通孔器件機(jī)器視覺檢測算法

時間：2022-10-05 21:01:58 大專畢業(yè)論文我要投稿

相關(guān)推薦

通孔器件機(jī)器視覺檢測算法

　　通孔器件機(jī)器視覺檢測算法【1】

　　摘要：分析了機(jī)器視覺檢測算法的發(fā)展概況，采用標(biāo)準(zhǔn)機(jī)器視覺開發(fā)包，研究了通孔器件的機(jī)器視覺檢測算法。

　　結(jié)果表明，針對通孔器件的不同特點，分成線束類和非線束類，分別采用NI視覺開發(fā)模塊中的顏色定位算法和彩色模板匹配算法，使用不同的綜合判據(jù)是可行的。

　　關(guān)鍵詞：通孔器件;機(jī)器視覺;檢測算法;顏色定位算法;彩色模板匹配算法

　　機(jī)器視覺在電子行業(yè)得到廣泛應(yīng)用，但主要集中于印刷電路、表面貼裝，而通孔器件的通用質(zhì)量檢測設(shè)備則是空白或依賴定制。

　　在電子產(chǎn)品組裝工藝中，除了表面貼裝器件，還有大量的機(jī)插和手工裝配的通孔元器件，如：接插件、連接線、大尺寸電解電容、變壓器等。

　　這些器件大多有方向、極性、位置等要求，但同時又是在線測試、功能測試的盲點，只能通過人工目視檢查。

　　由于操作員工技能、疲勞程度等因素影響，很容易造成漏檢，存在很大的質(zhì)量風(fēng)險。

　　外觀漏檢成為某公司客戶退返板第二大原因，達(dá)到35.1%，占外部故障成本的14.3%。

　　因此，進(jìn)行通孔器件檢測算法研究，研發(fā)基于機(jī)器視覺的通孔器件通用檢測平臺非常必要。

　　該算法應(yīng)能檢測接插件、連接線、電解電容、變壓器、濾波器、二極管等機(jī)插和手工裝配的通孔器件，可檢驗缺件、錯件、極性反、線序錯、位置偏移等不良。

　　1 機(jī)器視覺檢測算法發(fā)展概況

　　機(jī)器視覺已成為生產(chǎn)過程關(guān)鍵技術(shù)之一，在傳感器將圖像數(shù)據(jù)傳送到計算機(jī)后，對這些圖像數(shù)據(jù)的處理是機(jī)器視覺過程的真正關(guān)鍵[1]。

　　目標(biāo)識別、位置探測、完整性檢測、形狀和尺寸檢測、表面檢測等是幾種常用在必須有機(jī)器視覺系統(tǒng)參與的任務(wù)中的算法。

　　印刷電路板(Printed Circuit Board，PCB，下稱PCB)圖像的檢測算法，大致可分為三大類：有參考比較算法、無參考校驗法以及混合型算法。

　　有參考比較算法分為圖像對比法和模型對比法;無參考校驗法又稱為設(shè)計規(guī)則校驗法;混合型算法則綜合上述兩種算法，揚(yáng)長避短。

　　目前自動光學(xué)檢測(Automatic Optical Inspection，AOI，以下簡稱AOI)系統(tǒng)圖像處理基本上采用參考算法，國外進(jìn)口品牌大多使用圖像匹配、法則判別等多種組合手段[2]。

　　PCB檢測的參考算法主要采用形狀匹配，可以選擇的特征提取技術(shù)包括像素運(yùn)算、模板匹配、霍夫變換等[3]。

　　模板匹配可以用來實現(xiàn)完整性檢測和物體識別。

　　基本的模板匹配算法包括基于灰度值的模板匹配、使用圖形金字塔進(jìn)行匹配、基于灰度值的亞像素精度匹配、帶旋轉(zhuǎn)與縮放的模板匹配。

　　多年來，機(jī)器視覺應(yīng)用中都選用這些基本模板匹配算法。

　　然而，越來越多的應(yīng)用要求在存在遮擋、混亂和非線性光照變化的情況下找到目標(biāo)物體，基于灰度值的模板匹配算法不能夠處理這些類型的干擾。

　　因此需要使用邊緣匹配算法等可靠的模板匹配算法[1]。

　　實現(xiàn)一個穩(wěn)定可靠的模板匹配的基本算法已經(jīng)相當(dāng)復(fù)雜，而使這些匹配算法更穩(wěn)定快速的過程則更加復(fù)雜。

