李 昂，潘 晴，萬相奎

（廣東工業(yè)大學(xué) 信息工程學(xué)院，廣州 510006）

0 引言

隨著信息技術(shù)的飛速發(fā)展與迅速普及，大量數(shù)據(jù)內(nèi)容不斷增加。智能移動通信設(shè)備的存儲需求變得越來越大。手機(jī)U盤的出現(xiàn)極大的方便了智能手機(jī)與電腦之間的數(shù)據(jù)共享。在手機(jī)U盤的工業(yè)生產(chǎn)過程中容易出現(xiàn)焊點(diǎn)質(zhì)量缺陷。在傳統(tǒng)質(zhì)量檢測過程中，質(zhì)檢員使用高倍顯微鏡對焊點(diǎn)進(jìn)行人工檢測，這種方式不僅效率低下而且準(zhǔn)確率不高。

基于機(jī)器視覺的在線檢測方法由于其非接觸性、快速性、自動化程度高和可靠性高等特點(diǎn)，已經(jīng)在國內(nèi)外許多領(lǐng)域獲得廣泛應(yīng)用[1,2]。目前的一些檢測設(shè)備主要針對大尺寸PCB電路板，而對于諸如手機(jī)U盤等小尺寸電路板還沒有相關(guān)的系統(tǒng)研究。本文所設(shè)計(jì)系統(tǒng)能克服傳統(tǒng)人工檢測的種種弊端，實(shí)現(xiàn)自動檢測，降低了用人成本。本系統(tǒng)使用低成本CMOS相機(jī)，降低了系統(tǒng)整機(jī)的制造成本，同時驗(yàn)證了CMOS相機(jī)用于工業(yè)檢測的可行性。

1 硬件平臺搭建

計(jì)算機(jī)視覺系統(tǒng)通過圖像采集裝置，將被檢測物轉(zhuǎn)換為圖像信號，利用圖像處理系統(tǒng)根據(jù)像素，圖像亮度，顏色等信息對目標(biāo)進(jìn)行特征提取，再根據(jù)系統(tǒng)的預(yù)設(shè)條件輸出結(jié)果。本系統(tǒng)硬件平臺由工業(yè)相機(jī)、鏡頭、光源以及計(jì)算機(jī)四個部分組成。實(shí)物樣機(jī)照片如圖1所示。

1.1 工業(yè)相機(jī)與鏡頭

根據(jù)實(shí)際需求，為實(shí)現(xiàn)被測物整體尺寸與局部焊點(diǎn)同時檢測，根據(jù)被測物尺寸大小以及相機(jī)工作距離等因素，將視場范圍選定為50mm×38mm（長寬比4:3）。相機(jī)選擇500萬像素CMOS工業(yè)相機(jī)，鏡頭選擇25mm定焦鏡頭。工業(yè)相機(jī)將所采集的圖像通過USB3.0接口傳輸至計(jì)算機(jī)。

圖1 系統(tǒng)樣機(jī)照片

1.2 光源照明

計(jì)算機(jī)視覺中使用光源照明的目的是使被測物的重要特征顯現(xiàn)，并抑制不需要的特征。本系統(tǒng)光源選用環(huán)形碗狀光源，用于檢測表面焊點(diǎn)。碗狀光源照射下，光線通過半球型的內(nèi)壁多次反射，可以對表面不平的物體實(shí)現(xiàn)均勻照明，并可以完全消除陰影。

2 算法設(shè)計(jì)

本系統(tǒng)的檢測算法主要分為三個步驟：預(yù)處理、焊點(diǎn)區(qū)域定位和缺陷識別。首先通過對原始圖像進(jìn)行預(yù)處理、傾斜校正，實(shí)現(xiàn)焊點(diǎn)區(qū)域定位；然后通過二值化處理、計(jì)算連通域面積和水平方向投影提取焊點(diǎn)缺陷特征；最后使用缺陷特征對焊點(diǎn)進(jìn)行分類，從而識別出有缺陷的焊點(diǎn)。算法流程圖如圖2所示。

