1.本技术的实施例涉及贴片机技术领域，尤其涉及一种贴片机飞达取料方法、装置和贴片机。
背景技术：2.贴头从飞达上吸取物料是贴片机运行的重要环节，而取料坐标的确定是一个必要而且繁琐的过程，贴片机系统初始化时只能给出每个料站的粗略取料坐标，具体的精准坐标是要在将装有载带的飞达安装到贴片机上之后，再进行精确校正。
3.目前，大部分贴片机只有手动校正功能，少部分贴片机具有自动校正功能，一台贴片机的料站少则几十个，多则上百个。针对只有手动校正功能的贴片机，若逐个手动校正取料坐标，非常耗时且容易出错，导致生产效率降低，也会造成生产损失。针对具有自动校正功能的贴片机，在自动校正取料坐标时，只支持白色载带，不支持其他颜色(例如黑色载带、透明载带)，而实际生产中，大量载带都是黑色或透明，因此还是进行手动校正的操作，依然效率较低。
技术实现要素：4.本技术的实施例提供了一种贴片机飞达取料方法、装置和贴片，能够针对不同颜色的载带进行取料坐标的自动校正，从而提高取料的效率。
5.在本技术的第一方面，提供了一种贴片机飞达取料方法，包括：采集贴片机飞达的取料位置处当前时刻的目标图像，所述目标图像中包含有载带，所述载带上具有放置电子器件的孔穴；对所述目标图像进行处理生成所述孔穴的边界模板；将所述边界模板与所述目标图像中的所述孔穴进行位置匹配；在匹配成功后，以所述边界模板的中心坐标作为当前时刻取料坐标，并确定所述当前时刻取料坐标和上一时刻取料坐标之间的偏移量；根据所述偏移量确定最终取料坐标。
6.在一种可能的实现方式中，所述对所述目标图像进行处理生成所述孔穴的边界模板包括：确定所述载带的颜色特征，所述孔穴的形状和所述孔穴的尺寸；根据所述颜色特征选择相应的识别算法来对所述目标图像进行处理；针对处理后的目标图像，根据所述孔穴的形状和所述孔穴的尺寸生成所述孔穴的边界模板。
7.在一种可能的实现方式中，所述识别算法至少包括二值化阈值、滤波窗、x/y方向标准差以及边界模式。
8.在一种可能的实现方式中，所述确定所述载带的颜色特征包括：将所述目标图像输入经过训练的神经网络模型，得到所述目标图像的颜色特征。
9.在一种可能的实现方式中，所述确定所述孔穴的形状和所述孔穴的尺寸包括：获取所述载带的名称；根据所述载带的名称在载带特征库中查询得到所述孔穴的形状和所述孔穴的尺寸；其中，所述载带特征库包括所述载带的名称、所述孔穴的形状和所述孔穴的尺寸的对应关系。
10.在一种可能的实现方式中，所述方法还包括：在匹配失败时，重新提取所述孔穴的边界模板作为所述当前时刻取料坐标，并确定所述当前取料坐标和上一时刻取料坐标之间的偏移量。
11.在本技术的第二方面，提供了一种贴片机飞达取料装置，包括：图像采集模块，用于采集贴片机飞达的取料位置处当前时刻的目标图像，所述目标图像中包含有载带，所述载带上具有放置电子器件的孔穴；模板生成模块，用于对所述目标图像进行处理生成所述孔穴的边界模板；位置匹配模块，用于将所述边界模板与所述目标图像中的所述孔穴进行位置匹配；偏移确定模块，用于在匹配成功后，以所述边界模板的中心坐标作为当前时刻取料坐标，并确定所述当前时刻取料坐标和上一时刻取料坐标之间的偏移量；坐标确定模块，用于根据所述偏移量确定最终取料坐标。
12.在一种可能的实现方式中，所述偏移确定模块还用于：在匹配失败时，重新提取所述孔穴的边界模板作为所述当前时刻取料坐标，并确定所述当前取料坐标和上一时刻取料坐标之间的偏移量。
13.在本技术的第三方面，提供了一种贴片机取料装置，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现上述任一项所述的方法。
14.在本技术的第四方面，提供了一种贴片机，包括上述任一项所述的装置。
15.在本技术的实施例提供的贴片机飞达取料方法、装置和贴片机中，通过采集贴片机飞达的取料位置处当前时刻的目标图像，对目标图像进行处理生成孔穴的边界模板，将边界模板与目标图像中的孔穴进行位置匹配，来确定精确的取料坐标，相比于手动校正取料坐标来说提高了精度和效率，相比于自动校正取料坐标来说能够适应不同颜色的载带，进一步地提高了生产效率。
16.应当理解，发明内容部分中所描述的内容并非旨在限定本技术的实施例的关键或重要特征，亦非用于限制本技术的范围。本技术的其它特征将通过以下的描述变得容易理解。
