CN101915769A - 一种印刷电路板中带电阻元件的自动光学检测方法 - Google Patents

Abstract

本发明涉及一种印刷电路板中带电阻元件的自动光学检测方法，提取焊点特征之后通过支持向量机分类器把焊点正确分类为正常、少锡、漏件三种类型。适合于生产中特殊焊点的分类与检测。本发明通过把焊点图像中红色区域转化为灰度图与二值化图像后，计算基于灰度图像的均值与标准差与基于二值化图像的高亮比、互相关性和区域颜色的面积，在支持向量机的分类器中使用焊点图像的均值、方差、高亮比、相似程度对焊点的好坏分类。使用焊点的均值、方差、高亮比、区域特征对错误焊点类型做分类。本发明可以在辨别焊点好坏后，进一步把坏的焊点分成少锡以及漏件两类。

Description

一种印刷电路板中带电阻元件的自动光学检测方法

技术领域

本发明涉及一种印刷电路板中带电阻元件的自动光学检测方法。

技术背景

焊点检测技术主要分为两大类：有损检测、无损检测。无损检测由于对原件或产品不造成破坏，对提高生产效率以及降低检测的成本有很大的帮助，越来越成为当今的主流技术。无损检测方法主要包括：电气检测、X射线检测、自动光学检测(AOI)。其中，AOI是计算机机器视觉的一种应用，能有效检测焊点的质量，并具有实时性、快速性、高精度的优点，也是本发明所应用的检测技术。

在印刷电路板焊点检测中所使用的几种AOI常用算法有：模板匹配法、统计外形建模法、矢量图形检测法和神经网络法。由于焊点个体差异大，分类受多种因素影响，通过比较待检图像和标准图像的相似程度或统计模型来进行分类，误差大且难以满足焊点检测的精度。矢量法只考虑几何信息，忽略了颜色、光照等重要信息而易出误判。神经网络法虽然具有自学习型的优点，但需要大量样本进行学习，当样本数量有限时，容易表现出很差的推广能力。

SVM是一种根据有限的样本信息，寻找训练数据上错误最小的函数，以期达到比较理想的推广能力的学习机器。SVM在分类函数形式上类似于一个神经网络，但专门针对有限样本情况。

发明内容

本发明的目的在于针对现有技术存在的不足，提供一种印刷电路板中带电阻元件的自动光学检测方法。

本发明的一种印刷电路板中带电阻元件的自动光学检测方法，是提取焊点特征之后通过支持向量机(SVM)分类器把焊点正确分类为正常、少锡、漏件三种类型。

具体地，主要包括如下步骤：

(1)焊点图像预处理：提取焊点RGB彩色图的红色部分转化为灰度图像，通过对比度变换突出原焊点红色区域，最后二值化焊点图像；

(2)焊点的特征提取：基于灰度图和二值化图像提取焊点特征；

(3)使用SVM分类器对焊点特征进行分类，首先判断焊点的好坏，然后对错误的焊点进一步分类；

所述步骤(1)在提取RGB分量图之前，需要把检测图像的大小调整到与训练图像一致，并在提取红色区域转化为灰度图之后进行高斯滤波去除噪声。由于焊点图像的对比度不强且图像偏暗，对输入的图像需做出相应的幂运算

y＝x^gamma(gamma使得图像的红色部分映射到更亮的范围。最后将灰度图转化为二值化图就能进一步提取图像的特征值。

所述步骤(2)的特征提取包括三大类别的特征：基于彩色图像的特征，基于灰度图像的特征以及基于二值化图像的特征。

彩色焊点图像选择图像的红色区域作为焊点分类的基本图像，并把红色图像转化为灰度以及二值图进行特征提取。

由于在基于红色图像的焊点灰度图中，对于焊点有焊锡合适、过少的情况，焊点的灰度直方图的均值和标准差都有所不同，所以选择焊点灰度图的均值和标准差作为焊点的特征之一。其均值与标准差的计算如下：

