周穎，王雪，劉坤，李明旭

（1.河北工業(yè)大學(xué)控制科學(xué)與工程學(xué)院，天津 300130；2.河北省控制工程技術(shù)研究中心，天津 300130）

基于小波特征與支持向量機(jī)的焊點(diǎn)缺陷識別方法的研究

周穎1,2，王雪1，劉坤1,2，李明旭1

（1.河北工業(yè)大學(xué)控制科學(xué)與工程學(xué)院，天津 300130；2.河北省控制工程技術(shù)研究中心，天津 300130）

基于視覺信息的焊點(diǎn)缺陷檢測已成為當(dāng)前機(jī)器視覺中的研究熱點(diǎn)問題．針對焊接設(shè)備的不穩(wěn)定性、操作環(huán)境的不確定性等問題對焊點(diǎn)質(zhì)量的影響，本文提出了利用增強(qiáng)小波系數(shù)和主成分分析相結(jié)合的方法對焊點(diǎn)圖像特征進(jìn)行提取，利用主成分分析的降維作用，對提取的增強(qiáng)小波系數(shù)50維特征向量進(jìn)行降維處理．同時提出了融合決策樹與支持向量機(jī)的方法對焊點(diǎn)的缺陷類型進(jìn)行識別．實(shí)驗(yàn)結(jié)果表明，本文提取的焊點(diǎn)特征值具有更好的區(qū)分性與緊致性，提出的分類方法有效提高了焊點(diǎn)缺陷檢測的識別率，同時提高了算法效率．

焊點(diǎn)缺陷識別；小波系數(shù)；主成分分析；決策樹；支持向量機(jī)

0 引言

隨著工業(yè)上對印制電路板趨向高精度化、多層次化發(fā)展的需求，焊點(diǎn)作為銜接各個電氣組件與電路板之間的橋梁，在電路板的加工過程中發(fā)揮著不可輕視的作用．而在操作工藝中存在的諸多不確定因素，如：焊接設(shè)備的不穩(wěn)定性、操作環(huán)境的不確定性、焊料添加的差異性等，最終將導(dǎo)致焊點(diǎn)存在缺焊、虛焊、立碑、塌陷、橋接、破洞等諸多問題，影響產(chǎn)品的最終質(zhì)量，導(dǎo)致產(chǎn)品次品率上升．隨著計(jì)算機(jī)技術(shù)和數(shù)字圖像處理技術(shù)的快速發(fā)展，對其焊點(diǎn)通過機(jī)器視覺設(shè)備所獲取得圖像進(jìn)行分析與識別已經(jīng)成為當(dāng)前電子工藝發(fā)展的迫切需要[1-3]．

在機(jī)器視覺采集系統(tǒng)中，如何提取有效的焊點(diǎn)圖像特征是保證準(zhǔn)確分類與識別的關(guān)鍵所在[4-5]．國內(nèi)對于焊點(diǎn)缺陷檢測的研究起步相對較晚，在已有的研究中大多針對于提取多維的焊點(diǎn)圖像特征直接進(jìn)行識別分類，導(dǎo)致提取特征值維數(shù)過大，算法的復(fù)雜度過高[6-8]．本文在圖像預(yù)處理基礎(chǔ)上，重點(diǎn)從形狀特征、直方圖特征、小波特征三個方面對焊點(diǎn)圖像信息進(jìn)行特征提取，并對其提取的多維小波系數(shù)特征值進(jìn)行主成分分析降維處理，有效地降低了檢測時間，提高了檢測效率．在焊點(diǎn)識別分類過程中，多數(shù)文獻(xiàn)采取神經(jīng)網(wǎng)絡(luò)分類識別方法，但其在解決小樣本、非線性、高維模式識別等問題中相對于支持向量機(jī)分類識別具有一定局限性[9-10]．本文在識別方法上采用了最小二乘支持向量機(jī)與決策樹融合的分類方法，對其提取的有效特征進(jìn)行分類、識別．最終實(shí)驗(yàn)結(jié)果表明該方法有效提高了焊點(diǎn)缺陷的識別率，提高了算法效率．

