1 引言

    表面贴装元器件的视觉检测和定位是影响贴片机整体性能的关键因素。其主要任务包括获取元件的图像，利用识别算法对图像进行处理，识别元件的质量、位置、角度，判断所拾取的元件是否合格并在贴装时进行贴装位置、角度的纠正等[1]。

     在实际表面贴装生产中，不同类型的贴装元件具有不同的形状信息，各自的识别算法独立，但其第一步都是图像贴装元件和背景图像分开，为进一步对元器件图像进行特征识别做铺垫，我们称之为元件图像分割。图像分割有很多方法，其中最为简单和有效的是阈值分割[2-3]，即选择一个或几个合适的灰度阈值将原图像中的待识别目标和背景分开。因此如何选取阈值是图像分割的关键。在通常采用的元件识别算法中，图像分割的阈值是根据经验反复试验、估算得到的，不仅费时费力，还要依赖于图像处理技术人员的实际经验，为图像分割带来很多不确定因素。

     本文分析了传统阈值确定方法的优缺点，结合表面贴装元器件的实际图像特点，考虑光照较稳定的情况，通过比较试验仿真，提出了一种基于均谷加权的快速阈值分割算法。该算法将图像中不同像素的灰度值对最佳阈值的贡献考虑进来，进行加权平均，得到最佳阈值，既提高了阈值选择的精度，也节省了传统阈值选择方法的估算成本。实验结果表明，该算法的分割效果和处理速度都优于常用的阈值分割算法，满足了贴片机视觉检测的要求。

2 阈值确定方法及其优缺点

    阈值分割效果比较优越的确定方法大都是根据图像的灰度直方图选择[2]，因为该方图反映了图像的灰度分布特征，容易借助背景和目标的双峰特征选择最优阈值。根据阈值的不同作用范围，可分为全局和局部两种，前者只在图像质量较好时有效，后者则适应于较复杂的图像。

2.1 全局阈值法

     全局阈值法是指整个图像采用单一阈值（全局阈值）进行图像二值化。目前已有多种全局阈值确定方法 [4]，如平均灰度值、模态法、迭代法、最大相关法、最大熵法等，其优点为应用范围比较广，算法较简单；对于对比度较高、照度均匀、无阴影的图像，能达到很好的分割效果。缺点是抗噪能力不强；对目标和背景的灰度有梯度变化的图像效果较差或失效。

2.2 局部阈值法

     局部阈值法是用与坐标相关的一组阈值来对图像各部分分别进行分割（即阈值是坐标的函数）。在文献[5]中，讨论了11种局部阈值化方法及它们在二值化图像时的性能。综合分析其优点为抗噪能力强：对一些用全局阈值法不易分割的图像有较好的效果。缺点是算法的时空复杂度增加，影响了图像处理的速度；容易受到背景灰度不均匀性的影响；如果邻域窗口内的点全是目标或背景点，或窗口内存在个别的突发噪声点，则分割就会有明显的错误。

3 贴装图像分割特点

     在本文所研究的表面贴装元器件视觉检测中，视觉系统采集到的像中元件（目标）和吸盘（背景）对比度较高，且元件无阴影，较适于采用全局阈值法进行阈值分割。

以结构特征最简单的矩形片式元件（Chip ）为例，图1为采集到的效果较好的Chip，图2为图1中Chip的直方图。

      由对图像模型的描述知[5]，对双峰直方图选取两峰之间的谷所对应的灰度值作为阈值就可将目标和背景分开（多峰直方图时也是类似）。图2是明显的多峰直方图，除三个主要的波峰外，图2后半段阶梯形各拐角处的灰度值也是其左右邻域的波峰。因此若选取了整个直方图的谷就确定了分割图像的阈值。

      然而在传统求谷算法中，对多于两个波峰的情况，阈值一般选择主要的两个波峰的平均值。以图2为例，若取主要的两个波峰（ T1=55，T2=255），得到的阈值 T=(T1+T2）/2=155。而在实际元器件图像处理中，经过调试满足要求的阈值为130，与计算数值有很大的误差。因此，需要结合表面贴装元器件的图像特点，分析适用于本文研究对象的阈值确定方法。

