CN111899248A - 一种基于机器学习的自动pcb焊锡膏缺陷检测方法 - Google Patents

Abstract

本发明公开一种基于机器学习的自动PCB焊锡膏缺陷检测方法，包括以下步骤：S1、将焊盘CAD文件和焊锡膏CAD文件导入LIF模块的学习系统中学习检测特征；S2、分别提取检测基准点、检测焊盘和检测焊锡膏的位置、大小和形状作为检测模板；S3、进一步提取检测焊锡膏占焊盘的比重值完善检测模板；S4、通过高分辨率2D传感器将待检测PCB图像传入OLI模块的监测系统中；S5、监测系统自动定位待检测PCB图像上的基准点等9个步骤，通过SMV系统的两个模块，即LIF和OLI的合理应用，可以在生产线上尽早发现缺陷，从而可以大幅降低制造成本。

Description

一种基于机器学习的自动PCB焊锡膏缺陷检测方法

技术领域

本发明涉及自动视觉检测技术领域，尤其涉及一种基于机器学习的自动PCB焊锡膏缺陷检测方法。

背景技术

PCB(印刷电路板)行业继续采用越来越高的集成度和元件密度，结果导致PCB元件的公差变得越来越紧，这引起了PCB板准确、可靠的视觉检测的更高需求。PCB电路制造业使用表面贴焊技术，放合适的焊锡膏在焊盘上是防止不必要的开路或短路的关键，有时，在将所有元件都放置在焊盘上后可以通过在线测试捕获这些不必要的开路或短路，但大多数焊锡膏缺陷在元件安装好后无法捕获。自动焊膏检测系统SMV(智能机器视觉)可以使人工检测员从压力大且不切实际的检查任务中解放出来。因此本发明提供了一种基于机器学习的自动PCB焊锡膏检测方法，可以在生产线上尽早发现焊锡膏缺陷，从而可以大幅降低制造成本。

发明内容

针对上述问题，本发明提出一种基于机器学习的自动PCB焊锡膏缺陷检测方法，主要解决背景技术中的问题。

本发明提出一种基于机器学习的自动PCB焊锡膏缺陷检测方法，1.一种基于机器学习的自动PCB焊锡膏缺陷检测方法，其特征在于，包括以下步骤：

S1、将焊盘CAD文件和焊锡膏CAD文件导入LIF模块的学习系统中学习检测特征；

S2、分别提取检测基准点、检测焊盘和检测焊锡膏的位置、大小和形状作为检测模板；

S3、进一步提取检测焊锡膏占焊盘的比重值完善所述检测模板；

S4、通过高分辨率2D传感器将待检测PCB图像传入OLI模块的监测系统中；

S5、监测系统自动定位所述待检测PCB图像上的基准点；

S6、对待检测PCB图像进行自动二值化操作；

S7、根据LIF模块中学习系统中的检测模板将元件映射到待检测PCB图像；

S8、检测待检测PCB图像中每个元件上焊锡膏的比重值；

S9、输出PCB图像检测是否合格。

进一步改进在于，所述步骤S3还包括焊锡膏和焊盘的边界框面积计算，具体包括：

提取焊盘和焊锡膏的边界框并计算边界框的面积，其面积计算公式如下所示：

其中，焊盘和焊锡膏的边界框由许多封闭的闭合路径组成，定义R是N个矩形的数组、A_n是R[1]、R[2]…R[n]、B_n是R[n+1]的面积减去它前n个矩形重叠的部分，A₁是R[1]的面积。

进一步改进在于，所述步骤S5具体包括：

所述检测系统内设置有搜索区域，在每个搜索区域中应用最小二乘拟合法来计算圆形基准点的中心，拟合的公式如下：

其中权重ρ(x_i,y_i)是原始图像(x_i,y_i)的强度值。

进一步改进在于，为了避免使用非线性优化方法来求解等式(2)，定义了另一个目标函数，所述目标函数如下：

或：

进一步改进在于，等式(3)等于等式(2)乘以比例值k，且k的计算公式如下：

若k为常数，则等式(2)和等式(3)的解相同；

若k为非常数，则将等式(3)更改为：

其中，x₀，y₀和r₀的原始值通过等式(3)获得，之后通过等式(6)计算x_c，y_c和r，并在下一步的计算中作为新的x₀，y₀和r₀继续计算，通过迭代算法得到x_c，y_c、r的最终值。

进一步改进在于，所述步骤S7具体包括：

S71、采用最小二乘法测算待检测PCB图像的倾斜角，公式如下：

其中，n为基准点数目，(X_i，Y_i)为基准点在所述检测模板中的位置，(x_i，y_i)为基准点在待检测PCB图像中的位置，a为待检测PCB图像相对于检测模板的倾斜角度，k为缩放比例，(x₀，y₀)为偏移量；

