表面贴装元件识别的一种亚像素边缘检测方法

yi为xi点对应的灰度值。其中C0～Cn可由式(2)的矩阵方程组解出

对式(1)用一阶微分的最大值或二阶导数的零交叉准则，就可获得亚像素级的定位精度。

由于粗定位后的chip图是已经二值化处理过的，其光强度函数已被破坏，则重新load原图进行亚像素插值定位。具体算法如下：

以上边界为例，由粗定位得到的上边界点中间点为第一个处理点，令其横坐标不变，纵坐标以1为单位分别向上向下各搜索3个点，对这3个点构造三次样条函数， xi为这3个点的Y方向的坐标信息，yi为xi点相应的灰度值。由式(1)和(2)可得到六段函数Si(x)(i=1～6)。

光强度函数值最大的点为边缘点的真实位置，对这六段函数(式3)采取分段函数求极值的方法来确定亚像素级的边界点。

下边界求法类似于上边界求法和分段函数求极值的方法。

4 实验结果

在亚像素算法得到物体准确的边界点后，通过最小二乘法拟和出该片式元件的边界直线方程，并由最小二乘法性质可知其倾斜角度，也就反映了元件的倾斜角度，进而可求出元件尺寸，判断能否被贴装等。因此可在以上的后续算法中采用两种评价准则来考核本文算法的有效性。这里对不同角度的片式元件进行实验，并同目前没有采用亚像素的算法进行比较。

① 最小二乘法对边缘点拟合直线的程度可由相关系数│rxy│来评价[11]，两种算法│ rxy│比较见表。

由表1可看出，三次样条插值亚像素算法比现有算法得到的│rxy│更能趋近于1，线性相关程度更大，即有效地逼近边缘直线段的概率大些。

②最终求得的偏转角度的误差情况，由最小二乘法拟合直线对原图求的角度为a;人工旋转角度为b;在对人工旋转角度后的chip用算法得到的角度为c，则算法误差为│c- (a+b)│。表2为对两种算法的角度误差比较的部分数据。

由表2看出，三次样条插值亚像素算法比现有算法误差降低了约一个数量级，角度测量的精度大大提高。但由于三次样条插值亚像素方法是在边界跟踪的基础上进行的，整个算法时间上肯定要比仅边界跟踪进行边缘提取要长些(见表)。

5 结论

该算法在拟合精度和偏转角度精度两方面都比现有算法有一定的提高，满足含有直线边缘的表面贴装元器件进行边缘提取的需要，并且由于边缘点提取的准确性，可应用到其他曲线边界的表面贴装元器件图像的检测处理上。但该算法在速度方面不是很理想，如果是对含多直线边缘的表面贴装元器件(如QFP)边缘提取则时间上消耗很大。因此，下一步的研究方向是如何将粗定位和细定位更有效地结合起来，减少算法复杂度，提高处理速度。