基于MFC+HALCON圖像識別Mark圓的檢測方法

李澤峰，歐陽八生

（南華大學 機械工程學院，衡陽421000）

引 言

隨著中國制造2025的提出，各行業不斷蓬勃發展，電子行業印刷電路板（printed circuit board，PCB）上的元器件同樣朝著小型化、精密化、集成化方向發展，對PCB的加工精度要求也越來越高。PCB上的定位標識圓（以下簡稱Mark圓）及圓心坐標是其加工的定位標識，又稱為基準點，在加工前需要精確識別PCB上的 Mark圓及圓心坐標，以進行準確的加工定位［1-3］。目前圓的常見檢測方法包括：模板匹配、霍夫（Hough）變換和曲線擬合等。

對模板匹配法的研究中，WANG［4］和 DING［5］等人提出基于特征點匹配的模板匹配方法。前者是采用oriented fast and rotated brief（ORB）算法、暴風（brute force，BF）算法結合運動統計模型（grid-based motion statistics，GMS）算法，后者利用ORB算法和最大相關熵準則（maximum comentropy criterion，MCC）交叉檢驗的方式進行模板匹配。雖然這兩種方法相對于傳統模板匹配方式有了較大優化改進，但是當PCB中的Mark圓變化明顯或者背景干擾大時，檢測精度有限。此外，采用Hough變換方法進行Mark圓檢測，精度高、抗噪能力強，但由于采用3維累加器，且每維數據長度很大，存在計算量大、占用內存多等缺陷。同時此方法若要繼續提高精度，則累加器每維數據長度成倍增加，運算量呈指數三次方上升［6-7］，難以滿足PCB快速生產加工的需要。

作者旨在改善傳統的PCB中Mark圓識別精度不高的問題，使用計算機計算速度較快的曲線擬合方式進行Mark圓檢測，同時改進標準的機器視覺算法包HALCON中圓擬合算子，提高Mark圓擬合精度。且能在檢測圖像發生旋轉、平移、縮放等情況下使用，魯棒性好。使用微軟基礎類庫（microsoft foundation classes，MFC）嵌入HALCON的方式搭建檢測平臺，該平臺可繼承HALCON的檢測功能，同時可根據不同種類Mark圓保存或加載與之匹配的檢測配置，方便、快捷，可滿足實際PCB加工中多樣的檢測需求。

1 曲線擬合檢測Mark圓

1.1 圓曲線擬合識別的優勢

WANG［4］和 DING［5］等人分別提出了基于特征點匹配的模板匹配方法。這兩種方法主要適用于圖像整體特征的準確匹配，如人臉識別等領域，區別是采用了不同的統計方式剔除錯誤的特征點，具有較好的魯棒性，識別成功率較高；但是運用在精度較高的PCB中靜態Mark圓識別，由此產生的Mark圓精度問題無法得到有效保證。其次Hough變換方式受計算機本身配置影響較高，且即使不斷優化也無法達到或超越曲線擬合的計算速度［6］，本身不適用于大批量工業化生產PCB中Mark圓檢測。本文中的曲線擬合檢測方法是通過尋找圖像Mark圓的邊緣，通過一系列的邊緣像素點和圓擬合方程計算得到最接近實際的Mark圓，基本不受圖像縮放、平移、旋轉的影響，同時計算速度較快、精度較高，且對電腦配置要求不高，適用于大批量工業化生產。

1.2 圓曲線擬合準則

圓是一種特殊的二元二次方程，故可用數學形式表現，其方程一般形式為：

式中，（a1，a2）為圓心，r為半徑，r=

確定了圓的圓心（a1，a2）和半徑r，就可以得到唯一確定圓，在圓曲線擬合中，已知圓曲線上一系列測點zi（xi，yi）（i=1，2，3…m），該點對應的圓曲線擬合點為（，），存在以下擬合準則：

理想情況下，當距離總和ρ=0時，圓曲線擬合點與圓上測點重合，即曲線擬合圓與真實圓完全重合，故實際擬合過程中當ρ取值越小，擬合圓越接近真實圓。該方法對于圖像檢測圓擬合同樣適用。

2 檢測方案設計及圖像預處理

HALCON是德國MVtec公司研發的一套完善的標準機器視覺算法包，包含一千多個圖像處理算子，能適用于各種操作系統，同時具有百余種工業相機和圖像采集卡的接口，擁有廣泛的機器視覺集成開發環境，但是HALCON單獨作為檢測軟件使用局限性較大，一般需要把HALCON中的視覺算法庫嵌入到實際檢測軟件中使用，才能滿足多樣的檢測功能。本文中將HALCON嵌入MFC中，進行Mark圓識別檢測和優化擬合，以滿足PCB的高精度加工要求。

