一種手機(jī)底板連接器缺陷檢測(cè)方法
【專利摘要】本發(fā)明提供一種手機(jī)底板連接器缺陷檢測(cè)方法，包括以下步驟：步驟1，制作標(biāo)準(zhǔn)的手機(jī)底板連接器灰度圖像模板；步驟2，對(duì)待測(cè)試圖像進(jìn)行預(yù)處理和灰度變換；步驟3，分別對(duì)測(cè)試圖像和模板進(jìn)行SURF算法處理獲取特征點(diǎn)和仿射變化，用最近鄰匹配法匹配特征點(diǎn)；步驟4，用RANSAC模型來(lái)消除誤匹配特征點(diǎn)；步驟5，根據(jù)仿射矩陣將待測(cè)試圖像轉(zhuǎn)換到模板尺度空間上，得到一副新圖像；步驟6，分別對(duì)矯正后的測(cè)試圖像和標(biāo)準(zhǔn)圖像進(jìn)行二值化，并將二值化圖像進(jìn)行相減；步驟7，對(duì)差值圖像進(jìn)行形態(tài)學(xué)處理，判斷測(cè)試圖像是否為合格，如果有缺陷，標(biāo)記缺陷位置。該方法能夠有效地檢測(cè)出待測(cè)樣品中的缺陷，并準(zhǔn)確地定位缺陷位置。
【專利說(shuō)明】
一種手機(jī)底板連接器缺陷檢測(cè)方法
技術(shù)領(lǐng)域
[0001]本發(fā)明涉及一種缺陷檢測(cè)技術(shù)，特別是一種手機(jī)底板連接器缺陷檢測(cè)方法。
【背景技術(shù)】
[0002]隨著信息社會(huì)的不斷發(fā)展，手機(jī)成為人們獲取信息的常用工具。在手機(jī)的生產(chǎn)過(guò)程中，connector (連接器)起著連接手機(jī)各個(gè)模塊的作用。連接器主要是通過(guò)特定地模具生產(chǎn)出來(lái)的，不可避免地會(huì)出現(xiàn)污漬、漏印、掉銅等問(wèn)題，傳統(tǒng)的人工檢測(cè)由于其檢測(cè)量大、人力成本高、速度慢、不可避免的出現(xiàn)漏檢錯(cuò)檢等問(wèn)題不能得到令人滿意的結(jié)果。
[0003]近年來(lái)，隨著計(jì)算機(jī)技術(shù)和圖像處理技術(shù)的發(fā)展，基于PC機(jī)的圖像檢測(cè)技術(shù)越來(lái)越多的應(yīng)用到工業(yè)生產(chǎn)的各個(gè)環(huán)節(jié)。其檢測(cè)方法是圖像傳感器采集到待測(cè)圖像與模板圖像通過(guò)匹配濾波后進(jìn)行相減得到差值圖像，最后判斷缺陷圖像。這種檢測(cè)方法也為手機(jī)連接器的缺陷檢測(cè)提供了可能。但由于受到環(huán)境的限制，采集到的圖像難免會(huì)出現(xiàn)小范圍的偏移、旋轉(zhuǎn)和縮放，如果不能有效的處理這些問(wèn)題，就會(huì)造成錯(cuò)誤的匹配和檢測(cè)。在傳統(tǒng)的檢測(cè)系統(tǒng)中，檢測(cè)算法是在PC上運(yùn)行和顯示，這種檢測(cè)系統(tǒng)存在設(shè)備成本高、體積大和便攜性差等缺點(diǎn)。因此，提供一種便攜式、操作簡(jiǎn)單、價(jià)格低廉和高效的檢測(cè)算法的缺陷檢測(cè)裝置是急需解決的冋題。
[0004]本發(fā)明是一種基于ARM+DSP架構(gòu)的檢測(cè)系統(tǒng)，采用SURF(Speeded Up RobustFeature，快速魯棒特征)和RANSAC(RANdom SAmple Consensus ,RANSAC)模型算法的手機(jī)底板連接器缺陷自動(dòng)檢測(cè)方法，該系統(tǒng)通過(guò)ARM觸發(fā)DSP處理器來(lái)控制圖像的采集，采集到的圖像通過(guò)模數(shù)轉(zhuǎn)換后輸入到DSP圖像處理單元進(jìn)行算法處理，以標(biāo)準(zhǔn)樣品為模板，利用SURF快速特征點(diǎn)檢測(cè)算法分別檢測(cè)出特征點(diǎn)，再通過(guò)RANSAC模型算法消除誤匹配特征點(diǎn)，通過(guò)匹配后的矯正圖像與標(biāo)準(zhǔn)模板圖像相減得到差值圖像，最后通過(guò)形態(tài)學(xué)處理消除孤立點(diǎn)，對(duì)最終的差值圖像進(jìn)行判斷并標(biāo)記。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的在于針對(duì)基于ARM+DSP架構(gòu)的手機(jī)提供一種手機(jī)底板連接器缺陷檢測(cè)方法，該方法能夠有效地檢測(cè)出待測(cè)樣品中的缺陷，并準(zhǔn)確地定位缺陷位置。該方法包括以下步驟:
