表面貼裝元件的特征統計建模檢測算法研究

表面貼裝元件的特征統計建模檢測算法研究

吳暉輝1盧盛林2曾憲榮1

(1.順德職業技術學院機電工程學院，廣東 佛山 528333；2.東莞理工學院機械工程學院，廣東 東莞 523015)

摘要：為提高表面貼裝元件在線檢測的性能和可操作性，提出了一種基于特征的統計建模檢測算法。對表面貼裝的元件，首先提取并選擇分類能力較強的幾何和邏輯特征，然后利用統計分析建立元件的分類算法，并引入評價函數改善算法的分類能力，最終實現對片式元件缺件、偏移、歪斜和錯件等缺陷的檢測。實驗結果表明，采用該算法能滿足實際檢測系統準確性和實時性要求。

關鍵詞：自動光學檢測；貼裝元件；特征提??；統計分析

基金項目：廣東省精密裝備與制造技術重點實驗室開放課題基金，項目編號：PEMT1301；項目名稱：佛山市順德區科技計劃，項目編號：SDKJ201347

收稿日期:2015-04-23

作者簡介：吳暉輝(1981—)，男，湖南常寧人，博士研究生，講師，研究方向：機器視覺、精密檢測。

0引言

印刷電路板(Printed Circuit Board，PCB)元器件貼裝是電子制造最重要的一個環節之一，隨著電子制造朝著高密度、高性能方向發展，貼裝的電子元件進一步向微型化、集成化和高性能化方向發展，以片式元件01005為例，其尺寸已達到了亞微米級，人工目檢已難以勝任品質的要求，為保證PCB的貼裝品質，自動光學檢測(Automatic Optical Inspection，AOI)已廣泛應用于貼裝過程的各個階段[1]。早期的AOI主要基于規則式的算法，基于規則的機器視覺應用有以下兩個原因影響了其性能：(1) 算法的魯棒性差?；谝巹t的算法是剛性的，幾乎沒有容錯能力，當特征提取錯誤時，就直接影響對結果的判定。(2) 算法幾乎沒有智能性。用戶在使用機器視覺系統時必須經過專業培訓，才能設置較為準確的特征值允許范圍。

近年來，統計分析技術得到了一定的研究，但對于AOI系統，目前的統計分析技術都是偏重于爐后的焊點檢測[2-5]，事實上，越早發現缺陷，避免缺陷產品流入下一個工序，就越能節省返修的成本，提高效率。為此，針對爐前表面貼裝的片式(Chip)元件，本文提出基于統計分析的檢測算法，建立基于特征的分類統計模型，克服了特征分析算法的不足，實現了對元件全面而快速的檢測。

1貼裝元件特征分析

為了能準確獲取貼裝元件的信息，本文分析的元件圖像采用的光源是3色(紅、綠、藍)LED陣列環形結構。在結構光源下，元件的每個區域表現出不同的顏色和亮度特征。如圖1所示，圖1(a)是利用彩色相機獲取的貼裝良好的元件的圖像。為便于研究，將元件圖像分為幾個檢測區域，每個區域建立一個窗口，并提取窗口內的特征作為評價的依據，據此，可以建立貼裝元件的檢測模型，如圖1(b)所示，可將其分為電極窗口、元件主體窗口和錫膏窗口。由于貼裝工藝和設備狀態等因素的影響，貼裝后的元件可能存在缺件、歪斜、偏移和錯件等缺陷，其貼裝模型如圖2所示。與正確貼裝的元件相比，各種類型缺陷元件的幾何特征比如元件主體的尺寸、電極的大小和相對位置等信息都不盡相同，此外不同類型元件的主體灰度特征也都差別，綜合利用這些信息，選擇具有代表性的特征，并對其統計分析，建立分類模型，能將所列舉的缺陷檢測出來。

