CN110582159A - 一种fpc焊盘表面缺陷处理系统和方法 - Google Patents

Abstract

本发明涉及一种FPC焊盘表面缺陷处理系统和方法，涉及FPC检测领域。该系统包括：图像采集装置、分类识别装置、缺陷处理装置和标记装置；所述图像采集装置用于采集FPC图像，根据所述FPC图像提取焊盘缺陷区域图像；所述分类识别装置用于提取所述焊盘缺陷区域图像的图像特征，根据所述图像特征和训练后的PSO‑SVM模型获得焊盘缺陷的种类和位置；所述缺陷处理装置用于根据所述焊盘缺陷的位置对焊盘的缺陷进行定位，控制所述标记装置移动到FPC焊盘上对应的缺陷处，根据所述焊盘缺陷的种类对所述FPC焊盘的缺陷进行标记。本方案FPC焊盘表面缺陷处理有效提高了劳动效率和识别准确率，降低了成本。

Description

一种FPC焊盘表面缺陷处理系统和方法

技术领域

本发明涉及领域FPC检测，尤其涉及一种FPC焊盘表面缺陷处理系统和方法。

背景技术

柔性电路板(Flexible Printed Circuit，简称FPC)是以聚酰亚胺或聚脂薄膜为基材制成的一种印刷电路板。与普通印刷电路板(Printed Circuit Board，简称PCB)相比，FPC具有配线密度高、重量轻、厚度薄、弯折性好的特点。在某些应用场合可作为普通印制电路板(PCB)的替代品。柔性电路板有利于节省空间的系统设计，减少尺寸和重量，改善系统的内部外观，并提供低成本的安装。近年来，随着电子产品向更小更轻的方向发展，FPC在电子设备中的应用越来越广泛。而焊盘作为FPC的重要组成部分，焊盘的质量直接决定着FPC的质量。目前，FPC检测采用的是模板匹配的方法，分类准确率较低，误识别率较高，需要人工进行二次识别，通过人工加光学设备辅助检测法，分类准确率较低，误识别率较高和效率低。

发明内容

本发明所要解决的技术问题是针对现有技术中人工加光学设备辅助检测的不足，提供一种FPC焊盘表面缺陷处理系统及方法。

本发明解决上述技术问题的技术方案如下：

一种FPC焊盘表面缺陷处理系统，包括：图像采集装置、分类识别装置、缺陷处理装置和标记装置；

所述图像采集装置用于采集FPC图像，根据所述FPC图像提取焊盘缺陷区域图像；

所述分类识别装置用于提取所述焊盘缺陷区域图像的图像特征，根据所述图像特征和训练后的PSO-SVM模型获得焊盘缺陷的种类和位置；

所述缺陷处理装置用于根据所述焊盘缺陷的位置对焊盘的缺陷进行定位，控制所述标记装置移动到FPC焊盘上对应的缺陷处，根据所述焊盘缺陷的种类对所述FPC焊盘的缺陷进行标记。

发明的有益效果是：通过采集FPC图像，根据所述FPC图像提取焊盘缺陷区域图像，能够自动计算最佳阈值提取焊盘缺陷区域图像，保证图像大小一致，这样可以保证获取的FPC图像保持一致，为后续的特征提取提供方便，再将提取出的焊盘缺陷区域图像的图像特征输入到训练后的PSO-SVM模型，获得焊盘缺陷的种类和位置，并对焊盘进行分类标记，实现了FPC焊盘表面缺陷的自动化检测和标记；所述图像特征作为PSO-SVM模型的输入训练得到分类，具有检测精度高、鲁棒性强和实时性高，所述标记装置对所述FPC焊盘的缺陷标记，不要人为处理，节省了劳动力，本方案FPC焊盘表面缺陷处理有效提高了劳动效率和识别准确率，降低了成本。

进一步地，所述图像采集装置包括：检测模块，所述检测模块用于检测所述FPC焊盘的移动位置，当所述FPC焊盘移动到预设位置时，发送采集信号给所述图像采集装置，所述图像采集装置根据所述采集信号采集所述FPC图像。

采用上述进一步方案的有益效果是：通过所述FPC焊盘移动到预设位置时，所述图像采集装置再采集所述FPC图像，能够控制FPC焊盘达到最优位置，达到所述图像采集装置能够采集到最优、最全的FPC图像的效果，同时能够达到及时采集FPC图像，高效采集下一个FPC图像的效果。

