《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 測試測量 > 設(shè)計應(yīng)用 > 基于樹莓派的元器件檢測系統(tǒng)設(shè)計
基于樹莓派的元器件檢測系統(tǒng)設(shè)計
2019年電子技術(shù)應(yīng)用第11期
許 艷1,孟令軍1,王志國2
1.中北大學(xué) 儀器與電子學(xué)院,山西 太原030051;2.上海航天電子技術(shù)研究所,上海201109
摘要: 針對PCB元器件在貼裝過程中出現(xiàn)貼裝錯誤的問題,設(shè)計了基于樹莓派(Rasspberry Pi)的元器件檢測系統(tǒng)。系統(tǒng)采用樹莓派作為硬件平臺,采集PCB電路板圖像,對圖像進(jìn)行預(yù)處理,讀取PCB坐標(biāo)文件、完成模板庫的制作;并通過手動添加蒙版的方法提高運(yùn)行效率,使用霍夫變換檢測圖像定位點對PCB圖像進(jìn)行定位,進(jìn)而通過檢測算法得出PCB元器件的正誤,另外采用圖像分割的方法對電容表面文字進(jìn)行提取然后識別。在檢測的過程中,如果被測板的圖像能夠和模板圖像匹配,則說明元器件存在而且型號正確,并且能自動識別出電容表面的字符。經(jīng)過多次測試,實現(xiàn)了電子元器件正誤的自動檢測。
中圖分類號: TP391
文獻(xiàn)標(biāo)識碼: A
DOI:10.16157/j.issn.0258-7998.190875
中文引用格式: 許艷,孟令軍,王志國. 基于樹莓派的元器件檢測系統(tǒng)設(shè)計[J].電子技術(shù)應(yīng)用,2019,45(11):63-67,71.
英文引用格式: Xu Yan,Meng Lingjun,Wang Zhiguo. Design of component detection system based on the Rasspberry Pi[J]. Application of Electronic Technique,2019,45(11):63-67,71.
Design of component detection system based on the Rasspberry Pi
Xu Yan1,Meng Lingjun1,Wang Zhiguo2
1.School of Instrument and Electronics,North University of China,Taiyuan 030051,China; 2.Shanghai Aerospace Electronic Technology Institute,Shanghai 201109,China
Abstract: Aiming at the problem of PCB component mounting errors in the process of mounting, a component detection system based on Rasspberry Pi is designed.The system adopts Raspberry Pi as the hardware platform, collects the PCB circuit board image, preprocesses the image,reads the PCB coordinate file, and completes the template library production; and improves the operation efficiency by manually adding the mask. The Hough transform is used to detect the image positioning point to locate the PCB image,and then obtains the correctness and error of PCB components through detection algorithm.In addition, the image surface text is extracted and then recognized by the image segmentation method.During the detection process, if the image of the tested board can match the template image, it indicates that the components exist and the model is correct, and the characters on the surface of the capacitor can be automatically recognized.After many tests, it realizes the automatic detection of electronic components.
Key words : Rasspberry Pi;PCB components;detection algorithm;image matching

0 引言

    隨著電子產(chǎn)品行業(yè)發(fā)展,PCB板在電子產(chǎn)品中發(fā)揮著重要的作用[1]。許多公司引進(jìn)了流水線式[2]的貼片機(jī)、焊接機(jī),替代了大部分的傳統(tǒng)人工貼片與焊接工作[3],但是元器件貼片錯誤還是時有發(fā)生,尤其對于人工貼片。由于人的視覺疲勞、身心勞累等原因,都可能造成元器件錯誤、位置不匹配等問題[4],因此,對于PCB元器件的檢測是必不可少的[5]。系統(tǒng)采用樹莓派作為硬件平臺,具有成本低廉,操作簡便的特點,且安裝完成的樹莓派系統(tǒng)帶有Python開發(fā)平臺,縮短系統(tǒng)開發(fā)時間、節(jié)約系統(tǒng)開發(fā)成本。

1 總體方案設(shè)計

    系統(tǒng)以樹莓派作為硬件平臺,采集PCB電路板圖像,通過數(shù)字圖像處理技術(shù)對采集的圖象進(jìn)行預(yù)處理;然后讀取PCB坐標(biāo)文件,根據(jù)元器件的像素坐標(biāo)、尺寸和旋轉(zhuǎn)角度即可自動完成模板庫的制作;最后提取元器件的角點信息與模板角點進(jìn)行圖像匹配[6],確定是否為正確的元器件;另外本文還提出了采用圖像分割的方法對電容表面文字進(jìn)行提取然后識別,正確識別了電容表面字符。系統(tǒng)總體框圖如圖1所示。

ck5-t1.gif

2 元器件檢測系統(tǒng)實現(xiàn)

