最新PCB基准Mark点模板匹配检测技术全面深度评测与实战技巧分享
如果你仔细观察过印刷电路板（PCB），很容易发现上面散布着一些金色小圆盘，它们独立于任何走线，孤零零地附着在基板上。这些就是基准标记（Fiducial Mark），设计目标非常明确：让视觉系统在图像中一眼定位整块PCB的坐标与朝向。
本文的核心，就是利用 OpenCV 的 matchTemplate() 函数，稳健地提取出这些金色圆盘。完整代码可从 GitHub 仓库获取（链接见文末），但别急着跳转——下面我们会拆解每一步的核心逻辑。
为什么 PCB 离不开基准标记？
在自动化贴片产线上，机器必须将电阻、电容、连接器等分立元件精确贴放到焊盘，再回流焊接。基准标记就是这套系统的“视觉路标”——它告诉贴片机：“板子位置在这里，旋转角度是那个值，别贴偏了。”元件贴装完成后，自动光学检测（AOI）系统还要逐一确认每个元件的偏移是否在公差范围内。这时基准标记再次发挥作用，提供从PCB设计图中的毫米坐标到相机图像像素坐标的刚性变换参考。
没有这些金色小圆盘，自动化设备就像瞎子抓瞎。
预处理
首先将图像转为灰度——基准标记的核心特征是几何形状，颜色信息无关紧要。直接用 OpenCV 的 cvtColor() 一步完成。
以这块PCB为例，基准标记由两个同心圆构成：外圆直径68像素，内圆直径26像素。
matchTemplate() 需要一个模板图像，即我们要搜索的目标形状。有人可能会直接裁剪一个现成的基准标记做模板——但这样风险太大：如果裁剪的那个标记因光照、磨损或加工偏差与其他标记稍有差异，就会漏检。更可靠的做法是人工合成一个“理想基准标记”图像：
# 创建一个合成的基准标记图案
pattern_sizeHW = [args.fiducialOuterDiameterInPixels, args.fiducialOuterDiameterInPixels]
if args.fiducialOuterDiameterInPixels % 2 == 0: # 保证尺寸是奇数
pattern_sizeHW[0] += 1
pattern_sizeHW[1] += 1
fiducial_pattern = np.zeros(pattern_sizeHW, dtype=np.uint8)
cv2.circle(fiducial_pattern, (pattern_sizeHW[1]//2, pattern_sizeHW[0]//2),
args.fiducialOuterDiameterInPixels//2, 70, cv2.FILLED) # 外圆暗灰色
cv2.circle(fiducial_pattern, (pattern_sizeHW[1]//2, pattern_sizeHW[0]//2),
args.fiducialInnerDiameterInPixels//2, 255, cv2.FILLED) # 内圆白色
# 标准化：让图案均值为0，标准差为1
standardized_fiducial_pattern = (fiducial_pattern.astype(np.float32) - fiducial_pattern.mean()) / fiducial_pattern.std()标准化这一步至关重要。我们希望 matchTemplate() 的响应在图像平坦区域接近0，只有在真正匹配到基准标记的位置才接近1。这样后续的阈值筛选才能清晰可辨。
模板匹配
模板准备好后，直接调用 matchTemplate() 进行匹配：
# 模板匹配
match_img = cv2.matchTemplate(grayscale_img.astype(np.float32),
standardized_fiducial_pattern,
cv2.TM_CCOEFF_NORMED)
# 为了可视化，把匹配结果填充到与原图相同尺寸
padded_match_8bits_img = np.zeros((img_shapeHWC[0], img_shapeHWC[1]), dtype=np.uint8)
padded_match_8bits_img[fiducial_pattern.shape[0]//2 : fiducial_pattern.shape[0]//2 + match_img.shape[0],
fiducial_pattern.shape[1]//2 : fiducial_pattern.shape[1]//2 + match_img.shape[1]] = \
(128 * (match_img + 1.0)).astype(np.uint8)留意一个细节：matchTemplate() 基于卷积运算，输出图像的尺寸比原图小——具体来说，如果模板是69×69，输出尺寸在宽和高上都各减少68像素。我们通过外围补零把它对齐到原图尺寸，同时将匹配结果的数值从[-1,1]映射到[0,255]，方便肉眼观察。
上图亮斑代表匹配度较高的区域。我们需要从这些候选点中筛选出真正的基准标记——关键就是找到一个合适的阈值。
手动试阈值？效率太低了。既然我们知道这块PCB上恰好有3个基准标记，那就可以反向推导：从255开始逐步降低阈值，每次统计二值图像中的连通域（斑点）数量，直到恰好数出3个为止。这样阈值就自动确定了。
# 自动寻找能检测出预期数量基准标记的最优阈值
blob_detector = blob_analysis.BinaryBlobDetector()
optimal_threshold = None
optimal_seedPoint_boundingBox_list = None
optimal_annotated_blobs_img = None
for threshold in range(255, 1, -1):
_, thresholded_img = cv2.threshold(padded_match_8bits_img, threshold, 255, cv2.THRESH_BINARY)
seedPoint_boundingBox_list, annotated_blobs_img = blob_detector.DetectBlobs(thresholded_img)
logging.info("threshold = %d; number of blobs = %d", threshold, len(seedPoint_boundingBox_list))
if len(seedPoint_boundingBox_list) >= args.numberOfFiducials:
optimal_threshold = threshold
optimal_seedPoint_boundingBox_list = seedPoint_boundingBox_list
optimal_annotated_blobs_img = annotated_blobs_img
break
logging.info("Optimal match threshold = %d, found %d blobs",
optimal_threshold, len(optimal_seedPoint_boundingBox_list))变换矩阵的计算
现在我们掌握了PCB上三个基准标记的物理坐标（毫米）以及它们在图像中的像素坐标。三个对应点——刚好满足计算单应性矩阵的最低要求。这个矩阵能在毫米坐标与像素坐标之间互相转换。有了它，就可以在图像上精确标出PCB的轮廓，或者裁剪出任意感兴趣的区域进行检测。
上图标注结果证明，三个基准标记均被准确定位，计算出的变换矩阵精度可靠。接下来，只需知道某个元件的物理坐标，就能从图像中稳定地裁出对应区域进行检验。
在实际产线上，被检测的PCB往往在传送带上移动，每块板子的位置和角度都可能不同。但依靠基准标记算出的变换矩阵，无论平移还是旋转，我们都能稳定地找回指定的感兴趣区域。