CN109859181A - 一种pcb焊点缺陷检测方法 - Google Patents

Abstract

本发明提供了一种PCB焊点缺陷检测方法，首先，对焊点图像进行预处理，提取焊点的形状特征参数、纹理特征参数，采用SVM分类中最优的RBF核函数进行SVM分类器构建，对误检焊点，再利用基于HOG特征的第二SVM多分类器，得到最终分类准确率，本发明的分类准确率达到98.46％以上，具有一定的优越性。

Description

一种PCB焊点缺陷检测方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种PCB焊点缺陷检测方法。

背景技术

随着电子行业的不断发展，PCB板作为电子产品的重要组成部分，影响其整体质量和可靠性，在焊接过程中，PCB焊点可能会出现缺陷，使电子产品出现各种问题，造成损失。因此，对PCB焊点进行缺陷检测已经成为PCB板制造过程中至关重要的一个环节，是保证质量的重要手段。

现有的PCB焊点检测方法包括：通过提取焊点图像特征采用Log-Gabor滤波器进行检测，但分类准确率较低；通过SVM结合贝叶斯方法，但提取的特征过多，增大了计算复杂度；概率排序的算法，通过分析彩色焊点图像来检测焊点，但此种方法特征单一、所用样本较少；利用Hough变换算法检测焊点缺陷，但检测类型单一；提取焊点的三维特征，应用SFS方法进行三维重建，用SVM进行分类，检测准确率为92.93％，但分类准确率有待提高；利用主成分分析与极限学习机结合进行焊点缺陷检测，能达到较高准确率，但是实验样本数较小，存在缺陷；自动光学检测***使用过程复杂、易受外界环境、光照等因素影响；BP神经网络检测算法所需样本较大、收敛速度慢；K-近邻法虽然无需学习、无需预先构造模型，但对非线性样本分类效果较差；改进的Adaboost算法能有效地降低误检率，但分类准确率还有待提高。

现有的PCB焊点检测方法存在很多缺点，如：样本图像较少或较多、检测特征或检测的焊点类型单一以及分类准确率不高等。

发明内容

本发明的目的在于提供一种PCB焊点缺陷检测方法，以提高PCB中元件焊点缺陷检测的准确率。

为了实现上述目的，本发明提供了一种PCB焊点缺陷检测方法，包括：

获取对应PCB焊点的多组缺陷特征数据，并采用SVM算法训练得到基于形状特征和纹理特征的第一SVM分类器及基于HOG特征的第二SVM多分类器；

获取一PCB的焊点图像并进行预处理得到缺陷图像；

提取所述缺陷图像的形状特征参数、纹理特征参数及HOG特征参数；

将所述形状特征参数及所述纹理特征参数输入所述第一SVM分类器中，以将所述PCB上的缺陷焊点进行第一次分类；

提取出所述第一次分类中误检的焊点并将所述HOG特征参数输入所述第二SVM多分类器进行第二次分类。

可选的，采用SVM算法训练得到基于形状特征和纹理特征的所述第一SVM分类器的步骤包括：

利用不同的核函数构造多个预估SVM分类器；

将多组缺陷特征数据输入多个所述预估SVM分类器中，分类准确率最高的所述预估SVM分类器即为所述第一SVM分类器。

可选的，对所述焊点图像进行预处理的步骤包括：

对所述焊点图像进行灰度化，得到灰度图像；

对所述灰度图像进行中值滤波与小波变换相结合，以去除噪声并得到去噪图像；

对所述去噪图像进行增强，以得到增强图像；

对所述增强图像采用自适应阈值法进行二值化，获得二值化图像；

对所述二值化图像进行轮廓提取以得到焊点区域轮廓图；

可选的，所述缺陷焊点包括多锡、少锡及漏焊中的一种或多种。

为了达到上述目的，本发明提供了一种PCB焊点缺陷检测方法，首先，对焊点图像进行预处理，提取焊点的形状特征参数、纹理特征参数，采用SVM分类中最优的RBF核函数进行SVM分类器构建，对误检焊点，再利用基于HOG特征的第二SVM多分类器，得到最终分类准确率，本发明的分类准确率达到98.46％以上，具有一定的优越性。

