基于機(jī)器視覺的電子元件的識(shí)別與定位

基于機(jī)器視覺的電子元件的識(shí)別與定位摘要：隨著社會(huì)不斷發(fā)展，電子產(chǎn)品越來(lái)越多的進(jìn)入我們的生活，對(duì)作為電子產(chǎn)品的基礎(chǔ)組成單元的電子元件提出的要求也越來(lái)越高，使其越來(lái)越集成化與精細(xì)化。本文是基于機(jī)器視覺的電子元件的識(shí)別與定位，以解決愈發(fā)精細(xì)化電子元件分揀問題。首先使用工業(yè)相機(jī)進(jìn)行拍攝，再對(duì)拍攝圖像進(jìn)行預(yù)處理使其更能的達(dá)到預(yù)期，通過基于形狀的模板匹配識(shí)別具體的電子元件的像素坐標(biāo)，最終再通過標(biāo)定得到相機(jī)的內(nèi)外參數(shù)，將電子元件的像素坐標(biāo)轉(zhuǎn)換為世界坐標(biāo)。關(guān)鍵詞:機(jī)器視覺，電子元件，識(shí)別定位1.引言1.1機(jī)器視覺技術(shù)發(fā)展歷史在20世紀(jì)50年代初，早期的機(jī)器視覺主要對(duì)二維圖像以及各類工件表面進(jìn)行檢測(cè)，直到六十年代由美國(guó)工程學(xué)院提出了二維圖像掃描建立三維模型的相關(guān)概念，但是受制于當(dāng)時(shí)的技術(shù)，還無(wú)法完全實(shí)踐[1]。隨著美國(guó)MIT人工智能實(shí)驗(yàn)室正式開設(shè)“機(jī)器視覺”課程，至此機(jī)器視覺由實(shí)驗(yàn)室走向工業(yè)生產(chǎn)。機(jī)器視覺發(fā)展早期,主要集中在歐美和日本。隨著全球制造中心向中國(guó)轉(zhuǎn)移,中國(guó)機(jī)器視覺市場(chǎng)正在繼北美、歐洲和日本之后,成為國(guó)際機(jī)器視覺廠商的重要目標(biāo)市場(chǎng)[2]。在我國(guó)，機(jī)器視覺的發(fā)展歷史可以追溯到上世紀(jì)八十年代。當(dāng)時(shí)，我國(guó)的機(jī)器視覺技術(shù)還處于起步階段，研究重點(diǎn)主要是從圖像獲取入手，包括圖像的采集、處理和分析。所使用的設(shè)備和技術(shù)較為簡(jiǎn)單，如用電容耦合攝像機(jī)獲取圖像，采用簡(jiǎn)單的數(shù)字電路和微處理器進(jìn)行圖像處理等。到了九十年代，我國(guó)對(duì)機(jī)器視覺的研究已經(jīng)初具規(guī)模。在此期間，技術(shù)研究重點(diǎn)開始向更高端發(fā)展。例如，研發(fā)出具有自適應(yīng)控制技術(shù)的光學(xué)檢測(cè)儀器，利用現(xiàn)代光學(xué)成像技術(shù)實(shí)現(xiàn)了對(duì)微小物體進(jìn)行高精度檢測(cè)和成像，該技術(shù)已經(jīng)應(yīng)用于電子制造行業(yè)和航空制造業(yè)等領(lǐng)域。到了21世紀(jì)，隨著新一輪的科技革命與產(chǎn)業(yè)升級(jí)，機(jī)器視覺技術(shù)也得到了非常迅速的發(fā)展。在這個(gè)階段，我國(guó)開始重視機(jī)器視覺領(lǐng)域的人才培養(yǎng)和研究投入。成立了機(jī)器人學(xué)、圖像工程等相關(guān)學(xué)科，同時(shí)也逐步解決了一些問題，如設(shè)備性能不足、成像系統(tǒng)不穩(wěn)定、圖像處理復(fù)雜等方面的問題。