　　一般機(jī)器視覺用戶都依賴標(biāo)準(zhǔn)軟件包來提供這些功能，而不會試圖自己實現(xiàn)[1]。

　　下面將介紹美國國家儀器(National Instruments，NI，以下簡稱NI)視覺開發(fā)模塊，以及基于NI視覺開發(fā)模塊進(jìn)行的通孔器件檢測算法研究。

　　2 美國國家儀器視覺開發(fā)模塊的應(yīng)用

　　2.1 美國國家儀器視覺開發(fā)模塊

　　NI視覺開發(fā)模塊包含數(shù)以百計的視覺函數(shù)，NI LabVIEW、NI LabWindows/CVI、C/C++、或Visual Basic可以使用這些函數(shù)創(chuàng)建功能強(qiáng)大的視覺檢測、定位、驗證和測量應(yīng)用程序。

　　所有NI視覺開發(fā)模塊函數(shù)都使用以十分之一像素和十分之一度的亞像素級精確度來對位置、距離、和測量值進(jìn)行插值[4]。

　　通常在選擇視覺系統(tǒng)時，精確度、易用性、執(zhí)行速度是三個需要考慮的重要因素。

　　NI視覺軟件是高度優(yōu)化的，它通過各種可能的途徑提升性能，使得其可以與世界上最快的視覺軟件包媲美。

　　事實上，與領(lǐng)先的視覺軟件供應(yīng)商相比，NI視覺軟件在許多項目上都更為快速[4]。

　　2.2 通孔器件檢測算法和綜合判據(jù)

　　由于通孔元器件材料、形狀、尺寸變化大，插裝位置不如表面貼片器件規(guī)整，存在遮擋、混亂和非線性光照變化等情況，難以采用統(tǒng)一的算法和判據(jù)。

　　根據(jù)通孔器件的特點將其分為線束類和非線束類，分別采用NI視覺開發(fā)模塊中的顏色定位算法和彩色模板匹配算法[5][6][7]。

　　2.2.1 線束和彩色定位算法

　　線束的特點是形狀多變，位置隨機(jī)，制程中的不良是不同顏色的線束錯位。

　　外觀檢驗主要檢查線束的插裝位置是否正確或是否裝配有線束。

　　采用顏色定位算法[6]，如圖1所示。

　　圖1 顏色定位算法

　　綜合判據(jù)：匹配分?jǐn)?shù)大于等于900為合格，否則為不良。

　　算例[5]：

　　(1)正確裝配的線束，與線束形狀無關(guān)，匹配分?jǐn)?shù)均大于900。

　　(2)錯插、漏插的情況下，匹配分?jǐn)?shù)小于900，本例中均小于800。

　　結(jié)論[5]：顏色定位算法適合線束類的檢測。

　　2.2.2 非線束和彩色模板匹配算法

　　非線束的特點是形狀固定，制程中的不良主要是極性反、錯件、缺件，這也是外觀檢驗的主要檢查內(nèi)容。

　　采用彩色模板匹配算法[6](詳見圖2)，該算法包括彩色模板學(xué)習(xí)和匹配兩個算法[7]。

　　圖2 彩色模板匹配算法

　　其中彩色模板學(xué)習(xí)算法包括兩個模塊：學(xué)習(xí)彩色模板設(shè)置模塊和學(xué)習(xí)模塊。

　　使用學(xué)習(xí)彩色模板設(shè)置模塊設(shè)置兩個參數(shù)：線束類學(xué)習(xí)模式應(yīng)設(shè)置為平移信息，非線束類學(xué)習(xí)模式設(shè)置為平移與旋轉(zhuǎn)信息;線束類特性模式應(yīng)設(shè)置為顏色，非線束類特性模式設(shè)置為顏色與形狀。

