当前位置: 首页 > news >正文

基于图像处理技术的印刷电路板缺陷检测技术分析

目录

  • 一、绪论
  • 二、印刷电路板图像的预处理
  • 三、印刷电路板图像的配准
  • 四、印刷电路板缺陷的识别与缺陷类型的判断

一、绪论

在现代电子设备中,印刷电路板占有重要的地位,其质量直接影响到产品的性能。自动检测系统基于图像处理与分析、计算机和自动控制等多种技术,对生产中遇到的缺陷进行检测和处理。由于编程简单、操作容易、生产成本低和缺陷覆盖率高,用于印刷电路板装配的自动检测系统成为计算机图像分析技术的典型应用。

印刷电路板上的常见缺陷有多种,如短路、断路、多线、少线、焊盘缺失、焊盘堵塞凸起、凹陷、铜斑等,它们对板子性能的影响程度不尽相同。印刷电路板缺陷检测系统首先要存储一个标准的印刷电路板图像作为参考标准;然后将待检测图像进行预处理,去除图像中的干扰以利于后续处理。由于待检测印刷电路板与标准印刷电路板相比存在各种差异,预处理后须根据标准印刷电路板对待检测印刷电路板配准。在检测过程中,将被测的印刷电路板输入图像和标准模板进行比较,若相差大于一定值,就认为此印刷电路板板有安装质量缺陷,并根据相关算法判定缺陷类型。

二、印刷电路板图像的预处理

任何一幅未经处理的原始图像都存在着一定程度的噪声干扰,噪声恶化了图像质量使图像模糊,甚至淹没特征,给分析带来困难。目前,已经有许多成熟的方法可以用来对图像进行滤波处理,比如均值滤波、中值滤波、低通滤波、高通滤波、自适应滤波等。为了达到更好的去噪效果,这里采用了一些形态学的处理手段。由于其中有些操作在图像处理中非常有用,所以在图像处理工具箱中,MATLAB将其作为预定义的操作。通过bwmorph函数可以访问这些预定义的形态操作。经形态学处理后的图像质量较处理前有了很大改善,基本满足后续图像配准所需的图像质量要求。

在这里插入图片描述

图1 待检测印刷电路板图像及预处理结果

三、印刷电路板图像的配准

图像配准是图像处理的基本任务之一,用于将不同时间、不同传感器、不同视角及不同拍摄条件下获取的两幅或多幅图像进行匹配。考虑到缺陷检测系统的具体实际,采集到的待测板图像与标准板图像之间的差别多为刚性形变,因此可以采用基于灰度信息的配准方法。

假设标准参考图像为R,待配准图像为S,R大小为m×n,S大小为M×N,如图2所示。基于灰度信息的图像配准方法的基本流程是:以参考图像R叠放在待配准图像S上平移,参考图像覆盖被搜索图的那块区域叫子图 S i j {{S}_{ij}} Sij,其中,i、j为子图左上角在待配准图像S上的坐标。搜索范围是:

{ 1 ≤ i ≤ M − m 1 ≤ j ≤ N − n \left\{ \begin{matrix} 1\le i\le M-m \\ 1\le j\le N-n \\ \end{matrix} \right. {1iMm1jNn

通过比较R和 S i j {{S}_{ij}} Sij的相似性完成配准过程。

在这里插入图片描述

图2 基于灰度信息的图像配准

根据采用的相似性度量函数不同,基于灰度信息的配准算法又可分为互相关配准方法、最大互信息配准法等多种不同的方法,本文采用互相关算法实现对两幅印刷电路板图像的配准。互相关配准方法是最基本的基于灰度统计的图像配准方法,要求参考图像和待匹配图像具有相似的尺度和灰度信息,利用待匹配图像上选取的区域在参考模板上进行遍历,计算每个位置处参考图像和待匹配图像的互相关系数。之所以选择这种方法,是由于待测板在与参考模板进行互相关系数计算前,先要进行旋转操作,目的是保证互相关系数的最大值在两板的轴向达到平行时取得。保持标准板方向的不变,只改变待测板,可以减小误差,提高配准的精确度。配准的基本过程如图3所示。

