通孔器件機器視覺(jué)檢測算法
通孔器件機器視覺(jué)檢測算法【1】
摘 要：分析了機器視覺(jué)檢測算法的發(fā)展概況，采用標準機器視覺(jué)開(kāi)發(fā)包，研究了通孔器件的機器視覺(jué)檢測算法。
結果表明，針對通孔器件的不同特點(diǎn)，分成線(xiàn)束類(lèi)和非線(xiàn)束類(lèi)，分別采用NI視覺(jué)開(kāi)發(fā)模塊中的顏色定位算法和彩色模板匹配算法，使用不同的綜合判據是可行的。
關(guān)鍵詞：通孔器件;機器視覺(jué);檢測算法;顏色定位算法;彩色模板匹配算法
機器視覺(jué)在電子行業(yè)得到廣泛應用，但主要集中于印刷電路、表面貼裝，而通孔器件的通用質(zhì)量檢測設備則是空白或依賴(lài)定制。
在電子產(chǎn)品組裝工藝中，除了表面貼裝器件，還有大量的機插和手工裝配的通孔元器件，如：接插件、連接線(xiàn)、大尺寸電解電容、變壓器等。
這些器件大多有方向、極性、位置等要求，但同時(shí)又是在線(xiàn)測試、功能測試的盲點(diǎn)，只能通過(guò)人工目視檢查。
由于操作員工技能、疲勞程度等因素影響，很容易造成漏檢，存在很大的質(zhì)量風(fēng)險。
外觀(guān)漏檢成為某公司客戶(hù)退返板第二大原因，達到35.1%，占外部故障成本的14.3%。
因此，進(jìn)行通孔器件檢測算法研究，研發(fā)基于機器視覺(jué)的通孔器件通用檢測平臺非常必要。
該算法應能檢測接插件、連接線(xiàn)、電解電容、變壓器、濾波器、二極管等機插和手工裝配的通孔器件，可檢驗缺件、錯件、極性反、線(xiàn)序錯、位置偏移等不良。
1 機器視覺(jué)檢測算法發(fā)展概況
機器視覺(jué)已成為生產(chǎn)過(guò)程關(guān)鍵技術(shù)之一，在傳感器將圖像數據傳送到計算機后，對這些圖像數據的處理是機器視覺(jué)過(guò)程的真正關(guān)鍵[1]。
目標識別、位置探測、完整性檢測、形狀和尺寸檢測、表面檢測等是幾種常用在必須有機器視覺(jué)系統參與的任務(wù)中的算法。
印刷電路板(Printed Circuit Board，PCB，下稱(chēng)PCB)圖像的檢測算法，大致可分為三大類(lèi)：有參考比較算法、無(wú)參考校驗法以及混合型算法。
有參考比較算法分為圖像對比法和模型對比法;無(wú)參考校驗法又稱(chēng)為設計規則校驗法;混合型算法則綜合上述兩種算法，揚長(cháng)避短。
目前自動(dòng)光學(xué)檢測(Automatic Optical Inspection，AOI，以下簡(jiǎn)稱(chēng)AOI)系統圖像處理基本上采用參考算法，國外進(jìn)口品牌大多使用圖像匹配、法則判別等多種組合手段[2]。
PCB檢測的參考算法主要采用形狀匹配，可以選擇的特征提取技術(shù)包括像素運算、模板匹配、霍夫變換等[3]。
模板匹配可以用來(lái)實(shí)現完整性檢測和物體識別。
基本的模板匹配算法包括基于灰度值的模板匹配、使用圖形金字塔進(jìn)行匹配、基于灰度值的亞像素精度匹配、帶旋轉與縮放的模板匹配。
多年來(lái)，機器視覺(jué)應用中都選用這些基本模板匹配算法。
