高磊，郎加云

（安徽文達信息工程學(xué)院，安徽合肥 231201)

0 引言

如今，由于集成電路工藝突飛猛進的發(fā)展，電子元件變得更加微小化、片式化、輕量化，主流的電路板焊接方式也變?yōu)榱速N片式。隨著PCB 制作技術(shù)的逐漸發(fā)展，印制電路板上的元器件越來越多，結(jié)構(gòu)越來越復(fù)雜。在電路板制造工業(yè)中，應(yīng)用機器視覺替代傳統(tǒng)的人工檢測已成趨勢[1]。機器視覺與圖像處理技術(shù)的融合，在檢測強度與速度、標(biāo)準(zhǔn)規(guī)范程度上都具有很大的優(yōu)勢。

實際中，工業(yè)生產(chǎn)制造電路板時有可能產(chǎn)生復(fù)雜多樣的缺陷，國際電聯(lián)協(xié)會將電路缺陷分為了不同的種類，例如：短路、斷路、凸起、凹陷等[2]。在用圖像處理方法檢測PCB 缺陷時，本文發(fā)現(xiàn)，進行輪廓對比時會出現(xiàn)偽缺陷，本文主要工作為剔除PCB缺陷檢測時的偽缺陷。

1 基于圖像處理的PCB缺陷檢測

針對傳統(tǒng)PCB 檢測方法高成本、低效率問題，本文提出一種以機器視覺為基礎(chǔ)的PCB缺陷檢測方法，使用數(shù)字圖像處理相關(guān)算法，通過對比待測圖像和標(biāo)準(zhǔn)圖像，針對PCB 板缺陷檢測中真?zhèn)稳毕莸淖R別問題，本文提出使用引進領(lǐng)域特征的BLOB算法，來檢測這個問題。經(jīng)實驗結(jié)果分析，該方法能有效辨別真?zhèn)稳毕?。實現(xiàn)了參考圖像與待測圖像的快速精準(zhǔn)配準(zhǔn)。

對PCB缺陷檢測的流程圖如圖1。

圖1 電路板缺陷檢測流程

2 圖像預(yù)處理

人工或機器攝取PCB電路板圖像后，有很多因素都會導(dǎo)致圖像擁有五花八門的噪聲，比如拍攝過程設(shè)備的抖動，光照不勻，灰塵或其他雜物的遮掩，對圖像采用預(yù)處理方法，可以有效去除周圍環(huán)境帶來的噪聲，提升圖像保真率，為進一步處理圖片打下基礎(chǔ)，以便進行缺陷檢測時準(zhǔn)確率更高[3]。對圖像進行預(yù)處理的方法主要分為圖像分割，提取前景目標(biāo)，測試圖像與模板圖像校正。

3 圖像對比

相機采集到的測試圖經(jīng)過圖像校正，與模板圖在大小與方向上實現(xiàn)了圖像對齊。為了定位測試圖中的缺陷信息，需要將測試圖與模板圖作差[4]。作差的原理是模板圖與測試圖在對應(yīng)位置處的灰度值相減，表達式如下：

其中d(x,y)為差值圖，fTemplate(x,y)為模板圖，fTest(x,y)為測試圖。

4 缺陷分析

對PCB圖像作差之后，通過分析差值圖中的亮區(qū)域，可以判斷測試圖中有無缺陷。亮區(qū)域分為兩類：一類是PCB 板生產(chǎn)過程引入的缺陷，屬于真缺陷；另一類是由于PCB板采集過程抖動引起圖像畸變、圖像校正沒有與模板對齊而引入的灰度差異，稱為偽缺陷，常對缺陷分析結(jié)果造成干擾[5]。缺陷分析的目的標(biāo)記真缺陷，剔除缺陷。

本文使用一種多模板檢測算法來剔除偽缺陷。該算法求取多個模板，并且統(tǒng)計每個模板在配準(zhǔn)后對應(yīng)的像素點處的最大、最小灰度值，生成亮模板與暗模板，計算公式如下：

其中，w表示學(xué)習(xí)樣本數(shù)，An表示第n幅圖中點(x,y)處灰度值。

多模板比較算法相當(dāng)于在匹配時，進行BLOB 算法作缺陷檢測時引入了比較鄰域點的灰度值，可以有效去除輪廓偽缺陷。此外，還可以通過灰度形態(tài)學(xué)原理計算模板的最大、最小灰度值。