均值： $S_M=\stackrel{\‾}{b}=\underset{b=0}{\overset{l-1}{\mathrm{\Σ}}}\mathrm{bP}\left(b\right)$

b：图像的灰度值

P(b)：灰度值b在图像中的概率

标准差： $S_D={\mathrm{\σ}}_b={\left[\underset{b=0}{\overset{l-1}{\mathrm{\Σ}}}{(b-\stackrel{\‾}{b})}^{2}P\left(b\right)\right]}^{1/2}$

对焊点图像二值化后，由于焊点部分与背景部分的灰度值相差比较大，可以使用高亮比作为焊点的特征之一。

高亮比：

R：二值化图像的白色部分

利用互相关性度量是通用的一种匹配方法，可作为焊点检测的一个特征值，以判断待检测焊点与样本焊点的形状差距。待测焊点图像和标准模板的相关系数随焊点质量降低而降低。相关性值越大说明两者相关性越高，两者越相似。

$R(i,j)=\frac{\underset{x=0}{\overset{l-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{k-1}{\mathrm{\Σ}}}(w(x,y)-\stackrel{\‾}{w})(f(x,y)-\stackrel{\‾}{f}\left(x,y\right))}{{\left[\underset{x=0}{\overset{l-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{k-1}{\mathrm{\Σ}}}(w(x,y)-\stackrel{\‾}{w})\right]}^{1/2}{\left[\underset{x=0}{\overset{l-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{k-1}{\mathrm{\Σ}}}(f(x,y)-\stackrel{\‾}{f}(x,y))\right]}^{1/2}}$

焊点各个区域颜色的面积比重具有某种规律。如附图3所示，本发明可正确分类的不同类型的焊点主要在区域4，5，6中有不同，所以选择这3个区域提取焊点的区域特征作为焊点不同类型的判断。使用图像顶部区域与图像底部区域的红色图像面积作为区域特征，其计算方法类似高亮比计算方法。

印刷电路板焊点特征提取的顺序如下：

①先提取图像的灰度图特征：计算灰度图的均值S_M与方差S_D；

②灰度图二值化后，计算高亮比A

③计算待检测图像与好的焊点图像的相似度R(i，j)

④计算区域面积，使用图像顶部1/4区域与图像底部1/4区域的红色图像面积作为区域特征，其计算方法类似高亮比计算方法。

所述步骤(3)计算训练样本的焊点特征并输入SVM分类器进行训练，最后把测试样本特征送到分类器进行分类。SVM分类器准确性的评价指标是样本分类的正确率，其计算公式如下：

每一类样本的正确率：

总体样本的正确率：

N_i：第i类的样本数

C_i：第i类样本中正确识别的样本

所述步骤(3)SVM分类器是用Matlab软件中svmtrain函数所默认设定的线性函数作为核函数。本发明使用事先经过训练的两个SVM分类器来分类焊点，对不同的分类器使用的训练样本也不同。对判断好坏的SVM分类器，使用好的焊点以及包括少锡与漏件两个错误类型的错误焊点进行训练；而对判断错误类型的SVM分类器，使用错误焊点中少锡焊点以及漏件焊点进行训练。SVM分类器分类焊点的步骤类似二叉树的分类步骤。首先用一个以焊点的均值、方差、高亮比、与好焊点的相似度作为分类依据的SVM分类器来判断焊点的好坏，一为好的焊点，二为错误的焊点，然后再用一个以焊点的均值、方差、高亮比、区域特征作为分类依据的SVM分类器来判断错误焊点的类别，一为少锡焊点，二为漏件焊点。

