到的图像进行预处理，滤除图像中的噪声，修补引脚缺陷，采用最大类间方差法进行阈值分割，得到二值化后的图像； 

步骤三：对步骤二得到的元件引脚图像进行连通区域标记； 

对连通区域进行标记的步骤为： 

初始化：随机选取原始图像中某个连通区域内的一个亮点B₀； 

循环：采用正方形结构元S对B₀进行膨胀运算，膨胀后的结果与原始图像相交得到B₁，重复进行膨胀运算与相交运算，直到B_i+1＝＝B_i，一个连通区域标记完成。为该连通区域分配一个唯一的编号，并将输出图像中该连通区域内的所有像素点赋值为该区域的编号，从原始图像中删除已标记的连通区域。重复上述步骤，直到原始图像中再无亮点，至此所有的连通区域标记完毕； 

步骤四：计算步骤三得到的连通区域的二阶中心矩的比值，判别元件引脚的形状。若二阶中心矩的比值远大于1或者远小于1，则元件类型正确，否则元件类型不正确，不对元件进行检测； 

一幅M×N的数字图像f(i,j)，其p+q阶几何矩m_pq和中心矩μ_pq为： 

其中，i₀＝m₁₀/m₀₀，j₀＝m₀₁/m₀₀，p,q＝0,1,2,…； 

设X为标记图像的横向坐标矩阵，Y为标记图像的纵向坐标矩阵，大小均为n×1。则标记区域的二阶中心矩的计算过程如下： 

步骤五：提取步骤四得到的引脚图像的Harris角点坐标； 

步骤六：对步骤五得到的像素级角点坐标，采用基于Zernike矩的亚像素边缘检测算法对像素级角点进行精确定位； 

步骤七：对步骤六得到的亚像素坐标点进行分类。在x-y坐标系中标注出每个角点，然后找出具有x轴坐标最大、最小值以及y轴坐标最大、最小值的4个基准角点，最后通过计算其他角点与4个基准角点的距离来判断剩余角点与哪个基准角点属于同一类； 

步骤八：通过最小二乘法对步骤八中得到的四类角点进行直线拟合，并将拟合得到的直线平移0.75l(l为贴片元件的引脚长度)，去除已分类的角点，剔除虚假角点，对余下的角点再次进行分类和最小二乘拟合，最后取八条直线斜率的平均值作为偏转角度θ的检测结果； 

虚假角点的判别方法是将余下角点分别带入平移后的四条直线的直线方程，得到四个值，若四个值中正数的个数为2，则此点为四条直线所构成的封闭区间内的点，否则为虚假点； 

步骤九：取步骤六得到的角点附近的8个像素值作为匹配特征点向量，与偏 转角度为θ的标准图像的特征点向量进行匹配，得到最佳匹配点对，匹配点对间的坐标差值即为元件的偏移量。 

2.根据权利要求1所述的一种用于矩形引脚元件视觉定位的检测方法，其特征在于步骤五所述的Harris角点提取方法，具体按照以下步骤实现： 

(1)计算图像I(x,y)在x、y方向上的梯度I_x、I_y； 

其中，为卷积运算； 

(2)计算图像x、y方向梯度的乘积； 

(3)使用高斯函数对梯度乘积进行高斯加权； 

其中，w为9×9的高斯窗函数； 

(4)计算自相关矩阵M的行列式det M和直迹trace M； 

(5)计算每个角点的响应值R，并对小于阀值t的R置零： 

R＝det M-α(trace M)²； 

其中，α为经验常数； 

(6)在3×3的邻域内进行非极大值抑制，余下的局部极大值点即为图像的角点。 

3.根据权利要求1所述的一种用于矩形引脚元件视觉定位的检测方法，其特征在于步骤六所述的基于Zernike矩的亚像素边缘检测法，具体按照以下步骤实现： 

(1)根据亚像素边缘检测理想模型，利用7×7的模板计算每个像素级角点的5个旋转后的Zernike矩Z₀₀,Z₁₁,Z₂₀,Z₃₁,Z₄₀； 

(2)计算旋转后的5个Zernike矩Z’₀₀,Z’₁₁,Z’₂₀,Z’₃₁,Z’₄₀； 

(3)计算边缘模型的边缘参数与旋转后的Zernike矩之间的关系； 

V₀₀＝1，V₁₁＝x-jy，V₂₀＝2x²+2y²-1； 

V₃₁＝(3x³+3xy²-2x)+j(3y³+3x²y-2y)，V₄₀＝6(x⁴+y⁴)+12x²y²-6(x²+y²)+1； 

(4)计算边缘模型的边缘参数； 

l＝0.5(l₁+l₂)； 

其中，Im[Z_n1]、Re[Z_n1]分别为Z_n1的虚部和实部； 

(5)计算Harris角点的亚像素坐标； 

式中，(x_s,y_s)为Harris角点的亚像素坐标，(x,y)为Harris角点的像素级坐标。