基于高分辨率PCB图像的缺陷检测技术研究

分类号：学校代号：１１９１１ＯＤＣ：密级：——学号：２１１０４０３１４９广东工业大学学位论文基于高分辨率ＰＣＢ图像的缺陷检测技术研究林俊指导教师：篮拉教授学科ｆＪ类：王堂专业名称：篮曼皇信息丝堡申请学位级别：亟±论文提交日期：２００７．５论文答辩日期：２００７．５学位授予单位：亡丕王些盍堂摘要摘要目前，ＰＣＢ制造向高密度多层板发展，ＰＣＢ各层板的加工质量对于整板质量影响重大。要保证ＰＣＢ各层板的加工质量，就必须对ＰＣＢ各层板进行质量检测。面对高密度多层板的现代ＰＣＢ产品，采用传统的检测方法已无法满足实际需要，而采用自动光学检测系统能克服传统检测的不利因素，可以提高检测分辨率和精度、提高生产效率，降低生产成本。本研究课题结合学科发展趋势和实际应用需求，在参考大量文献和分析传统的ＰＣＢ图像采集与处理系统的基础上，着眼于研究基于高分辨ＰＣＢ图像的缺陷检测技术，主要进行了以下几个方面的工作：（１）深入了解机器视觉的应用和发展，在分析和总结缺陷自动检测技术的基础上，对基于高分辨率图像的ＰＣＢ缺陷检测的方法进行研究。（２）应用现有的图像扫描系统平台，研究高分辨率图像采集与处理系统的设计，并根据ＰＣＢ图像特点对系统进行改进。（３）研究图像预处理的通用方法，总结图像处理的一般规律，提出了针对高分辨率ＰＣＢ图像实际要求的预处理算法。（４）研究和比较传统的ＰＣＢ缺陷检测算法，深入分析ＰＣＢ缺陷的特征，并根据特征，锌对具体的ＰＣＢ缺陷提出了基于缺陷几何特征的检测和识别算法。（５）在ｖＣ＋＋６．０平台上编写各种算法的程序，将图像采集系统与ＰＣＢ缺陷检测系统软件联合测试，实现在－ＰＣＢ缺陷检测应用。（６）对研发的ＰＣＢ缺陷检测系统进行实验研究，对实验结果和理想结果进行对比分析，根据分析结果对图像处理和检测的算法进行优化，验证其实用性与可靠性，在此基础上探讨进一步提高系统性能与精度的途径。关键词：机器视觉图像处理ＰＣＢ质量检测缺陷广东Ｔ业大学Ｔ学硕十学位论文ＡｂｓｔｒａｃｔＲｅｃｅｎｔｌｙ，ＰＣＢｉｓｄｅｖｅｌｏｐｉｎｇｗｉｔｈｔｈｅｏｒｉｅｎｔａｔｉｏｎｏｆｈｉｇｈ－ｄｅｎｓｉｔｙａｎｄｍｕｌｔｉ－ｌａｙｅｒｓ，ａｎｄｔｈｅｍａｃｈｉｎｉｎｇｑｕａｌｉｔｙｏｆｅｖｅｒｙｌａｙｅｒｗｏｕｌｄａｆｆｅｃｔｔｈｅｑｕａｌｉｔｙｏｆｔｈｅｂｏａｒｄ．ＴＯｅｎｓｕｒｅｔｈｅＰＣＢ’ｓｍａｃｈｉｎｉｎｇｑｕａｌｉｔｙ，ｅｖｅｒｙｌａｙｅｒｓｈｏｕｌｄｂｅｄｅｔｅｃｔｅｄ．ＴｈｅｔｒａｄｉｔｉｏｎａｌｃａｎｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄａｎｄａｌｇｏｒｉｔｈｍｓｎｏｔｍｅｅｔｔｈｅｎｅｅｄｏｆｔｈｅｍｏｄｅｍＰＣＢｐｒｏｄｕｃｔｗｈｉｃｈｉｓｈｉｇｈ－ｄｅｎｓｉｔｙａｎｄｍｕｌｔｉ・ｌａｙｅｒｓ．Ｈｏｗｅｖｅｒ，ｏｎｔｈｅｃｏｎｔｒａｒｙ，ｔｈｅａｐｐｅａｒａｎｃｅｏｆｄｉｓａｄｖａｎｔａｇｅｓｂｒｏｕｇｈｔｂｙＡＯＩ（ＡｕｔｏｍａｔｉｃＯｐｔｉｃａｌＩｎｓｐｅｃｔｉｏｎ）ａｍｅｌｉｏｒａｔｅｓａｌｌｔｈｅｓｅｔｈｅｔｒａｄｉｔｉｏｎｍｅｔｈｏｄｓｓｉｇｎｉｆｉｃａｎｔｌｙ，ｗｈａｔｒｅｓｏｌｕｔｉｏｎ，ｅｎｈａｎｃｅｓｐｒｏｄｕｃｔｉｏｎ．Ａｓｓｏｃｉａｔｅｄｗｉｔｈｏｎａｉｓｍｏｒｅ，ＡＯＩｉｍｐｒｏｖｅｓｔｈｅｐｒｅｃｉｓｉｏｎａｎｄｔｈｅｅｆｆｉｃｉｅｎｃｙｏｆｍａｎｕｆａｃｔｕｒｉｎｇａｎｄｄｅｃｒｅａｓｅｓｔｈｅｃｏｓｔｓｏｆｔｈｅｔｈｅｓｃｉｅｎｔｉｆｉｃｄｅｖｅｌｏｐｔｒｅｎｄａｎｄｐｒａｃｔｉｃａｌａｓａｐｐｌｉｃａｔｉｏｎ，ａｎｄｂａｓｅｄｈｕｇｅｎｕｍｂｅｒｏｆｒｅｆｅｒｅｎｃｅｓｗｅｌｌａｓｔｈｅａｎａｌｙｓｉｓｏｆｔｒａｄｉｔｉｏｎａｌＰＣＢｉｍａｇｅｏｎａｃｑｕｉｓｉｔｉｏｎｔｅｃｈｎｏｌｏｇｙａｎｄｐｒｏｃｅｓｓｉｎｇｓｙｓｔｅｍ，ｔｈｅｒｅｓｅａｒｃｈｗｏｒｋｆｏｃｕｓｅｄｏｎｄｅｆｅｃｔｓｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｓａｎｄａｌｇｏｒｉｔｈｍｓｆｏｕｎｄｅｄｃａｎｔｈｅｈｉｇｈｒｅｓｏｌｕｔｉｏｎＰＣＢｉｍａｇｅ，ｗｈｉｃｈｂｅｄｉｖｉｄｅｄｉｎｔｏｓｅｖｅｒａｌａｒｅａｓ：ｔｈｅｔｈｏｒｏｕｇｈｕｎｄｅｒｓｔａｎｄｉｎｇｏｆｍａｃｈｉｎｅｖｉｓｉｏｎ（１）Ｔｈｒｏｕｇｈａｎｄｔｈｅｈｅｌｐｏｆｓｕｍｍａｒｙｏｆｄｅｆｅｃｔｓｄｅｔｅｃｔｉｏｎｉｎｖｅｓｔｉｇａｔｅｔｅｃｈｎｏｌｏｇｙ，ｔｈｅＡＯＩｓｙｓｔｅｍｗａｓａｐｐｌｉｅｄ邵ｔｈｅｍｅｔｈｏｄｏｌｏｇｙｔｏｔｈｅｄｅｆｅｃｔｓｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍａｎｄｒｅａｌｉｚａｔｉｏｎｂａｓｅｄｏｎｈｉｇｈｒｅｓｏｌｕｔｉｏｎＰＣＢｉｍａｇｅ。（２）Ｖｉａｔｈｅｅｘｉｓｔｅｄｉｍａｇｅｓｃａｎｎｉｎｇｓｙｓｔｅｍｐｌａｔｆｏｒｍ，ｔｈｅｒｅｓｅａｒｃｈｉｍｐｒｏｖｅｄｔｈｅｄｅｓｉｇｎｏｆａｃｑｕｉｓｉｔｉｏｎａｎｄｐｒｏｃｅｓｓｉｎｇｏｎｓｙｓｔｅｍ，ｓｉｍｕｌｔａｎｅｏｕｓｌｙ，ｔｈｅｂｒａｎｄ．ｎｅｗａｌｇｏｒｉｔｈｍａｎｄｉｄｅａｔｉｏｎ，ｗｈｉｃｈＷａｓｂａｓｅｄｏｎｔｈｅｐｈｙｓｉｃａｌｆｅａｔｕｒｅｓｏｆＰＣＢａｎｄｌｏｔｓｏｆｅｘｐｅｒｉｅｎｃｅｅｘｐｅｒｉｍｅｎｔ，ａｔｔａｉｎｅｄｔｈｅｒｅｌａｔｉｖｅｌｙｈｉｇｈｑｕａｌｉｔｙｉｔｃａｍｅｔｏｔｈｅｉｎｖｅｓｔｉｇａｔｉｏｎｏｆｉｍａｇｅｉｍａｇｅｓｉｇｎａｌ．ｗｏｒｋ（３）Ｗｈｅｎｐｒｅｔｒｅａｔｍｅｎｔ。ｔｈｅｒｅｓｅａｒｃｈａｃｏｎｔｒａｃｔｅｄｗｉｔｈｐｒｅｔｒｅａｔｍｅｎｔｎｏｒｍａｌｐｒｅｔｒｅａｔｍｅｎｔａｄｖａｎｃｅｄｈｉｇｈｒｅｓｏｌｕｔｉｏｎＰＣＢｉｍａｇｅｎｏｔａｌｇｏｒｉｔｈｍ．Ａｎｄｔｈｉｓｅｖｏｌｕｔｉｏｎａｒｙａｌｇｏｒｉｔｈｍｏｎｌｙｍｅｔｔｈｅｒｅｑｕｉｒｅｍｅｎｔｏｆｈｉｇｈｃａｌｃｕｌａｔｉｏｎａｍｏｕｎｔｉｎｈｉｇｈｒｅｓｏｌｕｔｉｏｎｉｍａｇｅ，ｂｕｔｇａｉｎｅｄｔｈｅＨｓａｒｉｓｆｉｅｄｏｕｔｃｏｍｅｓ．（４）Ｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｔｒａｄｉｔｉｏｎａｌａｌｇｏｒｉｔｈｍｉｎｄｅｆｅｃｔｓｄｅｔｅｃｔｉｏｎ，ｔｈｅｒｅｓｅａｒｃｈａｐｅｎｅｔｒａｔｅｄｉｎｔｏｔｈｅｇｅｏｍｅｔｒｉｃａｌｃｈａｒａｃｔｅｒｓｏｆＰＣＢ，ａｎｄｔｈｅｎｆｉｇｕｒｅｄｏｕｔｄｅｆｅｃｔｓｄｅｔｅｃｔｉｏｎｎｅｗａｌｇｏｒｉｔｈｍｃｏｎｃｅｒｎｅｄｗｉｔｈｓｏｔｔｗａｒｅｏｎｇｅｏｍｅｔｒｉｃａｌｆｅａｔｕｒｅｓｏｆｔｈｅｄｅｆｅｃｔｓ．ＶＣ＋＋６．０．Ｃｏｍｂｉｎｅｄ（５）Ｄｅｖｅｌｏｐｅｄｔｈｅａｃｑｕｉｓｉｔｉｏｎｔｈｅｐｌａｔｆｏｒｍｔｈｅｉｍａｇｅｐｒｏｃｅｓｓｉｎｇｓｙｓｔｅｍ，ｔｈｅｒｅａｌｉｚｅｄＰＣＢｄｅｆｅｃｔｓｄｅｔｅｃｔｉｏｎｓｙｓｔｅｍａｎｄｔｈｅａｐｐｌｉｃａｔｉｏｎｏｎｉｍａｇｅｓｙｓｔｅｍ，ａｎｄ（６）ＴｅｓｔｅｄｔｈｅｔｈｅＰＣＢｄｅｆｅｃｔｓｄｅｔｅｃｔｉｏｎ．ａｎｄａｍｅｎｄｅｄｔｈｅｉｍａｇｅｐｒｏｃｅｓｓｉｎｇａｌｇｏｒｉｔｈｍａｃｃｏｒｄｉｎｇｔｏｔｈｅｃｏｎｔｒａｓｔｏｆｔｅｓｔｉｎｇｒｅｓｕＲａｎｄＭｅａｌｒｅｓｕｋ．Ｔｈｅｎｄｉｓｃｕｓｓｅｄｈｏｗｔｏｅｎｈａｎｃｅｐｅｒｆｏｒｍａｎｃｅａｎｄａｃｃｕｒａｃｙｏｆｔｈｅｓｙｓｔｅｍａｆｔｅｒｓｙｓｔｅｍ’Ｓｒｅｌｉａｂｉｌｉｔｙａｎｄｓｔａｂｉｌｉｔｙｔｅｓｔｅｄ．Ｋｅｙｗｏｒｄｓ：ＭａｃｈｉｎｅＶｉｓｉｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇＰＣＢＱｕａｌｉｔｙＩｎｓｐｅｃｔｉｏｎＤｅ凫ｃｔｓＤｅｔｅｃｔｉｏｎｍ广东１＝业大学Ｔ学硕十学位论文独创性声明秉承学校严谨的学风与优良的科学道德，本人声明所呈交的论文是我个人在导师的指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，不包含本人或其他用途使用过的成果。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明，并表示了谢意。本学位论文成果是本人在广东工业大学读书期间在导师的指导下取得的，论文成果归广东工业大学所有。申请学位论文与资料若有不实之处，本人承担一切相关责任，特此声明。指导教师签字：穆红论文作者签字：制订之２００７年岁月２３日８０第一章绪论第一章绪论１．１课题研究的背景和意义１．Ｉ．ＩＣＣＤ扫描技术与ＡＯＩ应用概述Ｃｏｕｐｌｅ电荷耦合器件（ＣｈａｒｇｅＤｅｖｉｃｅ，ＣＣＤ）是一种以电荷为信号载体的微型图像传感器，具有光电转换和信号电荷存储、转移及读出的功能，其输出信号通常是符合电视标准的视频信号，可存储于适当的介质或输入计算机，便于进行图像采集、存储、增强、识别等处理。ＣＣＤ传感器的像素集成度、分辨率、几何精度和灵敏度大大提高，工作频率范围显著增加，可高速成像以满足对高速运动物体的拍摄，并以其光谱响应宽、动态范围大、灵敏度和几何精度高、噪声低、体积小、重量轻、低电压、低功耗、抗冲击、耐震动、抗电磁干扰能力强、坚固耐用、寿命长、图像畸变小、无残像、可以长时问工作于恶劣环境、便于进行数字化处理和与计算机连接等优点【¨，在图像采集、非接触测量和实时监控方面得到了广泛应用，成为现代光电子学和测试技术中最活跃、最富有成果的研究领域之一。ＣＣＤ从结构可以分为线阵和面阵ＣＣＤ两种。面阵ＣＣＤ的优点是可以获取二维图像信息，测量图像直观。缺点是像元总数多，而每行的像元数一般较线阵少，帧幅率受到限制，而线阵ＣＣＤ的优点是一维像元数可以做得很多，而总像元数较面阵ＣＣＤ相机少，而且像元尺寸比较灵活，帧幅数高，适用于大幅面高分辨率的图像扫描。目前线阵ＣＣＤ的分辨率已经做得很高，例如，日本东芝公司制造的线阵ＣＣＤ最高象素为１０５５０，法国ＴＨＯＭＳＯＮ公司制造的线阵ＣＣＤ可以达到１２０００，而以色列的卫星的星上相机的ＣＣＤ探测器采用了更长的线阵（为１５０００～２００００像元）。由于制造技术的发展和制造精度的要求不断提高，传统的人工目测（ＭＶＩ）和针床在线测试ＯＣＴ）检测因“接触受限”（电气接触受限和视觉接触受限）所制，已不能适应现在的制造技术发展，基于ＣＣＤ扫描技术的自动光学测试（ＡＯＩ）在工业生产中，已被广泛采用。各工序ＡＯＩ的出现几乎完全替代人工操作，克服广东Ｔ业大学－［学硕士学位论文人工目检的局限性，对提高产品质量、生产效率都是大有作为的。ＡＯＩ与人工检查相比更快更准确，且节省人力成本；ＡＯＩ与ｘ光检查相比，由于ｘ光不能满足电路板尺寸、厚度、重量和周期时间的要求，而ＡＯＩ应用更广。所以，ＡＯＩ可以相对少的成本控制生产质量，减少成本高的回流后返修等。ＡＯＩ的主要生产厂家有英国的ＤｉａｇｎｏＳＹＳ，美国的Ｔｅｒａｄｙｎｅ，日本的Ｏｍｒｏｎ，以色列的Ｏｒｂｏｔｅｃｈ，Ｃａｍｔｅｋ，爱尔兰的ＭＶＴ等公司，国内有明信电子。Ｏｍｒｏｎ公司在ＡＯＩ市场上的占有率较高，Ｏｍｒｏｎ的专利技术ＣＨＳ（ＣｏｌｏｕｒＨｉｇｈｌｉｇｈｔＴｅｃｈｎｏｌｏｇｙ）及自动位置校准是独一无二的技术，它的优越性在于检测准确，误判率低。１．１．２ＰＣＢ缺陷检测现代电子设备性能的优劣，不但受电子元器件本身质量和性能的影响，而且在很大程度上取决于ＰＣＢ（ＰｒｉｍｅｄＣｉｒｃｕｉｔＢｏａｒｄ，印刷电路板）质量的好坏。ＰＣＢ是电子系统中不可或缺的重要组成部分，ＰＣＢ缺陷检测技术是关系到电子系统质量和生产周期的重要环节，得到了国内外专业人士的重视。理想的ＰＣＢ缺陷检测系统要求在加工过程中实现在线实时检测，提高ＰＣＢ的可靠性和生产效率，从而提高电子系统可靠性及生产效率，降低生产成本。对于ＰＣＢ质量的检测，传统采用人工检测和飞针检测。人工检测有以下的缺点：ｌ、不稳定，容易漏检。由于人工检测主观性大，判断标准不统一；人眼检测，眼睛容易疲劳，会造成故障不能被发现的问题。２、效率低下。对于高密度和图形复杂的ＰＣＢ板，人工很难实现快速高效的检测。３、现在设备成本在下降，仍用大量人工检测的话，成本太高。４、数据收集和实时统计困难。与信息化管理要求相比，人工检测难做到大量数据收集和统计。飞针检测主要有以下缺点：由于逐点检测，飞针测试时间很长；因为物理地接触通孔和焊盘，有可能造成板的损伤；在没有焊盘的地方探针会接触到元件引脚，所以可能会错过松脱或焊接不良的元件引脚：探针测试机还限制电路板的尺寸。随着高密度多层印刷线路板的广泛使用，常规的检测技术己经不能满足实际应用的需要。此时，由于视觉检测技术固有的经济、快捷、高效、灵活等优点，２第一章绪论人们开始重视视觉检测技术并将其应用到ＰＣＢ缺陷检测中，逐渐形成了ＰＣＢ缺陷检测技术新的发展方向一ＰＣＢ缺陷视觉检测技术。现在的ＰＣＢ布线密度高，间距小，己经达到用肉眼难以分辨的地步；加上它是大批量生产，而现代生产质量管理越来越要求对零部件、产品进行百分之百的质量检验，而非抽样检查；而且ＰＣＢ正向高密度多层板发展，若在最后一道工序中发现ＰＣＢ有缺陷不能使用，那么代价是相当大的。由于生产现场各种环境因素的影响，加工制造过程中各种误差的存在，电路板在生产制造过程中有可能产生各种各样的缺陷。因此，对ＰＣＢ的光板缺陷进行检测，及时发现错误是降低生产成本和保证电路扳质量的必要环节。ＰＣＢ的缺陷主要有：焊盘缺陷，如短缺垫、缺口、及直径减小、压陷、凹陷、突出等；线条缺陷，如短路、断路、线宽、线距、缺口、尺寸位置错误和孔堵塞等。单靠传统检测方法己无法适应现代大批量、高密度印刷电路板生产的需要，必须研制出一套高性能的自动检测设备取代之。由于ＡＯＩ策略有上述的优点，被广泛应用于ＰＣＢ的缺陷检测，其工作流程为：通过摄像头自动扫描ＰＣＢ，获得ＰＣＢ板的照明图像并数字化，测试的图像数据与数据库中的合格的参数进行比较，经过图像处理，检查出ＰＣＢ上缺陷，通过显示器或自动标志把缺陷显示／标示出来，且可自动向操作者发出信号，触发执行机构自动取下不良组件，进行缺陷分析和统计等功能。ＡＯＩ方法在ＰＣＢ缺陷检测中的典型流程如下：图１－ｌｒｉｇ１－ｌ典型ＡＯＩ应用流程ＴｙｐｉｃａＪＡＯＩＰｒｏｃｅｓｓ广东丁业大学ｔ学硕十掌位论文１．１．３课题研究的背景和意义随着生产与科学技术的迅速发展，对测量方法的精确度、测量效率以及测量的自动化程度的要求也越来越高。传统的检测手段已经在精确度和速度上满足不了高密度ＰＣＢ缺陷检测的实际需要，研究高分辨率ＰＣＢ图像的缺陷自动检测技术显得非常必要。本文应用线阵ＣＣＤ扫描技术，基于ＰＣＢ图像，提出一系列针对具体ＰＣＢ缺陷的检测算法，研究对ＰＣＢ进行动态、高速、高精度的缺陷检测。