印制电路板点云的关键轮廓特征提取

钟文彬; 李旭瑞; 孙思; 刘光帅

doi:doi:10.3788/LOP57.141001

激光与光电子学进展, 2020, 57 (14): 141001, 网络出版: 2020-07-24

印制电路板点云的关键轮廓特征提取下载： 725次

Key Contour Feature Extraction of Printed Circuit Board Point Cloud

论文大纲

钟文彬 ¹李旭瑞 ^2,*孙思 ²刘光帅 ²

作者单位

¹ 中国电子科技集团公司第十研究所, 四川成都 610036

² 西南交通大学机械工程学院, 四川成都 610031

AI 词云图 AI语音精读 AI语音超短摘要

注：本部分内容由 AI 自动生成，请您知悉。

摘要

针对印制电路板关键轮廓特征提取难的问题,提出了一种将折边线转化为边界线,再进行关键轮廓线特征点提取的算法。该算法首先利用k维树对印制电路板原始点云数据建立拓扑结构,从而实现对k邻域点的快速查找,采用直通滤波算法完成对印制电路板点云的整体预处理;其次通过随机采样一致性算法将印制电路板中面积最大的平面特征单独提取出来,使关键轮廓特征实现了在空间上的分离;再采用基于法向量夹角限制条件的欧氏聚类完成折边特征的点聚类,从而实现将折边线转化为边界线的思想;最后根据k邻域点之间向量的夹角与设定阈值之间的大小关系,来判定查询点是否属于边界轮廓特征点。实验结果表明,该算法能够较为完整地提取出印制电路板点云的关键轮廓线特征信息。

Abstract

Aim

ing at the difficulty of extracting the key contour features of printed circuit boards, an algorithm for transforming the folded edge into the boundary and extracting the key contour feature points is proposed. First, the algorithm establishes a topological structure of the original point cloud data of the printed circuit board by using k dimensional-tree, and realize fast search of the closest k neighborhood points. Pass-through filtering algorithm is used to complete the pre-processing of the printed circuit board point cloud. Second, Random Sample Consensus algorithm is used to extract the plane features with the largest area in the printed circuit board separately, so that the key contour features are spatially separated. The point clustering of the fold edge feature is completed by Euclidean clustering based on normal angle and realize the idea of transforming the folded edge into the boundary. Finally, according to the relationship between set threshold and vector angle between k neighborhood points, one can determine whether the query point belongs to the boundary contour feature point. Experimental results show that the proposed algorithm can extract the key contour feature line of printed circuit board point cloud more completely.

1 引言

印制电路板(PCB)的关键轮廓特征线提取是印制电路板质量检测的基础和关键,在光电行业的检测中起着非常重要的作用^[1]。同时,印制电路板作为最基本的电子部件,为各种不同大小、不同功能的电子元器件提供连接,是非常重要的载体。轮廓特征线作为一种描述物体外形结构和进行尺寸测量的关键特征,已经在实际工程领域得到了广泛应用。特征轮廓线在二维图像领域已经得到了明确的定义,即两个不同灰度区域之间的界限^[2]。国内很多学者针对印制电路板二维图像的边缘信息提取进行了相关的研究。如乔闹生等^[3]提出了结合小波变换与Canny边缘检测的图像融合边缘信息的提取方法;柏长冰等^[4]利用Hough变换快速提取出了印制电路板图像的瑕疵边缘信息。但这类方法都不涉及三维(3D)点云,也不是将三维图形映射为二维图像进行处理,而只是单纯地对直接采集到的二维图像进行传统的数字图像处理。

随着3D数据获取精度的提高和成本的降低,三维扫描技术在多个领域为工程师提供了解决实际工程应用的新思路。点云数据相比于二维图像多了一个维度,因此,三维激光扫描技术是一种具有空间三维信息的测量方式。通过把测量引入三维空间,可以获取传统测量仪器、数字图像分析无法获取或不宜获取的目标结构参数,在一定程度上减轻了传统方法中需要从多个角度分别采集图像的工作量,同时,只需要一个完整模型就可以完成采集目标典型特征的尺寸信息、表面重建等任务,提高了后续工作的处理速度。3D点云特征的描述与提取是点云信息处理中最基础也是最关键的一部分,点云的识别、分割、重采样、配准、曲面重建等处理的大部分算法,都严重依赖特征描述与提取的结果。