进一步地，所述图像采集装置具体用于，采集所述FPC图像，对所述FPC图像进行灰度化和高斯滤波处理，再对处理后的所述FPC图像进行边缘检测，提取所述FPC图像中FPC焊盘的轮廓，将所述FPC焊盘提取出来，得到FPC焊盘图像；再提取所述FPC焊盘图像的缺陷区域的最小外接矩形，将所述最小外接矩形作为所述FPC焊盘的缺陷区域，得到所述焊盘缺陷区域图像。

采用上述进一步方案的有益效果是：通过所述FPC图像进行高斯滤波和灰度化处理，实现了消除噪声，减少背景带来的干扰；再对处理后的所述FPC图像进行边缘检测、轮廓处理、提取焊盘、再提取焊盘缺陷区域图像，实现了更进一步减少了背景区域的干扰，提高了计算效率，保证图像大小一致，这样可以保证获取的FPC图像保持一致，为后续的特征提取提供方便，获得更精确的焊盘缺陷区域定位，加快了处理焊盘缺陷的速度；通过OTSU法、canny算子进行边缘检测以获取焊盘的轮廓，能够自动计算该最佳阈值来区分目标和背景，提高了OTSU法计算效率。

进一步地，所述图像特征包括形状特征、灰度特征和纹理特征；所述形状特征包括：缺陷区圆形度、缺陷区矩形度、缺陷区拉伸度和缺陷轮廓数量；所述灰度特征包括：灰度平均值、灰度方差、一阶不变矩、二阶不变矩、三阶不变矩和四阶不变矩；所述纹理特征包括：能量、对比度、相关性和同质性。

采用上述进一步方案的有益效果是：实现了焊盘缺陷分类识别结果更加全面，也为PSO-SVM模型进一步计算提供了完善的数据，提高了获取缺陷分类数据的准确性。

进一步地，所述分类识别装置还包括缺陷分类识别训练模块；

所述缺陷分类识别训练模块用于训练PSO-SVM模型，包括：

参数设置子模块，用于设置最大迭代步数，并设置初始位置和速度，并规定惩罚系数和核参数的取值范围；

适应度值计算子模块，用于计算粒子的适应度值，并根据所述适应度值更新个体极值与群体极值；

迭代步数判断子模块，用于判断是否超出设置的最大迭代步数，若未超出设置的最大迭代步数，则根据粒子速度和位置更新公式，更新粒子速度和位置，然后重复计算粒子的适应度值并判断；

若超出设置的最大迭代步数，得到最优分类参数，完成训练；

采用上述进一步方案的有益效果是：通过训练后的PSO-SVM模型，实现了分类精度高，稳定性更好，不需要人工进行二次识别，可以有效地节省人力。

本发明解决上述技术问题的另一种技术方案如下：

S1，一种FPC焊盘表面缺陷处理方法，包括以下步骤：

S2，采集FPC图像，根据所述FPC图像提取焊盘缺陷区域图像；

S3，提取所述焊盘缺陷区域图像的图像特征，训练PSO-SVM模型，根据所述图像特征和训练后所述PSO-SVM模型获得焊盘缺陷的种类和位置；

根据所述焊盘缺陷的位置对焊盘的缺陷进行定位，控制标记装置移动到FPC焊盘上对应的缺陷处，根据所述焊盘缺陷的种类对所述FPC焊盘的缺陷进行标记。

本发明的有益效果是：通过采集FPC图像，根据所述FPC图像提取焊盘缺陷区域图像，能够自动计算最佳阈值提取焊盘缺陷区域图像，保证图像大小一致，这样可以保证获取的FPC图像保持一致，为后续的特征提取提供方便，再将提取出的焊盘缺陷区域图像的图像特征输入到训练后的PSO-SVM模型，获得焊盘缺陷的种类和位置，并对焊盘进行分类标记，实现了FPC焊盘表面缺陷的自动化检测和标记；所述图像特征作为PSO-SVM模型的输入训练得到分类，具有检测精度高、鲁棒性强和实时性高，所述标记装置对所述FPC焊盘的缺陷标记，不要人为处理，节省了劳动力，本方案FPC焊盘表面缺陷处理有效提高了劳动效率和识别准确率，降低了成本。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步地，所述采集FPC焊盘图像具体包括：

