基于機器視覺的PCB裸板缺陷自動檢測方法研究

摘要：印制電路板（PCB線路板）又稱印刷電路板，是為電子元器件提供電氣連接的重要器件，其主要以版圖設計為主。電路板的使用提高了各種電子器件生產線上的效率，極大程度地減少了布線與裝配中可能出現的差錯。文章探討了如何利用基于圖像處理技術的自動光學檢測技術對PCB板進行檢測。

關鍵詞：印制電路板；圖像處理；機器視覺；PCB裸板；自動光學檢測；缺陷檢測 文獻標識碼：A

中圖分類號：TP391 文章編號：1009-2374（2016）09-0010-05 DOI：10.13535/j.cnki.11-4406/n.2016.09.005

我國是全球第一大PCB生產基地，作為電子產品承載體的電路板，其集成度和產量不斷在提高。為了保證電子產品的性能，電路板缺陷檢測技術已經成為電子行業中非常關鍵的技術。建立在圖像處理算法基礎上的機器視覺檢測技術與傳統的人工檢測技術相比，提高了缺陷檢測的效率和準確度。因此，設計一種高效精準的機器視覺檢測電路板缺陷的系統，具有非常重要的現實意義。評估印刷電路板質量的一個重要因素就是表觀檢測，PCB的表觀質量對產品性能及成品使用安全有著極大的重要性。而伴隨著近年來在工業生產領域崛起的計算機視覺，當前表觀缺陷檢測和分類識別的研究方向已經轉向了利用計算機視覺技術來實現。計算機圖像處理識別技術這種基于計算機視覺的檢測技術成功取代了傳統的PCB缺陷檢測方法，在自動光學檢測系統眾多應用中占據了相對重要的地位，一躍成為PCB生產業表觀缺陷的主要檢測方法。

圖1 系統框圖

因此本文通過設計AOI自動光學檢測系統，搭建較為簡單的PCB缺陷自動檢測系統的實驗平臺，對PCB中四類較為關鍵、常見的缺陷進行檢測、分析、識別、判定，為研究推廣PCB缺陷自動檢測系統開拓應用前景，如能實現工業上的產業化檢測，將有高額的經濟收益。本文側重對PCB中的四類較為關鍵、常見的缺陷進行檢測、分析、識別、判定，并且僅搭建了較為簡單的PCB缺陷自動檢測系統的實驗平臺，即通過復雜算法對采集到的圖像進行處理、配準、對比，從而得出PCB缺陷類型及對其進行標識。如圖1所示。

1 硬件設計方案

PCB缺陷檢測的總體系統設計方案主要是基于自動光學檢測技術來搭建PCB缺陷檢測系統，硬件設計是使用CNC-T程控光源高精度影像測試系統操作臺，對待測電路板進行圖像采集，再通過VS2010軟件所編寫程序處理，得出待測電路板的缺陷種類。整個系統主要分為運動控制、光源、圖像采集、圖像處理四個模塊，分模塊簡要闡述了實驗過程、所需設備以及軟件算法，搭建了一個相對完整的系統工作平臺。

圖2 CNC-T程控光源影像操作臺

該設備具有測量元素種類齊全、手動測量、自動對焦等多種功能，使用該設備采集圖像進行二維檢測，測量軟體為YR-CNC，將圖像儲存至電腦后便由VS軟件進行圖像處理。實驗組成如圖3所示：

圖3 實驗系統框圖

1.1 運動控制模塊

本系統運動流程為：被檢測的PCB在檢測臺上，通過步進電機XY軸運動到攝像機拍攝區域，CCD攝像機固定在工作臺上方（Z軸），通過Z軸的運動實現聚焦。如圖4所示：

圖4 平臺運動示意圖

設備工作臺臺面尺寸為746mm×506mm，承載玻璃面尺寸為452mm×354mm，有效測量行程為400×300×200。本裝置既可通過軟件驅動自動采集圖像，也可以通過手動控制，移動并聚焦采集待測PCB的圖像。

1.2 光源模塊

輔助光照——采用的是正向和背向光源這兩種輔助光照。其中正光源和攝像頭同側，均位于Z軸上，正光源主要用于檢測待測物體的表面特征。背光源位于檢測臺面下方，與正光源處于同軸反向關系，背光源能突出待測物體的輪廓特征，常用于檢測物體輪廓尺寸。

圖像采集：分別利用正光源突出PCB表面如走線、過孔和焊盤等主要特征，而下光源主要使PCB的輪廓尺寸和過孔產生強烈的輪廓對比。

光源：使用的是高度集中照明光源中心的LDR系列，由于該光源的傘狀結構緊密排列著LED且采用了CCS獨創的柔性板，使之成為LED照明系統的標準模式。照明系統如圖5所示：

