基于OES-ELM的PCB板表面印線(xiàn)檢測(cè)算法

劉洋　孫龍洋　韓怡　柴廣卿　張國(guó)良

關(guān)鍵詞：機(jī)器視覺(jué)；SMT；雙邊濾波；OES-ELM；閾值連接

中圖分類(lèi)號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）36-0029-04

電子器件制造技術(shù)的快速發(fā)展對(duì)PCB板自動(dòng)貼裝設(shè)備帶來(lái)商機(jī)的同時(shí)，也帶來(lái)了更為嚴(yán)峻的技術(shù)考驗(yàn)[1]。目前，國(guó)內(nèi)多家企業(yè)著手全自動(dòng)貼裝設(shè)備的研發(fā)，部分設(shè)備流入市場(chǎng)，但在貼裝精度和速度上與發(fā)達(dá)國(guó)家相比有一定差距，嚴(yán)重制約著生產(chǎn)效率提升。因此，如何提高電子器件生產(chǎn)過(guò)程中PCB板貼裝位置的快速、精準(zhǔn)定位，對(duì)提高生產(chǎn)效率、提高產(chǎn)品質(zhì)量具有重要的研究意義。

PCB板表面白色印線(xiàn)邊緣位置的獲取通過(guò)圖像處理實(shí)現(xiàn)。因PCB板邊緣與周?chē)尘跋啾?，有著一定的梯度跳變，可通過(guò)邊緣檢測(cè)的手段實(shí)現(xiàn)邊緣位置確定。但受PCB板貼裝位置邊緣信息不明顯、模組表面產(chǎn)生的劃痕等原因的干擾，通過(guò)傳統(tǒng)邊緣檢測(cè)算法實(shí)現(xiàn)PCB板快速、穩(wěn)定、高精準(zhǔn)度的邊緣檢測(cè)仍具有一定的挑戰(zhàn)。

目前，邊緣檢測(cè)算法主要存在以下幾類(lèi)：1）基于小波變換（wavelet transform）的檢測(cè)算法[2]；2）基于形態(tài)梯度理論的檢測(cè)算法[3]；3）基于Canny 的檢測(cè)算法[4]；4）基于機(jī)器學(xué)習(xí)的檢測(cè)算法[5]等。基于小波變換[6]的檢測(cè)算法，通過(guò)對(duì)圖像進(jìn)行不同尺度的小波變換來(lái)實(shí)現(xiàn)，但受尺度大小的影響，當(dāng)尺度過(guò)大或過(guò)小時(shí)，獲取的圖像邊緣信息差距較大，不具有通用性，故許多算法中通過(guò)多尺度融合來(lái)彌補(bǔ)尺度過(guò)大或過(guò)小帶來(lái)的影響，但是這個(gè)算法運(yùn)算邏輯復(fù)雜，無(wú)法滿(mǎn)足實(shí)時(shí)性的要求；基于形態(tài)學(xué)梯度理論的檢測(cè)算法，該算法簡(jiǎn)單易操作，且對(duì)部分噪聲具有比較好的抑制作用，但獲取像素點(diǎn)的位置不夠精確；基于Canny算子[7]的檢測(cè)算法應(yīng)用十分廣泛，但也因閾值難以控制等問(wèn)題仍然不能勝任圖像微弱邊緣的檢測(cè)；基于機(jī)器學(xué)習(xí)[8]的算法可同時(shí)兼顧檢測(cè)速度和精度的要求，近年來(lái)，在邊緣檢測(cè)領(lǐng)域得到了廣泛的應(yīng)用。

本算法基于自適應(yīng)誤差自校正極限學(xué)習(xí)機(jī)[9]（Op?timally Error Self-adjustment Extreme Learning Ma?chine， OES-ELM），提出一種PCB板貼片輪廓位置自適應(yīng)檢測(cè)算法。首選使用雙邊濾波算法對(duì)圖像進(jìn)行預(yù)處理，該算法在較好地保持圖像邊緣信息的基礎(chǔ)上，能濾除大部分噪聲的影響；其次，為使后續(xù)檢測(cè)更具自適應(yīng)性，在圖像濾波的基礎(chǔ)上將PCB板圖像進(jìn)行1/16 分塊；然后，提取圖像塊的DCT（Discrete CosineTransform，離散余弦變換[10]）特征，將其輸入OES-ELM分類(lèi)器，將圖像塊分為邊緣塊、平滑塊、紋理塊；最后，提取各圖像塊梯度圖，分別確定高低閾值，將高低閾值之間的像素點(diǎn)進(jìn)行連接，最終刻畫(huà)出白色印線(xiàn)的位置信息。

