基于小波特征與支持向量機(jī)的焊點(diǎn)缺陷識(shí)別方法的研究

周穎，王雪，劉坤，李明旭

（1.河北工業(yè)大學(xué)控制科學(xué)與工程學(xué)院，天津 300130；2.河北省控制工程技術(shù)研究中心，天津 300130）

基于小波特征與支持向量機(jī)的焊點(diǎn)缺陷識(shí)別方法的研究

周穎1,2，王雪1，劉坤1,2，李明旭1

（1.河北工業(yè)大學(xué)控制科學(xué)與工程學(xué)院，天津 300130；2.河北省控制工程技術(shù)研究中心，天津 300130）

基于視覺(jué)信息的焊點(diǎn)缺陷檢測(cè)已成為當(dāng)前機(jī)器視覺(jué)中的研究熱點(diǎn)問(wèn)題．針對(duì)焊接設(shè)備的不穩(wěn)定性、操作環(huán)境的不確定性等問(wèn)題對(duì)焊點(diǎn)質(zhì)量的影響，本文提出了利用增強(qiáng)小波系數(shù)和主成分分析相結(jié)合的方法對(duì)焊點(diǎn)圖像特征進(jìn)行提取，利用主成分分析的降維作用，對(duì)提取的增強(qiáng)小波系數(shù)50維特征向量進(jìn)行降維處理．同時(shí)提出了融合決策樹(shù)與支持向量機(jī)的方法對(duì)焊點(diǎn)的缺陷類(lèi)型進(jìn)行識(shí)別．實(shí)驗(yàn)結(jié)果表明，本文提取的焊點(diǎn)特征值具有更好的區(qū)分性與緊致性，提出的分類(lèi)方法有效提高了焊點(diǎn)缺陷檢測(cè)的識(shí)別率，同時(shí)提高了算法效率．

焊點(diǎn)缺陷識(shí)別；小波系數(shù)；主成分分析；決策樹(shù)；支持向量機(jī)

0 引言

隨著工業(yè)上對(duì)印制電路板趨向高精度化、多層次化發(fā)展的需求，焊點(diǎn)作為銜接各個(gè)電氣組件與電路板之間的橋梁，在電路板的加工過(guò)程中發(fā)揮著不可輕視的作用．而在操作工藝中存在的諸多不確定因素，如：焊接設(shè)備的不穩(wěn)定性、操作環(huán)境的不確定性、焊料添加的差異性等，最終將導(dǎo)致焊點(diǎn)存在缺焊、虛焊、立碑、塌陷、橋接、破洞等諸多問(wèn)題，影響產(chǎn)品的最終質(zhì)量，導(dǎo)致產(chǎn)品次品率上升．隨著計(jì)算機(jī)技術(shù)和數(shù)字圖像處理技術(shù)的快速發(fā)展，對(duì)其焊點(diǎn)通過(guò)機(jī)器視覺(jué)設(shè)備所獲取得圖像進(jìn)行分析與識(shí)別已經(jīng)成為當(dāng)前電子工藝發(fā)展的迫切需要[1-3]．

在機(jī)器視覺(jué)采集系統(tǒng)中，如何提取有效的焊點(diǎn)圖像特征是保證準(zhǔn)確分類(lèi)與識(shí)別的關(guān)鍵所在[4-5]．國(guó)內(nèi)對(duì)于焊點(diǎn)缺陷檢測(cè)的研究起步相對(duì)較晚，在已有的研究中大多針對(duì)于提取多維的焊點(diǎn)圖像特征直接進(jìn)行識(shí)別分類(lèi)，導(dǎo)致提取特征值維數(shù)過(guò)大，算法的復(fù)雜度過(guò)高[6-8]．本文在圖像預(yù)處理基礎(chǔ)上，重點(diǎn)從形狀特征、直方圖特征、小波特征三個(gè)方面對(duì)焊點(diǎn)圖像信息進(jìn)行特征提取，并對(duì)其提取的多維小波系數(shù)特征值進(jìn)行主成分分析降維處理，有效地降低了檢測(cè)時(shí)間，提高了檢測(cè)效率．在焊點(diǎn)識(shí)別分類(lèi)過(guò)程中，多數(shù)文獻(xiàn)采取神經(jīng)網(wǎng)絡(luò)分類(lèi)識(shí)別方法，但其在解決小樣本、非線(xiàn)性、高維模式識(shí)別等問(wèn)題中相對(duì)于支持向量機(jī)分類(lèi)識(shí)別具有一定局限性[9-10]．本文在識(shí)別方法上采用了最小二乘支持向量機(jī)與決策樹(shù)融合的分類(lèi)方法，對(duì)其提取的有效特征進(jìn)行分類(lèi)、識(shí)別．最終實(shí)驗(yàn)結(jié)果表明該方法有效提高了焊點(diǎn)缺陷的識(shí)別率，提高了算法效率．