(a) 貼裝元件

(b) 檢測模型 圖1　良品元件特征檢測窗 1，7—錫膏　2—元件　3—PCB基板　4，6—電極窗　5—主體窗

(a) 缺件

(b) 偏移

(c) 歪斜

(d) 錯件

圖2典型錯誤貼裝的元件

2元件特征提取和評價

具有代表性的特征能夠提高檢測精度，并降低分類的難度，經過分析，本文選擇幾何和顏色特征作為分類的依據。

2.1元件典型幾何特征提取

幾何特征由于直觀和簡單，在圖像分析中應用比較普遍。元件典型幾何特征包括位置、面積、距離、矩形度等。假定前面所設置的檢測窗的長和寬分別為m和n，則各幾何特征分別定義為：

(1) 位置：檢測窗口的位置可以用重心來表示。對于元件圖像而言，首先將其二值化，此時，重心可由下式表示：

(1)

式中的(xi，yi)表示元件檢測窗口內對應像素位置的坐標，i=0，1，2，…，n-1；j=0，1，2，…，m-1。對于圖3所示的貼裝元件，根據二值化的結果，可以確定電極窗口的重心位置(圖中的白色的矩形窗)，不難看出，左邊電極窗口的重心位置(黑色的十字)與設置的參考位置值(圖中的白色的十字)在豎直方向上差別比較大，因此判斷該元件為歪斜。

圖3　歪斜元件重心特征

(2) 面積：面積是判斷一個物體非常重要而直觀的特征，對于元件錯貼、漏貼都可以用面積進行判別。若物體用1表示，背景用0表示，則計算面積最簡單的方法是統計物體邊界內部(包括邊界)的像素點數目，可以采用以下公式計算：

(2)

對于待檢測元件的電極窗口和主體窗口，分別計算其符合要求的像素面積，如果這個值少于給定的閾值，則判斷元件為錯件。

(3) 距離：圖像中兩點的O(x，y)和P(u，v)之間的距離可以用歐幾里德距離表示：

(3)

窗口之間的距離能夠檢測幾種常見的缺陷，當元件旋轉或者缺件時，元件窗口內對應的斑塊的距離會小于正常元件之間的距離。

則元件的幾何特征可表示為：

Gcomp=[XYAD]T

(4)

2.2邏輯特征提取

(1) 矩形度：由于所建立的檢測窗口都是矩形，所以引入矩形度作為檢測的特征。定義為檢測區域內的像素面積與其最小外接矩形的面積之比：

(5)

式中，Arect為物體外接矩形的面積。

由定義可知，矩形度無量綱，且該值已經歸一化，跟檢測元件窗口的尺寸無關。

(2) 灰度特征：幾何特征雖然簡單直觀，但在有些情況下，不同的元件其幾何特征極其相似，難以區分。觀察圖4可知，錯貼的電阻元件跟應該貼裝的電容元件的幾何特征(位置、面積，甚至兩個電極窗口的距離)十分相近，兩者最明顯的區別是元件主體的灰度值不同，考慮到圖像是彩色的，因此可利用3個通道的灰度值進行判別。對于如圖4(b)所示的電阻和電容元件，其主體部分灰度特征值空間如圖5所示，可見利用灰度特征容易將兩者識別。

(a) 貼裝結果　　 (b) 不同元件

圖5　電阻和電容元件主體灰度特征分布

首先將彩色圖像分解為紅、綠、藍三種單色灰度圖像，在元件主體檢測窗口內提取各個區域的三種灰度特征。令t表示單色圖像的閾值，t=1、2、3分別表示紅色、綠色和藍色子圖像，Db表示元件的主體檢測窗口區域。則主體檢測窗口內同時滿足三種閾值要求的像素面積為：

(6)

式中，(i，j)為像素坐標。

據此可以提取元件主體的灰度特征，根據灰度特征判斷不同元件的類別。

(3) 連續區：為了防止錯誤分類，還需要引入連續區作為特征進行識別。在電極區域De中，定義二值化函數w(i，j)為[3]：

(7)

此處1表示目標，0表示背景，T為閾值。對二值化之后的結果，求其在兩個方向的投影特征，在x方向，定義：

(8)

類似地，在y方向：

(9)

以x方向為例，在區域De內給定投影特征Px，如果從w0開始，存在w滿足：

P(j+w)

