新型高密度電路板的自動光學檢測系統設計

熊光潔， 馬樹元， 武思遠， 聶學俊， 湯曉華

(1.北京理工大學機械與車輛學院，北京100081；2.北京工商大學機械工程學院，北京100048；3.北京星河泰視特科技有限公司，北京100094)

0 引 言

隨著電子產品不斷地微型化，印刷電路板(printed circuit board，PCB)也逐步趨于高精度化、超細微化和多層化[1-5]。在高密度PCB的產品研發和生產加工中，PCB檢測技術是質量保證的關鍵。在PCB板的焊接組裝過程中，有可能產生焊點漏焊、連焊、元件缺失或錯件等缺陷，隨著高密度電路板的出現，傳統的檢測方式已無法準確地檢測出其在焊接組裝過程中產生各種缺陷[6]。為此，本文研究了一種采用新型照明裝置，將機器視覺和機器學習的新技術和新算法應用其中的新型HDI型PCB自動光學檢測系統。本文研究了該系統的主要組成和設計方法，實驗結果證明這種新型的HDI型PCB檢測系統不但可以檢測出加載電路板中的常見缺陷，而且具有缺陷檢出率高，誤報率小的特點。

1 HDI型PCB自動光學檢測系統的組成

本文提出的PCB自動光學檢測系統的實驗裝置主要由主控計算機、電氣控制系統、精密機械運動裝置、多色程控光源照明裝置、圖像采集系統等組成，如圖1所示。檢測時，用專用夾具將被測PCB板安裝于工作臺上，然后根據主控計算機指令，通過精密的機械運動裝置將被測PCB板置于鏡頭下方，多色光源裝置自動調整光照強度，電氣控制系統根據位置檢測信號，觸發圖像采集系統中的CCD攝像裝置進行拍攝，通過圖像采集卡將被測PCB的清晰圖像傳送主控計算機，通過圖像處理和識別軟件進行分析，檢測出被測PCB的各種缺陷位置，并對缺陷進行分類和統計。本文將主要介紹其中的精密機械運動控制裝置和多色程控光學照明系統。

圖1 PCB自動光學檢測系統框架

1.1 精密機械運動控制裝置

精密機械運動控制裝置包括工作平臺，直線導軌，絲杠和伺服電機以及運動控制器，主要完成精密工作臺的運動控制和PCB的自動定位。工作時，主控計算機直接給運動控制器發出指令，控制伺服電機帶動絲杠和直線導軌運動，保證PCB板的運動精度和快速響應，實現被測PCB板的準確定位。為提高傳動的平穩性和定位精度，選用高精度的交流伺服驅動電機。為保證導軌的直線度，選用優質的超精密直線導軌。

1.2 多色程控光學照明系統

在AOI中，照明系統是影響自動光學檢測的圖像輸入質量和圖像處理效果的重要因素之一。本文采用一種新型多色光源的照明裝置，如圖2所示。該照明裝置對以往的照明系統[7-8]進行改進，光源由4種顏色的LED陣列組成，為檢測多種缺陷，不同顏色的LED陣列的安裝角度并不相同。照明裝置采用微控制器控制，由主控計算機通過串行口發出控制指令給多色照明控制系統，控制不同顏色的光對被測電路板進行同時和分時照明，可以根據獲取的圖像自動調節光照強度。這種照明系統具有光照均勻、光強可調、響應速度快、發熱量小等特點，可為AOI提供穩定性極高的照明。

圖2 自制的多色程控光源

2 PCB缺陷自動檢測系統的軟件設計

本設計的AOI系統具有光源控制、圖像采集、圖像拼接、圖像定位、路徑規劃、缺陷檢測和缺陷統計等功能，如圖3所示。系統可通過視窗界面完成各種運動控制和圖像識別，系統還支持工藝數據編程，支持多種方式的作業模擬與仿真，可以在批量檢測前驗證和測試數據，避免出現漏檢和誤檢。系統提供與多種電路設計CAD軟件的接口，可自動實現設計文件到模板文件的轉換，提高編程效率。系統軟件采用Visual studio 2005環境，利用OPENCV開發各種算法。操作界面如圖4所示。