与现有技术相比，本发明具有如下优点和效果：

(1)本发明采用的SVM分类器可应用到特殊情况下产生小样本的焊点检测中，有着实际的生产意义。

(2)本发明所提取的灰度和二值化的焊点特征，能有效地区分不同类型的焊点，准确率高达83％以上。

附图说明

图1是本发明方法中的焊点检测流程图；

图2是本发明方法中的焊点图像预处理流程；

图3是本发明方法中的焊点特征提取的流程图；

图4是本发明方法中的焊点分类流程图；

图5是本发明方法中的SVM示意图；

图6和表1是方型元件区域划分示意图；

具体实施方式

本发明的对印刷电路板上带电阻元件的焊点检测方法的流程图如附图1所示。具体为先对训练样本焊点图像进行预处理与特征选择，完成这两部分后把焊点图像特征输入分类器进行训练，最后对测试样本焊点图像进行同样的预处理与特征选择，并把测试样本特征输入分类器进行分类。

如图2所示为焊点图像预处理流程图，由于焊点样本图像大小不一致，在输入图像后先使所有的焊点图像能够调整到同样的长宽，从而容易通过标准化的图像提取相关的特征与信息。然后提取红色区域转为灰度图，在灰度图通过高斯滤波和亮度增强突出红色区域部分。

如图3所示为焊点图像特征提取流程图。第一步：提取基于灰度图像直方图的均值和方差；第二步：图像二值化后，依次计算高亮比、相似度和区域面积、此处的区域面积经过本发明多次试验结果证明使用图像顶部1/4区域与图像底部1/4区域的红色图像面积作为区域面积具有最好的分类效果。从样本库中各选用18个样本进行训练和测试，使用本发明的分类测试结果为：焊点好坏分类结果正确率100％，漏件焊点测试正确率100％，少锡焊点测试正确率83.3％。

如图4所示对焊点的检测使用两个事先经过训练的分类器，分别用不同的样本和不同的分类依据来训练，分别检测出不同类型的焊点。

如图5所示为SVM示意图。SVM分类函数形式上类似于一个神经网络，输出是中间节点的线性组合，每个中间节点对应一个支持向量，

如图6和表1所示为本发明所适用的元件区域划分示意图及其结果。本发明可分类的焊点主要在区域4、5、6中有不同，所以选择区域4、5、6作为提取焊点的区域特征具有较高的准确率。

表2是对焊点好坏的分类测试结果，表3是对错误焊点的分类测试结果，如表2、3所示，从样本库中各选用18个样本进行训练和测试，使用本发明的分类测试结果。其中焊点好坏分类结果正确率100％，漏件焊点测试正确率100％，少锡焊点测试正确率83.3％。

表1

表2

表3

Claims (10)

1.一种印刷电路板中带电阻元件的自动光学检测方法，其特征在于提取焊点特征之后通过支持向量机(SVM)分类器把焊点正确分类为正常、少锡、漏件三种类型。

2.根据权利要求1所述的方法，其特征在于主要步骤包括：

(1)焊点图像预处理：提取焊点RGB(红绿蓝三色)彩色图的红色部分转化为灰度图像，通过对比度变换突出原焊点红色区域，最后二值化焊点图像；

(2)焊点的特征提取：在灰度图像下提取焊点直方图的方差和均值；在二值化图像下提取焊点的高亮比、与样本的相似程度和区域面积特征作为焊点的特征；

(3)使用SVM分类器对焊点进行分类，首先判断焊点的好坏，然后对错误的焊点进一步分类。

3.根据权利2所述的印刷电路板中带电阻元件的检测方法，其特征在于所述步骤(1)中，在提取RGB分量图之前，需要把检测图像的大小调整到与训练图像一致，并在转化为灰度图之后进行高斯滤波去除噪声；由于焊点图像的对比度不强且图像偏暗，对输入的图像需做出相应的幂运算y＝x^gamma(gamma＜1)使得图像的红色部分映射到更亮的范围。

4.根据权利要求2或3所述的方法，其特征在于所述步骤(2)中所述的特征提取包括三大类别的特征：基于彩色图像的特征、基于灰度图像的特征、基于二值化图像的特征；

其中，彩色焊点图像选择图像的红色区域作为焊点分类的基本图像，并把红色图像转化为灰度以及二值图进行特征提取；

基于红色图像的灰度图像中，对焊点有焊锡合适、过少的情况，焊点的灰度直方图的均值和标准差都有所不同，所以选择焊点灰度图的均值和标准差作为焊点的特征之一，其均值与标准差的计算如下：