研究基于高分辨率图像的ＰＣＢ缺陷检测技术的意义在于，它用自动检测代替人工检测的方式，在ＰＣＢ进行后续加工前及时发现错误，降低返修率，达到提高生产效率和产品质量、降低成本的目的。这不仅具有很好的经济价值，更是促进电子工业发展的关键。１．２国内外研究现状及发展方向目酊的ＰＣＢ缺陷检测方法主要有接触式检测和非接触式检测，接触式检测设备又主要有两种形式：针床式和飞针式；非接触式主要方向是ＡＯＩ。接触式在ＰＣＢ发展早期发挥了重要作用，现在则是非接触式特别是ＡＯＩ成了主要的检测手段。ＡＯＩ方法可归纳为三类；基于参考比较的检测方法、非参考检测方法和混合型检测方法。在检测精度上，多数用面阵ＣＣＤ，分辨率不商，也有些用线阵ＣＣＤ，本课题采用每行５０００个点的线阵ＣＣＤ实现高分辨率图像缺陷检测。国外从上个世纪７０年代开始，就开展了基于图象检测技术和ＣＣＤ扫描技术的应用研究。在工业领域，美国、日本、以色列、加拿大、荷兰等国家均投入了大量的人力、物力和财力，并在ＣＣＤ图像扫描检测的研究和应用方面取得了令人瞩目的成果。比如美国ＨＰ公司、泰瑞达（Ｔｅｒａｄｙｎｅ）、日本的ＯＭＲＯＮ公司、以色列等均推出了不同类型的ＡＯＩ自动光电检测系统。在ＰＣＢ检测方面，有美国的Ｃｙｂｅｒｏｐｔｉｃｓ公司，以色列的Ｏｒｂｏｔｅｃｈ和Ｃａｍｔｅｋ，日本的ＡＶＩＯ、ＤＮＳ等。其中０ｒｂｏｔｅｃｈ是最成功也是最早生产ＰＣＢ检测设备的公司，从在中国市场的占有率来说，０ｒｂｏｔｅｃｈ和Ｃａｍｔｅｋ是主要供应商。Ｏｒｂｏｔｅｃｈ的检泓设备高达６０％，面Ｃａｍｔｅｋ的占有率为３０％以上。但从增长情况看，Ｃａｍｔｅｋ的上升速度更快些。检测精度上，Ｏｒｂｏｔｅｃｈ公司的Ｄｉｓｃｏｖｅｒｙ系列有在１００微米下每小时２００多面的高产量，和３５微米线／间距的精度；Ｃａｍｔｅｋ公司的ＤｒａｇｏｎＨＤｌｌ面向高端及大批量生产，能达到精度４第一章绪论３０微米；ＣｈｒｉｓｔｏｐｈｅｒＡｓｓｏｃｉａｔｅｓ公司推出的面向超微细线几何图形的ＰＩ．８７００自动光学检测（ＡＯＩ）系统，可以对线宽小至１２．５微米的几何图形进行检测。国内在ＰＣＢ缺陷检测方面有不少研究成果被提出来，中国电子科技集团公司第四十五研究所的具有自主知识产权的ＪＣ５００，它具有检测高效、准确以及灵活性、自动对准等特性。台湾地区也有高校和研究机构进行这方面的研究工作，研究范围包括印刷电路板的尺寸检测、缺陷辨识和线路检测等。目前台湾工业研究院已经研制成功底片检查机并己经形成产品应用于生产，但是在ＰＣＢ光板检测上仍然没有获得较大进展。国内来看，这类设备大多依赖进口，价格昂贵，且有些操作不适合国内操作人员习惯，而中小型企业的ＰＣＢ板多数没有经过检测，所以ＰＣＢ自动测试设备在中国具有很大的发展潜力。１．３论文的主要研究内容本课题主要研究基于高分辨率ＰＣＢ图像的缺陷检测技术，研发性能价格比较高，实用性比较强的图像采集处理系统，并在现有平台上进行缺陷检钡《技术的方法研究和实验研究。本论文的目标是针对ＰＣＢ检测问题，实现有定位基准情况下的孔位、孔径检测，短路、开路缺陷（－＜１／２线宽）检测，污点、空洞检测等。本文采用的系统基于线阵ＣＣＤ，由精密机械扫描位移控制系统、照明系统、图像采集系统、工业控制计算机和图像检测识别软件组成。本系统要求高速、高精度和高可靠性运行。下面对整套系统各单元作简单介绍【２】：（１）精密机械位移扫描控制系统精密机械位移扫描控制系统主要完成精密工作台微米级精度运动控制、ＰＣＢ的自动定位等功能。控制系统由主控计算机、精密滚珠丝杆、步进电机、运动控制卡、Ｉ／Ｏ接口板等组成，实现一维坐标和外围Ｉ／Ｏ接口控制，保证运动的准确性和快速响应性。（２）光学照明系统光学照明是由ＬＥＤ光源完成的，为测量系统提供一套高稳定光源，使成像系统能获取被测物体的图像信息。其主要功能是控制光源的开关、亮度和照射方向等。广东丁业大学１：学珂ｉ十学位论文（３）图像采集系统由线阵ＣＣＤ（５０００位・７ｕｍ，位扫描频率为１ＭＨｚ）以及实时图像采集接口卡组成。摄像头所获取的视频图像信号传送到图像采集卡，主控计算机将采集的视频图像信号处理后，将结果返回给主控程序，通过显示器就可以对图像进行实时观测并完成其它相应的控制过程。（４）数据处理系统由测试软件配合工控机完成数字信号的实时处理，并将处理结果发送至显示终端。主控计算机是整个控制系统的核心，实现整机数据的采集传送、分析处理功能，并向各部分发出指令，完成机械位移、图像实时采集、图像处理及ＰＣＢ缺陷检测功能。本学位论文应用线阵ＣＣＤ扫描技术，基于高分辨率ＰＣＢ图像，在研究和分析传统图像处理和缺陷检测算法的基础上，针对具体的ＰＣＢ缺陷检测识别问题，主要进行了以下几个方面的工作：（１）深入了解机器视觉的应用和发展，在分析和总结缺陷自动检测技术的基础上，对基于高分辨率图像的ＰＣＢ缺陷检测的方法进行研究。（２）应用现有的系统平台，研究高分辨率图像采集与处理系统的设计，并根据ＰＣＢ图像特点对系统进行改进。（３）研究图像预处理的通用方法，总结图像处理的一般规律，提出针对高分辨率ＰＣＢ图像实际要求的预处理算法。（４）研究和比较传统的ＰＣＢ缺陷检测算法，深入分析ＰＣＢ缺陷的特征，并根据特征针对具体的ＰＣＢ缺陷提出了检测和识别算法。（５）在ｖＣ＋＋６．０平台上编写各种算法的程序，图像采集系统与ＰＣＢ缺陷检测系统软件联合测试，实现ＰＣＢ缺陷检测。（６）开展实验研究，对实验结果和理想结果进行对比分析，验证其实用性与可靠性，在此基础上探讨提高系统性能与精度的途径和方法。综上所述，本论文课题的理论研究与应用研究具有一定的科学前沿性，同时，也具有重要和广泛的实际应用前景。‘第一章绪论１．４本章小结在本章中，首先讨论了基于高分辨率的ＰＣＢ图像缺陷检测技术研究的重要意义及其目的，讨论和总结了课题国内外研究现状及发展趋势，并结合课题应用实际，给出了系统的基本结构，最后说明了本课题的主要研究工作。广东工业大学Ｔ学硕十学位论文第二章高分辨率ＰＣＢ图像采集处理系统的设计对ＰＣＢ缺陷进行光学自动检测和识别，首先就是要获取高质量的ＰＣＢ数字图像。图像采集在整个ＰＣＢ缺陷检测和识别工作中是非常关键的一步，这是因为ＰＣＢ数字图像是整个后续工作的基础。如果采集到的图像不能真实、丰富地表现原电路板的细节，那么对它的检测和识别就不能得出正确的结果【甜。设计出高质量的图像采集系统，通过实验选取合适参数并获得高质量的ＰＣＢ图像是进行图像检测的第一步。２．１系统总体结构及原理机器视觉研究的目的之一就是要寻找人类视觉规律，从而开发出从图像输入到自然景物分析的图像理解系鲥４ｌ。它通过机器视觉产品将被摄取目标转换成图像信号，传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。其模块组成如图２－１所示：图２一Ｉ典型的机器视觉组成Ｆｉｇ．２－１ｍａｃｈｉｎｅｖｉｓｉｏｎｓｙｓｔｅｍ由于机器视觉系统可以快速获取大量信息，而且易于自动处理，也易于同设计信息以及加工控制信息集成，因此越来越受到人们重视。自动光学检测（ＡＯＩ）正是以机器视觉为基础，综合运用图像处理、精密测量、模式识别和人工智能等技术的非接触检测方法。在现代自动化生产过程中，人们将ＡＯＩ系统广泛地用于成品检验和质量控制等领域，如印刷电路板的视觉检查，钢板表面自动探伤【５】，机械零件的自动识别分类【６】’几何尺寸测量，特征／字符识别等。Ｉ第二章高分辨率ＰＣＢ图像采集处理系统的设计本论文采用的基于线阵ＣＣＤ的图像采集处理系统要求高速、高精度和高可靠性运行。其原理框图如图２．２所示：图２・２检测系统结构框图Ｆｉｇ２－２Ｂｌｏｃｋｄｉａｇｒａｍｆｏｒｔｈｅｓｙｓｔｅｍ系统工作过程如下：精密机械步进扫描系统装置将被检测物传输到自动视觉检测工位，并按要求的纵向扫描分辨率控制精密机械位移扫描速度，扫描系统通过接口线路（ＣＣＤ内、外同步扫描信号）向自动视觉检测系统发出准备就绪信号，被检测物图像由ＣＣＤ器件获取后，送入图像采集卡进行数字化，之后传送并存储到工控机，然后对图像进行必要的预处理，包括滤除噪声干扰和图像锐化等，然后依据ＰＣＢ图像处理和检测算法，实现高速自动阈值选取、高精度图像二值化，最后运用缺陷特征检测算法，实现最终的ＰＣＢ缺陷检测、识别目的。２．２光学系统设计在一个ＡＯＩ系统中，位于摄像机前端的部分包括了光学系统和机械系统。光学系统包括照明和成像透镜系统两部分；机械系统指的是送料系统，它把被测工件定位在合适的位置。光学系统对ＣＣＤ的成像质量有着十分重要的意义，它担负着传递目标光学信息的作用，直接影响ＣＣＤ成像系统的工作距离、视场、分辨率、灵敏度和畸变等多项性能参数。尽管有关的硬件、软件、成像和摄像机技术都有了长足的进步，但是在自动视觉检测系统中，照明方式的设计依然是一个十分关键的环节嘲．采用适当的照明方式可以提高系统的精度，增强系统的可靠性，减少系统的响应时间。针对每个特定的应用实例，要选择相应的照明装置，以达到最佳效果。在设计光源时首先要确定需区分的各部分间的不同。从光学的角度讲，这些区别主要９广东Ｔ业大学Ｔ学硕十学位论文体现在【２ｌ：（１）反射系数的不同，是镜面反射还是漫反射；（２）颜色的区别，发送光和反射光波长的不同，会显现出不同的颜色：（３）光的传播介质和折射的不同；（４）物体表面的材质、高度、朝向等的不同。根据这些差异，可以采用不同颜色、强度、方向、直射或漫射等光源使各部分问的区别在采集的图像上明显地表现出来。对于成像测量法，光学系统的作用是将被测物体成像在ＣＣＤ光敏面上。ＣＣＤ对光学系统的基本要求是：成像清晰、透光率强、杂散光少、像面照度分布均匀、图像畸变小、足够的相对孔径等。一般来说，自动视觉检测系统中照明系统的设计应该遵循以下原则【９】：１、确定被测部分或特征，使被测部分或特征清楚的与周围的背景区分开来。例如，使两者的灰度值的差别尽可能地大，尽量增强被测部分或特征的边缘的对比度等。因为与人们可以用透视、阴影、视差和个体经验等线索从图像中得到信息不同，自动视觉检测系统必须使用预先定义好的程序，例如滤波、图像减运算、边缘增强等技术才能从图像中找到所需的信息，所以如果可以把欲检测的物体和背景清楚的分开，那么就可以大大减少了图像处理算法的复杂性，从而减少图像处理的运算时间，也减少了软件开发的时间和难度。在被测物体下面放置深色垫板作为背景，可以增强前景与背景的对比度。２、减少反光。因为ＰＣＢ上的铜箔反光会在二值化时造成背景和目标的混淆，给后续的识别带来很大干扰，所以要尽量采用方向性强的光照，调整好照射角度，减少反光进入镜头。３、尽量减少环境光的影响。白天和夜晚的环境光照变化大，对图像采集会造成干扰，所以要通过增强光照强度和在封闭光照系统下采集图像以屏蔽其他环境光干扰。在ＰＣＢ视觉检测系统中，为了达到实时检测，图像提取的质量是十分关键的，为获得一幅最佳待测图像，让被测物体特征从复杂背景中凸显出来，在２Ｄ量测中使用的照明方法有：（１）正向光源：光源与ＣＣＤ同侧。检测物体表面特征时多采用正向光源。（２）背向光源：光源与ＣＣＤ不同侧，背向光源使被测物体产生对比强烈的轮廓，可用来对物体轮廓尺寸进行检测和ＰＣＢ过孔检测。第二章高分辨率ＰＣＢ图像采集处理系统的设计在高速图像提取时，辅助照明光源的光强大小和稳定性对图像质量影响很大。过弱或过强的辅助光照都会使提取的图像质量变坏，几乎无法进行后续处理。为了获取高品质的待测图像，需要实时调整辅助光源的光强。当光源的光强太大或太小时，会超出摄像机传感器所能处理的范围，从而使输出的模拟信号出现在数据采集条件要求之外，这些灰度级将被简单地置０或２５５，导致不真实地反映被测物体的信息，这样经过Ａ／Ｄ转换后进行数据处理的结果会影响测量的准确度，使误差表现较大。有两种方法使得ＣＣＤ信号保持在线性范围内，一种是通过调节外部光照强度，另一种是通过调整ＣＣＤ感光时间（积分时间）。在本文采用的系统中，有专用软件可以实时观察信号的强度，通过调节光圈和光强并根据软件中的信号反应来调试出最佳的光照和设置适合的ＣＣＤ积分时间。通过图像采集实验发现，单光源的照射会对ＰＣＢ的导线边缘造成失真，所以要通过双向照射的方式对其补偿，以达到较好的效果。Ｉ≥（＝雹Ｆ砥厂画图２－３双光源光照系统Ｆ螗２－３Ｏｐｔｉｃ柚ＳｙｓｔｅｍｗｉｔｈＤｏｕｂｌｅＬｉｇｈｔ通过改进后的光照系统扫描结果与单光源的结果对比如下：广东丁业大学１：学硕士学位论文单光源Ｆ采集的截图图２－４改进光照系统后的结果对比Ｆｉｇ２－４ＲｅｓｕｌｔＣｏｎｔｒａｓｔｏｆＴｗｏＯｐｔｉｃａｌＳｙｓｔｅｍ双光源Ｆ采集的截豳从图２－４比较可以看出，单光源照射下。ＰＣＢ的过孔失真，这会对后续的孔径检测造成干扰，而采用双光源则较好地反映了过孔的真实细节，为后续的孔洞识别提供了较高质量的信息。２．３高分辨率线阵ＣＣＤ２．３．１电荷耦合器件（ＣＣＤ）ＣＣＤ不但具有体积小、重量轻、功耗小、寿命长、工作电压低、不受电磁干扰和抗烧毁等优点，而且在分辨率、动态范围、灵敏度、实时传输和自扫描等方面的优越性，也是其他摄像器件无法比拟的【。”。ＣＣＤ的基本功能是电荷的存贮和电荷的转移，因此，ＣＣＤ的基本工作原理是信号电荷的产生、存贮、传输和检测。ＣＣＤ的主要特性参数包括光敏面尺寸、象素尺寸（相邻象素间距）、分辨率、电子快门速度、同步系统的方式、最小照度、灵敏度、信噪比等。其中摄像机制式和是否在线检测决定了图象采集卡的采样频率，光敏面尺寸、象素尺寸、分辨率以及成像透镜系统的放大率的平衡选择取决于测量范围和测量精度【９】。本研究课题的图像处理系统选用ＴＯＳＨＩＢＡ公司生产的ＴＣＤｌ５０１Ｄ型双沟道二相线阵ＣＣＤ电荷耦合器件作为图像获取设备。其有效像敏单元数为５０００，像敏单元尺寸为７ｕｍ长，７０ｍ高，中心距亦为７０ｍ，像敏区总长为３５ｍｍ，最高驱动频率１２ＭＨｚ。ＴＣＤＩＳ０１Ｄ的原理结构如图２－４所示。它的有效像敏单元分奇、偶两列转移并分别由ＯＳＩ和ＯＳ２端口输出。驱动脉冲由时钟脉冲中ｌ、０２，转移脉冲ｃＰＳＨ，复位脉冲（ＰＲＳ，钳位脉冲中ＣＰ构成。其中钳位脉冲使输出信号钳制在零信号电平上。图２－５ＴＣＤｌ５０１Ｄ原理结构图Ｆｉｇ２－５ＣｉｒｃｕｉｔＤｉａｇｒａｍｏｆｔｈｅＴＣＤｌ５０１Ｄ２．３．２ＣＣＤ驱动时序发生器ＣＣＤ应用的关键是驱动信号的产生及输出信号的处理。对于ＣＣＤ芯片，其转换效率、信噪比等光电转换特性只有在合适的时序脉冲驱动下，才能达到器件工艺所规定的最佳值，从而输出稳定可靠的视频信号。由于ＣＣＤ图像传感器是以时间积分方式工作的，光积分时间可以在很宽的范围内调节．所以输出信号易于进行数字化处理，容易与计算机连接组成实时自动化测控系纠７１。课题中，积分时间控制信号Ｍ０～Ｍ３均为标准ＴＴＬ电平控制，其设置范围为００００～１１１１，分别控制１６档积分时间变换；００００时间最短，１１１ｌ时间最长。实际驱动时间的长短与驱动频率以及ＣＣＤ器件的不同而不同。在不同的积分时间工作下，采样同样一帧信号所用的时间差别很大。对于连续运动扫描的场合，通常要求信号的采样速度快，积分时间要求短，因而在测量时应该在保证曝光量的情况下，将积分时间尽量调小。