基于OES-ELM的PCB板表面印线检测算法_刘洋.pdf

人工智能本栏目责任编辑：唐一东Computer Knowledge and Technology电脑知识与技术第18卷第36期(2022年12月)第18卷第36期(2022年12月)基于OES-ELM的PCB板表面印线检测算法刘洋，孙龙洋，韩怡，柴广卿，张国良（潍柴动力股份有限公司，山东 潍坊 261000）摘要：为满足电子器件的大批量生产的需要，电子电路表面组装技术（SMT）逐渐发展起来，贴装位置的准确性严重影响着产品质量。电子产品不断趋于小型化、贴装位置边缘信息不明显、模组表面产生的划痕等原因，对贴装位置的精准确定造成很大的干扰，因此如何通过边缘检测的手段精准地确定贴装的位置则显得尤为关键。因此，文章提出了一种基于自适应误差自校正极限学习机（OES-ELM）的PCB板表面印线边缘检测算法。该算法首先用改进的双边滤波算法滤除图像噪声，该算法可较好的保持边缘信息；然后对图像进行分块，对各图像块分别提取其128维DCT特征输入OES-ELM分类器将图像块分为三类，并求得各图像块的梯度图；最后，针对不同类型的图像块的梯度图像，分别进行处理，确定高低阈值，将高低阈值之间的像素点进行连接，确定表面白色印线的轮廓信息。实验结果表明，该算法能快速识别出印线边缘信息，有实际应用价值。关键词：机器视觉；SMT；双边滤波；OES-ELM；阈值连接中图分类号：TP18文献标识码：A文章编号：1009-3044(2022)36-0029-04开放科学（资源服务）标识码（OSID）：电子器件制造技术的快速发展对PCB板自动贴装设备带来商机的同时，也带来了更为严峻的技术考验1。目前，国内多家企业着手全自动贴装设备的研发，部分设备流入市场，但在贴装精度和速度上与发达国家相比有一定差距，严重制约着生产效率提升。因此，如何提高电子器件生产过程中PCB板贴装位置的快速、精准定位，对提高生产效率、提高产品质量具有重要的研究意义。PCB板表面白色印线边缘位置的获取通过图像处理实现。因PCB板边缘与周围背景相比，有着一定的梯度跳变，可通过边缘检测的手段实现边缘位置确定。但受PCB板贴装位置边缘信息不明显、模组表面产生的划痕等原因的干扰，通过传统边缘检测算法实现PCB板快速、稳定、高精准度的边缘检测仍具有一定的挑战。目前，边缘检测算法主要存在以下几类：1）基于小波变换（wavelet transform）的检测算法2；2）基于形态梯度理论的检测算法3；3）基于 Canny 的检测算法4；4）基于机器学习的检测算法5等。基于小波变换6的检测算法，通过对图像进行不同尺度的小波变换来实现，但受尺度大小的影响，当尺度过大或过小时，获取的图像边缘信息差距较大，不具有通用性，故许多算法中通过多尺度融合来弥补尺度过大或过小带来的影响，但是这个算法运算逻辑复杂，无法满足实时性的要求；基于形态学梯度理论的检测算法，该算法简单易操作，且对部分噪声具有比较好的抑制作用，但获取像素点的位置不够精确；基于Canny算子7的检测算法应用十分广泛，但也因阈值难以控制等问题仍然不能胜任图像微弱边缘的检测；基于机器学习8的算法可同时兼顾检测速度和精度的要求，近年来，在边缘检测领域得到了广泛的应用。本算法基于自适应误差自校正极限学习机9（Optimally Error Self-adjustment Extreme Learning Machine,OES-ELM），提出一种PCB板贴片轮廓位置自适应检测算法。首选使用双边滤波算法对图像进行预处理，该算法在较好地保持图像边缘信息的基础上，能滤除大部分噪声的影响；其次，为使后续检测更具自适应性，在图像滤波的基础上将PCB板图像进行1/16 分块；然后，提取图像块的 DCT（Discrete CosineTransform,离散余弦变换10）特征，将其输入OES-ELM分类器，将图像块分为边缘块、平滑块、纹理块；最后，提取各图像块梯度图，分别确定高低阈值，将高低阈收稿日期：2022-09-30作者简介：刘洋（1994），男，山东淄博人，工程硕士，研究方向为智能信息处理与智能控制；孙龙洋（1993），男，山东潍坊人，本科，研究方向为网联终端开发；韩怡（1995），女，山东滨州人，工程硕士，研究方向为智能信息处理与智能控制；柴广卿（1995），男，山东潍坊人，硕士，研究方向为智能信息处理与智能控制；张国良（1991），男，山东潍坊人，硕士，研究方向为网联终端开发。