检测所述FPC焊盘的移动位置；

当所述FPC焊盘移动到预设位置时，发送采集信号给图像采集装置，所述图像采集装置根据采集信号采集所述FPC图像。

本发明的有益效果是：通过所述FPC焊盘移动到预设位置时，所述图像采集装置再采集所述FPC图像，能够控制FPC焊盘达到最优位置，达到所述图像采集装置能够采集到最优、最全的FPC图像的效果，同时能够达到及时采集FPC图像，高效采集下一个FPC图像的效果。

进一步地，所述根据所述FPC图像提取焊盘缺陷区域图像具体包括：

对所述FPC图像进行灰度化和高斯滤波处理，获得滤波后的图像；

所述滤波后的图像，再进行边缘检测以提取所述FPC图像中FPC焊盘的轮廓，并将所述FPC焊盘提取出来，得到FPC焊盘图像；

提取所述FPC焊盘图像的缺陷区域的最小外接矩形，将所述最小外接矩形作为所述FPC焊盘的缺陷区域，得到所述焊盘缺陷区域图像。

本发明的有益效果是：通过所述FPC图像进行高斯滤波和灰度化处理，实现了消除噪声，减少背景带来的干扰；再对处理后的所述FPC图像进行边缘检测、轮廓处理、提取焊盘、再提取焊盘缺陷区域图像，实现了更进一步减少了背景区域的干扰，提高了计算效率，保证图像大小一致，这样可以保证获取的FPC图像保持一致，为后续的特征提取提供方便，获得更精确的焊盘缺陷区域定位，加快了处理焊盘缺陷的速度；通过OTSU法、canny算子进行边缘检测以获取焊盘的轮廓，能够自动计算该最佳阈值来区分目标和背景，提高了OTSU法计算效率。

进一步地，所述提取所述焊盘缺陷区域图像的图像特征具体包括：

根据所述焊盘缺陷区域图像，提取所述样本数据的形状特征、灰度特征和纹理特征；所述形状特征包括：缺陷区圆形度、缺陷区矩形度、缺陷区拉伸度和缺陷轮廓数量；所述灰度特征包括：灰度平均值、灰度方差、一阶不变矩、二阶不变矩、三阶不变矩和四阶不变矩；所述纹理特征包括：能量、对比度、相关性和同质性；将所述特征输入训练后的PSO-SVM模型中。

本发明的有益效果是：实现了焊盘缺陷分类识别结果更加全面，也为PSO-SVM模型进一步计算提供了完善的数据，提高了计算的准确性。

进一步地，在采集FPC图像之前，还包括：

S11，设置最大迭代步数；

S12，设置初始位置和速度，并规定惩罚系数和核参数的取值范围；

S13，计算粒子的适应度值；

S14，根据所述适应度值更新个体极值与群体极值；

S15，判断是否超出设置的最大迭代步数，若未超出设置的最大迭代步数，则根据粒子速度和位置更新公式，更新粒子速度和位置，然后重复S12-S15；

S16，若超出设置的最大迭代步数，得到最优分类参数，完成训练。

本发明的有益效果是：通过训练后的PSO-SVM模型，实现了分类精度高，稳定性更好，不需要人工进行二次识别，可以有效地节省人力。

本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。

附图说明

图1为本发明的实施例提供的结构框架图；

图2为本发明的实施例提供的流程示意图；

图3为本发明的训练PSO-SVM模型的流程示意图；

图4为本发明的焊盘缺陷种类示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实施例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，为本发明实施例提供的一种FPC焊盘表面缺陷处理系统，该系统包括：图像采集装置11、分类识别装置12、缺陷处理装置13和标记装置14；