然而，越來(lái)越多的應用要求在存在遮擋、混亂和非線(xiàn)性光照變化的情況下找到目標物體，基于灰度值的模板匹配算法不能夠處理這些類(lèi)型的干擾。
因此需要使用邊緣匹配算法等可靠的模板匹配算法[1]。
實(shí)現一個(gè)穩定可靠的模板匹配的基本算法已經(jīng)相當復雜，而使這些匹配算法更穩定快速的過(guò)程則更加復雜。
一般機器視覺(jué)用戶(hù)都依賴(lài)標準軟件包來(lái)提供這些功能，而不會(huì )試圖自己實(shí)現[1]。
下面將介紹美國國家儀器(National Instruments，NI，以下簡(jiǎn)稱(chēng)NI)視覺(jué)開(kāi)發(fā)模塊，以及基于NI視覺(jué)開(kāi)發(fā)模塊進(jìn)行的通孔器件檢測算法研究。
2 美國國家儀器視覺(jué)開(kāi)發(fā)模塊的應用
2.1 美國國家儀器視覺(jué)開(kāi)發(fā)模塊
NI視覺(jué)開(kāi)發(fā)模塊包含數以百計的視覺(jué)函數，NI LabVIEW、NI LabWindows/CVI、C/C++、或Visual Basic可以使用這些函數創(chuàng )建功能強大的視覺(jué)檢測、定位、驗證和測量應用程序。
所有NI視覺(jué)開(kāi)發(fā)模塊函數都使用以十分之一像素和十分之一度的亞像素級精確度來(lái)對位置、距離、和測量值進(jìn)行插值[4]。
通常在選擇視覺(jué)系統時(shí)，精確度、易用性、執行速度是三個(gè)需要考慮的重要因素。
NI視覺(jué)軟件是高度優(yōu)化的，它通過(guò)各種可能的途徑提升性能，使得其可以與世界上最快的視覺(jué)軟件包媲美。
事實(shí)上，與領(lǐng)先的視覺(jué)軟件供應商相比，NI視覺(jué)軟件在許多項目上都更為快速[4]。
2.2 通孔器件檢測算法和綜合判據
由于通孔元器件材料、形狀、尺寸變化大，插裝位置不如表面貼片器件規整，存在遮擋、混亂和非線(xiàn)性光照變化等情況，難以采用統一的算法和判據。
根據通孔器件的特點(diǎn)將其分為線(xiàn)束類(lèi)和非線(xiàn)束類(lèi)，分別采用NI視覺(jué)開(kāi)發(fā)模塊中的顏色定位算法和彩色模板匹配算法[5][6][7]。
2.2.1 線(xiàn)束和彩色定位算法
線(xiàn)束的特點(diǎn)是形狀多變，位置隨機，制程中的不良是不同顏色的線(xiàn)束錯位。
外觀(guān)檢驗主要檢查線(xiàn)束的插裝位置是否正確或是否裝配有線(xiàn)束。
采用顏色定位算法[6]，如圖1所示。
圖1 顏色定位算法
綜合判據：匹配分數大于等于900為合格，否則為不良。
算例[5]：
(1)正確裝配的線(xiàn)束，與線(xiàn)束形狀無(wú)關(guān)，匹配分數均大于900。
(2)錯插、漏插的情況下，匹配分數小于900，本例中均小于800。
結論[5]：顏色定位算法適合線(xiàn)束類(lèi)的檢測。
2.2.2 非線(xiàn)束和彩色模板匹配算法
非線(xiàn)束的特點(diǎn)是形狀固定，制程中的不良主要是極性反、錯件、缺件，這也是外觀(guān)檢驗的主要檢查內容。
采用彩色模板匹配算法[6](詳見(jiàn)圖2)，該算法包括彩色模板學(xué)習和匹配兩個(gè)算法[7]。
