基于機器視覺的電子元器件質量檢測技術研究

員佩 袁娜

引言

現階段，電子制造業發展迅速，電子元器件發展速度不斷提升，微型化已經成為主要發展方向，而電子元器件質量檢測的難度也隨之提高，對元器件各方面提出嚴格要求。傳統人工質檢辦法在應用時，工作效率不高，經常被主觀因素影響，出現錯誤的概率較高。對此，針對電子元器件的形狀缺陷，應該加強對機器視覺檢測技術的研究與應用，構建完善的質量檢測模型，實現檢測的自動化、標準化目標。

一、機器視覺檢測技術概述

（一）機器視覺檢測技術

機器視覺技術主要是應用相機和圖像處理算法，使計算機能夠感知和理解圖像或視頻中的內容。該技術具有低成本、易實現等優點，即便是在惡劣環境中，也可以將檢測任務順利完成，檢測速度快，檢測結果精準度高。近年來，在計算機硬件設備性能的不斷優化下，加之數字圖像處理技術愈發成熟，技術應用的范圍愈發廣泛。

20世紀50年代，機器視覺第一次被提出，并嘗試在二維圖像的識別以及分析工作中使用。發展到70年代，機器視覺技術得到快速發展，國外一些重點大學紛紛開設與“機器視覺”相關的課程。90年代末期，我國引進機器視覺技術，經過多年的發展，該技術在我國愈發成熟，技術水平已經在全世界遙遙領先。

（二）機器視覺檢測技術的應用優勢

機器視覺技術在電子元器件質量檢測中有許多顯著的優勢，諸如高精度、高效率、全面性、自動化和追溯性等，可以為電子行業提供一種可靠、先進的質量檢測方法。

（1）高精度、高效率。與傳統的人工檢測方法相比，在電子元器件質量檢測中，強化對機器視覺技術的應用，具備可靠和高效的優點，可提高生產效率和降低人力成本[1]。

（2）全面性。在電子元器件質量檢測中，涵蓋的內容較多，諸如外觀缺陷、尺寸偏差、組裝錯誤等。在機器視覺技術的支持下，可以確保產品的質檢符合標準要求，讓質量檢測更具有全面性，減少因質量問題帶來的損失和風險。

（3）自動化。將機器視覺技術應用在電子元器件質量檢測中，能夠處理大量的數據，并進行自動化的分析和判斷。通過使用適當的算法和模型，可以快速準確地識別出電子元器件中的問題，如焊接不良、短路等，提前發現潛在問題，并采取相應的措施進行修復和改進，讓電子元器件的質量得到保證[2]。

（4）追溯性。利用機器視覺技術檢測電子元件器的質量，還能實現追溯，對整個檢測過程完整記錄，對每一個電子元器件進行唯一標識和跟蹤，確保產品的可追溯性和質量溯源，從而幫助企業建立完善的品質管理體系。

（5）多元化。機器視覺檢測技術廣泛應用于各個領域，如工業制造、智能交通等。在工業制造領域，機器視覺可以用于產品缺陷檢測、尺寸測量等。在智能交通領域，機器視覺可以用于車牌識別、交通監控等；在醫療診斷領域，機器視覺可以用于疾病檢測、影像分析等。

二、電子元器件產品常見故障分析

電子元器件產品常見故障分析是一個重要的話題，可以幫助檢修人員更好地理解和解決電子產品中可能出現的問題。當前，比較常見的電子元器件產品故障有三種：

（1）電路連接點開路故障。此故障在電子元器件中出現的頻率較高，經分析可知，主要是因為電路連接點可能發生了松動或斷開而導致開路故障，或者連接器插針沒有正確插入、鎖定，也有可能連接點接觸不良引起的。同時電路連接點處的焊點可能會因為溫度變化、機械應力或焊接質量問題而開裂，最終出現電路開路問題。

（2）元器件損壞。當電子元器件接收到超過其承受能力的電流時，可能會發生損壞。這可能是由電路設計錯誤、電源故障或其他外部因素引起的。在安裝、運輸或使用過程中，如果受到劇烈的震動或沖擊，元器件也可能會受損[3]。

（3）軟件故障。這一故障會對電子元器件的質量造成較大影響。在利用電解電容器期間，暴露出較多不良問題，諸如漏電等。但因為故障具有隱蔽性特征，很難被發現，因此無法對元器件進行全面檢測，導致故障不能在第一時間得到處理，故障的蔓延導致電子元器件產品質量下降。