圖3 PCB缺陷檢測系統的軟件框架

圖4 PCB缺陷檢測系統的界面

2.1 電路板檢測中的常見缺陷

一般加載PCB板的缺陷種類及其所占比例分別為：焊點缺陷占55%、元件錯件、缺件、橋接以及極性錯誤等占45%[9-10]，如圖5所示的是加載PCB中常見的缺陷。由于高密度電路板上的貼片元件的尺寸和引腳間距越來越小，因而對檢測的方法也提出了更高要求。

圖5 加載電路板中常見的一些缺陷

2.2 電路板檢測中的檢測算法

印刷電路板的自動檢測技術的研究始于20世紀70年代末，至今為止，提出了很多改進的算法，如圖6所示，歸納起來可分為3類：參考比較法、非參考校驗法和混合法[11-12]。

圖6 PCB檢測算法分類

參考比較法將被測圖像和參考圖像進行比較，可以是像素點與像素點的對比，也可是兩幅圖像中的特征參數的比較。該方法算法簡單，易于實現，但對光照和定位的要求很高，需要存儲空間較大，并且無法當檢測到一些參數(如軌跡寬度和間距等)發生超差時所產生的缺陷，因此該方法不能用于檢測導體的軌跡寬度和間距超差等缺陷(如軌跡過寬、過窄和間距過小等缺陷)。

非參考算法也稱為基于設計規則的校驗法。該算法不需要任何參考圖像，而是依據預先定義好的PCB設計規則來判斷待檢PCB圖像是否有缺陷。如果不符合設計規則，就認為有缺陷。該方法算法復雜，運算量大，檢測線寬、線距等缺陷時，效果很好，當檢測焊盤丟失等較大缺陷時，卻容易出現漏檢。

混合法是上述兩類方法的綜合，在一定程度上可克服上述方法中的缺點。本系統采用的是混合法算法。在缺陷檢測過程中，軟件系統采用基于顏色，形狀和統計特征的模板匹配算法和智能權值分析算法，在采用機器學習策略的數字圖像特征分類與識別算法時，在對訓練樣本進行預處理過程中采用了包括將彩色圖轉換為灰度圖圖像、方差歸一化、利用形態學區域開閉操作、高斯濾波等去除噪聲等算法[13]。

系統軟件針對不同的缺陷，采用不同的檢測算法，各種算法軟件采用OPENCV開發。在器件檢測中，采用了數字圖像特征分類與識別算法，充分利用數字圖像的顏色、形狀以及統計特征，采用機器學習策略，可以檢測灰度算法無法檢測的彩色標識器件出現的器件缺漏、器件錯位、器件翻轉、器件側立、器件破損、錯誤器件、錯誤極性等錯誤；在焊盤檢測中，通過科學地布置彩色光照明裝置，使得少焊錫、正常焊錫和過量焊錫的圖像產生明顯差別，通過數字圖像的特征分類與識別算法[14-15]進行相應識別出相應的缺陷；在IC引腳檢測時，通過自動學習IC引腳的各種圖像特征，通過機器學習的相關算法可以自動地識別IC焊腳，并對連焊有非常靈敏的檢測精度[16]。

2.3 加載電路板缺陷檢測的流程

圖7 加載電路板缺陷檢測流程

加載電路板缺陷檢測的流程如圖7所示。當待測PCB板面積較大時，需要對待測PCB板進行掃描拍攝，然后進行圖像拼接。放置好待測板后，程控照明裝置可自動調節光照強度，z軸自動對焦；確定起始點坐標后，精密機械運動控制裝置自動控制XY軸運動，工作臺移動，圖像采集系統對檢測板掃描，采集圖像，掃描結束后，對序列圖像進行拼接得到檢測板的全景圖，再根據定位標志精確定位待測板。然后可導入已有的PCB的數據文件，根據元件封裝找到元器件的標準圖像，將所有元器件與標準圖像進行匹配，匹配好所有元件后，進行自動FOV劃分；若無PCB的數據文件，也可通過畫框，選擇需檢測的位置，生成標準圖像，入庫作為檢測模板，設定好所有檢測位置；接下來進行路徑優化，使攝像機經歷過所有待測元器件后，用時最短；然后按規劃好的路徑采集待測板上的圖像，對采集到的圖像進行各種預處理，特征提取，然后與標準圖像進行配準，通過比對、處理、分析，找出缺陷，顯示其位置，并對各種缺陷進行分類統計，在顯示器上給出檢測結果，并可將數據保存，以備隨后修復使用。