     由图2直方图可以看出，两个波峰之间的间距比较大，中间有很多的跌宕起伏，说明该图像对比度比较低，仅用两个主要波峰的平均值去处理将忽略大部分次波峰的灰度变化，从而使得阈值选择算法的结果误差很大。因此，本文结合表面贴装元器件的实际图像特点，提出基于均谷加权的阈值分割算法，将灰度直方图中不同像素的灰度变化引入到阈值确定算法中，以提高阈值分割的精度。

4 基于均谷加权的阈值分割算法

      本文提出的基于均谷加权的阈值分割方法包括直方图高斯滤波、初始谷值的选取、均谷加权法求阈值和图像阈值分割四部分。   

      ⑴直方图高斯滤波：一般情况下，直方图的不规则可以认为是由白噪声引起的，而高斯函数能较好地消除地白噪声。因此，在阈值选择前首先对灰度直方图做平滑处理，以消除图像噪声引起的无意义、虚假的波峰。本文选用如下加窗高斯函数 [6]作为平滑滤波器

式中，σ决定着平滑程度，σ 越宽，高斯滤波器的频带就越宽，平滑程度就越好。σ 为窗口大小。

      ⑵初始谷值的选择：经过直方图平滑处理后，直方图中的波峰较准确地反映了图像中元件和背景的信息。此时可以基于求谷的传统方法，将直方图的各波峰的灰度值求平均，求出直方图的初始谷值T。  

       ⑶均谷加权法求阈值：当光照均匀时，表面贴装元器件图像分割中的全局最佳阈值是客观存在的。因此，以上一步的初始谷值为起点，依据图像中不同像素的灰度值Ti对最佳阈值的贡献不同，进行数学统计得到最佳阈值。其中|T-Ti |越大，权越小，即以|T-Ti|的倒数作为权系数来进行计算。其具体步骤如下：

①求归一化系数

②计算每个像素的权系数

③通过对不同像素进行加权处理，得到统计特性下的图像最佳阈值T'


⑷图像阈值分割：利用上一步的阈值选择结果，对图像进行二值化处理，实现表面贴装元器件图像分割。

5 实验结果

      基于上述算法，本文对表面贴装元件中Chip， QFP（四方扁平封装器件）和BGA（球栅阵列器件）三种元器件进行阈值分割处理，并选取了传统阈值分割方法中的迭代法和最大类间方差法进行算法比较实验。不同算法的实验结果如图3～5所示。在图3～5中，第一列是处理前的元器件图像，可见不同类型的元器件其图像灰度分布各不相同；第二列是采用迭代阈值法进行阈值分割后的二值化图，分割阈值分别为129，128，129。在Chip图像中，贴片机吸嘴上比较亮的区域也被分割出来（Chip旁边的亮点），在QFP图中，管脚模糊不清，粘在一起，分割效果很差；第三列是采用全局阈值法中最为常用的最大类间方差法进行阈值分割后的二值化图，该方法基于整幅图像的统计特性来计算，得到的分割阈值分别为160，152，109，在图4（c）和5（c）中， QFP的管脚和BGA的焊点分割不清，其中QFP的管脚分割出来大小不一，而分割后的BGA焊点周围有亮点，这都会影响到后续管脚和焊点具体特征的计算；第四列是采用本文算法进行阈值分割后的二值化图，分割阈值分别为130，132，144。由图3～5可看出，本文算法的分割效果明显好于迭代法和最大类间方差法。在实际表面贴装元器件图像处理中，三种元器件给定的经验阈值分别为130，130，150，本文算法的阈值分割结果也接近实际生产需要。

      表1为同等实验条件下，迭代法、最大类间方差法和本文算法对三种元器件进行图像处理的时间。由该结果可以看出，本文所提出的算法在处理速度上也优于另外两种算法。

6 结论

      本文所提出的基于均谷加权的快速阈值分割算法能够较好地将待识别元件从背景中分割出来，其速度和精度都能满足实际表面贴装生产中视觉检测的要求。但文中所考虑的是光照均匀的情况，若实际图像采集场景中照明不均匀，则无法用全局阈值法进行整幅图像的分割。因此，下一步的工作方向为针对光照不均匀的图像，采用局部阈值法，对表面贴装元器件进行分区域分割处理。