Raspberry Pi'ye dayalı bileşen inceleme sistemi tasarımı
Elektronik ürün endüstrisinin gelişmesiyle birlikte PCB kartlar elektronik ürünlerde önemli bir rol oynamaktadır. Birçok şirket, geleneksel manuel yerleştirme ve kaynak işlerinin çoğunun yerine montaj hattı yerleştirme makineleri ve kaynak makineleri getirmiştir, ancak özellikle manuel yerleştirme için bileşen yerleştirme hataları zaman zaman meydana gelmektedir. İnsan görsel yorgunluğu, fiziksel ve zihinsel yorgunluk vb. Nedenlerle bileşen hataları ve konum uyumsuzluğu gibi sorunlara neden olabilir, bu nedenle PCB bileşenlerinin tespiti çok önemlidir. Sistem, düşük maliyetli ve kolay kullanım özelliklerine sahip donanım platformu olarak Raspberry Pi'yi kullanır.Kurulu Raspberry Pi sistemi, sistem geliştirme süresini kısaltan ve sistem geliştirme maliyetlerinden tasarruf sağlayan bir Python geliştirme platformuna sahiptir.
1 Genel şema tasarımı
Sistem, PCB devre kartı görüntülerini toplamak ve toplanan görüntüleri dijital görüntü işleme teknolojisi ile önceden işlemek için donanım platformu olarak Raspberry Pi'yi kullanır; daha sonra PCB koordinat dosyasını ve bileşenlerin piksel koordinatlarına, boyutuna ve dönüş açısına göre otomatik olarak okuyun Şablon kitaplığının üretimini tamamlayın; nihayet bileşenlerin köşe bilgilerini ve doğru bileşenler olup olmadıklarını belirlemek için görüntü eşleştirme için şablon köşelerini çıkarın; ek olarak, bu makale, kondansatör yüzeyindeki metni çıkarmak ve ardından onu tanımak için görüntü bölümlemenin kullanımını da önerir. Kapasitör yüzeyindeki karakterler tanınır. Sistemin genel blok şeması Şekil 1'de gösterilmektedir.
2 Bileşen inceleme sisteminin uygulanması
2.1 Görüntü ön işleme modülü
Görüntü işleme algoritmalarının genellikle toplanan görüntülerde daha yüksek gereksinimleri vardır.İyi kaliteli görüntüler, görüntü işleme süresini azaltabilir ve görüntü işlemenin verimliliğini artırabilir. Bu makalede kullanılan görüntü ön işleme algoritmaları temel olarak şunları içerir: görüntü renk alanı dönüşümü ve ikilileştirme.
RGB renk uzayı, insan gözünün dış renkleri algılamasına göre oluşturulan temel bir renk modelidir.Kırmızının parlaklık değeri R ile, yeşilin parlaklık değeri G ile ve mavinin parlaklık değeri B ile temsil edilmektedir. Model Şekil 2'de gösterilmiştir. (A) Gösterilmiştir. RGB renk uzayında, makine tarafından görüntülenen görüntü, siyah bir taban plakasında üç renk kırmızı, yeşil ve mavi üst üste binmeye eşdeğerdir. Üç renk değeri 0 ile 255 arasında değişir. Bir görüntüde ise, üç renk Üst üste binen değer 255 ise, görüntü saf beyazdır.
HSV renk alanı temelde Ton, Doygunluk ve Değeri içerir. Modeli Şekil 2 (b) 'de gösterilmektedir ve insan gözünün renk sezgiselliğiyle belirlenir. RGB'den oluşan renk uzayıyla karşılaştırıldığında HSV renk alanı, insan gözü tarafından algılanan renklere daha yakın renkler görüntüleyebilir, bu nedenle HSV renk alanı dijital görüntü işleme alanında daha geniş bir uygulama alanına sahiptir.
Elde edilen görüntüye göre, görüntünün RGB renk modeli kolaylıkla kurulabilir ve ardından RGB ve HSV modelleri arasındaki dönüşümün tamamlanması gerekir. RGB renk alanında, kırmızı VR ile temsil edilir, yeşil VG ile temsil edilir ve mavi VB ile temsil edilir. Üçün maksimum değeri MAX = max {VR, VG, VB} olarak kaydedilir ve üçünün minimum değeri kaydedilir MIN = min {VR, VG, VB} olduğundan iki renk uzayının renk modeli dönüşüm formülü şu şekilde elde edilebilir:
Görüntü ikilileştirme, hedef nesne çıkarma ve özellik çıkarmada önemli bir adımdır Görüntü ikileme, esas olarak gri tonlamalı görüntüyü ikili görüntüye dönüştürmektir, böylece görüntü yalnızca siyah veya beyazın etkisini gösterir.