1 圖像預(yù)處理

為了避免圖像采集過(guò)程中由于照明不均勻、采集儀器波動(dòng)性、PCB板上有污垢等對(duì)其焊點(diǎn)圖像的影響，保證提取焊點(diǎn)圖像特征值的直觀性、有效性，首先，要對(duì)采集的焊點(diǎn)圖像進(jìn)行圖像去噪、圖像增強(qiáng)、圖像二值化、圖像邊緣檢測(cè)處理，詳見(jiàn)圖1．

圖1 圖像預(yù)處理結(jié)果Fig.1 Image preprocessing results

為了削弱圖像采集過(guò)程中所產(chǎn)生的椒鹽噪聲，比較選取3×3模板大小的中值濾波去噪．圖像增強(qiáng)采用灰度變化的目的是增強(qiáng)圖像對(duì)比度，將檢測(cè)的焊點(diǎn)與底板背景更好的區(qū)分，加強(qiáng)圖像固有特性．為了更好的提取圖像形狀特性，使其得到僅含有黑白兩種像素的圖像，將增強(qiáng)后的圖像利用閾值分割法進(jìn)行二值化處理．圖像邊緣檢測(cè)采用Sobel算子的邊緣檢測(cè)方法降低圖像邊緣噪聲，加強(qiáng)圖像邊緣信息，產(chǎn)生了較好的邊緣檢測(cè)效果．

2 焊點(diǎn)圖像特征提取

由圖2看出，不同類(lèi)別焊點(diǎn)的形狀各不相同，其面積、周長(zhǎng)、致密度在其檢測(cè)效率上較為精確，在圖像二值化、邊緣檢測(cè)處理基礎(chǔ)上得出焊點(diǎn)特征值向量1．

圖2 焊點(diǎn)面積、周長(zhǎng)對(duì)比結(jié)果Fig.2 Solder jointarea,perimeter comparison results

采集圖像的灰度值函數(shù)用灰度直方圖代表，由圖3可以看出焊點(diǎn)類(lèi)型不同時(shí)直方圖上灰度的分布有一定的差異，直方圖特性的穩(wěn)定性和抗干擾性較好的解決了環(huán)境差異性帶來(lái)的干擾．為了更好的提取所采集焊點(diǎn)的特征值，分別對(duì)焊點(diǎn)直方圖的均值、標(biāo)準(zhǔn)偏差、偏斜、峰度、能量、高亮比進(jìn)行提取，得出焊點(diǎn)特征值向量2．

圖3 焊點(diǎn)灰度直方圖對(duì)比結(jié)果Fig.3 Solder joint histogram comparison results

2.3 小波特征提取

2.3.1 小波系數(shù)的提取

快速小波算法Mallat是基于多分辨分析基礎(chǔ)上提出的，在小波分析中有著舉足輕重的地位．為了更好的提取精確的焊點(diǎn)小波特征向量，在小波算法中使用算法運(yùn)算增大了圖像間差別進(jìn)而提高焊點(diǎn)圖像的識(shí)別精度，利用一種改進(jìn)的小波算法對(duì)其圖像的三級(jí)小波分解（圖4）系數(shù)進(jìn)行增強(qiáng)，從而得到一個(gè)關(guān)于焊點(diǎn)圖像信息的特征向量組．

圖4 三級(jí)小波分解示意圖Fig.4 Three levelswaveletdecomposition

針對(duì)小波三級(jí)分解得到的各組系數(shù)，利用小波增強(qiáng)算法，采用公式(1)、公式(2)分段線(xiàn)性形式的增強(qiáng)函數(shù)對(duì)其模值處在[Tmin,Tmax]之間的數(shù)據(jù)進(jìn)行增強(qiáng)．

式中：Sjm,n代表第j組小波系數(shù)，Mjm,n代表第j組小波系數(shù)增益，Sjm,nmax代表小波系數(shù)的模值最大值，max Sjm,n代表小波系數(shù)的模值截去最大值后的極大值．其截去處理保證了在圖像發(fā)生局部突變時(shí)，增益函數(shù)的有效性．

獲取焊點(diǎn)圖像小波特征向量過(guò)程如下：

1）對(duì)二值化處理后的焊點(diǎn)圖像進(jìn)行三級(jí)小波分解，得到各組小波系數(shù)．

2）選取適合各組小波系數(shù)的閾值Tmin和Tmax．

3）計(jì)算每組小波系數(shù)的模極大值、自適應(yīng)增益Mjm,n．

4）利用上述公式對(duì)各組小波系數(shù)進(jìn)行分段線(xiàn)性變化，得到增強(qiáng)后小波系數(shù)．

5）取標(biāo)準(zhǔn)合格焊點(diǎn)圖像進(jìn)行1-4步計(jì)算，得出標(biāo)準(zhǔn)小波系數(shù)，記為B1，B2，…，B10．取待測(cè)焊點(diǎn)圖像進(jìn)行1）～4）步計(jì)算，得出待測(cè)小波系數(shù)，記為D1，D2，…，D10．

