基于機器視覺的PCB 元器件智能檢測系統(tǒng)

郭瑞霞* 韓欽 韓英向

（天津中新華興光電技術有限公司研發(fā)中心，天津 300467）

眾所周知，許多工廠在大批量產(chǎn)品的生產(chǎn)過程中，總會涉及到各種質(zhì)量檢測、生產(chǎn)過程監(jiān)控及缺陷識別等應用[1]，隨著科學技術的發(fā)展與進步，機器視覺檢測在其中扮演著越來越重要的角色。傳統(tǒng)的工業(yè)產(chǎn)品質(zhì)量檢測多采用人工檢測的方法，人工檢測不僅需要耗費大量的勞動成本，而且容易受到檢測人員主觀判斷標準不同以及長時間不間斷的工作導致的視覺疲勞等因素的干擾，以至于產(chǎn)品會出現(xiàn)漏檢和錯檢的現(xiàn)象，導致產(chǎn)品質(zhì)量檢測的速度與精度迅速下降，影響生產(chǎn)效益。機器視覺系統(tǒng)易于集成設計信息和加工控制信息，且易于自動化處理，因此，在智能化不斷提升的現(xiàn)代工業(yè)生產(chǎn)過程中，機器視覺系統(tǒng)在工況監(jiān)視、成品檢驗和質(zhì)量控制等領域得到廣泛的應用[2]。在我國，機器視覺主要應用于半導體生產(chǎn)、食品飲料加工、醫(yī)學及汽車等行業(yè)[3]。在人工智能極速發(fā)展的推動下，機器視覺系統(tǒng)的軟硬件技術同樣取得了很大的進步[4]，已經(jīng)可以為客戶提供高質(zhì)量的智能化服務，對產(chǎn)品實現(xiàn)100%的全面檢測。目前，機器人與自動化已經(jīng)改變了幾乎所有工業(yè)部門的制造模式，同時提高了生產(chǎn)效率以及產(chǎn)品一致性?；跈C器視覺的檢測系統(tǒng)具有非接觸性這一不可替代的優(yōu)點[5]，因此，基于機器視覺的全自動化智能工廠對許多生產(chǎn)商來說是一個明確目標，然而大多數(shù)公司目前還沒有實現(xiàn)該目標。本文利用機器視覺技術實現(xiàn)對PCB 元器件缺陷的智能檢測，其主要是基于圖像處理、計算機圖形學、模式識別、計算機技術、人工智能等多方面綜合研究的電路板螺紋和電池有無缺陷檢測系統(tǒng)。

1 總體方案設計

本設計主要由硬件結(jié)構和檢測軟件構成，硬件結(jié)構由工業(yè)相機、工業(yè)鏡頭、光源、光源控制器、計算機、定制實驗支架、專用線纜等構成，圖1 為系統(tǒng)結(jié)構圖。其工作過程是：當電路板到達可檢測區(qū)域時，相機進行采集圖片并檢測，首先通過鏡頭將工件在相機芯片上成像，然后通過相機的GIGE通訊接口采集圖像，利用HALCON 軟件實時進行圖像處理。系統(tǒng)軟件設計主要有以下幾個模塊：圖像實時采集模塊、圖像預處理模塊、閾值選取模塊、圖像定位模塊、缺陷檢測模塊[6]，其過程如圖2 所示。

圖1 硬件系統(tǒng)結(jié)構圖

圖2 電路板缺陷檢測流程

系統(tǒng)檢測主要流程如下。

a.工件到達檢測區(qū)域后，傳感器發(fā)出觸發(fā)信號；

b.PLC 將此信號發(fā)送給工業(yè)相機；

c.工業(yè)相機獲取此信號后進行采圖；

d.工業(yè)相機采圖完成后將圖像通過GIGE 網(wǎng)絡接口傳輸給工控機；

e.工控機接收到圖像后，檢測設定的區(qū)域，判定處理結(jié)果；

f.工控機根據(jù)判定結(jié)果類型觸發(fā)相應的IO 分揀信號，并等待下一幀圖像；

g.PLC 收到分揀信號后，控制分揀機構做出相應分揀動作。

基于機器視覺檢測系統(tǒng)的優(yōu)點是可以快速獲取生產(chǎn)線上被檢測電路板的信息，并將檢測結(jié)果及統(tǒng)計數(shù)據(jù)顯示在控制界面上，比如：共檢測電路板的數(shù)量、檢測時長以及有某種缺陷的電路板數(shù)量等，方便人工管理，最后將檢測質(zhì)量“OK”的電路板進行下一項流程，并通過自動化設施（機械手等）獎檢測質(zhì)量“NO GOOD”的電路板分揀出來進行完善。這種缺陷檢測方式信息集成度高、檢測速度快且精確度高，從而可以進一步降低生產(chǎn)成本和提高產(chǎn)品的生產(chǎn)效率。

