基于輪廓提取的電路板缺陷檢測

劉西鋒，胡玉薇

(北京京儀儀器儀表研究總院有限公司，北京 100078)

0 引言

隨著電子產品向多功能、小型化、輕量化方向的發展，下一代的電子產品對印制電路板要求將突出表現為更加高密度化、精細化和微小孔化，這使得PCB的質量檢驗工作越來越具有挑戰性。目前用于PCB檢測的方法主要有人工視覺檢測、自動光學檢測AOI(automatic optic inspection)[1-2]、自動X射線檢測AXI(automatic X-ray inspection)[3-4]。對于多層印刷電路板的仿制與檢測，AOI技術僅僅能檢測產品的外部特性，在生產過程中每完成一層的生產需要進行檢測一次。較早應用的X射線DR (digital radiography)檢測盡管可以提供高清晰度的透視圖像，但由于深度方向上的信息重疊也無法對電路板內部結構缺陷進行檢測。隨著X射線CT技術在醫學領域的出現，研究者們將類似的方法CL(computer laminography)應用于工業領域部件缺陷的檢測[5-6]。

近年來，研究者提出了很多PCB缺陷檢測算法，Wen-Yen Wu[7]等人提出了一種模板匹配算法。Jf Borba等采用非參考法進行電路板的缺陷檢測[8]。 Mogharrebi M等人使用神經網絡算法對印刷電路板缺陷進行檢測[9]。參考比較法是目前使用最廣泛的方法，但是這種方式的檢測精度不高，運算速度慢，某些特定種類的缺陷分析起來比較困難。基于數學形態學建立偽標準板的方法過程簡單、速度快，但對于大缺陷，由于結構元素的窗口尺寸過大，在生成偽標準板的過程中會造成腐蝕或膨脹過度。針對這些檢測方法的不足，在X射線計算機分層成像的基礎上提出了一種基于輪廓提取的PCB裸板缺陷檢測方法，算法結合圖像對比技術，通過圖像預處理、圖像對比和缺陷檢測算法，實現了快速、穩定、可靠的PCB檢測。

1 檢測系統流程

圖1所示為多層印刷電路板檢測系統框圖。首先利用X射線圖像采集設備分別采集到PCB標準板和待測板的投影圖像，得到的投影圖像通過板狀結構的濾波反投影FDK(feldkamp-davis-kress)重構算法，得到PCB標準板和待測板的分層圖像。對標準圖進行中值濾波以濾除噪聲平滑圖像，然后保存標準圖。檢測時打開被測圖，首先進行濾除噪聲等預處理，然后通過定位圓進行圖像配準；通過圖像分割分離電路板背景和線路焊盤等特征，再做差影運算。由于圖像配準時不能完全做到像素一一對應以及閾值分割得不完美，將引起差影變換后的二值圖可能存在非缺陷部分。如果不能把這些部分去除，會造成誤檢，所以還需要進行形態學的變換來濾除噪點。最后則對分離出來的缺陷目標進行缺陷類型識別。

圖1 多層電路板缺陷檢測系統框圖

1.1 圖像配準

a) 定位圓的檢測

利用工業計算機分層成像技術得到電路板某一層的標準圖和待測圖，分別進行圖像預處理后要進行圖像配準。在圖像配準中特征點提取是關鍵的一步，待測圖與標準圖的匹配通常采用設置定位標志來解決，在PCB板設計的過程中，設計者會在板上添加定位孔方便生產及測試過程中的定位。這樣在圖像配準時首先提取板上定位孔的位置尺寸特征，然后通過圖形在標準圖和目標圖板上的幾何位置差異進行縮放、平移和旋轉的幾何操作來實現待測圖與標準圖的像素一一對應。

實驗中選用隨機Hough變換對PCB板中的定位圓進行檢測。隨機Hough變換的過程，通過先對圖像進行灰度化、去噪、邊緣檢測以及形態學運算等預處理，在圖像空間隨機選取不共線的三個點并將其映射成參數空間的一個點，構成多到一的映射，即通過使用多維數組代替循環計算進行Hough變換，隨機Hough變換與傳統Hough變換相比，降低了內存需求避免了量化參數空間，可以提高檢測速度與準確率。對電路板某一分層圖像的標準圖和待測圖進行定位孔的檢測結果如圖2所示。從圖中可以看出通過隨機Hough變換能夠很好地檢測到電路板上的定位圓。