其均值与标准差的计算如下：

均值： $S_M=\stackrel{\‾}{b}=\underset{b=0}{\overset{l-1}{\mathrm{\Σ}}}\mathrm{bP}\left(b\right)$

b：图像的灰度值

P(b)：灰度值b在图像中的概率

标准差： $S_D={\mathrm{\σ}}_b={\left[\underset{b=0}{\overset{l-1}{\mathrm{\Σ}}}{(b-\stackrel{\‾}{b})}^{2}P\left(b\right)\right]}^{1/2}$

对焊点图像二值化后，由于焊点部分与背景部分的灰度值相差比较大，可以使用高亮比作为焊点的特征之一；

高亮比：

R：二值化图像的白色部分

利用互相关性度量是通用的一种匹配方法，可作为焊点检测的一个特征值，以判断待检测焊点与样本焊点的形状差距；待测焊点图像和标准模板的相关系数随焊点质量降低而降低；相关性值越大说明两者相关性越高，两者越相似；

$R(i,j)=\frac{\underset{x=0}{\overset{l-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{k-1}{\mathrm{\Σ}}}(w(x,y)-\stackrel{\‾}{w})(f(x,y)-\stackrel{\‾}{f}\left(x,y\right))}{{\left[\underset{x=0}{\overset{l-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{k-1}{\mathrm{\Σ}}}(w(x,y)-\stackrel{\‾}{w})\right]}^{1/2}{\left[\underset{x=0}{\overset{l-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{k-1}{\mathrm{\Σ}}}(f(x,y)-\stackrel{\‾}{f}(x,y))\right]}^{1/2}}$

焊点各个区域颜色的面积比重具有某种规律，即区域颜色的形状特征变化，但区域内某些颜色的面积所占比重相对稳定。

5.根据权利要求4所述的方法，其特征在于步骤(1)中提取焊点特征时采取以下提取顺序：

①先提取图像的灰度图特征：计算灰度图的均值S_M与方差S_D；

②灰度图二值化后，计算高亮比A

③计算待检测图像与好的焊点图像的相似度R(i，j)

④计算区域面积，使用图像顶部1/4区域与图像底部1/4区域的红色图像面积作为区域特征，其计算方法类似高亮比计算方法。

6.根据权利要求5所述的方法，其特征在于步骤(2)中，选择SVM作为学习机器，计算所述的焊点特征并输入分类器进行训练，最后把测试样本特征送到分类器进行分类。

7.根据权利要求6所述的方法，其特征在于选用样本分类的正确率作为评价焊点分类算法是否具有准确性的指标，其计算公式如下：

每一类样本的正确率：

总体样本的正确率：

N_i：第i类的样本数

C_i：第i类样本中正确识别的样本。

8.根据权利要求7所述的方法，其特征在于SVM满足小数量样本作为训练以及测试样本的要求，所使用的SVM分类器是用线性函数作为核函数，而该核函数为Matlab软件中svmtrain函数所默认设定的线性函数。

9.根据权利要求8所述的方法，其特征在于使用事先经过训练的两个SVM分类器来分类焊点，对不同的分类器使用的训练样本也不同；对判断好坏的SVM分类器，使用好的焊点以及包括少锡与漏件两个错误类型的错误焊点进行训练；而对判断错误类型的SVM分类器，使用错误焊点中少锡焊点以及漏件焊点进行训练。

10.根据权利要求9所述的方法，其特征在于SVM采用类似二叉树的分类步骤来分类焊点；首先用一个以焊点的均值、方差、高亮比、与好焊点的相似度作为分类依据的SVM分类器来判断焊点的好坏，一为好的焊点，二为错误的焊点，然后再用一个以焊点的均值、方差、高亮比、区域特征作为分类依据的SVM分类器来判断错误焊点的类别，一为少锡焊点，二为漏件焊点。

Images