三、基于機器視覺的電子元器件質量檢測技術研究

（一）電子元器件圖像預處理技術

為確保電子元器件質量檢測能有序推進，應該采取預處理圖像，主要從以下幾個方面展開：

（1）圖像畸變校正。在預處理電子元器件期間，圖像畸變校正是比較常見的一種方法，目的是要將鏡頭畸變等因素導致的圖像失真問題徹底消除。在進行畸變校正時，應該對校正需要的圖像樣本全面收集，包括已知形狀、幾何特征等圖像。同時利用相機標定算法，完成相機的標定工作。在這一步驟中，旨在確定相機內部的具體參數，包括主點坐標等，并且要明確外部參數，如相機旋轉等。利用校準板對畸變參數科學估計，校準板上的特定幾何結構可以通過計算與實際幾何結構的差異來確定畸變參數。根據估計的畸變參數，畸變校正需要校正的圖像。此過程可以將圖像中的各個像素作為依據，結合畸變模型，重新進行映射。對校正之后的圖像認真檢查與分析，確定最終的結果能否達到最初標準。可以利用參考物體或者特定幾何結構完成定量評估，對畸變矯正之前與之后的差異進行對比。通過對圖像進行變換，將畸變后的圖像映射回原始狀態。在此過程中，會涉及對圖像進行幾何轉換，如透視變換或徑向畸變校正。透視變換可以校正圖像中的透視畸變，使得平行線在圖像中仍然保持平行。根據具體要求，可以進一步使用其他圖像處理技術，繼續處理校正后的圖像，如去噪、邊緣增強等。這些操作方法可以幫助消除圖像中的畸變，提高電子元器件圖像預處理的準確性和可靠性。

（2）圖像去噪。在獲取圖像期間，因為被環境、硬件質量等因素干擾，圖像噪聲問題出現概率較大。這種噪聲會對有效信息的獲取造成影響，甚至會出現誤檢的情況，因此要做好圖像去噪工作。電子元器件在圖像采集時，噪聲的來源主要有兩種，其一，由于沒有良好的照明條件，加之傳感器溫度高，最終出現噪聲，這種屬于高斯噪聲。其二，電子元器件質量檢測需要在生產車間實現，該環境復雜，經常被電磁影響，致使噪聲產生，此種屬于脈沖噪聲。在高斯噪聲去噪期間，利用非局部均值去噪，計算像素周圍領域的相似度來去除高斯噪聲，用整個圖像的信息進行噪聲估計，可保留圖像細節。針對脈沖噪聲去噪，可以運用數字濾波器，諸如低通濾波器，削弱高頻信號來濾除噪聲。也可以通過多次采樣并對采樣值進行平均，減小脈沖噪聲的影響，提高信號的質量。

（二）基于YOLO網絡的電子元器件檢測與識別

YOLO網絡是目前較為常見的目標檢測算法。在電子元器件檢測和識別過程中，應用此種方式，能夠對輸入的圖像合理分割，讓其形成固定大小的網格，并預測出每一個網格中的位置以及類別。該方法能實時檢測圖像中的目標，適用于對實時性要求較高的應用場景，并且不需要事先提取候選區域，大大減少了計算量。此外，還能檢測出圖像中的多個目標，將它們的位置和類別一起輸出，促進檢測精準度的提高。

（1）網絡結構。利用YOLO網絡，運用區域建議網絡思想清除連接層，之后借助卷積層，對目標框的偏移、置信度精準預測，最終確定元器件目標概率以及具體位置。在利用該檢測方法時，應該通過深度學習網絡，實現多級特征的融合，展現出結構性。同時依照不同細粒度特點，適當增加目標檢測的魯棒性。在對細微特征檢測時，為促進模型檢測能力的增強，還要將多級特征圖整合在一起，完成不同類別的精準檢測。YOLO網絡結構通常是由池化層、卷積層組合而成，在特殊環境中，可以為檢測工作提供輔助，提升檢測的效率與精準度，在規定時間內將檢測工作完成。但是在具體檢測階段，因為采集的圖像以及目標對象單一，所以即便沒有YOLO網絡結構的支持，也能完成后相應工作，節約檢測的時間。