在三维点云领域,轮廓特征线主要有边界线和折边两种^[5],边界线主要是非连接区域线,折边主要包含曲率变化较大的连接区域所构成的线^[6]或折线^[7]。一般轮廓特征线可以利用特征点拟合出的一条最佳直线来间接表示^[8],且目前已有一些关于建筑物轮廓线的提取^[9]、道路的边缘提取^[10]等方面的研究。Liu等^[11]利用二维图像处理方法中多尺度思想,结合多尺度下法向量特征的差异性检测目标潜在的特征语义,进而检测出特征点。但该方法应用在印制电路板点云上时,最外圈轮廓和关键芯片处的特征轮廓线缺失严重,不能满足实际要求。凹凸多边形作为一种常用点云多边形的计算方法也被广泛应用在实际工程应用中,Hu等^[12]针对岩石表面包含有多种复杂形状的特点,利用凸包算法对其表面的形状轮廓线进行了提取。但该方法适合于对目标体最外侧轮廓线的提取,而如果目标体内部细节信息较多,则会丢失较多特征信息。邓博文等^[13]利用随机采样一致性(RANSAC)算法和形态学梯度相结合进行特征点集的选取。但该方法对于含有多种形状结构的目标体,其提取信息会出现遗漏或错误。

上述多数研究成果的实验对象均为人造规则点云数据或者大型场景下的激光点云数据,并且多数都将边界和折边分开进行处理,虽然效果较好,但均不能用于印制电路板的特征线提取,且相应的算法在运行时间上开销较大,计算度稍显复杂,无法满足工业上对实时性的要求。印制电路板和上述学者所研究的建筑物、道路和岩石表面等处理对象相比,其最显著的特点就是整体尺寸较小,结构较为精细,要求处理方法的每一个环节都是小尺度处理。考虑到印制电路板形状结构的特殊性,上述一些方法直接用于印制电路板关键轮廓特征提取的效果不是十分理想。本文基于实际工程项目,实验对象为印制电路板点云数据,其点云模型相对较小,细节特征较多,导致特征线较为密集。在获得高精度点云数据的前提下,对印制电路板特征线的提取可以为后期产品尺寸估计和关键芯片位置的提取做好准备。

2 算法概述

本文所提算法的核心工作主要有两点,一是本文算法直接针对PCB三维点云数据进行处理,二是提出了一种将折边转化为边界,再进行轮廓线特征点提取的方法。轮廓特征线中的边界线相对于连续区域的折边线更容易提取,并且提取的精度相对更高,本文采用将折边线转化为边界线的处理思想,再利用边界提取算法,完成对印制电路板关键特征轮廓线的提取。

考虑到工业生产效率和实时性的要求,本文选用易实现、速度快的欧氏聚类分割方法,同时,为了尽可能多地保留边界点信息,引入邻域点法向量夹角的约束条件,使得聚类分割出的关键芯片边缘部分较为齐整。最后,通过比较邻域点和查询点之间向量夹角与设定阈值的大小关系确定查询点是否属于关键轮廓线的特征点。该算法的流程如图1所示。

3 点云数据预处理

3.1 滤波

在获取点云数据时,由于设备精度、操作者经验、环境因素等带来的影响,以及电磁波衍射特性、被测物体表面性质的影响,点云数据中将不可避免出现一些噪声点^[14]。通过观察实际采集到的印制电路板数据可知,噪声点主要是一些离群点,即游离在印制电路板表面之外的噪声点。因为本文算法直接对点云数据进行处理,所以离群点会对后期算法结果造成干扰,影响计算精度,甚至会出现错误的结果。因此,在印制电路板的关键轮廓线特征点提取过程中,需要将滤波处理作为预处理的第一步。本文采集到的数据中离群点主要集中在印制电路板背面的延伸方向上,因此,采用直通滤波方法进行滤波较为方便,并且提高了后期的关键轮廓线特征点的提取速度和精度。

图 1. 印制电路板关键轮廓特征提取算法框架图

Fig. 1. Block diagram of key contour feature extraction algorithm of printed circuit board

下载图片查看所有图片

3.2 kd-tree的建立

由于点云数据主要是表征目标表面的大量点集合,冗余度很高,而且不具备二维图像或传统实体网格数据集合的拓扑关系信息,因此,为了进行法向量平面的估计,本文利用kd-tree建立离散点之间的拓扑关系,从而实现基于k近邻点的快速查找。

4 特征点的提取

4.1 RANSAC最大平面的分离

当三维激光扫描仪的采样间距设置好以后,理论情况下,所采集到的同一目标物体数据点间距值都应为采样间距,即同一目标物体的点云总是紧邻的,视觉上不会出现明显的断裂或离散现象,而原始欧氏聚类算法正是利用距离阈值,从而实现有断裂或离散的数据点的聚类,但对连续区域内的点云数据,不能实现点聚类,因此,需要先将印制电路板的关键特征分离成离散团状,再使用本文的改进算法。印制电路板上规则的平面几何结构较多,而RANSAC作为一种可以鲁棒地估计出几何模型参数的方法,能够估计出印制电路板上平面模型的参数,从而将对应的平面模型分离出来,实现“分割”的目的,并且对外点和噪点具有较好的鲁棒性。