　　彩色模板學(xué)習(xí)模塊只需輸入圖像和學(xué)習(xí)彩色模板設(shè)置數(shù)據(jù)，即可輸出模板圖像。

　　彩色模板匹配算法也包含兩個模塊：匹配彩色模板設(shè)置模塊和匹配模塊[6]。

　　匹配彩色模板設(shè)置模塊中，需要設(shè)置兩個關(guān)鍵參數(shù)：線束類匹配模式設(shè)置為無平移，非線束類匹配模式設(shè)置為無旋轉(zhuǎn);線束類匹配特性模式設(shè)置為顏色，非線束類匹配特性模式設(shè)置為顏色與形狀。

　　彩色模板匹配模塊，輸入圖像及其待檢測區(qū)域、模板、匹配彩色模板設(shè)置數(shù)據(jù)、最小匹配分?jǐn)?shù)、要求匹配數(shù)，即輸出匹配結(jié)果Matches和匹配數(shù)。

　　綜合判據(jù)：匹配分?jǐn)?shù)大于等于700且旋轉(zhuǎn)角度小于±45°為合格，否則為不良。

　　算例[5]：

　　(1)正確裝配的元器件，匹配分?jǐn)?shù)大于等于700且旋轉(zhuǎn)角度小于±45°。

　　(2)錯插、漏插的情況下，插座類絕大多數(shù)匹配分?jǐn)?shù)和旋轉(zhuǎn)角度均為0。

　　(3)反插情況下，曝光良好的圖像可從旋轉(zhuǎn)角度判斷，本例中旋轉(zhuǎn)角度在180°左右。

　　結(jié)論[5]：彩色模板匹配算法適合非線束類的檢測。

　　3 結(jié)束語

　　(1)針對通孔器件的不同特點，分成線束類和非線束類，分別采用NI視覺開發(fā)模塊中的顏色定位算法和彩色模板匹配算法，使用不同的綜合判據(jù)是可行的。

　　(2)采用標(biāo)準(zhǔn)視覺開發(fā)包可以研發(fā)穩(wěn)定可靠的通孔器件機(jī)器視覺應(yīng)用通用平臺。

　　參考文獻(xiàn)：

　　[1]Carsten Steger，Markus Ulrich，Christian Wiedemann.楊少榮，吳迪靖，段德山，譯.機(jī)器視覺算法與應(yīng)用[M].北京：清華大學(xué)出版社，2008.

　　[2]中國儀器超市.AOI在中國的現(xiàn)狀和發(fā)展[J/OL].新浪博客，2009.http：//blog.sina.com.cn/s/blog_506b89460100c5zl.html～type=v5_one&label=rela_nextarticle

　　[3]Mark S.Nixon，Alberto S.Aguado.李實英，楊高波，譯.特征提取與圖像處理(第二版)[M].北京：電子工業(yè)出版社，2011.

　　[4]National Instruments.選擇視覺軟件需要考慮的10個方面[OL].http：//www.ivan7.com/4_LabView-8-6.html，2008.

　　[5]黃文明，徐錦法.基于機(jī)器視覺的通孔元器件檢驗[J]，中國科技博覽，中國包裝總公司，2013(13).

　　[6]NI，NI Vision Concept Manual，2005.

　　[7]NI，NI Vision Online Help，2000-2008.

　　SMD晶體器件檢測中機(jī)器視覺的應(yīng)用【2】

　　摘要：檢測SMD晶體器件是其出廠前的一道重要工序，因為SMD電極在測試時具有方向性，所以，應(yīng)該對其實施方向識別。

　　但是傳統(tǒng)光纖傳感器不能實施可靠、穩(wěn)定的判別。

　　而采用機(jī)器視覺進(jìn)行判別，能夠有效提高檢測效率并降低檢測成本。

　　文中主要探討了SMD晶體器件檢測中機(jī)器視覺的應(yīng)用方法。

　　關(guān)鍵詞：機(jī)器視覺;SMD晶體器件;電極測試;應(yīng)用分料

　　0 引言

　　在生產(chǎn)流程中，SMD晶體器件檢測是一道重要工序，由該工序?qū)w器件電性能進(jìn)行檢測后才可包裝出廠。

　　因為SMD晶體器件檢測工序的特殊性，所以，其檢測率對出廠產(chǎn)品的質(zhì)量有著直接性影響。

　　通常批量生產(chǎn)中必須保證產(chǎn)品誤測率在2 ppm以下，也就是說，所出廠的一百萬個產(chǎn)品中，避免出現(xiàn)兩個以上的不合格品。

　　為使產(chǎn)品出廠品質(zhì)得以提高，不僅要使用高精度分析儀，而且SMD晶體器件檢測還要確保方向一致，尤其是檢測SMD晶體振蕩器，還要檢測其預(yù)定方向。

