眭石軍，廖 平

(中南大學機電工程學院，湖南長沙 410083)

0 引言

FPC (flexible printed circuit)柔性印刷電路，是一種以有機薄膜為基材，并在其表面敷有能夠撓曲的薄銅箔導體以制成的柔性電路板，具有質(zhì)量輕、厚度薄、可彎曲、所占空間小等特點[1-2]。FPC可以在結(jié)構上實現(xiàn)三維互連安裝，使得電子設備的體積得到有效減少，已經(jīng)廣泛應用于電腦、手機、LCD顯示屏等產(chǎn)品[3-4]。與此同時，精密電子設備中對FPC的精度要求也越來越高，產(chǎn)品的質(zhì)量檢測在FPC 生產(chǎn)過程中越來越重要。

FPC的缺陷檢測有電學性能檢測以及外觀檢測等，前者主要使用探針對FPC進行短路或者斷路檢查；后者即表面缺陷檢測，需要人工借助于顯微鏡或放大鏡進行觀察，這種方式比較靈活，但顯然效率低下、成本過高[5]。因此本文基于機器視覺對FPC表面缺陷的檢測方法進行了研究，能夠有效提取缺陷并進行識別，提高缺陷檢測效率[6]。

1 FPC缺陷檢測硬件系統(tǒng)

FPC表面缺陷檢測系統(tǒng)的主要硬件結(jié)構組成如圖1所示，包括圖像采集系統(tǒng)及圖像處理系統(tǒng)。

圖1 FPC表面缺陷檢測系統(tǒng)

其中圖像采集系統(tǒng)包括工業(yè)相機、鏡頭、光源及光源控制器，圖像處理系統(tǒng)則為PC機，與相機通過千兆以太網(wǎng)進行通信。根據(jù)視野范圍、工作距離以及檢測精度的要求，對硬件進行選型，其中相機選用大恒的CMOS黑白相機，分辨率為2 448像素×2 048像素，幀率為20fps；鏡頭為遠心鏡頭。根據(jù)缺陷特征需要低角度的環(huán)形光源照明，故選用拓視達的零角度環(huán)形LED光源。

2 基于Halcon的FPC表面缺陷檢測

本文所做的工作主要是對FPC的表面缺陷進行檢測，在高精度的電子產(chǎn)品中這些缺陷會嚴重影響FPC的性能及其使用壽命。Halcon是機器視覺軟件，因其功能全面、效率高、項目開發(fā)周期短等優(yōu)點，已經(jīng)在工業(yè)生產(chǎn)中得到了廣泛應用[7]。

2.1 油墨不良、版面污染缺陷檢測

油墨不良、版面污染缺陷如圖2所示，由于這兩種缺陷的檢測算法相似，可以一起分析。

(a)油墨不良

在規(guī)則、均勻的深色背景下，利用全局的閾值分割進行特征的提取。對于一副灰度圖像，其上任意一點(x,y)的灰度值為f(x,y)，要從背景中提取對象，可以選擇一個閾值T，然后進行閾值化分割，若處理后的圖像為g(x,y)，則

(1)

在圖像g(x,y)中標記為1的像素則為提取的對象，標記為0的則成為了背景，這樣就實現(xiàn)了最基本的圖像分割[8]。由于環(huán)境、設備等因素的影響，采集的圖像通常會含有一些噪聲，本文使用的濾波方法為中值濾波，對處理椒鹽噪聲非常有效[9]。

對于油墨不良檢測設置的灰度閾值范圍為[105,149]，對于版面污染缺陷檢測閾值范圍為[5,32]。圖3為檢測版面缺陷時閾值參數(shù)設置的灰度直方圖(縱軸為像素點數(shù)量，橫軸為灰度值)，其中缺陷的灰度值在[5,32]范圍內(nèi)，像素點較少，而FPC圖像主體部分的像素點較多，因此可以將缺陷從圖像中分割出來。

圖3 FPC圖像灰度直方圖

圖像經(jīng)濾波、閾值化處理后，由select_shape算子(形狀特征選擇)即可提取特征點，如圖4、圖5所示。注意到FPC金面成像的灰度值與版面污染的缺陷灰度值相似，因此對于版面污染缺陷的提取要使用兩次形狀選擇算子，第二次使用時除去形狀規(guī)則的金面，即可提取不規(guī)則的缺陷。