2.1 HALCON配置及檢測方案設計

首先制作一個包含HALCON［8-9］函數庫信息的屬性項目表，該屬性表中添加包含HALCON算子的庫目錄、包含目錄、附加依賴項等信息，然后在MFC的開發環境（操作系統：Windows 7×86，內存4g）中導入該屬性表，即可正常調用HALCON函數庫的算子，然后通過激光加工平臺上的電荷耦合器件（charge coupled device，CCD）相機拍攝圖像信息，再傳遞給本文中設計的含HALCON函數庫的MFC模塊對圖像進行檢測和處理，得到所需的Mark圓相關信息后再和激光控制平臺實時通訊，從而實現激光加工前的基準精確定位。檢測流程圖如圖1所示。

Fig.1 Flow chart of detection

2.2 圖像清晰度評價和圖像預處理

圖像處理與檢測首先要求圖像清晰，圖像模糊對檢測的效果和精度影響很大。通過查閱清晰度評價相關文獻得知，本方法中Mark圓的檢測屬于灰度圖像邊緣檢測，其主要影響圖像清晰度［10-12］的噪聲是椒鹽噪聲，故文中MFC模塊直接調用HALCON的Brenner函數對圖像清晰度進行評價。當采集到清晰圖像后，文中MFC模塊調用HALCON算子來完成圖像采集和預處理［13-15］，如 read-image算子和 get-image-size算子組合獲取圖像及其尺寸信息，rgb1-to-gray算子將RGB圖像轉化為灰度圖像，draw-rectangle1算子和gen-rectangle1算子組合可人機交互選擇合適的感興趣區域（region of interest，ROI）。

3 工件Mark圓的檢測及優化擬合

該方法對Mark圓的檢測包括兩個步驟：Mark圓的檢測及原始曲線擬合、優化擬合。詳細步驟如下。

3.1 Mark圓的檢測及原始曲線擬合

首先使用Robert算子進行圖像邊緣過濾，去除無關的噪聲，使圖像邊緣變得更加容易識別。Robert算子過濾前后圖片效果見圖2。然后利用edges_sub_pix和canny算子進行邊緣檢測，篩選出所有的邊緣。接著利用輪廓分割算子segment_contours_xld將輪廓分割為直線或者圓。再利用分割后輪廓的全局屬性cont-approx識別出所有的圓弧，利用fit_circle_contour_xld算子擬合圓弧輪廓，同時添加篩選條件。最后通過gen_circle_contour_xld算子重繪生成符合條件的擬合圓，并展示在圖像中［16-18］。

Fig.2 Comparison of images of a Mark in the ROI region before and after the filtering process with a Robert's operatora—before the filtering b—after the filtering

上述邊緣檢測中選用的canny算子［19-20］只是單一的檢測像素點的灰度等級，對邊緣的識別方式是逐一跟蹤可能存在的邊緣像素點，其檢測結果從微觀上看是一個不規則的近似圓或者圓弧的像素點集合，因此該集合的中心，難以準確確定，需要進一步對檢測信息進行擬合，再進行圓孔中心檢測。文中檢測圓的擬合算法是依據圓曲線擬合的思想，將輪廓上點到擬合圓心的距離的平方進行求和，根據最小二乘準則，當ρ最小時，得到的對應點集合即為需要的圓孔輪廓區域。擬合函數見下式：

式中，ρ為距離總和（單位：pixel）；（a，b）為圓心點的坐標；r為圓的半徑（單位：pixel）；（xi，yi）為圓孔輪廓上點的坐標；n為輪廓上像素點的總數量。

3.2 優化擬合

在實際情況中，由于自身及環境各種因素的綜合影響，利用HALCON算法生成的擬合圓信息不唯一，則產生的擬合圓心坐標也不唯一，因此會對Mark圓的位置識別精度造成一定的影響，不能滿足實際需要，根據最小二乘法和迭代法圓曲線擬合的原則［21］。本文中在HALCON擬合圓算法的基礎上，添加了優化擬合圓坐標的算法，達到了較高的識別精度。

其優化擬合過程是：設平面圓的標準方程式如下：

式中，a和b分別為圓心坐標，r為圓半徑。首先記錄原始擬合圓產生的a，b，r數據，根據平均值法分別求出均值a0，b0，r0，以該值生成標準圓，然后利用間接平差的原理，令：

式中，a^為待求參量，a0為待求參量近似值，δ為待求參量的改正補償系數。

設優化擬合前（原始擬合生成了n個擬合半徑）和擬合后（總會有且只有1個）半徑差值為di，則：

依據最小二乘準則，應使得∑（di-r）2取最小，即：min［∑ （di-r）2］。設檢測生成的原始擬合圓個數為n（n≥1），并將 di作為觀測對象，則d^i的平差值方程為：

