基于图像处理技术的电路板图像配准研究

基于图像处理技术的电路板图像配准研究

0精密检测技术研究由于可能存在的不足、中断、错误、污垢、溢流和磨损等缺陷，绝缘材料无法使用。因此，检查线路缺陷非常重要。但是,在电子器件制造业中,特别是中小企业几乎还不能实现产品检验的自动化,而是依赖人的双眼进行目测。因此存在生产效率低、产品次品率高的现象。随着计算机技术、CCD技术及图像处理技术的发展,国内外对缺陷检测的研究也越来越多,研究的热点多集中于无接触式在线检测,基于图像处理的精密检测是现代测量技术的重要发展方向。利用光学投影把测试目标成像于CCD摄像机芯片,CCD芯片通过感光把测试目标转化为数字图像信号。利用图像处理技术对测试目标图像进行处理,可以自动对电路板进行无接触在线检测,从而大大提高检测效率,减少次品率。其检测如图1所示,其中图像处理部分是检测的关键,它将直接影响检测结果和效果。论文提供了将标准图像和待检测图像进行二值化分割、图像形态学处理、图像配准和差影检测处理为基础的电路板自动检测系统,该系统可以使印制电路板生产线的末端分检自动化以及批量生产中的印制电路板缺陷的故障率统计,为制造工艺的进一步改进提供依据。1图像分割技术离线检测系统能否实现目标关键是两个因素:(1)能否克服干扰和噪声正确检测出真实缺陷;(2)系统的实时性能否满足要求。对标准图像和待检测图像直接进行处理实时性难以满足要求。考虑电路板本身的特点(画面比较单一,覆铜部分和非覆铜部分灰度差别较大)可对电路板进行二值化分割后再作相应处理,可以大大提高处理速度且对结果影响不大。图像分割是数字图像处理领域一类非常重要的图像分析技术,在对图像的研究和应用中,根据不同领域的不同需要,在某一领域往往仅对原始图像中的某些部分(目标)感兴趣,这些目标区域被来说都具备其自身特定的一些诸如灰度、纹理等性质,图像分割就主要根据图像在各个区域的不同特性,而对其进行边界或区域上的分割,并从中提取出所关心的目标。系统中分割采用迭代自动求图像的最佳灰度阈值分割方法,具体可参考文献。2用于图像的预处理由于噪声、成像环境和其它干扰的影响,必须对图像进行滤波处理。数学形态学是建立在严格的数学理论上的学科,在图像处理中得到了越来越广泛的应用,可用于对图像进行滤波、边缘检测、提取骨架和特征提取等处理。有关数学形态学的基本原理可参考文献。数学形态学的关键在于采用何种结构元素进行处理,不同的结构元素处理效果不同。为了在处理过程中不影响目标区域的形状,论文采用3×3方形结构元素对图像进行一次开运算和一次闭运算,以滤除背景中的噪声和目标区域中的背景噪声,而开、闭运算对于大的目标区域没有任何影响,在滤除噪声的同时不改变目标区域。3位置匹配基本原理图像配准是要保证标准图像和待检测图像位置相吻合,是决定检测结果好坏的关键一步。如果图像位置不吻合,则后续处理就没有任何意义,会检测出很多虚假的缺陷,从而得出错误的结论。文献分别介绍了用最小二乘法和用回归直线确定线路板对角定点从而确定两电路板的位置偏差方法,前一方法要求电路板偏差很小,后一种方法要求电路板的对角位置上一定能检测出顶点。这两种方法都有特定要求且实时性也难以满足。模板匹配是根据已知模式在另一幅图像中寻找相应模式的过程。模板匹配可以把不同传感器或同一传感器在不同时间、不同成像条件下对同一景物获取的两幅或多幅图像在空间上对准,即实现图像的配准。