摘要：傳統(tǒng)的曝光機對位系統(tǒng)都是通過手工進(jìn)行對位，隨著裝備制造業(yè)的智能化發(fā)展，國內(nèi)外曝光機廠商對曝光機的智能化需求顯著提升并同時進(jìn)行了研發(fā)[1]。本文提出了一種基于遺傳算法的自動曝光機的菲林圖像自動定位方法。并詳細(xì)描述系統(tǒng)設(shè)計、硬件系統(tǒng)組成、定位模型和算法實現(xiàn)；通過一個實際的應(yīng)用范例證明該方法具有定位精度高、速度快的特點。

關(guān)鍵詞：曝光機 圖像自動定位 方法研究

中圖分類號：TP391.41 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2016）10-0073-02

1 引言

目前，日本ORC公司、臺灣川寶科技、臺灣志圣科技等公司研發(fā)的曝光機都實現(xiàn)了高精度、高解析度的自動化對位，自動化對位已經(jīng)成為了曝光機的必要條件。對于國產(chǎn)的曝光機，圖像定位方法是提高對位精度的最有效解決方法之一，本文研究提高計算速度的基于遺傳算法的定位方法[2-3]。這種方法通過實驗在國內(nèi)的4CCD自動監(jiān)視曝光機上，實現(xiàn)了很好的效果。在圖像對位系統(tǒng)中，由于菲林的熱縮性等性質(zhì)，以及線路板的高精度、小孔徑、多層化的需求，需要系統(tǒng)在2個方面進(jìn)行優(yōu)化設(shè)計：

（1）多孔協(xié)調(diào)對位。需對圖像的四個角進(jìn)行全面協(xié)調(diào)，提出一種多孔協(xié)調(diào)遺傳算法的高速定位算法。（2）在對位時，需建立基本的運動控制及相關(guān)硬件條件。

2 自動曝光機基本原理

2.1 硬件架構(gòu)圖

自動曝光機自動定位算法的基本硬件架構(gòu)和基本原理如圖1所示。

控制系統(tǒng)通過運動控制算法來對所有的硬件進(jìn)行運動控制。圖像系統(tǒng)實時對位置信息進(jìn)行精確計算，并把計算結(jié)果反饋給PC上位機進(jìn)行判斷。如此循環(huán)往復(fù)。

2.2 自動對位模型

曝光機在進(jìn)行雙面同時曝光時，需要對上下菲林片精確對位。因此，對于每個菲林片四個角都進(jìn)行了標(biāo)靶，通過四個角的對位來控制整張圖的精確對位。模型圖2所示。

對于四個角的成像圖，分別定義黑白圓心坐標(biāo)（i=1，2，3，4）：BPoint（bxi，byi），WPoint（wxi，wyi）；分別定義各自圖像兩圓心距離為：Di（i=1，2，3，4）、D2、D3、D4計算公式如下所示：

最后建立公式模型，表示第i個位置的第j（1<=j<=4）個角位置距離：

CCD采集圖像的頻率為30幀/秒，需要在30毫秒內(nèi)快速計算出Di的值。計算最小的D值，其中的關(guān)鍵是快速計算出圓心點的坐標(biāo)。本文研究了一種快速計算圓心坐標(biāo)的方法。

3 算法實現(xiàn)

3.1Canny邊緣檢測

3.1.1 高斯濾波器平滑輸入圖像

平滑后的圖像記fs（x，y）表示，f（x，y）表示圖像數(shù)據(jù)：

3.1.2 計算圖像幅值圖像和角度圖像

3.1.3 梯度幅值圖像應(yīng)用非最大抑制

梯度圖像M（x，y）在局部最大值通常包含更寬的范圍，通過非最大抑制細(xì)化那些邊緣。對每個點為中心的3*3區(qū)域，進(jìn)行非最大抑制，是非最大抑制的圖像。

3.1.4 雙閾值處理和連接分析來檢測并連接邊緣

低閾值和高閾值分別為、。，分別為進(jìn)行閾值處理后圖片。

閾值處理后，中的邊緣可能會存在縫隙，通過如下步驟形成較長邊緣：

（a）中定位下一個未被訪問像素p；（b）中將弱像素標(biāo)記為有效邊緣像素，用8連通性連接到p；（c）如果中所有非零像素已被訪問，調(diào)到步驟（d），否則返回步驟（a）；（d）中未標(biāo)記為邊緣的所有像素置零。

3.2 快速圓心提取

4個攝像頭采集了四幅圖片，在進(jìn)行Canny[4]邊緣提取后，如圖3所示：

圖3中從外到內(nèi)的圓半徑分別記為R1、R2、R3、R4。采用切割法并通過圓心公式來計算粗略圓心。設(shè)定步頻r，從左到右按步頻切割圖像，找到合適的切割點Up1（x，y）、Down1（x，y），開始計算圓心。兩點距離需滿足條件：距離大于R1/2，小于。用以排除輪廓間斷的點和干擾點。兩點需滿足條件：距離大于R1/2，小于R1。用以排除那些輪廓間斷的點和干擾點。