　　此前，企業(yè)在生產(chǎn)SMD晶體器件時僅僅可以采用人工檢測與識別，因為SMD晶體器件產(chǎn)量持續(xù)攀升，外形尺寸的逐漸縮小，嚴(yán)格要求所出廠產(chǎn)品的質(zhì)量。

　　此外，工作人員長期在緊張的工作狀態(tài)下，導(dǎo)致其產(chǎn)生嚴(yán)重的視覺疲勞，出現(xiàn)錯測與漏測的現(xiàn)象也就在所難免。

　　所以，在研制自動測試SMD器件電性能參數(shù)的同時，還要對識別SMD晶體器件方向的現(xiàn)代化機(jī)器視覺系統(tǒng)進(jìn)行專門研制。

　　1 SMD晶體器件的檢測系統(tǒng)構(gòu)成

　　因為是在SMD器件檢測中應(yīng)用該機(jī)器視覺系統(tǒng)的，所以本文簡要介紹了檢測系統(tǒng)整體構(gòu)成。

　　SMD晶體器件檢測的總體框圖如圖1所示。

　　通常會有振動送料機(jī)構(gòu)以隊列形式對待測SMD晶體器件進(jìn)行輸送，并采用機(jī)器視覺系統(tǒng)對前端器件進(jìn)行判別，如果器件實際和預(yù)定方向一致，則動作機(jī)構(gòu)就要直接轉(zhuǎn)移此器件至電性能檢測工位。

　　如果預(yù)定方向和實際方向相反，那么糾正機(jī)構(gòu)則要旋轉(zhuǎn)器件180°，再送至電性能檢測工位。

　　2 機(jī)器視覺系統(tǒng)在SMD晶體器件檢測中的硬件構(gòu)成

　　這種機(jī)器視覺系統(tǒng)的硬件構(gòu)成圖如圖2所示。

　　從圖2中可以看出，系統(tǒng)由光源、工業(yè)相機(jī)、圖像采集卡、鏡頭四大部分共同構(gòu)成了機(jī)器視覺的硬件系統(tǒng)。

　　2.1 機(jī)器視覺系統(tǒng)鏡頭參數(shù)計算

　　第一，應(yīng)該計算該系統(tǒng)中的相機(jī)和鏡頭參數(shù)，所檢測晶體器件最大值應(yīng)該達(dá)到5.0×7.0 mm，最小達(dá)到2.5×2.0 mm的外形尺寸，具體見圖3所示。

　　因為機(jī)械搬運(yùn)機(jī)構(gòu)在鏡頭與被測晶體間，所以要求被測晶體與鏡頭間距保持在100 mm以上。

　　目前較為常用的傳感器為1/2的尺寸，因此，這種項目也可選用該類型的工業(yè)相機(jī)進(jìn)行檢測。

　　2.2 計算相機(jī)參數(shù)

　　根據(jù)SMD晶體焊盤尺寸最小值大約為0.6×0.7 mm，所以確定檢測精度一定要在0.1以下，對成本因素進(jìn)行綜合分析，該系統(tǒng)所選相機(jī)為30萬像素的工業(yè)相機(jī)，其檢測精度為0.01，符合使用要求。

　　2.3 光源選擇

　　因為黑白CCD具有比較高的紅光敏感度，所以，應(yīng)該選擇紅色LED光源。

　　同時根據(jù)被測器件外形尺寸，應(yīng)該選取外徑最大值?為50 mm，20°的傾斜角環(huán)形光源，這樣就能夠滿足具體測試需求。

　　3 檢測策略

　　因為這種機(jī)器視覺功能需求是：正反面識別SMD器件，方向識別SMD晶體器件焊盤面，所以，應(yīng)該對所出現(xiàn)的各種情況進(jìn)行正確判斷，僅僅是檢測缺角焊盤是不夠的，還必須檢測其它焊盤，以提高檢測準(zhǔn)確性。

