基于视觉定位的LED送料器

卢 军，张传凯

（陕西科技大学 机电工程学院，西安 710021）

0 引言

LED技术被认为是二十一世纪有前途的高科技技术之一，要发展LED产业，先进的机器设备是必不可少的。LED生产线设备主要包括印刷机、点胶机、贴片机、回流焊和清洗检测装备等，其中，贴片机是整个环节的关键，其贴装精度与速度决定了整条生产线的质量与生产速度[1]。

新一代的全自动LED粘片机是融合了机电学、光电学、电气等学科知识的高度自动化设备。在满足生产需求的同时，LED粘片机的速度和精度逐渐上升为一对主要矛盾，这是LED封装的特点[2]。送料器作为贴片机的重要部件，决定着工件的输送精度，带式LED送料器在送料时容易出现卡带、抖动的问题。在吸嘴吸附的环节，传统的送料器没有检测环节，料带中如有遗漏的工件，吸嘴会空运行，降低了贴装效率。

目前在国际与国内LED芯片检测领域视觉伺服定位技术是热点又是难点[3]。机器视觉利用计算机模拟人的视觉功能，从客体的图像中提取信息，并对这些信息进行处理、理解, 将结果应用于检测、测量、控制，在检测领域应用广泛[4]。

LED灯片正面的污损情况影响最终产品的照明效果。现有的贴片机会在吸取工件后进行灯片背面管脚检测，对于正面污损的情况，无法识别检测，

针对以上问题，本文对送料器进行了结构改进，将机器视觉应用到送料器中，在吸取之前对LED进行识别定位以及正面的污损检测。

1 送料器的结构设计

在专利[5～7]中的带式送料器输送部分采用单棘轮，为了使送料更加稳定，避免卡带，对送料器关键部件进行改进设计，设计示意图如图1所示。

LED灯封装在料带中，在对其进行吸取之前，必须将顶膜与基带分离。送料器的送料部分主要由前棘轮，后棘轮、同步带轮、同步带和步进电机组成。前棘轮为主动轮，后棘轮为从动轮，对于工作部分的料带，前棘轮机构实现对料带推的操作，后棘轮实现拉的操作，两棘轮实现对料带的定位，减缓工作部分的震动与卡带。

下摩擦轮与上摩擦轮构成顶膜的撕取结构。下摩擦轮与上摩擦轮的挤压产生摩擦力，为顶膜的运动提供动力，下摩擦轮与前棘轮的反向转动实现基带与顶膜的分离撕取。工件视窗主要用于吸嘴吸取工件，盖板主要是防止工件过度震动，支撑板实现对基带的支撑作用。相机在视窗的正上方，提取工件的图像信息。

采用微型步进电机作为驱动源,相比传统的气缸驱动,能实现加减速控制，使元器件传送更为平稳。为了视觉提取图像采集中一次采取三个工件，结合LED的封装特性，设定电机每次实现的步进距离为12mm。

2 视觉系统设计

视觉主要实现对灯片的定位检测，系统流程如图2所示。

图2 工作流程图

送料器的视觉系统主要实现对LED的定位，以及正面污损检测。料带安装完毕后，视觉系统开启，获取图像信息，进行图像前处理，提取物体的特征轮廓，检测是否有工件存在，未检测到工件时，驱动送料电机，进行物料的输送。当存在工件时，进行工件的位置定位，检测合格、受污严重、缺损（崩角）的灯片。提取存储合格灯片的位置信息，用于吸嘴的吸取控制。