则通过最小化目标函数确定α，k和(x₀，y₀)，具体是：

通过让

得到公式如下：

其中

是平均值；

S72、根据倾斜角度a重新计算计算图像中基准点的位置。

进一步改进在于，所述步骤S8具体包括：

计算待检测PCB图像上每个焊盘上的焊锡膏的比重值，若元件的比重值高于测试阈值，则表示焊膏丢失或损坏，所述待检测PCB图像检测结果为不合格，反之为合格。

与现有技术相比，本发明的有益效果为：

本发明提供了一种基于机器学习的自动PCB焊锡膏检测方法，创新性的采用了SMV系统，SMV系统有两个模块，即LIF和OLI，在具体的离线学习过程中，LIF从PCB的CAD文件中学习，并为每种新的PCB布局生成一个检测模板，OLI模块可在生产线上准确、高效地检测PCB，并公开了支持SMV系统的相关检测算法，使得沿用本发明检测方法的这种自动焊锡膏检测系统可以在生产线上尽早发现缺陷，从而可以大幅降低制造成本，具有着比传统人工检测更高的效率和精确度。

附图说明

附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

图1为本发明一实施方式的整体流程示意图。

具体实施方式

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以是通过中间媒介间接连接，可以说两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明的具体含义。下面结合附图和实施例对本发明的技术方案做进一步的说明。

参照图1，一种基于机器学习的自动PCB焊锡膏缺陷检测方法，1.一种基于机器学习的自动PCB焊锡膏缺陷检测方法，其特征在于，包括以下步骤：

S1、将焊盘CAD文件和焊锡膏CAD文件导入LIF模块的学习系统中学习检测特征；

S2、分别提取检测基准点、检测焊盘和检测焊锡膏的位置、大小和形状作为检测模板；

S3、进一步提取检测焊锡膏占焊盘的比重值完善所述检测模板；

S4、通过高分辨率2D传感器将待检测PCB图像传入OLI模块的监测系统中；

S5、监测系统自动定位所述待检测PCB图像上的基准点；

S6、对待检测PCB图像进行自动二值化操作；

S7、根据LIF模块中学习系统中的检测模板将元件映射到待检测PCB图像；

S8、检测待检测PCB图像中每个元件上焊锡膏的比重值；

S9、输出PCB图像检测是否合格。

作为本发明一优选实施方案，所述步骤S3还包括焊锡膏和焊盘的边界框面积计算，具体包括：

提取焊盘和焊锡膏的边界框并计算边界框的面积，其面积计算公式如下所示：

其中，焊盘和焊锡膏的边界框由许多封闭的闭合路径组成，定义R是N个矩形的数组、A_n是R[1]、R[2]…R[n]、B_n是R[n+1]的面积减去它前n个矩形重叠的部分，A₁是R[1]的面积。

作为本发明一优选实施方案，所述步骤S5具体包括：

所述检测系统内设置有搜索区域，在每个搜索区域中应用最小二乘拟合法来计算圆形基准点的中心，拟合的公式如下：

其中权重ρ(x_i,y_i)是原始图像(x_i,y_i)的强度值。

作为本发明一优选实施方案，为了避免使用非线性优化方法来求解等式(2)，定义了另一个目标函数，所述目标函数如下：

或：

作为本发明一优选实施方案，等式(3)等于等式(2)乘以比例值k，且k的计算公式如下：

若k为常数，则等式(2)和等式(3)的解相同；

若k为非常数，则将等式(3)更改为：

其中，x₀，y₀和r₀的原始值通过等式(3)获得，之后通过等式(6)计算x_c，y_c和r，并在下一步的计算中作为新的x₀，y₀和r₀继续计算，通过迭代算法得到x_c，y_c、r的最终值。

作为本发明一优选实施方案，所述步骤S7具体包括：

S71、在所述待检测PCB图像上精确定位基准点后，开始计算图像上检测区域的全局边缘框，并对全局边缘框内的图像内容进行自动二值化操作。然而在实际生产线上，PCB板并非总是完美地安装在测试台上，而是可能会以小角度倾斜放置，且当所述检测模板在图像上映射时，这种小的倾斜角度可能会导致较大的错误。基于此，待检测PCB图像必须首先摆正。首先采用最小二乘法测算待检测PCB图像的倾斜角，公式如下：

其中，n为基准点数目，(X_i，Y_i)为基准点在所述检测模板中的位置，(x_i，y_i)为基准点在待检测PCB图像中的位置，a为待检测PCB图像相对于检测模板的倾斜角度，k为缩放比例，(x₀，y₀)为偏移量；