1 基于OES-ELM的PCB板表面印線(xiàn)檢測(cè)算法

為了能更好地檢測(cè)PCB的貼片位置，防止因貼片偏移導(dǎo)致PCB板的報(bào)廢或返工，本文提出的基于自適應(yīng)誤差自校正極限學(xué)習(xí)機(jī)的劃痕檢測(cè)算法，其各部分的流程如圖1所示。由圖可以看出，改進(jìn)部分主要有以下四個(gè)方面：1）首先采用改進(jìn)的雙邊濾波來(lái)濾除噪聲；2） 通過(guò)提取降維的DCT特征作為圖像塊的分類(lèi)特征；3） 用改進(jìn)的自適應(yīng)誤差自校正極限學(xué)習(xí)機(jī)來(lái)對(duì)圖像塊進(jìn)行分類(lèi)，可根據(jù)數(shù)據(jù)集自動(dòng)確定隱層神經(jīng)元個(gè)數(shù)，檢測(cè)效果更為穩(wěn)定；4） 對(duì)不同的圖像塊采取不同方法自適應(yīng)確定閾值，并進(jìn)行邊緣連接；下面具體介紹以上四部分具體實(shí)現(xiàn)。

1.1 改進(jìn)雙邊濾波

雙邊濾波[12]的本質(zhì)是高斯濾波，其目的是解決高斯濾波容易導(dǎo)致邊緣被模糊的情況，高斯濾波采用相同的權(quán)重，忽略了像素之間的差異性，雙邊濾波在一定程度上解決了這一問(wèn)題，且算法的復(fù)雜度比較低，實(shí)時(shí)性比較好，但是其在遇到高頻噪聲時(shí)，不易去除。雙邊濾波的基本思想是：其權(quán)重由像素點(diǎn)領(lǐng)域內(nèi)的空間近鄰度的權(quán)值加上相似度計(jì)算的權(quán)值的乘積組成，再與圖像進(jìn)行卷積。因此距離較遠(yuǎn)的像素點(diǎn)不會(huì)對(duì)邊緣點(diǎn)產(chǎn)生較大影響，其權(quán)值計(jì)算公式如下：

對(duì)圖像塊作DCT變換后，其AC分量的絕對(duì)值會(huì)大致呈現(xiàn)從左上角向右下角逐漸遞減的趨勢(shì)。為了降低特征的維度，此處僅保留其直流系數(shù)以及前127個(gè)交流系數(shù)，最終得到128維的紋理特征向量。為避免取值范圍及量綱的不同，將提取的特征歸一化到[-1，1]。

1.3 基于自適應(yīng)誤差自校正極限學(xué)習(xí)機(jī)的分類(lèi)

本文使用OES-ELM獲取的DCT特征進(jìn)行分類(lèi)，相比于ES-ELM[10]算法，具有訓(xùn)練速度快、算法對(duì)正則項(xiàng)不敏感的優(yōu)勢(shì)，且根據(jù)數(shù)據(jù)集自適應(yīng)確定隱層神經(jīng)元的個(gè)數(shù)和隱層權(quán)值矩陣，具有較好識(shí)別性能。ELM網(wǎng)絡(luò)結(jié)構(gòu)如下圖所示。

OES-ELM網(wǎng)絡(luò)訓(xùn)練過(guò)程主要分為兩階段，初始化階段和權(quán)值更新階段。初始化階段的目的是獲得恰當(dāng)?shù)碾[層特征映射空間（包括隱層權(quán)值和隱層神經(jīng)元個(gè)數(shù)），結(jié)合L1/2正則化找到合適的隱層結(jié)構(gòu)。更新階段目的是結(jié)合L2正則化更新隱層權(quán)值，使網(wǎng)絡(luò)獲得權(quán)值最小解，提高網(wǎng)絡(luò)的泛化性能。具體算法步驟如下：

本文針對(duì)OES-ELM網(wǎng)絡(luò)，本文選用了10幅PCB圖像來(lái)生成所需要的數(shù)據(jù)集。通過(guò)對(duì)提取的DCT特征分類(lèi)，最終將PCB圖像分為邊緣塊、紋理塊、平滑塊。