2.2 PCB görüntü konumlandırma
Toplanan görüntüler için öncelikle bağlantı noktasının konumu belirlenmelidir. Genel olarak, 2 ~ 4 konumlandırma noktası belirlenir ve konumlandırma noktalarının kesin olarak bulunması, görüntü işleme için öncül ve garantidir. Bu makalede tasarlanan konumlandırma noktası, 3 mm çapında bir açık deliktir.Teorik olarak, piksel mesafesi ve gerçek fiziksel boyut hassas konumlandırma sağlayabilir, ancak tasarımda algılama hatası dikkate alınmalıdır. Bu makale, konumlandırma noktasını belirlemek üzere daireyi tespit etmek için Hough dönüşümü yöntemini benimser. Konumlandırma noktası tespitinin akış şeması Şekil 3'te gösterilmektedir.
Sistemin görüntüyü işlemesi için ön koşul, görüntünün konum bilgisini doğru bir şekilde bulmaktır.Bu makalede, algılama için Hough daire algılama yöntemi kullanılmıştır.İlk olarak, ölçülecek görüntüdeki dairenin merkez konumunu ve yarıçapını bulun.Konumlandırma noktasının etrafında çok az girişim vardır veya hiç yoktur. Konumlandırma noktası yarıçapı nispeten büyüktür ve tanımlanması kolaydır. Sistem programlamasını basitleştirmek için, sistem iki tutturma noktası seçer ve bağlantı noktalarını belirlerken yanlış seçim veya çoklu seçim gibi hatalardan kaçınarak bağlantı noktalarının belirli konumunu belirlemek için manuel seçimi kullanır. Aynı ürün grubu için, konumlandırma noktası belirlendikten sonra onu değiştirmeye gerek yoktur. Bu nedenle, bağlantı noktasının konumunun, şablon üretimi sırasında yalnızca bir kez manuel olarak seçilmesi gerekir ve sistem, bağlantı noktasının konum bilgilerini depolamak için otomatik olarak bir veritabanı oluşturacaktır. Test edilecek panoyu konumlandırırken, sadece veri tabanındaki konum noktasının konum bilgisini aramanız ve ardından test edilecek kart üzerindeki konum noktasını belirlemek için bu konumun etrafındaki konum noktasını bulmanız gerekir.
Hough daire tespitinden önce, görüntü önceden işlenmelidir.İşleme sonucunu etkileyebilecek bazı giriş görüntülerini maskelemek için manuel olarak bir maske ekleme yöntemini kullanın.Maskeyi ekledikten sonra giriş görüntüsü ve görüntü Şekil 4'te gösterilmiştir.
Giriş görüntüsüne manuel olarak bir maske ekledikten sonra, görüntünün gri tonlamalı işlemesini başlatın ve konumlandırma noktasında deliğin merkez koordinatlarını ve yarıçapını elde etmek için görüntü üzerinde Hough daire algılama yöntemini kullanın. İşleme sonucu Şekil 5'te gösterilmektedir.
Programın çalışma verimliliği açısından, maskeleri manuel olarak ekleme yöntemi, sistemin çalışma süresinden büyük ölçüde tasarruf sağlayabilir ve işletim sonuçları beklentilerle iyi bir uyum içindedir. Program, bağlantı noktasının konumunu doğru bir şekilde algılamıştır ve yalnızca sabit diskteki bağlantı noktasının merkezinin koordinatlarını ve yarıçapını depolaması gerekir; bu, sistemin sonraki şablon üretiminin ve bileşen algılamasının normal çalışmasını kolaylaştırabilir.
