- 相關(guān)推薦
通孔器件機(jī)器視覺檢測(cè)算法
通孔器件機(jī)器視覺檢測(cè)算法【1】
摘 要：分析了機(jī)器視覺檢測(cè)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(cè)算法。
結(jié)果表明，針對(duì)通孔器件的不同特點(diǎn)，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(cè)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(cè)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(shí)又是在線測(cè)試、功能測(cè)試的盲點(diǎn)，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(xiǎn)。
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(cè)算法研究，研發(fā)基于機(jī)器視覺的通孔器件通用檢測(cè)平臺(tái)非常必要。
該算法應(yīng)能檢測(cè)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(yàn)缺件、錯(cuò)件、極性反、線序錯(cuò)、位置偏移等不良。
1 機(jī)器視覺檢測(cè)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(jì)算機(jī)后，對(duì)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(shí)別、位置探測(cè)、完整性檢測(cè)、形狀和尺寸檢測(cè)、表面檢測(cè)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(cè)算法，大致可分為三大類：有參考比較算法、無(wú)參考校驗(yàn)法以及混合型算法。
有參考比較算法分為圖像對(duì)比法和模型對(duì)比法;無(wú)參考校驗(yàn)法又稱為設(shè)計(jì)規(guī)則校驗(yàn)法;混合型算法則綜合上述兩種算法，揚(yáng)長(zhǎng)避短。
目前自動(dòng)光學(xué)檢測(cè)(Automatic Optical Inspection，AOI，以下簡(jiǎn)稱AOI)系統(tǒng)圖像處理基本上采用參考算法，國(guó)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(cè)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(lái)實(shí)現(xiàn)完整性檢測(cè)和物體識(shí)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(lái)，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(lái)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(shí)現(xiàn)一個(gè)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(lái)提供這些功能，而不會(huì)試圖自己實(shí)現(xiàn)[1]。
下面將介紹美國(guó)國(guó)家儀器(National Instruments，NI，以下簡(jiǎn)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(cè)算法研究。
2 美國(guó)國(guó)家儀器視覺開發(fā)模塊的應(yīng)用
2.1 美國(guó)國(guó)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(jì)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(cè)、定位、驗(yàn)證和測(cè)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(jí)精確度來(lái)對(duì)位置、距離、和測(cè)量值進(jìn)行插值[4]。
通常在選擇視覺系統(tǒng)時(shí)，精確度、易用性、執(zhí)行速度是三個(gè)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(shí)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(xiàng)目上都更為快速[4]。
2.2 通孔器件檢測(cè)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(diǎn)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(diǎn)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(cuò)位。
外觀檢驗(yàn)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(wú)關(guān)，匹配分?jǐn)?shù)均大于900。
(2)錯(cuò)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(cè)。
2.2.2 非線束和彩色模板匹配算法
非線束的特點(diǎn)是形狀固定，制程中的不良主要是極性反、錯(cuò)件、缺件，這也是外觀檢驗(yàn)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(gè)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(gè)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(gè)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(gè)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(gè)關(guān)鍵參數(shù)：線束類匹配模式設(shè)置為無(wú)平移，非線束類匹配模式設(shè)置為無(wú)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(cè)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(cuò)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(cè)。
3 結(jié)束語(yǔ)
(1)針對(duì)通孔器件的不同特點(diǎn)，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(tái)。
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(guó)儀器超市.AOI在中國(guó)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(shí)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(gè)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(yàn)[J]，中國(guó)科技博覽，中國(guó)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(cè)中機(jī)器視覺的應(yīng)用【2】