(10)

其中，l=w0，w0+1，w0+w-1，則區域中存在連續寬度為w的區域。

如圖6所示，圖6(a)是電極區域二值化后的結果，圖6(b)是區域中x方向的投影特征。如果Tp設定為60%，則滿足式(10)的連續區域是6；如果Tp設定為40%，則滿足式(10)的連續區域是7。

圖6　連續區

定義：

Wr=w/wref×100%

(11)

如果Wr>Tw(Tw是設定的閾值)，則這個連續區域是可以接受的。

至此，元件的邏輯特征可以表示為：

Lcomp=[RiCAWr]T

(12)

3基于統計建模的分類算法

提取并選擇元件合適的特征后，對特征采用統計的方法進行學習，讓檢測系統識別不同元件的幾何和邏輯特征，并依據特征將其劃分為不同的貼裝結果。

3.1算法原理

首先對待學習訓練的元件圖片，依據第二節的方法，提取元件的特征，然后對不同類別的樣本特征進行統計建模，并標記為相應的貼裝結果，從而獲得一個比較可靠的標準模板；檢測時，依次提取定位后的元件相關的特征，并將特征值與不同的標準模板進行比對，如果兩者的差值位于設定的閾值內，則判定該元件為該類。在標準模板的訓練過程中，特征值隨著樣本圖片不斷的學習而變化，雖然每個類的樣本圖片的特征分布圖不完全一樣，但特征值分布的總體趨勢保持在一定的范圍內。以片式貼裝元件為例，其中一類樣本元件圖片的特征值分布如圖5所示，由該特征值分布圖可知，樣本元件的特征值(三通道的灰度)會在一定的區間內上下隨機變動，但是這一隨機變化服從正態分布。隨著被訓練學習的同類元件圖片個數的增加，元件的特征值會出現一個統計學意義下的誤差波動范圍空間。假設參與統計的元件圖片為n張，則統計意義下某一特征值的平均值和方差分別為：

(13)

(14)

對每種類型的元件，學習的個數是不相同的，學習的樣本圖片個數一旦達到設定的數目，則結束模板圖片的學習過程。

3.2算法分類能力評價

由于有些特征之間具有較大的相關性，這些特征對分類起到相同的作用，因此，可以只選擇其中之一，削減特征的相關性和耦合性，以提高檢測的效率。為此，需要利用特征評價指標選擇一些對分類貢獻大的特征。常見的評價分類有效性的依據有基于距離、基于概率和基于熵函數等。由于本文假設樣本的特征值滿足正態分布，而且已經獲得了各個樣本的特征均值和方差，因此采用類間和類內的加權距離準則，構造一個函數來評價特征的可分離性。通常說來，在檢測過程中，把合格品誤認為缺陷品(誤報)的代價相對較小，與此相反，把有缺陷的產品誤認為合格品(漏報)導致的后果比較嚴重，因此，本文算法更偏向于能使得缺陷樣本類內距離小的特征，則評價函數可表示為：

(15)

式中，J為特征值間的可分離性判據值；d為類間平均樣本距離；σ1和σk分別為合格元件和第k類缺陷元件方差；λ為權重系數。

在標準模板的訓練過程中對每個特征值賦予一定的權重值，然后根據用戶所定義的閾值來對特征重要性給予評價，當某一個特征值所對應的權重超出閾值，該特征就被選中作為重要特征來訓練分類器或作為結果輸出。

4實驗結果與分析

4.1特征提取與訓練

為了驗證本文算法的效果，將其應用到實驗室與東莞某企業聯合開發的檢測系統中。圖7是檢測系統示意圖。其中，離線編程站和在線檢測機的硬件環境為Pentium(R)Dual Core CPU E5300，2.60 GHz，開發環境為VC++2008。

圖7　檢測系統

為了提高系統的實時性，參考元件的幾何和邏輯特征提取和訓練過程都是在離線編程站進行。首先按照順序拍攝待檢測PCB的參考元件的圖像，存入服務器上的數據庫，然后通過離線編程站訪問數據庫中的圖像。服務器用來存儲檢測程序、參考圖片等其他全部數據信息。同時，如果一條生產線放置多個在線檢測機，可以共用服務器，實現多機數據共享。在線檢測時，只需要讀取所需檢測對象的特征參數和檢測程序即可，從而有效提高了檢測效率。