本课题选用的线阵ＣＣＤ积分时间为ｏｏｏｏ档，驱动频率为最佳工作频率１ＭＨｚ。将该驱动器通过Ａ／Ｄ采集卡与计算机联接，则可以通过软件动态设置积分时间。驱动频率可以通过改变驱动板上的拨广东Ｔ业大学Ｔ学硕十学位论文动开关的相关位的状态进行手工设定。内同步工作方式是用摄象机内同步信号发生电路（晶体振荡电路）产生的同步信号来完成操作；外同步使用一个外同步信号发生器，将同步信号送入摄象机的外同步输入端。课题应用中，用外同步信号可实现在线阵ＣＣＤ与被测物体相对运动加速、恒速、减速的过程中都能进行在运动方向上保持相同位移分辨率的高精度检测。２．４图像采集卡课题中图像采集卡选用天津耀辉光电技术有限公司开发、研制出的基于ＰＣＩ总线的ＡＤＡＩＩＧＨ．ＰＣＩ数据采集卡。其原理功能框图，如图２－６所示：图２－６图像采集卡原理功能框图Ｆｉｇ２－６ＣｉｒｃｕｉｔＤｉａｇｍｎｏｆＩｍａｇｅＡｃｑｕｉｓｉｔｉｏｎＣａｒｄＣＣＤ在驱动脉冲作用下输出的视频信号送到Ａ／Ｄ转换器的模拟信号输入端。驱动器的行同步脉冲ＦＣ和像元同步脉冲ｓＰ分别送到同步控制器的输入端，使同步控制器与线阵ＣＣＤ的输出同步。同步控制器受到计算机软件经ＰＣ总线信号控制的地址总线及地址译码器产生的控制命令工作，产生与像元同步的启动Ａ／Ｄ脉冲，使Ａ／Ｄ转换器在ＣＣＤ输出像元信号的有效时间进行转换。转换结束，转换器产生结束信号脉冲回送给同步控制器，同时将三态数据送到Ａ／Ｄ数据线上。Ａ／Ｄ数据线和存储器的数据线相连。同步控制器接收到转换完信号后，产生写脉冲，写脉冲分别作用于Ａ／Ｄ器件与存储器，使Ａ／Ｄ器件的三态数据线有效，并将其写入地址计算器所指定的存储器空间。数据存储后给地址计数器送一个计数脉冲使１４第二章高分辨率ＰＣＢ图像采集处理系统的设计其加１。然后同步计数器接受下一个ｓＰ信号，进行下一个ＣＣＤ像元的输出信号…．．当Ｎ次转换后（Ｎ为线阵ＣＣＤ的总像元数），地址计数器产生溢出信号。同步计数器得到溢出信号后，通知计算机一行线阵ＣＣＤ的所有像元均已转换完毕，并存储在存储器内。计算机通过软件操作地址总线，控制同步控制器将采集卡上所存的数据读入计算机内存。图像采集卡的性能和主要技术指标如下：●接口ＰＣＩ标准接口●采样精度１２Ｂｉｔ●最高采样频率３ＭＨｚ●大容量缓存３２ＫｂｙｔｅＡＤＡｌｌＧＨ．ＰＣＩ采集卡采用ＡＤ公司生产的高性能ＡＤ器件ＡＤｌ６７２作为核心器件，卡上自带大容量静态缓存；支持多种用户设定功能，这些功能可通过软件设定，其中包括ＣＣＤ驱动器的积分时间，采集行数及采集像元数。积分时间的设定是由接口软件给出，由ＡＤＡｌｌＧＨ．ＰＣＩ采集卡输出至ＣＣＤ驱动器，从而达到控制积分时间的目的。２．５精密机械位移扫描装置及其设置线阵ＣＣＤ摄像机使用的成像器件是线阵ＣＣＤ传感器，一次只能探测物体的一个条状部分，所以要实现二维成像，摄像头和物体必须相对运动，把每次探测到的结果衔接起来以得到完整的面阵图像。高精度机械扫描位移装置就是为此设计的，包括光学平台、电动位移平台、步进电机及其驱动器和步进电机运动控制卡。步进电动机是一种将电脉冲信号转换成角位移或线位移的电动机，其机械角位移和转速分别与输入电机绕组的脉冲个数和脉冲频率成正比。故而，改变脉冲输入，步进电机就可以方便地快速起动、反转、制动和变速。当停止脉冲输入，而让最后一个控制绕组持续地通直流电时，步进电机转子就可固定在最后一个脉冲所控制的角度上，使它具有停车定位的能力。在ＰＣＢ板图像检测应用中，工作台自动运动到摄像头位置，进行图像摄取动作。即使程序已经设置了与这些动作有关的数据，但如果因机械运动精度发生变化等原因，使其中的参数发生了改变，也会导致不能完成正确的检测过程。要实广东丁业大学Ｔ学硕十学位论文现工作台更加精密准确运行，须采用由交流伺服电机驱动精密滚珠丝杆，滚动直线导轨导向和位置闭环控制。本研究课题选用北京集科仪器有限公司生产、研制的０１ＴＳｌ３３１５０电移台（圆导轨＋滚珠螺杆／实测导程１０ｍｍ／实测行程１６０ｒａｍ）、５７ＨＳ２２步迸电机、Ｍ８６０驱动器、ＤＭＣｌ０１运动控制卡。ＤＭＣｌ０１运动控制卡主要特点与参数指标：１．型号：ＤＭＣｌ０１．Ｆ５１２，单轴，步进电机脉冲电压５Ｖ，数字Ｉ／Ｏ电压１２Ｖ；２．一对步进电机控制输出脉冲／方向或正反转两路脉冲（ＰＵＬ／ＤＩＲＣＷ／ＣＣＷ）：３．最大脉冲速度为１６，３８２ＰＰＳ；４．单次定位最长距离２６２１４３步；５．可做点位、连续和归原点运动；６．可选梯型速度和匀速运动模式：７．传动机构『自Ｊ隙补偿；８．光隔离的脉冲输出和传感器接口；９．二个限位开关输入（１２Ｖ）；一个零位输Ａ０２Ｖ）：ｌＯ．八个Ｉｎ／Ｏｕｔ数字Ｉ／０可编程输入输ｆｌ｛（１２Ｖ）：电动位移平台的外观图及其结构图，如图２．７所示：－Ｌｃ＝一囤－固回豇翻开关哩宦并蓑）＾聋游电簪【ｃ：螬酐器蠢嚣女鼹＆簇；：；辞聍徽动开关假位开关）图２—７电动位移平台的外观图及其结构图Ｆｉｇ．２・７Ｓ打ｕｃｔｌｌｒｅＤｉａｇｒａｍｏｆＥｌｅｃｔｒｉｃＥｌｅｖａｔｉｎｇＰｌａｔｆｏｒｍ精密机械扫描位移装置主要参数如表２．１所示：表２－１精密机械扫描位移装置参数表Ｔａｂｌｅ２．１ＰａｒａｍｅｔｅｒｓｏｆＰｒｅｃｉｓｉｏｎｍａｃｈｉｎｅ位移分辨率重复性误差定位精度回零精度最大位移速度扫描分辨率第二章高分辨牢ＰＣＢ图像采集处理系统的设计ｌ０．００２ｍｍ１０．００４ｍｍ１０．００７ｍｍＩ＜０．００１ｍｍＩ３３０ｍｍ／ｓｌ１０００ＤＰＩＩ在采集图像时，先要将步进电机进行回零操作，从起始点开始；然后设置运动速度和方向。步进电机的速度设置很关键，对采集的图像质量影响很大。因为二维图像是由线阵ＣＣＤ的自扫描与精密机械位移平台在与线阵ＣＣＤ相垂直的运动方向上相配合的运动扫描而实现的，而精密机械位移平台运动方向上的物像比例与位移平台的运动速度有很大的关系。如果速度设置不当，会使得扫描失真，采集获得ＰＣＢ图像中的纵横尺寸比例关系发生变化。从多次实验结果来看，将步进电机的位移速度设成１１８０ｐｐｓ，采集效果比较好，获得了比较高质量的ＰＣＢ图像。２．６线阵ＣＣＤ输出信号的采集、获取２．６．１图像信号的采集图像信号的采集与获取是通过前面章节介绍过的图像采集的硬件设备附带的ＳＤＫ开发包完成。通过提供的ＩｃＡＤＡＩ１ＰＣＩ．ｄｌｌ和ＰｌｘＡｐｉ．ｄｌｌ来调用控制采集卡的相关函数来采集获取ＣＣＤ信号。采集程序的过程如下：先调用ｌｃＤｅｖｉｃｅＯｔ，ｅｎ（）函数检测采集卡状态，当确定了采集卡处于工作状态后，调用ｌｃＳｅｔＣＣＤＰａｒａｍ０函数来设置采集卡的积分时『自Ｊ一每行最高像素和采集方式，设置好参数后，调用ｌｃＤａｔａＡｃｑｕｉｓｉｔｉｏｎ（）函数采集ｃＣＤ图像信号，在采集到信号后再转存到工控机上。本系统程序通过调用相关动态链接库的函数，可以很方便的完成信号的采集与获取。２．６．２图像信号的量化量化是将采样点亮度离散化，即把抽样点对应的亮度连续变化区间转换为单个特定数码的过程。而灰度级的确定将根据图像的内容和要求来考虑１１…。ＣＣＤ作为一种图像传感器，无论是线阵结构还是面阵结构，其输出都是一组离教的模拟信号，为了便于计算机进行数据处理，必须对ＣＣＤ输出的每一个像素信号进行Ａ／Ｄ转换。本系统采用的ＣＣＤ采集的光强强度被１２位Ａ／Ｄ转换的数据采集卡量化为０到４０９６。ｏＲ表光强最小值，而４０９６则代表光强最大值。为了便于显示１７广东Ｔ业大学Ｔ学硕十学位论文和减少数据运算量，可将其按比例压缩为０到２５６，得到２５６级灰度图。具体做法是找出每次扫描时ＣＣＤ光敏元接收的光强的最大和最小值，以两者之间的范围为有效区间量化为０Ｎ２５５。２．６．３像元补偿由于ＣＣＤ图像采集系统本身以及周围环境等多方面因素，ＣＣＤ的输出信号中混杂有各种噪声或干扰信号，致使获取的图像是非均匀的，即各个像元的输出信号值不完全一致。ＣＣＤ图像信号采集应尽可能地消除这些噪声干扰，但又不能损失图像细节，并要保证在ＣＣＤ的动态范围内，图像信号随目标亮度呈现线性变化。对图像信号应用系统，要求对视觉的非线性引起的误差以及指定输出设备的误差在图像采集过程中进行实时预处理校Ｊ下…】【’２】【１３】。当ＣＣＤ在测量范围内受强度足够的均匀光照射时，在整个测量范围内获得如图２．８所示信号波形，实际的光电信号并不是如图２－８中虚线所示的理想的矩形波信号，而是如实线所示的带有一定失真的信号波形。由于光学镜头中心和边缘对光的非一致的衰减、光照不均匀和ＣＣＤ像元灵敏度不一以及周围环境等多方面因素，致使当被测对象是均匀时，获取的图像是非均匀的，即各个像元的输出信号值不完全一致，其主要原因是光学镜头中心和边缘对光的非一致的衰减。输出偏差的存在严重影响了ＣＣＤ在高精度图像处理、精密测量等方面的应用。在图像数据的采集中，为了提高成像质量，使成像图像灰度分布均匀，因此有必要在针对采集的图像处理前，对光源分布的不均匀进行像元补偿；对光电响应、光学器件等不均匀性进行校正，以期提高测量系统的精度。在图像采集过程中，不可避免地存在随机噪声，它将干扰非均匀性校正结果。因此，对每一幅连续采集５００行数据的图像来说，求叠加平均可以去掉随机噪声地影响。图２．９、图２．１０为针对选用的标准白色底板进行像元补偿的曲线图。像元补偿前后，图像灰度分布效果图，如图２．９，图２．１０所示。图２－８￡ＣＣＤ图像采集系统误筹Ｆｉｇ２－８ｅｌｔＴＯｒ￥ｏｆＣＣＤＩｍａｇｅＡｃｑｕｉｓｉｔｉｏｎ１８第二章高分辨率ＰＣＢ图像采集处理系统的设计从图２．９、图２．１０和表２．２可知，像元补偿后，图像像元的信号值基本上是均匀的，基本消除了各像元由于器件本身不均匀性和光学照明系统的影响，取得了很好的效果，而且这种方法简单、计算量小、比较实用。图２．９像元补偿前采集图像的一行灰度分布图Ｆｉｇ２－９ＧｒａｙＤｉｓｔｒｉｂｕｔｉｎｇＩｍａｇｅｂｅｆｏｒｅＣＣＤＰｉｘｅｌｓＲｅｃｔｉｆｉｃａｔｉｏｎ图２．１０像元补偿后采集图像的一行灰度分布图Ｆｉｇ２－１０ＧｒａｙＤｉｓｔｒｉｂｕｔｉｎｇＩｍａｇｅａｆｔｅｒＣＣＤＰｉｘｅｌｓＲｅｃｔｉｆｉｃａｔｉｏｎ表２－２像元补偿前后效果对照表Ｔａｂｌｅ２－２ＣｏｍｐａｒｉｓｏｎｏｆＣＣＤＰｉｘｅｌｓＲｅｃｔｉｆｉｃａｔｉｏｎ广东Ｔ业大学１＝学硕士学位论文像元补偿前后效果比较像元补偿前像元补偿后标准方差（均方差）２６０１０最大值１４３１３４最小值４０８４均值１０６１０３２．７本章小结本章主要讨论了系统总体方案的结构，包括光学系统的设计、精密机械位移扫描控制装置及其驱动的设置、ＰＣＢ图像信号采集的实现等。本章包含的工作主要有以下方面：●针对单光源光照系统的不足，改进了光照系统，并通过多次实验，选取最佳的照射角度和镜头焦距，取得了较好的效果。●对图像采集系统进行验证，分析精密机械位移平台与线阵ＣＣＤ配合工作的参数设置，并通过像元补偿实验，改善了图像采集的质量。第三章高分辨率ＰＣＢ图像预处理算法及实现第三章高分辨率ＰＣＢ图像预处理算法及实现通过高分辨率图像采集平台采集到ＰＣＢ图像后，就进入图像处理流程。由于在采集过程中，有可能受光照条件变化、各种电子干扰、采集现场环境变动和图像信号存储传输时的各种波动影响，造成采集到的ＰＣＢ图像存在各种噪声和失真。为了在后续的图像分析和识别中能达到较好的效果，在进入ＰＣＢ缺陷识别环节前，需要对图像进行各种预处理。３．１高分辨率ＰＣＢ图像的去噪大量的实验研究发现，由摄像机拍摄得到的图像受离散的脉冲、椒盐噪声和零均值的高斯噪声的影响比较严重。这些噪声会对后续的图像处理带来很多困难，所以首先要对ＰＣＢ图像进行去噪处理。消除图像中的噪声成份叫做图像的平滑化或滤波操作。滤波的目的有两个：一是提取出对象的特征作为图像识别的特征模式：二是为适应计算机处理的要求，消除图像数字化时所混入的噪声。目前已经有较多的滤波研究和处理方法，对滤波处理的要求有两条：一是不能损坏图像轮廓及边缘等重要信息；二是使图像清晰，视觉效果好１２１。对于自然图像，相邻点之间会有较大的相关性，即一个点与其周围的点的灰度值会很接近，所以当一个像素点的灰度值远大于或远小于其周围的像素点的值，即它们的相关性很小，那么这个孤立像素点就很可能是噪声。根据这些特性，已经有许多学者研究出各种去噪的算法。３．１．１邻域平均滤波在ＰＣＢ图像上的应用邻域平均滤波的思想是用一窗口逐一对准图像内每一像素，用窗内邻域的像素灰度的平均值取代窗口中心像素原来的灰度值１１４】。假定原窗１：３中心像素的灰度值为ｉｍｇ（ｘ，ｙ），窗口领域点集用Ａ表示，集内像素数以Ｌ表示，邻域平均滤波后的中心像素Ｇ（ｘ，Ｙ）灰度为：Ｇ瓴力＝÷∑ｉｍｇ（ｘ，ｙ）＿Ｊ．阼４（３．１）假设噪声ｎ（ｘ，ｙ）是加性噪声，在空间各点不相关，且期望为Ｏ，方差为ｏｒ２，ｇ２ｌ广东ｒ业大学Ｔ学硕士学位论文是未受污染的图像，含有噪声的图像ｉｍｇ（ｘ，Ｊ，）经过领域平均为：ｉｍ—ｇ（—ｘ，ｙ）＝吉∑砸ｇ（＿力＝吉∑ｇ（毛力＋吉∑＂（毛ｙ）差变小，说明噪声强度变弱了，即抑制了噪声。对～幅ＰＣＢ图像处理，效果如图所示：（３＿２）由上式可知，经领域平均后，噪声的均值不变，方差盯２＝ｏｒ２／Ｍ，即噪声方待处理图像截图图３－１邻域平均滤波处理结果Ｆｉｇ３－１ＲｅｓｕｌｔｏｆＮｅｉｇｈｂｏｒｈｏｏｄＦｉｌｔｅｒｉｎｇ邻域平均滤波后截｜堇Ｉ从处理结果可以看出：邻域平均滤波处理后，噪声被分散了，同时图像的边缘也遭到明显的削弱，对比度明显降低。３．１．２中值滤波在ＰＣＢ图像上的应用中值滤波是一种对干扰脉冲和点状噪声有良好的抑制作用，而对图像边缘能较好保持的非线性图像增强技术【”】。中值滤波的基本原理是用一个窗口Ｗ在图像上扫描，把窗口内的像素按灰度值进行排序（升序或降序均可），把排序后最中间像素的灰度值作为窗口中心点的灰度值。设｛～，（ｆ，．，）∈１２｝表示数字图像各点的灰度值，滤波窗口为＿的二维中值滤波可定义为：第三章高分辨率ＰＣＢ图像预处理算法及实现＊』＝Ｍｅｄ｛ｘ，Ｊ）＝Ｍｅｄ｛ｘｔ。ｘⅢ），（，，ｓ）ｅＡ，（ｆ，Ｄ∈Ｊ２）０．３）对同一幅图处理后如图３—２：图３－２中值滤波处理结果Ｆｉｇ３－２ＲｅｓｕｌｔｏｆＭｅｄｉａｎＦｉｈｅｒｉｎｇ从处理结果可以看出，它对边缘的模糊作用小于邻域平均滤波处理。中值滤波主要具有以下特性：①对离散阶跃信号、斜升信号不产生影响，连续个数小于窗口长度一半的离散脉冲将被平滑；②中值滤波后，信号频谱基本不变‘１６１。中值滤波容易去除孤立点、线的噪声同时保持图像的边缘，在一定条件下可以克服线性滤波器如最小均方滤波、均值滤波等带来的图像模糊，对滤除脉冲、椒盐噪声（ｓａｉｌ－ａｎｄ．ｐｅｐｐｅｒ）最为有效，但是它对于复杂图像中点、线、尖角等细节的模糊作用是不可忽略的，会使宽度小于窗１：３宽度一半的边界模糊或消失，并且对高斯噪声无能为力。３．１．３ＰＣＢ图像的区域统计去噪虽然目前邻域平均滤波和中值滤波算法都在一些改进，但仍然存在一些缺点，对于ＰｃＢ图像处理效果不明显，二值化后还是可以见到有较多的噪声存在，所以在二值化后还要对二值图进行进一步对去噪处理。