機(jī)器視覺技術(shù)及應(yīng)用- 課件

1、缺陷檢測的分類方法 瑕疵缺陷檢測 劃痕檢測 焊點(diǎn)檢測與分類方法 第6章 缺陷檢測技術(shù)主要內(nèi)容第6章 缺陷檢測技術(shù)缺陷檢測在現(xiàn)代工業(yè)連續(xù)、大批量自動(dòng)化生產(chǎn)中起著重要的作用，它涉及到各種各樣的工件檢查、測量和分類等應(yīng)用，如檢測工件的表面是否有劃痕、印刷品形體是否有缺陷，IC字符印刷是否完整、電路板焊點(diǎn)是否完善、飲料瓶蓋的畫面是否完整等。6.1 缺陷檢測的分類方法產(chǎn)品缺陷的檢測方法可以分為三種：傳統(tǒng)的人工檢測方法，顯然這種方法的效率和精度都是比較低的，無法達(dá)到“零缺陷”的要求采用機(jī)械儀器裝置與產(chǎn)品接觸性的檢測方法，此類方法雖然能滿足產(chǎn)品檢驗(yàn)需要，但存在檢測設(shè)備的制造代價(jià)高、靈活性差、速度慢等缺點(diǎn)基于

2、機(jī)器視覺的缺陷檢測方法，即利用圖像處理和分析來進(jìn)行產(chǎn)品的缺陷檢測 6.1 缺陷檢測的分類方法 缺陷檢測系統(tǒng)的核心是缺陷檢測分類軟件，它對(duì)攝像機(jī)捕捉到的材料表面圖像進(jìn)行分類整理，找到存在的缺陷，定位、識(shí)別和判斷，進(jìn)而進(jìn)行分級(jí)分類。6.1 缺陷檢測的分類方法 1）Naive Bayes（樸素貝葉斯）方法前提假設(shè) ：在給定樣本的情況下，樣本的屬性是相互獨(dú)立的。 假設(shè) 為一任意測試樣本，屬于 中的某一類 。根據(jù)NB分類法有： 6.1 缺陷檢測的分類方法 對(duì) 進(jìn)行分類就是按照上式計(jì)算樣本類在給定情況下的概率，概率值最大的那個(gè)類就是 所在的類，也就是： 如果 對(duì)于給定分類樣本和測試樣本，用NB法分類的關(guān)鍵

3、就是計(jì)算 和 ，也就是建立分類模型。 根據(jù) 計(jì)算方式的不同，可以將NB法分為最大似然模型，多項(xiàng)式模型，泊松模型等。 6.1 缺陷檢測的分類方法 2）kNN方法 （ k-Nearest Neighbor）對(duì)于某一給定的測試樣本d，在訓(xùn)練樣本集中，通過相似度找到與之最相似的k個(gè)訓(xùn)練樣本，如果在這k個(gè)樣本中，有多個(gè)樣本屬于同一個(gè)類，則該類的分值為這些樣本與測試樣本之間的相似度之和。對(duì)這k個(gè)樣本所屬類的分值統(tǒng)計(jì)完畢后，即按分值進(jìn)行排序，只有分值超過閾值的類才予以考慮。6.1 缺陷檢測的分類方法 形式化表示為： 其中， ， 為閾值， 為 d 和 的相似度， 為測試樣本 d 屬于 類的分值。 6.1 缺陷

4、檢測的分類方法 3）支持向量機(jī)（SVM）方法支持向量機(jī)基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，將原始數(shù)據(jù)集合壓縮到支持向量集合，學(xué)習(xí)得到分類決策函數(shù)?；舅枷胧菢?gòu)造一個(gè)超平面作為決策平面，使正負(fù)模式之間的空白最大。 6.2 瑕疵缺陷檢測從瑕疵缺陷圖像的特點(diǎn)開始，介紹圖像差分法、瑕疵缺陷圖像的特征提取與選擇、灰度形態(tài)學(xué)的瑕疵缺陷檢測等缺陷檢測的基本算法，以及這些算法在實(shí)際生產(chǎn)中的應(yīng)用實(shí)例。6.2.1 瑕疵缺陷圖像特點(diǎn)檢測產(chǎn)品存在缺陷時(shí)，其圖像表現(xiàn)為缺陷處的灰度值與標(biāo)準(zhǔn)圖像在此處的灰度值有差異。將瑕疵缺陷圖像的灰度值同標(biāo)準(zhǔn)圖像的灰度值進(jìn)行比較，判斷其差值（兩幅圖灰度值的相差程度）是否超出已預(yù)先設(shè)定的閾值范圍，就能