附图说明

图1为本发明实施例提供的PCB焊点缺陷检测方法的流程图；

图2为本发明实施例提供的PCB焊点采集***的实验现场图；

图3a为本发明实施例提供的灰度图像；

图3b为本发明实施例提供的去噪图像；

图3c为本发明实施例提供的增强图像；

图4a为本发明实施例提供的灰度图像的灰度直方图；

图4b为本发明实施例提供的增强图像的灰度直方图；

图5-图6为本发明实施例提供的二值化后以及轮廓边缘提取后的图像；

图7a-图7d为本发明实施例提供的多锡、少锡、焊锡合适、漏焊4种情况下的角二阶矩、熵、对比度、相关性特征值。

具体实施方式

下面将结合示意图对本发明的具体实施方式进行更详细的描述。根据下列描述和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。

如图1所示，本实施例提供了一种PCB焊点缺陷检测方法，包括：

S1:获取对应PCB焊点的多组缺陷特征数据，并采用SVM算法训练得到基于形状特征和纹理特征的第一SVM分类器及基于HOG特征的第二SVM多分类器；

S2:获取一PCB的焊点图像并进行预处理；

S3:提取所述焊点图像的形状特征参数、纹理特征参数及HOG特征参数；

S4:将所述形状特征参数及所述纹理特征参数输入所述第一SVM分类器中，以将所述PCB上的缺陷焊点进行第一次分类；

S5:提取出所述第一次分类中误检的焊点并将所述HOG特征参数输入所述第二SVM多分类器进行第二次分类。

具体的，如图2所示，本实施例先采用大恒DH-HV1351UM工业相机、光学镜头、环形照明光源和计算机组成PCB焊点采集***采集PCB板的焊点图像，然后对所述焊点图像进行预处理。

具体的，对所述焊点图像进行预处理的步骤为：

S21：首先，如图3a所示，对所述焊点图像进行灰度化，以得到灰度图像；

S22：如图3b所示，对所述焊点图像进行中值滤波结合小波变换法，以去除焊点图像中含有的混合噪声并得到去噪图像，去噪后可能使图像失去边缘信息；

S23：如图3c所示，对所述去噪图像进行增强，即采用灰度变换法对所述去噪图像进行增强以得到增强图像，所述增强图像中焊点的对比度明显增强；图4a为所述滤波图像的灰度直方图，其灰度范围为[20，255]；图4b为所述增强图像的灰度直方图，其灰度范围为[0，255]，可见，所述增强图像的分布更均匀，达到了图像增强效果；

S24：将所述增强图像采用自适应阈值法进行二值化，获得二值化图像；

S25：对所述二值化图像进行轮廓提取以得到焊点区域轮廓图；

本实施例中，采用自动阈值的图像分割方法来完成图像分割，采用Sobel算子来提取焊点边缘轮廓，如图5和图6所示。

进一步，提取所述缺陷图像中的形状特征参数、纹理特征参数及HOG特征参数。具体的，形状特征参数采用周长、面积等形状参数，所述缺陷图像f(x,y)的周长L：用边界像素点数N总和表示，即：

所述缺陷图像f(x,y)面积A：用边界内像素点数总和N表示，即：

采取灰度共生矩阵特征提取纹理特征参数，即角二阶矩、对比度、熵和相关性作为检测特征，定义分别如下：

角二阶矩又称为能量：

对比度又称为惯性矩：

相关性又称为同质性：

进一步，提取所述缺陷图像中的HOG特征参数的步骤：首先标准化gamma空间，进行图像归一化处理，采用Gamma压缩处理，取Gamma＝1/2：

I(x,y)＝I(x,y)^gamma；

计算每个像素的梯度，像素点(x,y)的梯度为：

G_x(x,y)＝H(x+1,y)-H(x-1,y)；

G_y(x,y)＝H(x,y+1)-H(x,y-1)；

式中G_x(x,y)是水平梯度，G_y(x,y)是垂直梯度，H(x,y)是像素值。

则梯度幅值和梯度方向分别为：

最后，将所述缺陷图像分成cell，将cell组合成block，归一化处理，得到HOG特征，再组合block的HOG特征，得到整个所述缺陷图像的HOG特征。

可以理解的是，SVM分类器能较好地解决非线性和小样本问题，实际中获取的焊点缺陷样本是有限的，属于小样本问题，采用SVM算法对其进行缺陷检测是合理的。本实施例采用如下表所示的焊点样本进行训练：

