一种基于平板类微小型零件的精确识别定位方法
【技术领域】
[0001] 本发明涉及微小型零件定位领域，具体涉及一种基于平板类微小型零件的精确识 别定位方法。
【背景技术】
[0002] 微装配是实现MEMS器件封装的关键技术，其装配对象主要面向微米级或亚毫米 级尺寸的微器件，这些微器件的轻、小、薄、软的特征对单目显微视觉定位精度提出了非常 严格的要求。
【发明内容】
[0003] 为解决上述问题，本发明一种基于平板类微小型零件的精确识别定位方法，可以 实现微小型零件的高精度检测定位，从而为提高微装配系统的装配精度和装配质量打下了 坚实的基础。
[0004] 为实现上述目的，本发明采取的技术方案为：
[0005] -种基于平板类微小型零件的精确识别定位方法，包括如下步骤：
[0006] S1、采用以下二维高斯滤波器的公式进行图像平滑处理，滤除图像的干扰和噪 声：
[0008] 式中，〇是高斯滤波器宽度；i为图像行，j为图像列；
[0009] S2、在经典Sobel算子的基础上定义8个方向模板，方向依次为0、45°、90°、 135°、180°、225°、270°、315°，沿模板方向顺时针旋转90度即为边缘梯度方向；在边 缘检测时，将定义的8个3X3矩阵分别与滤波后的图像作平面卷积，取各个方向的亮度 差分近似值，得出结果中的最大值即为梯度幅值，从而获得具有方向信息的梯度图像G(i， j);
[0010] S3、沿梯度方向将梯度幅值图像G(i，j)上当前像素的梯度幅值与最邻近两像素 点的梯度幅值进行比较，如果该点梯度幅值小于这两点中的任意一个，那么就可以排除该 点为边缘点；反之，定义该点为边缘点；采用了迭代法对梯度幅值图像G(i，j)进行阈值分 割；
[0011] S4、通过对二值图像提取连通区域去除噪声，具体实现算法如下：
[0012] S41、采用从上到下、从左到右的顺序遍历二值图像W(i，j)，定义二维数组将图像 每一点w(i，j)像素标记为0,并用二维数组S[i] [j]存储每点的像素值，由于是二值图像， 所以s[i] [j]只有0和1两种情况；
[0013] S42、再次遍历图像，判断二维数组S[i][j]、W[i][j]值。若S[i][j]值1，且W[i] [j]为〇,则将W[i][j]赋值为W[i][j]+1，并按顺时针方向搜索此像素点W(i，j)的8邻域 像素。若8领域中某一点像素值为1，则继续对这点进行8邻域像素值判断，如此采用递归 算法统计各个标号下连通域的像素个数；
[0014] S43、对于提取的连通域，通过比较每个标号下对应的像素数，最大者即为目标零 件，并将其余标号下的连通域像素点赋值为〇,由此便得到了只有目标零件的二值图像；
[0015] S5、在改进Sobel边缘检测的基础上，进行了基于多项式插值的像素级边缘的亚 像素细分；
[0016] S6、对获取的边缘二值图像，并结合所装配的零件几何特征，首先利用最小外接矩 形法确定目标零件所在图像的区域范围，再在此基础上进行基于局部扫描方法的亚像素边 缘点的最小二乘直线拟合，使定位精度达到亚像素级。
[0017] 2、根据权利要求1所述的一种基于平板类微小型零件的精确识别定位方法，其特 征在于，所述步骤S1中选择了 3*3模板进行了图像平滑。
[0018] 3、根据权利要求1所述的一种基于平板类微小型零件的精确识别定位方法，其特 征在于，所述步骤S3具体包括如下步骤：
[0019] ①定义梯度幅值图像G(i，j)灰度的最大值与最小值的平均值T0作为初始阈值；
[0020] ②利用定义好的阈值T0把梯度幅值图像分成2个区域S1和S2,其中幅值大于T0 的像素点属于区域S1，幅值小于或等于TO的像素点属于区域S2 ;
[0021] ③分别求出两个区域的梯度幅值的平均值A1、A2 ;
[0022] ④定义新的阈值T，且
[0023] ⑤计算两个阈值差值的绝对值：Δ = | TfT |，给定判定值ε和迭代规定次数n，如 果A > ε或者迭代次数小于规定次数n，则令1=1程序重新回到第二步继续运行；如 果判断条件成立，所得新阈值T即为最佳阈值；使用新T与梯度幅值图像G(i，j)做比较判 另IJ，若G(i，j) > T，则点（i，j)为边缘点，将其灰度值赋值为1 ;若G(i，j)彡T，则将点视为 非边缘点，其灰度值赋值为〇 ;得只有黑白两种颜色的边缘二值图像W(i，j)。
[0024] 本发明具有以下有益效果：