图像采集装置11用于采集FPC图像，根据FPC图像提取焊盘缺陷区域图像；

根据FPC图像提取焊盘缺陷区域图像，具体焊盘缺陷种类包括残铜、划伤、破损、氧化和脏污，如图4所示。

分类识别装置12用于提取焊盘缺陷区域图像的图像特征，根据图像特征和训练后的PSO-SVM模型获得焊盘缺陷的种类和位置；

缺陷处理装置13用于根据焊盘缺陷的位置对焊盘的缺陷进行定位，控制标记装置14移动到FPC焊盘上对应的缺陷处，根据焊盘缺陷的种类对FPC焊盘的缺陷进行标记。

根据焊盘缺陷的种类对FPC焊盘的缺陷进行标记，例如，如果焊盘缺陷种类为残铜，则将FPC焊盘标记为a；如果焊盘缺陷种类为划伤，则将FPC焊盘标记为；如果焊盘缺陷种类为破损，则将FPC焊盘标记为c；如果焊盘缺陷种类为氧化，则将FPC焊盘标记为d；如果焊盘缺陷种类为脏污，则将FPC焊盘标记为f；

其中，图像采集装置11可以包括LED光源和CCD相机，LED光源为CCD相机拍摄提供光源，根据FPC图像提取焊盘缺陷区域图像可以是计算机系统完成，计算机系统通过OTSU法、canny算子进行边缘检测以获取焊盘的轮廓，并将焊盘提取出来，其中OTSU是一种自适应的阈值确定方法，自动计算最佳阈值来区分目标和背景两类像素，并使得两类像素区分度最大，再通过边缘检测获取缺陷轮廓，然后通过matlab中的regionprops函数提取缺陷区域的外接矩形并保证图像大小一致，这样可以保证获取的样本图像保持一致，为后续的特征提取提供方便；

分类识别装置12主要利用matlab编程，根据焊盘缺陷区域图像提取图像形状特征、灰度特征、纹理特征；再将提取的特征输入到训练后的PSO-SVM模型中获得焊盘缺陷的种类和位置；

其中，图像的形状特征、灰度特征、纹理特征，形状特征可以包括：缺陷区圆形度、缺陷区矩形度、缺陷区拉伸度和缺陷轮廓数量；灰度特征可以包括：灰度平均值、灰度方差、一阶不变矩、二阶不变矩、三阶不变矩和四阶不变矩；纹理特征可以包括：能量、对比度、相关性和同质性。

缺陷处理装置13，可以包括控制器和机械臂，控制器根据焊盘缺陷的种类和位置，控制机械臂根据对应缺陷种类对FPC焊盘的缺陷进行标记。

通过采集FPC图像，根据FPC图像提取焊盘缺陷区域图像，能够自动计算最佳阈值提取焊盘缺陷区域图像，保证图像大小一致，这样可以保证获取的FPC图像保持一致，为后续的特征提取提供方便，再将提取出的焊盘缺陷区域图像的图像特征输入到训练后的PSO-SVM模型，获得焊盘缺陷的种类和位置，并对焊盘进行分类标记，实现了FPC焊盘表面缺陷的自动化检测和标记；图像特征作为PSO-SVM模型的输入训练得到分类，具有检测精度高、鲁棒性强和实时性高，标记装置14对FPC焊盘的缺陷标记，不要人为处理，节省了劳动力，本方案FPC焊盘表面缺陷处理有效提高了劳动效率和识别准确率，降低了成本。

优选地，在上述任意实施例中，

图像采集装置11包括：检测模块，检测模块用于检测FPC焊盘的移动位置，当FPC焊盘移动到预设位置时，发送采集信号给图像采集装置11，图像采集装置11根据采集信号采集FPC图像。

其中检测模块可以是位置传感器，当FPC焊盘移动到CCD相机的拍摄范围时，发送采集信号给CCD相机，CCD相机采集到完整FPC图像后，位置传感器继续检测，在下一个FPC焊盘移动到拍摄范围继续采集下一个FPC图像。

通过FPC焊盘移动到预设位置时，图像采集装置11再采集FPC图像，能够控制FPC焊盘达到最优位置，达到图像采集装置11能够采集到最优、最全的FPC图像的效果，同时能够达到及时采集FPC图像，高效采集下一个FPC图像的效果。

优选地，在上述任意实施例中，

图像采集装置11具体用于，采集FPC图像，对FPC图像进行灰度化和高斯滤波处理，再对处理后的FPC图像进行边缘检测，提取FPC图像中FPC焊盘的轮廓，将FPC焊盘提取出来，得到FPC焊盘图像；再提取FPC焊盘图像的缺陷区域的最小外接矩形，将最小外接矩形作为FPC焊盘的缺陷区域，得到焊盘缺陷区域图像。