表1焊点样本

本文检测的PCB的焊点类型分为多锡、少锡、焊锡合适以及漏焊4种，首先，直接获取多组缺陷特征数据，然后在SVM多类分类中使用“一对一”的方式，在任意两种类型之间设计SVM分类器，有4种类型，可以构造6个SVM分类器，将多组缺陷特征数据输入多个所述预估SVM分类器中，比较不同核函数构造SVM分类器的分类结果，分类准确率最高的即为所述第一SVM分类器。

具体的，采用不同核函数构造SVM分类器，用于形状特征和纹理特征的分类，4类核函数分别为线性核函数(Linear)、多项式核函数(Polynomial)、sigmoid核函数及高斯径向基核函数(RBF)。

进行焊点检测分析，通过对多锡、少锡、焊锡合适、漏焊四种类型进行比较其特征量，提取的形状特征以及纹理特征的参数表现如下：

表2形状特征参数值

为了简化计算，将Gray量化成16级，计算四个共生矩阵P，取距离为1，角度分别为0°、45°、90°、135°对共生矩阵归一化，计算角二阶矩、熵、对比度、相关性特征值，其特征分布分别如图7a-7d所示。

接下来，采用不同核函数构造预估SVM分类器，用于形状特征和纹理特征的分类，根据不同核函数的设置，按照训练好的预估SVM分类器进行分类，得到以下分类准确率：

表3分类准确率

根据表3结果可得，对4种类型，RBF核函数的分类效果最好，能达到95.38％以上，所以形状特征和纹理特征的分类采用RBF核函数构建的预估SVM分类器作为第一SVM分类器。

然后，提取所述缺陷图像中的形状特征参数、纹理特征参数输入所述第一SVM分类器中进行分类。

针对提取形状特征参数和纹理特征参数不能达到较好的准确率，仅为95.38％，所以基于HOG特征构建第二SVM多分类器，将所述第一SVM分类器中误检的焊点提取出来并进行二次检测分类。通过实验得出分类准确率达到98.46％以上。

上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。

Claims (4)

1.一种PCB焊点缺陷检测方法，其特征在于，包括：

获取对应PCB焊点的多组缺陷特征数据，并采用SVM算法训练得到基于形状特征和纹理特征的第一SVM分类器及基于HOG特征的第二SVM多分类器；

获取PCB的焊点图像并进行预处理；

提取所述焊点图像的形状特征参数、纹理特征参数及HOG特征参数；

将所述形状特征参数及所述纹理特征参数输入所述第一SVM分类器中，以将所述PCB上的焊点进行第一次分类；

提取出所述第一次分类中误检的焊点并将所述HOG特征参数输入所述第二SVM多分类器进行第二次分类。

2.如权利要求1所述的PCB焊点缺陷检测方法，其特征在于，采用SVM算法训练得到基于形状特征和纹理特征的所述第一SVM分类器的步骤包括：

利用不同的核函数构造多个预估SVM分类器；

将多组缺陷特征数据输入多个所述预估SVM分类器中，分类准确率最高的所述预估SVM分类器即为所述第一SVM分类器。

3.如权利要求1所述的PCB焊点缺陷检测方法，其特征在于，对所述焊点图像进行预处理的步骤包括：

对所述焊点图像进行灰度化，得到灰度图像；

对所述灰度图像进行中值滤波与小波变换相结合，以去除噪声并得到去噪图像；

对所述去噪图像进行增强，以得到增强图像；

对所述增强图像采用自适应阈值法进行二值化，获得二值化图像；

对所述二值化图像进行轮廓提取以得到焊点区域轮廓图。

4.如权利要求1所述的PCB焊点缺陷检测方法，其特征在于，所述缺陷焊点包括多锡、少锡及漏焊中的一种或多种。