基于加權SSIM算法的PCB元件缺陷檢測

喬 羽，沈精虎，于 騰，安 帥，孫 愷

（1.青島大學 機電工程學院，青島 266071；2.青島大學 電子信息學院，青島 266071）

0 引言

PCB的自動檢測在電子制造業的發展中起著重要的作用。最常用的檢查系統是AOI[1～3]系統和自動X射線檢查（AXI）[4～7]系統。PCB組件安裝技術包括表面貼裝技術（SMT）和通孔（TH）技術。迄今為止，對TH元件檢測的研究很少[8]。TH元件比SMT元件更難檢測，因為一些TH元件較大會覆蓋其他組件，并且一些元件的安裝變動范圍較大。PCB缺陷可分為裸板缺陷[9～11]、元件缺陷[12]、焊點缺陷[13～15]等。

CRISPIN等[16]提出了一種基于歸一化互相關模板匹配的遺傳算法，這種方法可以定位SMT元件的位置和角度，這種方法的速度是空間遍歷搜索的六倍。GANAVI等人[17]利用背景提取、模板匹配和小波變換實現了PCB缺陷的檢測和分類，缺點是它對模板和待測試圖像的對準精度要求很高。馮等人[18]提出了一種利用遺傳編程（GP）算法訓練GP檢測器的新方法，該方法不需要PCB元件的原始坐標，也不需要嚴格的照明系統，并且可以在不同類型的板上工作而不需要再訓練。SunDaJ等人[19]提出了一種使用彩色背景提取判別缺陷的解決方案，雖然這種方法可以檢測較大面積的PCB，但它需要高分辨率的攝像機以及標準板和待測試板之間的理想對準。李[20]對PCB圖像的拼接算法進行了改進，并對權重檢測算法進行了研究，其優點是檢測PCB元器件的速度快、精度高。目前所提出的檢測PCB缺陷的技術很大程度上依賴于嚴格的照明系統[21～23]。

本文主要研究TH元件的缺陷檢測。我們的方法是：首先采集一批標準PCB圖像，并對圖像進行對準，然后訓練模板元件，最后將模板元件與待測試的組件進行比較定位缺陷。該方法用較少的標準PCB對標準模板進行訓練，在實驗中使用了6個標準PCB，得到了理想的結果。事實上，使用其他數目的標準PCB也可能會得到理想的結果，需要通過實驗驗證。

我們的工作主要包括兩個核心部分，第一部分是訓練模板元件。第二部分是利用加權SSIM算法檢測丟失的元件和錯件。檢測大體過程如圖1所示。

圖1 整體流程圖

在進行PCB對準時，我們使用結構化邊緣檢測（SED）算法和Harris算法提取PCB的兩個特定點。根據PCB板的原始信息，將圖像調整到相應的位置和大小。這種方法可以在沒有嚴格的照明環境或者高分辨率工業相機的情況下達到高精度。

得到對準的PCB之后，提取標準元件和待檢測元件。通過訓練標準元件得到元件權重矩陣，并采用結構相似性指數（SSIM）算法來計算平均元件和待檢測元件的相似度矩陣，然后將相似度矩陣和權重矩陣相乘并通過歸一化處理，對于每個待檢測元件得到一個最終的相似度值。最后給通過給定的閾值判別元件是否存在缺陷。

下文第1節描述了PCB權重矩陣訓練方法。第2節討論了加權SSIM算法。第3節為實驗部分。第4節為結論和展望。

1 權重矩陣

從六個標準PCB圖像中提取元件圖像如圖2所示，并根據它們計算元件平均圖，如圖3所示。訓練權重圖，訓練結果如圖4所示。

圖2 六個標準元件圖像

圖3 元件平均圖像

圖4 元件加權圖

訓練過程：首先，輸入六個標準元件灰度圖像。然后，將元件圖像的大小縮小四倍，以簡化計算過程，提高運算速度。最后，計算元件的方差和權重圖。

方差通過式(1)計算：

其中E（Xk（i，j）是前k幅圖在像素點（i，j）處的一階均值：

方差值反映了像素灰度值的變化。方差越小，樣本集（i，j）的灰度變化范圍越小，則該點可以更好地反映該點的特征，并且應該給予較大的權重。

本文用標準正態分布給出了權系數，即：

2 加權SSIM算法

圖像對比是AOI系統中常用的一種檢測方法。該技術的基本原理是比較標準模板和待測試元件之間的像素信息，然后根據預設的閾值判斷是否存在缺陷。傳統技術編程簡單，操作速度快，但假陽率高。本文在傳統技術的基礎上，進行了改進工作。提出了一種將權重矩陣與像素SSIM相似度矩陣相乘的新方法，較好地反映了兩元件圖像的相似度信息。