圖2 定位圓檢測結果

b) 幾何變換

提取定位圓的位置尺寸特征后通過圖形在標準圖和目標圖板上的幾何變換來實現待測圖與標準圖的像素一一對應。假設A(x1，y1)，B(x2，y2)為標準板定位圓的圓心坐標，A′(x3，y3)，B′(x4，y4)為待測板定位圓圓心坐標。標準板和待測板上都有定位圓，因此待測圖的大小位置偏差可以通過幾何變換進行調整，調整步驟為：

3) 計算待測圖像的邊界位置，并根據位置信息將待測圖像目標區域提取出來。如果待測圖像2個定位圓心的坐標分別為A′(x3,y3)、B′(x4,y4)，則待測圖像被提取目標區域的x軸方向邊界坐標分別為x3-x1、x4-x2，y軸方向邊界坐標分別為y3-y1、y4-y2。

1.2 圖像分割

在對處理后的圖像數據進行缺陷識別前，圖像分割是最重要的步驟之一，是由圖像處理過渡到目標識別的關鍵，其主要目標是將圖像劃分為目標區和非目標區。當一幅圖像含有較多背景，且背景不均勻的時候，采用全局閾值并不能較好地分割前景目標。如果通過頂帽變換先去除背景，得到較均勻的前景目標后再進行閾值分割，這樣會得到較為理想的分割結果。圖像的白頂帽變換(white top-hat，WTH)定義為原始圖像f與其開運算圖像γ(f)的差，即：

WTH(f)=f-γ(f)

(1)

將圖像先進行對比度增強，再進行白頂帽變換，最后利用迭代閾值的方法對圖像進行分割。圖3所示為經過處理后采用迭代閾值分割的結果，從圖中可以看出經過對比度增強和頂帽變換后的圖像背景更加均勻，受到黑色偽影影響的區域可以明顯看出偽影對導線的影響基本消除。因此在對電路板圖像分割時可以利用頂帽變換的方法消除背景中不均勻的圖像，再利用閾值分割的方法進行圖像分割。

圖3 標準圖和待測圖分割效果

1.3 缺陷檢測

對于分割后的圖像，找出待測圖與標準圖的不同之處最有效的方法就是對二者進行差影運算，對差影后的圖像進行形態學處理以便消去非缺陷部分的噪點得到缺陷圖像，最后根據缺陷的輪廓特征對其類型進行判斷。PCB中常見的缺陷類型包括短路、斷路、毛刺、缺損、空洞、多余物6類。經過分析研究發現在這6種缺陷類型中，根據缺陷閉合邊界外側與相鄰區域的關系不一樣，可以把缺陷邊界輪廓分成不同的段數，短路缺陷閉合邊界由于有2段和覆銅相鄰，有2段和背景基板相鄰，所以短路的邊界輪廓分段數為4。同理，斷路邊界輪廓分為4段，毛刺和缺損為2段，多余物和空洞為1個閉合區域，即1段。同時，短路、毛刺、多余物屬于待測板比標準板多一些結構，而斷路、缺損、空洞屬于待測板比標準板少一些結構。根據上述2個特征可以對常見的缺陷類型進行明確的分類。

