[发明专利]一种机器视觉定位方法

说明书

本发明公开了一种机器视觉定位方法，该方法包括：S1，对图像进行二值化处理，并获取待定位的Mark标志在图像中的初步边界轮廓线；S2，获取初步边界轮廓线所在区域的中心作为Mark标志的初始中心；S3，在初始中心的位置附近选择多个候选中心；S4，根据Mark标志的中心到边界的标准距离，设置中心到边界的动态调整范围，确定各候选中心到边界的相应候选距离；S5，获得多个候选边界轮廓线；S6，判断每一个候选边界轮廓线内部区域的像素一致性；S7，判断每一个候选边界轮廓线经过的像素点的锐利性；S8，定位Mark标志的边界轮廓线。由于本发明采用基于Mark标志位内部一致性和边界锐利性的进行定位，与传统的机器视觉Mark定位方法相比，本发明有更好的精度。

技术领域

本发明涉及高精度标志定位技术领域，特别是涉及一种机器视觉定位方法。

背景技术

近年来，得益于大数据、云计算、深度学习等技术的进步和突破，人工智能得到了长足的发展。人工智能越来越多地应用在工业和制造业中。一般认为正在进行的工业4.0是依托在人工智能发展基础上的综合产业革命。机器视觉(Machine Vision)是人工智能的重要分支之一，它是利用摄像头代替人眼进行目标的判断、测量和定位等。基于Mark形状的定位是机器视觉中最为普遍的一种工业应用，也是很多工业和制造业中的一道必备工序。比如：PCB板检测时，需要通过PCB板上的圆形标志获取PCB板在工作台上的位置，从而进行扫描检测工序。

机器视觉定位，特别是高精度的定位方法对于工业和制造业的某些领域来说至关重要。在数字光刻中，高精度的光刻技术需要高精度的机器定位技术。例如，最小特征尺寸为100微米(um)的胶片掩模板，只有在工作台上的定位精度不超7微米(um)，才可以准确对掩模板进行光刻。对应地，在工业相机获取的图像中的定位算法的精度要求达到1个像素。

人们设计了多种用于视觉定位的Mark标志。如图1所示，常见的Mark标志有：实心圆、三角形、菱形、方形和十字形等。最常用的是实心圆Mark标志。常用的Mark定位方法有两种：Hough变换和模板匹配。Hough变换是将图像上的具有一定关系的像素进行聚类。具体来说，是将具有直线关系，或者是圆关系的像素进行聚类，然后取类别中像素累加个数最多的作为检测结果。Hough变换使用的是Mark标志的边界轮廓线信息，因此在机器识别中，首先要获取图像上的边界轮廓线。模板匹配是一种模式识别方法。通过计算模板和目标图像上元素的相似关系，得到检测结果。在Mark标志所在图像清晰，对比度较好的情况下，两种定位方法都可以得到令人满意的精度。

使用Hough变换对Mark标志进行定位，受边界轮廓线间断、残缺影响小；不受Mark定位标志旋转影响等优点。即使Mark标志有部分缺损或污染也能被正确识别。但Hough变换的定位精度严重依赖图像中的边界轮廓线。在实际生产中，很难准确得到工业相机获取图像中边界轮廓线。比如：产生Mark标志的钻孔刀片的老化，导致Mark标志的边界轮廓线A模糊，如图2所示。在某些光照条件下，Mark标志对应的不是锐利、而是缓慢变化的边界轮廓线，这会导致Mark标志的边界轮廓线不是曲线，而是具有一定宽度的区域，如图3所示，图3示出的边界轮廓线B具有一定的径向宽度。

此外，因为光照，相机等设备的影响，边界轮廓线检测算法获取的Mark标志的边界轮廓线并不会准确处于原本Mark标志为的边界轮廓线上，这会导致出现剧烈跳动的检测结果。因此，使用Hough变换对Mark标志进行定位存在一定的难度。

模板匹配是目前机器视觉常见的定位算法。在算法执行前，首先要创建用于匹配的模板。如果模板内的像素点与图像某区域的像素点相似度超过阈值，则匹配成功，给出匹配结果。但在应用中，会出现图像中被匹配的对象被污染，或者残缺，此时模板匹配算法失效，如图4a示出的残缺的边界轮廓线C和被污染的边界轮廓线D。而且，模板匹配的相似性度量对噪声敏感，受光照变化的影响大，导致检测结果精度产生跳动。