本文為實現(xiàn)電路板螺紋和電池有無實時檢測的要求，將圖像采集系統(tǒng)與照明補光系統(tǒng)相結(jié)合，設計出一種基于機器視覺的PCB 元器件有無缺陷檢測系統(tǒng)。本系統(tǒng)不僅能節(jié)省大量的勞動力，降低勞動成本，同時有效的提高了工業(yè)生產(chǎn)的效率和缺陷檢測精度，實現(xiàn)了智能檢測與PCB 分揀工作[7]。

2 硬件結(jié)構設計

2.1 檢測系統(tǒng)關鍵器件

本系統(tǒng)的關鍵器件主要包括工業(yè)相機、工業(yè)鏡頭、光源和工控機。機器視覺檢測系統(tǒng)最關鍵的原材料就是圖像，為了獲取高質(zhì)量的圖像，需要對系統(tǒng)的關鍵器件做好選型設計。根據(jù)電路板的尺寸和檢測精度，采用200 萬像素分辨率的工業(yè)相機：acA1600-20gc GigE 相機，該相機配有 Sony ICX274 CCD 感光芯片，幀率20 FPS，該相機采用GigE 通訊接口，滿足系統(tǒng)采圖需求。根據(jù)現(xiàn)場安裝空間和電路板的尺寸，計算鏡頭焦距、物距等參數(shù)[8]。選擇焦距20mm 工業(yè)鏡頭，與工業(yè)相機接口相匹配，選擇C 接口鏡頭。根據(jù)被檢測電路板的形狀以及缺陷形狀等特征，選取LED 方形無影燈光源，它能夠為相機獲取圖像照明補光，幫助相機獲得特征突出、灰度值差別明顯的圖像，提高機器視覺系統(tǒng)的分辨率和識別率，降低圖像處理算法分割和識別的難度，使系統(tǒng)的可靠性得到提高。為了方便軟件開發(fā)及應用，選取i5CPU 配置的工控機，并在Window XP 64bit 及以上版本下使用。

2.2 檢測系統(tǒng)設計原理

本系統(tǒng)根據(jù)電路板的缺陷特征，運用圖像處理、圖像識別等技術對采集的電路板圖像進行檢測、分析并給出判斷。本設計是基于飛速發(fā)展的計算機技術，同時考慮到檢測效率、檢測精度和經(jīng)濟性等方面的要求，具有較高的性價比。系統(tǒng)主要包括照明補光單元、圖像采集單元、圖像處理單元、數(shù)據(jù)庫單元和控制執(zhí)行單元[9]。硬件系統(tǒng)設計原理如圖3 所示。

圖3 硬件系統(tǒng)結(jié)構原理圖

3 檢測軟件設計

3.1 軟件總體設計

本系統(tǒng)主要運用了HALCON 開發(fā)了圖像處理分析模塊，采用Visual Studio C#平臺進行了顯示控制界面進行開發(fā)。該系統(tǒng)檢測軟件的圖像處理分析模塊高效穩(wěn)定，控制界面信息全面、操控簡單。其軟件結(jié)構設計原理圖如圖4 所示。

圖4 系統(tǒng)軟件總體設計原理

3.2 軟件主要模塊設計

3.2.1 圖像采集模塊

為了準確、及時獲得圖像的當前狀態(tài)，需要不斷地通過圖像采集模塊采集圖像到計算機內(nèi)存，調(diào)取計算機內(nèi)存中圖像進行圖像處理。圖像采集的實質(zhì)就是將被檢測物的圖像可視化并把其內(nèi)部特征轉(zhuǎn)換為計算機可以識別處理的離散數(shù)據(jù)的過程[10]。簡單來說，圖像采集就是將一幅連續(xù)的模擬圖像轉(zhuǎn)換為數(shù)字化的數(shù)字圖像，顯然，如果檢測并輸入的連續(xù)圖像不理想，那么數(shù)字圖像的輸出就會不盡人意。因此，圖像采集是機器視覺缺陷檢測系統(tǒng)的關鍵技術之一。圖像處理技術有以下5個基本過程[11-12]：圖像過濾、圖像加強、圖像切割、圖像辨別和圖像代碼生成。