计算机系统对FPC图像进行灰度化和高斯滤波处理，其中高斯核大小为3X3，再通过OTSU法、canny算子进行边缘检测以获取焊盘的轮廓，并将焊盘提取出来，其中OTSU是一种自适应的阈值确定方法，自动计算最佳阈值来区分目标和背景两类像素，并使得两类像素区分度最大，再通过边缘检测获取缺陷轮廓，然后通过matlab中的regionprops函数提取缺陷区域的外接矩形并保证图像大小一致，得到焊盘缺陷区域图像。

通过灰度化和高斯滤波处理，再通过OTSU法、canny算子的处理实现了减少了背景区域的干扰，提高了计算效率，并保证图像大小一致，为后续的特征提取提供方便，可以获得更精确的焊盘缺陷区域定位，加快了处理焊盘缺陷的速度；并且OTSU法、canny算子进行边缘检测以获取焊盘的轮廓，能够自动计算该最佳阈值来区分目标和背景，提高了OTSU法计算效率。

优选地，在上述任意实施例中，图像特征包括形状特征、灰度特征和纹理特征；形状特征包括：缺陷区圆形度、缺陷区矩形度、缺陷区拉伸度和缺陷轮廓数量；灰度特征包括：灰度平均值、灰度方差、一阶不变矩、二阶不变矩、三阶不变矩和四阶不变矩；纹理特征包括：能量、对比度、相关性和同质性。

通过将缺陷区圆形度、缺陷区矩形度、缺陷区拉伸度等更具体的图像特征输入到训练完成的SVM多分类器中获得分类识别结果，使得分类识别的精度和准确率更高。

优选地，在上述任意实施例中，分类识别装置12还包括缺陷分类识别训练模块；

缺陷分类识别训练模块用于训练PSO-SVM模型，包括：

参数设置子模块，用于设置最大迭代步数，并设置初始位置和速度，并规定惩罚系数和核参数的取值范围；

适应度值计算子模块，用于计算粒子的适应度值，并根据所述适应度值更新个体极值与群体极值；

迭代步数判断子模块，用于判断是否超出设置的最大迭代步数，若未超出设置的最大迭代步数，则根据粒子速度和位置更新公式，更新粒子速度和位置，然后重复计算粒子的适应度值并判断；

若超出设置的最大迭代步数，得到最优分类参数，完成训练；

其中，选定训练样本集和测试样本集，通过采集一定数目的FPC样本图像，针对这些FPC样本图像提取焊盘区域，然后再提取焊盘缺陷区域，将焊盘缺陷区域作为训练样本集；再收集一定数目的已知缺陷种类的FPC样本图像作为测试样本集。再通过构造的训练样本集包括5种缺陷130组，每种缺陷各26组，测试样本共250组，每种50组；每组数据由14维向量构成，对应14种缺陷特征，因为不同的特征得到的数据所在的数量级不一，为了保证特征的平衡性，需要对数据进行归一化处理，使样本数据集映射到[0,1]之间；核函数的选择，通过选取径向基核函数来构造SVM模型。

通过训练后的PSO-SVM模型，实现了分类精度高，稳定性更好，不需要人工进行二次识别，可以有效地节省人力。

在某一实施例中，给出了一种磁瓦表面缺陷检测方法，如图2所示，该方法包括：

S1,采集FPC图像，根据FPC图像提取焊盘缺陷区域图像；

根据FPC图像提取焊盘缺陷区域图像，具体焊盘缺陷包括残铜a、划伤b、破损c、氧化d和脏污f，如图4所示。

S2,提取焊盘缺陷区域图像的图像特征，根据图像特征和训练后PSO-SVM模型获得焊盘缺陷的种类和位置；

S3,根据焊盘缺陷的位置对焊盘的缺陷进行定位，控制标记装置14移动到FPC焊盘上对应的缺陷处，根据焊盘缺陷的种类对FPC焊盘的缺陷进行标记。

根据焊盘缺陷的种类对FPC焊盘的缺陷进行标记，例如，如果焊盘缺陷种类为残铜，则将FPC焊盘标记为a；如果焊盘缺陷种类为划伤，则将FPC焊盘标记为；如果焊盘缺陷种类为破损，则将FPC焊盘标记为c；如果焊盘缺陷种类为氧化，则将FPC焊盘标记为d；如果焊盘缺陷种类为脏污，则将FPC焊盘标记为f；