鉴于印制电路板的元器件都是焊接在一块面积最大的平板面上。因此,利用RANSAC算法的这个特性,可以完成对印制电路板中面积最大的平面区域的单独提取,从而实现关键特征在空间上的分离,为后续算法提供了可用于特征提取的点云数据。

4.2 基于法向量夹角条件的欧氏聚类

为了将折边点转换为边界点处理,其处理思路为:在完成印制电路板最大平面分离的基础上,根据空间中离散数据点的欧氏距离,采用点云聚类算法完成对点云的分割。其判断不同位置的数据点为同一簇类的条件为:k邻域点p_i到查询点p_q的距离L(p_q,p_i)满足一定阈值条件。可以表示为

L (p_{q}, p_{i}) \leq d_{th}, (1)

式中:阈值d_th的设定与实验采集到的印制电路板点云分辨率有关。本次实验设备采集到的点云原始分辨率为0.02 mm,经过前期实验验证,在10倍点云分辨率下获取到的聚类簇集合完整地包含了PCB上所有关键电子元器件,但仍然含有部分不需要的缺失边缘成分,通过多次实验测试,本实验最终选取阈值d_th=0.5 mm。

同时,为了使同一簇类点集拥有更多相似的几何性质,即边界点信息更为完整,引入法向量夹角对聚类条件进行限制。首先,使用k近邻搜索(k-NNS)对每一个查询点p_q∈P^k进行k近邻点的快速查找。其中,P^k= $\{p_{1}, \dots, p_{i}\}$ 。对于每一个p_i∈P^k,定义距离d_i的表达式为

d_{i} = (p_{q} - p_{i}) \cdot n 。 (2)

通过最小二乘法拟合平面,利用约束条件d_i=0,可得到一个协方差矩阵c∈R^3×3,其表达式为

c = \frac{1}{k} \overset{k}{\sum_{i = 1}} ζ_{i} (p_{i} - \bar{p}) \cdot (p_{i} {- \bar{p})}^{T}, (3)

式中:ζ_i表示p_i点的权重,通常为1。由k近邻点确定的三维质心,表示为

\bar{p} = \frac{1}{k} \cdot \overset{k}{\sum_{i = 1}} p_{i} 。 (4)

进而可得,

c \cdot v_{m} = λ_{m} \cdot v_{m}, m \in \{0,1, 2\}, (5)

式中:λ_m为特征值;v_m为特征值λ_m对应的特征向量。由约束条件所得到的最小特征值对应的特征向量即为查询点p_q∈P^k处的法向量n_q。

此时,根据计算得出的法向量,根据公式

α_{th} = \frac{1}{k} \overset{k}{\sum_{k = 1}} \arccos \frac{v_{q} \cdot v_{i}}{|v_{q}| |v_{i}|}, (6)

得到法向量夹角阈值α_th,以便用于算法下一部分的计算。

基于法向量夹角条件的欧氏聚类算法描述如下。

1) 为待处理点云数据P创建一个kd-tree,其中,P= $\{p_{1}, \dots, p_{n}\}$ 。n为点云数据点的总个数。初始化:邻近点数目为k;最小聚类数目为N_min;最大聚类数目为N_max;距离阈值为d_th。其中,邻近点数目k由距离阈值d_th所决定,在该距离阈值半径下,邻近点数k在20上下浮动,因此确定邻近点数k取值为20;为了更有效的设定最小聚类数目N_min,事先将实验PCB数据载入可视化软件,人为选取PCB上体积最小的电子模块并读取选中点数,最终设置最小聚类数目N_min=100;由于进行聚类算法前,印制电路板最大平面已经完成分离,剩余待处理的离散点云团两两最小间距远大于距离阈值d_th,因此,最大聚类数目N_max设置为一个大于印制电路板点云总点数的数值即可,本文算法设置最大聚类数目N_max=100000。

2) 新建一个空的点云索引向量C,用于储存聚类结果;新建一个向量Q,并初始化为空,用于储存单次的聚类结果;新建一个bool型向量p_r,用于判断某点是否被处理过,初始化为 $false$ ,表示当前阶段该点未被处理。

3) 新建点索引变量i,初始化i=0,对任意一点p_i∈P^k执行以下步骤:

①首先判断p_i是否被处理过。若p_r=true,则i=i+1,执行表1中伪代码的第3步。若p_r=false,将p_i点的索引放入当前序列Q[j]中,此时,p_j即为首个种子点p_q,并标记该点已经被聚类为一个簇类,即p_r=true。