1 圖像預(yù)處理

為了避免圖像采集過程中由于照明不均勻、采集儀器波動性、PCB板上有污垢等對其焊點(diǎn)圖像的影響，保證提取焊點(diǎn)圖像特征值的直觀性、有效性，首先，要對采集的焊點(diǎn)圖像進(jìn)行圖像去噪、圖像增強(qiáng)、圖像二值化、圖像邊緣檢測處理，詳見圖1．

圖1 圖像預(yù)處理結(jié)果Fig.1 Image preprocessing results

為了削弱圖像采集過程中所產(chǎn)生的椒鹽噪聲，比較選取3×3模板大小的中值濾波去噪．圖像增強(qiáng)采用灰度變化的目的是增強(qiáng)圖像對比度，將檢測的焊點(diǎn)與底板背景更好的區(qū)分，加強(qiáng)圖像固有特性．為了更好的提取圖像形狀特性，使其得到僅含有黑白兩種像素的圖像，將增強(qiáng)后的圖像利用閾值分割法進(jìn)行二值化處理．圖像邊緣檢測采用Sobel算子的邊緣檢測方法降低圖像邊緣噪聲，加強(qiáng)圖像邊緣信息，產(chǎn)生了較好的邊緣檢測效果．

2 焊點(diǎn)圖像特征提取

由圖2看出，不同類別焊點(diǎn)的形狀各不相同，其面積、周長、致密度在其檢測效率上較為精確，在圖像二值化、邊緣檢測處理基礎(chǔ)上得出焊點(diǎn)特征值向量1．

圖2 焊點(diǎn)面積、周長對比結(jié)果Fig.2 Solder jointarea,perimeter comparison results

采集圖像的灰度值函數(shù)用灰度直方圖代表，由圖3可以看出焊點(diǎn)類型不同時直方圖上灰度的分布有一定的差異，直方圖特性的穩(wěn)定性和抗干擾性較好的解決了環(huán)境差異性帶來的干擾．為了更好的提取所采集焊點(diǎn)的特征值，分別對焊點(diǎn)直方圖的均值、標(biāo)準(zhǔn)偏差、偏斜、峰度、能量、高亮比進(jìn)行提取，得出焊點(diǎn)特征值向量2．

圖3 焊點(diǎn)灰度直方圖對比結(jié)果Fig.3 Solder joint histogram comparison results

2.3 小波特征提取

2.3.1 小波系數(shù)的提取

快速小波算法Mallat是基于多分辨分析基礎(chǔ)上提出的，在小波分析中有著舉足輕重的地位．為了更好的提取精確的焊點(diǎn)小波特征向量，在小波算法中使用算法運(yùn)算增大了圖像間差別進(jìn)而提高焊點(diǎn)圖像的識別精度，利用一種改進(jìn)的小波算法對其圖像的三級小波分解（圖4）系數(shù)進(jìn)行增強(qiáng)，從而得到一個關(guān)于焊點(diǎn)圖像信息的特征向量組．

圖4 三級小波分解示意圖Fig.4 Three levelswaveletdecomposition

針對小波三級分解得到的各組系數(shù)，利用小波增強(qiáng)算法，采用公式(1)、公式(2)分段線性形式的增強(qiáng)函數(shù)對其模值處在[Tmin,Tmax]之間的數(shù)據(jù)進(jìn)行增強(qiáng)．

式中：Sjm,n代表第j組小波系數(shù)，Mjm,n代表第j組小波系數(shù)增益，Sjm,nmax代表小波系數(shù)的模值最大值，max Sjm,n代表小波系數(shù)的模值截去最大值后的極大值．其截去處理保證了在圖像發(fā)生局部突變時，增益函數(shù)的有效性．

獲取焊點(diǎn)圖像小波特征向量過程如下：

1）對二值化處理后的焊點(diǎn)圖像進(jìn)行三級小波分解，得到各組小波系數(shù)．

2）選取適合各組小波系數(shù)的閾值Tmin和Tmax．

3）計(jì)算每組小波系數(shù)的模極大值、自適應(yīng)增益Mjm,n．

4）利用上述公式對各組小波系數(shù)進(jìn)行分段線性變化，得到增強(qiáng)后小波系數(shù)．

5）取標(biāo)準(zhǔn)合格焊點(diǎn)圖像進(jìn)行1-4步計(jì)算，得出標(biāo)準(zhǔn)小波系數(shù)，記為B1，B2，…，B10．取待測焊點(diǎn)圖像進(jìn)行1）～4）步計(jì)算，得出待測小波系數(shù)，記為D1，D2，…，D10．