图像采集的任务是获取工件表面的原始信息，是识别定位的基础。结合LED的封装特性，图像采集时要求相机以下视方式拍摄，多灯片同时采集，同时识别。

图像采集由图像采集系统来完成，该系统由硬件与软件部分组成。

由于战乱，下江的形势十分吃紧，和祥轩东家黎老板也常住在上河的河口。生意也一天比一天清淡，黎老板也只是无奈地摆摆头。这种情形一直持续到内战爆发。直到有一天，和祥轩的东家黎老板突然收到一封大公子从南京城寄来的信，大公子在南京城里当差。东家打开信一看，是大少爷敦促他把田产和铺面都卖掉，而且是越快越好。黎老板在茶房里气得不行，并恶骂大少爷是“娘的败家子”。他把这封信也给张满春看了，张满春也觉得大少爷太糊涂，挣得一份家业容易吗？既然挣上手了又何必卖掉，不是脑子出了毛病？同样内容的信黎老板之后又收到了好几封，而且一封比一封催得急切。东家只是感叹道，疯了，他简直是疯了。

硬件部分主要包括：1）笔记本电脑；2）相机；3）镜头，4）工件。其中相机采用工业级300万像素CMOS彩色像机，为了配合个人电脑同时为了即插即用，选用USB接口。

图3 工业相机

软件部分主要包括Microsoft Visual C++开发环境和主流计算机视觉开发库Open Source Computer Vision Library（OpenCV）[8]。

3 算法设计与实现

对于整体算法的程序在VC环境中实现，结合OpenCV中的函数进行LED的图像处理。

3.1 图像前处理

本系统像机采集到的图像是彩色图像，三通道，原始图像存在噪声，为了突出识别目标物，减少噪声干扰，需要对图像进行前处理。

3.1.1 灰度化

采集到的原始图像是彩色图像，彩色像素点是由R（红色）、G（绿色）、B（蓝色）三元色混合而成的，有三个通道。灰度图是一种从黑到白256级灰度等级的单色图像。将彩色图像灰度化，以便减少内存空间，加快处理速度，本文采用加权平均法，对彩色图像进行灰度化处理，I(i,j)是处理后图像的灰度像素值。函数为：

3.1.2 阈值分割

阈值分割是将灰度图转为二值图，将目标物体与背景分离开，进一步降低后续处理的难度。针对实验图5，运用MATLAB工具中的函数对其灰度图进行灰度统计，得到灰度直方图如图4所示。

图4 灰度直方图

从灰度直方图可以看出，灯片的灰度主要集中在50～150，背景集中在0～50，具有明显的划分。利用最大间方差法（Otsu）对图像进行阈值分割。

求取δ的最大值，对应的阈值T就是要寻找的最优阈值。利用这个阈值T对原始图像进行分割处理，处理效果如图5、图6所示。

图5 原图

图6 二值图

3.1.3 腐蚀膨胀处理

阈值后，二值图像会出现噪声点，如椒盐噪声，影响目标物体的识别，需要对二值图像进行腐蚀膨胀处理，运用cvDilate与cvErode函数完成，为物体识别奠定基础。

3.2 特征提取

轮廓提取[10]决定着目标特征识别的准确性。虽然Canny[11]之类的边缘检测算法可以根据像素间的差异检测出轮廓边界的像素，但是它并没有将轮廓作为一个整体，OpenCV中有一个应用广泛并且方便的函数cvFindContours可以把边缘像素组装成轮廓，以链表的形式储存轮廓，方便了下一步的特征提取。运用函数cvFindContours计算目标轮廓数，如果轮廓为0，则判定无工件，则控制输送电机，进行工件的传输。

