基于圖像的線路缺陷檢測*

孫曉婷，陳江紅

(福建工程學(xué)院)

0 引言

傳統(tǒng)印刷電路板的檢測方法是依靠人工檢查，檢測速度慢、效率低.隨著機器視覺技術(shù)的發(fā)展，為了獲得高質(zhì)量的PCB板同時提高產(chǎn)品穩(wěn)定性，提供了客觀條件.近年來，運用機器視覺檢測印刷電路板的研究有很多，文獻［1］提出了基于成對幾何直方圖的PCB標志檢測與匹配的方法對印刷電路板器件進行檢測;文獻［2］提出了一種基于混沌優(yōu)化算法的PCB板元件檢測方法;文獻［3］提出了利用定位孔檢測實現(xiàn)標準線路板圖像與待檢測圖像的配準，然后根據(jù)缺陷的特征實現(xiàn)缺陷類型的識別.該文根據(jù)線路缺陷的特征，提出了一種利用缺陷圖像和參考模板相減后，連通域個數(shù)不同來判斷缺陷的算法，為機器視覺技術(shù)在印刷電路板檢測中提供了一種新的思路.

1 系統(tǒng)構(gòu)成

PCB檢測系統(tǒng)包括圖像采集、光源、運動控制、圖像識別4部分.系統(tǒng)結(jié)構(gòu)圖如圖1所示.圖像采集部分由攝像機、圖像采集卡組成，主要是完成圖像的采集;光源部分的作用是提供合適的照明條件從而獲得較高質(zhì)量的檢測圖像;運動控制部分的功能主要是完成PCB板的定位以便攝像機能對目標準確成像;圖像識別部分主要完成對檢測圖像的處理識別［4］.

圖1 系統(tǒng)構(gòu)成

2 圖像識別

圖像識別是PCB檢測系統(tǒng)中的重要組成環(huán)節(jié)，它包括對標準圖像和采集圖像進行預(yù)處理、閾值分割、形態(tài)學(xué)處理，最后將得到的圖像相減再執(zhí)行具體的缺陷識別算法，具體工作流程如圖2所示.本研究以NI公司推出的圖形化虛擬儀器開發(fā)平臺LabVIEW為開發(fā)工具，它具有開發(fā)周期短，函數(shù)庫功能強大，成本低的優(yōu)點.

圖2 圖像識別工作流程

2.1 圖像的預(yù)處理

在圖像采集的過程中不可避免地伴有干擾，這些噪聲嚴重的影響了圖像的質(zhì)量，為了更好的對圖像進行分析和識別，應(yīng)該要對圖像進行預(yù)處理.首先采用中值濾波的方法進行圖像平滑，接著選取灰度變換方法對圖像增強，最后選取拉普拉斯算子進行圖像銳化.經(jīng)過預(yù)處理的圖像如圖3所示.

圖3 預(yù)處理結(jié)果

2.2 閾值分割

圖像閾值分割的目的是把線路從PCB板中分離出來.最大類間方差法在目標物體和背景灰度值的差值較大時，可以得到比較好的識別效果.對于PCB圖像來說，識別目標導(dǎo)線是黃色，背景阻焊層是綠色，兩者灰度有較大不同，因此研究選用最大類間方差法作為閾值分割的方法［5-7］.

假設(shè)圖像的灰度值從0～m-1，共m級，灰度值為i的像素為ni，像素的總數(shù)為N，則:

各級像素灰度值的概率為pi:

設(shè)T為像素的某一灰度值，以T為分界點，將整個圖像的灰度級別分成小于T和大于T的兩組，分別用C1和C2表示，

那么，C1和C2中像素灰度級別的概率如下:C1產(chǎn)生的概率

C2產(chǎn)生的概率

C1的平均值

兩組間的方差為:

從0～m-1之間改變T，求式(9)為最大值時的T，即為閾值.

圖像的灰度值分為從0～255，把每一級灰度值都作為一次分界點，把像素點分成兩部分，根據(jù)式(9)計算兩部分像素灰度值的方差，當方差為最大時，這個灰度值即為分割的閾值T，經(jīng)過遍歷整個圖像的灰度級求出類間方差最大的閾值T為64.經(jīng)閾值分割處理后的圖像如圖4所示.

圖4 OTSU分割結(jié)果

2.3 形態(tài)學(xué)處理

圖3顯示經(jīng)過分割后，保留了較好的細節(jié)，但是線路的邊緣不夠平滑，有毛刺，這會對后續(xù)的缺陷識別產(chǎn)生障礙.因此，該研究采用形態(tài)學(xué)濾波的方法對線路邊緣進行平滑.

數(shù)學(xué)形態(tài)處理的運算有腐蝕、膨脹開運算和閉運算.