這一時(shí)期，我國(guó)企業(yè)紛紛投入機(jī)器視覺技術(shù)領(lǐng)域，包括科大訊飛、?？低?、大華等企業(yè)。它們先后推出了各種視覺識(shí)別、視頻監(jiān)控、安防攝像頭等產(chǎn)品，成為當(dāng)今中國(guó)機(jī)器視覺產(chǎn)業(yè)的龍頭企業(yè)。1.2機(jī)器視覺技術(shù)簡(jiǎn)介機(jī)器視覺技術(shù)通常是通過各種算法來(lái)實(shí)現(xiàn)的，這些算法包括圖像濾波、特征提取、目標(biāo)跟蹤、三維視覺重建和深度學(xué)習(xí)等。其中，深度學(xué)習(xí)是當(dāng)前機(jī)器視覺應(yīng)用最為廣泛且發(fā)展最快的技術(shù)之一，它通過模擬人腦神經(jīng)元的工作模式，通過多層次的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來(lái)實(shí)現(xiàn)對(duì)圖像和視頻特征的自動(dòng)提取和學(xué)習(xí)。機(jī)器視覺技術(shù)的發(fā)展目前正在經(jīng)歷從傳統(tǒng)特征提取和淺層算法向深度學(xué)習(xí)和增量學(xué)習(xí)的轉(zhuǎn)型過程。未來(lái)機(jī)器視覺技術(shù)的發(fā)展有望朝著高效率、高精度、高應(yīng)用價(jià)值的方向不斷發(fā)展，將更加深入人們的日常生活和各個(gè)領(lǐng)域。2.基于機(jī)器視覺的電子元件的識(shí)別與定位的基本組成2.1硬件組成雖然基于機(jī)器視覺的測(cè)量系統(tǒng)的檢測(cè)對(duì)象不盡相同，但對(duì)于一個(gè)完整的視覺測(cè)量系統(tǒng)來(lái)說(shuō)，其圖像采集模塊必須包括四個(gè)組成部分，分別為成像鏡頭、工業(yè)相機(jī)、圖像采集卡、光源照明模塊，而現(xiàn)如今除了一部分工業(yè)相機(jī)需獨(dú)立搭配圖像采集卡，大部分工業(yè)相機(jī)均集成了圖像采集功能[3]。光源照明模塊，采用的是LED燈帶組成的光源控制器。2.1.1工業(yè)相機(jī)本課題設(shè)計(jì)的視覺尺寸測(cè)量系統(tǒng)釆用?？低暪镜腗V-SUA1201C工業(yè)相機(jī)，此款相機(jī)具有較高的分辨率，能夠清晰的捕捉更多的圖像細(xì)節(jié)，能夠更為方便的提取出圖像的特征值，進(jìn)行圖像的處理。相機(jī)具體參數(shù)如表1所示,相機(jī)具體樣式如圖1所示。表1相機(jī)具體參數(shù)型號(hào)MV-SUA1201C傳感器1/1.7"CMOS相機(jī)類型彩色像元尺寸1.85umx1.85um有效像素1200萬(wàn)分辨率@幀率4000x3000最大@32fps靈敏度250mV1/30sGPIO1路光耦隔離輸入，1路光耦隔離輸出，1路非隔離輸入輸出圖1實(shí)驗(yàn)室操作平臺(tái)2.1.2成像鏡頭工業(yè)成像鏡頭主要分為ＦＡ（FactoryAutomation）透視鏡頭和遠(yuǎn)心鏡頭（zoom鏡頭）。此兩類鏡頭具備各自的優(yōu)缺點(diǎn)，分別根據(jù)不同的實(shí)際需求應(yīng)用于不同場(chǎng)合。fa鏡頭又稱為固定焦距鏡頭，它的最大特點(diǎn)是具有固定的焦距，無(wú)法改變拍攝距離。這使得它適用于靜態(tài)、固定距離的拍攝場(chǎng)景，fa鏡頭通常有較小的體積和質(zhì)量，能夠提供高質(zhì)量、清晰的圖像，消除了焦距的調(diào)節(jié)對(duì)圖像質(zhì)量的影響，因此適用于高精度的應(yīng)用。然而，它的缺點(diǎn)是適用范圍較窄，無(wú)法適應(yīng)復(fù)雜、變化的拍攝環(huán)境。遠(yuǎn)心鏡頭（zoom鏡頭）具有可調(diào)焦距的功能，它能夠根據(jù)需要改變拍攝距離，以適應(yīng)不同的拍攝場(chǎng)景和需求。遠(yuǎn)心鏡頭具有比f(wàn)a鏡頭更廣泛的適應(yīng)范圍，能夠勝任多樣的變化環(huán)境和應(yīng)用。