（2）網絡訓練。選擇合適的參數對電子元器件進行網絡訓練。如果選取的參數大，會對網絡訓練的效率產生影響。并且，參數選擇不合理，還會引發收斂難度大的問題。然后選擇適合的數據集，在網絡訓練中，帶有標簽的數據集可以為訓練提供依據。最后選擇損失函數，實現穩定收斂的目的，提升網絡訓練效果。

（三）基于圖像配準的電子元器件質量判定

在電子元器件質量檢測過程中，圖像配準技術可以對圖像快速處理，是目前應用效果較好的技術之一。圖像匹配的目的是要在一大幅圖像將目標元件精準找出來，提升電子元器件質量檢測的精準性和可靠性。在圖像配準期，需要將即將配準的圖像轉換到和標準圖像相同的位置上，讓不同的圖像可以在相同的物理點上逐一相對，最終找出最合適的映射關系，提升電子元器件質量檢測效率。

在圖像配準期間，需要保證模型空間變換的精準性，讓剛性、放射等變換順利完成。同時嚴格依照圖像配準相似的原則，保證模板圖像和度量配準后的圖像具有較高的相似度，加快最佳變換參數的找尋速度。此外，在對參數找尋期間，應用的方式方法必須達到最佳。現階段，比較常見的方法有迭代法、窮舉法等，對電子元器件質量檢測效果的提升有促進作用。

（1）圖像配準步驟。

在電子元器件質量檢測期間，圖像配準技術的應用，需要嚴格依照流程進行，確保檢測結果能達到最佳。

①特征檢測。在圖像配準過程中，此環節是關鍵，與圖像配準的穩定性、精準性密切相關。因此在具體檢測中，檢測的特征應該確保是兩幅圖像共有，并且這一特征對變換的敏感度不高，不會被平移、旋轉等影響。現階段，比較常見的線特征有直線、曲線等，點特征主要包括特殊邊緣點、角點等。

②特征匹配。此過程的目的在明確特征之間的對應關系。在實際匹配中，需要以檢測的特征作為依據，如角點等。針對每個提取出的特征點，準確計算出描述子，應用比較常見的方式有ORB描述子等。在進行圖像特征點匹配期間，采用計算的方式，找出描述子之間的相似點或者距離。因為特征匹配出現錯誤的概率較大，因此要對匹配的結果過濾。依照匹配的特征點，對圖像之間的變換關系科學評估，如縮放、平移等。

③圖像變換。以獲取的幾何變換參數為依據，對需要配準的圖像實施映射，最后在模板圖像的坐標空間中體現。在變換圖像期間，因為受人為等因素干擾，會出現點坐標不是完整像素的問題。針對這一情況，在處理過程中，可以借助插值函數解決，諸如雙線形插值等，但具體應用何種方式還要結合實際情況而定，確保問題能徹底解決。

（2）圖像配準方法

①以灰度信息作為核心的圖像配準方法。在參數空間中，合理使用尋優算法，將相似度最大變換參數精準找出。此方法在應用期間，可以將以往繁瑣的圖像預處理流程簡化。但針對通過旋轉方式轉換過來的圖像配準，需要經過大規模的計算，很難滿足高精準度的要求，并且在非線性形變配準中的適用性不強。

②以變換域信息作為基準的圖像配準方法。圖像在經歷幾何變換過程中，可以直觀體現在相關領域中，借助對圖像估計的方式，計算出在頻域內與之相對的變換參數，最后確定空間域上的幾何參數，提升圖像配準的精準度。在利用此方法進行圖像配準時，能夠對圖像的縮放、平移等作出準確估計，同時對獨立噪聲的敏感度不強。

③以特征信息為基準的圖像配準方法。為提升電子元器件質量檢測的合理性，在圖像配準期間，也可以將特征信息為基準，有針對性地對圖像進行配準，對特征點精準提取。在兩幅圖像中尋找具有相似特征的點來進行對齊，如角點、邊緣點等，然后計算兩幅圖像中特征點的相似性，找到它們之間的對應關系，從而實現圖像的配準。在對變換模型參數獲取后，將匹配圖像和模板圖像對齊后放在相同位置上。此方法的匹配準確度高。

結束語

綜合而言，基于機器視覺的電子元器件質量檢測技術具有準確、快速和可靠的特點，可以大大提高電子元器件的生產效率和質量，減少人為因素的干擾。在今后發展中，隨著機器學習和深度學習等技術的不斷發展，基于機器視覺的電子元器件質量檢測技術將會更加智能化和自動化。因此為提升電子元器件質量檢測效果和水平，應該強化對技術的應用和研究。