一种pcb瑕疵检测的aoi算法

一种pcb瑕疵检测的aoi算法

随着电子制造业的精细、小型方向的发展，自动光学检测不足，这是避免对后续自动生产过程的影响的重要因素之一。最重要的检测环节是涂料板（pc）的自动光学检测。自动光学pc检测（aoi）的关键是快速分析和识别pc图像的差异。现有的相关算法可分为三种类型：参考法、基于参考的方法和混合法。参考法速度快，但需要经过严格控制，因此不能忽视不属于缺陷的小变形。基于参考参数的检测方法用于检测裸板的缺陷。在文献中，假设1b板的样式是空心圆形的焊接盘，并且无法检测使用表面活性剂（smd）的1b裸板。同时，该算法将比参考法和基准法进行比较。在比较后，基于参考规则的评估将变得更快、更灵活。本文提出一种基于连通分量分析的PCB瑕疵检测与分类算法,属于混合法的一种.在检测出瑕疵的同时直接完成瑕疵的分类,用于PCB断路、短路、局部短路,电路漏印、针孔、缺孔、脱孔等典型PCB瑕疵的快速分析和辨识.本文算法以连通分量为基准,不需要对PCB进行很严格的对准,并允许PCB图像有一定量的变形.1pcb瑕疵检测算法PCB自动光学瑕疵检测首先在AOI检测台上通过CCD获取参考PCB与被测PCB数字图像,并保存在计算机中.其次通过滤波去噪,二值化预处理后,得到高对比度的二值化图像.一般二值化图像背景值为0,图案样式值均为1,如图1(a)与图1(b)分别为计算机模拟的二值化之后的参考图像f(x,y)与被测图像g(x,y),相对参考图像,被测图像中包含有短路、断路、局部短路、脱孔、丢失孔、针孔等瑕疵.本研究提出的PCB瑕疵检测算法基于图像的连通分量标记及连通分量影响区域分割,获得参考图像的特征和被测图像的特征,并进行特征比对来完成.该算法由3步完成:a.参考图像的特征提取,主要是连通分量的标记.b.被测图像的特征萃取,萃取出与参考图像特征对应的被测图像特征.c.基于特征的比对,通过比对参考图像与被测图像的特征来完成瑕疵的检出.1.1连通分量标记算法采用文献中的连通分量标记算法,可实现参考图像连通分量的标记,得到连通分量标记图像,由下式表示,l(x,y)=b(f(x,y)),(1)l(x,y)=b(f(x,y)),(1)式中b是连通分量标记函数.图2为参考图像与被测图像的处理结果.图2(a)所示为由参考图像f(x,y)采用连通分量标记算法得到的连通分量标记图像l(x,y),包含5个连通分量,分别标识为连通分量1,2,…,5.于是得到参考图像的5个特征(连通分量).1.2连通分量影响区域的特征被测图像中的特征是通过与被测图像比对而得到的,可以说是被测图像中与参考图像特征对应的特征.同时为避免因为对准误差与导线样式的微小变形而导致的比对差异(这是参考法无法解决的问题),这里引入了连通分量影响区域的概念.连通分量影响区域,可以结合表面形态学图像处理中的距离变换与分水岭算法得到.对图1(a)参考图像f(x,y)进行由下式表示的距离变换操作,得到其距离变换图像d(x,y)(如图2(b)所示),即d(x,y)=bw(f(x,y)),(2)d(x,y)=bw(f(x,y)),(2)式中bw是距离变换算法.分水岭算法用来找出距离变换图像的分水线,即连通分量影响区域的边界.图2(b)所示距离变换图像d(x,y)是灰度级的图像矩阵,其分水线位置就是距离变换图像d(x,y)中灰度值为极大值的像素点.对距离变换图像d(x,y)进行分水岭变换,便可得到参考图像的连通分量影响区域图像w(x,y)(如图2(c)所示),即w(x,y)=wa(d(x,y)),(3)w(x,y)=wa(d(x,y)),(3)式中wa是分水岭变换.在w(x,y)中可见,参考图像f(x,y)可分为5个影响区域,每个影响区域都包含一个惟一的连通分量.