4.1 Blob缺陷分析

Blob算法是描述一幅圖像中連通域像素的方法，通常用于分析閉合的目標(biāo)形狀[6]。Blob 的解釋是一滴、一團的意思，圖像處理中的Blob是指一個像素塊，處于該像素塊中的像素點在位置上相互連通，并且具有相似的紋理、顏色特征。Blob缺陷分析的目的是描述目標(biāo)像素的四鄰域或八鄰域連通區(qū)塊的特征，例如像素區(qū)域的周長、面積、質(zhì)心、形狀等，如圖2所示[7]。

圖2 Blob特征示意圖

Blob分析主要分為兩部分，連通域標(biāo)記與區(qū)域描述，編寫算法時通常把這兩部分結(jié)合起來，在連通區(qū)域的同時，記錄區(qū)域信息[8]。

本文中采用像素標(biāo)記法，圖像經(jīng)過一次掃描完成標(biāo)記。差值圖經(jīng)過灰度化處理后，亮色區(qū)域灰度值255，背景灰度值為0，為防止重復(fù)標(biāo)記，將已經(jīng)標(biāo)記過的像素其灰度值賦值為254。一次掃描標(biāo)記算法的主要流程如下：

1)創(chuàng)建動態(tài)指針記錄需要標(biāo)記的像素塊信息，創(chuàng)建一個空棧隊列用于臨時存放標(biāo)記像素，設(shè)置八鄰域檢測數(shù)組順序。

2)從下向上、從左向右掃描圖像，如果當(dāng)前掃描像素灰度值為0，跳過當(dāng)前像素，繼續(xù)掃描；當(dāng)前掃描像素的灰度值為255，區(qū)域信息個數(shù)計數(shù)加1，記錄當(dāng)前像素的坐標(biāo)值。

3)根據(jù)八鄰域數(shù)組檢測當(dāng)前像素的鄰域像素是否為前景點，如果為前景點，標(biāo)記該鄰域像素，同時將該像素坐標(biāo)壓入棧，區(qū)域面積值加1，更新當(dāng)前連通域邊緣坐標(biāo)值；否則，繼續(xù)掃描鄰域像素。

4)當(dāng)前像素的八鄰域掃描完以后，檢查壓入棧中的像素點的八鄰域像素，從棧中彈出像素坐標(biāo)值，按照步驟3)檢查像素，直至棧為空。

5)掃描完畢當(dāng)前區(qū)域后，按照步驟2)繼續(xù)掃描圖像，直至整幅圖像掃描完成。

本文中Blob算法標(biāo)記的連通域特征主要有：缺陷塊個數(shù)Nnmber；每個缺陷塊分別記錄面積Size，左下角像素點坐標(biāo)x0,y0，右上角像素點坐標(biāo)x1,y1這五個元素。根據(jù)記錄信息，可以計算出缺陷塊的其他信息如缺陷中心坐標(biāo)，缺陷塊的寬度Δx，高度Δy，從而分析出缺陷的形狀。上述特征在連通域標(biāo)記過程中的計算方法如下：

Ri——第i個連通區(qū)域。

其中，xi,yi表示標(biāo)記像素的坐標(biāo)。

根據(jù)式(3)可得出缺陷塊的特征點，式(4)可計算出缺陷區(qū)域邊角坐標(biāo)，因此可以計算出缺陷區(qū)域面積，式(5)可表示區(qū)域面積大?。?/p>

其中Δx表示缺陷區(qū)域橫坐標(biāo)變化范圍，Δy表示曲線區(qū)域縱坐標(biāo)變化范圍。

然而實際檢測中此方法仍然存在偽缺陷，這類偽缺陷多為合格區(qū)域，但是由于圖像變形等原因難以濾除。只從缺陷塊自身的角度來考慮分辨真?zhèn)稳毕?，可能會造成漏檢，因此在判斷的過程中需要引入缺陷塊的鄰域像素塊信息來辨別。