摘 要：檢測(cè)SMD晶體器件是其出廠前的一道重要工序，因?yàn)镾MD電極在測(cè)試時(shí)具有方向性，所以，應(yīng)該對(duì)其實(shí)施方向識(shí)別。
但是傳統(tǒng)光纖傳感器不能實(shí)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(cè)效率并降低檢測(cè)成本。
文中主要探討了SMD晶體器件檢測(cè)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(cè)試;應(yīng)用分料
0 引 言
在生產(chǎn)流程中，SMD晶體器件檢測(cè)是一道重要工序，由該工序?qū)w器件電性能進(jìn)行檢測(cè)后才可包裝出廠。
因?yàn)镾MD晶體器件檢測(cè)工序的特殊性，所以，其檢測(cè)率對(duì)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(cè)率在2 ppm以下，也就是說(shuō)，所出廠的一百萬(wàn)個(gè)產(chǎn)品中，避免出現(xiàn)兩個(gè)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(cè)還要確保方向一致，尤其是檢測(cè)SMD晶體振蕩器，還要檢測(cè)其預(yù)定方向。
此前，企業(yè)在生產(chǎn)SMD晶體器件時(shí)僅僅可以采用人工檢測(cè)與識(shí)別，因?yàn)镾MD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(zhǎng)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(cuò)測(cè)與漏測(cè)的現(xiàn)象也就在所難免。
所以，在研制自動(dòng)測(cè)試SMD器件電性能參數(shù)的同時(shí)，還要對(duì)識(shí)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(cè)系統(tǒng)構(gòu)成
因?yàn)槭窃赟MD器件檢測(cè)中應(yīng)用該機(jī)器視覺系統(tǒng)的，所以本文簡(jiǎn)要介紹了檢測(cè)系統(tǒng)整體構(gòu)成。
SMD晶體器件檢測(cè)的總體框圖如圖1所示。
通常會(huì)有振動(dòng)送料機(jī)構(gòu)以隊(duì)列形式對(duì)待測(cè)SMD晶體器件進(jìn)行輸送，并采用機(jī)器視覺系統(tǒng)對(duì)前端器件進(jìn)行判別，如果器件實(shí)際和預(yù)定方向一致，則動(dòng)作機(jī)構(gòu)就要直接轉(zhuǎn)移此器件至電性能檢測(cè)工位。
如果預(yù)定方向和實(shí)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(cè)工位。
2 機(jī)器視覺系統(tǒng)在SMD晶體器件檢測(cè)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(jì)算
第一，應(yīng)該計(jì)算該系統(tǒng)中的相機(jī)和鏡頭參數(shù)，所檢測(cè)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?yàn)闄C(jī)械搬運(yùn)機(jī)構(gòu)在鏡頭與被測(cè)晶體間，所以要求被測(cè)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(xiàng)目也可選用該類型的工業(yè)相機(jī)進(jìn)行檢測(cè)。
2.2 計(jì)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(cè)精度一定要在0.1以下，對(duì)成本因素進(jìn)行綜合分析，該系統(tǒng)所選相機(jī)為30萬(wàn)像素的工業(yè)相機(jī)，其檢測(cè)精度為0.01，符合使用要求。
2.3 光源選擇
因?yàn)楹诎證CD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(shí)根據(jù)被測(cè)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(cè)試需求。
3 檢測(cè)策略
因?yàn)檫@種機(jī)器視覺功能需求是：正反面識(shí)別SMD器件，方向識(shí)別SMD晶體器件焊盤面，所以，應(yīng)該對(duì)所出現(xiàn)的各種情況進(jìn)行正確判斷，僅僅是檢測(cè)缺角焊盤是不夠的，還必須檢測(cè)其它焊盤，以提高檢測(cè)準(zhǔn)確性。
機(jī)器視覺檢測(cè)系統(tǒng)中，可設(shè)置多圖形模板，用于檢測(cè)SMD晶體器件中的焊盤，本研究中，我們對(duì)三個(gè)圖形模板進(jìn)行設(shè)置，也就是說(shuō)，一個(gè)判別工位底面的模板和兩個(gè)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(cè)的模板1、模板2與圖形的相似度對(duì)門限閥值大，那么可將目標(biāo)焊盤檢測(cè)出來(lái)，而且SMD晶體有正確的方向，見圖3。
如果所檢測(cè)的圖形和模板1、模板2的門限閥值相對(duì)比較小，那么方向相反，這種情況下就應(yīng)該對(duì)其作180°的旋轉(zhuǎn)，如圖4所示。
若未檢測(cè)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(dòng)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(cè)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(wú)器件結(jié)果圖。
4 軟件設(shè)計(jì)
這種視覺判別軟件被稱為SMD晶體器件測(cè)試系統(tǒng)的重要組成部分，和其它組成部分共同檢測(cè)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(dòng)判別模塊與視覺參數(shù)設(shè)置模塊。
對(duì)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(duì)所有參數(shù)進(jìn)行設(shè)置完成后，用戶對(duì)“測(cè)試”按鍵進(jìn)行點(diǎn)擊，一次檢測(cè)啟動(dòng)，檢驗(yàn)所有參數(shù)設(shè)置正確與否進(jìn)行檢驗(yàn)。
自動(dòng)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(yǔ)
在SMD晶體器件檢測(cè)系統(tǒng)中應(yīng)用機(jī)器視覺技術(shù)，實(shí)現(xiàn)了光纖傳感器所無(wú)法實(shí)現(xiàn)的重要作用，提高了產(chǎn)品的檢測(cè)精度，也使所生產(chǎn)產(chǎn)品的質(zhì)量得到提升。
此外，通過對(duì)機(jī)器視覺硬件和檢測(cè)軟件平臺(tái)進(jìn)行自主創(chuàng)建，與集成式相機(jī)檢測(cè)期間相比，可以降低檢測(cè)成本，提高在市場(chǎng)中SMD晶體器件檢測(cè)競(jìng)爭(zhēng)力，在未來(lái)的器件檢測(cè)自動(dòng)化設(shè)備領(lǐng)域，機(jī)器視覺技術(shù)勢(shì)必會(huì)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(cè)中的應(yīng)用[J].自動(dòng)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(cè)識(shí)別系統(tǒng)[J].自動(dòng)化博覽，2007(1)：56-57.