2.1 圖像預(yù)處理模塊

    圖像處理算法通常對采集的圖像要求較高,質(zhì)量好的圖像可以減少圖像處理的時間,提高圖像處理效率。本文用到的圖像預(yù)處理算法主要包括:圖像顏色空間轉(zhuǎn)換和二值化[7]。

    RGB[8]顏色空間是依據(jù)人的眼睛對于外界色彩的感知建立的基礎(chǔ)彩色模型,其中紅色的亮度值用R表示、綠色的亮度值用G表示、藍(lán)色的亮度值用B表示,其模型如圖2(a)所示。在RGB顏色空間中,機(jī)器顯示的圖像相當(dāng)于是在黑色底板上疊加紅、綠、藍(lán)三種色彩,其中三種色彩值都在0~255中間變化,如果在一幅圖像上,三種色彩的疊加值都是255,則該圖像為純白色。

ck5-t2.gif

    HSV色彩空間主要包括色調(diào)(Hue)、飽和度(Saturation)和明度(Value),其模型如圖2(b)所示,它是根據(jù)人眼對顏色的直觀性來定的。與RGB組成的色彩空間相比,HSV色彩空間能夠顯示出更接近于人的眼睛所感知的色彩,所以在數(shù)字圖像處理領(lǐng)域HSV色彩空間的應(yīng)用范圍更廣泛。

    根據(jù)所得到的圖像可以很容易地建立圖像的RGB顏色模型,然后需要完成RGB與HSV兩種模型之間的轉(zhuǎn)換。RGB顏色空間某像素點中紅用VR表示、綠用VG表示、藍(lán)用VB表示,取三者中的最大值記為MAX=max{VR,VG,VB},取三者中的最小值記為MIN=min{VR,VG,VB},從而可得兩種顏色空間的顏色模型轉(zhuǎn)換公式為:

    ck5-gs1-2.gif

    ck5-gs3.gif

    圖像的二值化是目標(biāo)物體摳取、特征提取的重要步驟,圖像的二值化主要是將灰度圖變換成二值圖,使圖像只顯示出非黑即白的效果。

2.2 PCB圖像定位

    對于采集的圖像而言,首先應(yīng)當(dāng)確定定位點的位置。一般情況下設(shè)定2~4個定位點,精確查找定位點是進(jìn)行圖像處理的前提和保證。本文中設(shè)計的定位點為直徑為3 mm的通孔,理論上來看,像素距離和實際物理尺寸可以實現(xiàn)精確定位,但是在設(shè)計時必須考慮檢測誤差。本文采用霍夫變換檢測圓的方法進(jìn)行定位點的確定[9]。定位點檢測流程圖如圖3所示。

ck5-t3.gif

    系統(tǒng)對圖像進(jìn)行處理的前提條件是準(zhǔn)確定位圖像的位置信息,本文采用霍夫圓檢測方法進(jìn)行檢測[10],首先查找待測圖像中圓的圓心位置和半徑,定位點周圍干擾少或者沒有干擾,且該定位點半徑相對較大、易識別。為使系統(tǒng)編程簡化,系統(tǒng)選用兩個定位點,使用手動選擇的方式確定定位點的具體位置,避免了在定位點確定時誤選或者多選等錯誤的出現(xiàn)。同一批次的產(chǎn)品,定位點一旦確定即可不用更改。因此,定位點的位置只需要在模板制作時進(jìn)行手動選擇一次,系統(tǒng)便會自動生成數(shù)據(jù)庫進(jìn)行存儲定位點的位置信息。在進(jìn)行對待測板的定位時,只需要調(diào)用數(shù)據(jù)庫中定位點的位置信息,然后在這個位置周圍查找定位點即可確定待測板上的定位點。

    在進(jìn)行霍夫圓檢測之前應(yīng)當(dāng)對圖像進(jìn)行預(yù)處理操作,使用手動添加蒙版的方法屏蔽輸入圖像可能影響處理結(jié)果的部分圖像,輸入圖像和添加蒙版后的圖像如圖4所示。

ck5-t4.gif

    對輸入的圖像完成手動添加蒙版后,開始進(jìn)行圖像的灰度化處理,并對圖像使用霍夫圓檢測方法得到定位點處圓孔的圓心坐標(biāo)和半徑。處理結(jié)果如圖5所示。

ck5-t5.gif

    從程序運(yùn)行效率來看,使用手動添加蒙版的方法可以大大節(jié)約系統(tǒng)的運(yùn)行時間,且運(yùn)行結(jié)果與預(yù)期相符性較好。該程序正確檢測到了定位點的位置,只需要把定位點處圓心的坐標(biāo)和半徑都存儲硬盤即可,可以方便系統(tǒng)后續(xù)的模板制作和元器件檢測的正常運(yùn)行。