②根据序列Q[j]中已存入种子点p_q的索引,利用kd-tree搜寻距离p_q最近的k个点,计算每一个k近邻点 $p_{i}^{k}$ 与种子点p_q的距离,根据步骤1中设置的距离阈值d_th,利用(1)式判断点 $p_{i}^{k}$ 是否满足距离限制条件。若满足,则继续比较k近邻点 $p_{i}^{k}$ 的法线n_k与种子点p_q的法线n_q之间的夹角,若满足下式,

\arccos (< n_{q}, n_{k} >) \leq α_{th}, (7)

则判断点 $p_{i}^{k}$ 与种子点p_q归为同一簇类,并将新的k近邻点 $p_{i}^{k}$ 加入到Q[j]中,此时,序列号j=j+1,同时标记 $p_{i}^{k}$ 点的p_r=true。

③将新加入的点p_j作为新的种子点p_q,重复②。

④直到向量Q中所有点都被处理过,此时,根据下式

N_{\min} \leq Q [size] \leq N_{\max}, (8)

判断聚类是否满足要求。若满足,则将Q中的点索引放入到C中,清空Q,若不满足,则舍弃并清空Q,i=i+1,选取下一个种子点。上述算法过程的伪代码流程如表1所示。

表 1. 基于法向量夹角的欧氏聚类

Table 1. Euclidean clustering based on normal vector angle

Input:Point cloud: P= $\{p_{1}, \dots, p_{n}\}$ Parameter: i,j,k,N_min,N_max,d_th,p_r,n,α_thVector: C,Q[j]
1: For i=0 to size $\{P\}$ do
2: If p_r[i]=true then3: continue
4: Q.push_back(i)5: p_r[i]=true6: End if7: For j=1 to j do8: set p_q=p_j as query point9: Use kd-tree to find the k nearest neighbor $p_{i}^{k}$
10: If L(p_q, $p_{i}^{k}$ )≤d_th & arccos (<n_q,n_k>)≤α_th then11: Add $p_{i}^{k}$ to Q[j]12: j=j+113: p_r[i]=true14: End if15:End for
16: If N_min≤Q $[size]$ ≤N_max then17: C.push_back Q[j]
18: clear Q19: i=i+120: End if21: End for22:Return C

查看所有表

由表1可知,折边点转化为边界点的算法是通过两层循环完成。第一层循环用于完成对整个点云数据点的遍历,从而确定临时聚类簇储存向量Q。第二层循环通过在临时聚类簇储存向量Q中选取查询点p_q完成聚类点的确认,从而初步筛选出符合条件的聚类簇。完成该部分的算法流程后,最终返回聚类簇C的结果,得到分割后的印制电路板关键部分,即完成折边点向边界点的转换。

4.3 边界线的提取

4.3.1 边界点投影面构建

利用协方差矩阵计算拟合平面的法向量n=(A,B,C),则投影平面可用P^k点集中的点 $p_{i}^{k}$ =(x_i,y_i,z_i)和平面法向量n表示,如图2所示。故查询点p_q∈P^k处的投影面方程为

A (x - x_{q}) + B (y - y_{q}) + C (z - z_{q}) = 0 。 (9)

图 2. 边界点投影平面的确定

Fig. 2. Determination of the projection plane of the boundary point

下载图片查看所有图片

4.3.2 基于查询点邻域向量夹角差的边界提取

边界点可以利用投影平面上查询点p_q=(x_q,y_q,z_q)和其k近邻点 $p_{i}^{k}$ 连线的夹角θ_i进行定义,表达式为

\{\begin{array}{l} A (x'_{i} - x_{q}) + B (y'_{i} - y_{q}) + C (z'_{i} - z_{q}) = 0 \\ \frac{x'_{i} - x_{q}}{A} = \frac{y'_{i} - y_{q}}{B} = \frac{z'_{i} - z_{q}}{C} = η \end{array}, (10)

式中:k近邻点 $p_{i}^{k}$ 在投影面上的投影点为p'_i=(x'_i,y'_i,z'_i);η为参数。通过(10)式可以得到投影点p'_i的坐标为

\{\begin{array}{l} x'_{i} = Aη + x_{q} \\ y'_{i} = Bη + y_{q} \\ z'_{i} = Cη + z_{q} \end{array} 。 (11)

分别求出查询点p_q和其k近邻点 $p_{i}^{k}$ 的连线夹角θ_i,从而确定出一个由小到大排列的夹角集合Θ= $\{θ_{1}, \dots, θ_{i}\}$ ,此时定义查询点p_q是边界点的条件为