经过比较ＰＣＢ－＂值图像中的污点与噪声的特性，可以发现污点像素面积远大于噪声像素，所以通过统计孤立区广东工业大学下学硕十学位论文域的目标像素可以区分污点和噪声，从而去除噪声。算法如下：（１）从先验知识得多ＪＰＣＢ图像导线宽度的最小值ａＷｉｄ。（２）设置一个尺寸为ｍａｓｋＳｉｚｅ＊ｍａｓｋＳｉｚｅ的模板，其中ｍａｓｋＳｉｚｅ＜ａＷｉｄ。（３）模板遍历图像ｉｍｇ（ｘ，ｙ）（其中ｘ∈（Ｏ，ｉｍｇＨｅｉｇｈｔ），ｙ∈（０，ｉｍｇＷｉｄｔｈ））・探测模扳的四条边：ｍａＴｋＳｌ＝ｅ—ｌＳ１＝∑ｉｍｇ（ｘ＋ｍｉ，ｙ）ｍｕｓｋＳｔ：ｆ－Ｉ（３．４）ｓ２＝∑ｉｍｇ（ｘ＋ｍｉ，ｙ＋ｍａｓｋＳｉｚｅ一１）ｍａｓｋＳｔｚｆ－Ｉ（３．５）ｓ３＝∑ｉｍｇ（ｘ＋ｍａｓｋＳｉｚｅ，ｙ＋阿）ｎ，ｊ＝Ｏ（３．６）ｓ４＝∑ｉｍｇ（ｘ，ｙ＋ｍｊ）ｍｊ＝０（３．７）因为二值图像中“１”代表白，“０”代表黑，所以当ＳＩ＝ｓ２＝ｓ３＝Ｓ４卸时，模板所包围的是一个孤立区域。（４）统计模板内的像素点并根据先验知识设定阈值束判断和去除噪声。统计模板内目标像素的和：ｍａｓｋＳｔｚｅ－ＩｍａｓｋＳｔｚｅ－ＩｐｉｘＳｕｍ＝∑ｍｌ＝Ｏ∑ｉｍｇ（ｘ＋ｍｉ，ｙ＋ｍｊ）ｍｊ－－Ｏ（３．８）设定阂值Ｔｎｏｉｓｅ，当ｐｉｘＳｕｍ＞Ｔｎｏｉｓｅ时，该区域为污点；当ｐｉｘＳｕｍ《：Ｔｎｏｉｓｅ时，该区域为噪声，可以将它去除。通过上述算法的４个步骤处理，可以消除ＰＣＢ图像中的大部分噪声，效果图如下：第三章高分辨率ＰＣＢ图像预处理算法及实现待处理图像截幽图３．３区域统计去噪处理结果Ｆｉｇ３－３区域统计去噪处理后截图ＲｅｓｕｌｔｏｆＲｅｇｉｏｎａｌＳｔａｔｉｓｔｉｃａｌＤｅ－ｎｏｉｓｉｎｇ３．２图像锐化经过图像平滑滤波处理后，噪声被消除和分散的同时，也会对图像造成一定的边缘对比下降。为了给图像补偿轮廓，增强边缘对比度，要对图像进行锐化处理。锐化的目标实质上是要增强原始图像的高频成分，突出边缘细节。目前对图像锐化已经有了很多方法，其中最有代表性的是线性锐化滤波器，比如拉普拉斯算子”７１。线性锐化滤波器是一种微分算子，强调图像中灰度的突变，突出细节。拉普拉斯算子是微分运算的线性组合，且是旋转不变性的线性运算。设原图像为ｉｍｇ（ｘ，Ｙ），锐化后图像为Ｄｅｓｔ（ｘ，ｙ），Ｖ２为拉普拉斯算子，则：ｖ２＝鲁＋导Ｖ２＝（３，）因为在图像中，微分即是差分，所以其表达式可以变成：（３．１０）ｉｍｇ（ｘ—ｌ，ｙ）＋ｉｍｇ（ｘ＋ｌ，ｙ）＋ｉｍｇ（ｘ，Ｙ＋１）＋ｉｍｇ（ｘ，ｙ—１）一４ｉｍｇ（ｘ，ｙ）对于扩散引起的图像模糊，可以用下式来锐化：Ｄｅｓｔ（ｘ，ｙ）＝ｉｍｇ（ｘ，力一七刃２ｌｉｎｇ（ｘ，力令ｋｒ＝１，则变换公式为：（３．１１）广东Ｔ业大学Ｔ学硕＋学位论文雕割【疗。一Ｄｅｓｔ＝｛ｍ（Ｏｒｉ一口）＋ＤｅｓｔｏＩｐ（Ｏｒｉ一６）＋ＤｅｓｔｂＯ＜Ｏｒｉ＜ａ口≤Ｏｒｉ＜ｂｂ≤Ｏｒｉ＜Ｌ（３．１３）式中，Ｏｒｉ为原图（变换前）、Ｄｅｓｔ为新图（变换后）的灰度级，［Ｏ，Ｌ】为灰Ｄｅ“Ｌ度级范围，ａ和ｂ的选择决定低、中、Ｄｅｓｔ高灰度级的范围，ｎ、ｍ、ｐ的选择决瞻ｍ定三个线段的斜率，如图３．５。通过灰度变换可以实现图像均匀变亮（暗）、暗（亮）区加强、亮（暗）区变暗、中间灰度加强（削弱）、正片变负片或亮（暗）区图像均匀展开等。通过线性拉伸，可改善原始图像的对比度，扩大目标与背景之间的灰度差异。通过上式的运算，结果如图３．７：ｂｏｅ斜８８ｂ图３－５灰度变换示意图Ｆｉｇ３－５Ｇｆ掣一ｓｃａｌｅＴｒａｎｓｆｏｒｍ第三章高分辨率ＰＣＢ图像预处理算法及实现图３－６待处理图像截图Ｆｉｇ３－６ＰａｒｔｏｆＩｍａｇｅＢｅｆｏｒｅＰｒｏｃｅｓｓｉｎｇ图３—７灰度披伸处理结果Ｆｉｇ３－７ＲｅｓｕｌｔｏｆＧｒ科Ｔｒａｎｓｆｏｒｍ３．３ＰＣＢ图像二值化一幅正常灰度图像包含了较多的灰度信息，为了提高图像检测和识别的速度，减少冗余、突出关键信息，在对ＰＣＢ图像进行缺陷检测和识别前，要对图像进行二值化。二值化技术是基于这样的假设：各个区域是由灰度值相近的像素构成的，前景和背景的灰度值有较大差别，通过选取合适的阈值对这两个区域进行分割。其方法如下：设定一阈值ｒ，取原始图像中灰度级大于ｒ的像素群为对象物，小于ｒ的像素群为背景区域。设原始图像为ｉｍｇ（ｘ，ｙ），二值化后图像为ｉｍｇｂ（ｘ，），），广东Ｔ业大学Ｔ学硕＋学位论文则：ｉｍｇｂ（ｘ，ｙ，＝｛：：’黝三；＠∽二值化技术的其中一个关键是阈值的选取，目前有多种阈值选取方法１１９］［２０ｌ。依阈值的应用范田可分为全局阈值法、局部阈值法和动态阈值法等。全局阈值法采用同一组阂值序列作用于整幅图像，即各像素阙值相同，因而算法简单快速，但抗噪声能力差，在物体和背景的灰度差别较明显时效果比较好。局部阈值法把图像分成若干个区域，对每个区域设置一个阈值进行二值化。局部灰度阈值法算法的时间复杂程度和空『白Ｊ复杂程度都比较大，但它的抗噪声能力强，能处理背景灰度可变或灰度交叠的图像，对光照不均匀、对比度低和有随机扰动、突发噪声的劣质图像有较好效果【２１。一般来说，全局阂值法对质量较好的图像较为有效，而局部阈值法则适应于较复杂的图像。对ＰＣＢ图像的二值化要求是使细节能得到很好的保留，背景前景清楚的分开。ＰＣＢ图像主要由铜线（前景）区域和基板（背景）区域组成，各个区域的灰度值存在较明显的差别，使得阈值化分割技术可以有效应用。通过对ＰＣＢ图像的二值化，原始图像分成了铜线（前景）和基板（背景）两个区域，这样就突出了关键信息，可以大大减少后续处理的运算量。由于本论文的对象是高分辨率的ＰＣＢ图像，图像尺寸为５０００＊５０００像素，所以对二值化方法的要求除了较好地保存图像细节外，还要有较高的运算效率。目前在ＰＣＢ图像预处理中比较常用的二值化方法有：迭代阈值分割法、最大类间方差法（Ｏｓｔｕ）、Ｂｅｍｓｅｎ算法等。３．３．１迭代阈值分割方法在ＰＣＢ图像上的应用迭代阈值算法等同于数学上的逐步逼近和迭代。每一幅图像都存在一个最佳的阈值，也就是我们选取阈值的理想值，设为ｒ。方法如下【２ｌ】：ａ．选择初始阈值，在本文中设定初始Ｔ＝１２７；ｂ．通过阈值ｒ把图像的平均灰度分成两组Ｒ１和Ｒ２；ｃ．计算两组平均灰度值口ｌ和／ｚ２：ｄ．重新选择阈值ｒ，定义为：Ｔ＝（ｇｌ＋／ｚ２）／２（３．１５）第三章高分辨宰ＰＣＢ图像预处理算法及实现循环做ｂ至ｌＪｄ的步骤，直到两组的平均灰度值∥１和∥２不再发生改变，由此获得最终阈值。对一幅４５３３＊３０９３像素的ＰｃＢ图像如图３．８，用迭代算法进行二值化，用时３１３ｍｓ，结果如图３．９。幽３－８４５３３＊３０９３点阵的ＰＣＢ图像Ｆｉｇ３－８４５３３＋３０９３ＰＣＢＩｍａｇｅ幽３－９迭代算法处理结果右Ｆ角截图Ｆｉｇ３－９ＲｉｇｈｔＢｏｔｔｏｍＰａｒｔｏｆＩｍａｇｅｂｙＩｎｔｅｒａｃｔｉｖｅＴｈｒｃｓｈｏｋｌ从处理结果看出，在右下角的较暗区域迭代算法处理效果不理想，有较多的细节被消除了。广东Ｔ业大学１：学硕士学位论文３．３．２最大类问方差法在ＰＣＢ图像上的应用最大类间方差法１２２］又称为大津法（Ｏｓｔｕ），算法计算简单，稳定有效。最大类闻方差法是在判别函数与最小二乘原理的基础上自动选取阈值的二值化方法，其基本思想是将图像直方图用某一狄度值分割成２组，当被分割成的２组方差最大时，此灰度值就作为图像二值化处理的阈值。大津法的使用范围比较广，不论图像的直方图有无明显的双峰，都能得到比较满意的结果【２”。设狄阶图像ｉｍｇ（ｘ，Ｊ，）的耿度级为０～工，狄度级ｉ的像素数为珂．，则图像中：Ｌ总像素数Ⅳ＝∑吩ｉｆｆｉＯ（３．１６）灰度级ｆ出现的概率曰＝专￡（３．１７）总的灰度平均值声＝∑ｉ＋ＰｉｆｆｉＯ（３．１８）设阈值ｆ将灰度级分为两组ｃｏ、Ｃ，分别代表背景和目标：Ｃｏ＝０～ｋ；Ｃ．＝ｋ＋ｌ～Ｌ，则：ｔｃｏ产生的概率：％＝∑只＝缈（｜｜｝）￡（３．１９）ｃｌ产生的概率：ｑ＝∑只＝１一ｍ（Ｊｉ｝）』，Ｉ＋ｌＩｆ３．２０）ｃ０的均值：Ｐｏ＝Ｚｉ＋ｐ，／国ｏ＝∥（七）／∞（七）令∥（七）＝∑嵋，ｃｌ的均值：￡（３．２１）一＝∑ｆ＋只／ｑ＝（∥一ｐ（／）／（１一国（Ｊ｜｝”ｔ－ｋ＋ｌ（３．２２）则两组问的数学期望为：％风＋ｑ一＝∥两组间的方差为：（３．２３）董三耋查坌鍪耋！竺璺堡鎏丝矍丝堡垒童曼盯２（七）＝田Ｄ（胁一∥）２＋ｑ（Ｈ一∥）２＝嘞ｑ∽一硒）２＝【∥＋烈七）一／４ｋ）］２／【烈ｔ）＋（１一国（ｔ））】（３．２４）ｏｒ２（七）是ｋ的函数，逐个计算ｋ取０，ｌ…．．，上的盯２（女）的值，当所得值为最大时，对应的ｋ即为阈值。对图３．８进行处理，时间为２９５３ｍｓ，效果如图３．１０所示。图３—１０Ｆｉｇ３－１０Ｏｓｔｕ处理结果右Ｆ角截幽ＲｉｇｈｔＢｏｔｔｏｍＰａｒｔｏｆＩｍａｇｅｂｙＯｓｔｕ３．３．３Ｂｅｒｎｓｅｎ算法在ＰＣＢ图像上的应用Ｂｅｒｎｓｅｎ算法可以看作是对全图逐点二值化的方法，它考察目标像素的邻域像素的值，计算出阈值进行二值化【２４１。具体方法是：考察以（ｘ，ｙ）为中心的（２Ｗ＋１）ｘ（２矿＋１）模板，设ｉｍｇ（ｘ，ｙ）为图像在∽ｙ）处的灰度值，则阈值为Ｔ（ｘ，），）＝［一嬲，。。慨（ｘ眠＂１）＋…。ｍ卧ａｘ～，魄（ｘ代），＋ｆ）］／２根据阈值按下式逐点二值化（３．２５）毗加锰黝三嬲Ｂｚｓ，用该算法对同一幅图进行二值化运算，结果如下：广东Ｔ业大学１＝学硕十学位论文幽３－１１Ｂｅｒｎｓｇｌｌ算法处理结粜也ｐ角钺Ｉ玺｜Ｆｉｇ３－１１ＲｉｇｈｔＢｏｔｔｏｍＰａｒｔｏｆＩｍａｇｅｂｙＢｅｒｎｓｅｎ从结果可以看出，尽管Ｂｅｒｎｓｅｎ算法通常是应用于灰度不均的图像二值化，但对于较严重的灰度不均ＰＣＢ图像的处理效果并不理想。分析其原因，主要是Ｂｅｒｎｓｅｎ算法通过移动窗口动态计算阈值，而其窗口尺寸相对于ＰＣＢ图像的光照不均区域来说还不够，不能处理该区域的光照变化造成的衰减问题。３．３．４基于梯度的动态分块迭代阈值图像二值化方法在工业环境下，要有恒定一致的光强光照条件比较困难，所以简单地对图像进行二指化可能会造成一些图像细节的丢失，对ＰＣＢ图像二值化方法作针对性的研究是必要的。考虑至Ｉ］ＰＣＢ图像亮度与坐标位置有关的情况，对图像进行按区域分块再求阈值将会是较优的解决方案。由于本文采用的硬件平台所采用的是线阵ＣＣＤ，线光源固定不动，精密位移平台在Ｙ方向运动，所以亮度不均的现象是在Ｘ方向，在Ｙ方向的亮度性质不变。根据这些特点，对图像分块时就只需分列块而不用分行块【２”。本文尝试过将图像按固定间隔分成ＮＹ０，然后对每一列块求出各自的阈值Ｔ（经试验各块阈值用迭代法的效果比经典的Ｏｓｔｕ好），考虑到各列块问的平滑过渡，每块的阈值再按公式（３－２７）来确定。Ｔ［ｉ】＝（丁ｐ一１】＋丁［ｆ】＋丁【ｆ＋Ｈ）／３（３．２７）第三章高分辨率ＰＣＢ图像预处理算法及实现根据上述算法对图３．８进行二值化，实验结果发现，在图像两边亮度较低的区域也能保留比较好的图像细节，同样截取处理图的右下角位置的图像进行比较，其结果如图３．１２所示；但是在块间会出现ＰＣＢ线宽畸变，截取图３．１２右下角部分的放大图，线宽畸变如图３．１３中箭头指向的列所示。经分析，这是由于不同分块中由不同阙值进行二值化而造成的。图３．１２较暗区域的二值化结果Ｆｉｇ３－１２ＤａｒｋｅｒＡｒｅａＢｈⅥａｔｉｚａｔｉｏｎＩｍａｇｅ图３．１３线宽畸变的地方Ｆｉｇ３－１３ＬｉｎｅＷｉｄｔｈＭｕｔａｔｉｏｎＡｒｅａ根据神经信息学原理，人的视觉对场景中亮度变化或者其他性质变化较快的部位比较敏感，当人观察场景时总是先注意到其中不同物体的轮廓，以达到对图像的理解。因此图像中大部分信息都集中在区域的边缘上，边缘象素对图像的理解非常重要。基于边缘信息的阈值化方法，就是依据图像的边缘信息——梯度进行分割阈值的计算选取的，是一种符合人眼视觉特性的图像分割方法【２＂。在ＰＣＢ图像处理中，导线目标是最主要的图像信息，而梯度信息最能反映其边缘信息，所以本文提出根据ＰＣＢ图像的梯度对比来确定图像的分块与间隔，然后按照上述对各块求阈值的方法进行二值化。本文具体算法如下：（１）先对系统采集的ＰＣＢ图像ｆ（ｘ，Ｙ）求梯度，梯度的幅度用ＧＬ厂∽），）】表示，对于离散的数字图像，为计算方便，其值通常用下面的公式（３．２８）来计算Ｂ。】：Ｇ［ｆ（ｘ，朋＝｛ｆ（ｉ，ｊ）－ｆ（ｉ＋ｌ，ＤＩ＋Ｉｆ（ｉ，力一八ｆ，．，＋１）ＩＧ孟，得到它们的差值△，其中：Ａ＝Ｇ二一Ｇ三缸（３．２９）（３．２８）（２）在梯度图中，找出中问部分最大的梯度值Ｇ二“和右边最大的梯度值广东Ｔ业大学丁学硕十学位论文（３）设定分块系数五和间隔系数刁，在本文的程序中取五＝４．６，叩＝Ｏ．４，然后按公式计算需对图像的分块数ｂｌｏｃｋｎｕｍ和各块的问隔数ｉｔｖｌ［ｉ】，ｂｌｏｃｋｎｕｍ＝Ａ／２（３．３０）（３．３１）ｉｔｖｌ［ｉ】．（ｉｍｇｗｉｄｔｈ／ｂｌｏｃｋｎｕｍ）／（ｒｌ＋Ｉ竹Ｉ）其中ｆ＝ｏ～ｂｌｏｃｋｎｕｍ—ｌ，ｉｍｇｗｉｄｔｈ为图像宽度；甩；一ｂｌｏｃｋｎｕｍ／２～ｂｌｏｃｋｎｕｍ／２，伪≠ｏ）。当力＝０时，记录该块间隔为ｉｔｖｌ［ｍ］，其问隔数值为：ｉｔｖｌ［ｍ］＝ｉｍｇｗｉｄｔｈ一∑驯【刁，（ｆ≠所）ｔ＝Ｏ（３．３２）通过公式（３．３１）和公式（３．３２）这样动态分块使得中间的间隔大，而两边各块间隔小。公式（３．３０）使得中间与两边亮度差别大时分块数大，较小时分块相应较少。（４）确定分块数及各块的边界后，用迭代法求各块的阈值兀ｆ】。（５）用公式（３．２７）确定最终各块阈值的修正值，然后对图像二值化。按照上述的５个步骤，在ＶＣ＋＋程序中实现，结果如图３．１４，图３．１５所示。图３．１４与图３．１２同一块区域的效果图，图３．１５与图３．１３为同一区域的效果图。图３—１４分块迭代阚值处理结果Ｆ遮３－１４ＲｅｓｕｌｔｏｆＳｅｇｍｅｎｔＩｎｔｅｒａｃｔｉｖｅＴｈｒｅｓｈｏｌｄ幽３－１５与幽３－１３同一区域的线宽Ｆ螗３－５ＬｉｎｅＷｉｄｔｈｉｎｔｈｅ￥ｓｍｅａｒ％ｗｉｔｈＦ移・１３运算速度对比：用迭代算法的处理时间３１３ｍｓ，Ｏｓｔｕ算法是２９５３ｍｓ，而本文的算法是９５６ｍｓ，速度比迭代算法略低，优于Ｏｓｔｕ算法。第三章高分辨率ＰＣＢ图像预处理算法及实现在本文算法中，根据造成图像亮度不均的实际情况可以变通，例如，光源与物体不平行，造成采集的图像亮度是由左到右递增的，公式（３．３１）的ｒｌ的取值变化可以改为疗＝ｂｌｃｏｋｎｕｍ一１～０。３．４ＰＣＢ图像边缘提取边缘是对应着周围像素灰度有阶跃变化或屋顶状变化的像素集合，边缘的锐利程度决定了图像灰度梯度的大小。在ＰＣＢ图像缺陷检测中，边缘是很重要的信息，图像边缘的路径往往就是ＰＣＢ中的导线的路径。对边缘提取往往用空域微分算子卷积完成，实际应用中数字图像对微分就是差分，所以可以用梯度算子进行模板运算来检测边缘１２９ｌ。梯度算子是一阶导数算子，对一个连续函数ｉｍｇ（ｘ，Ｙ），它在位置化ｙ）的剃度可以表示为一个矢量，常用对有Ｓｏｂｅｌ、Ｒｏｂｅｒｔｓ和Ｐｒｅｗｉｔｔ等，下面将验证常用算子在ＰＣＢ图像中的应用。３．４．１Ｒｏｂｅｒｔｓ算子是一种利用局部差分算子寻找边缘的算子【２８１。公式如下：（３．