在这里插入图片描述

图3 互相关方法图像配准过程
① 待测图像按设定的步进值在一定角度范围内旋转(应包含正向旋转和负向旋转),每一次旋转后都对两幅图中选取的区域进行互相关计算。

② 选择互相关系数最大时对应的旋转角度,待测板图像按该角度进行修正后,两幅图像的轴向达到平行。

③ 在修正后的待测板图像上选取区域,再进行互相关系数的计算,此时主要为了得到系数最大值对应的位置。

④ 由系数最大值的位置可以推导出两幅图像对应点的像素值关系,通过平移、裁剪等操作,进而实现配准。

在这里插入图片描述

图4 配准后的待测图像

四、印刷电路板缺陷的识别与缺陷类型的判断

经过配准后的待测板图像与标准板二值图像进行异或运算,就可以得到缺陷的大致轮廓,再经过一些形态学的处理,能得到较为满意的缺陷标注图像,如图5所示。

在这里插入图片描述

图5 待检测印刷电路板缺陷识别结果

印刷电路板缺陷的类型主要有短路、断路、多线、少线、焊盘缺失、焊盘堵塞、凸起、凹陷、铜斑等,它们在二值图像特征上存在一定差异,可以据此对它们进行分类。各种缺陷的特征做一下分析:

① 多线和少线:这两种缺陷属于非常严重的缺陷,特点是缺陷图像的面积较大,并且是远远大于其他类型缺陷,因此可以据此将这两种类型的缺陷分离出来。
② 焊盘缺失:会造成二值图像面积的减小,单独一个焊盘图像的欧拉数为零,因此欧拉数保持不变。
③ 凹陷:会造成二值图像面积的减小,欧拉数不变。
④ 断路:会造成二值图像面积的减小,欧拉数增加。
⑤ 铜斑:会造成二值图像面积增加,缺陷所在对象面积和缺陷差影图像面积基本相同。
⑥ 凸起:会造成二值图像面积增加,欧拉数不变。
⑦ 短路:会造成二值图像面积增加,欧拉数减小(或由于对象数增加,或由于空洞数增加)。
⑧ 焊盘堵塞:会造成二值图像面积增加,欧拉数减小。

缺陷自动识别结果如下:
在这里插入图片描述

图6 缺陷识别结果

博主简介:擅长智能优化算法信号处理图像处理机器视觉神经网络等领域Matlab仿真以及实验数据分析等,matlab代码问题、商业合作、课题选题与指导等均可私信交流


相关文章:

  • 天津高端网站建设公司/seo谷歌外贸推广
  • wordpress 提交/网络营销的好处
  • wordpress知更鸟 破解/百度指数如何分析
  • 菏泽做网站的/成都全网营销推广
  • 企业平台网站制作/百度百度地图
  • 做电影网站需要告诉网络/在线优化seo
  • Hello Word你真的理解了么?今天教我的表弟,有些感悟
  • 【NNDL作业】图像锐化后,为什么“蒙上了一层灰色”?
  • JDBC——使用Java语言操作数据库
  • 将华为地图套件集成到HarmonyOs可穿戴设备应用中
  • 基于OpenAPI(Swagger3)使用AOP技术,进行日志记录
  • JAVAEE框架数据库技术之13_oracle 之PLSQL技术及存储过程和函数
  • 【PyTorch深度学习项目实战100例】—— 基于UNet实现血管瘤超声图像分割 | 第30例
  • 浅谈面向对象设计思想,以及在Linux内核中的体现
  • Mybatis——进阶
  • 简单上手_Kotlin,让开发更简洁
  • 机器学习——代价函数
  • 【百日刷题计划 第八天】——熟悉字符串 字符串基础题