6）分別計(jì)算待測小波系數(shù)D1，D2，…，D10的均值、方差、標(biāo)準(zhǔn)差，與標(biāo)準(zhǔn)焊點(diǎn)小波系數(shù)B1，B2，…，B10的協(xié)方差、相關(guān)系數(shù)值，各自記為T1，T2，…，T10（每個Ti中含有5個特征值），從而得到10個5維的焊點(diǎn)特征向量，記為．

2.3.2 基于主成分分析的小波系數(shù)特征降維

主成分分析（PrincipalComponentAnalysis，PCA）核心是剔除圖像特征向量采集過程中的冗余信息，以排除數(shù)據(jù)共存中相互重疊的變量，選取代表樣本主要信息的成分，用較少的特征量對樣本信息進(jìn)行描述，達(dá)到減少分類時間的目的．

3 SVM與決策樹融合的識別方法

支持向量機(jī)（SupportVectorMachine，SVM）的基本原理是在分類樣本之間尋求一個線性分類面將樣本劃分開來，并使分類之間的間隔最大化，對于線性不可分的樣本，首先通過非線性變化將輸入空間變換到一個高維特征空間，在其新生成的空間內(nèi)進(jìn)行線性劃分．假設(shè)其線性回歸分離超平面方程為

其中，本文用到的SVM核函數(shù)為徑向基核函數(shù)（RBF）

圖5 支持向量機(jī)整體分類Fig.5 Overall classification of SVM

圖6 決策樹支持向量機(jī)分類Fig.6 Classification of the decision-tree SVM

目前常用的支持向量機(jī)分類構(gòu)造方法分為：整體法、一對余、一對一和決策樹分類法．決策樹分類不存在不可分區(qū)域，分類不需要遍歷所有的分類器，是一種應(yīng)用較為廣泛的分類方法．對于k類分類問題，應(yīng)用決策樹SVM分類法只需要構(gòu)造k 1個子分類器，分類過程中類別個數(shù)逐層減少，訓(xùn)練分類器過程中所需訓(xùn)練樣本較少，訓(xùn)練時間較短．

利用決策樹在相對較短的時間內(nèi)能夠?qū)Υ笮蛿?shù)據(jù)源做出可行且效果良好的分類優(yōu)勢，本文采用決策樹和支持向量機(jī)相結(jié)合的方法減少分類計(jì)算量，提高分類精度，并將其與支持向量機(jī)整體分類的方法進(jìn)行比較．

本文主要對比運(yùn)用LIBSVM軟件包和LSSVM工具箱對其焊錫合格、焊錫過多、焊錫過少、缺焊等4類焊點(diǎn)分類問題結(jié)合提取的焊點(diǎn)特征向量1、2、3進(jìn)行研究，4類訓(xùn)練、測試樣本分別選取30個，分別采用如圖5、圖6的分類方式，得出測試結(jié)果如表1所示．

為了更好的體現(xiàn)應(yīng)用主成分分析優(yōu)勢，運(yùn)用LSSVM工具箱結(jié)合決策樹分類得出結(jié)果如表2所示．

表1 實(shí)驗(yàn)結(jié)果1Tab.1 Experimental results1

表2 實(shí)驗(yàn)結(jié)果2Tab.2 Experimental results2

實(shí)驗(yàn)結(jié)果表明，運(yùn)用LSSVM結(jié)合決策樹分類方法優(yōu)化了分類計(jì)算量，并在利用主成分分析對小波特征系數(shù)降維的條件下提高了檢測效率和焊點(diǎn)識別率．