4.2 鄰域缺陷判別

分析測試圖與模板圖的差值圖，可以得出關(guān)于真缺陷與偽缺陷的特征（表1)，根據(jù)這些特征來選擇判別方法。

表2 缺陷檢測結(jié)果

首先確定鄰域的選擇，根據(jù)表1的分析可以看出，偽缺陷的出現(xiàn)大多是因為測試圖與模板圖出現(xiàn)偏移造成的，偽缺陷鄰域范圍內(nèi)，在模板圖中會出現(xiàn)與偽缺陷圖案相同或者相似的部分。鄰域的選擇以偽缺陷塊為中心塊，水平方向以缺陷塊的寬度Δx為單位寬度，垂直方向以缺陷塊高度Δy為單位高度，從中心塊向四周各擴展一個單位長度，鄰域圖如圖3所示。

圖3 缺陷鄰域示意圖

圖4 標(biāo)準(zhǔn)電路板卡圖像

圖5 待測電路板卡圖像

真?zhèn)稳毕莸呐袆e條件引用了谷歌相似圖片搜索的技術(shù)原理：感知哈希算法。感知哈希算法主要用于圖片相似性的描述，給每幅圖像生成一個“指紋”，之后與其他圖像生成的“指紋”比較，比較結(jié)果越接近，圖片越相似[9]。下面介紹一種常用的低頻圖像哈希算法：

1)將圖片縮小成為8 × 8的尺寸，共64個像素，目的是去除圖片高頻細(xì)節(jié)。

2)將圖像轉(zhuǎn)化為灰度圖像，簡化色彩。

3)計算小圖像的平均灰度值。

4) 8 × 8 圖像的像素灰度值與平均灰度值比較，大于或等于均灰度，記為1；小于均灰度，記為0。

5)記錄哈希值：將第四步比較的結(jié)果記錄下來，組成一個64位的整數(shù)，即為圖像的“指紋”。

本文將感知哈希算法圖片相似理論運用到缺陷判別過程中，在缺陷塊鄰域找相似圖像塊，如果在模板圖缺陷塊鄰域中找到與測試圖缺陷塊相似的圖案，說明缺陷是由于對齊誤差造成的偽缺陷，可以排除。如果在模板圖八鄰域中沒有與缺陷塊相似的圖案，則該缺陷為真缺陷，是測試圖中獨有的圖案[10]。

因為缺陷塊像素面積通常不會超過10 × 10，所以不需要經(jīng)過圖片壓縮的過程；本文中需要比較的模板圖像為灰度圖，去掉彩色圖像灰度化步驟；改進計算哈希值的相關(guān)算法，將灰度化序列改為灰度化后“1”的個數(shù)，便于比較。鄰域缺陷判別的算法流程如下：

1)遍歷缺陷塊信息，對于每一個缺陷塊信息，計算其鄰域范圍。

2)在模板圖中，從鄰域起始點，以缺陷塊大小為單位，計算每一個鄰域塊的均灰度值MeanGrayi，以及缺陷塊均灰度化后1的個數(shù)Num1i。

3) 模板圖計算的MeanGrayi與Num1i，與測試圖缺陷塊的MeanGray，Num1參數(shù)比較，當(dāng)滿足條件1)～3)時，說明出現(xiàn)缺陷塊的相似圖案，判別缺陷為偽缺陷。

其中Size表示缺陷塊面積。

4)遍歷完畢，未出現(xiàn)相似圖案，判別為真缺陷。

4.3 PCB缺陷類型識別

在獲取到待測圖像后，需要和標(biāo)準(zhǔn)圖像進行對比，從而獲得缺陷點的圖像。首先，需要規(guī)定一個圖像的最大面積值，從而消除在誤差允許的范圍內(nèi)的較小的缺陷。然后，以該缺陷為圖像中心，圈定一個范圍，進行詳細(xì)的缺陷檢測。

缺陷檢測和分析需要通過以下幾個方面進行考慮：

1)多/少線及缺失焊盤的情況

當(dāng)出現(xiàn)這種缺陷時就代表此電路板缺陷重大，其特征是從對比圖中能夠明顯發(fā)現(xiàn)較大面積的不同，即缺陷面積很大，并且是遠遠超過其他類型缺陷。可以根據(jù)缺陷面積的大小同其他缺陷分隔開來。

2)電路板發(fā)生短路和斷路的情況

在對比圖中通過判別連通區(qū)域數(shù)的方法進行識別短路和斷路。當(dāng)短路時，其特征是與標(biāo)準(zhǔn)圖像相比，圖像中連通區(qū)域數(shù)較少。相反的，當(dāng)斷路時，其特征是與標(biāo)準(zhǔn)圖像相比，圖像中連通區(qū)域數(shù)較多。