2.3 Görüntü ROI çerçeve üretimi
Bileşen incelemesini gerçekleştirmeden önce, bileşen inceleme işleminde karşılık gelen konumdaki bileşenlerin etkili bir şekilde algılandığından emin olmak için bileşenin konumunu belirlemek için bir ROI çerçevesi yapmak gerekir. Şu anda, ROI kutuları üretimi temelde manuel seçimdir ve bu da ekipmanın çalışma verimliliğini büyük ölçüde sınırlar. Hesaplama verimliliğini artırmak için, bu makale, bileşeni bulmak için PCB bileşeninin koordinat dosyasını doğrudan okuma yöntemini kullanır ve bileşenin ROI çerçevesini belirlemek için bileşenin boyut bilgilerini birleştirir.
PCB bileşen koordinat dosyası ve ilgili paket raporunun doğrudan çıktısını almak için Altium Designer yazılımını kullanın.Piksel uzunluğu ile PCB görüntü kaydında elde edilen fiziksel uzunluk arasındaki ilişkiye göre, bileşenin piksel koordinat sistemindeki konumu, paket boyutu ve diğer bilgiler elde edilebilir. Bileşen paketi raporu, bileşen koordinat dosyası ve bileşen paketi boyutu dosyası Şekil 6 ~ Şekil 8'de gösterilmektedir.
Sistemin ROI kutusu akış şeması Şekil 9'da gösterilmiştir. Programlama tamamlandıktan sonra PCB bileşen görüntüsü test edilir.Sistem ROI kutusunu iyi oluşturabilir ve etki Şekil 10'da gösterilmiştir. Şekil 10 (a) orijinal görüntüdür ve Şekil 10 (b) program çalıştırıldıktan sonra elde edilen bir kapasitörün ROI kutusudur.Şekilde görüntü sınırını göstermek için çevreye siyah bir çerçeve eklenmiştir. Sonraki bileşen çıkarımında, orijinal görüntüyü biriktirmek için yalnızca ROI blok şemasını kullanmanız ve karşılık gelen tek bileşen görüntüsünü elde etmek için parçayı doğrudan 255 ila 255'in ötesine ayarlamanız gerekir.
Bu yöntem, ROI'yi tek tek manuel olarak seçme adımlarını kaydeder.Sistemin ROI çerçeve oluşturma işleminin, onu tamamlamak için yalnızca ROI çerçeve oluşturma programını çalıştırması gerekir ve operatörün, programın işlem sürecini çok ayrıntılı bir şekilde anlamasına gerek yoktur.
2.4 Bileşen algılama algoritması
SIFT'in tam adı, ölçekle değişmeyen özellik dönüştürme algoritmasıdır.SIFT özellik noktalarına dayanan görüntü eşleştirme algoritması, iki resimdeki aynı nesne yer değiştirme, döndürme ve afin dönüşüme sahip olduğunda ve iyi bir eşleştirme etkisine sahip olduğunda görüntü eşleştirme problemini çözebilir. SIFT özelliği nokta tespiti, hedef nesnenin bazı temel noktalarına dayalıdır, bu nedenle hedef nesne görüntüsünün boyutu ve döndürülüp döndürülmemesi ile hiçbir ilgisi yoktur.Görüntüdeki ışık yoğunluğu, gürültü veya görüş açısının SIFT özelliği algılama sonucu üzerindeki etkisi çok açık değildir. Algoritma, görüntünün özellik bilgilerini çıkarır ve eşleştirir, bu da hesaplama miktarını etkili bir şekilde azaltır. Bu nedenle, SIFT algoritmasının nispeten geniş bir uygulama alanı vardır.
Görüntü özelliği noktalarının SIFT çıkarımı kabaca 4 adıma bölünebilir. İlk olarak, ölçek alanı aşırı değer tespiti gerçekleştirin, ardından özellik noktalarını bulun ve son olarak özellik noktalarının ve özellik noktası tanımlayıcılarının yönünü belirleyin.