其中采集FPC图像的装置可以包括LED光源和CCD相机，LED光源为CCD相机拍摄提供光源，根据FPC图像提取焊盘缺陷区域图像可以是计算机系统完成，计算机系统通过OTSU法、canny算子进行边缘检测以获取焊盘的轮廓，并将焊盘提取出来，其中OTSU是一种自适应的阈值确定方法，自动计算最佳阈值来区分目标和背景两类像素，并使得两类像素区分度最大，再通过边缘检测获取缺陷轮廓，然后通过matlab中的regionprops函数提取缺陷区域的外接矩形并保证图像大小一致，这样可以保证获取的样本图像保持一致，为后续的特征提取提供方便；

提取焊盘缺陷区域图像的图像特征主要利用matlab编程，根据焊盘缺陷区域图像提取图像形状特征、灰度特征、纹理特征；再将提取的特征输入到训练后的PSO-SVM模型中获得焊盘缺陷的种类和位置；

其中，图像的形状特征、灰度特征、纹理特征，形状特征具体包括：缺陷区圆形度、缺陷区矩形度、缺陷区拉伸度和缺陷轮廓数量；灰度特征具体包括：灰度平均值、灰度方差、一阶不变矩、二阶不变矩、三阶不变矩和四阶不变矩；纹理特征包括：能量、对比度、相关性和同质性。

标记装置14可以是机械臂，控制器根据焊盘缺陷的种类和位置，控制机械臂根据对应缺陷种类对FPC焊盘的缺陷进行标记。

通过采集FPC图像，根据FPC图像提取焊盘缺陷区域图像，能够自动计算最佳阈值提取焊盘缺陷区域图像，保证图像大小一致，这样可以保证获取的FPC图像保持一致，为后续的特征提取提供方便，再将提取出的焊盘缺陷区域图像的图像特征输入到训练后的PSO-SVM模型，获得焊盘缺陷的种类和位置，并对焊盘进行分类标记，实现了FPC焊盘表面缺陷的自动化检测和标记；图像特征作为PSO-SVM模型的输入训练得到分类，具有检测精度高、鲁棒性强和实时性高，标记装置14对FPC焊盘的缺陷标记，不要人为处理，节省了劳动力，本方案FPC焊盘表面缺陷处理有效提高了劳动效率和识别准确率，降低了成本。

优选地，在上述任意实施例中，

采集FPC焊盘图像具体包括：

检测FPC焊盘的移动位置；

当FPC焊盘移动到预设位置时，发送采集信号给图像采集装置11，图像采集装置11根据采集信号采集FPC图像。

其中检测FPC焊盘的移动位置可以是位置传感器，当FPC焊盘移动到CCD相机的拍摄范围时，发送采集信号给CCD相机，CCD相机采集到完整FPC图像后，位置传感器继续检测，在下一个FPC焊盘移动到拍摄范围继续采集下一个FPC图像。

通过FPC焊盘移动到预设位置时，图像采集装置11再采集FPC图像，能够控制FPC焊盘达到最优位置，达到图像采集装置11能够采集到最优、最全的FPC图像的效果，同时能够达到及时采集FPC图像，高效采集下一个FPC图像的效果。

优选地，在上述任意实施例中，

根据FPC图像提取焊盘缺陷区域图像具体包括：

对FPC图像进行灰度化和高斯滤波处理，获得滤波后的图像；

滤波后的图像，再进行边缘检测以提取FPC图像中FPC焊盘的轮廓，并将FPC焊盘提取出来，得到FPC焊盘图像；

提取FPC焊盘图像的缺陷区域的最小外接矩形，将最小外接矩形作为FPC焊盘的缺陷区域，得到焊盘缺陷区域图像。

计算机系统对FPC图像进行灰度化和高斯滤波处理，其中高斯核大小为3X3，再通过OTSU法、canny算子进行边缘检测以获取焊盘的轮廓，并将焊盘提取出来，其中OTSU是一种自适应的阈值确定方法，自动计算最佳阈值来区分目标和背景两类像素，并使得两类像素区分度最大，再通过边缘检测获取缺陷轮廓，然后通过matlab中的regionprops函数提取缺陷区域的外接矩形并保证图像大小一致，得到焊盘缺陷区域图像。