3 實驗結果和分析

實驗裝置如圖8所示，待測HDI型PCB的檢測點為1892，面積為210×160mm。檢測時測試了10塊HDI型PCB板。實驗數據如表1所示。

表1中NM表示缺陷顯示數，NG表示誤判數，MM表示漏判數，T表示檢測時間，根據表1的實驗數據，可以得到以下的統計數據：測試速度P(測試點/檢測時間)，總測試點數Mp(PCB板數量*測試點)，總誤判數Mg(NG*PCB板數量)，總漏報數Mn(MM*PCB板數量)。

圖8 PCB檢測系統樣機

表1 PCB缺陷檢測數據

實驗結果表明：誤判率(Mg/Mp)為0.3%，漏判率(Mn/Mp)為0.1%，檢測率為99.9%，檢測速度Sp為45點/s。實驗中，自動光學檢測系統可以檢測出的缺陷種類有器件缺漏、器件錯位、器件側立、器件反面、器件破損、極性錯誤、錯誤器件、缺焊、過焊、連焊、OCR、條形碼等缺陷。

4 結束語

本文研究的HDI型PCB自動光學檢測系統通過照明系統結構的改進，以及根據不同種類缺陷的顏色特征不同，對各種類型缺陷特征的提取算法和分類算法的改進，使整個自動光學檢測系統的性能有了很大提高，檢測系統性能評價的主要指標缺陷檢出率由原來的95%提升到99.9%，漏報率由原來的1～3%，下降為0.1%，誤報率也降為0.3%，整個系統可檢出的缺陷種類增多，自適應性和擴展性增強。實驗證明該系統能很好地滿足實際生產過程中加載PCB板的各種缺陷檢測。

[1]Mukul,Shirvaikar.Trends in automated visual inspection[J].Real-Time Image Proc,2006(1):41-43.

[2]Khan Zulki.A primer on AOI and AOT[J].Circuits Assembly,2006,17(9):38-41.

[3]Jiang J R,Chen H S,Hung C W.Peer-to-peer AOI voice chatting for massively multiplayer online games[J].International Journal of Electrical Engineering,2010,17(1):43-54.

[4]Khan,Zulki,Lerma Phil.Getting your multilayer board fabricated[J].Printed Circuit Design and Manufacture,2006,23(4):22-25.

[5]Miller Don.Exploring AOI and X-ray[J].Evaluation Engineering,2008,47(10):52-56.

[6]Acciani G,Brunetti G,Fornarelli G,et al.AOI based neurofuzzy system to evaluate solder joint quality[C].11th International Conference on Enterprise Information Systems,2009:50-53.

[7]Lu S L,Zhang X M,Kuang Y C.Optimized design of an AOI illuminator[C].IEEE Trans Wavelet Analysis and Pattern Recognition,2007:924-928.

[8]Lu S L,Zhang X M,Kuang Y C.Optimal illuminator design for automatic optical inspection systems[J].International Journal of Computer Applications in Technology,2010,37(2):101-108.

[9]Chiu S N,Perng M H.Reflection-area-based feature descriptor for solder joint inspection[J].Machine Vision and Applications,2007,18(2):95-106.

[10]Ong T Y,Samad Z,Ratnam M M.Solder joint inspection with multi-angle imaging and an artificial neural network[J].Int J Adv Manuf Technology Springer-Verlag London Limited,2008,38(5-6):455-462.

[11]Shih C L,Chia H S.A visual inspection system for surface mounted devices on printed circuit board[C].IEEE Conference on Cybernetics and Intelligent Systems,2006:1-4.

[12]Moganti M,Ercal F,Wu F P,et al.An AOI algorithm for PCB based on feature extraction[C].Proceedings of the 7th World Congress on Intelligent Control and Automation,2008:240-247.

[13]Carsten Steger,Markus Ulrich,Christian Wiedemann.Machine vision algorithms and applications[M].北京:清華大學出版社,2008:1-5.

[14]Crispin A J,Rankov V.Automated inspection of PCB components using a genetic algorithm template-matching approach[J].International Journal of Advanced Manufacturing Technology,2007,35(3-4):293-300.

[15]羅兵,章云,余光柱.基于遺傳編程的SMT機器視覺檢測特征提取[J].計算機工程與設計,2007,28(15):3776-3778.

[16]Xie H W,Kuang Y C,Zhang X M.A high speed AOI algorithm for chip component based on image difference[C].IEEE International Conference on Information and Automation,2009:969-974.