　　機(jī)器視覺檢測系統(tǒng)中，可設(shè)置多圖形模板，用于檢測SMD晶體器件中的焊盤，本研究中，我們對三個圖形模板進(jìn)行設(shè)置，也就是說，一個判別工位底面的模板和兩個焊盤模板，判別所有圖形模板的門限閥值和判別區(qū)域。

　　如果所檢測的模板1、模板2與圖形的相似度對門限閥值大，那么可將目標(biāo)焊盤檢測出來，而且SMD晶體有正確的方向，見圖3。

　　如果所檢測的圖形和模板1、模板2的門限閥值相對比較小，那么方向相反，這種情況下就應(yīng)該對其作180°的旋轉(zhuǎn)，如圖4所示。

　　若未檢測到目標(biāo)物體， SMD晶體器件的外殼則向上，應(yīng)該將外殼取走，并將其置于振動料斗，進(jìn)行二次送料，圖5所示是判別外殼面結(jié)果示意圖。

　　如果模板3和所檢測圖形相似度比門限閥值大，那么圖像判別工位則缺少器件，圖6所示為判別無器件結(jié)果圖。

　　4 軟件設(shè)計

　　這種視覺判別軟件被稱為SMD晶體器件測試系統(tǒng)的重要組成部分，和其它組成部分共同檢測SMD晶體器件。

　　主要由兩種程序模塊共同組成這種視覺判別軟件，具體包括自動判別模塊與視覺參數(shù)設(shè)置模塊。

　　對不同SMD晶體器件相關(guān)參數(shù)與判別模塊進(jìn)行設(shè)置是視覺參數(shù)設(shè)置模塊關(guān)鍵作用，主要包括：判別區(qū)域設(shè)定、模板圖形設(shè)定及門限值設(shè)置。

　　對所有參數(shù)進(jìn)行設(shè)置完成后，用戶對“測試”按鍵進(jìn)行點擊，一次檢測啟動，檢驗所有參數(shù)設(shè)置正確與否進(jìn)行檢驗。

　　自動判別模塊包括：預(yù)處理、圖像采集、參數(shù)讀入及像素灰度運(yùn)算、提取等，具體流程圖如圖7所示。

　　5 結(jié) 語

　　在SMD晶體器件檢測系統(tǒng)中應(yīng)用機(jī)器視覺技術(shù)，實現(xiàn)了光纖傳感器所無法實現(xiàn)的重要作用，提高了產(chǎn)品的檢測精度，也使所生產(chǎn)產(chǎn)品的質(zhì)量得到提升。

　　此外，通過對機(jī)器視覺硬件和檢測軟件平臺進(jìn)行自主創(chuàng)建，與集成式相機(jī)檢測期間相比，可以降低檢測成本，提高在市場中SMD晶體器件檢測競爭力，在未來的器件檢測自動化設(shè)備領(lǐng)域，機(jī)器視覺技術(shù)勢必會有更為廣闊的開發(fā)及應(yīng)用前景。

　　參考文獻(xiàn)

　　[1]房超.機(jī)器視覺及其在工業(yè)檢測中的應(yīng)用[J].自動化博覽，2007 (4)：152-153.

　　[2]朱正德，楊虹，方琳，等.機(jī)器視覺：質(zhì)量監(jiān)控的第三只眼[J].現(xiàn)代零部件，2010(10)：147-148.

　　[3]封帆，施保華.基于智能機(jī)器視覺的針劑生產(chǎn)線安瓶檢測識別系統(tǒng)[J].自動化博覽，2007(1)：56-57.

　　[4]孫家廣.計算機(jī)圖形學(xué)[M].北京：清華大學(xué)出版社，2002.