而其缺點(diǎn)是，由于其復(fù)雜的結(jié)構(gòu)和大的成本，因此遠(yuǎn)心鏡頭的尺寸和重量可能較大，對(duì)相機(jī)的機(jī)械控制和定位要求更高。因?yàn)楸菊n題研究的是基于機(jī)器視覺的電子元件的識(shí)別與定位，大多情況下為靜態(tài)拍攝，所以選擇的是MV-LD-6-12M-AFA鏡頭，具體參數(shù)如表2所示。表2FA鏡頭具體參數(shù)型號(hào)MV-LD-6-12M-A像素1200萬(wàn)焦距6mm光圈F=1:2.4~16靶面尺寸1/1.7"畸變＜0.73%接口C口2.2.軟件組成本課題使用機(jī)器視覺軟件選用的是Halcon，其最大的特點(diǎn)就是包括了一套交互式的程序設(shè)計(jì)接口Hdevelop,可以用代碼直接編寫、修改、執(zhí)行程序,并將其轉(zhuǎn)換成C++,C,C#或者VisualBasic語(yǔ)言的程序代碼,具有良好的跨平臺(tái)移植性[4]。3.標(biāo)定如果要從圖像中獲取準(zhǔn)確的三維世界的真實(shí)信息，用于測(cè)量或者定位等，則首先必須對(duì)相機(jī)進(jìn)行標(biāo)定校準(zhǔn)。相機(jī)的標(biāo)定可以建立二維圖像中的點(diǎn)與三維空間中的點(diǎn)的對(duì)應(yīng)關(guān)系。常見的相機(jī)標(biāo)定算法有DLT[5](DirectLinearTransform)、Tasi[6]、張正友標(biāo)定[7]等算法。但是使用HALCON標(biāo)定板來(lái)確定CCD攝像機(jī)的參數(shù)是一種比較簡(jiǎn)單的方法，,CCD攝像機(jī)是對(duì)物理世界進(jìn)行三維重建的一種基本測(cè)量工具,這時(shí)攝像機(jī)定標(biāo)被認(rèn)為是實(shí)現(xiàn)三維歐氏空間立體視覺的基本而又關(guān)鍵的一步.總體來(lái)說(shuō),其計(jì)算方法與攝影測(cè)量學(xué)中所使用基本相同[8],使用Halcon自帶的算子助手，我們能較為精準(zhǔn)的得到相機(jī)的內(nèi)部參數(shù)和外部參數(shù)。內(nèi)部參數(shù)通常包括相機(jī)本身的一些系數(shù)，如畸變系數(shù)、焦距等，這些參數(shù)均可以在相機(jī)數(shù)據(jù)中找到，但由于理論數(shù)據(jù)會(huì)偏離實(shí)際數(shù)據(jù)，因此可以使用Halcon校準(zhǔn)助手更準(zhǔn)確地導(dǎo)出實(shí)際相機(jī)的內(nèi)部參數(shù)。外部參數(shù)表示相機(jī)在世界坐標(biāo)系中的三維位置，例如相機(jī)的X軸坐標(biāo)、Y軸坐標(biāo)段、Z軸坐標(biāo)和相機(jī)的方向，以及對(duì)應(yīng)方向的偏轉(zhuǎn)角。3.1標(biāo)定板本課題組選用的是GB050-27×7標(biāo)定板，大小為50×50mm，標(biāo)定圓點(diǎn)直徑為2mm，兩圓點(diǎn)中心距為4mm，標(biāo)點(diǎn)板尺寸為32×32mm，精度為±0.01。具體實(shí)物如圖2。圖2標(biāo)定板3.2標(biāo)定過程首先使用gen算子在電腦中生成對(duì)應(yīng)的GB050-27×7標(biāo)定板的描述文件，如圖3所示。再使用Halcon的標(biāo)定助手（圖4），添加導(dǎo)入生成的描述文件以及MV-SUA1201C相機(jī)具體參數(shù)與MV-LD-6-12M-AFA鏡頭具體焦距，最后拍攝不同旋轉(zhuǎn)角度的，符合對(duì)比度的，標(biāo)定板的圖像進(jìn)行相機(jī)標(biāo)定，具體參數(shù)如圖5。