半徑為R1的粗略圓心為R1（x1，y1）：

進(jìn)一步縮小區(qū)域，該區(qū)域是以R1（x，y）為圓心，半徑為（R1-K）的圓，（其中k為實驗值5），對該圓采用切割法來求得半徑R2所在圓圓心R2（x2，y2）。依次求得圓心R3（x3，y3）、R4（x4，y4）。

3.3 精確圓心提取

經(jīng)過快速圓心提取，已經(jīng)求得粗略圓心R1（x1，y1）、R2（x2，y2）、R（x3，y3）、R4（x4，y4）。在實際的工業(yè)應(yīng)用中，有用的數(shù)據(jù)是R2（x2，y2）、R4（x4，x4），根據(jù)R2和R4的圓心值來求得它們所在圓的精確圓心。以圓心R4（x4，y4）為矩形中心，長寬為Height、Width的矩形區(qū)域中，采用遺傳算法找出精確圓心。

下面是遺傳算法求解步驟：

（1）在搜索區(qū)域定義適應(yīng)度函數(shù)，它為圓心（x0，y0）到區(qū)域輪廓（邊緣）點的方差。

f值越小表示（x0，y0）越可能是圓心。給定種群規(guī)模N、交叉率Pc（0.4～0.99）、變異率Pm（0.0001～0.1）和代數(shù)t。

（2）隨機產(chǎn)生U中的N個個體S1， S2， …， Sn，組成初始種群S={s1， s2， …， sN}，置代數(shù)計數(shù)器t=1；對于每個個體的染色體x，y分別用二進(jìn)制表示。例如：點（x1，y1）x1=01001011， y1=10110101；點（x2，y2）x2=01001111，y2=11011111.

（3）計算每個個體的適應(yīng)度值F1，F(xiàn)2， …Fn。

（4）若終止條件滿足，則取S中適應(yīng)度最小的個體作為所求結(jié)果，算法結(jié)束。

（5）按選擇概率P（xi）所決定的選中機會，每次從S中隨機選定1個個體并將其染色體復(fù)制，共做N次，然后將復(fù)制所得的N個染色體組成群體S1。

（6）按交叉率Pc所決定的參加交叉的染色體數(shù)c[5-6]，從S1中隨機確定c個染色體，配對進(jìn)行交叉操作，并用產(chǎn)生的新染色體代替原染色體，得群體S2；交叉操作如下所示：x1=01001011，x2=10010101，交叉后四位

（7）按變異率Pm所決定的變異次數(shù)m，從S2中隨機確定m個染色體，分別進(jìn)行變異操作，并用產(chǎn)生的新染色體代替原染色體，得群體S3；將染色體的第六位（從右往左）進(jìn)行變異（0變1，1變0）。

（8）將群體S3作為新一代種群，即用S3代替S，t = t+1，轉(zhuǎn)步3。

4 應(yīng)用范例

自動曝光機界面圖4所示：

圖4中顯示的是demo程序采集的圖像，并經(jīng)過圖像處理顯示的界面。4個CCD分別對應(yīng)菲林的四個角，遍歷各個角的位置以選取最精確的位置。

試驗設(shè)計：

（1）采集圖像；（2）Canny邊緣提??；（3）快速計算圓心，其中R1=110，R2=78，R3=65，R4=52，單位為像素，求得它們的圓心；（4）采用遺傳算法計算精確圓心：區(qū)域長寬為Width=30，Height=30。

遺傳算法參數(shù)值：初始種群數(shù)量N=6，交叉率Pc=0.8、變異率=0.01和代數(shù)T=0。實驗結(jié)果，如表1所示。

此實驗算法成功應(yīng)用在曝光機中。

5 結(jié)語

本文設(shè)計了一種快速計算機圓心方法。通過遍歷，確定了最高精度位置，從而實現(xiàn)了自動對位。該方法還需要進(jìn)一步優(yōu)化，提高應(yīng)對實際復(fù)雜情況的抗干擾性。目前，是通過遍歷所有位置來計算出所有的位置精度，以此來選出最優(yōu)位置，這極大的增加了對位時間。需設(shè)計一種運動算法，根據(jù)D1、D2、D3、D4值來智能選擇運動路徑。

參考文獻(xiàn)

[1]歐陽琴.大面積PCB投影掃描式激光曝光機的研制[D].廣東工業(yè)大學(xué)，2011.

[2]Pi E， Qu L， Tang X， et al. Application of Genetic Algorithm to Predict Optimal Sowing Region and Timing for Kentucky Bluegrass in China[J]. PLoS One，2015（7）.

[3]王銀年.遺傳算法的研究與應(yīng)用[D].江南大學(xué)，2009.

[4]張志強，宋海生.應(yīng)用Otsu改進(jìn)Canny算子的圖像邊緣檢測方法[J].計算機與數(shù)字工程，2014（01）：122-128.

[5]張錦，李偉，費騰.交叉變異蟻群算法在VRP問題中的應(yīng)用研究[J].計算機工程與應(yīng)用，2009（34）：201-203.

[6]李一鳴.基于交叉變異粒子群算法的復(fù)雜多任務(wù)制造云服務(wù)組合研究[D].重慶大學(xué)，2013.

收稿日期：2016-09-13

作者簡介：徐福生（1988—），男，浙江杭州人，工學(xué)碩士在讀，研究方向：嵌入式系統(tǒng)。