[4]孫家廣.計(jì)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(cè)中的應(yīng)用【3】
摘要：應(yīng)用機(jī)器視覺技術(shù)實(shí)現(xiàn)半導(dǎo)體器件塑封表面缺陷的自動(dòng)檢測(cè)。
結(jié)合圖像特點(diǎn)，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(cè)邊緣點(diǎn)擬合直線的方法獲取器件矩形并計(jì)算其中心點(diǎn)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(duì)準(zhǔn)。
最后應(yīng)用Blob方法將提取缺陷特征。
實(shí)驗(yàn)結(jié)果表明該方法在半導(dǎo)體器件塑封表面缺陷檢測(cè)方面有較好的效果。
關(guān)鍵詞：缺陷檢測(cè);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(duì)半導(dǎo)體器件的視覺檢測(cè)主要包括管腳檢測(cè)和管體檢測(cè)。
隨著計(jì)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(cè)中。
利用機(jī)器視覺[2]進(jìn)行檢測(cè)不僅可以排除主觀因素的干擾，降低勞動(dòng)強(qiáng)度，提高生產(chǎn)效率，還可以對(duì)缺陷進(jìn)行定量描述，具有人工肉眼檢測(cè)無(wú)法比擬的優(yōu)越性。
1 檢測(cè)系統(tǒng)概要
在線半導(dǎo)體表面缺陷檢測(cè)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(gè)系統(tǒng)成功與否的關(guān)鍵所在。
圖1 缺陷檢測(cè)系統(tǒng)結(jié)構(gòu)
系統(tǒng)采用定位槽對(duì)器件進(jìn)行準(zhǔn)確定位，定位槽的底部有一個(gè)通氣孔，下面連接一個(gè)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(cè)
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(diǎn)檢測(cè)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(lái)對(duì)準(zhǔn)參考圖像與目標(biāo)圖像。
實(shí)現(xiàn)圖像的邊緣點(diǎn)檢測(cè)就是用離散化梯度逼近函數(shù)計(jì)算每一個(gè)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(diǎn)。
現(xiàn)實(shí)情況的邊緣都是斜坡性邊緣，這就使得邊緣檢測(cè)的首要工作是濾波。
對(duì)比Sobel算子，Log算子，Canny算子各自的優(yōu)缺點(diǎn)[4]后本文采用Canny算子尋找邊緣點(diǎn)。
邊緣點(diǎn)檢測(cè)之前，劃定檢測(cè)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(diǎn)的檢測(cè)方向是從線段的起點(diǎn)到終點(diǎn)。
本文的圖像處理需要用到的邊緣點(diǎn)檢測(cè)目的主要是在限定區(qū)域檢測(cè)滿足梯度閾值及方向的點(diǎn)，方向即從亮到暗或從暗到亮。
判斷方向時(shí)需要兼顧檢測(cè)方向的影響。
檢測(cè)方向不同，x向、y向的一階偏導(dǎo)對(duì)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(cè)
3.1 基于差影的雙模板匹配法
用于缺陷檢測(cè)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(cè)圖像與模板圖像做像素差，對(duì)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(jì)算待檢測(cè)圖像與模板圖像對(duì)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(shí)間復(fù)雜度明顯高于差影法，對(duì)于在線檢測(cè)對(duì)實(shí)時(shí)性的要求，顯然不可取，本文所述缺陷檢測(cè)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(wú)缺陷的圖像，也稱為參考圖像。
[fr，c]代表待檢測(cè)圖像。
[r，?c]代表像素坐標(biāo)。
為檢測(cè)出待測(cè)圖像與理想圖像的偏差，僅需要將兩幅圖像的對(duì)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(duì)圖像對(duì)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(cè)圖像與模板圖像的邊緣便會(huì)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(duì)策略。
然而在實(shí)際的生產(chǎn)應(yīng)用中，這些因素都是無(wú)法避免的，針對(duì)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(jì)算得到。
一般使用標(biāo)準(zhǔn)偏差來(lái)計(jì)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(jiǎn)單的使用某一幅理想圖像簡(jiǎn)單獲取，也應(yīng)該從一組訓(xùn)練圖像中計(jì)算像素均值得到。
n幅圖像的平均值和標(biāo)準(zhǔn)差計(jì)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(duì)常量[a]，[b]。