圖3gen_caltab算子窗口圖4使用標(biāo)定助手進(jìn)行標(biāo)定圖5標(biāo)定參數(shù)3.2標(biāo)定的驗(yàn)證打開Halcon自帶的測(cè)量算子（圖6），導(dǎo)入得出的內(nèi)外參數(shù)，使用繪制線段工具，畫出想要測(cè)量線段，與實(shí)際對(duì)比，這里我們選用的是標(biāo)定板的圖片，實(shí)際兩圓間距應(yīng)為2mm，測(cè)量值為2.1mm，誤差在可接受范圍之內(nèi)。圖6測(cè)量助手的測(cè)量結(jié)果4.圖像預(yù)處理獲得了相機(jī)采集的圖像之后，圖像的質(zhì)量往往會(huì)與所預(yù)想的情況有所差異，由于外部的環(huán)境的改變，使所拍攝的圖像可能會(huì)出現(xiàn)對(duì)比度過低或者圖像過曝等問題。因而對(duì)圖像進(jìn)行預(yù)處理是必須的。進(jìn)行圖像處理的圖像質(zhì)量關(guān)系到圖像識(shí)別的準(zhǔn)確的和運(yùn)算速度。圖像預(yù)處理一般包括圖像去噪、歸一化、直方圖均衡化、形態(tài)學(xué)分析等。圖像去噪是一種消除圖像噪聲的方法，通過對(duì)圖像進(jìn)行濾波、降噪等操作，可以減少椒鹽噪聲、高斯噪聲等非結(jié)構(gòu)噪聲的影響。歸一化是將圖像像素值轉(zhuǎn)化到一定的范圍內(nèi)，使得不同圖像的亮度、對(duì)比度等特性保持一致，方便后續(xù)算法的處理。直方圖均衡化是一種增強(qiáng)圖像對(duì)比度的技術(shù)，通過對(duì)圖像中的像素值進(jìn)行重新分布，使得圖像的對(duì)比度增強(qiáng)，細(xì)節(jié)更加清晰。形態(tài)學(xué)分析是利用腐蝕和膨脹來(lái)對(duì)工件進(jìn)行圖像噪聲的去除,可以使大量不連通的區(qū)域變?yōu)檫B通或者使連通域變?yōu)椴贿B通域[9]。通過圖像預(yù)處理的合理選擇和操作，可以減少圖像處理或計(jì)算機(jī)視覺算法的誤差和不一致性，提高算法的準(zhǔn)確性和效率，從而更好地服務(wù)于各類實(shí)際應(yīng)用。4.1Blob分析選取ROI區(qū)域Blob分析（也稱為連通區(qū)域分析）是計(jì)算機(jī)視覺領(lǐng)域中的一種圖像處理技術(shù)，而ROI區(qū)域就是圖像處理需具體處理的區(qū)域，通過Blob分析選擇出ROI區(qū)域，能夠減少計(jì)算量。Blob分析一般步驟分為閾值處理，形態(tài)學(xué)處理，特征值提取。圖7為一般芯片的Blob分析。Blob分析提供了一種有效的方式來(lái)識(shí)別和提取圖像中的連續(xù)區(qū)域，并獲取關(guān)于這些區(qū)域的有用信息。這種方法可以幫助我們理解圖像的結(jié)構(gòu)、目標(biāo)的特性，從而實(shí)現(xiàn)更高級(jí)的圖像處理和分析應(yīng)用。圖7Blob分析具體步驟4.1.1閾值處理簡(jiǎn)單來(lái)說(shuō)，閾值就是一個(gè)指定像素灰度值的范圍。閾值處理就是將圖像中的像素灰度值與該閾值進(jìn)行比較，落在該范圍的像素則稱為前景，其余像素稱為背景。前景一般設(shè)為灰色，背景設(shè)為白色。當(dāng)檢查對(duì)象灰度值與背景差異較大我們一般選擇使用Halcon中threshold算子來(lái)進(jìn)行全局閾值處理。4.1.2形態(tài)學(xué)處理形態(tài)學(xué)處理是一種基于圖像形狀的圖像處理技術(shù)，它主要利用了形態(tài)學(xué)學(xué)科中的“結(jié)構(gòu)元素”和“膨脹、腐蝕、開運(yùn)算、閉運(yùn)算”等基本操作。形態(tài)學(xué)處理可以有效地改變圖像結(jié)構(gòu)和形狀，例如，可以用形態(tài)學(xué)處理去除噪點(diǎn)、平滑物體邊界、分離物體、連接不連續(xù)的物體、提取物體輪廓等。