3)電路板發(fā)生凸起和凹陷的情況

圖像對比時面積是否出現(xiàn)增多和減少的情況，這類情況是反映在不同導(dǎo)線間間距的變化，當(dāng)凸起時，導(dǎo)線間間距變窄，即面積增加；當(dāng)凹陷時，導(dǎo)線間間距變寬，即面積減少。

4)電路板發(fā)生漏洞和錫點堵塞的情況

當(dāng)連通區(qū)域數(shù)不變，連接線區(qū)域距離間隔不變，區(qū)域數(shù)的數(shù)量也沒有發(fā)生改變，就需要考慮漏洞和錫點堵塞的可能。計算歐拉數(shù)是應(yīng)對這種缺陷的最好辦法，待測PCB 圖像歐拉數(shù)小于標(biāo)準(zhǔn)圖則為漏洞，反之大于則為錫點堵塞。

5 實驗結(jié)果分析

對采集PCB圖像經(jīng)過灰度化處理后，使用邊緣檢測算法，雙線性插值法對已經(jīng)采集到的PCB電路板卡圖像進行去噪分割和校正，得到PCB電路板卡待對比灰度化圖像。

對待測電路板卡圖像和標(biāo)準(zhǔn)電路板卡圖像做差后，使用引進領(lǐng)域特征的BLOB 算法進行和未引入領(lǐng)域特征的BLOB真?zhèn)稳毕荼鎰e，得到結(jié)果圖如下：

經(jīng)過鄰域缺陷判別，實現(xiàn)了濾除偽缺陷的目的。圖6 為引入鄰域灰度特征判別后的缺陷圖。其中缺陷點滿足4.3 中領(lǐng)域缺陷判別條件1)～3)，即為本文所得真缺陷。

圖6 引入鄰域特征

圖7 未引入鄰域特征

對待測圖進行標(biāo)號以便后續(xù)識別，如圖8。

圖8 標(biāo)號圖

對PCB缺陷類型進行識別：在差值結(jié)果圖中按順序定位缺陷點位置。計算缺陷位置面積大小，設(shè)定面積閾值，小于閾值，則該缺陷點是允許誤差情況內(nèi)的缺陷，可以忽略。如果遠大于此閾值，則是多/少線及缺失焊盤的嚴(yán)重缺陷。待測PCB 圖面積大于標(biāo)準(zhǔn)PCB面積，則判斷為凸起，否則為凹陷。如果相等，則計算包含缺陷點的一定區(qū)域內(nèi)的連通區(qū)域數(shù)，對于連通區(qū)域數(shù)，待測PCB圖大于標(biāo)準(zhǔn)PCB圖，判斷為斷路，否則為短路。如果相等則進行下一步，計算待測PCB和標(biāo)準(zhǔn)PCB 的歐拉數(shù)，對于歐拉數(shù)，待測PCB 圖大于標(biāo)準(zhǔn)PCB圖，則判斷為錫點堵塞，否則為電路空洞，若相等，則進行灰度化圖像面積判斷。若待測圖像灰度化圖像面積大于標(biāo)準(zhǔn)圖像，則該缺陷點為凸起缺陷，若小于，則為凹陷缺陷。

從實驗結(jié)果可以看出，本文方法可以剔除偽缺陷的影響，并且不會干擾真缺陷的檢測。而且該方法在綜合考慮到了小的瑕疵和允許的誤差情況下，還能夠有效檢測出如斷路、短路、空洞、各類常規(guī)缺陷。

6 總結(jié)

本文設(shè)計了基于改進的Blob 缺陷分析方法對PCB 進行缺陷檢測。引入領(lǐng)域特征解決了真?zhèn)稳毕蓦y以辨別的問題，并通過設(shè)計的算法流程有效檢測出待測PCB 板的常規(guī)缺陷，由此說明，該方法能較準(zhǔn)確地檢測出待檢測電路板上存在的缺陷，提高了檢測效率，達到了自動無接觸實時檢測的目的。綜上所述，本文提出的檢測方法能夠高標(biāo)準(zhǔn)自動化檢測有效剔除偽缺陷，并保留真缺陷，節(jié)省了人力資源，提高了檢測的效率。