一種基于平板類微小型零件的精確識別定位方法
【技術領域】
[0001] 本發(fā)明涉及微小型零件定位領域，具體涉及一種基于平板類微小型零件的精確識 別定位方法。
【背景技術】
[0002] 微裝配是實現(xiàn)MEMS器件封裝的關鍵技術，其裝配對象主要面向微米級或亞毫米 級尺寸的微器件，這些微器件的輕、小、薄、軟的特征對單目顯微視覺定位精度提出了非常 嚴格的要求。

【發(fā)明內容】

[0003] 為解決上述問題，本發(fā)明一種基于平板類微小型零件的精確識別定位方法，可以 實現(xiàn)微小型零件的高精度檢測定位，從而為提高微裝配系統(tǒng)的裝配精度和裝配質量打下了 堅實的基礎。
[0004] 為實現(xiàn)上述目的，本發(fā)明采取的技術方案為：
[0005] -種基于平板類微小型零件的精確識別定位方法，包括如下步驟：
[0006] S1、采用以下二維高斯濾波器的公式進行圖像平滑處理，濾除圖像的干擾和噪 聲：
[0008] 式中，〇是高斯濾波器寬度；i為圖像行，j為圖像列；
[0009] S2、在經(jīng)典Sobel算子的基礎上定義8個方向模板，方向依次為0、45°、90°、 135°、180°、225°、270°、315°，沿模板方向順時針旋轉90度即為邊緣梯度方向；在邊 緣檢測時，將定義的8個3X3矩陣分別與濾波后的圖像作平面卷積，取各個方向的亮度 差分近似值，得出結果中的最大值即為梯度幅值，從而獲得具有方向信息的梯度圖像G(i， j);
[0010] S3、沿梯度方向將梯度幅值圖像G(i，j)上當前像素的梯度幅值與最鄰近兩像素 點的梯度幅值進行比較，如果該點梯度幅值小于這兩點中的任意一個，那么就可以排除該 點為邊緣點；反之，定義該點為邊緣點；采用了迭代法對梯度幅值圖像G(i，j)進行閾值分 割；
[0011] S4、通過對二值圖像提取連通區(qū)域去除噪聲，具體實現(xiàn)算法如下：
[0012] S41、采用從上到下、從左到右的順序遍歷二值圖像W(i，j)，定義二維數(shù)組將圖像 每一點w(i，j)像素標記為0,并用二維數(shù)組S[i] [j]存儲每點的像素值，由于是二值圖像， 所以s[i] [j]只有0和1兩種情況；
[0013] S42、再次遍歷圖像，判斷二維數(shù)組S[i][j]、W[i][j]值。若S[i][j]值1，且W[i] [j]為〇,則將W[i][j]賦值為W[i][j]+1，并按順時針方向搜索此像素點W(i，j)的8鄰域 像素。若8領域中某一點像素值為1，則繼續(xù)對這點進行8鄰域像素值判斷，如此采用遞歸 算法統(tǒng)計各個標號下連通域的像素個數(shù)；
[0014] S43、對于提取的連通域，通過比較每個標號下對應的像素數(shù)，最大者即為目標零 件，并將其余標號下的連通域像素點賦值為〇,由此便得到了只有目標零件的二值圖像；
[0015] S5、在改進Sobel邊緣檢測的基礎上，進行了基于多項式插值的像素級邊緣的亞 像素細分；
[0016] S6、對獲取的邊緣二值圖像，并結合所裝配的零件幾何特征，首先利用最小外接矩 形法確定目標零件所在圖像的區(qū)域范圍，再在此基礎上進行基于局部掃描方法的亞像素邊 緣點的最小二乘直線擬合，使定位精度達到亞像素級。
[0017] 2、根據(jù)權利要求1所述的一種基于平板類微小型零件的精確識別定位方法，其特 征在于，所述步驟S1中選擇了 3*3模板進行了圖像平滑。
[0018] 3、根據(jù)權利要求1所述的一種基于平板類微小型零件的精確識別定位方法，其特 征在于，所述步驟S3具體包括如下步驟：
[0019] ①定義梯度幅值圖像G(i，j)灰度的最大值與最小值的平均值T0作為初始閾值；
[0020] ②利用定義好的閾值T0把梯度幅值圖像分成2個區(qū)域S1和S2,其中幅值大于T0 的像素點屬于區(qū)域S1，幅值小于或等于TO的像素點屬于區(qū)域S2 ;
[0021] ③分別求出兩個區(qū)域的梯度幅值的平均值A1、A2 ;
[0022] ④定義新的閾值T，且
[0023] ⑤計算兩個閾值差值的絕對值：Δ = | TfT |，給定判定值ε和迭代規(guī)定次數(shù)n，如 果A > ε或者迭代次數(shù)小于規(guī)定次數(shù)n，則令1=1程序重新回到第二步繼續(xù)運行；如 果判斷條件成立，所得新閾值T即為最佳閾值；使用新T與梯度幅值圖像G(i，j)做比較判 另IJ，若G(i，j) > T，則點（i，j)為邊緣點，將其灰度值賦值為1 ;若G(i，j)彡T，則將點視為 非邊緣點，其灰度值賦值為〇 ;得只有黑白兩種顏色的邊緣二值圖像W(i，j)。
[0024] 本發(fā)明具有以下有益效果：