5、判斷出待檢測產(chǎn)品缺陷是否存在。 6.2.1 瑕疵缺陷圖像特點(diǎn)瑕疵缺陷檢測流程6.2.2 瑕疵缺陷檢測算法1. 缺陷圖像的差分算法 圖像差分法就是圖像的相減運(yùn)算，實(shí)際上就是將同一景物在不同時(shí)間拍攝的圖像或同一景物在不同波段的圖像相減，差分后得到的結(jié)果圖像提供了圖像間的差異信息。圖像差分法能用于視頻監(jiān)控、運(yùn)動(dòng)目標(biāo)檢測和跟蹤、圖像背景消除以及目標(biāo)識(shí)別等領(lǐng)域。 設(shè)模板圖像為T( i, j)，待檢圖像為S( i, j)，匹配相減后的圖 像（稱之為差分圖像）為D(i , j)，則有：基于圖像差分法的缺陷檢測流程1）有效檢測區(qū)域的設(shè)定 2）圖像配準(zhǔn)與剪裁 3）設(shè)定差分閾值 4）缺陷位置的判別 6.2.2 瑕

6、疵缺陷檢測算法2. 缺陷圖像的特征提取與選擇 特征提取 灰度值特征 灰度差特征 直方圖特征 變換系數(shù)特征 線條和角點(diǎn)的特征 灰度邊緣特征 紋理特征 6.2.2 瑕疵缺陷檢測算法（1）主成分分析（PCA）主成分分析方法應(yīng)用線性代數(shù)中的KL變換將原始特征空間映射到一個(gè)低維的正交空間，設(shè) 為訓(xùn)練樣本的n個(gè)p維特征向量，這時(shí)得到協(xié)方差矩陣： 它的前 個(gè)最大的特征值及其對(duì)應(yīng)的特征向量分別為 和 。 e為新特征空間的基向量，維數(shù)為q。訓(xùn)練集的 映射到新特征空間以后，得到q維特征向量集 ，實(shí)現(xiàn)了特征降維， ， 。 特征選擇 6.2.2 瑕疵缺陷檢測算法對(duì)于給定的 矩陣X，其數(shù)據(jù)維數(shù)可以通過將其映射到一個(gè)低維

7、（r維，rn）的子空間而減少，這個(gè)映射由一組隨機(jī)向量確定： （2）隨機(jī)映射（RP） 對(duì)于任意 與整數(shù)n，設(shè)r為正整數(shù)，且使得： 6.2.2 瑕疵缺陷檢測算法則對(duì)于 中的n個(gè)點(diǎn)的集合W，存在一個(gè)映射 ，使得對(duì)所有的 ：引理說明高維歐式空間可以映射到一個(gè) 維子空間，使得點(diǎn)間距離對(duì)于任意 能近似保留。而且，這個(gè)映射可以在多項(xiàng)式時(shí)間內(nèi)找到。 （3）非負(fù)矩陣分解（NMF）非負(fù)矩陣分解方法將一個(gè)非負(fù)的矩陣 分解成左右兩個(gè)非負(fù)矩陣 和 的乘積，使得： 其中r通常比m和n都要小得多。這樣， 就可以看作是對(duì)V進(jìn)行線性估計(jì)而優(yōu)化了的基向量。用相對(duì)少的（r個(gè)）基表示許多（m個(gè)）觀測數(shù)據(jù)（rm）。如果這些基 能揭示出