形態(tài)學(xué)處理技術(shù)和其它圖像處理技術(shù)結(jié)合使用，可以實(shí)現(xiàn)更好的圖像處理和分析效果，有著廣泛的應(yīng)用。4.1.3特征提取特征提取指的是將圖像中不同的區(qū)域通過不同的特征區(qū)分出來(lái)，通過人為的設(shè)定需提取區(qū)域的區(qū)分性與表征性特征，來(lái)獲得所需要的目標(biāo)區(qū)域。特征提取的目的是降低圖像數(shù)據(jù)的維度并保留圖像中的重要信息，這些提取到的特征可以被用于圖像分類、目標(biāo)檢測(cè)、目標(biāo)跟蹤、圖像檢索等機(jī)器視覺任務(wù)。根據(jù)具體任務(wù)需求的不同，選擇適合的特征提取方法可以提高機(jī)器視覺系統(tǒng)的準(zhǔn)確性和效率。為滿足自身的區(qū)域選擇的要求。我們一般選擇使用Halcon中select算子來(lái)進(jìn)行特征提取。4.1.2使用draw交互算子選取ROI區(qū)域使用draw交互算子可以通過代碼的編寫，選擇需要的ROI區(qū)域形狀，例如draw_rectangle1()算子，我們可以圖像上畫出一個(gè)矩形的區(qū)域，結(jié)合gen_rectangle1()算子得到所需的矩形ROI區(qū)域。使用draw交互算子得出ROI區(qū)域相比于Blob分析得出ROI區(qū)域，其精度遠(yuǎn)不如Blob分析得出的ROI區(qū)域，，但draw交互算子相比于Blob分析更加的簡(jiǎn)單，操作難度更低。因?yàn)楸菊n題研究的是電子元件，圖像本身存在的噪音少，使用draw交互算子的影響與Blob分析得出的結(jié)果誤差基本一致，所以最終程序使用的是draw交互算子。使用draw交互算子的截圖步驟如圖8。圖8draw交互算子使用具體步驟5.模板匹配模板匹配通常指的是，通過模板圖片識(shí)別出測(cè)試圖像中相似的部分，圖像匹配是一個(gè)多步驟過程?總的來(lái)說(shuō)?大概可分為圖像輸入、圖像預(yù)處理、匹配有用信息提取、圖像匹配、輸出結(jié)果等[10]。具體如圖9。]圖9模板匹配流程本文使用的是基于形狀的模板匹配。因?yàn)椴煌碾娮釉哂械男螤睿笮?，引腳數(shù)均不相同，所以使用基于形狀的模板匹配能夠很好的滿足電子元件的識(shí)別與定位。形狀特征對(duì)于機(jī)器視覺是很重要的。如果圖像中的邊緣能夠精確的定位和測(cè)量，那么，就意味著可以精確定位和測(cè)量實(shí)際的物體[11]。5.1基于形狀的模板匹配過程如圖10是使用相機(jī)的拍攝的電子元件。圖10工業(yè)相機(jī)拍攝的圖像使用emphasize算子對(duì)圖像進(jìn)行處理，如圖是使用的代碼以及得到的圖片，如圖11。圖11預(yù)處理過后的圖像用處理好的圖片進(jìn)行draw_rectangle2交互算子畫出ROI區(qū)域，再使用reduce_domain算子將圖裁剪出，使用裁剪過的圖創(chuàng)建模板，使用create_shape_model算子建立模板。然后使用get_shape_model_contours算子對(duì)形成的模板進(jìn)行可視化處理，由于可視化模板生成于圖像（0，0）處，通過仿射變換將其移動(dòng)至于原圖像重疊。驗(yàn)證模板是否滿足所需識(shí)別對(duì)象要求。導(dǎo)入需要識(shí)別的圖像，使用find_shape_model算子，進(jìn)行識(shí)別，由于識(shí)別對(duì)象數(shù)量會(huì)變換，所以使用一個(gè)for循環(huán)來(lái)重復(fù)匹配直至沒有滿足設(shè)定分?jǐn)?shù)的對(duì)象為止。完成程序后能得到符合模板對(duì)象的坐標(biāo)與偏轉(zhuǎn)角。具體程序如圖12。