则通过最小化目标函数确定α，k和(x₀，y₀)，具体是：

通过让

得到公式如下：

其中

是平均值；

S72、根据倾斜角度a重新计算计算图像中基准点的位置。

作为本发明一优选实施方案，所述步骤S8具体包括：

计算待检测PCB图像上每个焊盘上的焊锡膏的比重值，而在LIF阶段计算的焊锡膏比重值是焊锡膏本身的比重值，CCD相机捕获图像时，是裸露的焊盘(不是焊膏)反射的光，因此，若元件的比重值高于测试阈值，则表示焊膏丢失或损坏，所述待检测PCB图像检测结果为不合格，反之为合格。

与现有技术相比，本发明的有益效果为：

本发明提供了一种基于机器学习的自动PCB焊锡膏检测方法，创新性的采用了SMV系统，SMV系统有两个模块，即LIF和OLI，在具体的离线学习过程中，LIF从PCB的CAD文件中学习，并为每种新的PCB布局生成一个检测模板，OLI模块可在生产线上准确、高效地检测PCB，并公开了支持SMV系统的相关检测算法，使得沿用本发明检测方法的这种自动焊锡膏检测系统可以在生产线上尽早发现缺陷，从而可以大幅降低制造成本，具有着比传统人工检测更高的效率和精确度。

图中，描述位置关系仅用于示例性说明，不能理解为对本专利的限制；显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种基于机器学习的自动PCB焊锡膏缺陷检测方法，其特征在于，包括以下步骤：

S1、将焊盘CAD文件和焊锡膏CAD文件导入LIF模块的学习系统中学习检测特征；

S2、分别提取检测基准点、检测焊盘和检测焊锡膏的位置、大小和形状作为检测模板；

S3、进一步提取检测焊锡膏占焊盘的比重值完善所述检测模板；

S4、通过高分辨率2D传感器将待检测PCB图像传入OLI模块的监测系统中；

S5、监测系统自动定位所述待检测PCB图像上的基准点；

S6、对待检测PCB图像进行自动二值化操作；

S7、根据LIF模块中学习系统中的检测模板将元件映射到待检测PCB图像；

S8、检测待检测PCB图像中每个元件上焊锡膏的比重值；

S9、输出PCB图像检测是否合格。

2.根据权利要求1所述的一种基于机器学习的自动PCB焊锡膏缺陷检测方法，其特征在于，所述步骤S3还包括焊锡膏和焊盘的边界框面积计算，具体包括：

提取焊盘和焊锡膏的边界框并计算边界框的面积，其面积计算公式如下所示：

其中，焊盘和焊锡膏的边界框由许多封闭的闭合路径组成，定义R是N个矩形的数组、A_n是R[1]、R[2]…R[n]、B_n是R[n+1]的面积减去它前n个矩形重叠的部分，A₁是R[1]的面积。

3.根据权利要求1所述的一种基于机器学习的自动PCB焊锡膏缺陷检测方法，其特征在于，所述步骤S5具体包括：

所述检测系统内设置有搜索区域，在每个搜索区域中应用最小二乘拟合法来计算圆形基准点的中心，拟合的公式如下：

其中权重ρ(x_i,y_i)是原始图像(x_i,y_i)的强度值。

4.根据权利要求3所述的一种基于机器学习的自动PCB焊锡膏缺陷检测方法，其特征在于，为了避免使用非线性优化方法来求解等式(2)，定义了另一个目标函数，所述目标函数如下：

或：

5.根据权利要求4所述的一种基于机器学习的自动PCB焊锡膏缺陷检测方法，其特征在于，等式(3)等于等式(2)乘以比例值k，且k的计算公式如下：

若k为常数，则等式(2)和等式(3)的解相同；

若k为非常数，则将等式(3)更改为：

其中，x₀，y₀和r₀的原始值通过等式(3)获得，之后通过等式(6)计算x_c，y_c和r，并在下一步的计算中作为新的x₀，y₀和r₀继续计算，通过迭代算法得到x_c，y_c、r的最终值。

6.根据权利要求1所述的一种基于机器学习的自动PCB焊锡膏缺陷检测方法，其特征在于，所述步骤S7具体包括：

S71、采用最小二乘法测算待检测PCB图像的倾斜角，公式如下：

其中，n为基准点数目，(X_i，Y_i)为基准点在所述检测模板中的位置，(x_i，y_i)为基准点在待检测PCB图像中的位置，a为待检测PCB图像相对于检测模板的倾斜角度，k为缩放比例，(x₀，y₀)为偏移量；

则通过最小化目标函数确定α，k和(c₀，y₀)，具体是：

通过让

得到公式如下：

其中

是平均值；

S72、根据倾斜角度a重新计算计算图像中基准点的位置。

7.根据权利要求1所述的一种基于机器学习的自动PCB焊锡膏缺陷检测方法，其特征在于，所述步骤S8具体包括：

计算待检测PCB图像上每个焊盘上的焊锡膏的比重值，若元件的比重值高于测试阈值，则表示焊膏丢失或损坏，所述待检测PCB图像检测结果为不合格，反之为合格。

Images