8、隱藏在 中的數(shù)據(jù)結(jié)構(gòu)，就可獲得對(duì)觀測數(shù)據(jù) 好的估計(jì) 。 6.2.2 瑕疵缺陷檢測算法6.2.2 瑕疵缺陷檢測算法 灰度形態(tài)學(xué)的缺陷檢測方法 數(shù)學(xué)形態(tài)學(xué)是非線性圖像處理中的一種重要方法，二值圖像和灰度圖像處理。和二值形態(tài)學(xué)一樣，灰度數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算也有膨脹、腐蝕、開啟和閉合，其中利用膨脹和腐蝕的組合可構(gòu)成開啟和閉合，而利用開啟和閉合又可構(gòu)成形態(tài)濾波器。 在灰度圖像的形態(tài)分析中，結(jié)構(gòu)元素可以是任何的三維結(jié)構(gòu)，常用的有圓錐、圓柱、半球或拋物線。模板尺寸總是奇數(shù)，這樣模板中心正好對(duì)應(yīng)一個(gè)像素。 6.2.2 瑕疵缺陷檢測算法膨脹灰度圖像的結(jié)果是，比背景亮的部分得到擴(kuò)張，而比背景暗的部分受到收縮。 腐

9、蝕灰度圖像的結(jié)果是，比背景暗的部分得到擴(kuò)張，而比背景亮的部分受到收縮。開啟一幅圖像可消除圖中的孤島或尖峰等過亮的點(diǎn)。閉合可將比背景暗且尺寸比結(jié)構(gòu)元素小的結(jié)構(gòu)除掉。 形態(tài)濾波器是非線性信號(hào)濾波器，它通過變換來局部地修改信號(hào)的幾何特征。將開啟和閉合結(jié)合起來可以消除噪聲。如果用一個(gè)小的結(jié)構(gòu)元素先開啟再閉合一幅圖像，就有可能將圖像中小于結(jié)構(gòu)元素的類似噪聲結(jié)構(gòu)除去。6.2.3 應(yīng)用實(shí)例飲料瓶蓋的缺陷檢測最終要實(shí)現(xiàn)生產(chǎn)流水作業(yè)上的高速質(zhì)量判定，要求速度快，并且無須確定缺陷位置。采用基于灰度直方圖的特征提取方法，對(duì)兩幅待對(duì)比的RGB圖像（標(biāo)準(zhǔn)圖與檢測圖）灰度轉(zhuǎn)換后進(jìn)行灰度直方圖統(tǒng)計(jì)，運(yùn)用統(tǒng)計(jì)方法進(jìn)行對(duì)比，得

10、到兩幅圖像的特征差異值，閾值法判定合格與否。在統(tǒng)計(jì)法對(duì)比過程中，利用灰度均值截?cái)嗟募记煞糯罂赡苡扇毕菀鸬幕叶炔町?，提高了缺陷判定的?zhǔn)確度。6.2.3 應(yīng)用實(shí)例TimerBegin(time_begin);/計(jì)時(shí)開始Readimage(bottle02.bmp,rgbimage_std);/讀取圖像ConvertDepth24to8(rgbimage_std,rgb2grayimage_std);/24位圖轉(zhuǎn)成8位灰度圖Readimage(bottle11.bmp,rgbimage_defect);ConvertDepth24to8(rgbimage_defect,rgb2grayimage_

11、defect);GraystatDefect(rgb2grayimage_std, rgb2grayimage_defect,10,result);showimage(rgbimage_defect);if(result=1);GenText(5,5,50,合格,black); endif();if(result=0);GenText(5,5,50, 不合格,black); endif();TimerEnd(time_begin,time_result);/計(jì)時(shí)結(jié)束XAVIS程序代碼如下：6.2.3 應(yīng)用實(shí)例電路板布線缺陷檢測 對(duì)于一幅大小為1100870、灰度級(jí)為256的電路板灰度圖像，其布

12、線缺陷分為斷線和毛刺，利用灰度形態(tài)學(xué)檢測這些缺陷。取結(jié)構(gòu)元素為55的半球模板，首先對(duì)原圖灰度開啟，消除比鄰域亮且尺寸比結(jié)構(gòu)元素小的區(qū)域；然后對(duì)原圖灰度閉合，消除比鄰域暗且尺寸比結(jié)構(gòu)元素小的區(qū)域，兩次結(jié)果差異即為缺陷。 6.2.3 應(yīng)用實(shí)例XAVIS程序代碼如下：Readimage(pcb.bmp,image);/讀取圖像showimage(image);gray_erosion(image,5,image1);/灰度腐蝕gray_dilation(image1,5,image2); /灰度膨脹showimage(image2);gray_dilation(image,5,image3); /灰