通过灰度化和高斯滤波处理，再通过OTSU法、canny算子的处理实现了减少了背景区域的干扰，提高了计算效率，并保证图像大小一致，为后续的特征提取提供方便，可以获得更精确的焊盘缺陷区域定位，加快了处理焊盘缺陷的速度；并且通过OTSU法、canny算子进行边缘检测以获取焊盘的轮廓，能够自动计算该最佳阈值来区分目标和背景，还提高了OTSU法计算效率。

优选地，在上述任意实施例中，

提取焊盘缺陷区域图像的图像特征具体包括：

根据焊盘缺陷区域图像，提取样本数据的形状特征、灰度特征和纹理特征；形状特征包括：缺陷区圆形度、缺陷区矩形度、缺陷区拉伸度和缺陷轮廓数量；灰度特征包括：灰度平均值、灰度方差、一阶不变矩、二阶不变矩、三阶不变矩和四阶不变矩；纹理特征包括：能量、对比度、相关性和同质性；将特征输入训练后的PSO-SVM模型中。

通过将缺陷区圆形度、缺陷区矩形度、缺陷区拉伸度等更具体的图像特征输入到训练完成的SVM多分类器中获得分类识别结果，使得分类识别的精度和准确率更高。

优选地，在上述任意实施例中，如图3所示：

在采集FPC图像之前，还包括：

S11，设置最大迭代步数；

S12，设置初始位置和速度，并规定惩罚系数和核参数的取值范围；

S13，计算粒子的适应度值；

S14，根据适应度值更新个体极值与群体极值；

S15，判断是否超出设置的最大迭代步数，若未超出设置的最大迭代步数，则根据粒子速度和位置更新公式，更新粒子速度和位置，然后重复S12-S15；

S16，若超出设置的最大迭代步数，得到最优分类参数，完成训练。

其中，选定训练样本集和测试样本集，通过采集一定数目的FPC样本图像，针对这些FPC样本图像提取焊盘区域，然后再提取焊盘缺陷区域，将焊盘缺陷区域作为训练样本集；再收集一定数目的已知缺陷种类的FPC样本图像作为才是样本集。再通过构造的训练样本集包括5种缺陷130组，每种缺陷各26组，测试样本共250组，每种50组；每组数据由14维向量构成，对应14种缺陷特征，因为不同的特征得到的数据所在的数量级不一，为了保证特征的平衡性，需要对数据进行归一化处理，使样本数据集映射到[0,1]之间；核函数的选择，通过选取径向基核函数来构造SVM模型。

通过训练后的PSO-SVM模型，实现了分类精度高，稳定性更好，不需要人工进行二次识别，可以有效地节省人力。

读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，步骤的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个步骤可以结合或者可以集成到另一个步骤，或一些特征可以忽略，或不执行。

上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种FPC焊盘表面缺陷处理系统，其特征在于，包括：图像采集装置、分类识别装置、缺陷处理装置和标记装置；

所述图像采集装置用于采集FPC图像，根据所述FPC图像提取焊盘缺陷区域图像；

所述分类识别装置用于提取所述焊盘缺陷区域图像的图像特征，根据所述图像特征和训练后的PSO-SVM模型获得焊盘缺陷的种类和位置；

所述缺陷处理装置用于根据所述焊盘缺陷的位置对焊盘的缺陷进行定位，控制所述标记装置移动到FPC焊盘上对应的缺陷处，根据所述焊盘缺陷的种类对所述FPC焊盘的缺陷进行标记。

2.根据权利要求1所述的一种FPC焊盘表面缺陷处理系统，其特征在于，所述图像采集装置包括：检测模块，所述检测模块用于检测所述FPC焊盘的移动位置，当所述FPC焊盘移动到预设位置时，发送采集信号给所述图像采集装置，所述图像采集装置根据所述采集信号采集所述FPC图像。

3.根据权利要求1所述的一种FPC焊盘表面缺陷处理系统，其特征在于，所述图像采集装置具体用于，采集所述FPC图像，对所述FPC图像进行灰度化和高斯滤波处理，再对处理后的所述FPC图像进行边缘检测，提取所述FPC图像中FPC焊盘的轮廓，将所述FPC焊盘提取出来，得到FPC焊盘图像；再提取所述FPC焊盘图像的缺陷区域的最小外接矩形，将所述最小外接矩形作为所述FPC焊盘的缺陷区域，得到所述焊盘缺陷区域图像。