附图说明
17.结合附图并参考以下详细说明，本技术各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：图1示出了根据本技术的实施例的贴片机飞达取料方法的流程图。
18.图2示出了根据本技术的实施例的贴片机飞达取料装置的方框图。
具体实施方式
19.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。
20.贴片机，又称“贴装机”、“表面贴装系统”(surface mount system)，在生产线中，它配置在点胶机或丝网印刷机之后，是通过移动贴装头把表面贴装元器件准确地放置pcb焊盘上的一种设备。
21.在贴片机工作过程中，贴头从飞达上吸取物料是其运行的重要环节，而取料坐标的确定是一个必要而且繁琐的过程，贴片机系统初始化时只能给出每个料站的粗略取料坐
标，具体的精准坐标是要在将装有载带的飞达安装到贴片机上之后，再进行精确校正。
22.目前，大部分贴片机只有手动校正功能，少部分贴片机具有自动校正功能，一台贴片机的料站少则几十个，多则上百个。针对只有手动校正功能的贴片机，若逐个手动校正取料坐标，非常耗时且容易出错，导致生产效率降低，也会造成生产损失。针对具有自动校正功能的贴片机，在自动校正取料坐标时，只支持白色载带，不支持其他颜色(例如黑色载带、透明载带)，而实际生产中，大量载带都是黑色或透明，因此还是进行手动校正的操作，依然效率较低。
23.为解决上述的技术问题，本技术实施例提供了一种贴片机飞达取料方法、装置和贴片机。
24.图1示出了本技术的实施例的贴片机飞达取料方法的流程图。如图1所示，该方法包括以下步骤：步骤101，采集贴片机飞达的取料位置处当前时刻的目标图像。
25.载带，是指在一种应用于电子包装领域的带状产品，它具有特定的厚度，在其长度方向上等距分布着用于承放电子元器件的孔穴(亦称口袋)，其主要应用于电子元器件贴装工业，配合盖带(上封带)使用,将电阻,电容,晶体管,二极管等电子元器件承载收纳在载带的孔穴中，并通过在载带上方封合盖带形成闭合式的包装，用于保护电子元器件在运输途中不受污染和损坏。电子元器件在贴装时，盖带被剥离，贴片机通过对载带上的孔穴精确定位，将孔穴中盛放的元器件依次取出，并贴放安装在集成电路板(pcb板)上。
26.在本实施例中，在采集目标图像时，可以采用贴片机上的mark相机来进行采集。示例地，mark相机可以运动飞达取料坐标的粗略位置处，采集取料位置处的目标图像。由于采集的目标图像为飞达的取料位置处的图像，因此目标图像中包含有载带以及载带上用于放置电子器件的孔穴。
27.步骤102，对目标图像进行处理生成孔穴的边界模板。
28.在一些实施例中，可以采用如下的方法对目标图像进行处理来生成孔穴的边界模板：首先，确定载带的颜色特征，孔穴的形状和孔穴的尺寸。料带的颜色特征可以采用神经网络模型来进行确定，具体地，可以将目标图像输入经过训练的神经网络模型，得到目标图像的颜色特征。在训练神经网络模型时，需要采集大量的载带图片，并对载带的颜色进行标记，标记完成后对载带图片进行处理得到载带图片的加权灰度直方图，然后通过载带图片的加权灰度直方图来训练神经网络模型，最终得到所述经过训练的神经网络模型。需要说明的是，载带的颜色可以为白色、黑色及透明。当然，载带也可以是其他颜色，此处不作限定。
29.本实施例中，孔穴的形状为矩形或圆形。孔穴的形状为矩形时，其尺寸为长和宽。孔穴的形状为圆形时，其尺寸为半径或直径。可以根据载带的名称、载带上孔穴的形状和载带上孔穴的尺寸的对应关系构建载带特征库，在需要确定孔穴的形状和孔穴的尺寸时，可以通过载带的名称在载带特征库中进行查询得到。
30.然后，根据颜色特征选择相应的识别算法来对目标图像进行处理。通过载带的颜色特征选择相应的识别算法后，采用相应的识别算法对目标图像进行处理，由于载带为矩形长条，因此关心的区域是目标图像的中间区域的矩形长条，而非整张图片，因此可以根据
roi算法得到关心区域，并计算出关心区域的加权系数k(x,y)，计算图像的灰度g(x,y)，则图像的加权直方图为∑k(x,y)*g(x,y)，将加权直方图输入经过训练的神经网络模型，可以得到载带的颜色特征。
