基于OpenCV的集成芯片基板定位技术

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于OpenCV的集成芯片基板定位技术范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

文章编号：1006-6268（2009）05-0040-03

摘要：针对集成芯片制造中对定位、校准的高精度、实时性要求，提出了用机器视觉技术解决芯片基板定位的方法，通过对几种模板匹配算法的研究，采用基于opencv的图像分析技术实现了对集成芯片基板的准确定位，解决了传统机械定位精度低、速度慢的问题。

关键词：机器视觉；开放源代码计算机视觉类库；集成芯片基板；模板匹配

中图分类号：TP39文献标识码：A

The Positioning Technology of Intergrated Chip Strip Based on OpenCV

LIU Hun-hai, HU Peng-hao,XIE Hu

(School of Instrument Science and Opto-electronics Engineering ,

HeFei University of Technology ,Hefei 230009 ,China)

Abstract: Because of the high requirement of position and speed in the process of integrated chips, A position method of integrated chip strip based on machine vision was proposed in this paper. By researching several template match algorithms, the accurate positioning of intergrated chip strip is implemented by using image processing technology based on OpenCV, and low precision and slow speed problem of traditional method is solved.

Keywords:machine vision; OpenCV; integrated chip strip; template match

引言

随着现代半导体器件向微型化、集成化和高可靠性方向的发展，芯片生产和制造设备也朝着高速、高精度、智能化的全自动化的方向发展。机器视觉在芯片生产过程中扮演着越来越重要的角色，其中最为广泛的应用是定位。

上海技美电子科技有限公司是一家生产集成芯片基板（如图1）贴膜机的厂家，贴膜工序主要是将芯片贴在一层特殊的膜上，为下一步打断芯片引线做好准备，而为了提高切割效率，通常将三块基板一起，但这样存在相对位置的偏差。针对传统的光电式传感器定位精度低、速度慢的缺点，开发了基于OpenCV的视觉定位系统，系统结构如图2所示。当机械手臂将基板搬运到薄膜上之前，通过该系统，对基板进行定位，然后将结果反馈到控制单元进行调整。

系统使用的CCD相机是型号为XC-ES50CE的SONY相机，有效像素为752×582，图像采集卡使用图1集成芯片基板

的是比利时Euresys公司的产品，型号为Picolo Pro2。在整个系统中，最为关键的问题就是模板匹配。

1 基于灰度的模板匹配方法

本文主要比较了几种基于灰度的图像匹配算法：SSDA算法，金字塔算法，NCC算法等。

模板匹配的基本原理是通过相关函数的计算来找到它和被搜索图的坐标位置[1-2]。如图3所示，设模板T(n×m像素点)叠放在搜索图S上移动，模板覆盖下的那块搜索图为子图 Sij，i,j为这块子图的左上角像点在S图中的坐标。比较T和Sij的内容，若两者一致，则T和S之差为零。测度方法:

1.1 SSDA算法

序贯相似性检测算法（即SSDA算法）是对传统模板匹配算法的改进。SSDA算法计算子图像和模板图像之间的差值，求和时不需要计算所有像素，而是随机抽取某几点像素，只要其和超过设定的阈值，则说明当前位置不匹配，进行下个位置的计算。

但是该算法本身没有抗干扰性，如果在外界有噪声的情况下，算法的精确度不高[3]。

1.2 金字塔算法

金字塔算法也叫分层算法，是直接基于人眼的视觉特点，先粗后细地观看事物，步骤如下：

（1) 预处理。首先对模板和搜索图进行分层预处理。通过每2×2=4个像素平均为一个像素构成二级图像，然后将此图像再用同样的方法处理后得到一个分辨率更低的图像。如此反复，我们可以得到K个处理后的图像。

（2) 先粗后细的匹配。先从低分辨率的图像Sk和TK开始进行匹配运算，找到粗匹配位置(xK,yK)，然后在较高分辨率的图像Sk-1和Tk-1上的粗匹配位置进行搜索，如此下去，一直到最高分辨率的SO和TO上找到匹配位置为止。

1.3 NCC算法

NCC算法就是归一化互相关匹配算法，是一个经典的匹配算法，它是通过计算模板图像和待匹配图像的互相关值来决定匹配的程度，方法如下：

这种算法简单，适用于尺寸较小的图像匹配，且具有很强的抗白噪声能力，在灰度变化及几何畸变不大的情况下精度很高[3]。

2 基于OpenCV的模板匹配程序的 实现

2.1 程序流程及其实现

程序的流程如图4所示，实验采用的算法是NCC算法，函数完成比较后，通过使用cvMinMaxLoc找全局最大值，然后将匹配结果在原图的对应位置标记出来（如图5所示）。

程序实现主要利用OpenCV函数库中的cvMatchTemplate函数[4]，通过滑动过整个待匹配图像，用指定的NCC算法比较模板图像与待匹配图像尺寸为 w×h 的重叠区域，并且将比较结果保存起来。

2.2 OpenCV简介

开放源代码的计算机视觉类库OpenCV(Intel Open Source Computer Vision Library)由英特尔公司位于俄罗斯的研究实验室所基于IPL(Intel Image Processing Library)开发，并与之兼容。具有良好的独立性、跨平台性、功能强大、处理速度快等特点[5]。

3 实验数据

采用的是一张640×484的原图，以及一张64×74的模板图，实验用电脑CPU为IntelCeleron

C PU420 1.6GHz ，内存为1G。经过实验得出，匹配的平均时间为100.128ms，且能找到准确位置，能够满足厂家提出的2,000个/小时的技术要求。

4 结 论

综上所述，利用OpenCV开发的模板匹配程序，拥有匹配准确、执行效率较高等特点，对于个别处理器还进行了优化，适用于对实时性要求不太高的场合，能够满足该企业芯片基板的定位要求，目前该系统已在企业运行。

参考文献

[1] 张广军,机器视觉[M],科技出版社,2005: 7-03-014717-0.

[2] Kenneth R.Castleman,Digital Image Processing,Prentice Hall,1995:0132114674.

[3] 刘锦峰,图像模板匹配快速算法研究[D].湖南长沙:中南大学,2007.

[4] IntelOpen Source Computer Vision Library Reference Manuals[EB／0L].2001.12.

[5] Intel Open Source Computer Vision Library HTML Reference.2003.2.

[6] 黎松,平西建,丁益洪.开放源代码的计算机视觉类库OpenCV的应用[J],计算机应用与软件. 2005,22(8):134-136.

[7] 吕学刚,于明,刘翠响.数字图像处理与计算机视觉编程的有力工具-IPL和OpenCV[J].现代计算机,2002,147:69-71.

作者简介：刘混海(1983- )，男，山西人，硕士研究生，研究方向为光电工程与机器视觉,E-mail: 。

“本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文”