\max (α = θ_{i + 1} - θ_{i}) \geq α_{th} 。 (12)

点的边界属性示意图如图3所示。这里α_th是进行边界轮廓线提取所设置的最大阈值角度,当α_th= $\frac{π}{2}$ 时,在多数场合下均可以取得较好的效果^[15]。

图 3. 边界点确定条件。(a)点在边界轮廓上;(b)点不在边界轮廓上

Fig. 3. Defining conditions of boundary points.(a)Point is on the boundary contour;(b)point is not on the boundary contour

下载图片查看所有图片

5 实验与分析

实验所采用的扫描设备为北京天远三维科技公司的FreeScan X5激光手持三维扫描仪,实验数据为该设备扫描获得的高精度印制电路板点云,并且不存在遮挡问题。系统环境为Windows 7,算法采用C++实现,并使用Qt 5.9.1+VTK实现可视化。算法的运行环境为PC机:CPU为Intel(R) Core(TM) i5-4590 CPU,内存为16.0 GB。

为了验证本文算法的可靠性,对图4(a)所示的印制电路板点云进行轮廓线特征的提取,同时,增设5组采用其他方法的对比实验,进一步说明本文算法对印制电路板关键轮廓线特征提取的适用性。

图4(b)所示为基于半径r进行邻近点搜索的边界提取方法。从实验结果可视化后的效果可以看出,电路板最外层的边界信息保留较为完整,但内部最重要的几个芯片位置及其边界信息丢失严重。

图4(c)所示为基于k近邻点搜索的方式,即本文中所采取的邻近点搜索方式。对比图4(b)的r半径搜索算法,该方法在保留电路板边界信息的基础上,所提取到的电路板内部特征信息更多,例如一些圆孔位置和较为突起的模块,其边界信息和位置信息都有所表达,但该方法所得结果在放大细节后会发现内部边界信息较为粗糙,即边界点信息不齐整,如图5所示,对后续的边界拟合会产生较大影响。

表 4. 轮廓尺寸测量结果与实际值对比

Table 4. Comparison between measurement results of contour size and actual values

Key contour size	Measurement result /mm	Actual value /mm	Actual error /mm	Relative error /%
L1	148.502	148.600	-0.098	-0.065
L2	115.739	115.840	-0.101	-0.087
L3	16.320	16.200	0.120	0.740
L4	16.233	16.260	-0.027	-0.166
L5	14.921	14.880	0.041	0.275

查看所有表

图 4. 6种不同算法对印制电路板特征线提取效果比较示意图。(a)原始点云数据;(b) r半径搜索算法;(c) k近邻搜索算法;(d)凹多边形提取算法;(e)空间凸包提取算法;(f)RANSAC算法;(g)本文算法

Fig. 4. Comparison of feature line extraction effects of 6 different algorithms on printed circuit board. (a) Raw point cloud; (b) r search algorithm; (c) k-NNS algorithm; (d) concave polygon algorithm; (e) convex hull algorithm; (f) RANSAC algorithm; (g) proposed algorithm

下载图片查看所有图片

表 2. 边界点提取后保留特征线点数统计结果

Table 2. Statistical results of number of reserved feature points after boundary point extraction

Algorithm	Number of reservedfeature points	Time /s
r search	1658	178.0
k-NNS	4525	24.0
Concave polygon	281	4.0
Convex hull	183	2.0
RANSAC	6816	28.3
Proposed algorithm	7801	20.8

查看所有表

表 3. 本文算法各子模块耗时

Table 3. Time-consuming of each sub-module of proposed algorithm

Algorithm module	Time /s
Pre-processing	0.096
Detection of maximum plane extraction	1.572
Remaining point extraction	1.672
Boundary 1 extraction	2.773
Boundary 2 extraction	0.474
B1∪B2	0.219
Total time	6.806

查看所有表

图 5. 提取效果对比图。(a)(c) k近邻搜索算法;(b)(d) r半径搜索算法

Fig. 5. Comparison diagrams of the extraction effects. (a)(c) k-NNS algorithm; (b)(d) r search algorithm

下载图片查看所有图片

图4(d)所示为凹多边形边界特征提取方法。从可视化后的效果上可以看出,该方法基本上没有提取出任何有用的特征线信息。图4(e)所示为空间凸包边界提取方法。考虑到点云数据是具有空间信息的三维数据,该方法利用指定的点形成一个二维凸包,再结合指定高度生成一个立体多边形棱柱模型,从而实现对凸包内点的提取。实际实验结果确实比凹多边形方法多提取出了一些内部特征信息,但由于提取出的特征点数较少,效果也不是十分理想。