　　機(jī)器視覺在半導(dǎo)體器件塑封缺陷檢測中的應(yīng)用【3】

　　摘要：應(yīng)用機(jī)器視覺技術(shù)實現(xiàn)半導(dǎo)體器件塑封表面缺陷的自動檢測。

　　結(jié)合圖像特點，根據(jù)差影圖像匹配技術(shù)的基本原理提出了雙模板的匹配方法，從一組訓(xùn)練圖像中得到均值圖像和標(biāo)準(zhǔn)差圖像，以兩幅圖像的差值圖像與和值圖像分別作為上下限模板圖像。

　　引入環(huán)境光因子，即目標(biāo)圖像像素均值與模板圖像像素均值的比例關(guān)系。

　　由此設(shè)定的缺陷閾值可以有效地避免噪聲干擾和環(huán)境光變化的影響。

　　匹配之前使用Canny算子檢測邊緣點擬合直線的方法獲取器件矩形并計算其中心點和旋轉(zhuǎn)角度可以方便有效地確定器件位姿，保證匹配前的對準(zhǔn)。

　　最后應(yīng)用Blob方法將提取缺陷特征。

　　實驗結(jié)果表明該方法在半導(dǎo)體器件塑封表面缺陷檢測方面有較好的效果。

　　關(guān)鍵詞：缺陷檢測;Blob;Canny;模板匹配;差影

　　半導(dǎo)體電子元器件被廣泛應(yīng)用于各類電子產(chǎn)品和通信系統(tǒng)中，它的外觀質(zhì)量主要取決于封裝這一工藝技術(shù)。

　　良好的封裝可以保護(hù)芯片或晶體管少受外界環(huán)境的影響，因此封裝后的元器件可以得到更加可靠的電氣性能，當(dāng)然也更加方便后續(xù)的PCB板上的焊接和貼裝[1]。

　　對半導(dǎo)體器件的視覺檢測主要包括管腳檢測和管體檢測。

　　隨著計算機(jī)技術(shù)和圖像處理技術(shù)的結(jié)合和發(fā)展，機(jī)器視覺被廣泛應(yīng)用于半導(dǎo)體行業(yè)的各階段在線檢測中。

　　利用機(jī)器視覺[2]進(jìn)行檢測不僅可以排除主觀因素的干擾，降低勞動強(qiáng)度，提高生產(chǎn)效率，還可以對缺陷進(jìn)行定量描述，具有人工肉眼檢測無法比擬的優(yōu)越性。

　　1 檢測系統(tǒng)概要

　　在線半導(dǎo)體表面缺陷檢測系統(tǒng)[3]主要由PC機(jī)、圖像處理軟件、圖像采集設(shè)備、光源照明部分以及IO控制裝置和機(jī)械裝置組成。

　　其中圖像采集由CCD、鏡頭、圖像采集卡和光源共同完成，高質(zhì)量的圖像信息是系統(tǒng)正確判斷和決策的原始依據(jù)，是整個系統(tǒng)成功與否的關(guān)鍵所在。

　　圖1 缺陷檢測系統(tǒng)結(jié)構(gòu)

　　系統(tǒng)采用定位槽對器件進(jìn)行準(zhǔn)確定位，定位槽的底部有一個通氣孔，下面連接一個真空吸氣裝置，機(jī)器手將管子放入凹槽，在吸氣裝置的作用下管子沿著凹槽四周的導(dǎo)向斜面滑入槽底部。

　　確保了獲取到的圖像中三極管擁有正確的位姿。

　　2 基于邊緣的位姿檢測

　　硬件系統(tǒng)采用了定位模具保證管子的位姿，但管子在凹槽內(nèi)仍不可避免的存在輕微的傾斜和旋轉(zhuǎn)，采用邊緣點檢測擬合邊緣線的方法尋找管子矩形，根據(jù)矩形的中心位置和旋轉(zhuǎn)角度來對準(zhǔn)參考圖像與目標(biāo)圖像。