3.2.1 工件形心提取

吸嘴吸取工件的理想位置为其形心，吸取工件依靠真空负压，吸嘴中心位置与形心位置偏离太大，容易漏气，吸力不足，甚至吸取失败。因此工件的定位精度对吸取结果有重要影响。

根据处理对象的特征，利用先验知识提出针对性的特征提取方法，具体方法如下：

1）对阈值后的二值图像进行轮廓提取，计算出每个链表包含的像素数。

2）目标轮廓的提取，判断轮廓像素的个数，小于特定值的认定为噪声，否则认定为工件，对其进行特征提取。

3）对筛选后的轮廓进行特征提取，即目标轮廓进行特征提取。

4）对轮廓中所有边界点的X坐标和Y坐标分别进行循环判断，从而得到X和Y的最大值和最小值，XY最大值的点即为工件的四个极点。

5）得到四个极点的坐标，按顺时针方向，对两相邻点之间的轮廓点进行直线拟合。

6）直线拟合后，确定两相交直线的交点。分别对四点的X坐标与Y坐标取平均值，确定工件的形心坐标。

3.2.2 工件污损检测

灯片的工作面为上表面，正面的污损情况不仅影响美观，更重要是影响最终成品的照明效果，如图7、图8所示。

图7 受污工件

图8 缺损工件

根据轮廓的面积来判断污染程度，设正常轮廓面积为T0-T1，检测到的目标在正常范围内认定为合格工件，存取其形心位置，当在范围之外，则进一步检测，判断其形心与相近合格轮廓的关系，如果在轮廓范围内，则认定为受污工件，如果不在轮廓范围内，认定为缺损工件，不对其进行形心储存。

4 实验测试与分析

为确定正常轮廓范围，判断轮廓的面积，实验采取30张合格图像，计算出90个灯片的轮廓面积，运用OpenCV中的函数得出数据后统计如图9所示，从图中可以看出轮廓面积在29015～29024之间，因此在此范围内的认定为合格工件。

图9 轮廓面积分布图

定位机制通过单目相机，并给予C++、OpenCV编程完成对目标视野的取像，对合格工件识别定位，效果如图10所示，得到的特征参数如表1所示。

图10 定位效果图

表1 图形实验结果

对污损件进行识别，对于合格工件的形心进行存储，并进行十字标记，效果如图11～图13所示。

图11 遗漏识别图

图12 受污识别图

图13 缺损识别图

从图中得知，本识别检测方法可以对合格工件正确识别，同时可以剔除受污工件与破损工件。

为测试方法的识别率，实验获取30副不同情况的图像（90个工件），对其进行检测定位，算法识别率如表2所示。

表2 算法检测结果

从表2中可以看出，正常工件的识别率在95%以上，受污缺陷的识别率相对其余两个较低，通过分析图像情况得知，主要原因是污染位置处于工件边缘的情况下会误判为缺损缺陷。

5 结束语

为了提高送料器的吸附精度，正确吸附合格工件，减缓卡带现象，减少抛料的次数，本文提出了一套识别、定位、检测方案，利用双棘轮实现工件的传送与粗定位，运用VC平台结合OpenCV实现机器视觉对工件的检测。与普通的送料器相比，运行更加稳定，吸附精度高，实现吸附前的检测与定位，抛料机率低，间接的提高了贴片机的贴片效率与LED灯的合格率，具有很高的使用价值。

[1] 李清国.高速高效LED专用贴片机关键技术研究[D].广东广州,广东工业大学.2012.

[2] 刘静.LED封装设备中关键运动结构的动态特性分析及优化[D].无锡市.江南大学.2013.

[3] 吴晓.L E D芯片粗精定位系统[J].红外与激光工程,2013,42(9):2478-2484.

[4] H.Golnabi, A.Asadpour. Design and application of industrial machine vision systems[J].Robotics and Computer Integrated Manufacturing,2007,23(6):630-637.

[5] 河口悟史.带式送料器[P]:中国,21320308772.2,2013.11.27.

[6] 伊藤恒太.带式送料器的选定装置、表面安装机以及带式送料器[P]:中国,201310314394.3,2014.03.12.

[7] 大塚俊英.送料器[P]:中国, 201220340449.9,2013.02.27.

[8] 于仕琪,刘瑞祯.学习OpenCV(中文版)[M].北京:清华大学出版社,2009.

[9] 王磊,段会川.Otsu方法在多阈值图像分割中的应用[J].计算机工程与设计,2008,29(11):2844-2845,2972.

[10] 米兰,许海波.基于边缘提取的图像拼接[J].计算机应用研究,2007,24(5):318-320.

[11] Canny J.A computational approach to edge detection[J].IEEE Transaction on Pattern Analysis and Machine intelligence,1986,8(6):679-698.