图4(f)所示为基于RANSAC算法的边界特征提取方法。该方法提取出了印制电路板的大多数关键轮廓线特征信息,但包括芯片位置、圆孔等在内的多处边界点信息提取误差还是较大,出现了夸张的分层现象。另外,电路板最外圈边界点信息有所丢失,细节对比效果如图6所示。

图 6. 提取效果对比图。(a)(c)RANSAC方法;(b)(d)本文方法

Fig. 6. Comparison diagrams of the extraction effects. (a)(c) RANSAC algorithm; (b)(d) proposed algorithm

下载图片查看所有图片

图4(g)所示为本文提出的关键轮廓线特征提取方法,与之前的所有方法对比,该算法使得印制电路板最外圈边界点信息得到了很好地保留,内部的一些孔位和最重要的芯片位置处的边界点信息都得到了较为清晰的表达,且边界处较为齐整。

由表2可知,本文算法所提取的特征线点数比RANSAC算法还要多14%,且这两种算法所提取的点数都要明显多于其他对比算法。因此,二者的轮廓线特征线都表达较为完整。

同时,从表2的运行时间上可以发现,本文算法和RANSAC算法所用时间较为接近,但运行时间开销相对还是有些长,主要原因是二者在算法中都需要进行法向量的计算。基于r半径的搜索方法运行时间最长,可见该方法的搜索方式并不适用于印制电路板的关键轮廓线特征的提取。基于k近邻点的搜索方式花费了一定时间却没有提取到如芯片位置特征之类的关键轮廓特征点。凹多边形和空间凸包边界提取方法运行时间很短,但所提取的关键轮廓特征点过少,也不适合印制电路板关键轮廓特征的提取。

鉴于本文算法有多个处理环节,现给出算法各子模块的运行时间,其中不包括每一部分读取和保存相应结果的耗时。

考虑到实际工程应用中安装印制电路板盖板的精度要求,本文除了将获取到的特征点数目作为评判算法结果的标准,还利用自己开发的点云处理软件测量印制电路板点云提取结果中各个部分的尺寸,并将测量尺寸与PCB实际尺寸进行对比,根据误差是否在一定允许范围内判断结果好坏,从而间接判断所提取到的特征点是否正确。为进一步解释,现列举出实际工程应用中印制电路板的部分轮廓尺寸,如图7所示。

针对图7所示的印制电路板的部分轮廓尺寸,利用自己开发的点云处理软件测量印制电路板点云提取结果中各个部分的尺寸,并将测量尺寸与PCB实际尺寸进行对比,具体结果如表4所示。

图 7. 印制电路板部分轮廓尺寸

Fig. 7. Part contour size of the printed circuit board

下载图片查看所有图片

一般来说,印制电路板外形的常规尺寸公差为±0.15 mm,由表4中的实际误差可以看出,实验结果均满足公差要求,且相对误差均小于1%,进一步说明了本文所提算法的有效性。

6 结论

提出了一种直接以印制电路板点云作为处理对象,通过将折边点转化成边界点,从而将印制电路板中关键轮廓特征提取出来的算法。首先,对原始点云数据进行预处理,其中,包括直通滤波处理和点云kd-tree拓扑结构的建立。其次,为了实现折边点转化为边界点,第一步,利用RANSAC算法将印制电路板中面积最大的平面区域单独提取出来,从而实现电路板内部关键特征在空间上的分离;第二步,采用基于邻域点之间法向量夹角限制条件的欧氏聚类完成折边特征点的聚类,从而实现折边点向边界点的转化;第三步,根据查询点和k近邻点之间向量夹角与设定的阈值之间的大小关系,来判定查询点是否属于边界轮廓特征点。最后将提取出的所有关键轮廓特征点合并在一起,即得到印制电路板的关键轮廓特征。

另外,该算法选取速度相对较快的欧氏聚类,同时,考虑到在折边转化过程中最重要的是尽可能保证折边边界的完整性,引入法向量夹角的限制条件。从最终实验的显示效果上看,本文算法最大程度地保留了印制电路板的关键轮廓特征,且本文算法提取的特征轮廓点数目最多。

本文算法也存在一定的局限性:1)算法受原始点云数据质量影响较大,在今后工作中,应进一步研究如何在有少量数据缺失的条件下,完成对关键轮廓特征的提取;2)印制电路板种类不够丰富,下一步工作要提高本文算法的普适性;3)下一阶段需要利用更多的数据集建立起相应的结果评价标准;4)需要继续优化算法,进一步降低运行时间开销,更好地满足实际应用的实时性要求。

参考文献

[1] Barbucha R. M. K, J. M, et al. Comparison between conventional and laser method of imaging tracks on PCB[J]. Proceedings of SPIE, 2007, 6598: 65980I.