[0006]步驟I，制作標(biāo)準(zhǔn)的手機(jī)底板連接器灰度圖像模板；
[0007]步驟2，對(duì)待測(cè)試圖像進(jìn)行預(yù)處理和灰度變換；
[0008]步驟3，分別對(duì)測(cè)試圖像和模板進(jìn)行SURF算法處理獲取特征點(diǎn)和仿射變化，用最近鄰匹配法匹配特征點(diǎn)；
[0009]步驟4，用RANSAC模型來(lái)消除誤匹配特征點(diǎn)；
[0010]步驟5，根據(jù)仿射矩陣將待測(cè)試圖像轉(zhuǎn)換到模板尺度空間上，得到一副新圖像；
[0011]步驟6，分別對(duì)矯正后的測(cè)試圖像和標(biāo)準(zhǔn)圖像進(jìn)行二值化，并將二值化圖像進(jìn)行相減；
[0012]步驟7，對(duì)差值圖像進(jìn)行形態(tài)學(xué)處理，判斷測(cè)試圖像是否為合格，如果有缺陷，標(biāo)記缺陷位置。
[0013]采用上述方法，步驟3中所述的對(duì)測(cè)試圖像和模板進(jìn)行SURF算法處理獲取特征點(diǎn)的具體過(guò)程為:
[OOM] 步驟3.1，構(gòu)建Hessian矩陣，基于Hessian矩陣行列式的局部最大值來(lái)篩選在I =(x，y)處的極值；
[0015]步驟3.2，于所有極值點(diǎn)中挑選特征點(diǎn)；
[0016]步驟3.3，采用基于半徑為6s的領(lǐng)域內(nèi)像素值的χ方向和y方向的haar小波響應(yīng)值描述特征點(diǎn)向量，s為特征點(diǎn)所在的尺度值；
[0017]步驟3.4，設(shè)置一個(gè)閾值T，基于歐氏距離匹配特征點(diǎn)，當(dāng)歐氏距離〈T時(shí)，該對(duì)特征點(diǎn)做為一對(duì)匹配特征點(diǎn)。
[0018]本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點(diǎn):(I)本發(fā)明提供的基于SURF算法的手機(jī)底板連接器缺陷自動(dòng)檢測(cè)方法，能夠快速準(zhǔn)確地檢測(cè)缺陷并定位位置；(2)本發(fā)明提供的基于SURF算法的手機(jī)底板連接器缺陷自動(dòng)檢測(cè)方法，對(duì)發(fā)生旋轉(zhuǎn)、偏移和縮放的測(cè)試圖像同樣具有很好的處理效果。
[0019]下面結(jié)合說(shuō)明書附圖對(duì)本發(fā)明作進(jìn)一步描述。
【附圖說(shuō)明】
[0020]圖1是本發(fā)明實(shí)施方式提供的一種手機(jī)底板連接器缺陷檢測(cè)示意圖。
[0021]圖2是本發(fā)明提供的一種基于SURF和RANSAC模型算法提取特征點(diǎn)并匹配的具體過(guò)程不意圖。
【具體實(shí)施方式】
[0022]圖1是本發(fā)明實(shí)施方式提供的一種手機(jī)底板連接器缺陷檢測(cè)示意圖，包括圖像采集器、DSP圖像處理器14、ARM處理器15、觸摸顯示器11、共享RAM17以及存儲(chǔ)16，圖像采集器包括CCD12和A/D轉(zhuǎn)換13。所述ARM處理器15分別和所述DSP圖像處理器14、觸摸顯示器11、共享RAM17、存儲(chǔ)16相連，所述DSP圖像處理器14與(XD12、A/D轉(zhuǎn)換13相連。
[0023]所述DSP圖像處理器14根據(jù)ARM處理器15的啟動(dòng)指令來(lái)控制圖像采集器的啟動(dòng);所述DSP圖像處理器14將處理的結(jié)果放入共享RAMl 7中，并觸發(fā)ARM處理器15;所述ARM處理器15根據(jù)DSP圖像處理器14的觸發(fā)信號(hào)讀取共享RAM17中的數(shù)據(jù);所述ARM處理器15通過(guò)觸摸顯示器11顯示結(jié)果和存儲(chǔ)16。