13、度膨脹gray_erosion(image3,5,image4); /灰度腐蝕showimage(image4);dyn_threshold(image2,image4,75,image5,not_equal); /動(dòng)態(tài)閾值showimage(image);show_result(image,3,green,image5);/結(jié)果輸出6.2.3 應(yīng)用實(shí)例灰度膨脹：gray_dilation(Image, Size, ImageDilation)；參數(shù)說明：Image：輸入灰度圖Size：半圓模板尺寸（1-211之間的奇數(shù)）ImageDilation：輸出膨脹結(jié)果圖灰度腐蝕：gray_erosi

14、on(Image, Size, ImageErosion)；參數(shù)說明：Image：輸入灰度圖Size：半圓模板尺寸（1-211之間的奇數(shù)）ImageErosion：輸出腐蝕結(jié)果圖6.2.3 應(yīng)用實(shí)例動(dòng)態(tài)閾值函數(shù)功能：比較輸入的兩幅灰度圖的不同，輸出其比較結(jié)果調(diào)用格式：dyn_threshold(CDib Image,CDib ImageMean,int Offset,CDib ImageOutput,CString LightDark)；參數(shù)說明：Image：輸入灰度圖1（假設(shè)其灰度值為g_o）ImageMean：輸入灰度圖2（假設(shè)其灰度值為g_t）Offset：偏移量ImageOutput：

15、輸出結(jié)果圖LightDark：比較模式選擇dark：滿足g_og_o) | (g_og_t+offset) 的輸出為白，否則為黑equal; 滿足(g_t-offset)=g_o) & (g_o=g_t+offset的輸出為白，否則為黑6.2.3 應(yīng)用實(shí)例結(jié)果輸出函數(shù)功能：限制圖中為白的地方，在對(duì)應(yīng)位置處的輸入圖中標(biāo)示出來調(diào)用格式：show_result(CDib Image,int PenWidth,CString PenColor,CDib ImageResult)；參數(shù)說明：Image：輸入灰度圖PenWidth：線寬（1-3）PenColor：顏色（6種：white，black，gra

16、y，red，blue，green）ImageResult：輸入限制圖6.3 劃痕檢測 劃痕檢測是工業(yè)生產(chǎn)中經(jīng)常遇到的問題，工業(yè)中許多設(shè)備的零部件是在高溫、高壓的環(huán)境中工作的，所受載荷復(fù)雜，使用環(huán)境惡劣，故障頻率高，造成的后果非常嚴(yán)重，因此，對(duì)有關(guān)部件的缺陷、疲勞裂紋的產(chǎn)生、擴(kuò)展進(jìn)行檢測就尤為必要。劃痕檢測的基本分析過程分為兩步：首先，確定檢測產(chǎn)品表面是否有劃痕，其次，在確定被分析圖像上存在劃痕之后，對(duì)劃痕進(jìn)行提取。6.3.1 劃痕圖像的特點(diǎn)由于在工業(yè)檢測中圖像的多樣性，對(duì)于每一種圖像，都要經(jīng)過分析綜合考慮各種手段來進(jìn)行處理達(dá)到效果。一般來說，劃痕部分的灰度值和周圍正常部分相比要暗，也就是劃痕部

17、分灰度值偏??；而且，大多都是在光滑表面，所以整幅圖的灰度變化總體來說非常均勻，缺乏紋理特征。因此，劃痕的檢測一般使用基于統(tǒng)計(jì)的灰度特征或者閾值分割的方法將劃痕部分標(biāo)出。 6.3.1 劃痕圖像的特點(diǎn)劃痕的檢測一般使用基于統(tǒng)計(jì)的灰度特征或者閾值分割的方法將劃痕部分標(biāo)出6.3.2 劃痕檢測算法 圖像中目標(biāo)的標(biāo)記 1）逐個(gè)點(diǎn)進(jìn)行掃描。從左到右，如果該點(diǎn)的左上，正上和右上及左前方四個(gè)點(diǎn)的像素都不是目標(biāo)，則把它們標(biāo)為1 2）若鄰域X3，X5被分配了同一標(biāo)號(hào)，或者只有其中之一 被分配標(biāo)號(hào)，則把標(biāo)號(hào)分配給X0 3）如果X3，X5分配了不同的標(biāo)號(hào)，則把較小的標(biāo)號(hào)分配給X04）利用等價(jià)表，把圖像中的標(biāo)號(hào)替換成等價(jià)