3.2.2 二值化閾值選擇模塊

圖像閾值的選擇對于分割圖像、提取圖像信息至關重要，其方法有很多，本系統(tǒng)采取灰度直方圖方法來選取閾值[13]，這種方法計算簡單，運行效率高，是圖像閾值選擇普遍使用的一種方法。閾值的處理與選擇是進行圖形分割的前提，實際上是將被檢測特征從圖像中提取出來的過程，這種處理方式運用到有較強對比度的被檢測特征與背景效果更好[14]。如圖5～7。

圖5 圖像定位時灰度值的閾值選擇

圖6 檢測螺釘時灰度值的閾值選擇

圖7 檢測電池時灰度值的閾值選擇

3.2.3 圖像定位模塊

根據(jù)經(jīng)驗值在HALCON 采集的圖像中畫出我們需要的區(qū)域，然后利用灰度閾值分割法對其進行圖像分割，找出對電路板定位時需要的四個角的四個釘子然后利用剛性變換對采集到的電路板圖像進行定位處理。所謂圖像分割指的就是將采集到圖像按照其獨特特征分割成若干個特定的部分，并能夠依據(jù)圖像被檢測區(qū)域的需要，將區(qū)域中的特征或檢測目標提取出來的過程[5]。近年來，由于圖像處理技術的高速發(fā)展和逐步完善，當今應用技術領域不斷涌現(xiàn)出大量的圖像分割算法，其中形態(tài)學分割法、模糊理論分割法、人工神經(jīng)網(wǎng)絡分割法以及遺傳算法分割法是比較典型且具有代表性的。

電路板四個角處的點的定位：首先選取電路板圖像的四個角處的點進行定位，定位時運用閉運算算法，然后通過矩陣旋轉(zhuǎn)該圖，將其放在視場范圍的正中間，為下一步裁圖做準備。

3.2.4 缺陷檢測模塊

本文在檢測PCB 中螺釘?shù)挠袩o缺陷時主要應用了圓分析算法，在所檢測圖像螺釘?shù)奈恢糜脠A形畫出，檢測的電池位置則用矩形畫出。由于螺釘是圓形的，因此快速而準確地判斷并檢測到圖像中的圓在本系統(tǒng)中尤為重要，近年來，檢測圓的技術已廣泛應用于機器視覺、智能檢測等方面。傳統(tǒng)的Hough 變換存在著很多缺點，例如：巨大的計算量、龐大的內(nèi)存、參數(shù)空間因素對參數(shù)提取的制約以及速度慢等。因此，針對實時采集的電路板圖像中檢測圓形螺釘時的要求，本文應用了一種相對簡單的圓缺陷檢測方法。該方法主要應用于圖像無相交的條件下，首先對采集到的PCB 圖像進行二值化處理，然后檢測其邊緣并獲得圖像的邊緣鏈碼，最后分析計算缺陷的圓度、圓半徑等圓的基本要素[16]。在計算機上自定義圖像的模式下對上述算法進行仿真測試，共獲得兩組結(jié)果如下：第1 組是5 個半徑不同的圓，并給出半徑誤差，如表1 所示；第2 組是幾個形狀不同的圖像的圓率如表2 所示。

表1 不同半徑的圓的測試結(jié)果

表2 不同形狀的圖像的測試結(jié)果

4 結(jié)論

機器視覺作為人工智能的一大分支，是實現(xiàn)人工智能的必要手段，一方面它可以代替人工視覺，另一方面它可以提高工業(yè)生產(chǎn)的信息集成度和自動化程度。本系統(tǒng)主要解決了流水線上產(chǎn)品生產(chǎn)或檢測過程中對缺陷電路板進行剔除或分類的問題，有效地避免了耗費大量勞動成本的缺點和錯檢、漏檢的現(xiàn)象，提高了生產(chǎn)效率，實現(xiàn)了產(chǎn)品缺陷檢測零失誤的目標，并得以在市場上營運與推廣，有利于提高工業(yè)生產(chǎn)自動化水平。