若应用参考图像连通分量影响区域w(x,y)将被测图像图1(b)分割成5个区域(如图2(d)所示),则被测图像中某一区域的图案样式就是与参考图像在该区域的特征对应的特征,特征得到萃取,从而得到参考图像f(x,y)与被测图像g(x,y)的特征对照图,如图3所示.值得注意的是,在图2(d)的椭圆中的图案与图2(c)参考图像连通分量影响区域w(x,y)的边界线相交.出现这种情况的原因是该图案连通了l(x,y)中的连通分量1和2.由于参考图像的连通分量与PCB上的导线样式对应,这种与w(x,y)的边界线相交的图案样式是短路瑕疵,可以将其提取出来.1.3d.断路瑕疵担保通过比较如图3所示参考图像f(x,y)与被测图像g(x,y)在各区域对应的特征,由于连通分量的个数是非负整数,按以下判断来完成瑕疵的检出:a.若被测图像g(x,y)某影响区域的特征不存在,则说明该区域中存在电路漏印瑕疵.b.若g(x,y)中存在与参考图像连通分量影响区域图像w(x,y)的分界线相交的图案,则该图案为短路瑕疵,如图3的与w(x,y)分界线相交的部分.c.若g(x,y)某特征的连通分量个数大于1,则说明该分量存在断路瑕疵(图4).如图4(a)所示特征是被测图像g(x,y)在该区域内特征,由于该特征的连通分量个数为2,因此存在断路瑕疵.d.通过连续的膨胀和腐蚀操作,可将该区域特征合并为由一个连通分量构成的特征,如图4(b)所示.在使用特征的合并操作之后,各区域的特征的连通分量个数均为1,以便进行其他瑕疵的检测.在剩余的瑕疵检测中,针孔以及局部短路瑕疵会导致特征的孔洞个数增加,丢失孔以及脱孔则会使特征的孔洞个数减少.通过检测特征的欧拉数E可以实现针孔、丢失孔、局部短路和脱孔等瑕疵的检测.此时特征欧拉数E与特征的孔洞总数H对应,欧拉数E是一种图像的拓扑特性,E=C−H‚E=C-Η‚式中C是连通分量的个数.将某连通区域内f(x,y)与g(x,y)对应的特征取逻辑“异或”,连通分量标记算法标记出结果的所有连通分量.将结果的每一连通分量分别与该区域f(x,y)与g(x,y)对应的特征进行逻辑“或”操作,找出该区域f(x,y)与g(x,y)对应特征的欧拉数E变化:a.若f(x,y)特征的欧拉数E变小,g(x,y)对应的特征的欧拉数E不变,则表示该连通分量为局部短路瑕疵,如图3(h)所示.b.若f(x,y)特征的欧拉数变大,g(x,y)对应的特征的欧拉数E不变,则代表该部分为缺孔瑕疵,如图3(b)所示.c.若f(x,y)特征的欧拉数不变,g(x,y)对应的特征的欧拉数小,则代表该部分为脱孔瑕疵,如图3(d)所示.d.若f(x,y)特征的欧拉数不变,g(x,y)对应的特征的欧拉数大,则代表该部分为针孔瑕疵,如图3(h)所示.以图3(g)和(h)为例,f(x,y)特征与g(x,y)对应的特征取逻辑“异或”,连通分量标记之后的结果如图5所示.点状部分连通分量不改变f(x,y)特征的欧拉数E,但增大了g(x,y)特征的欧拉数E,因此是针孔瑕疵.折线部分连通分量不改变g(x,y)特征的欧拉数,但减小了f(x,y)特征的欧拉数,因此是局部短路瑕疵.而直线部分均不改变两个特征的欧拉数,因此不是以上4种瑕疵的一种,而是由对准误差或者导线变形等因素造成的.2检测结果与分析为得到高对比度、照明均匀的PCB图像,搭建了图像采集系统:通过远心成像镜组GCO-230204与CMOS相机MVC3000得到PCB的数字图像,并存入计算机.光源选择MLR25强度可调节环形灯照明来保证得到的图像强度均匀.图6是得到的高对比度照明均匀的参考PCB图像与被测PCB图像,其中(a)和(c)为参考PCB图像,(b)和(d)为对应的被测PCB图像,分别存在短路与断路及脱孔瑕疵.首先,采用直接比对法对图6(d)进行瑕疵检测,结果如图7所示.图中所有白色的分量均为检测出来的差异,但是只有椭圆圈中的部分是实际存在的瑕疵,其他分量均是由于对准误差以及导线局部的微小变