３３）胄∽力：４—［ｉｍｇ（ｘ，ｙ）－ｉｍｇ（ｘ＋１，ｙ＋１）］２＋—［ｉｍｇ（ｘ，ｙ＋１）－ｉｍｇ（ｘ＋１，ｙ）］２Ｒｏｂｅｒｔｓ算子提取ＰＣＢ图像边缘图３．１６Ｒｏｂｅｒｔｓ算子模板Ｆｉｇ３－１６ＲｏｂｅｒｔｓＴｅｍｐｌａｔｅ用模板表示为：对一幅ＰＣＢ图进行边缘提取，结果如下：二銮三些奎兰三耋璧圭兰堡翼三图３．１７ｒｉｇ３－１７待处理幽缩略幽ＳｈｒｕｎｋｅｎＩｍａｇｅｂｅｆｏｒｅＰｒｏｃｅｓｓｉｎｇ图３－１８Ｒｏｂｅｒｔｓ算『．处理结果截图Ｆ醣３－ｌｇＰａｒｔｓｏｆＩｍａｇｅｂｙＲｏｂｅｒｔｓ３．４．２Ｓｏｂｅｌ算子提取ＰＣＢ图像边缘Ｓｏｂｅｌ算法就是通过２个３Ｘ３的模板，对选定的二维图像中同样大小窗口进行卷积，通常是一个对垂直边缘响应大，另一个模板对水平边缘响应大，两个卷积值对最大值作为该点对输出【２ｓ１。第三章高分辨率ＰＣＢ图像预处理算法及实现雕Ｆｉ９３－１９ｒ－１０ｏｏ１１２ｌ＿２【一ｌｌ１Ｊ图３—１９Ｓｏｂｅｌ模板ＳｏｂｅｌＴｅｍｐｌａｔｅ对下图进行边缘检测，结果如下：图３—２０ＦｉｇＳｏｂｅｌ算子处理结果截图３－２０ＰａｒｔｓｏｆＩｍａｇｅｂｅＳｏｂｅｌ３．４．３基于邻域统计编码的边缘提取由于图像轮廓只占图像的一部分甚至是一少部分，按照传统的图像轮廓提取方法对一幅二值ＰＣＢ图像进行处理后，仍有较多的冗余像素点存在，这样在后续的检测中会造成较大的冗余计算。为此本文应用了基于邻域统计编码１３０１的轮廓提取算法来处理ＰＣＢ图像。邻域统计编码就是对二值图像的每个象素的Ｎ邻域进行统计分析，最终得至ｌＪＮ＋ｌ值统计图像。陌币稠匡立蛔图３．２１邻域像素编号Ｆｉｇ３－２１ＮｕｍｂｅｒｏｆＮｅｉｇｈｂｏｒｈｏｏｄＰｉｘｅｌｓ匦蓝蛔Ｎ邻域统计编码的公式为：广东下业大学Ｔ学硕十学位论文１０，ＰＯ＝０，ｑｘ’”２１窆１＿ＰｔＰｏ：ｌ，ｋ∈２ｎ＋ｈｕ∈Ｉｌ，ｎ∈Ｚ＋臼３４’Ｃ（ｘ，ｙ）为码值图栅格上的编码值。（ｘ，ｙ）为原图二维坐标。Ｐｉ如图３—２１所示点。Ｎ邻域统计编码的Ｎ值越大，能获得信息越丰富，但是计算的复杂度也越大，本文主要研究８邻域统计编码。按照传统的边缘提取方法处理，获得的轮廓有大量的冗余，如满足公式（３．３５）约束条件的时候。该点并未能去除，而该点形成了双边缘的冗余，对孔径计算来说是不必要的，应当将其滤除，以形成更理想的单边缘图像。算法的公式如下Ｉ∑Ｐｉ＝７ｌ忙’｛几＋Ｐ４＋Ｐ５＋Ｐ７＝１（３．３５）卜３嚣ｒ３满足上式的像素点即可去除。下面通过对同一幅ＰＣＢ一－值图像分别用Ｒｏｂｅｒｔｓ算子、Ｓｏｂｅｌ算子和邻域统计编码算法来提取边缘，进行对比，结果如图３．２３，图３—２４和图３．２５：图３－２２待处理二值圈缩略图Ｆ螗３－２２ＳｈｒｕｎｋｅｎＢｍａｒｉｚａｔｉｏｎＩｍａｇｅｂｅｆｏｒｅＰｒｏｃｅｓｓ耋三耋童坌墼童墼！里堡堡些塞丝鎏垒童銎图３．２３Ｒｏｂｅｒｔｓ处理结果截幽Ｆｉｇ３－２３ＰａｒｔｓｏｆＩｍａｇｅｂｙＲｏｂｅｒｔｓ图３．２４Ｓｏｂｅｌ处理结果截图Ｆｉｇ３－２４Ｐｍ＇ｔｓｏｆＩｍａｇｅｂｙＳｏｂｅｌ广东Ｔ业大学Ｔ学硕十学位论文幽３－２５Ｆ毽３－２５邻域统计编码算法处理结果截圈ＰａｒｔｓｏｆＩｍａｇｅｂｙＮｅｉｇｈｂｏｒｈｏｏｄＳｔａｓｔｉｓｔｉｃＣｏｄｉｎｇ对同一幅图进行处理后的结果比较，如表３．１所示：表３．１边缘提取算法比较Ｔａｂｌｅ３－１ＣｏｎｔｒａｓｔｏｆＥｄｇｅＥｘｔｒａｃｔｉｎｇＡｌｇｏｒｉｔｈｍｓ算法Ｒｏｂｅｒｔｓ算子Ｓｏｂｅｌ算子邻域统计编码处理时间（毫秒）２５７８１１２５０３４４目标点数目（像素）７００７４３１４７ｌＯ１４９０９０从表中统计数据可以看出：用邻域统计编码算法提取边缘的运算速度远快于另两个算法，目标点数目远少于用Ｓｏｂｅｌ算子，稍高于用Ｒｏｂｅｒｔｓ算子的数目。而从结果图可以看出，Ｒｏｂｅｒｔｓ算子的结果在边缘细节上会失真，邻域统计编码算法对边缘轮廓的细节保留效果上要优于Ｒｏｂｅｒｔｓ算子。３．５本章小结本章节针对采集的ＰＣＢ图像进行了预处理，在研究常用预处理算法的基础上对ＰＣＢ图像进行了分析和探讨。本章包含的工作有以下几个方面；●分析和比较了图像滤波去噪的常用和典型的算法，研究了ＰＣＢ图像噪声的规律，提出了区域统计去噪算法，对去除ＰＣＢ图像中噪声达到良好的效果。●针对ＰＣＢ图像滤波后对比度下降的情况，应用灰度拉伸的方法增强图像４０第三章高分辨率ＰＣＢ图像预处理算法及实现的对比度。●研究了ＰＣＢ图像的阈值分割算法，在实践和比较迭代算法和ＯＳＴＵ算法的基础上，提出基于梯度的动态分块迭代阈值图像二值化算法，克服了光照不均匀等因素的影响，为后续的缺陷检测和识别提供了高质量的处理图像。●分析和比较了Ｒｏｂｅｒｔｓ算子和Ｓｏｂｅｌ算子在ＰＣＢ图像边缘提取上的效果，总结了边缘提取的一般规律，应用基于邻域统计编码的边缘提取算法，获得了很好的ＰＣＢ边缘图像，为后续的过孔定位算法奠定基础。４１广东Ｔ业大学Ｔ学硕七学位论文第四章ＰＣＢ缺陷检测与识别图像识别【３’】【３２】［３３１是对预处理后的图像进行分类的方法。它可在分割的基础上选择需要提取的特征，并对某些参数进行测量，再根据参数提取这些特征，最后根据测量结果作分类。这是利用图像处理技术及缺陷进行识别的关键。ＰＣＢ基板检测的目的是要检测出待检板的缺陷位置，并识别缺陷类型。目前已经有很多学者对ＰＣＢ基板缺陷的检测与识别方法作过研究，提出了若干算法，归纳起来有三类：参考比较法、非参考比较法和混合法。参考比较法是将参考图像与被检图像对比，算法简单，容易实现，它可以检测出诸如短路、断路、毛刺等缺陷，但是对于一些缺陷并不能够检测出来，如间距违例（过大或过小）和线宽违例（过大或过小）等，且不能确定缺陷类别，同时存在被检图像与参考图像之间的对位问题。非参考法无须参考图像，它依据预先定义的设计规则来判断待检ＰＣＢ图像是否有瑕疵，如果它不符合设计规则，就认为有瑕疵，因此也称为设计规则校验法，该方法内存需求小，但算法比较复杂，需对全图搜索，运算量很大，因此实现实时检测比较困难，且对于导线、焊盘丢失等大缺陷无法检测出。混合法是前述两类方法的综合，在一定程度上克服了前两类方法的缺点，但目前这种方法还不是很成熟，其算法复杂，不能满足实对检测的要求，且自适应性不够，系统扩展能力较差。本文通过对ＰＣＢ常见缺陷模式的研究，给出了几种针对ＰＣＢ常见缺陷：断路、短路、凸起、凹坑、空洞、孔位及孔径缺陷等的检测和识别方法。４．１ＰＣＢ质量要求与缺陷的成因本文主要针对ＰＣＢ基板进行缺陷检测，首先了解一下ＰＣＢ缺陷的种类。对ＰＣＢ基板的质量要求主要按照ＧＢ／Ｔ１６２６１．１９９６《印制板总规范》的要求１３１。（１）外观蚀刻后的印制板基材不得有分层、起泡，导线不得有断路、短路，表面不允许严重划伤、锈斑、污染，不准有缺孔、堵孔，阻焊膜颜色应均匀一致。图形、符号应符合设计文件要求无残缺，标志符号清晰，材料符合用户要求。第四章ＰＣＢ缺陷榆测与识别（２）金属化孔金属化孔要清洁，应没有任何能影响元件插入及可焊性能的杂质。空洞的总面积不应超过孔壁总面积的１０％，在水平面内最大尺寸不得超过孔圆周的２５％，在垂直面内最大尺寸不应超过板厚度的２５％。（３）导线宽度和间距任何缺陷如边缘粗糙、缺口、针孔和露基材之划伤使导线宽度的减少应不大于原设计中对各种导线宽度规定最小值的２０％。导线边缘粗糙、铜的凸出或导线间的金属微粒等缺陷，使导线间距不小于原设计中规定的标称值的８０％。并适用于任何导线之间，导体与任何金属物之间，导体及金属物与孔的边缘之『自Ｊ，导线与零件边缘之间。缺陷的长度Ｌ不应大于导线宽度Ｓ或５ｍｍ，按二者之中较小值为准，如图所示：Ｓ．。，；，。ＬＬ空洞缺陷图４－１Ｆｉｇ４－１凹坑缺陷空洞和凹坑缺陷示意图ＤｅｆｅｃｔｓｈｎａｇｅｏｆＰｉｎＨｏｌｅａｎｄＣｏｎｃａｖｅ（４）导线上的缺陷导线应无裂缝或断开，只要导线的宽度或导线之间的泄漏路径的减小不超过有关规定，如２０％或３５％，则空洞或边缘损伤之类的缺陷是允许的。（５）导线间的微粒只要导线问泄漏路径的减小不超过原设计的２０％或不小于电路电压对间距要求，则残留金属微粒的存在是允许的。在ＰＣＢ上的开路、凹坑和空洞缺陷，经常是由于曝光底片有问题造成的，蚀刻过度和刮擦也会造成开路和凹坑【３４Ｉ。而凸起这类线宽变大的缺陷则是多是蚀刻不足引起的。在曝光时，如果环境控制不好，例如头发丝或其他的细小纤维落在板面上，造成曝光时有细小的干膜没有曝光，在电镀蚀刻完成后就形成了短路。短路和凸起类线宽变大缺陷也有可能是电镀时镀铜太厚造成的。广东Ｔ业大学Ｔ学硕十学位论文４．２传统ＰＣＢ缺陷检测方法ＰＣＢ基板的检测方法分为参考比较法、非参考比较法和混合法，对于具体的缺陷一般会针对性采用合适的方法来检测。比如数学形态学检测算法可以检测规则导线的缺陷，连接表法检测电路的连通特性，Ｈｏｕｇｈ变换检测法专门用来检测过孔区域。我们通常会根据不同缺陷采用具体适用的检测方法，下面将对上述各种方法进行分析与比较。４．２．１连接表检测法连接表检测法【３５】可以检测ＰＣＢ线路的连通性，从而检测出连通性缺陷的位置。其基本方法是：首先，标记过孔中心，得到统一编号；然后，根据过孔间的导线连接关系得到区域编号，生成连接表，这个表表明了导线与焊盘的连通关系，是电路板功能的本质；然后将待检ＰＣＢ的连接表与标准ＰＣＢ的连接表相比较，得到缺陷信息。检测过程如下：查找过孔中心，将所有过孔标号；对标准图运用区域增长方法，获得所有的导线路径，然后将同一路径的所有像素都标同一灰度值：令ｌｊ，＝ｉｎｄｅｘ，Ｐ∈｛（ｘ，Ｊ，）Ｉ‘＝ｌｎＯ，ｙ）Ｒｐ｝（４．１）其中，Ｊ。为Ｐ点的灰度值，关系Ｒ表示Ｐ与＠，），）相邻，ｉｎｄｅｘ为导线的编号，通过这样运算，就将所有的导线区域分类生成了连接表了。然后将连接表与标准的连接表匹配，根据区域标号获得缺陷存在的位置。连接表法可以检测连接性缺陷，但其前期处理时间长，且当ＰＣＢ线路比较复杂时，建立的表数据量大，匹配的运算也会比较复杂。４．２，１数学形态学检测算法数学形态学（ＭａｔｈｅｍａｔｉｃａｌＭｏｒｐｈｏｌｏｇｙ）是有关几何形状和结构的数学方法［３６１，是建立在集合代数的基础上，用集合论方法定量描述几何结构的科学。其应用范围已经涵盖计算机图像处理有关的各个领域，包括图像增强、分割、恢复、第四章ＰＣＢ缺陷柃测与识别边缘检测、纹理分析、颗粒分析、特征生成、骨架化、形状分析、压缩、成分分析及细化等诸多领域１３３１。其基本思想是利用一个结构元素去探测一幅图像，看是否能将结构元素很好地填放在图像的内部，同时验证填放结构元素的方法是否正确【４Ｊ。数学形态学的基本运算有２个：膨胀（Ｄｉｌａｔｉｏｎ）和腐蚀（Ｅｒｏｓｉｏｎ）。膨胀和腐蚀互为对偶运算，膨胀具有扩大图像的作用，腐蚀具有收缩图像的作用【３力，基于这２个基本运算可以推导和组合成各种数学形态学的算法。膨胀和腐蚀在二值图像和灰度图像中各有特点，下面将给出二值图像处理中膨胀和腐蚀的定义：设丑为待检二值图像，ｓ为二值结构元素，则膨胀运算为口ｏｓ，定义为ＢＯＳ＝｛（工，），）１％ｎ曰≠中｝而腐蚀运算为Ｂ固Ｓ，定义为：（４．２）其中。表示膨胀运算，ｓ。表示将结构元素ｓ的原点移动到坐标∽ｙ）。Ｂ圆Ｓ＝｛∽力ｆ＆∈Ｂｊ（４．３）膨胀实际是将物体的边缘扩张，将背景中靠近物体的点融入物体，如果物体是一个圆，膨胀运算后，它的直径将变大。如果两个物体靠得太近，膨胀会将这两个物体融合；膨胀操作可以填补物体中的空洞。而腐蚀是表示用某种“探针”（即某种形态的基元或结构元素）对一个图像进行探测，以便找出图像内部可以放下该基元的区域。它是一种消除边界点，使边界向内部收缩的过程。如果物体是一个圆，经过腐蚀运算后，它的直径将变小，物体内部小且无意义的物体将被消除。膨胀与腐蚀运算可以组合成二值图像开运算与闭运算开运算利用Ｓ对图像占作开运算，用符号曰。Ｓ表示，其定义为：ＢｏＳ＝（Ｂ固Ｓ）ｏＳ（４．４）从上式可以看出开运算其实是先作腐蚀，然后作膨胀运算。它可以通过计算所有可以填入图像内部的结构元素平移的并求得。即对每一个可填入位置作标记，计算结构元素平移到每一个标记位置时的并，便可得到开运算结果。开运算可以消除细小物体【３引，断开物体问的细小连接，在不改变物体形状的前提下，从宏观上平滑物体的轮廓。闭运算广东Ｔ业大学Ｔ学硕＋学位论文闭运算是开运算的对偶运算。利用Ｓ对丑作闭运算，表示为Ｂ・ｓ，其定义为：ＢｅＳ＝（曰ｏＳ）０Ｓ（４．５）从（４．５）式可以看出闭运算其实是先作膨胀运算，然后再作腐蚀运算。利用结构元素对图像作闭运算，可以填充目标内部狭窄的裂缝和长细的窄沟，消去小的孔洞，连接两个靠得很紧的物体，从宏观上平滑物体的轮廓。结构元素是数学形态学中形态运算的最基本最重要的概念，它是各种形态变换中起着不可缺少的作用，结构元素【３９１是具有一定几何形态的集合，它的尺寸大小远小于所研究的目标，对不同的目标图像，需要设计不同的处理算法和不同的结构元素，其形状大小选择的恰当与否，将直接影响形态变换的结果。对于含有噪声的图像，当被用门限方法分割后，物体中经常含有假孔，而且边缘很不整齐，在图像的背景中散落着由噪声带来的虚假物体，经过适当的开与闭运算可以极大地改善这一情况，有时可以通过重复多次的腐蚀，然后再重复多次的膨胀，达到满意的效果。数学形态学在ＰＣＢ图像缺陷检测中的应用在被检测的电路板图像经过适当的阂值分割与滤除干扰操作后，将所得到的二值图像作为电路板的原始图像，这一原始二值图像上的小面积缺陷可被看作是分布在原始二值图像上的一些小面积噪音。为了探测这些小面积缺陷，我们定义消除了小面积噪音后的二值图像为原始二值图像的“伪标准图像”，通过开闭运算处理后，将伪标准图像作为标准图像与原始二值图像相比较，其中不同部分便是电路板中的缺陷。伪标准图像本质是原始二值图像的噪音消除图像。在数学形态学变换中，开和闭操作可用来消除小面积噪音，利用闭操作可以消除图像前景中的噪音，而利用开操作则可以消除背景中的噪音【４０Ｉ。若具有各种微小缺陷的原始二值图像为ｉｍｇＯｒｉ，Ｓ是圆形的二值结构元素，则伪标准图像ｉｍｇＤｅｓｔ可由下面公式得到：ｉｍｇＤｅｓｔ＝ｉｍｇＯｒｉｏＳ・Ｓ（４．６）或ｉｍｇＤｅｓｔ＝ｉｍｇＯｒｉ・ＳｏＳ（４．７）在公式中，开运算检测的是电路板中的过度腐蚀缺陷，而闭运算检测的是断路及毛刺缺陷。由于电路板中铜箔的最小宽度与铜箔之间的最小绝缘距离并不相同，所以公式应改成：第四章ＰＣＢ缺陷椅测与识别ｉｍｇＤｅｓｔ＝ｉｍｇＯｒｉｏＳ・岛或（４．８）ｉｍｇＤｅｓｔ＝ｉｍｇＯｒｉ・是ｏＳ（４．９）其中，结构元素Ｓｌ是一个半径西＜Ｄｌ／２的圆（Ｄ１是电路板中铜箔的最小宽度），其中每个像素的值都为１；结构元素ｓ２与结构元素ｓｌ类似，它是半径ｄ２＜Ｄ’／２的圆（Ｄ２是电路板中铜箔间的最小绝缘距离）。最后，对图像ｉｍｇＤｅｓｔ与ｉｍｇＯｒｉ进行同或运算即可得到缺陷图像。数学形态学算法属于电路板检测中的无参考算法，不需要用于比较的标准图像。它是基于一定的设计规则来对电路板进行检测的【２１。对于一些线宽较小的短路和断路缺陷有较好的检测效果，但运算时间复杂度高，耗时长，对于一些较大的缺陷无能为力。