18、標(biāo)號(hào)中的最小標(biāo)號(hào)像素點(diǎn)的編號(hào)順序，X0是被運(yùn)算點(diǎn)6.3.2 劃痕檢測算法 劃痕特征提取與識(shí)別分類對(duì)于工業(yè)采集圖像劃痕提取的特征可分為兩類：灰度值特征和形狀特征。 分類：首先計(jì)算圖像的最低灰度值和灰度分布情況，然后分析圖像的灰度密度，如果圖像灰度偏低，并且靠近最低灰度值的點(diǎn)數(shù)目比較多，可以認(rèn)為這屬于一幅缺陷很明顯的圖像，屬于第一類劃痕，用較低的閾值來標(biāo)記。如果灰度分布很均勻，同時(shí)有幾個(gè)灰度偏低的點(diǎn)，而這些點(diǎn)的位置又比較集中，可以認(rèn)為是第二類缺陷，如果點(diǎn)的數(shù)目比較多，則屬于第三類圖像。 6.3.2 劃痕檢測算法 for(i=1,8,1);CStringFormat(scratch%d.bmp,i,

19、image_path);/字符串初始化Readimage(image_path,image);showimage(image);sleep(2000);mean_image(image,7,image_mean);/均值濾波dyn_threshold(image,image_mean,5,image_dark,dark);/動(dòng)態(tài)閾值select_area(image_dark,10,1000,image_area);/面積選擇dilation_circle(image_area,3,image_dilated);/圓模板膨脹showimage(image_dilated);sleep(3000

20、);endfor();XAVIS程序代碼如下：6.3.2 劃痕檢測算法 面積選擇函數(shù)功能：選擇滿足面積要求的目標(biāo)輸出（針對(duì)黑色背景白色目標(biāo)的二值圖）調(diào)用格式：select_area(CDib Image,int MinArea,int MaxArea,CDib ImageSeclected)；參數(shù)說明：Image：輸入二值圖（黑色背景白色目標(biāo)）MinArea：最小面積MaxArea：最大面積ImageOutput：輸出選擇后的結(jié)果圖6.3.2 劃痕檢測算法 圓模板膨脹函數(shù)功能：采用圓模板膨脹輸入圖調(diào)用格式：dilation_circle(CDib Image,int Size,CDib Ima

21、geDilation)；參數(shù)說明：Image：輸入二值圖Size：圓模板大小（0-211之間的奇數(shù)）ImageDilation：膨脹后的輸出二值圖對(duì)于第一類劃痕，這種劃痕從外觀上較易辨認(rèn)，同時(shí)灰度變化跟周圍區(qū)域?qū)Ρ纫脖容^明顯。可以選擇較小的閾值H0，將缺陷部分直接標(biāo)記。 第一類圖像缺陷標(biāo)記（a）原圖 （b）標(biāo)記出的劃痕（c）原圖 （d）標(biāo)記出的劃痕（a）原圖 （b）標(biāo)記的劃痕（c）原圖 （d）標(biāo)記的劃痕第二類圖像缺陷標(biāo)記對(duì)于第二類劃痕，部分灰度值變化并不明顯，整幅圖像灰度比較平均，劃痕面積也比較小，只有幾個(gè)像素點(diǎn)，灰度也只比周圍圖像稍低，很難分辨?？梢詫?duì)原圖像進(jìn)行均值濾波，得到較平滑的圖像，并