圖2 彩色模板匹配算法
其中彩色模板學(xué)習算法包括兩個(gè)模塊：學(xué)習彩色模板設置模塊和學(xué)習模塊。
使用學(xué)習彩色模板設置模塊設置兩個(gè)參數：線(xiàn)束類(lèi)學(xué)習模式應設置為平移信息，非線(xiàn)束類(lèi)學(xué)習模式設置為平移與旋轉信息;線(xiàn)束類(lèi)特性模式應設置為顏色，非線(xiàn)束類(lèi)特性模式設置為顏色與形狀。
彩色模板學(xué)習模塊只需輸入圖像和學(xué)習彩色模板設置數據，即可輸出模板圖像。
彩色模板匹配算法也包含兩個(gè)模塊：匹配彩色模板設置模塊和匹配模塊[6]。
匹配彩色模板設置模塊中，需要設置兩個(gè)關(guān)鍵參數：線(xiàn)束類(lèi)匹配模式設置為無(wú)平移，非線(xiàn)束類(lèi)匹配模式設置為無(wú)旋轉;線(xiàn)束類(lèi)匹配特性模式設置為顏色，非線(xiàn)束類(lèi)匹配特性模式設置為顏色與形狀。
彩色模板匹配模塊，輸入圖像及其待檢測區域、模板、匹配彩色模板設置數據、最小匹配分數、要求匹配數，即輸出匹配結果Matches和匹配數。
綜合判據：匹配分數大于等于700且旋轉角度小于±45°為合格，否則為不良。
算例[5]：
(1)正確裝配的元器件，匹配分數大于等于700且旋轉角度小于±45°。
(2)錯插、漏插的情況下，插座類(lèi)絕大多數匹配分數和旋轉角度均為0。
(3)反插情況下，曝光良好的圖像可從旋轉角度判斷，本例中旋轉角度在180°左右。
結論[5]：彩色模板匹配算法適合非線(xiàn)束類(lèi)的檢測。
3 結束語(yǔ)
(1)針對通孔器件的不同特點(diǎn)，分成線(xiàn)束類(lèi)和非線(xiàn)束類(lèi)，分別采用NI視覺(jué)開(kāi)發(fā)模塊中的顏色定位算法和彩色模板匹配算法，使用不同的綜合判據是可行的。
(2)采用標準視覺(jué)開(kāi)發(fā)包可以研發(fā)穩定可靠的通孔器件機器視覺(jué)應用通用平臺。
參考文獻：
[1]Carsten Steger，Markus Ulrich，Christian Wiedemann.楊少榮，吳迪靖，段德山，譯.機器視覺(jué)算法與應用[M].北京：清華大學(xué)出版社，2008.
[2]中國儀器超市.AOI在中國的現狀和發(fā)展[J/OL].新浪博客，2009.http：/pic/s/blog_506b89460100c5zl.html～type=v5_one&label=rela_nextarticle
[3]Mark S.Nixon，Alberto S.Aguado.李實(shí)英，楊高波，譯.特征提取與圖像處理(第二版)[M].北京：電子工業(yè)出版社，2011.
[4]National Instruments.選擇視覺(jué)軟件需要考慮的10個(gè)方面[OL].http：/pic/4_LabView-8-6.html，2008.
[5]黃文明，徐錦法.基于機器視覺(jué)的通孔元器件檢驗[J]，中國科技博覽，中國包裝總公司，2013(13).
[6]NI，NI Vision Concept Manual，2005.
[7]NI，NI Vision Online Help，2000-2008.