Şekil 11, öznitelik vektörleri oluşturma sürecini göstermektedir Şekilde seçilen pencere boyutu 8 × 8, orta nokta açıklanması gereken öznitelik noktasıdır ve çevreleyen küçük kareler bu noktaya karşılık gelen komşu pikselleri göstermektedir. Şekil 10 (a) 'daki çok sayıda küçük ok, karşılık gelen pikselin gradyan yönünü gösterir ve gradyan modülünün büyüklüğü, okun uzunluğu ile belirlenir. Şekil 10 (b) 'yi elde etmek için Şekil 10 (a)' daki dairenin aralığına dayalı olarak Gauss ağırlıklandırması gerçekleştirin. Şekil 10 (b) 'deki her karedeki gradyan yönü ve gradyan modülü, Şekil 10 (a)' daki 8 pikselin birikmiş değerleridir. Bu 4 birikmiş nokta, bir anahtar nokta tanımını sentezlemek için elde edilmiştir. 32 = 4 × 8 boyutlarında bir SIFT özellik vektörü elde edilir. Bu yöntem, SIFT algoritmasının mahalle yön bilgisi entegrasyonu süreci yoluyla gürültüye direnme yeteneğini geliştirir ve konumlandırma hatasından kaynaklanan uyumsuzluk olasılığını daha iyi azaltır.
3 Görüntü eşleştirme testi
SIFT algoritması ile öznitelik noktaları çıkarma işlemi tamamlandıktan sonra yukarıdaki algoritma görüntü eşleştirme testini gerçekleştirmek için kullanılır ve görüntü öznitelik noktalarının sayısı ve eşleşme süresi tespit edilerek test gerçekleştirilir. Şekil 12'nin üç bileşeni test edildi ve sonuçlar Şekil 13-15'te gösterildi. Test sonuçlarının özeti incelendiğinde, SIFT algoritması ile tespit edilen görüntü özelliği noktalarının sayısının görüntünün artmasıyla arttığı görülmektedir.Nesne yer değiştirmesine ve afin dönüşüme belirli bir derecede sağlamlığa ve yüksek kararlılığa sahiptir.Elektronik bileşenlere uygundur. Eşleştirme testi.
4 Patch polar kapasitör karakter tanıma
Yama kapasitörünün karakter tanıma özelliği, resimdeki metni otomatik olarak analiz edip tanıyan ve ayıklayabilen Tesseract-OCR çerçevesine dayanmaktadır. Tesseract-OCR çerçevesi resimdeki karakterleri otomatik olarak tanıyabilse de, resimdeki metin ve arka plan metni tanıma gereksinimlerini karşılamalıdır, aksi takdirde sonuç yalnızca tanınmaz olacaktır. Bu nedenle, çip kapasitörünün resmi için karakter tanıma için Tesseract-OCR çerçevesini doğrudan aramak mümkün değildir.Önce çip kapasitörünün karakter resmi çıkarılmalı ve daha sonra normal bir resim halinde sentezlenmeli ve ardından Tesseract-OCR çerçevesi karakter tanıma için çağrılır. Yama elektrolitik kapasitörün fiziksel resmi Şekil 16'da gösterilmektedir.
Çıkarma işlemini gerçekleştirdikten sonra, çip kapasitörünün yüzeyinin ikili görüntüsünün aşınmasından önce ve sonra, Şekil 17'de gösterildiği gibi, kapasitör yüzeyinin karakterlerini ve dış konturunu içeren ikili bir görüntü elde edilebilir.
Karakter ikili görüntüsünde Gauss filtreleme ve Canny kenar algılama yapılarak görüntünün kenar bilgileri çıkarılır ve çok küçük ve çok büyük alanlara sahip kenar bağlantılı alanlar alan hesaplama formülü ile filtrelenir.Sonuç Şekil 18'de gösterilmiştir. Şekil 18 (a), tüm kenarlar tarafından algılanan bağlı alanların bir etki diyagramıdır ve Şekil 18 (b), bağlı alanların alan filtreleme algoritmasından sonra elde edilen bir karakter kenar görüntüsüdür.
Elde edilen karakter bağlantılı alan haritası üzerinde görüntü bölütleme gerçekleştirin Bölütleme alanı, her bir karakterin bağlantılı alanının sınırlandırılmış dikdörtgenine göre belirlenir.Bölütleme sırası, sol üst köşeden ve son karakter bölütlenene kadar satır satır taranır. Karakterler bir resim halinde yeniden birleştirildikten sonra, yeniden düzenlenen görüntü efekti diyagramı Şekil 19 (a) 'da gösterilmektedir. Şekil (a) 'daki karakter resminde karakter tanıma için Tesseract-OCR çerçevesinin kullanılması, Şekil 19 (b)' deki etkiyi elde edebilir.Önceden ayarlanmış kapasitör modeli ile karşılaştırılarak, kapasitörün doğru olduğu görülebilir.