４．２．２Ｈｏｕｇｈ变换检测法在多层ＰＣＢ里通常有很多的过孔（ｖｉａ），它是多层ＰＣＢ的重要组成部分之一，一般有安装孔、元件孔和过孔，简单来说，ＰＣＢ上的每一个孔都可以称之为过孔。从作用上看，过孔作用可以分成两类：一是用作各层间的电气连接；二是用作器件的固定或定位Ｈ１１。因为ＰＣＢ上的过孔都是圆形的，所以可以通过圆形毒薜一性检测来确定过孔位置和检测其缺陷。ｔｔｏ．ｇｈ变换１４２】是利用图像全局特性而将图像边缘组合到一起组成区域封闭边界的方法。其基本思想是将图像空间变换到参数空间，通过在参数空间进行累加统计来完成检测【４３１。下面简述Ｈｏｕｇｈ变换的过程：设ｘ．Ｙ平面内一条直线，其方程为：Ｙ＝ａｘ＋ｂ（４．１０）其中ａ为斜率，ｂ为截距，作如下变换：ｂ＝—ｃⅨ＋Ｊ，（４．１１）方程的形式虽然改变了，但其参数的意义并未改变，变换的结果使直角坐标系中的一个点成为“截距．斜率”空间中的一条直线，而直角坐标系中的一条直线成为“截距．斜率”空间中的一簇有公共交点的若干直线。为了正确识别和检测任意方向和任意位置直线，就必须解决垂直线的斜率无４７广东Ｔ业大学Ｔ学硕十学位论文限大这一问题，在Ｈｏｕｇｈ变换中采用了极坐标变换：五＝ｘｃｏｓｇ＋ｙｓｉｎＯ（０≤０≤石）（４．１２）其中：五为原点到直线的距离，口表示该直线的法线与ｘ轴的夹角。这样原来的点一直线对偶性变成了点一正弦曲线对偶性。基于同样的思路，可以进行圆、椭圆和抛物线等图形的识别，处理方法相同。假如检测的圆半径为，，圆方程为：，２＝（ｘ一４）２＋（ｘ一６）２（４．１３）因为式（１）有３个参数口、ｂ、，，所以需要在参数空间里建立１个３．Ｄ的累加数组Ａ，其元素可写为Ａ（ａ，ｂ，ｒ）。让口和ｂ依次变化而根据式（１）算出ｒ，并对Ａ累加：一（口，ｂ，，）＝４（口，ｂ，ｒ）＋ｌ（４．１４）设圆的半径，为已知，问题转化到２．Ｄ参数空间。这里图象空间的边界和参数空间里的轨迹都是圆，所以这里是圆周．圆周对偶性。先把式（４—１３）对Ｘ微分，并代入ｄｘ／ｄｙ＝ｔａｎ（Ｏ－ｎ－／２）（４．１５）这里０是梯度方向与Ａ轴正向的夹角，再把微分结果与式（４一１３）联立并对口、ｂ求解就可得到：口＝ｘ－ｒ（ｓｉｎＤｂ＝ｙ＋ｒ（ｃｏｓｇ）（４，１６）（４．１７）在这里圆的检测中，我们只需要２个卜Ｄ累加数组就够了。过程如下：第四章ＰＣＢ缺陷检测与识别原图梯度图ＨＤｕｇｌｌ变换图４－２Ｆｉｇ４－２恢复后的图Ｈｏｕｇｈ变换检测圆的实验过程ＥｘｐｅｒｉｍｅｎｔｏｆＨｏｕｇｈＴｒａｎｓｆｏｒｍＨｏｕｇｈ变换可以有效检测圆形区域【删，其主要优点为：它对于图像中的噪声点不敏感，利用其得到的结果可有效地滤除噪声的影响，以提高结果的可信度；该变换便于并行计算，计算机视觉领域的一些问题相当复杂，需要很大的计算量，并行计算是提高计算速度的有效方法【４５１。Ｈｏｕｇｈ变换虽然在圆形检测上具有明显效果，但也有明显的不足，就圆检测而言，常规Ｈｏｕｇｈ变蒯删的不足主要有以下几点：ｌ、参数由直线的两个参数，即截距和斜率，上升到三个，即圆心坐标和半径，每个点映射成参数空间的一个曲面，是一到多映射，因而计算量急剧增大；２、需占用大量内存空间，耗时久、实时性差；３、现实中的图像一般都受到外界噪声的干扰，信噪比较低，此时常规Ｈｏｕｇｈ变换的性能将急剧下降，进行参数空间极大值的搜索时由于合适的阈值难以确定，广东Ｔ业大学工学硕士学位论文往往出现“虚峰”和“漏检”的问题。尽管目前有许多关于Ｈｏｕｇｈ变换的改进算法，但相对于一幅存在过孔数目较多的ＰＣＢ图像来说，其处理速度仍然很难满足检测需要。４．３基于ＰＣＢ缺陷特征的检测算法通过上节分析可以看到，连接表检测法、数学形念学检测法和胁嘶变换检测法等都能检测部分ＰＣＢ缺陷，但有运算复杂和处理时间较长的不足，很难满足高分辨率ＰＣＢ图像检测的需要。本文深入研究了具体的ＰＣＢ缺陷模式后，采用了基于ＰＣＢ缺陷特征的检测算法，对ＰＣＢ缺陷根据其几何特征【４７１进行分类，针对各自特征检测，降低了运算复杂度，提高了检测效率。４．３．１ＰＣＢ中断路、凹坑和空洞缺陷的检测和识别通常在ＰＣＢ中，导线的走线比较规则，方向一般按纵、横和斜向走线，其线宽在同一连通区域里也相等。如果导线出现了异常，也就是在线宽突变的地方，往往就是缺陷存在的地方，所以通过跟踪线宽可以检测出ＰＣＢ的断路、凹坑和空洞等线宽减小类的缺陷，再根据各自特征加以区分和识别。逐段线宽跟踪进行缺陷区域定位以纵向导线为例，按照下列步骤对一幅存在线宽缺陷的ＰＣＢ图像ｉｍｇ（ｘ，Ｊ，）进行检测，通过先验知识可知图像中线宽ｗ＝１３（像素），导线间最小间距Ｄ＝９（像素）：１、设定一个模板Ｍ，模板边长为ｍａｓｋＳｉｚｅ（Ｗ＜ｍａｓｋＳｉｚｅ＜Ｗ＋Ｄ），本文取ｍａｓｋＳｉｚｅ＝２０（像素），用模扳Ｍ遍历图像；２、模板Ｍ按下式捕捉导线位置：ｊ＜ｍａｓｌＳｔｚｅＲＯＷ＝∑ｉｍｇ（ｘ，ｙ＋．，）ｔ—０Ｉ＜／ｎｄ，ｇｋＳ／ｚ２（４．１８）ｌｉｎｅｌ＝∑ｉｍｇ（ｘ＋ｉ，ｙ）（４．１９）５０第四章ＰＣＢ缺陷榆测与识别＾＜ｍ４ｄ：Ｓｌ昝ｌｉｎｅ２＝∑ｉｍｇ（ｘ＋ｍａｓｋＳｉｚｅ＋ｉ—ｌ，力●１０（４．２０）当Ｒｏｗ≠０，且ｌｉｎｅｌ＝ｌｉｎｅ２＝０时，继续步骤３，否则，放弃，继续步骤ｌ；３、设定一个数组Ｓ［ｍａｓｋＳｉｚｅ】，用来保存各行的线宽：Ｏ＝ｏ～ｍａｓｋＳｉｚｅ）（４．２１）ｓ［ｉ】＿∑ｉｍｇ（ｘ＋ｉ，ｙ＋ｊ）面４、按下列规则扫描数组Ｓ［ｍａｓｋＳｉｚｅ】：如果ｓｌｉ】＞１４，记录坐标信息，进入线宽突起的检测流程；如果研ｆ】＜８，记录位置信息，进入断路、凹坑和空洞的识别流程。缺陷的识别在ＰＣＢ线路里，断路（开路）缺陷是指线路断开，在图像上表现为原本应该相连通的区域分开，所以在线路中只要检测到模板中连通异常就能判断断路缺陷，否则就是空洞或凹坑，再进入空洞和凹坑的识别。上述的步骤４后，在已检测出缺陷位置的模板中，根据下列方法判断断路：广东］。业大学Ｔ学硕十学位论文图４－３线宽减少类缺陷检测流程图Ｆｉｇ４－３ＢｌｏｃｋＤｉａｇｒａｍｏｆＬｉｏｅｗｋｌｔｈｄｅｆｅｃｔｓｄｅｔｅｃｔｉｏｎ凹坑和空洞都是保持了连通特性，只是都出现了线宽减小的情况。空洞是导线区域中的一个封闭背景，而凹坑不封闭，所以区别这两种缺陷可以通过检测缺陷区域的封闭性，对它们识别出来。搜索导线区域，如果缺陷区域存在封闭背景，则判断为空洞，标记缺陷区域；如果是非封闭区域，则判断为凹坑。标记该区域。对一幅２５００＊２０００像素的ＰＣＢ图像进行检测，截取部分图像如图４．４所示：第四章ＰＣＢ缺陷检测与识别待检测图像截图图４－４线宽减少类缺陷的检测Ｆ螗４－４Ｌｉｎｅ断路、凹坑和空洞检测ＷｉｄｔｈＤｅｆｅｃｔｓＤｅｔｅｃｔｉｏｎ在图像检测中，检测精度太高容易造成误判，精度太低则容易漏判，所以检测精度要设定一个合适的范围。在本文的检测程序中，正常线宽为１１个像素，当线宽减少等于４个像素（如上图左下角的凹坑）或大于４个像素（上图中其余缺陷）时，都能准确判断出缺陷。对同一幅图像，用前面介绍过的数学形态学检测算法检测，用时１２７６６ｍｓ，用本文的算法用时１０９４ｍｓ，运算速度远优于数学形态学检测法。４．３．２ＰＣＢ中污点缺陷的检测与识别由于在生产ＰＣＢ的时候可能有灰尘和其他微屑等存在，会造成ＰＣＢ上产生污点。通常污点是在孤立的没有具体形状且相对噪声造成的斑点面积较大，所以不能根据形状特征而要根据面积来检测其存在。通过区域统计算法检测污点，步骤如下：１、宽最小值ａＷｉｄ，设定一个探测模板，本文取尺寸为ｍａｓｋＳｉｚｅ‘ｍａｓｋＳｉｚｅ，其中ｍａｓｋ，Ｓｉｚｅ＜ａＷｉｄ；广东Ｔ业大学Ｔ学硕十学位论文２、模板遍历图像ｉｍｇ（ｘ，ｙ）（其中ｘ∈（０，ｉｍｇＨｅｉｇｈｔ），ｙ∈（Ｏ，ｉｍｇＷｉｄｔｈ）），探测模板的四条边：ｒｎａ』ｋＳｔｃｅ－Ｉｓｌ＝∑ｉｍｇ（ｘ＋ｍｉ，ｙ）№０ｍａｊｋＳｌ＝ｅ－ＩｍＪ＝０（４．２２）ｓ２＝∑ｉｍｇ（ｘ＋ｍｉ，ｙ＋ｍａｓｋＳｉｚｅ－１）ｍａｓｋＳ／．－ｅ－Ｉ（４．２３）ｓ３＝∑ｉｍｇ（ｘ＋ｍａｓｋＳｉｚｅ，ｙ＋ｍｊ）ｍｊ＝ＯｍａｉｋＳｉ＇．ｅ－Ｉ（４．２４）ｓ４＝∑ｉｍｇ（ｘ，ｙ＋ｍｊ）ｍｊ＝Ｏ（４．２５）因为二值图像中“ｌ”代表白，“０”代表黑，所以当ＳＩ＝Ｓ２＝ｓ３＝Ｓ４＝Ｏ时，模板所包围的是一个孤立区域。３、统计模板内的像素点并根据先验知识设定阈值来判断和去除噪声。统计模板内目标像素的和：ｍａｔｋＳｔｚｅ－１ｍａｌｋＳｔｚｅ－ＩｐｉｘＳｕｍ＝∑ｍＯ４．５所示：∑ｉｍｇ（ｘ＋ｍｉ，ｙ＋ｍｊ）ｍｊ＝Ｏ（４．２６）设定阈值ｆ，当ｐｉｘＳｕｍ＞Ｔ时，该区域为污点将它标记出来。检测结果如图待检测图像截图图４－５污点缺陷检测Ｆｉｇ４－５Ｓｐｏｔｄｅｆｅｃｔｓｄｅｔｅｃｔｉｏｎ污点检测第Ｐｑ章ＰＣＢ缺陷检测与识别４．３．３ＰＣＢ线路中短路和凸起缺陷的检测与识别在前面检测线宽减小类缺陷时，部分线宽凸起的缺陷可以通过模板跟踪线宽来定位和识别。然而，有些凸起宽度比较大或不规则，很难用模板定位，直接用单一尺寸的模板去检测有可能会造成漏判，所以可以用多模板探测的方法，即一个Ｔ型探针，而另一个模板的尺寸刚好等于导线间距，来区分短路和凸起。通过分析短路和凸起缺陷，可以发现它们的中轴部分都有Ｔ字型共同特征，而短路缺陷的线宽一般不规则如图４．６所示：图４－６Ｔ型探针Ｆｉｇ４－６‘叮”ｐｒｏｂｅ根据ＰＣＢ的线宽和导线间距，设计Ｔ型的探针可以探测到这类型的缺陷。考虑到在ＰＣＢ中的导线间距有不同值，所以设计时要采用多模板Ｈ８】组合去检测短路缺陷。用该算法检测图像结果如图４．７和图４．８：待测图像截图图４－７Ｆｉｇ４－７短路缺陷检测短路缺陷检测ＳｈｏｒｔＣｉｒｃｕｉｔＤｅｆｅｃｔｓＤｅｔｅｃｔｉｏｎ广东Ｔ业大学Ｔ学硕十学位论文待测幽像截图图４－８凸起缺陷检测Ｆ毽４－８Ｃｏｎｖｅｘｄｅｆｅｃｔｓｄｅｔｅｃｔｉｏｎ凸起检测用Ｔ型探针可以探测到线宽较窄的短路缺陷，在应用Ｔ型探针检测到线宽增加后，根据短路会占据导线间距长度而凸起则比短路缺陷较短的特点，用多模板比较可以区分短路和凸起。４．３．４ＰＣＢ中过孔缺陷的检测与识别要对过孔进行检测，首先要在ＰＣＢ图像里搜索出过孔的位置。由于ＰＣＢ里的过孔数目往往比较多，所以搜索算法时间复杂度要低，效率要高，才能满足实际检测的需要。本文根据ＰＣＢ过孔的形态特征，提出了两种高效的过孔搜索定位算法。一、四方向跳变检测定位法在对ＰＣＢ图像进行二值化和边缘检测后，过孔的情况有以下几种：量！！耋：塑竺坠丝型耋堡型圄回国圃囫囵圃圆图４—９过孔的８种情况Ｆｉｇ４－９８ｋｉｎｄｓｏｆ＇ｖｉａ分析这几种过孔的边缘信息，可以发现过孔图像主要由两部分组成：一个内圆和其外连接。外部的情况比较复杂，而内部都有一个圆，所以可以用统计其纵、横、４５度和反４５度四个方向的特征规律的方法来检测。因为经过图像边缘提取处理后，图像的边缘很难保证是同一线宽，所以不能只靠统计各方向的像素来判断圆，而应该用其变化次数来判断。如图４．１０所示：Ａ…Ａ万可———丌丌ａｂｃｄｅｆｇｈ圆的四个跳变方向图４－１０跳变检测示意图Ｆｉｇ４－１０Ａ方向跳变情况ＳｋｅｔｃｈＭａｐｏｆＪｕｍｐｓＤｅｔｅｃｔｉｏｎ跳变，就是在二值图上，由０变化到ｌ，或由ｌ变化到０。在上图中Ａ，Ｂ，Ｃ，Ｄ代表四个探测方向，以Ａ方向为例，在Ａ方向上ａ，ｂ，ｃ，ｄ，ｅ，ｆ，ｇ，ｈ就是这个方向上的八个跳变点，分别为ａ（Ｏ—１），ｂ（卜－Ｏ），ｃ（Ｏ—１），ｄ（１—０），ｅ（Ｏ一１），ｆ（１一Ｏ），ｇ（０—１），ｈ（１—０）。由于在ＰＣＢ图像上，圆区域必定是过孔区域，所以只要能检测到圆属性到区广东丁业大学工学硕士学位论文域就能判断该区域为过孔区域。以一个大于过孔区域的模板（Ｗ×Ｗ）遍历图像，在本文中模板尺寸为∥＝１９。具体检测过程如下：１、２、从Ａ方向开始统计模板中的跳变点，记录次数Ｔ；如果Ｔ＜６，放弃计算，模板移到下一个像素，继续步骤１，否则进入下一步；３、探测方向顺时针旋转４５度，继续步骤２；如果探测方向为Ｄ，进入下一步；４、５、如果四个方向中，有三个的跳变次数是８次的，即可判断是圆；记录圆心的位置，标记圆区域，如果图像遍历完成，退出程序，否则继续步骤ｌ。用上述步骤检测ＰＣＢ图像，结果如图４－１ｌ：图４－１１跳变检测后的部分截图Ｆ毽４－１１ＰａｒｔｓｏｆＪｕｍｐｉｎｇＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔ由于图像经过边缘提取之后，目标中剩下的像素点大量减少，而上述的方法运算消耗主要在统计变化点，所以使用上述法去检测过孔时，计算量大大减少，在一幅存在很多过孔的图像中能迅速检测出过孔区域来；另外在检测时是统计四第四章ＰＣＢ缺陷检测与识别方向的跳变次数，受噪声影响小，可以在上图中看到，在有噪声存在的情况下，该检测方法有较强的抗噪能力。二、孔洞定位检测算法对于一幅ＰＣＢ图像，如果过孔分布在与其他导线间距较大的比较空旷区域，用跳变检测定位法去检测过孔区域，可以达到快速且准确定位的目的，但是也存在一个不足，就是当过孔之间或过孔与其他导线之间的间距很小，等于或小于过孔的尺寸时，模板就无法将它们区分开来，很难准确定位这种区域的过孔。通过分析上图，可以发现在经过边缘提取之后，仍然有很多细节存在，对于过孔检测来说，过孔之外的信息都属于冗余信息，容易对检测造成干扰，所以要提高检测精度就需要去除那些造成干扰的信息。在图像处理中，往往会根据关注的细节不同而采取不同的二值化方法，来去除冗余信息，突出我们感兴趣的细节信息。而在对过孔定位的处理模块里，我们感兴趣的信息是过孔区域，其他部分则为冗余信息，所以可以考虑设计一个去除冗余背景，突出过孔区域的方法，来达到快速定位的目的，提高定位精度和准确率。因为在采集图像时，在位移平台的承载台上面放了一个黑色不反光的垫板，所以在ＰＣＢ图像中，灰度最低的地方都是出现在过孔的孔洞区域。分析图像，很明显地可以发现；过孔的孔洞位置与过孔的铜箔圆环位置是同一圆心的，所以搜索到孔洞的位置就能搜索到过孔的位置。将孔洞区域的灰度值求平均，所得的均值即为去除ＰＣＢ图像的其他细节的阈值。对图４—１２所示的ＰＣＢ图像以此低阈值进行二值化，可以得到如图４—１３所示的结果：广东Ｔ业大学Ｔ学硕十学位论文图４．１２二值化前的截图Ｆ适４－１２ＰａｒｔｓｏｆＩｍａｇｅｂｅｆｏｒｅｂｈｆＩａｒｉｚａｔｉｏｎ●●●●●●●●●●●●●●●●●●●●●◆◆◆●●●●●◆●●◆●●●●●●图４－１３低阙值二值化后的图像Ｆ毽４－１３ＢｉｎａｒｉｚａｔｉｏｎＩｍａｇｅｂｙＬｏｗＴｈｒｅｓｈｏｌｄ对上图进行孔洞的搜索和定位，以确定过孔位置。分析上图可知，因为此时图像中的圆形的区域只有孔洞区域，所以只要经过粗略判断是圆形区域的必定是孔洞区域。搜索的算法如下：以一个模板遍历图像（模板尺寸须超过孔洞的大小），在本文中首先通过下列公式确定模板与孔洞相切。６０第四章ＰＣＢ缺陷检测与识别（１）探测模板的四条边：Ｓ１＝∑ｉｍｇ（ｘ＋ｍｉ，ｙ）ｍｔ＝Ｏｍａ．－ｋＳｔｚｆ－Ｉ（４．