由于标准图像和待检测图像之间的差别在于是否存在缺陷,而缺陷往往比较细微,标准图像和待检测图像之间差别不大,可以将模板匹配的理论和方法用于系统中实现两幅图像的位置配准。模板匹配的基本原理是通过相关函数的计算来找到它以及被搜索图的坐标位置。设模板T叠放在搜索图S上平移,T的大小为M×N,模板覆盖下的那块搜索图叫子图Si,j,若T与Si,j一致,则T和Si,j之差为0,可用下列方法来衡量T与Si,j的相似程度:R(i‚j)=Μ∑m=1Ν∑n=1Si,j(m,n)×Τ(m,n)Μ∑m=1Ν∑n=1[Si,j(m,n)]2(1)R(i‚j)=∑m=1M∑n=1NSi,j(m,n)×T(m,n)∑m=1M∑n=1N[Si,j(m,n)]2(1)归一化为:R(i‚j)=Μ∑m=1Ν∑n=1Si,j(m,n)×Τ(m,n)√Μ∑m=1Ν∑n=1[Si,j(m,n)]2√Μ∑m=1Ν∑n=1[Τ(m,n)]2(2)T和Si,j越相似,则R(i,j)越大,当T和Si,j完全相似时,R(i,j)=1,因此可以根据R(i,j)的大小来判断T和Si,j的相似程度。上述方法求匹配的计算量非常大,因为模板要在(N+M-1)个参考位置上做相关计算,其中除一点以外都是在非匹配点上做无用功。为了提高处理速度从而满足实时性要求,论文采用如下的序惯相似性检测算法(SSDA):定义绝对误差值:ε(i,j,mk,nk)=|Si,j(mk,nk)-ˆS(i,j)-Τ(mk,nk)+ˆΤ|(3)式中,ˆS(i,j)=1Μ×ΝΜ∑m=1Ν∑n=1Si,j(m,n)(4)ˆΤ(i,j)=1Μ×ΝΜ∑m=1Ν∑n=1Τ(m,n)(5)取一不变阈值Tk,在子图Si,j中随机选取一点,计算它同T中对应点的误差值ε,然后把该值同其它点对的差值累加起来,当累加误差超过Tk时则停止累加,并记下累加次数r。定义SSDA的检测曲面为Ι(i,j)={r|min1≤r≤Μ×n[r∑k=1ε(i,j,mk,nk)≥Τk]}(6)I(i,j)值大的(i,j)点作为匹配点,因为这点上需要很多次累加才使总误差超过阈值Tk,SSDA算法比FFT的相关算法快50倍。为了提高匹配速度,模板不能太大,但模板太小又容易出现误匹配,经过试验,模板选20×20比较合适。模板准确匹配后则两幅图像各个位置也就配准了。4图像的坐标和所在位置同一种时,学生在图像差影检测比较简单,只要将两幅配准后的图像对应点相减即可。如果电路板上不存在缺陷,则相减后相应点的灰度值为0,当电路板某处存在缺陷时,该处的差值就不为0。因此相减后灰度值不为0的地方就表明有缺陷存在,而且该处的坐标反映了缺陷所在位置,象素点的多少反映了缺陷的大小。而且差值的正负可以反映出缺陷的类型,如果差值为正,表明缺陷处标准图像上灰度大于待检测图像对应处的灰度,即缺陷为短路、溢出、洇迹缺陷(如短路)。相反,如果差值为负,则为断路、缺损、擦痕缺陷(如断路)。图2(a)为分割并经形态学处理后的标准电路板图像,图2(b)为分割并经形态学处理后的待检测图像。在图2(b)图像中存在两处缺陷,一处为溢出缺陷,一处为缺损缺陷。图2(c)为检测结果,结果中检测出了待检测电路板上存在的缺陷(图中方框中的白色区域,为了便于看清缺陷位置加上白色方框)。图中偏上的缺陷区域对应在待检测图像中为短路缺陷,偏下的缺陷对应在待检测图像中为断路缺陷。5图像的精确配准将CCD获得的待检测电路板图像和标准电路板图像经过分割、数学形态