5. Sonuç
Sistem, donanım platformu olarak küçük boyutlu, düşük maliyetli, kullanımı kolay ve sistem geliştirme süresini kısaltan Raspberry Pi kullanıyor. Bu yazıda görüntünün toplanması, depolanması ve ön işlemesi tamamlanmış ve şablon kitaplığının üretimi tamamlanmış; maskeyi manuel olarak ekleyerek operasyon verimliliği artırılmış ve PCB görüntüsünü bulmak için görüntü konumlandırma noktasını tespit etmek için Hough dönüşümü kullanılmıştır; görüntü özelliği nokta tespiti tanıtılmıştır. SIFT algoritması, bileşenlerin doğruluğunu belirlemek için özellik noktası eşleştirme yöntemini kullanır; ayrıca kapasitör yüzeyindeki karakterlerin tanınması, görüntü bölütleme yöntemi ile tamamlanır. Sistem, birçok testten sonra bileşenlerin otomatik olarak algılanmasını ve yüzey karakterlerinin tanınmasını gerçekleştirebilir.
Referanslar
Wang Weikang, Ye Pengcheng.Yüksek entegre elektronik ürünlerde PCB üretim süreci üzerine araştırma. Bilim ve Teknoloji İnovasyonu, 2018 (30): 178-179.
Liu Xike, Dai Hui.Çok katmanlı HDI kartlar için yığılmış deliklerin üretim süreci üzerine araştırma. Baskılı Devre Bilgileri, 2013 (S1): 282-289.
Kang Yuxin, Chen Guihui, Zhang Sanbing. Halcon tabanlı yama direnci yön algılama sistemi Paketleme Mühendisliği, 2017 (23): 126-130.
Li Tianyu. PCB bileşenlerinin makine görüşüne dayalı çevrimiçi denetimi Hangzhou: Zhejiang Sci-Tech University, 2018.
Yan Mengtao, Su Wei, Ran Haizhou.Makine görüşüne dayalı PCBA bileşeni gerçek zamanlı denetim sistemi.Radyo Mühendisliği, 2018, 48 (4): 272-277.
Zhao Xiangyu, Zhou Yatong, He Feng ve diğerleri.Katmanlı çıkarma ve eşleşen baskılı devre kartı bileşen kusur tespiti. Enstrümantasyon Teknolojisi ve Sensörü, 2018 (8): 84-89.
Wang Xufeng, Dong Xinmin HSV renk uzayına dayalı yakıt ikmali konilerinin özellik çıkarımı için bir yöntem Bilgisayar Uygulamaları ve Yazılımı, 2014, 31 (6): 192-194.
Ren Xiaofeng, Bo Liefeng, FOX D.RGB- (D) sahne etiketleme: Özellikler ve algoritmalar. 2012 IEEE Bilgisayar Görünümü ve Örüntü Tanıma Konferansı, 2012.
DJEKOUNE A O, MESSAOUDI K, AMARA K. Artımlı çember hough dönüşümü: Çember algılama için geliştirilmiş bir yöntem Optik-International Journal for Light and Electron Optics, 2017, 133: 17-31.
Ye Lijie. Görüntü özelliği noktası çıkarma ve eşleştirme algoritması üzerine araştırma. Fuxin: Liaoning Teknik Üniversitesi, 2017.
Wentao Wan, Chengyu Yang. Görüntü özelliği noktası eşleştirmede geliştirilmiş SIFT algoritmasının uygulanması. Changchun University of Science and Technology (Natural Science Edition), 2018, 41 (1): 44-47, 52.
Zhang Chenguang, Zhou Quan, Hui Zheng. SIFT özellik noktası algılamaya dayalı düşük karmaşıklıklı görüntü kayıt algoritması.Yangzhou Üniversitesi Dergisi (Natural Science Edition), 2018, 21 (4): 52-56.
yazar bilgileri:
Xu Yan1, Meng Lingjun1, Wang Zhiguo2
(1. Enstrüman ve Elektronik Okulu, Çin Kuzey Üniversitesi, Taiyuan 030051, Shanxi; 2. Şangay Havacılık ve Uzay Elektroniği Enstitüsü, Şangay 201109)