設(shè)f(x)和g(x)為定義在二維離散空間F和G上的兩個離散函數(shù)，其中f(x)為輸入圖像，g(x)為結(jié)構(gòu)元素，則g(x)對f(x)的腐蝕和膨脹分別定義為:

則g(x)對f(x)的開運算和閉運算定義為:

圖5 3×3結(jié)構(gòu)元素

結(jié)構(gòu)元素各向同性的開運算可以使輪廓平滑，抑制物體邊界的小離散點或尖峰，并且在平滑較大物體的邊界的同時并不明顯改變其面積.該文采用如圖5所示3×3結(jié)構(gòu)元素進行開運算.用開運算處理后的圖像如圖6所示.經(jīng)過開運算圖像的輪廓變得光滑，細的突出物被消除.

圖6 開運算

2.4 缺陷分析和識別

斷路、短路、缺損和毛刺是印刷電路板的4種主要缺陷.圖7是筆者將采集到的缺陷圖像和沒有缺陷的標準圖像，經(jīng)過圖像預(yù)處理、閾值分割、形態(tài)學(xué)濾波后得到的結(jié)果.通過比較發(fā)現(xiàn)，線路發(fā)生短路和斷路的時候，圖像的連通區(qū)域數(shù)量會發(fā)生變化，短路的時候連通區(qū)域變少;斷路的時候連通區(qū)域變多，而發(fā)生缺損和毛刺的時候連通區(qū)域數(shù)量是不發(fā)生變化的.因此，可以利用這一特征對缺陷的進行識別.

首先，把參考模板圖像和缺陷圖像做減運算，參考模板圖像是被減數(shù)，缺陷圖像是減數(shù)，可以得到斷路和缺損的缺陷點圖像，如圖8(a)所示.同時，為了濾除噪聲，設(shè)置一個閾值面積，濾除噪聲后，可以判斷是否存在缺陷，再根據(jù)前面的分析進一步判斷連通區(qū)域數(shù)量變多的是斷路，不變的是缺損.

圖7 檢測圖像

接著，缺陷圖像作被減數(shù)，參考模板圖像作減數(shù)，可以得到短路和毛刺的缺陷點圖像，如圖8(b)所示.同樣的方法濾除掉噪聲后，根據(jù)前面的分析可以判斷連通區(qū)域數(shù)量變少的是短路，不變的的是缺損.

圖8 缺陷點圖像

把缺陷圖像和參考模板圖像作完減法后得到的缺陷點圖像再進行具體缺陷分析，軟件運行的結(jié)果如圖9所示.缺陷分析的結(jié)果見表1.流程圖如圖10所示.

表1 缺陷分析結(jié)果

圖9 缺陷檢測分析結(jié)果

從以上實驗結(jié)果分析，該文的方法可以正確的分析出缺陷的位置及缺陷的類型，從而驗證了算法的有效性.

3 結(jié)論

該文針對PCB圖像的特點，再結(jié)合線路缺陷的特征，構(gòu)建了一個能夠分析和識別PCB線路斷路、短路、缺損和毛刺4種缺陷的PCB板線路檢測系統(tǒng).運用LabVIEW作為開發(fā)工具，進行模塊化編程.實驗結(jié)果證明，該系統(tǒng)能較好地分析出缺陷的位置及缺陷的類型，算法操作簡單，具有一定的實用價值.

圖10 缺隱分析流程圖

［1］ 蘇見欣，姚劍敏，郭太良，等.基于成對幾何直方圖的PCB標志檢測與匹配［J］.計算機與現(xiàn)代化，2012，22(6):43-46.

［2］ 王耀南，劉良江，周博丈，等.一種基于混沌優(yōu)化算法的PCB板元件檢測方法［J］.儀器儀表學(xué)報，2010，31(2):410-415.

［3］ 熊邦書，熊振姣，莫燕，等.線路板缺陷的圖像檢測方法［J］.半導(dǎo)體光電，2012，33(4):303-306.

［4］ Pawel Wrobel，Mateusz Czyzycki，Leszek Furman，et al.Lab-VIEW control software for scanning micro-beam X-ray fluorescence spectrometer［J］.Talanta，2012，16(2):186-192.

［5］ 岡薩雷斯.數(shù)字圖像處理:2版［M］.北京:電子工業(yè)出版社，2007.

［6］ Gonzalez R C，Woods R E.數(shù)字圖像處理:3版［M］.阮秋琦譯.北京:電子工業(yè)出版社，2011.

［7］ 劉洋，方敏.基于LABVIEW的視覺伺服機械臂控制系統(tǒng)［J］.微型機與應(yīng)用，2012，31(10):25-27.