圖5 照明系統

1.3 圖像采集模塊

圖像采集模塊是由圖像采集卡、相機和鏡頭組成的，該模塊是圖像配準階段的硬件基礎。計算機采集圖像的媒介就是相機，而相機按照不同原理又分為多種，常見的有CCD（Charge Coupled Device）和CMOS（Complementary Metal Oxide Semiconductor）兩類。本系統采用的是CCD 1/2英寸43萬像素彩色攝像頭和高清晰度0.7～4.5X變焦倍率鏡頭，顯示分辨率為0.001mm。

1.4 圖像處理模塊

通常獲得的圖像將受到工業現場環境、光照等條件的干擾，計算機所獲得的圖像質量多數參差不齊，圖像的清晰度不一致，大大增加了PCB缺陷檢測的難度，所以在利用復雜算法檢測、識別PCB缺陷前要先對圖像進行預處理。

本圖像處理模塊主要通過VS軟件在OpenCV計算機視覺庫的基礎上，通過一系列算法對圖像進行處理對比。

2 系統軟件設計

2.1 OpenCV

OpenCV（Open Source Computer Vision Library）是一個跨平臺的可以運行在Linux、Windows和Mac OS操作系統上的基于（開源）發行的計算機視覺庫。它重量輕而高效，開放了多種接口如MATLAB、Ruby和Python等，并且在計算機視覺和圖像處理中大多數通用的算法都是被允許的。OpenCV可用于開發實時圖像處理、計算機視覺和模式識別方案，它提供了多種函數，實現了大量的計算機視覺算法，算法涵蓋了從最基礎的濾波至以高級的物體檢測。OpenCV實際上是一堆C和C++語言源代碼文件，許多常見的計算機視覺算法由這些源代碼文件實現。如C接口函數cvCanny（）實現Canny邊緣檢測算法。它可直接加入到我們自己的軟件項目編程中，而無需去編寫自己的Canny算子代碼，就是沒有必要重復“造輪子”。

根據OpenCV中源代碼文件巨多的特點，以算法的功能為基準，將這些源文件分到多個模塊中，如core、imgproc、highgui等。將每個模塊中的源文件編譯成一個庫文件（如opencv_core.lib、opencv_imgproc.lib、opencv_highgui.lib等），用戶在使用時，僅需在自己的項目中添加要用的庫文件，與自己的源文件一起連接成可執行程序即可。

OpenCV計算機視覺庫的出現，是為了使人們利用方便快捷的計算機視覺框架，在計算機視覺領域可以更加輕松地設計出更為復雜的應用程序。OpenCV涵蓋了多種計算機視覺應用區域，如用戶界面、信息安全、醫學影像學、工廠產品檢驗、立體視覺、機器人和攝像機標定等，約有500多個函數。因為計算機視覺與機器學習是相輔相成的，所以OpenCV也開放了MLL（Machine Learning Library）機器學習庫。MLL除了在視覺任務相關中使用，也可以很容易地應用到其他機器學習中。

2.2 Microsoft Visual Studio2010

Visual Studio是微軟公司推出的開發環境，是同行業中目前最流行的Windows平臺應用程序開發環境。Visual Studio 2010發布于2010年4月12日，其集成開發環境（IDE）已被重新設計和組織，變得更簡單了。

Visual Studio 2010同時帶來了NET Framework 4.0、Microsoft Visual Studio 2010 CTP（Community Technology Preview——CTP），并且支持開發面向Windows 7的應用程序。除了Microsoft SQL Server外，它還支持IBM DB2和Oracle數據庫。目前有專業版、高級版、旗艦版、學習版和測試版五個版本。Visual Studio的用處十分廣泛，不僅可被用來基于Windows平臺創建Windows應用程序和Web應用程序，還可被用來創建智能設備、Office插件和Web服務等應用程序。微軟的Visual Studio 2010將成為一個版本的經典，這是相當于6.0版本。該版本可以自定義開始頁，新功能還包括：（1）C# 4.0中的動態類型和動態編程；（2）多顯示器支持；（3）使用Visual Studio 2010的特性支持TDD；（4）支持Office；（5）Quick Search特性；（6）C++ 0x新特性；（7）IDE增強；（8）使用Visual C++ 2010創建Ribbon界面；（9）新增基于.NET平臺的語言F#。本課題將基于OpenCV計算機視覺庫使用Microsoft Visual Studio2010開發環境，通過編輯算法實現PCB缺陷檢測。

3 圖像預處理

要使用計算機對圖像進行處理，所得到的連續圖像就必須被轉換為離散的數據集，這是因為計算機只能處理離散度數據，這一過程我們稱之為圖像采集。圖像采集由圖像采集系統實現，如圖6所示。圖像采集系統的三個主要模塊是成像系統、采樣系統和量化器。