　　實現(xiàn)圖像的邊緣點檢測就是用離散化梯度逼近函數(shù)計算每一個像素位置的梯度值和梯度方向，滿足閾值要求和方向要求的灰度躍變位置即為邊緣點。

　　現(xiàn)實情況的邊緣都是斜坡性邊緣，這就使得邊緣檢測的首要工作是濾波。

　　對比Sobel算子，Log算子，Canny算子各自的優(yōu)缺點[4]后本文采用Canny算子尋找邊緣點。

　　邊緣點檢測之前，劃定檢測的感興趣區(qū)域，這里使用的感興趣區(qū)域是一條方向線段，規(guī)定邊緣點的檢測方向是從線段的起點到終點。

　　本文的圖像處理需要用到的邊緣點檢測目的主要是在限定區(qū)域檢測滿足梯度閾值及方向的點，方向即從亮到暗或從暗到亮。

　　判斷方向時需要兼顧檢測方向的影響。

　　檢測方向不同，x向、y向的一階偏導(dǎo)對于判斷明暗變化的影響比重也不同，因此給出如下的判斷表達(dá)式：

　　3 缺陷檢測

　　3.1 基于差影的雙模板匹配法

　　用于缺陷檢測的模板匹配技術(shù)常用的有兩種：差影法和灰度相關(guān)法。

　　差影法的基本原理是將待檢測圖像與模板圖像做像素差，對得到的差值圖像進(jìn)行判斷是否存在缺陷及缺陷大小和位置;灰度相關(guān)法則是計算待檢測圖像與模板圖像對應(yīng)像素間的相似度，根據(jù)相似度的大小確定缺陷所在。

　　兩種方法相比較，由于灰度相關(guān)法算法時間復(fù)雜度明顯高于差影法，對于在線檢測對實時性的要求，顯然不可取，本文所述缺陷檢測思想仍然沿用差影法的基本原理。

　　在以下的論述中規(guī)定[gr，c]代表理想圖像，即無缺陷的圖像，也稱為參考圖像。

　　[fr，c]代表待檢測圖像。

　　[r，?c]代表像素坐標(biāo)。

　　為檢測出待測圖像與理想圖像的偏差，僅需要將兩幅圖像的對應(yīng)像素相減即可。

　　通常并不關(guān)心缺陷是偏亮區(qū)域還是偏暗區(qū)域，因此通過預(yù)先設(shè)置閾值[gabs]使用以下的等式便可找到缺陷。

　　此方法對圖像對準(zhǔn)有非常高的精度要求。

　　如果物體發(fā)生略微的偏移。

　　那么在待測圖像與模板圖像的邊緣便會很容易產(chǎn)生超過[gabs]的灰度值差異，誤檢缺陷在所難免。

　　另外受到周圍環(huán)境光線變化的影響，該方法也不能給予任何應(yīng)對策略。

　　然而在實際的生產(chǎn)應(yīng)用中，這些因素都是無法避免的，針對以上存在的問題，本文做了以下的工作。

　　改進(jìn)的匹配方法使用偏差模型[5]學(xué)習(xí)雙模板[6][g1r，c]和[g2r，c]，其中[g1r，c]作為下限模板，[g2r，c]作為上限模板。

　　下限模板由參考圖像與容許偏差的差值確定，上限模板則由參考圖像與容許偏差的和值確定。

　　容許偏差可以從一組訓(xùn)練圖像中計算得到。

　　一般使用標(biāo)準(zhǔn)偏差來計算需要的容許偏差。

　　另外，為了增強(qiáng)抗干擾和抑制噪聲的能力，參考圖像也不再簡單的使用某一幅理想圖像簡單獲取，也應(yīng)該從一組訓(xùn)練圖像中計算像素均值得到。

　　n幅圖像的平均值和標(biāo)準(zhǔn)差計算如下：

　　這里還需引入可調(diào)倍數(shù)常量[p]，[q]和可調(diào)絕對常量[a]，[b]。

　　一般情況由一個小的可調(diào)倍數(shù)乘以標(biāo)準(zhǔn)差即得到所需的容許偏差，用戶只需合理設(shè)置[p]，[q]值調(diào)節(jié)容許偏差。

　　然而當(dāng)標(biāo)準(zhǔn)偏差大大小于被測圖像偏差時，這樣的方法就顯得很不好，因此引入絕對常量，當(dāng)某處容許偏差小于絕對常量時，使用絕對常量值替代容許偏差值。

　　考慮到環(huán)境光線變化的影響，引入環(huán)境光因子[θ]，在對模板與待測圖像做減法比較之前，計算待測圖像像素均值[m0]和模板圖像均值[m1]，[m0]和[m1]的比例關(guān)系即代表[θ]，令模板圖像的每一個像素乘以環(huán)境光因子[θ]，可有效抑制環(huán)境光帶來的不穩(wěn)定圖像質(zhì)量造成的缺陷誤檢，以下給出了圖像分割公式：　　3.2 缺陷提取

