PCB-Technologie - Bildsegmentierung von Leiterplatten

Im Folgenden finden Sie eine Einführung in die Bildsegmentierung von Leiterplatten:

1 Grenze

Die Schwellensegmentierung ist ein wichtiger Schritt in der Bildvorverarbeitung. Das Wesentliche ist, einen Schwellenwert für jedes Pixel zu bestimmen. Je nach Schwellenwert wird bestimmt, ob das aktuelle Pixel Vorder- oder Hintergrund ist. Derzeit gibt es eine große Anzahl von Schwellenwertverarbeitungsmethoden, wie globale Schwellenwerte und Lokalisierung. Domänenschwelle ist die einfachste Segmentierungsmethode, während letztere das gesamte Bild in viele Unterbilder unterteilt und jedes Bild einen anderen Schwellenwert für die Segmentierung verwendet.

Diese Arbeit analysiert den Algorithmus und schlägt eine verbesserte adaptive Schwellwertselektionsmethode vor. Die Praxis hat bewiesen, dass diese Methode einfach, klein in der Berechnung, schnell, statistisch genau ist und die Schwelle des Bildes in der Zeit und PCB-Bildsegmentierung erhalten kann. Der Effekt ist sehr gut. Nachdem das Bild segmentiert wurde, ist die Zielgrafik garantiert intakt. Nachdem das Bild verbessert wurde, werden der offene Stromkreis und der Kurzschluss klarer und prominenter gemacht, wodurch vollständige Vorbereitungen für die nachfolgende Bildverarbeitung getroffen werden.

2 Algorithmendieorie

Adaptiver Schwellwertsegmentierungsalgorithmus:

(1) Das Bild in vier Unterbilder aufteilen;

(2) Berechnen Sie den Mittelwert jedes Zeichenbildes;

(3) Legen Sie den Schwellenwert entsprechend dem Mittelwert fest, und der Schwellenwert wird nur auf das entsprechende Unterbild angewendet;

(4) Entsprechend der Schwelle wird jeder Teilblock geteilt.

In diesem Algorithmus wird der Durchschnittswert als Schwellenwert des Unterblocks verwendet.

Die Grauverteilungseigenschaften von Leiterplatten, die die folgenden Eigenschaften haben:

(1) Es gibt offensichtliche Hintergrundspitzen und Zielspitzen;

(2) Die beiden Spitzen sind weit voneinander entfernt, und die Grauwerte zwischen ihnen sind im Grunde die gleichen, ohne offensichtliche Tiefen;

(3) Die Graustufenänderungen des Hintergrundpixelpunkts und des Zielpixelpunkts sind kontinuierlich, und der Graupegel der Zielgrenze ist allmählich, nicht abrupt.

Die Praxis hat bewiesen, dass der Algorithmus nicht für Leiterplatten geeignet ist, und der Segmentierungseffekt ist nicht sehr gut, weil der durchschnittliche Graupegel nicht unbedingt der Trog des Histogramms ist, und es gibt einen großen Teil der flachen Fläche in der PCB-Histogramm, sogar 0 grau Um die PCB-Bild, Es ist notwendig, eine andere effektive Methode zu finden. Note that the average gray value point is between the two peak values (ie, the average gray value). The value is between the background gray value and the target gray value) and is close to the trough, also überlegen Sie, den Mindestpunkt in seinem Bereich zu finden. Um das Zielbild der Leiterplatte zu segmentieren, Der Zielpeak des Histogramms kann zuerst bestimmt werden, und dann kann der Mindestwertpunkt ermittelt werden, und dann kann der Hintergrund Peak gefunden werden. Der Mindestwertpunkt wird als Segmentierungsschwelle verwendet, und eine Grauskala in der Nähe des Zielpeaks und des Hintergrundpeaks ausgewählt wird. Die Gradwerte werden jeweils als Schwellenwerte für Offen- und Kurzschlussverbesserung verwendet. In der PCB-Bild, manchmal ist das Ziel spärlich, aber manchmal ist das Ziel dicht. Das Finden des maximalen Punktes des gesamten Histogramms ist relativ einfach, Aber wie kann man feststellen, ob dieser Peak der Hintergrundpeak ist oder der Zielpeak der Schlüssel zum Problem wird.

Für ein allgemeines PCB-Bild wird das Ziel (Kupferdraht) durch eine hohe Grauskala dargestellt und der Hintergrund durch eine niedrige Grauskala dargestellt. Eine praktikable Threshold Search Methode wird im Folgenden diskutiert.

(1) Finden Sie den Grauwert, der dem größten Peak entspricht. Finden Sie den Maximalwert von f(H) im vollen Grauintervall [0, 255], und der entsprechende Wert ist H;

(2) Berechnen Sie den durchschnittlichen Graupegel des Bildes:

(3) Bestimmen Sie, ob es sich um einen Hintergrundpeak oder einen Zielpeak handelt:

Wenn der Mindestwertpunkt ausgewählt ist, wird der Mindestwert in der 30-Nachbarschaft des Durchschnittspunkts gefunden, und der entsprechende Wert ist Hmin.

Hinweis: Die Größe der Nachbarschaft kann entsprechend der tatsächlichen Situation ausgewählt werden.

Der zweite Spitzenpunkt bestimmt durch (5):

Wenn nur die Hintergrundspitze Hb in (3) gefunden wird, dann finden Sie den Minimalwert von f(H) im grauen Intervall [Hmin, 255), und der entsprechende Wert ist der Zielspitzenpunkt Hf;

Wenn der Zielpeakwert Hf in (3) gefunden wird, dann finden Sie den Minimalwert f(H) im grauen Intervall [0, Hmin], und der entsprechende Wert ist der Hintergrundpeakpunkt Hb;

(6) Verwenden Sie Hmin als Schwellenwert, um Bildsegmentierung durchzuführen;

Finden Sie einen Graupegel (im Allgemeinen Hb+10) nahe der rechten Seite der Hintergrundspitze Hb und führen Sie Kurzschlussverbesserung durch;

Finden Sie einen Graupegel (in der Regel Hf-10) nahe der linken Seite des Zielpeaks Hf für Open-Circuit-Verbesserung.

Hinweis: Dieser Algorithmus eignet sich besonders für kontinuierliche Bilder von Histogrammen. Bei diskontinuierlichen Histogrammen können Sie zunächst benachbarte Interpolationen durchführen und die Histogramme in kontinuierliche Graphen umwandeln. Dann kann die obige Methode verwendet werden, um den Schwellenwert zu bestimmen.

3 Versuchsergebnisse

Wenn es Lärm in der PCB-Bild, two methods are usually adopted:

(1) Filtern Sie zuerst und binarisieren Sie dann, so dass das ursprüngliche PCB-Bild viele Kantendetailinformationen verliert, wodurch die statistischen Ergebnisse nicht genau genug sind;

(2) Keine Verarbeitung, aber dies verursacht viele kleine Geräusche im Bild, und die statistischen Ergebnisse sind auch nicht genau genug.

Um die Genauigkeit der statistischen Ergebnisse zu gewährleisten, sollten weder einige Bildränder verloren gehen noch die Linienbreite durch den Einfluss der Filterung verringert werden, und diese Rauschpunkte sollten nicht fälschlicherweise als Linien für Statistiken angesehen werden. Sie können zuerst Binarisierung verwenden und dann entfernen. Rauschverfahren.

In diesem Experiment ist das von der Kamera erhaltene PCB-Bild relativ klar und hat sehr wenig Rauschen, so dass es direkt verarbeitet wird.

Die experimentellen Ergebnisse zeigen, dass diese Methode eine praktische Methode ist, schnell und einfach.