4 結(jié)論

采用主成分分析的降維處理方法，將小波增強(qiáng)算法提取的50維小波系數(shù)特征向量進(jìn)行降維處理為5維，結(jié)合基于形狀、直方圖提取的特征向量建立新的焊點(diǎn)特征向量模型，融合決策樹與支持向量機(jī)LSSVM的焊點(diǎn)缺陷識別算法對采集焊點(diǎn)進(jìn)行識別分類．通過仿真對比得出，該方法改進(jìn)了傳統(tǒng)智能識別大樣本、特征向量非線性、識別向量維數(shù)過多、檢測時間過長的問題，提高了焊點(diǎn)缺陷識別率，加快了算法效率．

[1]Jiang B C，Wang C C，Hsu Y N．Machine vision and background remover-based approach for PCB solder joints inspection[J]．International Journal of Production Research，2007，45（2）：451-464．

[2]鄲永彩，鄧細(xì)鳳，高湖．基于主成分分析的表面缺陷自動檢測算法[J]．計(jì)算機(jī)工程，2013，39（2）：216-219．

[3]Said A F，BennettBL，Karam L J，etal．Automated detection and classification ofnon-wetsolder joints[J]．Automation Scienceand Engineering，2011，8（1）：67-80．

[4]趙輝煌，周德儉，吳兆華，等．基于小波包變換與自適應(yīng)閾值的SMT焊點(diǎn)圖像去噪[J]．焊接學(xué)報(bào)，2011，32（11）：73-76．

[5]周穎，郝紅敏，裘之亮，等．基于改進(jìn)小波變換的焊點(diǎn)識別方法的研究[J]．河北工業(yè)大學(xué)學(xué)報(bào)，2013，42（2）：15-19．

[6]盧盛林，張憲民．少缺陷樣本的PCB焊點(diǎn)智能檢測方法[J]．焊接學(xué)報(bào)，2009，30（5）：57-60．

[7]趙春暉，張燚，王玉磊．基于小波核主成分分析的相關(guān)向量機(jī)高光譜圖像分類[J]．電子與信息學(xué)報(bào)，2012，34（8）：1905-1910．

[8]Honeine P．Onlinekernelprincipal componentanalysis:A reduced-ordermodel[J]．Pattern Analysisand Machine Intelligence，IEEETransactions on，2012，34（9）：1814-1826．

[9]Barros R C，Basgalupp M P，De Carvalho A，et al．A survey of evolutionary algorithms for decision-tree induction[J]．Systems，M an，and Cybernetics，PartC:Applicationsand Reviews，IEEE Transactionson，2012，42（3）：291-312．

[10]Wang H，Ma J，Wang C．Study on the classification ofmulti-spectral images based on a FSVM multi-class classifierw ith the binary tree[J]．Optoelectronics Letters，2010，6（1）：61-64．

[責(zé)任編輯 代俊秋]

Study on recognitionmethod of solder jointdefectsbased onwavelet feature and supportvectormachine

ZHOU Ying1,2，WANG Xue1，LIU Kun1,2，LIM ing-xu1

(1.School of Control Science and Engineering,Hebei University of Technology,Tianjin 300130,China;2.Hebei Control Engineering Research Center,Tianjin 300130,China)

Solder joint defects detection based on visual information has become a research hot spot inmachine vision. Aim ing at the influenceson thequality of solder joint caused by the instability ofwelding equipmentand theuncertainty of operating environment,enhanced wavelet coefficients combinedw ith principalcom ponentanalysis is proposed in this paper to extract image featuresof solder joint,the extracted 50 dimension ofenhanced wavelet coefficientscharacteristic vectorsare reducedbyusing principalcomponentanalysis.At thesame time,decision-tree combinedw ith supportvector machine isalso proposed to identify defect typesof solder joint.The experimental resultsshow that theextracted characteristic valueof solder jointhasbetterdiscrim ination and compactness,the proposed classificationmethod effectively improves the recognition rateof the solder jointdefects detection and theefficiency of thealgorithm.

solder jointdefects identification;waveletcoefficients;principalcomponentanalysis;decision-tree; support vectormachine

TP391.41

A

1007-2373(2015)01-0006-06

10.14081/j.cnki.hgdxb.2015.01.002

2014-09-01

河北省高等學(xué)?？茖W(xué)技術(shù)研究指導(dǎo)項(xiàng)目（Z2012171）；河北省青年自然科學(xué)基金（F2014202166）

周穎（1971-），女（漢族），副教授，博士．