圖2 算法流程圖

2.1 預(yù)處理

手機(jī)U盤底板區(qū)域與背景區(qū)域灰度級對比明顯，通過這一特征可以使用邊緣檢測提取出手機(jī)U盤的輪廓。首先對采集到的圖像幀進(jìn)行灰度化處理，然后使用高斯濾波器對圖像進(jìn)行平滑濾波。使用Canny算子進(jìn)行邊緣檢測。在邊緣檢測中，抑制噪聲和邊緣精確定位通常無法同時滿足，Canny算子能夠在抗噪聲干擾和精確定位之間尋求最佳折衷方案。由于檢測出的邊緣會存在不連續(xù)性，使用形態(tài)學(xué)處理使檢測出的邊緣線連接完整，如圖3(b)所示。這里采用原點(diǎn)位于中心的3×3對稱結(jié)構(gòu)元素進(jìn)行膨脹運(yùn)算。

2.2 焊點(diǎn)區(qū)域定位

在實(shí)際檢測過程中，被測品是隨意擺放的，因此對焊點(diǎn)區(qū)域的精確定位造成了一定困難。焊點(diǎn)區(qū)域的定位準(zhǔn)確與否，直接影響到后續(xù)缺陷識別的準(zhǔn)確度。焊點(diǎn)區(qū)域定位步驟如下：

1）傾斜校正

使用Hough變換檢測最長邊緣直線，計(jì)算出傾斜角α，將邊緣檢測后的圖像旋轉(zhuǎn)（90-α）度，實(shí)現(xiàn)水平方向傾斜校正，如圖3(c)所示。使用8連通域?qū)A斜校正后的圖像進(jìn)行種子填充，之后選取最大的連通區(qū)域，這樣能夠?yàn)V除背景噪聲。如圖3(d)所示。

2）區(qū)域定位

定位出最大連通區(qū)域的位置。這里采用逐行逐列的掃描方法，先從上到下掃描紀(jì)錄每行中點(diǎn)為1的個數(shù)，當(dāng)一行中1的個數(shù)大于一個閾值時，計(jì)錄行數(shù)。同理再從左到右，從下到上，從右到左掃描記錄，最終得到四個角點(diǎn)的坐標(biāo)。利用這四個角點(diǎn)坐標(biāo)在原始灰度圖上定位整個U盤的區(qū)域，如圖3(e)所示。接下來利用輸出圖像的中心點(diǎn)坐標(biāo)可以很容易定位出焊點(diǎn)所在的矩形區(qū)域，如圖3(f)所示。

圖3 焊點(diǎn)區(qū)域定位流程

2.3 缺陷識別

2.3.1 閾值分割

本方法對正常、橋接和缺焊三種焊點(diǎn)進(jìn)行識別。焊點(diǎn)區(qū)域內(nèi)有5個焊點(diǎn)，為了識別出樣本中每個焊點(diǎn)的質(zhì)量情況，對單個焊點(diǎn)進(jìn)行分割后逐一進(jìn)行識別。在環(huán)形正面光源的照射下，焊錫部位會發(fā)生反光，而沒有焊錫的部位不會。為了提高圖像的檢測效果和識別速度，對焊點(diǎn)區(qū)域的灰度圖像進(jìn)行二值化處理，使圖像只含有黑白兩種顏色像素的圖像，使用最大類間方差法找到一個合適的閾值T，然后通過式(1)輸出二值化圖像g (x，y)。從而排除噪聲干擾，使感興趣的焊點(diǎn)部位得到充分表達(dá)。

f（x，y）為二維灰度圖像函數(shù)，T為閾值，1代表目標(biāo)圖像，0代表背景圖像。

在二值化圖像區(qū)域中，白色部分代表有焊錫的區(qū)域。由于存在焊點(diǎn)二值化區(qū)域間隔較大，且在出現(xiàn)缺陷時排列不均等現(xiàn)象，這里使用提取焊點(diǎn)的質(zhì)心坐標(biāo)來定位焊點(diǎn)以實(shí)現(xiàn)單個焊點(diǎn)分割，如圖4所示。

圖4 焊點(diǎn)分割

2.3.2 特征提取

1）水平方向投影

通過提取焊點(diǎn)的水平方向投影直方圖特征，利用巴氏距離與標(biāo)準(zhǔn)焊點(diǎn)模板進(jìn)行相似度度量，可以區(qū)分出橋接的焊點(diǎn)，而缺焊的焊點(diǎn)的水平方向投影直方圖與正常焊點(diǎn)相似，不容易被區(qū)分。三種類型的焊點(diǎn)水平方向投影直方圖如圖5所示。