圖12模板匹配具體程序5.1.1create算子create_shape_model(Template,NumLevels,AngleStart,AngleExtent,AngleStep,Optimization,Metric,Contrast,MinContrast,ModelID)。Template：reduce_domain后得到的圖型變量。AngleStart,AngleExtent：AngleStart是選擇起始角度，AngleExtent是旋轉(zhuǎn)角度的范圍，因?yàn)楸菊n題是識(shí)別電子元件，電子元件的位置一般不固定，所以選用的是rad（0）與rad（360）。Optimization：設(shè)置模板優(yōu)化和模板創(chuàng)建方法，因?yàn)楸菊n題是電子元件的識(shí)別，所以一般使用的是’auto’模式，因?yàn)樗臄z的圖像包含像元點(diǎn)數(shù)不會(huì)過多，基本不會(huì)拖累計(jì)算速度。Metric：匹配方法設(shè)置，分為'use_polarity'、'ignore_global_polarity'、'ignore_local_polarity'、'ignore_color_polarity'四個(gè)模式。本課題使用的是'use_polarity'由于圖片均基于同種光源下拍攝，對(duì)比度基本不會(huì)出現(xiàn)特別不均的情況，不用考慮'ignore_global_polarity'對(duì)比度相反情況，以及'ignore_local_polarity'部分對(duì)比度不均勻情況，當(dāng)然'ignore_color_polarity‘顏色對(duì)比度不相同的情況也基本不會(huì)發(fā)生。Contrast，MinContrast：設(shè)置對(duì)比度，要依據(jù)具體情況來(lái)設(shè)置，太小會(huì)導(dǎo)致模型包含雜點(diǎn)過多，從而識(shí)別所花費(fèi)時(shí)間過多，甚至影響最終識(shí)別的score的數(shù)值與識(shí)別個(gè)數(shù)。而對(duì)比度數(shù)值設(shè)計(jì)過高會(huì)導(dǎo)致模板包含特征過少，無(wú)法判斷芯片的極性，無(wú)法區(qū)分偏轉(zhuǎn)角。ModelID：輸出的模板句柄，用于find算子識(shí)別。5.1.2find算子find_shape_model(Image,ModelID,AngleStart,AngleExtent,MinScore,NumMatches,MaxOverlap,SubPixel,NumLevel,Greediness,Row,Column,Angle,Score)。Image：輸入的目標(biāo)圖像，用于圖像識(shí)別。ModelID：創(chuàng)建模板導(dǎo)出的模板句柄。AngleStart，AngleExtent：旋轉(zhuǎn)角的旋轉(zhuǎn)，保持與create算子相同。MinScore：匹配最小分?jǐn)?shù)，要求最終識(shí)別對(duì)象的Score數(shù)值要大于設(shè)定的數(shù)值，設(shè)置過高會(huì)導(dǎo)致識(shí)別的對(duì)象不足實(shí)際數(shù)量，設(shè)置過低會(huì)導(dǎo)致一些影響區(qū)間也被當(dāng)做是識(shí)別對(duì)象被識(shí)別出來(lái)，本課題設(shè)計(jì)的是0.5，基本能滿足識(shí)別所有的電子元件。NumMatches：定義要輸出的匹配的最大個(gè)數(shù)，但由于代碼的普適性，一般設(shè)為0，代指顯示出所有的識(shí)別個(gè)數(shù)，并非是0個(gè)。如果設(shè)置的參數(shù)大于識(shí)別的個(gè)數(shù)，只會(huì)顯示出能夠識(shí)別的對(duì)象，如果設(shè)置的參數(shù)小于識(shí)別的個(gè)數(shù)，則會(huì)顯示出最大Score分?jǐn)?shù)的對(duì)象。