[0024]其中ARM處理器搭載Linux系統(tǒng)，ARM處理器實(shí)時(shí)檢測(cè)觸摸顯示屏上的啟動(dòng)命令作用于DSP圖像處理器，圖像采集器采集相應(yīng)的圖像，并將圖像發(fā)送給DSP圖像處理器，再由DSP圖像處理器進(jìn)行缺陷檢測(cè)處理，并將檢測(cè)結(jié)果信息發(fā)送至共享RAM并觸發(fā)ARM處理器，最后由ARM處理器將檢測(cè)結(jié)果觸摸顯示屏上，該系統(tǒng)集成度高、便攜性好、操作簡(jiǎn)單。
[0025]基于上述系統(tǒng)的一種基于ARM+DSP的手機(jī)底板連接器自動(dòng)缺陷檢測(cè)方法(如圖2所示)，包括如下步驟:
[0026]步驟101，實(shí)時(shí)采集的圖像作為輸入源；
[0027]步驟102，對(duì)待檢驗(yàn)樣品圖像進(jìn)行預(yù)處理，所述對(duì)待檢驗(yàn)樣品的預(yù)處理是采用直方圖均衡化方法對(duì)圖像進(jìn)行非線性拉伸，重新分配圖像像素值，使一定范圍內(nèi)(0-255)的像素值大致相同，即每一個(gè)像素值對(duì)應(yīng)像素個(gè)數(shù)相同。
[0028]步驟103，將預(yù)處理后的圖像通過(guò)灰度轉(zhuǎn)換算法轉(zhuǎn)換成256階的灰度圖像；
[0029]步驟104，輸入標(biāo)準(zhǔn)模板灰度圖像樣品，所述的模板圖是篩選的無(wú)缺陷的標(biāo)準(zhǔn)圖像；
[0030]步驟105，通過(guò)SURF算法分別求得模板圖和待測(cè)圖的特征點(diǎn)和仿射變化，并描述向量;然后利用最近鄰匹配法匹配特征點(diǎn)，具體實(shí)施步驟如下:
[0031 ] (I)構(gòu)建Hessian矩陣，并利用Hessian矩陣行列式的局部最大值來(lái)篩選在I = (χ，y)處極值，比較I處和周圍26點(diǎn)像素的極值，只有比周圍的26個(gè)像素都大，才確認(rèn)為極值點(diǎn)；
[0032](2)于所有極值點(diǎn)中挑選特征點(diǎn)；
[0033](3)確定特征點(diǎn)描述向量，采用基于半徑為6s(s為特征點(diǎn)所在的尺度值)的領(lǐng)域內(nèi)像素值的χ方向和y方向的haar小波響應(yīng)值來(lái)描述，按照主方向選取20s X 20s的正方形區(qū)域，將該區(qū)域劃分為16個(gè)子區(qū)域。分別對(duì)每個(gè)子區(qū)域計(jì)算25個(gè)空間歸一化的采樣點(diǎn)的haar小波響應(yīng)，并對(duì)每個(gè)子區(qū)域分別計(jì)算Σ dx、Σ dy、Σ dx U Σ dy，這樣每個(gè)特征點(diǎn)就將得到一個(gè)64維的矢量，最后對(duì)矢量進(jìn)行歸一化，其中Σ(1Χ、Σ(^、Σ |dx|、Σ |dy I分別為χ方向像素值之和、y方向像素值之和、χ方向像素值絕對(duì)值之和、y方向像素值絕對(duì)值之和；
[0034](4)利用歐氏距離匹配特征點(diǎn)，設(shè)置一個(gè)閾值T，當(dāng)歐氏距離〈T時(shí)，就把它們當(dāng)做一對(duì)匹配點(diǎn)；
[0035](5)所述仿射變化H的獲取方法為:設(shè)某一原始坐標(biāo)為Xo =(xo,yo),經(jīng)過(guò)某種仿射變換后變?yōu)閄= (x，y)，公式如X = HXo,從已經(jīng)匹配好的特征點(diǎn)中隨機(jī)抽取3對(duì)匹配樣本，并根據(jù)這三組的相互匹配好的特征點(diǎn)計(jì)算一組仿射變換H;
[0036]步驟106，RANSAC算法是采用迭代的方式從一組包含離群的被觀測(cè)數(shù)據(jù)中估算出數(shù)學(xué)模型的參數(shù)，RANSAC是一個(gè)非確定性算法，在某種意義上說(shuō)，它會(huì)產(chǎn)生一個(gè)在一定概率下合理的結(jié)果，通過(guò)多次的迭代會(huì)使概率增加，該模型能很好的消除誤匹配；
[0037]步驟107，將待測(cè)試樣品圖像通過(guò)仿射矩陣H轉(zhuǎn)換到模板尺度空間上，得到一副新圖像；
[0038]步驟108，分別將變換后的待測(cè)試樣品圖像和標(biāo)準(zhǔn)模板圖像進(jìn)行二值化并將2圖相減得到差值圖像；