4.根据权利要求1所述的一种FPC焊盘表面缺陷处理系统，其特征在于，所述图像特征包括形状特征、灰度特征和纹理特征；所述形状特征包括：缺陷区圆形度、缺陷区矩形度、缺陷区拉伸度和缺陷轮廓数量；所述灰度特征包括：灰度平均值、灰度方差、一阶不变矩、二阶不变矩、三阶不变矩和四阶不变矩；所述纹理特征包括：能量、对比度、相关性和同质性。

5.根据权利要求1至4中任一项所述的一种FPC焊盘表面缺陷处理系统，其特征在于，所述分类识别装置还包括缺陷分类识别训练模块；

所述缺陷分类识别训练模块用于训练PSO-SVM模型，包括：

参数设置子模块，用于设置最大迭代步数，并设置初始位置和速度，并规定惩罚系数和核参数的取值范围；

适应度值计算子模块，用于计算粒子的适应度值，并根据所述适应度值更新个体极值与群体极值；

迭代步数判断子模块，用于判断是否超出设置的最大迭代步数，若未超出设置的最大迭代步数，则根据粒子速度和位置更新公式，更新粒子速度和位置，然后重复计算粒子的适应度值并判断；

若超出设置的最大迭代步数，得到最优分类参数，完成训练。

6.一种FPC焊盘表面缺陷处理方法，其特征在于，包括

S1，采集FPC图像，根据所述FPC图像提取焊盘缺陷区域图像；

S2，提取所述焊盘缺陷区域图像的图像特征，根据所述图像特征和训练后所述PSO-SVM模型获得焊盘缺陷的种类和位置；

S3，根据所述焊盘缺陷的位置对焊盘的缺陷进行定位，控制标记装置移动到FPC焊盘上对应的缺陷处，根据所述焊盘缺陷的种类对所述FPC焊盘的缺陷进行标记。

7.根据权利要求6所述的一种FPC焊盘表面缺陷处理方法，其特征在于，所述采集FPC焊盘图像具体包括：

检测所述FPC焊盘的移动位置；

当所述FPC焊盘移动到预设位置时，发送采集信号给图像采集装置，所述图像采集装置根据采集信号采集所述FPC图像。

8.根据权利要求6所述的一种FPC焊盘表面缺陷处理方法，其特征在于，所述根据所述FPC图像提取焊盘缺陷区域图像具体包括：

对所述FPC图像进行灰度化和高斯滤波处理，获得滤波后的图像；

所述滤波后的图像，再进行边缘检测以提取所述FPC图像中FPC焊盘的轮廓，并将所述FPC焊盘提取出来，得到FPC焊盘图像；

提取所述FPC焊盘图像的缺陷区域的最小外接矩形，将所述最小外接矩形作为所述FPC焊盘的缺陷区域，得到所述焊盘缺陷区域图像。

9.根据权利要求6所述的一种FPC焊盘表面缺陷处理方法，其特征在于，所述提取所述焊盘缺陷区域图像的图像特征具体包括：

根据所述焊盘缺陷区域图像，提取所述样本数据的形状特征、灰度特征和纹理特征；所述形状特征包括：缺陷区圆形度、缺陷区矩形度、缺陷区拉伸度和缺陷轮廓数量；所述灰度特征包括：灰度平均值、灰度方差、一阶不变矩、二阶不变矩、三阶不变矩和四阶不变矩；所述纹理特征包括：能量、对比度、相关性和同质性；将所述特征输入训练后的PSO-SVM模型中。

10.根据权利要求6至9任一项所述的一种FPC焊盘表面缺陷处理方法，其特征在于，在采集FPC图像之前，还包括：

S11，设置最大迭代步数；

S12，设置初始位置和速度，并规定惩罚系数和核参数的取值范围；

S13，计算粒子的适应度值；

S14，根据所述适应度值更新个体极值与群体极值；

S15，判断是否超出设置的最大迭代步数，若未超出设置的最大迭代步数，则根据粒子速度和位置更新公式，更新粒子速度和位置，然后重复S12-S15；

S16，若超出设置的最大迭代步数，得到最优分类参数，完成训练。