[2] Chen CC. Fast boundary detection: a generalization and a new algorithm[J]. IEEE Transactions on Computers, 1977, 100(10): 988-998.

[3] 乔闹生, 邓磊, 曾友兵, 等. 含噪声且较模糊的印刷电路板光电图像边缘检测研究[J]. 光电子·激光, 2013, 24(4): 740-745.

Qiao N S, Deng L, Zeng Y B, et al. Study of noisy and darker PCB photoelectricity image edge detection[J]. Journal of Optoelectronics·Laser, 2013, 24(4): 740-745.

[4] 柏长冰, 齐春, 宋福民, 等. Hough变换快速检测圆形PCB Mark[J]. 光电工程, 2005, 32(9): 75-78.

Bai C B, Qi C, Song F M, et al. Fast detection of circular PCB mark using Hough transform[J]. Opto-Electronic Engineering, 2005, 32(9): 75-78.

[5] Ni H, Lin X G, Ning X G, et al. Edge detection and feature line tracing in 3D-point clouds by analyzing geometric properties of neighborhoods[J]. Remote Sensing, 2016, 8(9): 710-718.

[6] Demarsin K, Vanderstraeten D, Volodine T, et al. Detection of closed sharp edges in point clouds using normal estimation and graph theory[J]. Computer-Aided Design, 2007, 39(4): 276-283.

[7] Sampath A, Shan J. Segmentation and reconstruction of polyhedral building roofs from aerial lidar point clouds[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(3): 1554-1567.

[8] Rusu RB, SundaresanA, MorissetB, et al. Leaving flatland: realtime 3D stereo semantic reconstruction[M] ∥Intelligent Robotics and Applications. Berlin, Heidelberg: Springer Berlin Heidelberg, 2008: 921- 932.

[9] 王春林, 孙金彦, 周绍光, 等. 影像辅助下LiDAR数据建筑物轮廓信息提取[J]. 国土资源遥感, 2017, 29(1): 78-85.

Wang C L, Sun J Y, Zhou S G, et al. Building boundary extraction using LiDAR data and images[J]. Remote Sensing for Land & Resources, 2017, 29(1): 78-85.

[10] 吕亚磊, 李永强, 范辉龙, 等. 基于车载LiDAR点云联合特征的道路边界提取研究[J]. 地理与地理信息科学, 2019, 35(1): 30-37.

Lü Y L, Li Y Q, Fan H L, et al. Research on road boundary extraction based on conjunction feature of vehicle-borne LiDAR point cloud[J]. Geography and Geo-Information Science, 2019, 35(1): 30-37.

[11] Liu X S, Jin C N. Feature line extraction from unorganized noisy point clouds[J]. Journal of Computational Information Systems, 2014, 10(8): 3503-3510.

[12] Hu L, Xiao J, Wang Y. An automatic 3D registration method for rock mass point clouds based on plane detection and polygonmatching[J]. The Visual Computer, 2020, 36(4): 669-681.

[13] 邓博文, 王召巴, 金永, 等. 基于形态学梯度的激光扫描点云特征提取方法[J]. 激光与光电子学进展, 2018, 55(5): 051203.

Deng B W, Wang Z B, Jin Y, et al. Feature extraction method of laser scanning point cloud based on morphological gradient[J]. Laser & Optoelectronics Progress, 2018, 55(5): 051203.

[14] 朱德海. 点云库PCL学习教程[M]. 北京: 北京航空航天大学出版社, 2012: 151- 152.

Zhu DH. Point cloud library PCL tutorial[M]. Beijing: Beihang University Press, 2012: 151- 152.

[15] Rusu R B. Semantic 3D object maps for everyday manipulation in human living environments[J]. KI - Künstliche Intelligenz, 2010, 24(4): 345-348.

钟文彬, 李旭瑞, 孙思, 刘光帅. 印制电路板点云的关键轮廓特征提取[J]. 激光与光电子学进展, 2020, 57(14): 141001. Wenbin Zhong, Xurui Li, Si Sun, Guangshuai Liu. Key Contour Feature Extraction of Printed Circuit Board Point Cloud[J]. Laser & Optoelectronics Progress, 2020, 57(14): 141001.