圖6

將整理出的字符圖像交予識別模塊來識別，被稱為圖像的預處理。PCB的圖像預處理包括灰度化、增強、濾波、二值化、配準等，處理后的PCB輸出的圖像質量將得到改善，在很大程度上使得該圖像特征更直觀，方便計算機分析和處理。PCB的圖像預處理為整個PCB缺陷檢測系統的核心部件，很大程度上決定了檢測的準確性。圖像預處理流程如圖7所示：

圖7 圖像預處理流程圖

4 PCB缺陷檢測

本文針對四種常見缺陷：斷路、短路、毛刺（凸起）、缺損（凹陷）進行檢測研究。在這四種缺陷中，最為嚴重的缺陷類型是斷路和短路，它們將會使整塊板子失去本來的功能；而凸起、凹陷也可能影響到PCB在使用過程中的穩定性能。如圖8所示為幾種常見的缺陷：

圖8 常見電路板缺陷

4.1 PCB缺陷的檢測方法

常用的PCB缺陷檢測方法有參考法和非參考法兩種。要是從概念理解和電路難易程度看，參考法明顯更加具有概念直觀、電路簡單的優勢；要是從檢測所需要的條件來看，非參考法則在不需要待測PCB與標準PCB進行準確對準這一點上優于參考法。

本課題采用參考法進行PCB缺陷檢測。

使用參考法對PCB缺陷進行檢測的流程為：（1）確定標準的PCB圖像并放入參考庫；（2）通過成像設備采集待測PCB圖像，進行圖像預處理之后，再二值化PCB待測圖像，并對其進行連通域提??；（3）然后將處理結果與標準圖像進行對比，利用圖像相減來判斷PCB可能存在的缺陷；（4）進行分類，確定缺陷類型。

4.2 圖像連通域

像素是圖像中最小的單位，每個像素周圍有8個鄰接像素，常見的鄰接關系有兩種：4鄰接與8鄰接。4鄰接一共4個點，即上下左右。包括對角線位置的點，8鄰接的點一共有8個，如圖9所示：

圖9 領域示圖

如果像素點A與B鄰接，我們稱A與B連通，即有如下的結論：

如果A與B連通、B與C連通，則A與C連通。在視覺上看來，點與點相互連通，形成一個區域，而不是連通的點形成不同的區域。這種相互立體的所有的點，我們稱為連通區域。連通區域標記常用的方法有Two-Pass（兩遍掃描法）和Seed Filling（種子填充法）兩種方法，本課題主要介紹第二種。

Seed Filling來源于計算機圖形學，通常應用在填充圖形上。思路：以一個前景像素當作種子，而后在處于同一像素值且位置相鄰的連通區域，把和種子相鄰的前景像素融合到同一組像素中，結果將是獲得一個像素集，即連通區域。接下來介紹使用種子填充法實現的連通區域分析法：

第一，重復掃描圖像，當得到當前像素點B（x，y）=1時停止：（1）賦予B（x，y）一個label，并將像素位置作為種子，接著將所有位于該種子周圍的前景像素都壓入棧中；（2）將棧頂像素賦以相同的label值并彈出，接著將全部位于棧頂像素周邊的前景像素都壓入棧中；（3）重復（2）步驟，直到棧為空。此時，圖像B中的一個像素值被標記為label的連通區域便被找到了。

第二，在掃描結束前，重復第一個步驟，由此可以獲得圖像B中所有的連通區域在掃描結束后。

掃描所得的連通域如圖10所示：

圖10 圖像連通域提取

4.3 缺陷識別

缺陷識別具體特征如表1所示：

表1 缺陷特征

缺陷種類 二值圖像面積 連通區域數

斷路 減少 增加

短路 增加 減少

凸起 增加 不變

凹陷 減少 不變

第一，短路和斷路。在出現短路缺陷時，待測圖像與標準圖像相比，其所包含的連通區域數將會減少。同理可得，在出現斷路缺陷時，待測圖像與標準圖像相比，其所包含的連通區域數將會增多。因此，斷路和短路缺陷便可利用比較連通區域數來判定和識別。

第二，凸起和凹陷。凸起缺陷將導致導線和導線、導線和其他導體間的間隙變小，而凹陷缺陷將導致導線和導線、導線和其他導體間的間隙變大，二者均會導致PCB使用過程中出現不穩定狀態。而觀察可知，這兩種缺陷的連通區域相同，差別在于各自二值化面積的大小，所以可以通過計算該待測圖像的連通區域面積來識別凸起、凹陷缺陷。

識別過程：將經過圖像預處理的待測PCB圖像與標準圖像進行對比后，通過算法找出缺陷。比較二者的連通區域數，若前者大于后者，則標定該缺陷點為斷路，反之則為短路；若二者連通區域數相同，則比較二值化圖像面積，若前者大于后者，則標定該缺陷點為凸起，反之則為凹陷。檢測流程如圖11所示：