　　圖像的幾何特征在圖像處理中起著十分重要的作用。

　　利用區(qū)域特征的大小、位置、方向等來確定物體的位置并識別它們。

　　特征值量度的合理選取可以有效地減小誤檢率。

　　本文采用Blob算法提取已經(jīng)分割的缺陷特征。

　　Blob算法用于從背景中分離目標(biāo)，測量目標(biāo)的形態(tài)參數(shù)，包括面積、周長、寬度、高度、細(xì)長度、數(shù)量等。

　　與基于逐點像素處理的算法相比，該算法處理速度快，被廣泛應(yīng)用于工業(yè)在線檢測系統(tǒng)中。

　　盡管上述處理方法已經(jīng)在抑制噪聲方面做了很多工作，但分割后的圖像仍可能存在偽缺陷，因此通過設(shè)置特征閾值來抑制缺陷誤檢，如寬度閾值、高度閾值、面積閾值、周長閾值，當(dāng)檢測的Blob對象分別滿足各方面的閾值要求時，則認(rèn)為是缺陷，否則被判定為噪聲點。

　　4 缺陷檢測系統(tǒng)實現(xiàn)

　　硬件環(huán)境如下，相機(jī)：SONY XC-HR50;鏡頭：50mm;曝光時間：5ms

　　軟件環(huán)境如下：基于OpenCV的VC++編程實現(xiàn)

　　檢測目標(biāo)：SOD323半導(dǎo)體器件的塑封表面缺陷檢測

　　硬件系統(tǒng)采用了定位模具保證了待測元件有較精確的定位，每幅圖像中，器件的位置只有細(xì)微的偏差。

　　因此，檢測開始之前根據(jù)模具的位置劃定感興趣區(qū)域。

　　這種方法稱之為圖像局部分析法。

　　使用該方法的必要性主要體現(xiàn)在兩個方面：

　　1) 本系統(tǒng)用于在線工業(yè)檢測系統(tǒng)，同時用于三個工位的實時檢測，要求每個工位的檢測時間不得超過50ms，在硬件上采用四核處理器的計算機(jī)，軟件上采用多核多線程編程技術(shù)，采用局部分析法可以大大的減少圖像數(shù)據(jù)量，有效地降低圖像處理時間。

　　2) 待測器件表面塑封材料微小顆粒分布的不均勻性以及環(huán)境光造成的光線不均勻都會影響成像質(zhì)量。

　　圖像中目標(biāo)邊緣幅度大小不一，甚至非邊緣幅度比邊緣更大，這些因素都需要盡量回避，局部分析法將檢測區(qū)域盡量縮小，干擾量也得以大大減少。

　　如圖2所示，其中帶箭頭的虛線線段分別代表上下左右四個感興趣區(qū)域內(nèi)邊緣點的尋找方向，如Top區(qū)域，表示從下到上搜尋邊緣點。

　　十字叉則代表搜尋到的邊緣點。

　　圖2 邊緣檢測示意圖

　　利用OpenCV提供的方法cvFitLine將搜尋到的邊緣點分別擬合為四條邊緣線，圖中管體矩形框已經(jīng)標(biāo)出，計算矩形的中心位置和旋轉(zhuǎn)角度用于后續(xù)的參考模板與目標(biāo)圖像的對準(zhǔn)。

　　對該矩形區(qū)域進(jìn)行平滑圖像處理后計算該區(qū)域圖像的灰度平均值，得到環(huán)境光因子。

　　對準(zhǔn)模板和目標(biāo)圖像，逐一比較像素灰度值，如果灰度值不在兩個模板的閾值范圍內(nèi)則被認(rèn)為缺陷。

　　5 結(jié)論

　　綜上所述，通過對傳統(tǒng)的缺陷檢測算法的分析和運(yùn)用，利用模具和邊緣定位獲取到物體可靠位姿，縮小了在線檢測范圍，有效提高了檢測效率。

　　結(jié)合半導(dǎo)體器件的塑封缺陷特征，采用雙模板匹配法，有效的抑制了噪聲和環(huán)境光對缺陷識別的影響。

　　參考文獻(xiàn)：