將上式按照泰勒公式展開得：

式中，si0==xi-a0，Δyi0=yi-b0，li=r0-si0。

雖然原始擬合圓心坐標（a，b）不精確，但誤差較小。這樣便可以將圓心計算范圍限制在（a，b）附近，大大減少了無效計算，為了避免擬合過程出現精度不高的問題，引入迭代法，迭代時，為了提高收斂速度，設置迭代終止條件為：

式中，X代表 a，b，r。

采用該優化算法后，得到一個以a，b，r數據重繪的擬合圓，同時輸出重繪后的坐標，該優化擬合圓更接近實際圓，從而提高檢測精度。

Fig.3 Standard CAD drawing

Fig.4 Standard inspection chart

4 實驗方法及結果分析

4.1 標準CAD圖圓心檢測

為驗證優化算法與原始擬合算法的位置精度，特制作一張帶有標準圓及圓心的計算機輔助設計（computer aided design，CAD）樣板圖，并轉化為圖片格式，畫圖軟件顯示圓心坐標為（586，372），如圖3所示。為方便分析對比，將圖像檢測程序寫入到同一個程序界面，其檢測結果如圖4所示。圖中左側顯示區域表示直接利用HALCON算法擬合的圓，用“紅色圓”顯示，輸出圓心信息顯示為“檢測圓信息”；右側顯示區域表示優化擬合計算之后擬合的圓，用“綠色圓”顯示，輸出圓心信息為“擬合圓信息”。

表1為優化前后圓心檢測數據對比?？梢园l現，優化處理前擬合出來的圓心坐標與標準坐標位置偏差較大，最小偏差0.255pixel，最大偏差3.143pixel；經過優化擬合之后輸出的圓心坐標與標準坐標偏差較小，精度不大于0.3pixel，表明檢測的精度得到提高。一方面，通過限制ROI區域的檢測范圍，另一方面，重新擬合迭代數據計算量增加不多，且和圖片顯示分屬不同的線程，因此在軟件界面顯示優化前后處理時間沒有明顯變化。

Table 1 Data comparison of circle center detection before and after optimization

4.2 實際鋁基板PCB Mark圓心檢測

為了驗證本方法的實用性，特選用兩種常見的鋁基板PCB，在不同光源條件下進行測試，其產品測試效果如圖5所示。

從圖5可以發現，XCZ-86101815鋁基板PCB擬合圓心坐標偏差范圍為：暗光源下為 0.23pixel～0.29pixel，亮光源下為0.11pixel～0.24pixel。LED鋁基板PCB擬合圓心坐標偏差范圍為：暗光源下為0.22pixel～0.27pixel，亮光源下為 0.13pixel～0.22pixel。結果表明：兩種鋁基板擬合圓心坐標總體檢測精度不大于0.3pixel，且在亮光源條件下測試效果更好。

4.3 批量實際檢測統計分析

選取100組XCZ-86101815型號鋁基板PCB、50組FR-4玻纖PCB和80組LED鋁基板PCB，利用文中的MFC模塊在不同環境下測試，統計檢測結果情況如表2、表3所示。結果表明：檢測成功率可達97%，檢測精度不大于0.3pixel，檢測時間小于100ms。實際檢測說明本文中開發的MFC程序模塊能有效地檢測并識別鋁基板PCB上的Mark圓，并適時輸出坐標信息，完全能滿足實際加工需要。

Fig.5 Comparison of the detection effects of two common aluminum substrate PCBs under different light sourcesa—aluminum substrate of XCZ-86101815（dark light source） b—aluminum substrate of XCZ-86101815（light source） c—aluminum substrate of LED（dark light source） d—aluminum substrate of LED（light source）

Table 2 Statistics of batch detection

Table 3 Statistics of detection time

實際檢測結果也有少量失敗，產生誤檢的原因主要有：（1）光源強度不匹配，不同產品表面對光敏感程度不同，相機采集圖像過程中需要適時調整，如圖6表示，因光源亮度過低導致檢測失??；（2）平臺運動不到位，導致檢測視野中缺少有效的檢測部位，造成軟件無法識別而誤檢。后期解決方法可考慮添加檢測失敗判定，當檢測失敗或產生誤檢時，軟件報警提醒并提示進入人工檢測界面，實現人工輔助檢測。

Fig.6 Example ofmistaken image

5 結 論

文中通過在MFC中嵌入HALCON函數庫方式搭建檢測平臺，開發了新型圖像識別和檢測工具模塊，既繼承了HALCON的圖像檢測功能，能在圖像發生平移、旋轉、縮放的環境下使用，同時實驗測試表明，該研究檢測成功率可達97%，檢測精度不大于0.3pixel，檢測時間小于100ms，能滿足目前PCB生產加工行業的功能需要。其次，平臺可根據不同種類Mark圓保存或加載與之匹配的檢測配置，方便、快捷，對實際PCB生產或檢測具有一定借鑒意義。