印制电路板点云的关键轮廓特征提取下载： 725次

1 引言

2 算法概述

3 点云数据预处理

3.1 滤波

图 1. 印制电路板关键轮廓特征提取算法框架图

Fig. 1. Block diagram of key contour feature extraction algorithm of printed circuit board

3.2 kd-tree的建立

4 特征点的提取

4.1 RANSAC最大平面的分离

4.2 基于法向量夹角条件的欧氏聚类

表 1. 基于法向量夹角的欧氏聚类

Table 1. Euclidean clustering based on normal vector angle

4.3 边界线的提取

图 2. 边界点投影平面的确定

Fig. 2. Determination of the projection plane of the boundary point

图 3. 边界点确定条件。(a)点在边界轮廓上;(b)点不在边界轮廓上

Fig. 3. Defining conditions of boundary points.(a)Point is on the boundary contour;(b)point is not on the boundary contour

5 实验与分析

表 4. 轮廓尺寸测量结果与实际值对比

Table 4. Comparison between measurement results of contour size and actual values

图 4. 6种不同算法对印制电路板特征线提取效果比较示意图。(a)原始点云数据;(b) r半径搜索算法;(c) k近邻搜索算法;(d)凹多边形提取算法;(e)空间凸包提取算法;(f)RANSAC算法;(g)本文算法

Fig. 4. Comparison of feature line extraction effects of 6 different algorithms on printed circuit board. (a) Raw point cloud; (b) r search algorithm; (c) k-NNS algorithm; (d) concave polygon algorithm; (e) convex hull algorithm; (f) RANSAC algorithm; (g) proposed algorithm

表 2. 边界点提取后保留特征线点数统计结果

Table 2. Statistical results of number of reserved feature points after boundary point extraction

表 3. 本文算法各子模块耗时

Table 3. Time-consuming of each sub-module of proposed algorithm

图 5. 提取效果对比图。(a)(c) k近邻搜索算法;(b)(d) r半径搜索算法

Fig. 5. Comparison diagrams of the extraction effects. (a)(c) k-NNS algorithm; (b)(d) r search algorithm

图 6. 提取效果对比图。(a)(c)RANSAC方法;(b)(d)本文方法

Fig. 6. Comparison diagrams of the extraction effects. (a)(c) RANSAC algorithm; (b)(d) proposed algorithm

图 7. 印制电路板部分轮廓尺寸

Fig. 7. Part contour size of the printed circuit board

6 结论

Article Outline

关于本站 Cookie 的使用提示

全站搜索

印制电路板点云的关键轮廓特征提取 下载： 725次

1 引言

2 算法概述

3 点云数据预处理

3.1 滤波

图 1. 印制电路板关键轮廓特征提取算法框架图

Fig. 1. Block diagram of key contour feature extraction algorithm of printed circuit board

3.2 kd-tree的建立

4 特征点的提取

4.1 RANSAC最大平面的分离

4.2 基于法向量夹角条件的欧氏聚类

表 1. 基于法向量夹角的欧氏聚类

Table 1. Euclidean clustering based on normal vector angle

4.3 边界线的提取

图 2. 边界点投影平面的确定

Fig. 2. Determination of the projection plane of the boundary point

图 3. 边界点确定条件。(a)点在边界轮廓上;(b)点不在边界轮廓上

Fig. 3. Defining conditions of boundary points.(a)Point is on the boundary contour;(b)point is not on the boundary contour

5 实验与分析

表 4. 轮廓尺寸测量结果与实际值对比

Table 4. Comparison between measurement results of contour size and actual values

图 4. 6种不同算法对印制电路板特征线提取效果比较示意图。(a)原始点云数据;(b) r半径搜索算法;(c) k近邻搜索算法;(d)凹多边形提取算法;(e)空间凸包提取算法;(f)RANSAC算法;(g)本文算法

Fig. 4. Comparison of feature line extraction effects of 6 different algorithms on printed circuit board. (a) Raw point cloud; (b) r search algorithm; (c) k-NNS algorithm; (d) concave polygon algorithm; (e) convex hull algorithm; (f) RANSAC algorithm; (g) proposed algorithm

表 2. 边界点提取后保留特征线点数统计结果

Table 2. Statistical results of number of reserved feature points after boundary point extraction

表 3. 本文算法各子模块耗时

Table 3. Time-consuming of each sub-module of proposed algorithm

图 5. 提取效果对比图。(a)(c) k近邻搜索算法;(b)(d) r半径搜索算法

Fig. 5. Comparison diagrams of the extraction effects. (a)(c) k-NNS algorithm; (b)(d) r search algorithm

图 6. 提取效果对比图。(a)(c)RANSAC方法;(b)(d)本文方法

Fig. 6. Comparison diagrams of the extraction effects. (a)(c) RANSAC algorithm; (b)(d) proposed algorithm

图 7. 印制电路板部分轮廓尺寸

Fig. 7. Part contour size of the printed circuit board

6 结论

Article Outline

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

印制电路板点云的关键轮廓特征提取下载： 725次