E-mail：http：/Tel：+86-551-65690963 65690964ISSN 1009-3044Computer Knowledge and Technology电脑知识与技术Vol.18,No.36，December202229DOI:10.14004/ki.ckt.2022.2256本栏目责任编辑：唐一东人工智能Computer Knowledge and Technology电脑知识与技术第18卷第36期(2022年12月)第18卷第36期(2022年12月)值之间的像素点进行连接，最终刻画出白色印线的位置信息。1 基于OES-ELM的PCB板表面印线检测算法为了能更好地检测PCB的贴片位置，防止因贴片偏移导致PCB板的报废或返工，本文提出的基于自适应误差自校正极限学习机的划痕检测算法，其各部分的流程如图1所示。由图可以看出，改进部分主要有以下四个方面：1)首先采用改进的双边滤波来滤除噪声；2)通过提取降维的DCT特征作为图像块的分类特征；3)用改进的自适应误差自校正极限学习机来对图像块进行分类，可根据数据集自动确定隐层神经元个数，检测效果更为稳定；4)对不同的图像块采取不同方法自适应确定阈值，并进行边缘连接；下面具体介绍以上四部分具体实现。输入PGB板图像改进双边滤波输出白色印线位置图像1/16分块127维DCT特征OES-ELM图像块分类边缘块：大津法确定高低阈值纹理块：基于平均梯度确定高低阈值平滑块：继续进行1/4分块，进一步判断是否含有细小边缘若含边缘，对子块基于大津法确定高低阈值若不含边缘，则将子块置为背景高低阈值连接图 1 基于OES-ELM的PCB板表面印线检测算法流程图1.1 改进双边滤波双边滤波12的本质是高斯滤波，其目的是解决高斯滤波容易导致边缘被模糊的情况，高斯滤波采用相同的权重，忽略了像素之间的差异性，双边滤波在一定程度上解决了这一问题，且算法的复杂度比较低，实时性比较好，但是其在遇到高频噪声时，不易去除。双边滤波的基本思想是：其权重由像素点领域内的空间近邻度的权值加上相似度计算的权值的乘积组成，再与图像进行卷积。因此距离较远的像素点不会对边缘点产生较大影响，其权值计算公式如下：(i,j,k,l)=exp(-(i-k)2-(j-l)222d-f(i,j)2+f(k,l)222r)其中k,l为中心像素点的坐标，f(i,j)和f(k,l)是对应像素点的灰度值，d为距离的标准差，r为灰度值的标准差。因此，距离中心像素比较近接像素值相近的点获得较大权重，距离中心像素点比较远且像素值相差较大的获得较小权重。但这样导致若图像中存在椒盐噪声时，去除效果较差。为此，引入SSIM这一参数，将亮度和结构信息相结合。SSIM定义如下：SSIM(k,l)=(2kl+C1)(2kl+C2)(2k+2l+C1)(2k+2l+C2)其中k和k2分别为像素点k邻域内的平均灰度和方差，k为像素点k和l的灰度协方差，C1和C2为一个很小的常数。利用结构相似度重新定义双边滤波函数，如下：(i,j,k,l)=exp(-(i-k)2-(j-l)222d-1-SSIM(k,l)22r)当中心像素点为高频噪点时，其邻域内其他像素点会获得较大权重，在一定程度上可以降低高频噪点的影响。1.2 图像离散余弦特征提取为考虑图像局部特征的差异对边缘检测结果的影响，首先对图像进行1/16分块，并将其分为三种类型的图像块，分别为边缘块、纹理块和平滑块。为了区分图像块的类型，则需要提出行之有效且易于区分的特征。