一般情況由一個(gè)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(cè)圖像偏差時(shí)，這樣的方法就顯得很不好，因此引入絕對(duì)常量，當(dāng)某處容許偏差小于絕對(duì)常量時(shí)，使用絕對(duì)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(duì)模板與待測(cè)圖像做減法比較之前，計(jì)算待測(cè)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(gè)像素乘以環(huán)境光因子[θ]，可有效抑制環(huán)境光帶來(lái)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(lái)確定物體的位置并識(shí)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(cè)量目標(biāo)的形態(tài)參數(shù)，包括面積、周長(zhǎng)、寬度、高度、細(xì)長(zhǎng)度、數(shù)量等。
與基于逐點(diǎn)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(cè)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(lái)抑制缺陷誤檢，如寬度閾值、高度閾值、面積閾值、周長(zhǎng)閾值，當(dāng)檢測(cè)的Blob對(duì)象分別滿足各方面的閾值要求時(shí)，則認(rèn)為是缺陷，否則被判定為噪聲點(diǎn)。
4 缺陷檢測(cè)系統(tǒng)實(shí)現(xiàn)
硬件環(huán)境如下，相機(jī)：SONY XC-HR50;鏡頭：50mm;曝光時(shí)間：5ms
軟件環(huán)境如下：基于OpenCV的VC++編程實(shí)現(xiàn)
檢測(cè)目標(biāo)：SOD323半導(dǎo)體器件的塑封表面缺陷檢測(cè)
硬件系統(tǒng)采用了定位模具保證了待測(cè)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(cè)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(gè)方面：
1) 本系統(tǒng)用于在線工業(yè)檢測(cè)系統(tǒng)，同時(shí)用于三個(gè)工位的實(shí)時(shí)檢測(cè)，要求每個(gè)工位的檢測(cè)時(shí)間不得超過50ms，在硬件上采用四核處理器的計(jì)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(shí)間。
2) 待測(cè)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(huì)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(cè)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(gè)感興趣區(qū)域內(nèi)邊緣點(diǎn)的尋找方向，如Top區(qū)域，表示從下到上搜尋邊緣點(diǎn)。
十字叉則代表搜尋到的邊緣點(diǎn)。
圖2 邊緣檢測(cè)示意圖
利用OpenCV提供的方法cvFitLine將搜尋到的邊緣點(diǎn)分別擬合為四條邊緣線，圖中管體矩形框已經(jīng)標(biāo)出，計(jì)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(duì)準(zhǔn)。
對(duì)該矩形區(qū)域進(jìn)行平滑圖像處理后計(jì)算該區(qū)域圖像的灰度平均值，得到環(huán)境光因子。
對(duì)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(gè)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(duì)傳統(tǒng)的缺陷檢測(cè)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(cè)范圍，有效提高了檢測(cè)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(duì)缺陷識(shí)別的影響。
參考文獻(xiàn)：
[1] 張素娟，李海岸.新型塑封器件開封方法以及封裝缺陷[J]，半導(dǎo)體技術(shù)，2006，31(7)：509-511.
[2] 賈云得.機(jī)器視覺[M].北京：科學(xué)出版社，2000.
[3] 鄭秀蓮，袁巧玲，沈亞琦.基于圖像處理的電子元器件表面缺陷檢測(cè)技術(shù)[J]，機(jī)電工程，2009，26(7)：15.
[4] 徐臨洪，張桂梅，陳少平.基于機(jī)器視覺的發(fā)動(dòng)機(jī)表面缺陷檢測(cè)技術(shù)[J]，計(jì)算機(jī)與現(xiàn)代化，2010，176(4)：157.
[5] Carsten Steger， Markus Ulrich， Christian Wedemann， Machine Vision Algorithms and Applications[M].北京：清華大學(xué)出版社，2008.
[6] FELZENZWALB P. Representation and detection of deformable shapes [J]. IEEE Pattern Analysis and Machine Intelligence， 2005，27(2)：208.
【通孔器件機(jī)器視覺檢測(cè)算法】相關(guān)文章：
貼片器件手工焊接及其檢測(cè)10-05
基于SVM的重復(fù)網(wǎng)頁(yè)檢測(cè)算法分析論文10-11
基于SLBH 特征的行人檢測(cè)算法研究報(bào)告10-07
基于計(jì)算機(jī)視覺的微小尺寸精密檢測(cè)理論與技術(shù)09-30
量子阱器件的發(fā)展09-30
基于計(jì)算機(jī)控制的自動(dòng)化視覺檢測(cè)技術(shù)09-30
風(fēng)冷散熱對(duì)器件散熱的應(yīng)用10-05