2.3 圖像ROI框制作

    在進(jìn)行元器件檢測之前,需要制作ROI框來確定元器件的位置,確保元器件檢測過程中對應(yīng)位置的元器件都得到有效的檢測。目前ROI框的生成基本都是人工手動選取,這極大地限制了設(shè)備的運(yùn)行效率。為提高運(yùn)算效率,本文采用直接讀取PCB元器件坐標(biāo)文件的方式對元器件進(jìn)行定位,并結(jié)合元器件的尺寸信息確定該元器件對應(yīng)的ROI框。

    使用Altium Designer軟件直接輸出PCB元器件坐標(biāo)文件和對應(yīng)的封裝報告,根據(jù)在PCB圖像配準(zhǔn)中得到的像素長度與物理長度的關(guān)系求出元器件在像素坐標(biāo)系中的位置、封裝尺寸等信息。元器件封裝報告、元器件坐標(biāo)文件和元器件封裝尺寸文件如圖6~圖8所示。

ck5-t6.gif

ck5-t7.gif

ck5-t8.gif

    系統(tǒng)的ROI框流程圖如圖9所示,在編程完成后對PCB元器件圖像進(jìn)行測試,該系統(tǒng)可以較好地生成ROI框,其效果如圖10所示。圖10(a)為原始圖像,圖10(b)為程序運(yùn)行后得到的一個電容的ROI框,圖中為了顯示圖像的邊界在外圍添加了一圈黑色邊框。在后續(xù)進(jìn)行元器件提取時只需要用ROI框圖對原圖進(jìn)行累加,超出255部分直接設(shè)置為255即可得到對應(yīng)的單個元器件圖像。

ck5-t9.gif

ck5-t10.gif

    該方法省去了人工逐個選取ROI的操作步驟,對系統(tǒng)的ROI框生成只需要運(yùn)行生成ROI框生成程序即可完成,不需要操作人員對程序的操作流程有十分詳細(xì)的了解。

2.4 元器件檢測算法

    SIFT全稱是尺度不變特征變換算法,基于SIFT特征點的圖像匹配算法能夠解決兩張圖片同一個物體有位移、轉(zhuǎn)動、仿射變換情形下圖像的匹配問題,具有很好的匹配效果。SIFT特征點檢測是依據(jù)目標(biāo)物的部分特征關(guān)鍵點,因此與目標(biāo)物體圖像的大小和是否旋轉(zhuǎn)無關(guān),圖像中光線強(qiáng)度、噪聲或者視角的改變對SIFT特征檢測結(jié)果的影響并不是很明顯。該算法以圖像的特征信息進(jìn)行提取、匹配,有效地降低了計算量。因此,SIFT算法具有較為廣闊的應(yīng)用空間。

    SIFT提取圖像特征點大致可分為4個步驟。首先進(jìn)行尺度空間極值檢測,然后定位特征點,最后確定特征點的方向以及特征點描述子[10]

    圖11所示為生成特征向量的過程,圖中選取的窗口大小為8×8,最中間的點為需要描述的特征點,周圍的小方塊表示該點對應(yīng)的鄰近像素點。圖10(a)中眾多的小箭頭表示對應(yīng)的像素點的梯度方向,梯度模值的大小由箭頭的長度決定。依據(jù)圖10(a)中圓的范圍進(jìn)行高斯加權(quán)運(yùn)算,從而得到圖10(b)。圖10(b)中每個方格中的梯度方向和梯度模值為圖10(a)中8個像素點的累加值,得到這4個累加點合成了一個關(guān)鍵點的描述,這就形成了一個32=4×8維度的SIFT特征向量。該方法通過鄰域方向信息整合的過程提高了SIFT算法抵抗噪聲的能力[11],更好地降低了定位誤差帶來錯誤匹配的可能性。

ck5-t11.gif

3 圖像匹配測試

    在完成SIFT算法提取特征點的過程后,使用上述算法進(jìn)行圖像的匹配測試,通過檢測圖像特征點的數(shù)量和匹配耗時進(jìn)行測試。分別對圖12的三種元器件進(jìn)行測試,結(jié)果如圖13~圖15所示。觀察測試結(jié)果匯總可以看出SIFT算法對圖像特征點檢測的數(shù)量隨著圖像的增大而增長[12],對物體的位移、仿射變換具有一定的魯棒性,穩(wěn)定性高,適用于電子元器件的匹配性測試。

ck5-t12.gif

ck5-t13.gif

ck5-t14.gif

ck5-t15.gif

4 貼片極性電容字符識別

    貼片電容的字符識別是基于Tesseract-OCR框架進(jìn)行的,它可以對圖片中的文字進(jìn)行自動分析識別,并能夠提取出來。Tesseract-OCR框架雖然可以自動識別圖片中的字符,但是圖片中文字和背景必須滿足要求才能識別文字,否則結(jié)果只會是無法識別。所以對于貼片電容的圖片不可以直接調(diào)用Tesseract-OCR框架進(jìn)行字符的識別,必須先對貼片電容的字符圖片進(jìn)行提取,然后合成為規(guī)則的圖片再調(diào)用Tesseract-OCR框架進(jìn)行字符識別。貼片電解電容實物圖片如圖16所示。