[0025] 在经典Sobel算子的基础上，定义了 8个方向模板与图像作平面卷积，并在边缘点 的梯度方向采用多项式插值方法进行边缘点亚像素级细分，使得检测的方向和精度都得到 了较好的提高，达到了目标零件边缘的亚像素级定位，可以实现微小型零件的高精度检测 定位，从而为提高微装配系统的装配精度和装配质量打下了坚实的基础。
【附图说明】
[0026] 图1为本发明实施例中检测方向模板。
[0027] 图2为本发明实施例中两个不同的梯度方向非极大值抑制处理。
[0028] 图3为本发明实施例中迭代法最佳阈值分割流程图。
[0029] 图4为本发明实施例中梯度方向示意图。
[0030] 图5为本发明实施例中局部扫描示意图。
[0031] 图6为本发明实施例中零件实际吸附点定位示意图。
【具体实施方式】
[0032] 为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步 详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发 明。
[0033] 实施例
[0034] S1、采用以下二维高斯滤波器的公式进行图像平滑处理，滤除图像的干扰和噪 声：
[0036] 式中，〇是高斯滤波器宽度；i为图像行，j为图像列；
[0037] 它是一种线性平滑滤波器，并通过卷积核与输入图像的每个点进行卷积，将最终 的计算结果之和作为输出图像的像素值，因此处理效果好。同时高斯滤波分解成fji)和 f。（j)，可以实现算法独立运算，达到了较快的处理速度，选择了 3*3模板进行了图像平滑。
[0038] S2、在经典Sobel算子的基础上定义8个方向模板，方向依次为0°、45°、90°、 135°、180°、225°、270°、315° (如图1所示），沿模板方向顺时针旋转90度即为边缘梯 度方向；在边缘检测时，将定义的8个3 X 3矩阵分别与滤波后的图像作平面卷积，取各个方 向的亮度差分近似值，得出结果中的最大值即为梯度幅值，从而获得具有方向信息的梯度 图像 G(i，j);
[0039] 图像边缘检测必须满足两个条件：一能有效地抑制噪声；二必须尽量精确确定边 缘的位置。通过对梯度幅值图像G(i，j)进行非极大值抑制和二值化处理，不仅可以很好的 去除伪边缘、细化边缘，而且增强了图像的边缘信息，为后续目标零件的定位打下了良好的 基础。
[0040] 1)非极大值抑制
[0041] 图像梯度幅值矩阵中的元素越大，说明图像中该点的梯度值越大，由于存在由噪 声引起的假边缘点，并不能确定该点就是边缘。为了获取正确的边缘位置，必须对梯度幅值 图像G(i，j)进行非极大值抑制处理，即
[0042] S3、沿梯度方向将梯度幅值图像G(i，j)上当前像素的梯度幅值与最邻近两像素 点的梯度幅值进行比较，如果该点梯度幅值小于这两点中的任意一个，那么就可以排除该 点为边缘点；反之，定义该点为边缘点，如图2所示，对于两个不同的梯度方向，应用非极大 值抑制处理获得的像素；采用了迭代法对梯度幅值图像G(i，j)进行阈值分割，迭代阈值分 割流程图如图3所示：
[0043] 具体实现方法如下：
[0044] ①定义梯度幅值图像G(i，j)灰度的最大值与最小值的平均值T0作为初始阈值；
[0045] ②利用定义好的阈值T0把梯度幅值图像分成2个区域S1和S2,其中幅值大于T0 的像素点属于区域S1，幅值小于或等于TO的像素点属于区域S2。
[0046] ③分别求出两个区域的梯度幅值的平均值A1、A2。
[0047] ④定义新的阈值T，且
[0048] ⑤计算两个阈值差值的绝对值：Δ = |T(j-T|，给定判定值ε和迭代规定次数n，如 果A > ε或者迭代次数小于规定次数n，则令1=1程序重新回到第二步继续运行；如 果判断条件成立，所得新阈值T即为最佳阈值。使用新T与梯度幅值图像G(i，j)做比较判 另IJ，若G(i，j) > T，则点（i，j)为边缘点，将其灰度值赋值为1 ;若G(i，j)彡T，则将点视为 非边缘点，其灰度值赋值为0。这样就得到了只有黑白两种颜色的边缘二值图像W(i，j);
[0049] S4、通过对二值图像提取连通区域去除噪声，具体实现算法如下：
[0050] S41、采用从上到下、从左到右的顺序遍历二值图像W(i，j)，定义二维数组将图像 每一点W(i，j)像素标记为0,并用二维数组S[i] [j]存储每点的像素值，由于是二值图像， 所以S[i] [j]只有0和1两种情况；
[0051] S42、再次遍历图像，判断二维数组S[i][j]、W[i][