前文已經提及，待檢測的元件分為多個檢測窗口，在離線編程過程中，首先確定各個檢測窗口的位置，然后提取檢測窗口內各特征值的均值和方差，并結合經驗將其設置為每個不同貼裝結果類型的初始分類值；之后分別對良品和缺陷樣本進行批量學習；最后檢測算法對各個特征窗進行綜合分析，并依據上述特征值給出相應的分類結果，編程者對結果進行判斷，確認各個分類結果是否與設定的要求一致，如果不一致，算法可調整分類的結果和特征距離值。通過反復迭代訓練，確保算法的準確性。

離線訓練結束后，將相應的特征值和分類判據等數據傳送至在線檢測機，在線檢測時，依據離線訓練的結果對PCB上待檢測的元件進行測試，確認其分類結果，同時，可根據結果對特征值的閾值作進一步修正，確保算法的泛化能力。

4.2算法整體效果分析

將算法應用在東莞市某自動化科技有限公司生產的檢測平臺上，通過檢測性能和檢測時間兩個方面來評價算法的整體效果。隨機抽取了生產線上100張PCB板，在每張PCB上面選擇具有代表性的55個片式元件，則檢測的元件個數為5 500個。對其進行了測試，測試數據如表1、2所示。由表1可知，檢測算法判斷缺件和偏移兩種貼裝缺陷的準確率為100%，對錯件的準確率是92.4%，雖然有一定的誤判，考慮到漏報錯誤的代價比誤判的代價要高，因此適當的誤判是可以接受的，這說明本文算法能滿足檢測系統準確性的要求。

表1　算法檢測結果分析

表2　算法檢測時間

對一個在線檢測系統而言，采用的檢測算法除了有比較高的準確性外，還要考慮算法的實時性。對于同一種型號的貼裝元件，其標準模板的幾何特征、邏輯特征及其他閾值信息在離線編程時已經設置好，在線檢測時，僅僅是提取待檢測元件的特征信息并與標準模板作對比，因此處理速度較快。表2給出了三種不同類型元件的檢測時間，對圖1中一個典型的0603元件圖像(大小為261×221 pixel)的檢測過程所耗費的總時間約為8 ms，可見本文算法速度較快，而且檢測項目更為全面，能滿足實時檢測的要求。

5結語

針對在線AOI系統對元件檢測的準確性和實時性的要求，本文在分析和提取貼裝元件的幾何和邏輯特征后，設計了一種基于特征統計模型的檢測算法，可檢測缺件、錯件、偏移、歪斜等常見的元件貼裝缺陷。將算法應用到實際的生產線上，并對采集的貼裝元件圖像進行了實驗，結果表明所提出的檢測算法能滿足在線檢測系統準確性和實時性兩個方面的要求。下一步的工作是探索提高算法的智能性，減少訓練環節的人工判定，提高訓練的效率。

[參考文獻]

[1]周賢善，羅兵.AdaBoost算法在AOI統計學習建模中的應用[J].長江大學學報，2007，4(1)： 88-90.

[2]鄺泳聰，歐陽高飛，謝宏威，等.基于統計分析的PCB組裝缺陷特征學習方法[J].計算機應用研究，2010，27(2)： 775-777，783.

[3]Wu Fupei，Zhang Xianmin. An inspection and classification method for chip solder joints using color grads and boolean rules[J].Robotics and Computer-Integrated Manufacturing，2014，30(5)： 517-526.

[4]吳浩，張憲民，鄺泳聰，等.基于統計建模的電子元件焊點圖像匹配算法[J].華南理工大學學報，2012，40(1)： 64-68.

[5]謝宏威，張憲民，鄺泳聰.基于圖像特征統計分析的PCB焊點檢測方法[J].儀表儀器學報，2011，32(2)： 401-407.