6）分別計(jì)算待測(cè)小波系數(shù)D1，D2，…，D10的均值、方差、標(biāo)準(zhǔn)差，與標(biāo)準(zhǔn)焊點(diǎn)小波系數(shù)B1，B2，…，B10的協(xié)方差、相關(guān)系數(shù)值，各自記為T(mén)1，T2，…，T10（每個(gè)Ti中含有5個(gè)特征值），從而得到10個(gè)5維的焊點(diǎn)特征向量，記為．

2.3.2 基于主成分分析的小波系數(shù)特征降維

主成分分析（PrincipalComponentAnalysis，PCA）核心是剔除圖像特征向量采集過(guò)程中的冗余信息，以排除數(shù)據(jù)共存中相互重疊的變量，選取代表樣本主要信息的成分，用較少的特征量對(duì)樣本信息進(jìn)行描述，達(dá)到減少分類(lèi)時(shí)間的目的．

3 SVM與決策樹(shù)融合的識(shí)別方法

支持向量機(jī)（SupportVectorMachine，SVM）的基本原理是在分類(lèi)樣本之間尋求一個(gè)線(xiàn)性分類(lèi)面將樣本劃分開(kāi)來(lái)，并使分類(lèi)之間的間隔最大化，對(duì)于線(xiàn)性不可分的樣本，首先通過(guò)非線(xiàn)性變化將輸入空間變換到一個(gè)高維特征空間，在其新生成的空間內(nèi)進(jìn)行線(xiàn)性劃分．假設(shè)其線(xiàn)性回歸分離超平面方程為

其中，本文用到的SVM核函數(shù)為徑向基核函數(shù)（RBF）

圖5 支持向量機(jī)整體分類(lèi)Fig.5 Overall classification of SVM

圖6 決策樹(shù)支持向量機(jī)分類(lèi)Fig.6 Classification of the decision-tree SVM

目前常用的支持向量機(jī)分類(lèi)構(gòu)造方法分為：整體法、一對(duì)余、一對(duì)一和決策樹(shù)分類(lèi)法．決策樹(shù)分類(lèi)不存在不可分區(qū)域，分類(lèi)不需要遍歷所有的分類(lèi)器，是一種應(yīng)用較為廣泛的分類(lèi)方法．對(duì)于k類(lèi)分類(lèi)問(wèn)題，應(yīng)用決策樹(shù)SVM分類(lèi)法只需要構(gòu)造k 1個(gè)子分類(lèi)器，分類(lèi)過(guò)程中類(lèi)別個(gè)數(shù)逐層減少，訓(xùn)練分類(lèi)器過(guò)程中所需訓(xùn)練樣本較少，訓(xùn)練時(shí)間較短．

利用決策樹(shù)在相對(duì)較短的時(shí)間內(nèi)能夠?qū)Υ笮蛿?shù)據(jù)源做出可行且效果良好的分類(lèi)優(yōu)勢(shì)，本文采用決策樹(shù)和支持向量機(jī)相結(jié)合的方法減少分類(lèi)計(jì)算量，提高分類(lèi)精度，并將其與支持向量機(jī)整體分類(lèi)的方法進(jìn)行比較．

本文主要對(duì)比運(yùn)用LIBSVM軟件包和LSSVM工具箱對(duì)其焊錫合格、焊錫過(guò)多、焊錫過(guò)少、缺焊等4類(lèi)焊點(diǎn)分類(lèi)問(wèn)題結(jié)合提取的焊點(diǎn)特征向量1、2、3進(jìn)行研究，4類(lèi)訓(xùn)練、測(cè)試樣本分別選取30個(gè)，分別采用如圖5、圖6的分類(lèi)方式，得出測(cè)試結(jié)果如表1所示．

為了更好的體現(xiàn)應(yīng)用主成分分析優(yōu)勢(shì)，運(yùn)用LSSVM工具箱結(jié)合決策樹(shù)分類(lèi)得出結(jié)果如表2所示．

表1 實(shí)驗(yàn)結(jié)果1Tab.1 Experimental results1

表2 實(shí)驗(yàn)結(jié)果2Tab.2 Experimental results2

實(shí)驗(yàn)結(jié)果表明，運(yùn)用LSSVM結(jié)合決策樹(shù)分類(lèi)方法優(yōu)化了分類(lèi)計(jì)算量，并在利用主成分分析對(duì)小波特征系數(shù)降維的條件下提高了檢測(cè)效率和焊點(diǎn)識(shí)別率．