圖5 三種類型焊點(diǎn)水平方向投影直方圖

2） 連通區(qū)域面積計(jì)算

通過統(tǒng)計(jì)二值化區(qū)域內(nèi)像素值為1的像素點(diǎn)個數(shù)可以計(jì)算出連通區(qū)域的面積。正常焊點(diǎn)區(qū)域的連通域面積會保持在一定范圍內(nèi)浮動；當(dāng)發(fā)生缺焊時，焊錫會減少，導(dǎo)致連通區(qū)域面積變小。利用這一特征可以區(qū)分出缺焊的焊點(diǎn)。首先利用水平方向投影特征識別出橋接焊點(diǎn)，再以連通區(qū)域面積大小特征對缺焊焊點(diǎn)進(jìn)行識別。

3 實(shí)驗(yàn)與分析

實(shí)驗(yàn)中使用30個手機(jī)U盤樣品上的70個焊點(diǎn)樣本進(jìn)行識別，其中正常焊點(diǎn)50個，橋接和缺焊樣本各為10個。實(shí)驗(yàn)樣本統(tǒng)計(jì)結(jié)果如表1所示。

表1 測試樣本統(tǒng)計(jì)結(jié)果

從實(shí)驗(yàn)結(jié)果中可以看出，缺陷樣本的識別率達(dá)到100%，正常樣本中有兩個被誤判，原因是樣本由于光照等因素的影響，在二值化處理后連通區(qū)域的面積過小，導(dǎo)致被判定為缺焊?？傮w來看本識別方法具有比較高的識別率。

在針對焊點(diǎn)缺陷的識別研究[3～6]中，識別算法大致分為基于統(tǒng)計(jì)建模的圖像對比算法[7]和基于特征的圖像分析算法[8]兩大類。文獻(xiàn)[9]使用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行分類，具有良好的識別效果。但使用神經(jīng)網(wǎng)絡(luò)分類器的運(yùn)算量較大，降低了識別效率。本文使用水平投影直方圖巴氏距離相似度和焊點(diǎn)面積特征相結(jié)合對焊點(diǎn)缺陷進(jìn)行識別，提高了識別速度。

4 結(jié)束語

本文設(shè)計(jì)基于機(jī)器視覺的手機(jī)U盤缺陷自動檢測系統(tǒng)，結(jié)合生產(chǎn)實(shí)際，對手機(jī)U盤的焊點(diǎn)圖像進(jìn)行深入分析；采用邊緣檢測、區(qū)域填充、閾值分割等一系列的圖像處理方法，有效對手機(jī)U盤表面焊點(diǎn)進(jìn)行定位；使用水平方向投影、連通區(qū)域面積作為特征對焊點(diǎn)缺陷進(jìn)行了識別。實(shí)驗(yàn)證明本系統(tǒng)方法能夠?qū)崿F(xiàn)快速準(zhǔn)確的實(shí)現(xiàn)焊點(diǎn)缺陷檢測。

[1] 李薇.PCB自動光學(xué)檢測系統(tǒng)[J].工業(yè)控制計(jì)算機(jī).2009,22(1):44-46.

[2] Acciani G,Brunetti G,Fornarelli G,et al.AOI based neurofuzzy system to evaluate solder joint quality[A].ICEIS 2009-11th International Conference on Enterprise Information Systems[C].2009.

[3] 姚忠偉.基于機(jī)器視覺的PCB缺陷檢測算法研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),2013.

[4] 李昌海.基于AOI的LCD線路缺陷檢測系統(tǒng)[D].成都:電子科技大學(xué),2013.

[5] 劉陽.基于圖像處理的PCB焊接缺陷檢測技術(shù)研究[D].大連:大連理工大學(xué),2009.

[6] 張靜.PCB表觀缺陷的自動光學(xué)檢測理論與技術(shù)[D].成都:電子科技大學(xué),2013.

[7] 李正明,黎宏,孫俊.基于數(shù)字圖像處理的印刷電路板缺陷檢測[J].儀表技術(shù)與傳感器,2012,(8):87-89.

[8] 舒操,汪同慶,李陽.結(jié)合標(biāo)定擬合和模糊理論的焊點(diǎn)特征顏色提取[J].計(jì)算機(jī)工程與應(yīng)用.2013,(11):244-247.

[9] 周穎,趙海鳳,郝紅敏.基于圖像處理的焊點(diǎn)缺陷識別方法的研究[J].計(jì)算機(jī)工程與應(yīng)用,2013,49(1):239-241.