《新版机器视觉下的PCB质量检测汇编.docx》由会员分享，可在线阅读，更多相关《新版机器视觉下的PCB质量检测汇编.docx（5页珍藏版）》请在三一文库上搜索。
1、新版机器视觉下的PCB质量检测汇编 机器视觉下的PCB质量检测 机器视觉下的PCB质量检测 本文关键词：质量检测，视觉，机器，PCB机器视觉下的PCB质量检测 本文简介：随着电子电路行业的突飞猛进，传统的目测检测法已经接近极限，而且很容易造成疲劳；因此自动光学检测系统就成为了印制电路板行业的必然需求。在AOI系统中，往往采用配有高速采集卡的获取电路板图像，在采用相关机器视觉算法对板上个元素进行判断，从而实现对目标缺陷高速、可靠地检测。经过多年的发机器视觉下的PCB质量检测 本文内容：随着电子电路行业的突飞猛进，传统的目测检测法已经接近极限，而且很容易造成疲劳；因此自动光学检测系统就成为了印制电
2、路板行业的必然需求。在AOI系统中，往往采用配有高速采集卡的获取电路板图像，在采用相关机器视觉算法对板上个元素进行判断，从而实现对目标缺陷高速、可靠地检测。经过多年的发展，目前AOI系统已经广泛的应用于各种生产线，大量的PCB生产厂家已经将次品率降低至万分之一以下，而且检测价格也相当低廉并包含在定制费用中。如今常见的机器视觉能检测的常规缺陷包括断路、短路、缺失线路、缺失孔、缺失焊盘、问题线路、问题孔等问题，对于超小型板或者已完成SMT焊接的板就会存在难以加持、造成过多废料或无法比对等问题，而特征比对对于焊盘或走线问题的精度判断就存在明显不足，尤其是造成后期图像处理开发难度大。为检测PCB的缺陷
3、，需要加强相关某些特征，因此采集阶段光源和采集硬件起着重要作用；另一个因素就在于处理速度，算法执行过程中需要快速有效的提取特征。传统的视觉检测方式对于元件集成度高、结构复杂、元件造型奇异的装配板检测图像处理过程复杂，特征分辨率低，且不具备大量样本，在生产中如果出现质量偏移则会出现极高的废品率，因此不适宜引入如今迅猛发展的BP神经网络进行学习型识别，采用根据文献建立的焊点色彩分布规律模型和由吴福培等建立的Chip元件焊接颜色特征梯度关系模型，使用蚁群算法对各种焊盘及连接处进行细分类，能较好地规划大量不同状态的数据。由于实验中采用的144引脚单片机最小系统板进行检测测试，因此选择此方案也较为合理。
4、PCB检测系统的设计本文采用ONSemiconfuctor的1/3英寸宽CMOS图像传感器MT9V032架设在3D打印的垂直滑轨架上作为实验相机，在相机周围架设一圈LED灯带作为无影无亮点反射照明光源，并在滑轨底部放置平台作为检测台构成PCB质量检测系统，如图1所示。在构光部分采用环装无影无亮点反射的灯环是为了加强板面亮度以便后期阈值区分各元素种类。在提取信号通路特征时，需要先对图像做透视模型来矫正由于相机拍摄距离较近产生的图像畸变，基于吴文琪和孙增圻研究的透视模型公式。经过处理后理想情况下获得实际的PCB俯视图形。对该图像进行处理需要详细提取信号通路图，信号通路图包括信号线路、焊盘、孔和覆铜
5、区。通过对图像强化后进行阈值二值化，二值化的作用是有效的滤除掉视野内无用信息，将识别到的目标信息强化出来用作进一步处理使用。特征提取方法如今的印制电路板大都使用CAD软件进行设计，市场上主流的有AltiumDesigner，PADS，Allegro等，使用软件辅助设计出来的电路板具有大致一致的规则，规则的不规则形状和三维特征也往往遵循软件内规则，因此识别时可用使用经验进行建模。基于连通域的走线特征提取PCB板制好线路后，只有由纤维基板层和铜层组成。对已进行带通滤波和二值化后的图像进行处理后如图2中b图所示，回传的图像可区分出出图像中铜层部分和暴露出的纤维部分，连通域标记算法可对目标图像中标记进
6、而提取出图像特征成分。基于扩充域的焊点特征提取以AltiumDesigner为例，绘制的焊盘有方形、圆角方形和圆形三种选项，而孔只有一种即为圆形。由于采用圆周扩充域的办法进行检测时，在程序空间内像素矩阵是以0255的整数值存在的，采用圆周公式画圆会造成误差较大，因而采用类似Bresenham画圆法的中点画圆法进行圆周像素定位该方法具有速度快，还原性高的优点。实验结果及分析实验取用的电路为一块废旧的经过元件拆除后清理好的K60单片机最小系统，如图2中a图所示。实验过程及现象由图一实验装置采集并处理的图像通过串口发送至电脑，由于串口传输存在延时和丢失少量数据的可能性，虽然程序中已经加入了应对少量数
7、据丢失进行的滤波，但仍旧对同一块板的同一个面进行10次采集，以确保数据的准确性。使用Matlab对采集到的图像进行解析，获得如图3所示的数据条形图，由图3可以看出，对弧形线的识别误差较大，因此是别的走线数漂移较多，但还是可以识别得到，这是因为在蚁群爬行过程中，变化的线宽导致蚁群整体往复运行速度不同。测量结果分析在测试中，考虑到电路的用途分为两种，一种是通过大电流的电源电路或驱动电路，另一种是通过控制信号的高频通信线，两者对电流的需求并不相同，因此对于程序在不同时间段采集识别的误差在30个以内是允许的，将图3每次测的的每个变量进行做差获得的误差变化图如图4所示。在蚂蚁爬行的不同时间段内，可获得变
8、化的走线在不同宽度区域的各个电流值，由于设计软件并不具备微分电流分析的功能，因此无法与设计图进行比对，但根据实际手工测量获得的近似数据可知，误差变化表基本满足电路的实际可通过电流情况。由此表明，该算法具有较高的PCB电路检验识别能力，识别误差低于2%，除去允许误差识别精度高于99.8%，满足对一般双面板检测的要求。结语通过采用扩充域特征提取搭配类蚁群解析的办法，该系统实现了使用单片机采集图像信息进行与处理后交由电脑进行识别，这样的系统满足精度高速度快的前提下，极大的降低了采集设备的成本。实验结果表明该系统仍旧具有较高的可靠性，可用于一般双面板的检测识别，对于多层板或结构更复杂的PCB板仍旧需要进行大量实验验证，但是根据目前结果来看，该方法前景可观。