圖4 油墨不良缺陷

圖5 版面污染缺陷

2.2 金面污染缺陷檢測

FPC板上的金面污染缺陷只存在于FPC板的金面上，缺陷成像如圖6所示。

圖6 金面污染缺陷

本文提出了一種基于模板匹配來提取圖像ROI的方法[10]，即先將標準金面圖像作為感興趣區(qū)域提取出來作為標準模板，然后再從待測圖像中尋找相似區(qū)域以提取ROI，如圖7矩形區(qū)域所示，進行Blob分析就可以有效提取缺陷，如圖8所示。

圖8 金面污染缺陷檢測

可以看到創(chuàng)建的標準模板區(qū)域的寬要比金面區(qū)域稍大，這是因為如果只選擇金面區(qū)域，在待測圖像中尋找相似區(qū)域時可能會找到金面上部的線路區(qū)域，或者不完全匹配到金面區(qū)域。在Halcon中有多種模板匹配的方法，在這里適用的是基于形狀和基于相關性的匹配方法，兩種方法的性能對比如表1所示。

熾熱的愛國愛民感情激發(fā)出無窮的創(chuàng)造力。贛東北蘇區(qū)表現(xiàn)出“驚人的創(chuàng)造力量”。如同方志敏所說的：“想出許多有效的新方法來解決困難。如解決被敵人嚴密封鎖的經(jīng)濟問題……還解決其他許多重大問題，都不是照抄前例的，而是用前所未有特創(chuàng)的新方法去解決的！”(《我從事革命斗爭略述》)[1](P85-86)正因為如此，贛東北和閩浙贛蘇區(qū)到處呈現(xiàn)“活躍躍”的創(chuàng)造：創(chuàng)造了勤勤懇懇為著蘇維埃事業(yè)的贛東北黨；創(chuàng)造了以“農(nóng)民革命團”為組織形態(tài)的武裝力量和紅色政權；創(chuàng)造了作風過硬的紅十軍以及一整套機動靈活的戰(zhàn)略戰(zhàn)術原則；創(chuàng)造了富有成效的土地革命的方式策略以及經(jīng)濟文化建設成就。

表1 兩種匹配方法的性能對比

基于相關性的匹配方法創(chuàng)建模板的時間較長，但是平均匹配時間很短，而基于形狀的匹配時間雖然需要30 ms，但是匹配成功率高，因此選用基于形狀的匹配方法。

2.3 版面皺折缺陷檢測

版面皺折缺陷在圖像中并不明顯，其灰度值與背景灰度值非常相近，所以運用全局檢測很難將皺折缺陷提取出來?？紤]使用局部檢測，觀察FPC板背面可以發(fā)現(xiàn)，如圖9(a)所示，由于制造工藝的限制，背膠并不是一次成型的，故留有4條間隙，而間隙處一般就是發(fā)生皺折的地方。因此可以將間隙處的FPC作為感興趣區(qū)域進行處理，如圖9(b)所示，這樣就不會被圖像其他區(qū)域所干擾，有效提高檢測精度。

(a)FPC背膠

在Halcon中提取ROI使用較多的方法是Blob分析逼近以及手動在圖像中畫矩形或者畫其他形狀來提取。在這里由于圖像缺陷處的特征不明顯，所以要通過畫矩形區(qū)域來創(chuàng)建ROI。但是在自動化檢測過程中就需要圖像能夠?qū)崿F(xiàn)自動分割出ROI，那么可以先創(chuàng)建標準模板圖像，在模板中手動創(chuàng)建ROI，再將待測圖像與標準圖像通過剛性的仿射變換對準，就可以自動在待測圖像中創(chuàng)建ROI圖像，程序流程如圖10所示。

圖10 版面皺折檢測流程圖

提高圖像對比度的方法有很多種，圖11為現(xiàn)存幾種常用方法的對比。在Halcon中增強對比度使用較多的是emphasize算子，但是處理效果并不好?；叶壤炫c直方圖均衡化是圖像處理中比較常用的增強對比度的方法，雖然增強了缺陷特征，但同樣也加強了圖像中的干擾部分如電路等，使得后續(xù)檢測結(jié)果不理想。