22、與原圖像相減，當(dāng)其差的絕對(duì)值大于閾值時(shí)就將其置為目標(biāo)，并對(duì)所有的目標(biāo)進(jìn)行標(biāo)記，計(jì)算其面積，將面積過小的目標(biāo)去掉，剩下的就標(biāo)記為劃痕。 對(duì)于第三類劃痕，各部分灰度差異較大，形狀通常呈長條形，如果在一幅圖像上采取固定閾值分割，則標(biāo)記的缺陷部分會(huì)小于實(shí)際部分。由于這類圖像的劃痕狹長，單純依靠灰度檢測會(huì)將缺陷延伸部分漏掉。對(duì)于這類圖像，根據(jù)其特點(diǎn)選擇雙閾值和缺陷形狀特征相結(jié)合的方法，具體如下：1）選取一個(gè)較大的閾值H1將劃痕和背景分割開來2）根據(jù)分割出的缺陷來計(jì)算整幅圖像上劃痕的走向3）選取缺陷中處于兩端的部分，可通過利用方向模板來計(jì)算圖像上劃痕區(qū)域的邊緣，然后對(duì)邊緣追蹤到其端點(diǎn)處4）根據(jù)追蹤的軌跡得

23、到邊緣的走向5）沿著劃痕部分的角度作延伸，并將延伸部分灰度低于一定閾值H2的點(diǎn)也標(biāo)記為待選劃痕6.3.3 應(yīng)用實(shí)例 6.3.3 應(yīng)用實(shí)例 7） 檢查連線上灰度較低的點(diǎn)是否大于一定數(shù)量N，若是則表面待選劃痕點(diǎn)可以被認(rèn)為是在劃痕上，可被標(biāo)記為劃痕6） 在待選劃痕點(diǎn)（x1, y1）和劃痕的端點(diǎn)（x2, y2）之間做連線 。 （a）原圖 （b）標(biāo)記的劃痕第三類圖像缺陷標(biāo)記6.4 焊點(diǎn)檢測與分類方法PCB焊點(diǎn)通常分為兩類：合格焊點(diǎn)（good）和不合格焊點(diǎn)（bad）。而不合格焊點(diǎn)又分為9類：橋接焊點(diǎn)（bridge）、焊料過量焊點(diǎn)（too-much）、焊料不足焊點(diǎn)（too-less）、無引腳焊點(diǎn)（no-le

24、ad）、空焊盤焊點(diǎn)（no-operation）、漏焊焊點(diǎn)（no-solder）、冷焊焊點(diǎn)（pull-off）、拉尖焊點(diǎn)（horn）、不濕潤焊點(diǎn)（no-wet）。 6.4.1 PCB焊點(diǎn)的分類焊點(diǎn)的俯視圖與側(cè)視圖 焊點(diǎn)類型焊點(diǎn)特征合格焊點(diǎn)呈圓錐狀；底部焊錫飽滿，上面焊錫緊裹引腳；在焊盤處，與旁邊的焊點(diǎn)有明顯的間隔（沒有連接）拉尖焊點(diǎn)在頂部或者底部有明顯的拉尖現(xiàn)象，部分焊錫不存在，球形拉尖比較多橋接橋接焊點(diǎn)是拉尖焊點(diǎn)的一種特殊情況，就是由于焊錫過多或者拉尖過大，焊點(diǎn)與旁邊的焊點(diǎn)有連接焊料過量焊點(diǎn)的形狀近似球狀，這是由于焊錫過多引起，和其他焊點(diǎn)沒有橋接焊料不足焊料不足是由于焊錫過少引起的，引腳或者焊

25、盤處焊錫太少，底部形狀跟合格焊點(diǎn)比起來比較癟甚至是平的，或者焊錫不能完全覆蓋引腳無引腳焊點(diǎn)沒有引腳，但是有焊錫空焊盤沒有任何操作的焊點(diǎn)，就是既沒有引腳又沒有焊錫漏焊焊點(diǎn)有引腳，焊盤處沒有焊錫，引腳有極少量或者沒有焊錫冷焊焊點(diǎn)焊錫形狀不對(duì)稱，焊錫偏向某一側(cè)，焊球上一般有孔洞，局部有拉尖現(xiàn)象不濕潤焊點(diǎn)的引腳處焊錫沒有完全包裹引腳或者與引腳分離，焊盤處焊錫沒有接觸焊盤或者沒有完全覆蓋焊盤焊點(diǎn)種類特征6.4.2 焊點(diǎn)檢測與分類算法 算法描述 對(duì)于一幅焊點(diǎn)圖像，首先要將目標(biāo)焊點(diǎn)從背景中分離出來，然后提取特征，再分析每個(gè)特征的均值、標(biāo)準(zhǔn)方差、最大值和最小值，選擇特征，最后根據(jù)所選特征選擇分類器。 6.4.