首先通過輪廓提取獲得缺陷區域的分段數。選取坐標原點，本文以缺陷圖像的左上角為原點，對缺陷圖像使用2×2的方形結構元素膨脹處理，再進行輪廓提取，將獲取的分類邊界各點坐標值依次存放在一個二維數組B之中。設定初始分段數變量N=1，按照數組B中的坐標值返回I0中，記下第一點像素值E1(0或1)，依次判斷邊界坐標在I0中對應點的像素值，設第i點像素值為Ei(i= 1, 2, 3,....,n)，當像素值變換一次，N=N+1，直至終止點，記下終止點像素值為En。若N=1，則N1=N=1；若N≠1 且En≠E1，則N1=N；若N≠ 1 且En=E1，則N1=N-1。根據局部圖像的邊界輪廓分段數N，完成第一步識別。若N=4，則識別為短路或斷路，記為1類缺陷；若N=2，則識別為毛刺或缺損，記為 2 類缺陷；若N=1，則識別為多余物或空洞，記為3類缺陷。 最后根據缺陷為多料或缺料確定缺陷類型。對1類缺陷，若多料，則為短路，反之斷路；對2類缺陷，若多料，則為毛刺，反之缺損；對3類缺陷，若多料，則為多余物，反之空洞。

2 實驗結果及分析

根據上述圖像處理流程和缺陷識別算法，利用Visual C++編寫實現電路板缺陷的自動檢測和標記。由于采用X射線分層成像技術對電路板各層分別成像，在缺陷識別和處理的過程中可以對多層電路板的每一層分別進行處理，實現了內部結構的分析和處理。選取電路板的其中一層通過上述缺陷識別算法對不同類型的缺陷進行了識別，存在缺陷部位的局部圖如圖4所示。為了更直觀地將 PCB 板上的缺陷顯現給用戶，對缺陷進行分類后需要對其進行準確的位置和類型標記。通過最小外接矩形法求矩形中心，然后對缺陷進行標記。從圖中可以看出該檢測系統對圖像中的缺陷進行了查找，并在相應位置進行了缺陷類型標記，可以檢測出短路、斷路、缺損、空洞、毛刺、多余物等缺陷，并通過圖像標記直觀地展示給檢測員。

圖4 缺陷檢測輸出結果

3 結語

本文在計算機分層成像的基礎上結合圖像處理技術開發了一套多層電路板缺陷檢測系統。介紹了本系統的主要組成部分，重點介紹了檢測過程中的定位圓檢測、圖像分割、缺陷識別的算法。由于采用分層成像技術對電路板內部結構進行層析，解決了現有PCB板檢測方式中對于中間層缺陷檢測困難的問題。從檢測結果可以看出基于輪廓特征提取的方法能夠檢測出電路板大部分的缺陷，同時以圖形的方式進行直觀地顯示，實現了高效智能的檢測要求。

參考文獻:

[1] Mar N S S, Yarlagadda P K D V, Fookes C. Design and development of automatic visual inspection system for PCB manufacturing[J]. Robotics and Computer-Integrated Manufacturing, 2011, 27(5):949-962.

[2] Hairulliza M J, Kumaran K , Noraidah S. Visualising Automatic Product Inspection of PCB Units[C]. Selangor: International Conference on Electrical Engineering and Informatics, 2009.

[3] Roh Y J, Park W S, Cho H. Correcting image distortion in the X-ray digital tomosynthesis system for PCB solder joint inspection[J]. Image & Vision Computing, 2003, 21(3):1063-1075.

[4] Yu Wang, Mingquan Wang, Zhijie Zhang. Microfocus X-ray printed circuit board inspection system[J]. Optik ,2014,125:4929-4931.

[5] Gondrom S, Zhou J, Maisl M, et al. X-ray computed laminography: an approach of computed tomography for applications with limited access[J]. Nuclear Engineering & Design, 1999, 190:141-147.

[6] Fu Jian, Jiang BaiHong , Li Bin .Large field of view computed laminography with the asymmetric rotational scanning geometry[J]. Technological Sciences,2010,53(8):2261-2271.

[7]Wu W Y, Wang M J J, Liu C M. Automated inspection of printed circuit boards through machine vision[J]. Computers in Industry, 1996,95:103-111.

[8] Borba J F, Facon J. A Printed Circuit Board Automated Inspection System[C]. Circuits and Systems,1995,Proceedings,Proceedings of the 38th Midwest Symposium on, 1995:69-72.

[9] Mogharrebi M, Prabuwono A S, Sahran S, et al. Missing Component Detection on PCB Using Neural Networks[M]. Advances in Electrical Engineering and Electrical Machines. Springer Berlin Heidelberg, 2011:387-394.