而这三种图像块的主要区别有：平滑块的高频分量较小，因此对应梯度值较小，反之纹理块的高频分量较多。因此，可对图像块做离散余弦变换，并提取其纹理特征。设图像块大小为MN，像素点对应像素值大小为f(x,y)，则二维DCT的正变换定义如下：F(u,v)=2MNC(u)C(v)x=0M-1y=0N-1f(x,y)cos2(x+1)u2Mcos2(y+1)v2N其中：C(u)=|12,u=01,其他，C(v)=|12,v=01,其他x,u=0,1,2.,M-1;y,v=0,1,2.,N-1由上式可知，对大小为MN的图像块作DCT变换，变换后仍对应MN个变换系数。对变换后的系数矩阵进行Zigzag排序。其中，当u=0,v=0时，F(0,0)为像素的平均灰度值，相当于直流分量。由此可见，图像经过DCT变换后，被分解为DC成分，以及由低频到高30人工智能本栏目责任编辑：唐一东Computer Knowledge and Technology电脑知识与技术第18卷第36期(2022年12月)第18卷第36期(2022年12月)频的AC成分。当图像较平滑时，对应着比较小的AC系数，当图像块中包含的纹理特征比较丰富时，对应着较大的AC系数。因此，可用其来作为特征用于区分边缘块、纹理块以及平滑块。12N12M图 2 Zig-Zag排序图 3AC系数对图像块作DCT变换后，其AC分量的绝对值会大致呈现从左上角向右下角逐渐递减的趋势。为了降低特征的维度，此处仅保留其直流系数以及前127个交流系数，最终得到128维的纹理特征向量。为避免取值范围及量纲的不同，将提取的特征归一化到-1,1。1.3 基于自适应误差自校正极限学习机的分类本文使用OES-ELM获取的DCT特征进行分类，相比于ES-ELM10算法，具有训练速度快、算法对正则项不敏感的优势，且根据数据集自适应确定隐层神经元的个数和隐层权值矩阵，具有较好识别性能。ELM网络结构如下图所示。1x2xix1nx-nx(),w bb1o2oko图4 ELM神经网络结构OES-ELM网络训练过程主要分为两阶段，初始化阶段和权值更新阶段。初始化阶段的目的是获得恰当的隐层特征映射空间(包括隐层权值和隐层神经元个数)，结合L1/2正则化找到合适的隐层结构。更新阶段目的是结合L2正则化更新隐层权值，使网络获得权值最小解，提高网络的泛化性能。具体算法步骤如下：图 5 OES-ELM本文针对OES-ELM网络，本文选用了10幅PCB图像来生成所需要的数据集。通过对提取的DCT特征分类，最终将 PCB 图像分为边缘块、纹理块、平滑块。1.4 梯度计算传统的Canny检测算子在计算图像的梯度时采用了梯度算子，仅仅考虑了两个方向的梯度大小，然后对其求取平均值，导致比较容易丢失部分边缘信息。针对这一问题，本文在此基础上增加两个方向的梯度合成计算，如图6所示。P11P12P21P22P13P23P31P32P33-1-200-10121-2-1-1001012-10-2012-10101-1021-2-10(a)梯度模板(b)33窗口图 6 改进的Sobel算子图4(a)分别为4方向的检测算子，图4(b)为目标点的8邻域，那么四个方向的梯度幅值G0、G45、G90、G135分别为公式(4)所示。|G0=(P31+2P32+P33)-(P11+2P12+P13)G45=(P23+2P33+P32)-(P12+2P11+P21)G90=(P13+2P23+P33)-(P11+2P21+P31)G135=(P12+2P13+P23)-(P21+2P31+P32)目标点的梯度和梯度方向可以用下式求得：G=G20+G245+G290+G2135=arctan(G90G0)31本栏目责任编辑：唐一东人工智能Computer Knowledge and Technology电脑知识与技术第18卷第36期(2022年12月)第18卷第36期(2022年12月)(a)原图(b)结果图图 7 非极大值抑制结果1.5 图像块