26、2 焊點(diǎn)檢測與分類算法 焊點(diǎn)圖像處理 對(duì)焊點(diǎn)的圖像處理主要有色彩空間轉(zhuǎn)換、圖像濾波和圖像分割等步驟（a）原圖 （b）裁切圖 （c）中值濾波 （d）二值化 6.4.2 焊點(diǎn)檢測與分類算法 焊點(diǎn)特征提取與選擇 1）亮度歸一化和尺寸歸一化用三個(gè)變量表示一幅灰度圖像： k為(i , j)點(diǎn)的灰度值，f 為兩個(gè)變量的函數(shù)。 亮度歸一化也就是把一幅圖像所有像素點(diǎn)的灰度值除以 ，其中 , 。這樣歸一化后的圖像的灰度值分布在 內(nèi)。 6.4.2 焊點(diǎn)檢測與分類算法 尺寸歸一化就是讓一幅圖像所有的像素值落在-0.5，+0.5 -0.5，+0.5之間。像素值大小取決于 和 ，調(diào)整公式： 2）灰度調(diào)整和中值濾波（1）

27、 灰度值特征（2） 高斯特征（4）對(duì)稱連接特征通過觀察焊點(diǎn)圖像，可以發(fā)現(xiàn)一些焊點(diǎn)的形狀比較對(duì)稱，比如good焊點(diǎn)、too-much焊點(diǎn)，而其他焊點(diǎn)的形狀則不對(duì)稱，比如pull-off焊點(diǎn)、bridge焊點(diǎn)、horn焊點(diǎn)，因此，焊點(diǎn)形狀的對(duì)稱性也可以作為焊點(diǎn)的一個(gè)特征。 （5）二值特征二值圖像非常直觀，處理速度也較快，但是丟失了灰度信息，所以，如果兩個(gè)焊點(diǎn)形狀相似但是亮度不同的話，就很難分開了?？梢杂枚祱D像配合灰度圖像，提高分類的準(zhǔn)確率和運(yùn)算速度。 6.4.2 焊點(diǎn)檢測與分類算法 （3） 慣性特征綜上所述，一共提取27個(gè)特征， ，特征的順序可以隨意排列，沒有什么影響。 特征選擇檢驗(yàn)一個(gè)特征的好

28、壞，首先計(jì)算每類焊點(diǎn)在這個(gè)特征上的均值、標(biāo)準(zhǔn)方差、最大值和最小值，然后畫矩形，其中矩形的高度為標(biāo)準(zhǔn)方差的倒數(shù)，矩形的寬度為最大值與最小值的差，矩形寬的中點(diǎn)x坐標(biāo)為均值。理想特征的表現(xiàn)是矩形很高而且沒有交叉。 6.4.2 焊點(diǎn)檢測與分類算法 ， ， 焊點(diǎn)分類 6.4.2 焊點(diǎn)檢測與分類算法 SVM方法 對(duì)a求解下列函數(shù)的最大值 存在約束條件 分類函數(shù) 如何將10類焊點(diǎn)分開，要考慮每類焊點(diǎn)的特征，在這里，先把焊點(diǎn)分成三類，第一類為good焊點(diǎn)，第二類為no-operation，no-solder和no-lead，剩下的為第三類。因?yàn)榈诙惡更c(diǎn)要么沒有焊錫，要么沒有引腳，或者兩個(gè)都沒有，它們與其他兩類焊點(diǎn)在亮度上有明顯區(qū)別，因此首先將第二類分離出來，然后用閾值分割的辦法將第二類中的三種焊點(diǎn)分開。接下來，使用SVM將第一類和第三類焊點(diǎn)分開，最后用6個(gè)SVM將第三類中