1.4 梯度計(jì)算

傳統(tǒng)的Canny檢測(cè)算子在計(jì)算圖像的梯度時(shí)采用了梯度算子，僅僅考慮了兩個(gè)方向的梯度大小，然后對(duì)其求取平均值，導(dǎo)致比較容易丟失部分邊緣信息。針對(duì)這一問(wèn)題，本文在此基礎(chǔ)上增加兩個(gè)方向的梯度合成計(jì)算，如圖6所示。

1.5 圖像塊閾值分割

針對(duì)以上步驟所得到的結(jié)果圖，首先對(duì)其進(jìn)行非極大值抑制，保證得到的邊緣只有單像素響應(yīng)；然后將其進(jìn)行1/16分塊，并自動(dòng)地確定閾值。

針對(duì)紋理塊，因?yàn)槠涮荻戎狈綀D沒(méi)有固定規(guī)律，且通常人眼并不會(huì)對(duì)其中存在的信息進(jìn)行詳細(xì)分辨，因此把高低閾值設(shè)置為梯度的平均值以及0.5倍的平均值；針對(duì)邊緣塊，采用大津法（OSTU）確定高閾值，0.5倍的高閾值作為低閾值；對(duì)于平滑塊，因?yàn)檫€可能存在少量的邊緣信息，不能將其全部歸類(lèi)于背景點(diǎn)，故此處繼續(xù)對(duì)其進(jìn)行分塊，以區(qū)分是否存在該情況。

針對(duì)平滑塊，對(duì)其再進(jìn)行1/4分塊，并計(jì)算各個(gè)圖像塊的像素之和，以及跟其平均像素之間的差值，當(dāng)差值比設(shè)置的閾值小時(shí)，則認(rèn)為其是背景；否則，則判定其存在少量的邊緣，將其按照邊緣塊的方法來(lái)進(jìn)行處理。

最后，對(duì)高低閾值之間的像素點(diǎn)進(jìn)行連接，若其鄰域內(nèi)存在高于高閾值的像素值，則將其置為邊緣點(diǎn)，直至沒(méi)有新的像素點(diǎn)并入。

2 實(shí)驗(yàn)結(jié)果與分析

從PCB板的表面印線(xiàn)的檢測(cè)效果來(lái)看，本文算法比前幾種算法都具明顯優(yōu)勢(shì)，Canny算子與文獻(xiàn)12在提取出印線(xiàn)的同時(shí)，也檢測(cè)出了許多偽邊緣，不利于后續(xù)的檢測(cè)。以相同數(shù)據(jù)集訓(xùn)練的ELM網(wǎng)絡(luò)所提取的邊緣與本文算法類(lèi)似，但本文算法中不用人工用試錯(cuò)法調(diào)試隱層神經(jīng)元個(gè)數(shù)，訓(xùn)練更加快速，穩(wěn)定性和適應(yīng)性更好。因此，本文算法能夠在檢測(cè)出更多印線(xiàn)的同時(shí)，較少地檢測(cè)出偽邊緣。

3 結(jié)論

本文提出了一種基于自適應(yīng)誤差自校正極限學(xué)習(xí)機(jī)的PCB板印線(xiàn)檢測(cè)方法。先使用改進(jìn)的雙邊濾波，在保持邊緣的同時(shí)，又可以在一定程度上去除各種噪聲；對(duì)圖像進(jìn)行1/16分塊，并提取降維的DCT特征；利用OES-ELM對(duì)圖像塊進(jìn)行分類(lèi)；采用4方向梯度模板計(jì)算圖像梯度，并對(duì)其進(jìn)行非極大值抑制，保證邊緣寬度為單像素；針對(duì)不同的圖像塊運(yùn)用不同的方法確定閾值，并將邊緣塊進(jìn)行再次分塊，以防止部分的細(xì)小邊緣被遺漏；最后對(duì)高低閾值之間的像素點(diǎn)進(jìn)行連接。實(shí)驗(yàn)結(jié)果表明，提出的算法可以有效地檢測(cè)出PCB板上印線(xiàn)的同時(shí)，又能盡可能少地檢測(cè)出虛假邊緣，具有較高的邊緣檢測(cè)率。