[0039]步驟109，差值圖像會(huì)有不同程度的噪聲，采用數(shù)學(xué)形態(tài)學(xué)處理(包括膨脹和腐蝕)用來(lái)消除一些孤立點(diǎn)；
[0040]步驟110，根據(jù)步驟109之后的圖像判斷該待測(cè)試樣品圖像是否為缺陷，若存在較大區(qū)域?yàn)榘咨c(diǎn)，說(shuō)明樣品圖像存在缺陷。
【主權(quán)項(xiàng)】
1.一種手機(jī)底板連接器缺陷檢測(cè)方法，其特征在于，包括以下步驟: 步驟I，制作標(biāo)準(zhǔn)的手機(jī)底板連接器灰度圖像模板； 步驟2，對(duì)待測(cè)試圖像進(jìn)行預(yù)處理和灰度變換； 步驟3，分別對(duì)測(cè)試圖像和模板進(jìn)行SURF算法處理獲取特征點(diǎn)和仿射變化，用最近鄰匹配法匹配特征點(diǎn)； 步驟4，用RANSAC模型來(lái)消除誤匹配特征點(diǎn)； 步驟5，根據(jù)仿射矩陣將待測(cè)試圖像轉(zhuǎn)換到模板尺度空間上，得到一副新圖像； 步驟6，分別對(duì)矯正后的測(cè)試圖像和標(biāo)準(zhǔn)圖像進(jìn)行二值化，并將二值化圖像進(jìn)行相減； 步驟7，對(duì)差值圖像進(jìn)行形態(tài)學(xué)處理，判斷測(cè)試圖像是否為合格，如果有缺陷，標(biāo)記缺陷位置。2.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟2中所述的預(yù)處理的過(guò)程為采用直方圖均衡化方法對(duì)測(cè)試圖像進(jìn)行非線性拉伸，重新分配圖像像素值，使一定范圍內(nèi)的像素值相同。3.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟3中所述的對(duì)測(cè)試圖像和模板進(jìn)行SURF算法處理獲取特征點(diǎn)的具體過(guò)程為: 步驟3.1，構(gòu)建Hessian矩陣，基于Hessian矩陣行列式的局部最大值來(lái)篩選在I = (x,y)處的極值； 步驟3.2，于所有極值點(diǎn)中挑選特征點(diǎn)； 步驟3.3，采用基于半徑為6s的領(lǐng)域內(nèi)像素值的X方向和y方向的haar小波響應(yīng)值描述特征點(diǎn)向量，s為特征點(diǎn)所在的尺度值； 步驟3.4，設(shè)置一個(gè)閾值T，基于歐氏距離匹配特征點(diǎn)，當(dāng)歐氏距離〈T時(shí)，該對(duì)特征點(diǎn)做為一對(duì)匹配特征點(diǎn)。4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述步驟3.1的具體過(guò)成為:比較I處和周圍26點(diǎn)像素的極值，當(dāng)I處極值比周圍的26個(gè)像素均大，才確認(rèn)為該I處的極值點(diǎn)。5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟3.3的具體過(guò)程為: 步驟3.3.1，按照主方向選取20s X20s的正方形區(qū)域，將該區(qū)域劃分為16個(gè)子區(qū)域； 步驟3.3.2，分別對(duì)每個(gè)子區(qū)域計(jì)算25個(gè)空間歸一化的采樣點(diǎn)的haar小波響應(yīng)； 步驟3.3.3，對(duì)每個(gè)子區(qū)域分別計(jì)算Xdx、Xdy、Σ | dx |、Σ dy，使每個(gè)特征點(diǎn)獲得一個(gè)64維的矢量，最后對(duì)矢量進(jìn)行歸一化，其中Σ(1χ、Xdy、Σ | dx |、Σ |dy|分別為χ方向像素值之和、y方向像素值之和、χ方向像素值絕對(duì)值之和、y方向像素值絕對(duì)值之和。
【文檔編號(hào)】G06T7/00GK105976389SQ201610341430
【公開日】2016年9月28日
【申請(qǐng)日】2016年5月20日
【發(fā)明人】伏長(zhǎng)虹, 羅云宜, 朱健, 豆彩霞, 左悅
【申請(qǐng)人】南京理工大學(xué)