[0025] 在經(jīng)典Sobel算子的基礎上，定義了 8個方向模板與圖像作平面卷積，并在邊緣點 的梯度方向采用多項式插值方法進行邊緣點亞像素級細分，使得檢測的方向和精度都得到 了較好的提高，達到了目標零件邊緣的亞像素級定位，可以實現(xiàn)微小型零件的高精度檢測 定位，從而為提高微裝配系統(tǒng)的裝配精度和裝配質量打下了堅實的基礎。
【附圖說明】
[0026] 圖1為本發(fā)明實施例中檢測方向模板。
[0027] 圖2為本發(fā)明實施例中兩個不同的梯度方向非極大值抑制處理。
[0028] 圖3為本發(fā)明實施例中迭代法最佳閾值分割流程圖。
[0029] 圖4為本發(fā)明實施例中梯度方向示意圖。
[0030] 圖5為本發(fā)明實施例中局部掃描示意圖。
[0031] 圖6為本發(fā)明實施例中零件實際吸附點定位示意圖。
【具體實施方式】
[0032] 為了使本發(fā)明的目的及優(yōu)點更加清楚明白，以下結合實施例對本發(fā)明進行進一步 詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā) 明。
[0033] 實施例
[0034] S1、采用以下二維高斯濾波器的公式進行圖像平滑處理，濾除圖像的干擾和噪 聲：
[0036] 式中，〇是高斯濾波器寬度；i為圖像行，j為圖像列；
[0037] 它是一種線性平滑濾波器，并通過卷積核與輸入圖像的每個點進行卷積，將最終 的計算結果之和作為輸出圖像的像素值，因此處理效果好。同時高斯濾波分解成fji)和 f。（j)，可以實現(xiàn)算法獨立運算，達到了較快的處理速度，選擇了 3*3模板進行了圖像平滑。
[0038] S2、在經(jīng)典Sobel算子的基礎上定義8個方向模板，方向依次為0°、45°、90°、 135°、180°、225°、270°、315° (如圖1所示），沿模板方向順時針旋轉90度即為邊緣梯 度方向；在邊緣檢測時，將定義的8個3 X 3矩陣分別與濾波后的圖像作平面卷積，取各個方 向的亮度差分近似值，得出結果中的最大值即為梯度幅值，從而獲得具有方向信息的梯度 圖像 G(i，j);
[0039] 圖像邊緣檢測必須滿足兩個條件：一能有效地抑制噪聲；二必須盡量精確確定邊 緣的位置。通過對梯度幅值圖像G(i，j)進行非極大值抑制和二值化處理，不僅可以很好的 去除偽邊緣、細化邊緣，而且增強了圖像的邊緣信息，為后續(xù)目標零件的定位打下了良好的 基礎。
[0040] 1)非極大值抑制
[0041] 圖像梯度幅值矩陣中的元素越大，說明圖像中該點的梯度值越大，由于存在由噪 聲引起的假邊緣點，并不能確定該點就是邊緣。為了獲取正確的邊緣位置，必須對梯度幅值 圖像G(i，j)進行非極大值抑制處理，即
[0042] S3、沿梯度方向將梯度幅值圖像G(i，j)上當前像素的梯度幅值與最鄰近兩像素 點的梯度幅值進行比較，如果該點梯度幅值小于這兩點中的任意一個，那么就可以排除該 點為邊緣點；反之，定義該點為邊緣點，如圖2所示，對于兩個不同的梯度方向，應用非極大 值抑制處理獲得的像素；采用了迭代法對梯度幅值圖像G(i，j)進行閾值分割，迭代閾值分 割流程圖如圖3所示：
[0043] 具體實現(xiàn)方法如下：
[0044] ①定義梯度幅值圖像G(i，j)灰度的最大值與最小值的平均值T0作為初始閾值；
[0045] ②利用定義好的閾值T0把梯度幅值圖像分成2個區(qū)域S1和S2,其中幅值大于T0 的像素點屬于區(qū)域S1，幅值小于或等于TO的像素點屬于區(qū)域S2。
[0046] ③分別求出兩個區(qū)域的梯度幅值的平均值A1、A2。
[0047] ④定義新的閾值T，且
[0048] ⑤計算兩個閾值差值的絕對值：Δ = |T(j-T|，給定判定值ε和迭代規(guī)定次數(shù)n，如 果A > ε或者迭代次數(shù)小于規(guī)定次數(shù)n，則令1=1程序重新回到第二步繼續(xù)運行；如 果判斷條件成立，所得新閾值T即為最佳閾值。使用新T與梯度幅值圖像G(i，j)做比較判 另IJ，若G(i，j) > T，則點（i，j)為邊緣點，將其灰度值賦值為1 ;若G(i，j)彡T，則將點視為 非邊緣點，其灰度值賦值為0。這樣就得到了只有黑白兩種顏色的邊緣二值圖像W(i，j);
[0049] S4、通過對二值圖像提取連通區(qū)域去除噪聲，具體實現(xiàn)算法如下：
[0050] S41、采用從上到下、從左到右的順序遍歷二值圖像W(i，j)，定義二維數(shù)組將圖像 每一點W(i，j)像素標記為0,并用二維數(shù)組S[i] [j]存儲每點的像素值，由于是二值圖像， 所以S[i] [j]只有0和1兩種情況；
[0051] S42、再次遍歷圖像，判斷二維數(shù)組S[i][j]、W[i][