(a)原圖像(ROI)

本文根據(jù)FPC缺陷特征提出了一種新的增強圖像對比度的方法，即通過圖像自乘來提高圖像對比度。首先將圖像灰度值反轉(zhuǎn)，即：

g(x,y)=255-f(x,y)

(2)

然后再進行圖像自乘操作，在Halcon中兩圖像相乘的算子為mult_image，可以用公式表示為

g(x,y)=g1×g2×Mult+Add

(3)

在程序中令g1等于g2，并等于灰度值反轉(zhuǎn)后的圖像，取Mult=0.006，Add=-50，圖像處理后如圖12所示。

圖12 利用圖像自乘增強對比度

在Halcon中Gauss線條檢測算子為lines_gauss算子，其在使用前要先確定所檢測線條的模型，即LineModel，主要有三種形式：條型bar_shaped、拋物線型parabolic以及高斯線型gaussian，如圖13所示。條型對于大多數(shù)線條的提取都有比較好的效果，但是不適于提取背光照明的管狀線型。拋物線型一般在線條十分清晰的情況下選用，高斯線型一般應用于線條邊緣不清楚的場合。

(a)bar_shaped

lines_gausss算子在處理過程中先對圖像進行高斯平滑，由參數(shù)σ來確定所需要的平滑量。算子在提取線條過程中使用了滯后閾值算法，即雙閾值算法，這樣在提取到線條的中心點后能夠很快地將其連接成線[15]。故需要確定高閾值High和低閾值Low，這兩個閾值要通過所提取對象的對比度來確定，若設線條的高對比度與低對比度分別為contrastHigh和contrastLow，那么高、低閾值的計算公式為

(4)

式中w為所檢測線條的最大線寬。

對于高于High的點則被認為是線條上的點，低于Low的點則會立即舍棄，而介于Low和High之間的點，若這些點與已經(jīng)被認為是線條上的點能夠通過某一通路相連，并且通路距離小于w，那么這些點才會被接受。最終檢測到的版面皺折缺陷如圖14所示。

圖14 版面皺折缺陷

3 FPC缺陷檢測系統(tǒng)界面設計

系統(tǒng)使用Halcon聯(lián)合MFC進行設計，在圖像處理程序設計完成后，從Halcon將程序?qū)С鰹镃/C++代碼。系統(tǒng)開發(fā)環(huán)境為Visual Studio 2015，并基于相機的SDK進行開發(fā)，可大大縮短開發(fā)周期，界面設計如圖15所示。

圖15 檢測系統(tǒng)操作界面

4 實驗與分析

將開發(fā)的檢測系統(tǒng)對提供的80個樣本進行檢測，檢測結(jié)果如表2所示。

由表2檢測結(jié)果可以看到，所設計的檢測系統(tǒng)對于這幾種缺陷的識別有較高的準確率，但是油墨不良缺陷的準確率只有80%，這是因為圖像中噪聲與缺陷特征相似導致干擾噪聲并不能完全去除，且實驗無法保證無塵環(huán)境也會對檢測有影響。實驗的檢測速度都在0.2 s每片左右，而由于皺折檢測算法較復雜所以檢測速度稍慢，但也滿足生產(chǎn)要求。

表2 檢測結(jié)果

5 結(jié)束語

本文基于機器視覺技術，對FPC的表面缺陷特征進行了研究，并基于Halcon研究了缺陷檢測算法。能夠?qū)PC上的油墨不良、污染等缺陷進行有效檢測，對金面污染提出了一種基于模板匹配提取ROI的方法，有效提高了檢測精度。在缺陷不明顯的情況下，提出了一種通過圖像自乘來提高圖像對比度的方法，運用Gauss線檢測實現(xiàn)了對表面皺折的有效提取。最后基于MFC開發(fā)了缺陷實時檢測系統(tǒng)。實驗結(jié)果表明，本文算法能夠較好地識別FPC的表面缺陷。