ck5-t16.gif

    在進(jìn)行貼片電容表面二值圖像腐蝕前后的減法操作后,可以得到包含電容表面字符和外輪廓的二值圖,如圖17所示。

ck5-t17.gif

    對字符二值圖像進(jìn)行高斯濾波和Canny邊緣檢測,并提取圖像的邊緣信息,通過面積計算公式過濾面積過小和過大的邊緣連通域,結(jié)果如圖18所示。圖18(a)是所有邊緣檢測出的連通區(qū)域效果圖,圖18(b)是經(jīng)過連通區(qū)域面積過濾算法后所得的字符邊緣圖。

ck5-t18.gif

    將得到的字符連通區(qū)域圖進(jìn)行圖像分割處理,分割區(qū)域依據(jù)每個字符連通區(qū)域的外接矩形進(jìn)行確定,分割順序是從最左上角側(cè)開始,逐行掃描,直到分割完成最后一個字符,并把分割后的字符重新組合成一幅圖片,重組圖像效果圖如圖19(a)所示。對圖(a)中的字符圖片使用Tesseract-OCR框架進(jìn)行字符識別可以得到圖19(b)的效果,通過與預(yù)設(shè)的電容型號對比可知,該電容正確無誤。

ck5-t19.gif

5 結(jié)論

    該系統(tǒng)采用樹莓派作為硬件平臺,體積小、成本低,操作簡便,縮短了系統(tǒng)開發(fā)時間。本文設(shè)計完成了圖像的采集存儲以及預(yù)處理,完成了模板庫的制作;通過手動添加蒙版的方法提高運(yùn)行效率,使用霍夫變換檢測圖像定位點對PCB圖像進(jìn)行定位;介紹了圖像特征點檢測的SIFT算法,用特征點匹配的方法判斷元器件的正誤;另外還通過圖像分割的方法完成了電容表面字符的識別。經(jīng)過多次測試,系統(tǒng)能夠?qū)崿F(xiàn)了元器件正誤的自動檢測及表面字符的識別。

參考文獻(xiàn)

[1] 王唯康,葉鵬程.高度集成化電子產(chǎn)品中PCB的制造工藝探究[J].科學(xué)技術(shù)創(chuàng)新,2018(30):178-179.

[2] 劉喜科,戴暉.多層HDI板疊孔制造工藝研究[J].印制電路信息,2013(S1):282-289.

[3] 亢宇欣,諶貴輝,張三炳.基于Halcon的貼片電阻方向檢測系統(tǒng)[J].包裝工程,2017(23):126-130.

[4] 李天宇.基于機(jī)器視覺的PCB元器件在線檢測[D].杭州:浙江理工大學(xué),2018.

[5] 閆夢濤,蘇瑋,冉海周.基于機(jī)器視覺的PCBA元器件實時檢測系統(tǒng)[J].無線電工程,2018,48(4):272-277.

[6] 趙翔宇,周亞同,何峰,等.分層提取匹配印刷電路板元器件缺陷檢測[J].儀表技術(shù)與傳感器,2018(8):84-89.

[7] 王旭峰,董新民.一種基于HSV色彩空間的加油錐套特征提取方法[J].計算機(jī)應(yīng)用與軟件,2014,31(6):192-194.

[8] Ren Xiaofeng,Bo Liefeng,F(xiàn)OX D.RGB-(D) scene labeling:Features and algorithms[J].2012 IEEE Conference on Computer Vison and Pattern Recognition,2012.

[9] DJEKOUNE A O,MESSAOUDI K,AMARA K.Incremental circle hough transform: An improved method for circle detection[J].Optik-International Journal for Light and Electron Optics,2017,133:17-31.

[10] 葉禮劼.圖像特征點提取與匹配算法的研究[D].阜新:遼寧工程技術(shù)大學(xué),2017.

[11] 完文韜,楊成禹.改進(jìn)的SIFT算法在圖像特征點匹配中的應(yīng)用[J].長春理工大學(xué)學(xué)報(自然科學(xué)版),2018,41(1):44-47,52.

[12] 張晨光,周詮,回征.基于SIFT特征點檢測的低復(fù)雜度圖像配準(zhǔn)算法[J].揚(yáng)州大學(xué)學(xué)報(自然科學(xué)版),2018,21(4):52-56.



作者信息:

許  艷1,孟令軍1,王志國2

(1.中北大學(xué) 儀器與電子學(xué)院,山西 太原030051;2.上海航天電子技術(shù)研究所,上海201109)

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。