31.在本实施例中，识别算法至少包括二值化阈值、滤波窗、x/y方向标准差以及边界模式。在一中可能的实现方式中，根据颜色特征选择识别算法可以采用下式来进行表示：p{p0,p1,
…
,pn}＝p(color)其中，p(color)为载带的颜色特征，pn为识别算法，n＝1,2,3,
…
。
32.最后，针对处理后的目标图像，根据孔穴的形状和孔穴的尺寸生成孔穴的边界模板。
33.步骤103，将边界模板与目标图像中的孔穴进行位置匹配。
34.步骤104，在匹配成功后，以边界模板的中心坐标作为当前时刻取料坐标，并确定当前时刻取料坐标和上一时刻取料坐标之间的偏移量。
35.需要说明的是，在匹配成功后，不执行步骤105，直接执行步骤106。
36.步骤105，在匹配失败时，重新提取孔穴的边界模板作为当前时刻取料坐标，并确定当前取料坐标和上一时刻取料坐标之间的偏移量。
37.需要说明的是，在匹配失败时，需要重新执行步骤102和步骤103，直到匹配成功。
38.步骤106，根据偏移量确定最终取料坐标。
39.根据本技术的实施例，通过采集贴片机飞达的取料位置处当前时刻的目标图像，对目标图像进行处理生成孔穴的边界模板，将边界模板与目标图像中的孔穴进行位置匹配，来确定精确的取料坐标，相比于手动校正取料坐标来说提高了精度和效率，相比于自动校正取料坐标来说能够适应不同颜色的载带，进一步地提高了生产效率。
40.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本技术所必须的。
41.以上是关于方法实施例的介绍，以下通过装置实施例，对本技术所述方案进行进一步说明。
42.图2示出了根据本技术的实施例的贴片机飞达取料装置的方框图。如图2所示，贴片机飞达取料装置包括：图像采集模块201，用于采集贴片机飞达的取料位置处当前时刻的目标图像。目标图像中包含有载带，载带上具有放置电子器件的孔穴。
43.模板生成模块202，用于对目标图像进行处理生成孔穴的边界模板。
44.位置匹配模块203，用于将边界模板与目标图像中的孔穴进行位置匹配。
45.偏移确定模块204，用于在匹配成功后，以边界模板的中心坐标作为当前时刻取料坐标，并确定当前时刻取料坐标和上一时刻取料坐标之间的偏移量。
46.坐标确定模块205，用于根据偏移量确定最终取料坐标。
47.在一些实施例中，模板生成模块202具体用于：确定载带的颜色特征，孔穴的形状和孔穴的尺寸；根据颜色特征选择相应的识别算法来对目标图像进行处理；针对处理后的
目标图像，根据孔穴的形状和孔穴的尺寸生成孔穴的边界模板。
48.在一些实施例中，识别算法至少包括二值化阈值、滤波窗、x/y方向标准差以及边界模式。
49.在一些实施例中，模板生成模块202具体用于：将目标图像输入经过训练的神经网络模型，得到目标图像的颜色特征。
50.在一些实施例中，模板生成模块202具体用于：获取载带的名称；根据载带的名称在载带特征库中查询得到孔穴的形状和孔穴的尺寸；其中，载带特征库包括载带的名称、孔穴的形状和孔穴的尺寸的对应关系。
51.在一些实施例中，偏移确定模块204还用于：在匹配失败时，重新提取孔穴的边界模板作为当前时刻取料坐标，并确定当前取料坐标和上一时刻取料坐标之间的偏移量。
52.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
53.在另一方面，本技术还提供了一种贴片机取料装置，包括存储器和处理器，存储器上存储有计算机程序，处理器执行所述程序时实现上述实施例中任一项所述的贴片机飞达取料方法。
54.在又一方面，本技术还提供了一种贴片机，包括上述的贴片机飞达取料装置。
55.以上描述仅为本技术的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本技术中所涉及的申请范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述申请构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本技术中申请的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。