Visual detection of electronic devices

Tato práce popisuje použití zpracování obrazu pro přesné měření vzdáleností v automatické výrobě hrotu pro AFM mikroskop. Hlavním cílem je měření vzdáleností mezi jednotlivými díly během výroby. Účelem je získání dat pro automatickou výrobní linku, která má nahradit nepřesnou a neopakovatelnou manuální výrobu. Výrobní proces sestává ze tří technologických kroků. V prvních dvou krocích je přilepen wolframový drát k nosníku. V těchto krocích je, pro správné zarovnaní částí, nutno měřit vzdálenost ve všech třech osách. Ve třetím kroku je odleptán ostrý hrot v roztoku KOH. Musí být dodržena správná vzdálenost mezi hladinou roztoku a nosníkem. K získání obrazu je použita kamera s vysokým rozlišením a makro objektivem. Obraz je poté kalibrován, aby bylo odstraněno zkreslení a vliv polohy scény vzhledem k umístění kamery. Je také zjištěn délkový převodní koeficient. Rozpoznání objektů a měření vzdálenosti využívá standardní metody počítačového vidění: adaptivní prahování, momenty, statistické vlastnosti obrazu, Cannyho hranový detektor, Houghovu transformaci,… Navržené algoritmy byly implementovány v jazyce C++ s použitím Intel OpenCV knihovny. Finální dosažené rozlišení při měření je 10 µm na pixel. Výstup algoritmů byl použit k sestavení několika testovacích hrotů.This thesis describes application of image processing for precise distance measurement in self acting production of a tip for AFM microscopes. The main goal is to measure distances between assembly parts during fabrication process. The purpose is to acquire a data for self acting assembly line which have to substitute inaccurate and nonrecurring manual assembly process. The assembly process consists of three technological steps. In first two steps the tungsten wire is glued to the cantilever. Distance measurement is necessary in all axes for proper alignment of parts. In third step the sharp tip is etched by KOH solution. The right distance between liquid level and the cantilever must be kept. A camera with high resolution and macro objective is used to acquire an image. Camera image is then calibrated to suppress distortions and scene position with respect to camera position. Length conversion coefficient is also computed. Object recognition and distance measurement is based on standard computer vision methods, mainly: adaptive thresholding, moments, image statistics, canny edge detector, Hough transform… Proposed algorithms have been implemented in C++ using Intel OpenCV library. The final achieved distance resolution is about 10µm per pixel. Algorithm output was successfully used to assembly few test tips.