２７）ｓ２＝∑ｉｍｇ（ｘ＋ｍｉ，ｙ＋ｍａｓｋＳｉｚｅ—１）ｍｌ＝Ｏ（４．２８）ｍａＪｋＳｉ：ｅ－Ｉｓ３＝∑ｉｍｇ（ｘ＋ｍａｓｋＳｉｚｅ，．），＋彬）耐＝ＯｍａＪｋＳｉｚｅ－Ｉ（４．２９）ｓ４＝∑ｉｍｇ（ｘ，ｙ＋ｍｊ）州＝０（４．３０）当Ｓ１＝Ｓ２＝ｓ３＝ｓ４＝Ｏ时，模板所包围的是一个孤立区域。（２）再通过下列几个条件判断圆形区域：Ａ、Ｂ、模板第二行和第二列的的像素点数Ｎ均要满足：Ｏ＜Ｎ＜５；模板斜４５度和反斜４５度的像素点数Ｎ要满足：Ｎ＞３０；通过这两个条件探测就能将模板定位到与孔洞相切的位置了，对图用上述的算法进行计算，可以得到定位检测结果如图４—１４：图４－１４孔洞定位结果Ｆｉｇ４－１４ＬｏｃａｔｉｏｎＲｅｓｕｌｔｏｆ拖Ｈｏｌｅ获得的该区域的参数如下：６１广东Ｔ业大学Ｔ学硕十学位论文（４７７，１６１５），３２：（４８６，１９４０），３３：（４９５，２２６８），３４：（４９８，２１５４），２２：（５６６，１１６７），１７：（５６９，１０６６），２９：（５７２，１２８７），３３：（５８０，１６１５），３４：（５８１，１４２２），２１：（５９０，１９４０），３３：（５９９，２２６７），３４：（６０８，２５９５），３９：（６０９，２３４８），２２：（６７２，１０６４），２８；（６７５，１２８６），３３：（６８５，１６１５），３５：（６８６，１３７８），２２：（６９４，１９４０），３４：（７０５，２２６７），３４：（７７７，１０６３），２８：（７８１，１２８５），３２：（７９０，１６１４），３４：（７９９，１９４１），３４：（８０８，２２６６），３４；（８５２，１７１８），２３：（８８６，１２８４），３３：（８９５，１６１３），３４：（８９５，１３７９），２２：（８９６，１４６５），２３；（９０６，１９３８），３３；（９０６，１８２５），２３：（９１５，２２６６），３４：（９８９，１０６２），２７：（９９２，１２８４），３２：（１０００，１６１３），３４；（１００２，１４１８），２１；（１００９，１９３８），３５：（１０１９，２２６５），３４：（１０２０，２０８７），２４：（１０５６，１４５１），２１：（１０９３，１０６２），２８：（１０９７，１２８１），３１：（１１０６，１６１１），３３：（１１１５，１９３８），３５：（１１２５，２２６４），３３：括号中的值为孔洞坐标（ｘ，Ｙ），括号后的值为该孔洞的直径ｄ。ＰｃＢ图像里有大孔和小孔两类，孔洞的直径约为３４和２２。从数据可以看到孔洞的这两类的直径都有不同的值，是因为在采集图像时非严格平行光照射，受光照角度影响在二值化时产生了误差，而实际过孔同类直径大致一样。因为孔洞圆心位置与过孔的圆心位置是相同的，所以通过这个坐标可以确定过孔的位置进而获得过孔的孔径孔位参数。通过分析该区域的参数，与标准参数匹配，可以检测和识别过孔的缺陷。检测和识别过孔的孔径和孔位缺陷的流程如下：图４－１５孔洞检测流程Ｆｉｇ４－１５ＰｒｏｃｅｓｓｏｆＭａＨｏｌｅｄｃｌｔｃｔｉｏｎ由于经过低阈值二值化运算，去除了原图像中与孔洞无关的细节，大大减少了运算量，所以通过上述流程，可以快速和准确地检测出孔径和孔位的缺陷。４．４本章小结本章节结合高分辨率ＰＣＢ图像检测与识别算法的开发实践，对高分辨率ＰＣＢ第四章ＰＣＢ缺陷检测与识别图像缺陷检测和识别的方法与规律作了一些研究与探讨。本章包含的工作有以下几个方面：●根据ＰＣＢ的质量要求，对ＰＣＢ缺陷的成因作了一些分析。●通过研究传统的ＰＣＢ图像缺陷检测方法，得出缺陷检测的一般规律，分析改进的方法。●分析了ＰＣＢ的线宽减少类缺陷的特征，提出了逐段线宽跟踪检测的算法，有效、快速地检测出缺陷位置，取得了很好的效果。●分析了ＰＣＢ的线宽增加类缺陷的特征，提出了Ｔ型探针检测算法，对短路和凸起缺陷有效、快速地检测出缺陷位置，取得了很好的效果。●根据ＰＣＢ过孔缺陷的特征，提出了四方向跳变检测算法，在边缘提取后的ＰＣＢ图像中，能快速地进行过孔定位。●针对ＰＣＢ图像中孔洞区域进行特别处理，提出了孔洞定位检测算法，对孔洞进行准确定位进而检测出过孔的位置与缺陷。广东１＝业大学Ｔ学硕十学位论文第五章高分辨率ＰＣＢ图像缺陷检测系统测试在Ｗｉｎｄｏｗｓ操作系统上，选用ＶｉｓｕａｌＣ＋＋６．０的集成开发环境，研发了高分辨率ＰＣＢ图像采集和ＰＣＢ缺陷检测软件。整个软件主要包括两个部分：精密机械位移扫描装置控制软件和ＰＣＢ缺陷检测软件。ＰＣＢ缺陷检测系统所使用的计算机软硬件基本配置为：操作系统：开发工具：ＣＰＵ：ＷｉｎｄｏｗｓＸＰＶｉｓｕａｌＣ＋＋６．０ＩｎｔｅｌＣｅｌｅｒｏｎ２．９３Ｇ１Ｇ８０ＧＮＶＩＤＩＡＧｅＦｏｒｅｅ６２００内存：硬盘：显示卡：显示器：ＥＭＣＰＺ４５６５．１软件的主要界面操作软件主界面如图５－１所示，采用菜单和按钮形式完成功能的实现，人机信息交互通过对话框形式完成。第五章高分辨率ＰＣＢ图像缺陷榆测系统测试图５－１Ｆｉｇ，５一Ｉ系统主界面ｉｎｔｅｒｆａｃｅｏｆｔｈｅｓｙｓｔｅｍ图像显示窗口Ａ用于显示采集卡获取的局部原始图像，窗口Ｂ显示经过处理的局部图像，而窗口Ｃ显示检测到的缺陷的坐标，点击“显示缺陷”按钮可以定位显示缺陷位置的图像，窗口Ｄ显示采集卡获取的５０００Ｘ５０００像素的缩略图的，只要鼠标在缩略图中点中某一部分，在窗口Ａ、Ｂ中均会显示其对应的细节部分。软件主界面的菜单的功能如下：★文件●打开ｂｍｐ图：打开并显示已有的ｂｍｐ图●原图另存为：保存图像显示窗口Ａ中的图像●处理后另存为：保存图像显示窗１：３Ｂ中的图像★像元补偿：补偿由于光照不均匀性和光学系统不均匀性等带来的误差。★滤波●平均模板（３×３）：对当前图像进行３Ｘ３的邻域平均滤波操作●高斯模板（３Ｘ３）；对当前图像进行３Ｘ３的高斯滤波操作●中值模板（３Ｘ３）：对当前图像进行３×３的中值滤波操作广东１‘业大学Ｔ学硕十学位论文★二值化●固定域值：根据直方图选择固定的阈值进行二值化●迭代域值：根据迭代运算所得的阈值进行二值化●最大类间方差法（ＯＳＴＵ）：根据ＯＳＴＵ所得的阈值进行二值化●分块阈值分割：用动态分块然后用迭代算法进行二值化★边缘检测以及轮廓提取●Ｒｏｂｅｒｔｓ算子：用Ｒｏｂｅｒｔｓ算子对图像进行边缘提取●Ｓｏｂｅｌ算子：用Ｓｏｂｅｌ算子对图像进行边缘提取●Ｐｒｅｗｉｔｔ算子：用Ｐｒｅｗｉｔｔ算子对图像进行边缘提取●统计编码轮廓提取：用基于邻域统计编码的算法提取轮廓●轮廓跟踪：跟踪图像边缘★数学形态学操作●图像腐蚀：设定结构元素后对图像进行腐蚀运算●图像膨胀：设定结构元素后对图像进行膨胀运算●图像开运算：对图像进行开运算●图像闭运算：对图像进行闭运算★检测●线宽检测：用逐段线宽跟踪检测算法检测断路、凹坑和空洞缺陷●Ｔ型探测：用Ｔ型探针检测凸起和短路缺陷●跳变检测：用四方向跳变检测法对过孔定位●空洞检测：用低闽值孔洞识别检测孔径、孔位以上是程序菜单的主要功能，尤其在图像处理识别操作中，大部分操作按钮都设计了相关的选择对话框或操作子界面，以便于程序功能的实现５．２软件的总体流程整个系统的总体流程包括：精密机械位移平台的运动，图像的采集，将采集进来的数据保存为ｂｍｐ图并显示，像元补偿，图像预处理，ＰＣＢ图像缺陷检测。在采集到ＰＣＢ图像后，进行预处理，预处理的流程是：用中值滤波算法对灰度图进行滤波处理，然后进行灰度拉伸，再用动态分块阈值对图像二值化，对获第五章高分辨率ＰＣＢ图像缺陷榆测系统测试得的二值图用区域统计去噪方法消除噪声，预处理后的图像就可以进行后续的缺陷检测了。图像预处理后进入缺陷检测流程，应用基于缺陷特征的检测算法，按照下面步骤进行检测：ｌ、先用线宽跟踪检测算法检测线宽减少类缺陷，然后根据断路、凹坑和空洞的连通和封闭区别识别这三中缺陷；２、用Ｔ型探针探测图像，检测到凹坑和短路缺陷后，根据线宽特征和长度特征识别凹坑和短路；３、４、用区域面积统计检测污点缺陷，并保存图像和缺陷信息；重新打开待检测的灰度图，用低阈值进行二值化，去除其余图像信息后剩下过孔的孔洞区域信息；５、根据圆特征粗判断即可快速检测到孔洞区域，记录下孔洞坐标和孔洞直径信息后就可以通过比较标准孔洞信息来判断缺陷了。５．３缺陷检测测试与结果分析５．３．１缺陷检测测试本论文在第四章已经提出了针对具体ＰＣＢ缺陷的一些算法，为了验证其有效性和可靠性，以一幅ＰＣＢ图像按照上述的流程进行检测：首先，进行线宽减少类缺陷检测，得到断路、凹坑和空洞的缺陷信息。』奎三些奎兰三兰塑圭兰堡兰耋Ｉ！ｆＩＦｉｇ５－２５．２线宽减少类的断路、空洞、凹坑缺陷检测ｌ玺ＩＲｅｓｕｌｔｏｆＳｈｏｒｔＣｉｒｃｕｉｔ，ＰｉｎＨｏｌｅａｎｄＣｏｎｃａｖｅｄｅｆｅｃｔｓｄｅｔｅｃｔｉｏｎ然后，进行短路和凸起缺陷检测。篓三兰耋坌鍪兰！塑里丝竺塑竺竺至竺塑兰图５．３Ｆｉｇ５—３短路和凸起缺陷检测ＲｅｓｕｌｔｏｆＳｈｏｒｔＣｉｒｃｕｉｔａｎｄＣｏｎｖｅｘＤｅｆｅｃｔｓＤｅｔｅｃｔｉｏｎ接着，进行污点缺陷检测。广东－［业大学Ｔ学硕十学位论文图５－４污点缺陷的检测Ｆｉｇ５－４ＲｅｓｕｌｔｏｆＳｐｏｔＤｅｆｅｃｔｓｄｅｔｅｃｔｉｏｎ最后，重新打开ＰＣＢ图像，进行孔洞信息搜索和保存到文件中。篓三耋立２丝童：呈里丝竺塑丝塑重竺型篁图５－５过孔的孔洞搜索Ｆｉｇ５－５Ｈｏｌｅｏｆ№ｌｏｃａｔｉｏｎ保存孔洞信息如下：（４７７，１６１５），３２；（４８６，１９４０），３３：（４９５，２２６８），３４；（４９８，２１５４），２２；（５６６，１１６７），１７：（５６９，１０６６），２９：（５７２，１２８７），３３：（５８０，１６１５），３４：（５８１，１４２２），２１：（５９０，１９４０），３３：（５９９，２２６７），３４：（６０８，２５９５），３９：（６０９，２３４８），２２：（６７２，１０６４），２８：（６７５，１２８６），３３：（６８５，１６１５），３５：（６８６，１３７８），２２：（６９４，１９４０），３４：（７０５，２２６７），３４：（７７７，１０６３），２８：（７８１，１２８５），３２：（７９０，１６１４），３４：（７９９，１９４１），２８：（８０８，２２６６），３４；（８５２，１７１８），２３：（８８６，１２８４），３３：（８９５，１６１３），３４：（８９５，１３７９），２２：（８９６，１４６５），２３：（９０６，１９３８），３３：（９０６，１８２５），２３：（９１５，２２６６），３４：（９８９，１０６２），２７：（９９２，１２８４），３２：（１０００，１６１３），３４：（１００２，１４１８），２１：（ｔ００９，１９３８），３５：（１０１９，２２６５），３４：（１０２０，２０８７），２４：（１０５６，１４５１），２１：（１０９３，１０６２），２８：（１０９７，１２８１），３１：（１１０６，１６１１），３３：（１１１５，１９３８），３５：（１１２５，２２６４），３３：与标准的孔洞比较即可获得孔位和孔径缺陷：（７９９，１９４１），２８：获得检测结果后再与实际情况对比，以便分析算法。７１广东Ｔ业大学下学硕士学位论文５．３．２检测结果分析为了检验算法有效性和分析不足，将检测结果与实际情况对比，如表５．１所不：表５－ｌ检测结果对照表Ｔａｂｌｅ５－ｌＴａｂｌｅｏｆＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔ缺陷种类断路凹坑空洞污点短路凸起过孔实际数目１６１４３１ｌ２Ｏ检钡９到数目１５１８ｌｌ２ｌｌ漏判１０２Ｏ０ｌＯ误判Ｏ４Ｏ０ｌＯｌ由于断路、凹坑和空洞缺陷检测都是用线宽跟踪检测算法，所以可以将它们的检测结果的不足归类分析，这些区域的截图如图：图５－６Ｆｉｇ５－６断路、凹坑和空洞误判和漏判的类型ＷｒｏｎｇＪｕｄｇｅａｎｄＭｉｓｓＪｕｄｇｅＴｙｐｅｏｆＬｋｌｅｗｉｄｔｈｄｅｆｅｃｔｓ由于本论文检测断路、凹坑和空洞的方法是跟踪捕捉线宽畸变的区域，当有缺陷面积过小、不规则区域或因二值化处理结果不佳时，就会造成误判。凹坑缺陷的检测结果有４个误判，其原因是在二值化时，因光照不均造成某些区域的线宽出现畸变，干扰了检测。空洞与断路缺陷误判相似，由于缺陷太小，在检测程序的精度下无法发现这类缺陷造成的线宽变化，所以造成了漏判。而污点缺陷因为检测方法比较简单，只要通过先验知识设置合适的判断阈值就能检测出污点位置。短路和凸起类缺陷检测结果中的误判和漏判分析：第五章高分辨率ＰＣＢ图像缺陷检测系统测试图５—８凸起漏判类型Ｆｉｇ５—９图５－９短路误判类型ＷｒｏｎｇＪｕｄｇｅｔｙｐｅｏｆＳｈｏｒｔＣｉｒｃｕｉｔＦｉｇ５－８ＭｉｓｓＪｕｄｇｅｔｙｐｅｏｆ［－ｌｅａｖｅＣｉｒｃｕｉｔ从图５．８可以看到，当凸起缺陷的凸起部分太短时，用Ｔ型探针去探测就有可能不满足条件而造成漏判了；而短路缺陷的误判情况相反，由于图５－９的情况刚好就满足Ｔ型探针的特征，所以在检测时造成了误判。过孔缺陷检测时，出现有孔洞直径和位置参数错误：过孔原图图５．１０孔洞参数的示意图孔洞二值图Ｆｉｇｓ一１０Ｉｍａｇｅｏｆｔｈｅ＇ｖｉａ＇ｓｈｏｌｅ从图５．１０可以看出，当过孔受到光照角度不恰当时在其边缘会有不规则的反光，在二值化后就会使孔洞的二值图出现不规则的圆形，造成参数错误。从上面检测结果的误判和漏判原因分析，可以总结出一些检测规律：ｌ、从灰度图开始，图像预处理就要考虑到后续处理和检测时的需要，尽量消除干扰和消除冗余信息；２、在设计检测算法时，根据实际情况和图像缺陷的特征，总结出更加具有针对性的模式，设置恰当的检测精度和参数，减少漏判；３、在控制精度和减少漏判的同时，还要从实验结果中得出处理经验值，找出缺陷与非缺陷的区别，防止误判。５．４本章小结在本章中，首先介绍了ＰＣＢ缺陷检测系统软件的界面和流程，然后以一幅ＰＣＢ图像进行检测实践测试，最后根据实验结果进行了分析，针对算法中存在的问题总结了缺陷检测的规律。广东Ｔ业大学Ｔ学硕十学位论文总结与展望本学位论文研究基于高分辨率ＰＣＢ图像的缺陷检测技术。在深入了解和分析传统缺陷检测方法的基础上，应用现有的图像采集处理系统平台，对其在高分辨率ＰＣＢ图像缺陷检测技术与实现方法进行研究，并结合应用实际，对高分辨率ＰＣＢ图像预处理后针对具体缺陷进行检测，开发出一套基于高分辨率ＰＣＢ图像的缺陷检测系统，实现了ＰＣＢ缺陷的自动检测与识别，并为进一步研究ＰＣＢ检溪９与识别技术提供一个开放式实验平台。课题在对精密机械位移扫描装置的控制、照明系统设计、图像采集系统的研究基础上，实现有定位基准情况下的孔位、孔径检测，短路、开路缺陷（ｓｌ／２线宽）检测，污点、空洞检测等，并在相关算法的研究、实现等方面开展了大量工作，课题的创新及主要工作表现在以下几个方面：（１）针对单光源照射会在过孔边缘造成失真的情况，设计了双光源照射进行光照补偿。（２）针对亮度不均的大幅面ＰＣＢ图像，提出了基于梯度的动态分块迭代阈值图像二值化方法，真实地保留了灰度较暗区域的图像细节，有效地解决了亮度不均的图像二值化问题。（３）针对ＰＣＢ图像的噪声特点，应用区域统计去噪方法，消除噪声，获得了高质量的ＰＣＢ二值图像。（４）在ＰＣＢ图像边缘提取上，应用基于邻域统计编码算法，在保持边缘连续性基础上获得单像素边缘，去除了大量冗余信息。