2.1 加權SSIM算法流程

1）將圖4的六個元件的彩色圖像求平均得到如圖2(b)所示的均值圖像；

2）采用滑窗法，計算每個窗口位置的待檢測圖像和均值圖像的SSIM矩陣，滑窗的目的是為了匹配到TH元件的準確位置；

3）權重矩陣和SSIM矩陣相乘；

4）歸一化加權的SSIM矩陣，使矩陣的每一個元素的變動范圍為0～1；

5）對歸一化的加權SSIM矩陣求均值；

6）根據給定的閾值判別待檢測元件是否有缺陷。流程如圖5所示。

圖5 缺陷判斷流程

2.2 SSIM介紹

常用的相似度計算技術有：歐式距離、曼哈頓距離、閔可夫斯基距離余弦相似度、JACARD相似度、皮爾森相關系數等。SSIM在PCB檢查中很少使用，但是經過實驗發現SSIM算法較適合PCB元件的缺陷判斷。人類視覺系統對掌握結構信息具有良好的適應性。SSIM從亮度、對比度和結構三個方面估計圖像的視覺質量這和人類視覺系統相似。

對于SSIM算法，首先我們需要計算亮度對比參數L（x，y）：

其中μx和μy是兩幅灰度圖像的均值。常數c1的設定是為了避免當接近0時候公式無意義。并且，c1=(k1.l)2，其中l圖像的灰度值的取值范圍，并且l=255，k1=0.01。

對比度比較參數C以類似的方式計算：

其中σx和σy是灰度圖像的標準差。其中c2=（k2.l），并且k2=0.03。

S代表結構對比參數：

其中σxy是灰度圖像的協方差。

SSIM值由下式得出：

其中α，β，γ＞0，為了得到簡化形式，我們設定：α=β=γ=1，并且c3=c2/2。SSIM的最終形式如下：

3 實驗分析

本節分析了上述方法的實用性。首先搭建實驗環境，然后開發檢測系統，進行實驗以及對比研究。

3.1 實驗環境

本實驗采用五百萬像素分辨率的CCD相機固定在測試平臺的中心頂部。為了解決照明不均勻問題，搭建了一個簡單的黑箱，該系統配備了統一的分布式白光LED燈。黑箱的要求不嚴格，只要它能隔絕大部分環境光。基于Windows 10操作系統，該方法是在MATLAB 2016A環境下開發的，對PCB板進行了訓練和測試。

3.2 結果和對比

實驗結果如圖6(a)～圖6(c)所示。缺件和錯件的區域用紅色矩形標記。

接下來的實驗比較了加權和傳統SSIM滑動窗算法。選擇圖6所示PCB中的六個元件A、B、C、D、E、F分別計算缺件、錯件和無缺陷情況下的相似度值。

表1列出了傳統SSIM算法實驗數據。在我們的實驗中，前兩個待測PCB用正確的元件組裝起來。第三和第四個待測PCB在所有的A～F位置不組裝元件。第五個待測PCB裝配在A～F位置組裝錯誤的元件。

表2列出了加權SSIM算法的實驗結果。實驗手段類似于上一個實驗。唯一的區別是，這個測試使用的是加權SSIM算法，而不是傳統的SSIM算法。

為了對比實驗數據，根據表1和表2中的數據將實驗結果繪制成折線圖，如圖7和圖8所示。

通過試驗發現0.43是適當的閾值。從這兩幅折線圖可以很明顯的得出結論，加權SSIM比傳統的SSIM算法判斷缺陷更準確。

圖6 實驗結果

表1 SSIM傳統SSIM算法的實驗數據

表2 SSIM加權SSIM算法的實驗數據

圖7 傳統SSIM實驗數據

4 結論

本文提供了一種解決現有光學檢測技術局限性的解決方案，并提出了一種針對插件PCB的錯件和缺件的檢查方法。該檢測系統提出了一種一種PCB元件缺陷判斷算法——加權SSIM算法。這種方法的優點如下：

1）只需要很少的標準的PCB完成訓練工作，在實際適用中，便于操作，節省編程時間。

2）該方法檢測錯件和漏件準確。

這種方法缺點是滑窗的缺點是運行速度較慢。本文只給出了錯件和漏件的檢測方案，其他類型的缺陷檢測（如字符檢測、SMT元件缺陷檢測、焊點缺陷檢測等）也可以嘗試用加權SSIM算法進行檢測。