MaxOverlap：重疊系數(shù)，指的是圖像中存在的模板重疊現(xiàn)象，如果找尋目標(biāo)存在重疊，且重疊量小于重疊系數(shù)，則可以輸出兩個(gè)目標(biāo)，大于則只能輸出上面覆蓋的那個(gè)目標(biāo)，參數(shù)默認(rèn)值設(shè)為0.5，根據(jù)實(shí)際情況而定，因?yàn)楸菊n題組并未設(shè)計(jì)重疊的圖像，所以設(shè)置的是0。SubPixel：確定找到的目標(biāo)是否使用亞像素精度提取。一共五種模式，由于本課題是電子元件的識(shí)別，模式'least_squares'完全夠用，其余模式就不過多敘述了。NumLevels：搜索時(shí)的金字塔層數(shù)，金字塔層數(shù)越大匹配速度越快，精準(zhǔn)度越低，通過多次實(shí)驗(yàn)對(duì)比，當(dāng)金字塔層數(shù)取到[2,1時(shí),精度滿足要求，且不會(huì)過度拖累程序運(yùn)行時(shí)間。Greediness：則是貪婪系數(shù)。影響搜索目標(biāo)時(shí)間，貪戀系數(shù)設(shè)為1是使用的不安全的搜索模式，可能出現(xiàn)圖像目標(biāo)搜索不完全的情況出現(xiàn)，但由于本課題組使用的圖片變量經(jīng)過圖像預(yù)處理，將貪婪系數(shù)設(shè)置成1也基本可以滿足識(shí)別定位需求。Row，Column，Angle，Score：為輸出的四個(gè)系數(shù)，前兩個(gè)為坐標(biāo)，然后是偏轉(zhuǎn)角與識(shí)別獲得的分?jǐn)?shù)。5.2電子元件的定位通過之前標(biāo)定得到的相機(jī)內(nèi)外參數(shù)，使用轉(zhuǎn)換坐標(biāo)算子，將像素坐標(biāo)轉(zhuǎn)換成世界坐標(biāo)即可完成最終的識(shí)別定位，如圖13為最終得出的世界坐標(biāo)。以及最終的成品顯示如圖14。圖13最終得到的世界坐標(biāo)圖14最終成品圖6.總結(jié)本文簡(jiǎn)單介紹了基于機(jī)器視覺的電子元件的識(shí)別與定位，實(shí)驗(yàn)過程中也遇到了許多的問題與挑戰(zhàn)。通過實(shí)驗(yàn)臺(tái)與工業(yè)相機(jī)拍攝的芯片很多時(shí)候并不滿足模板匹配的要求，要先在拍攝的過程中移動(dòng)芯片到最佳位置。盡量采集清晰的，不含雜點(diǎn)的圖片素材，再對(duì)其進(jìn)行圖像的預(yù)處理。其次標(biāo)定的時(shí)候要多拍幾組標(biāo)定板的素材，不同光照，不同旋轉(zhuǎn)角的情況下，都會(huì)影響最終標(biāo)定的結(jié)果，要多次進(jìn)行標(biāo)定已得到最佳的標(biāo)定數(shù)據(jù)。而且要保證標(biāo)定拍攝的放大倍數(shù)要與之后進(jìn)行圖像采集的放大倍數(shù)保持一致，不然最終獲取的坐標(biāo)會(huì)與實(shí)際有較大的差距。還有模板匹配過程中，要對(duì)算子參數(shù)進(jìn)行多次調(diào)整，已到達(dá)最佳匹配的效果。參考文獻(xiàn)[1]陳之射,尹芳曄.機(jī)器視覺和人工智能的現(xiàn)代化發(fā)展分析[J].中國(guó)新通信,2023,25(02):36-38.[2]機(jī)器視覺前景看好2016年市場(chǎng)規(guī)模將達(dá)38億元[J].自動(dòng)化與儀表,2014,29(04):35.[3]吳巧明.玻璃蓋板視覺測(cè)量系統(tǒng)關(guān)鍵技術(shù)研究[D].廈門大學(xué)2021.D01:10.27424/ki.gxmdu.[4]