（５）分析ＰＣＢ的开路、凹坑和空洞缺陷特征，提出逐段线宽跟踪算法，实现了对线宽减少类缺陷进行快速、有效检测。（６）分析ＰＣＢ的短路和凸起缺陷特征，提出Ｔ型探针检测算法，实现了对线宽增大类缺陷进行快速、有效检测。（７）分析ＰＣＢ过孔缺陷的特征，对过孔定位提出了四方向跳变探测算法和孔洞定位检测算法，实现了对过孔的定位。（８）在研发上述方法的基础上，在ｖＣ＋＋６．０平台上开发了图像采集、处理总结与展望和ＰＣＢ缺陷检测程序，实现对精密机械位移扫描装置的驱动控制、二维图像的采集和ＰＣＢ缺陷检测。本文的工作限于实验样机的研制，系统对一些具体的ＰＣＢ缺陷已具备一定的检测识别能力，但在缺陷检测与识别精度上离实用系统还有一定的差距，课题进一步的研究工作可以从以下几个方面加以改进：（１）采用更高精度的线阵ＣＣＤ和改善镜头，以提高系统的检测精度；（２）继续完善系统的光学设计，采用方向性更强和照射更均匀和可变光色的光照系统，减少金属反光干扰，以获得质量更高的ＰＣＢ图像；（３）本论文在对因镜头和光照原因，造成两侧有明显边缘模糊的ＰＣＢ图像进行了预处理，但还要进一步改进来满足后续检测更高的要求；（４）本论文根据要求对一些具体ＰＣＢ缺陷提出了检测算法，在对更通用的缺陷检测方法上还需进一步研究，以满足更广泛的应用。．。由于提出的方案在某些方面还存在不足，加上时间和条件的限制，希望能够根据以上所述的改进思想，给以后继续从事这方面研究的人员以帮助，也希望自己能够在将来的学习、工作中继续努力。广东Ｔ业大学Ｔ学硕士学位论文参考文献［１］王庆有．ＣＣＤ应用技术［Ｍ］．天津大学出版社．２００２．［２］张道勇．基于线阵ＣＣＤ的大幅面扫描技术研究［Ｄ］．广东工业大学硕士学位论文．２００５．０６［３］张扬．ＰＣＢ缺陷识别算法的研究［Ｄ］．北京服装学院硕士学位论文．２００６．０３［４］尤海云．印刷电路扳瑕疵图像在线实时检测方法的研究及应用［Ｄ］．北京科技大学硕士学位论文．２００４．０３［５］伏燕军等．基于图像处理技术的钢管内直径及表面检测［Ｊ］．应用光学．２００３．０３［６］徐杜，蒋永平．采用数字同步技术的轴类零件尺寸光电检测法［Ｊ］．光电工程．２００４．０８［７］谢智开．基于ＣＣＤ光电图像二维轮廓多尺寸检测技术的研究［Ｄ］．广东工业大学硕士学位论文．２００６．０５［８］Ｍｏｇａｎｔｉ，Ｍ．Ｅｒｃａｌ，Ｆ．ＡｕｔｏｍａｔｉｃＰＣＢｉｎｓｐｅｃｔｉｏｎｓｙｓｔｅｍｓ［Ｊ］．ＰｏｔｅｎｔｉａｌＳ，ＩＥＥＥ．Ｖｏｌｕｍｅ１４，Ｉｓｓｕｅ３，Ａｕｇ—Ｓｅｐ１９９５Ｐａｇｅ（Ｓ）：６—１０［９］狳胜海．印刷电路板在线自动视觉检测系统的分析研究［Ｄ］．合肥工业大学硕士学位论文．２００１．０３［１０］何东瑶．ＰＣＢ板焊接缺陷检测及分析处理［Ｄ］。东北大学硕士学位论文．２００６．０２［１１］陆洋等．ＣＣＤ图像采集过程中的实时误差校正［Ｊ］．上海理工大学学报．２００３．０２．［１２］刘亚侠等．线阵ＴＤＩＣＣＤ遥感相机非均匀性校正的研究［Ｊ］．光学技术．２００３．０６．［Ｉ３］陈迎娟等．ＣＣＤ像素响应不均匀性的校正方法［Ｊ］．光学精密工程．２００４．０４［１４］Ｂｕａｄｅｓ，Ａ．Ｃｏｌｌ，Ｂ．Ｍｏｒｅｌ，Ｊ．一Ｍ．Ｔｈｅｓｔａｉｒｃａｓｉｎｇｅｆｆｅｃｔｉｎ参考文献ｎｅｉｇｈｂｏｒｈｏｏｄｆｉｌｔｅｒｓａｎｄｉｔｓｓｏｌｕｔｉｏｎ［Ｊ］．ＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎ．Ｖｏｌｕｍｅ１５，ＩＳｓｕｅ６，Ｊｕｎｅ２００６Ｐａｇｅ（ｓ）：１４９９—１５０５［１５］ＸｉａｏｙｉｎｒｅｍｏｖｅＸｕ，Ｍｉｌｌｅｒ，Ｅ．Ｌ．Ａｄａｐｔｉｖｅｔｗｏ—ｐａｓｓｍｅｄｉａｎｆｉｌｔｅｒｔｏｉｍｐｕｌＳｉｖｅｎｏｉｓｅ［Ｊ］．ＩｍａｇｅｏｎＰｒｏｃｅｓｓｉｎｇ．Ｐｒｏｃｅｅｄｉｎｇｓ．２００２Ｖ０１ｕｍｅ１，２２—２５Ｓｅｐｔ．２００２ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｖ０１．１Ｐａｇｅ（Ｓ）：Ｉ一８０８一Ｉ一８１１［１６］翟红芳等．中值滤波和边缘检测在复杂背景图像分割中的应用［Ｊ］．现代计算机．２００６．０９［１７］Ａｉａｚｚｉ，Ｂ．，Ａｌｐａｒｏｎｅ，Ｌ．，Ｂａｒｏｎｔｉ，Ｓ．，Ｌｏｔｔｉ，Ｆ．Ｌｏｓｓｌｅｓｓｉｍａｇｅｃｏｍｐｒｅｓｓｉｏｎｂｙｑｕａｎｔｉｚａｔｉｏｎｆｅｅｄｂａｃｋｉｎａｃｏｎｔｅｎｔ—ｄｒｉｖｅｎＩＥＥＥｅｎｈａｎｃｅｄＬａｐｌａｃｉａｎｏｎｐｙｒａｍｉｄ［Ｊ］．ＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，ＴｒａｎｓａｃｔｉｏｎｓＶ０１ｕｍｅ６，ＩＳｓｕｅ６，Ｊｕｎｅ１９９７Ｐａｇｅ（ｓ）：８３１—８４３ｆｏｒ［１８］ＲａｆａｅｌＣｇｏｎｚａｌｅｚ，ＲｉｃｈａｒｄＥＷｏｏｄｓ．Ｃｏｎｔｒａｓｔｅｎｈａｎｃｅｍｅｎｔｉｍａｇｅｗｉｔｈｎｏｎ－ＩｉｎｅａｒｇｒａｙｔｒａｎｓｆｏｒｍａｎｄｗａｖｅｌｅｔｎｅｕｒａｌＢｅｉｎｅｔｗｏｒｋ［Ｍ］．Ｊｉｎｇ：ＰｕｂｌｉｓｈｉｎｇＰＨｏｕｓｅｏｆＥ１ｅｃｔｒｏｎｉＣＳＳ，ＷｏｎｇＡＫＩｎｄｕｓｔｒｙ．２００３．ＹＣ．ＡＳｕｒｖｅｙｏｆ［１９］ＳａｈｏｏＫ，ＳｏｌｔａｎｉＣ，ＣｈｅｎＴｈｒｅｓｈｏｌｄｉｎｇＴｅｃｈｎｉｑｕｅｓ［Ｊ］．ＣｏｍｐｕｔｅｒＶｉＳｉｏｎ，ＧｒａｐｈｉＣＳ，ａｎｄＩｍａｇｅ“ＰｒｏｃｅｓＳｉｎｇ，１９８８，４１：２３３—２６０．［２０］ＰａｌＰａｔｔｅｒｎＮＲ，ＰａｌＳＫ．ＡＲｅｖｉｅｗＯｎＩｍａｇｅＳｅｇｍｅｎｔａｔｉｏｎＲｅｃｏｇｎｉｔｉｏｎ，１９９３，２６：１２７７—１２９４．Ｔｅｃｈｎｉｑｕｅｓ［Ｊ］．［２１］杨淑莹．Ｖｃ＋＋图像处理程序设计【Ｍ】．北京：清华大学出版社，北方交通大学出版社，２００３．［２２］ＯｓｔｕＮ．ＡＴｈｒｅｓｈ０１ｄＳｅｌｅｃｔｉｏｎＭｅｔｈｏｄｆｒｏｍＧｒａｙ一１ｅｖｅｒＨｉｓｔｏｇｒａｍ．ＩＥＥＥＴｒａｎｓ．Ｓｙｓｔｅｍｓ，Ｍａｎ，ａｎｄＣｙｂｅｒｎｅｔｉｃｓ，１９７８，８：６２—６６．［２３３ＪｉｎＬｉ—Ｓｈｅｎｇ，ＴｉａｎＬｅｉ，ＷａｎｇＲｏｎｇ—ｂｅｎ，ＧｕｏＬｉｅ，ＣｈｕＪｉａｎｇ—ｗｅｉ．ＡｎｉｍｐｒｏｖｅｄＯｔｓｕｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍｆｏｒｐａｔｈｍａｒｋｄｅｔｅｃｔｉｏｎｕｎｄｅｒｖａｒｉａｂｌｅｉｌｌｕｍｉｎａｔｉｏｎ［Ｊ］．ＩｎｔｅｌｌｉｇｅｎｔＶｅｈｉｃｌｅｓＳｙｍｐｏｓｉｕｍ，２００５．Ｐｒｏｃｅｅｄｉｎｇｓ．ＩＥＥＥ．６－８Ｊｕｎｅ２００５：８４０’８４４．［２４］欧阳庆．不均匀光照下车牌图像二值化研究［Ｊ］．武汉大学学报．２００６．广东Ｔ业大学工学硕士学位论文第３９卷，４期．［２５］林俊等．基于梯度的动态分块迭代阈值图像二值化方法［Ｊ］．光学与光电技术．２００６．第４卷第５期．［２６］ＢｒｅｓｅｎＪ．ＤｙｎａｍｉＣ８“ＩｎｔｅｌＣｏｎｆ．ｏｎＴｈｒｅｓｈｏｌｄｉｎｇｏｆＧｒａｙ一１ｅｖｅｌＩｍａｇｅｓ．ＰｒｏｃｏｆＰａｔｔ．Ｒｅｃｏｎ．ＰａｒｉＳ．Ｆｒａｎｃｅ：ＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅｔＹＰｒｅＳＳ。１９８６：１２５１一１２５５．［２７］刘平等．基于边缘信息的图像阈值化分割方法［Ｊ］．计算机应用。２００４．ＶｏＬ２４，Ｎｏ．９．［２８］何斌等．ＶＣ＋＋数字图像处理［Ｍ］．第二版．北京：人民邮电出版社．２００２［２９］章毓晋．图像处理和分析［Ｍ］．北京：清华大学，１９９９．［３０］黄文恺等。基于邻域统计编码的轮廓提取在ＣＣＤ二维多尺寸检测中的应用ＣＪ］．光学与光电技术．２００６．第４卷第５期．［３１］张波．基于小波变换的印刷线路板缺陷视觉检测系统研究［Ｄ］．西安交通大学硕士学位论文．２００４．０３［３２］Ｍｏｋｊｉ，Ｍ．Ｃｏｎｃａｖｅｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎａｎｄｏｎａｎｄｃｏｎｖｅｘａｒｅａｏｎｐｌａｎａｒｃｕｒｖｅｆｏｒｓｈａｐｅｒｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍＣａｔ．Ｎｏ．ＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇａｎｄＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ（ＩＥＥＥ０６ＥＸｌ４５５）．２００６．Ｐ４６２—７［３３］刘尚军．印刷电路板瑕疵自动光学检测系统的研究［Ｄ］．华中科技大学硕士学位论文．２００４．０４．［３４］翁毅志．Ｐ息．２００３．ＮＯ．７．［３５］步立新．光学检测机中图像识别的研究［Ｄ］．上海交通大学硕士学位论文．２００４．０４．［３６］Ａｇｇａｒｗａｌ，Ａ．ＮｅｗｃｏｍｐｕｔａｔｉｏｎａｌＣＢ外层ＡＯＩ缺陷的分类【Ｊ］，印制电路信ｇｅｏｍｅｔｒｉＣｃｏｎｃｅｐｔｓｉｎｍａｔｈｅｍａｔｉｃａｌｏｎａｎｄｍｏｒｐｈｏ］ｏｇｙ［Ｊ］．ＷＳＥＡＳＴｒａｎｓａｃｔｉｏｎｓＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＡｐｐｌｉｃａｔｉｏｎｓ．ｖ３，ｎ１０，Ｏｃｔ．２００６，Ｐａｄａｐｔａｂｌｅｍａｔｈｅｍａｔｉｃａｌｏｎ１９７６—８４［３７］Ｃｕｉｓｅｎａｉｒｅ，０．ＬｏｃａｌｌＹ２００５Ｉｎｔｅｒｎａｔｉｏｎａｌｍｏｒｐｈｏｌｏｇｙ［Ｊ］．ＣｏｎｆｅｒｅｎｃｅＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ．２００６．ｐＩＩ一１２５—８［３８］Ｌｅｚｏｒａｙ，０．．Ｍｅｕｒｉｅ，Ｃ．．Ｅｌｍｏａｔａｚ，Ａ．Ａｃｏｌｏｒｍａｔｈｅｍａｔｉｃａｌｏｎｇｒａｐｈａｐｐｒｏａｃｈｔｏｍｏｒｐｈｏｌｏｇｙ［Ｊ］．２００５ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＳｙｍｐｏｓｉｕｍＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇａｎｄＩｎｆｏｒｍａｔｉｏｎ８５６—６ｌＴｅｃｈｎｏｌｏｇｙ（ＩＥＥＥＣａｔ．Ｎｏ．０５ＥＸｌｌ３５Ｃ），２００６，Ｐ［３９］Ｋｉｋｕｃｈｉ，Ｔ．ＣｈａｒａｃｔｅｒｉＵＳｉｎｇｅｌｆｕｚｚｙｍａｔｈｅｍａｔｉｃａｌｓｔｉｃｅｘｔｒａｃｔｉｏｎｆｒｏｍｍｏｒｐｈｏｌｏｇｙｗｉｔｈａｎａｍｂｉｇＵＯＵＳｉｍａｇｅｓｔｒｕｃｔｕｒｉｎｇａｄａｐｔｉｖｅｏｎｅｍｅｎｔｓ［Ｊ３．１０ｔｈＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ２２８—３１ＦｕｚｚｙＳｙｓｔｅｍｓ．（Ｃａｔ．Ｎｏ．０１ＣＨ３７２９７），２００１，ｐｔ．１，Ｐｖ０１．１［４０］袁石夫等．用于印刷电路板缺陷检测的光学视觉［Ｊ］．光子学报．［４ｌ［４２９９４．０６印刷线路板的过孔［Ｊ］．电子电路与贴装．２００５年第６期徐春．基于Ｈｏｕｇｈ变换的双球冲球心精确定位技术［Ｊ】．计算机应用．第２６卷第９期．［４３］李刚．印刷线路板图像检测方法和系统研究［Ｄ］．北京化工大学硕士学位论文．２００２．０５［４４３ＤａｉｓｈｅｎｇＬｕｏ．ＣｉｒｃｕｌａｒＨｏｕｇｈｔｒａｎｓｆｏｒｍｆｏｒｒｏｕｎｄｎｅｓｓｍｅａｓｕｒｅｍｅｎｔｏｆｏｂｊｅｃｔＳ［Ｊ］．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，ｖ２８，ｎ１１，Ｎｏｖ．１９９５，Ｐ１７４５—９［４５］王健等．基于梯度的随机Ｈｏｕｇｈ快速圆检测方法［Ｊ］．计算机应用研究．２００６年２３卷８期［４６］Ｐａｒｋ，Ｍ．ＬｏｃａｔｉｎｇＰｒｏｃｅｅｄｉｎｇＳ．ＴｅｃｈｎｉｑｕｅｓＣｏｍｐｕｔｅｒｔｈｅｏｐｔｉＣｄｉＳＣｉｎｒｅｔｉｎａｌａｎｄｉｍａｇｅｓ［Ｊ］。ＧｒａｐｈｉＣＳ，Ｉｍａｇｉｎｇ５ＰＰ．ＶｉｓｕａｌｉｓａｔｉｏｎａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２００６，Ｐａｎｄ［４７］Ａｒｉｎｉ，Ｐ．０．ＧｅｏｍｅｔｒｉｃａｌｑｕａｎｔｉｆｉｃａｔｉｏｎｄｉｓｐｅｒｓｉｏｎｉｎＣａｒｄｉｏｌｏｇｙａｎｔｅｍｐｏｒａｌｖｅｎｔｒｉｃｕｌａｒＥＣＧｆｅａｔｕｒｅｓｆｏｒｏｆｉｎｃｒｅａｓｅｄｒｅｐｏｌａｒｉｚａｔｉｏｎｉｎｅｘｐｅｒｉｍｅｎｔａｌｈｅａｒｔｒａｂｂｉｔｍｏｄｅｌ［Ｊ】．Ｃｏｍｐｕｔｅｒｓ４ＰＰ．２００５（ＩＥＥＥＣａｔ．Ｎｏ．０５ＣＨ３７７１２），２００５，Ｐ［４８］李强．ＰＣＢ板缺陷自动检测技术的分析研究［Ｄ］．合肥工业大学硕士学位论文．２００２．０６攻读学位期问发表的论文攻读学位期间发表的论文１．林俊、徐杜、蒋永平、黄文恺、段海淼．基于梯度的动态分块迭代阈值图像二值化方法．光学与光电技术．２００６．１０．２．黄文恺、徐杜、蒋永平、林俊、段海淼．基于邻域统计编码的轮廓提取在ＣＣＤ二维多尺寸检测中的应用．２００６．１０８１广东Ｔ业大学Ｔ学硕十学位沦文致谢在三年的研究生学习期『自Ｊ，我得到了导师徐杜教授及师母蒋永平高级工程师的悉心指导和教诲，以及生活上无微不至的关怀，使我在研究生学习生活中受益匪浅。在本课题的研究过程中，徐杜老师对我的学习进行了认真地指导，在课题遇到困难的时候都会给我帮助，使我在图像识别的方法的探索上少走了很多弯路，并对相关的理论知识有了更进一步地认识。导师渊博的学识，严谨的治学态度，扎实的理论基础，丰富的实践经验，以及一丝不苟的敬业精神和诲人不倦的育人精神给我深刻的印象，必将对我产生积极的影响。徐杜教授、蒋永平高级工程师对我的学习和生活悉心关怀，我的每一份收获都来源于导师的辛勤汗水；在毕业求职期间，两位老师也给了我莫大的鼓励和支持；在论文撰写阶段，两位老师花费了大量的时间和精力详细审阅全文，并提出了宝贵的意见，这些都令我由衷地感激。感谢审阅本文的教授、专家和学者，感谢你们对本文的审阅和悉心指导。还要感谢同实验室的王日明师兄，同窗黄文恺，师弟黄杰贤、董晓庆和张顺扬，及其他帮助过我的师弟，他们在日常的学习和生活中给我指点和关心；在读研期间，得到了同班同学的亲切关怀，在此向他们表示诚挚的谢意，大家一起在这个温暖的大家庭里度过了一段非常难忘的时光。感谢父母和亲人多年来的养育和教导，他们一直默默支持我的学业，本文仅仅是两年多学习工作的简单总结，但希望这是我能送给他们的最好礼物！林俊２００７年５月基于高分辨率PCB图像的缺陷检测技术研究

作者：

学位授予单位：

林俊

广东工业大学

本文链接：http://d.g.wanfangdata.com.cn/Thesis_Y1128956.aspx