4 結(jié)論

采用主成分分析的降維處理方法，將小波增強(qiáng)算法提取的50維小波系數(shù)特征向量進(jìn)行降維處理為5維，結(jié)合基于形狀、直方圖提取的特征向量建立新的焊點(diǎn)特征向量模型，融合決策樹(shù)與支持向量機(jī)LSSVM的焊點(diǎn)缺陷識(shí)別算法對(duì)采集焊點(diǎn)進(jìn)行識(shí)別分類(lèi)．通過(guò)仿真對(duì)比得出，該方法改進(jìn)了傳統(tǒng)智能識(shí)別大樣本、特征向量非線(xiàn)性、識(shí)別向量維數(shù)過(guò)多、檢測(cè)時(shí)間過(guò)長(zhǎng)的問(wèn)題，提高了焊點(diǎn)缺陷識(shí)別率，加快了算法效率．

[1]Jiang B C，Wang C C，Hsu Y N．Machine vision and background remover-based approach for PCB solder joints inspection[J]．International Journal of Production Research，2007，45（2）：451-464．

[2]鄲永彩，鄧細(xì)鳳，高湖．基于主成分分析的表面缺陷自動(dòng)檢測(cè)算法[J]．計(jì)算機(jī)工程，2013，39（2）：216-219．

[3]Said A F，BennettBL，Karam L J，etal．Automated detection and classification ofnon-wetsolder joints[J]．Automation Scienceand Engineering，2011，8（1）：67-80．

[4]趙輝煌，周德儉，吳兆華，等．基于小波包變換與自適應(yīng)閾值的SMT焊點(diǎn)圖像去噪[J]．焊接學(xué)報(bào)，2011，32（11）：73-76．

[5]周穎，郝紅敏，裘之亮，等．基于改進(jìn)小波變換的焊點(diǎn)識(shí)別方法的研究[J]．河北工業(yè)大學(xué)學(xué)報(bào)，2013，42（2）：15-19．

[6]盧盛林，張憲民．少缺陷樣本的PCB焊點(diǎn)智能檢測(cè)方法[J]．焊接學(xué)報(bào)，2009，30（5）：57-60．

[7]趙春暉，張燚，王玉磊．基于小波核主成分分析的相關(guān)向量機(jī)高光譜圖像分類(lèi)[J]．電子與信息學(xué)報(bào)，2012，34（8）：1905-1910．

[8]Honeine P．Onlinekernelprincipal componentanalysis:A reduced-ordermodel[J]．Pattern Analysisand Machine Intelligence，IEEETransactions on，2012，34（9）：1814-1826．

[9]Barros R C，Basgalupp M P，De Carvalho A，et al．A survey of evolutionary algorithms for decision-tree induction[J]．Systems，M an，and Cybernetics，PartC:Applicationsand Reviews，IEEE Transactionson，2012，42（3）：291-312．

[10]Wang H，Ma J，Wang C．Study on the classification ofmulti-spectral images based on a FSVM multi-class classifierw ith the binary tree[J]．Optoelectronics Letters，2010，6（1）：61-64．

[責(zé)任編輯 代俊秋]

Study on recognitionmethod of solder jointdefectsbased onwavelet feature and supportvectormachine

ZHOU Ying1,2，WANG Xue1，LIU Kun1,2，LIM ing-xu1

(1.School of Control Science and Engineering,Hebei University of Technology,Tianjin 300130,China;2.Hebei Control Engineering Research Center,Tianjin 300130,China)

Solder joint defects detection based on visual information has become a research hot spot inmachine vision. Aim ing at the influenceson thequality of solder joint caused by the instability ofwelding equipmentand theuncertainty of operating environment,enhanced wavelet coefficients combinedw ith principalcom ponentanalysis is proposed in this paper to extract image featuresof solder joint,the extracted 50 dimension ofenhanced wavelet coefficientscharacteristic vectorsare reducedbyusing principalcomponentanalysis.At thesame time,decision-tree combinedw ith supportvector machine isalso proposed to identify defect typesof solder joint.The experimental resultsshow that theextracted characteristic valueof solder jointhasbetterdiscrim ination and compactness,the proposed classificationmethod effectively improves the recognition rateof the solder jointdefects detection and theefficiency of thealgorithm.

solder jointdefects identification;waveletcoefficients;principalcomponentanalysis;decision-tree; support vectormachine

TP391.41

A

1007-2373(2015)01-0006-06

10.14081/j.cnki.hgdxb.2015.01.002

2014-09-01

河北省高等學(xué)?？茖W(xué)技術(shù)研究指導(dǎo)項(xiàng)目（Z2012171）；河北省青年自然科學(xué)基金（F2014202166）

周穎（1971-），女（漢族），副教授，博士．