圖11 PCB缺陷檢測流程圖

5 系統實驗

本文使用CNC-T程控光源高精度影像測試系統操作臺，結合VS2010軟件基于OpenCV計算機視覺庫的算法編程來實現PCB的缺陷檢測。整體實驗過程為：手動控制操作臺捕捉、聚焦、采集待測PCB的圖像，采集到的圖像與標準圖像進行對比、識別，得出缺陷種類并顯示結果。

本課題一共就所研究缺陷類型，做了40組實驗，通過實驗結果計算正確率。如表2所示：

表2 實驗結果統計

缺陷類型 實驗次數 正確率

斷路 10 100%

短路 10 100%

凸起 10 100%

凹陷 10 100%

針對不同電路板圖中出現的同種斷路類型進行檢測，效果如圖12a、圖12b、圖12c所示，可準確檢測出缺陷存在。

圖12

針對不同電路板圖中出現的同種短路類型進行檢測，效果如圖13a、圖13b、圖13c所示，可準確檢測出缺陷存在。

圖13

針對不同電路板圖中出現的同種凸起類型進行檢測，效果如圖14a、圖14b、圖14c所示，可準確檢測出缺陷存在。

圖14

針對不同電路板圖中出現的同種凹陷類型進行檢測，效果如圖15a、圖15b、圖15c所示，可準確檢測出缺陷存在。

圖15

6 結語

PCB板面向體積越來越小、密度越來越高的方向發展。在檢測產品價格方面，國外AOI檢測產品價格普遍偏高，而由于經濟原因，在國內PCB板生產制造商多數仍采用人工目測等傳統檢測方法檢測。隨著經濟的發展，數字圖像處理研究的深入，自動光學檢測系統也開始頻繁活躍在人們視線中，但在PCB缺陷檢測方面的應用卻還有待完善。因此，本論文建立在深入掌握工控系統結構并從PCB板的質量標準、圖像特點、缺陷特征及檢測要求的分析基礎上，對以圖像處理為基礎的PCB缺陷檢測技術進行了深入研究。由于PCB缺陷自動檢測系統的研究涉及多個領域的知識，其研究過程十分耗時、繁瑣，由此，本論文僅僅對PCB缺陷檢測中較為常見的問題進行了較深入研究，并且僅搭建了較為簡單的PCB缺陷自動檢測系統的實驗平臺，對PCB中的四類較為關鍵、常見的缺陷進行檢測、分析、識別、判定。雖然還未實現真正實現工業上產業化檢測，但是在未來幾十年中，研究推廣的PCB缺陷自動檢測系統將有十分良好的應用前景，也將有高額的經濟收益。

參考文獻

[1] 陳勝勇，劉盛，等.基于OpenCV的計算機視覺技術實現[M].北京：科學出版社，2008.

[2] Gary Bradski，Adrian Kaebler，于仕琪，等.學習OpenCV[M].北京：清華大學出版社，2009.

[3] 周長發.精通Visual C++圖像處理編程（第3版）

[M].北京：電子工業出版社，2006.

[4] 黨振.中國大陸PCB產業的現狀與未來[J].印制電路信息，2006，32（1）.

[5] 胡躍明，譚穎.自動光學檢測在中國的應用現狀和發展[J].微計算機信息，2006，（4）.

[6] 李漢，何星，等.印刷電路板的自動光學檢測系統

[J].無損檢測，2004，26（6）.

[7] 張利，高永英，等.PCB板檢測中的定位研究[J].中國圖像圖形學，1999，4（8）.

[8] 姚立新，張武學，等.AOI系統在PCB中的應用[J].電子工業專用備，2004，（5）.

[9] 范小濤，夏雨人.一種基于圖像處理的PCB檢測算法研究[J].計算機工程與應用，2004，（13）.

[10] 傅莉.印制電路板的發展及前景[J].電腦與電信，2010，（5）.

[11] 張明軒.基于視頻序列的人臉檢測與跟蹤算法研究[D].中北大學，2011.

[12] 張馳.基于機器視覺的智能控制與圖像識別問題研究[D].蘭州理工大學，2009.

[13] 謝飛.基于計算機視覺的自動光學檢測關鍵技術與應用研究[D].南京大學，2013.

[14] 張靜.PCB表觀缺陷的自動光學檢測理論與技術

[D].電子科技大學，2013.

[15] 俞瑋.AOI技術在PCB缺陷檢測中的應用研究[D].電子科技大學，2007.

[16] 趙兆.Visual C++在數字圖像處理中的應用[J].現代計算機（專業版），2011，（11）.

作者簡介：孟繁麗（1977-），女，吉林白山人，天津職業技術師范大學控制理論與控制工程專業學生，高級講師，工程碩士在讀，研究方向：工業電氣控制技術。

（責任編輯：黃銀芳）