SMD晶體器件檢測中機器視覺(jué)的應用【2】
摘 要：檢測SMD晶體器件是其出廠(chǎng)前的一道重要工序，因為SMD電極在測試時(shí)具有方向性，所以，應該對其實(shí)施方向識別。
但是傳統光纖傳感器不能實(shí)施可靠、穩定的判別。
而采用機器視覺(jué)進(jìn)行判別，能夠有效提高檢測效率并降低檢測成本。
文中主要探討了SMD晶體器件檢測中機器視覺(jué)的應用方法。
關(guān)鍵詞：機器視覺(jué);SMD晶體器件;電極測試;應用分料
0 引 言
在生產(chǎn)流程中，SMD晶體器件檢測是一道重要工序，由該工序對晶體器件電性能進(jìn)行檢測后才可包裝出廠(chǎng)。
因為SMD晶體器件檢測工序的特殊性，所以，其檢測率對出廠(chǎng)產(chǎn)品的質(zhì)量有著(zhù)直接性影響。
通常批量生產(chǎn)中必須保證產(chǎn)品誤測率在2 ppm以下，也就是說(shuō)，所出廠(chǎng)的一百萬(wàn)個(gè)產(chǎn)品中，避免出現兩個(gè)以上的不合格品。
為使產(chǎn)品出廠(chǎng)品質(zhì)得以提高，不僅要使用高精度分析儀，而且SMD晶體器件檢測還要確保方向一致，尤其是檢測SMD晶體振蕩器，還要檢測其預定方向。
此前，企業(yè)在生產(chǎn)SMD晶體器件時(shí)僅僅可以采用人工檢測與識別，因為SMD晶體器件產(chǎn)量持續攀升，外形尺寸的逐漸縮小，嚴格要求所出廠(chǎng)產(chǎn)品的質(zhì)量。
此外，工作人員長(cháng)期在緊張的工作狀態(tài)下，導致其產(chǎn)生嚴重的視覺(jué)疲勞，出現錯測與漏測的現象也就在所難免。
所以，在研制自動(dòng)測試SMD器件電性能參數的同時(shí)，還要對識別SMD晶體器件方向的現代化機器視覺(jué)系統進(jìn)行專(zhuān)門(mén)研制。
1 SMD晶體器件的檢測系統構成
因為是在SMD器件檢測中應用該機器視覺(jué)系統的，所以本文簡(jiǎn)要介紹了檢測系統整體構成。
SMD晶體器件檢測的總體框圖如圖1所示。
通常會(huì )有振動(dòng)送料機構以隊列形式對待測SMD晶體器件進(jìn)行輸送，并采用機器視覺(jué)系統對前端器件進(jìn)行判別，如果器件實(shí)際和預定方向一致，則動(dòng)作機構就要直接轉移此器件至電性能檢測工位。
如果預定方向和實(shí)際方向相反，那么糾正機構則要旋轉器件180°，再送至電性能檢測工位。
2 機器視覺(jué)系統在SMD晶體器件檢測中的硬件構成
這種機器視覺(jué)系統的硬件構成圖如圖2所示。
從圖2中可以看出，系統由光源、工業(yè)相機、圖像采集卡、鏡頭四大部分共同構成了機器視覺(jué)的硬件系統。
2.1 機器視覺(jué)系統鏡頭參數計算
第一，應該計算該系統中的相機和鏡頭參數，所檢測晶體器件最大值應該達到5.0×7.0 mm，最小達到2.5×2.0 mm的外形尺寸，具體見(jiàn)圖3所示。
因為機械搬運機構在鏡頭與被測晶體間，所以要求被測晶體與鏡頭間距保持在100 mm以上。
目前較為常用的傳感器為1/2的尺寸，因此，這種項目也可選用該類(lèi)型的工業(yè)相機進(jìn)行檢測。
2.2 計算相機參數
根據SMD晶體焊盤(pán)尺寸最小值大約為0.6×0.7 mm，所以確定檢測精度一定要在0.1以下，對成本因素進(jìn)行綜合分析，該系統所選相機為30萬(wàn)像素的工業(yè)相機，其檢測精度為0.01，符合使用要求。
2.3 光源選擇
因為黑白CCD具有比較高的紅光敏感度，所以，應該選擇紅色LED光源。
同時(shí)根據被測器件外形尺寸，應該選取外徑最大值?為50 mm，20°的傾斜角環(huán)形光源，這樣就能夠滿(mǎn)足具體測試需求。
3 檢測策略
因為這種機器視覺(jué)功能需求是：正反面識別SMD器件，方向識別SMD晶體器件焊盤(pán)面，所以，應該對所出現的各種情況進(jìn)行正確判斷，僅僅是檢測缺角焊盤(pán)是不夠的，還必須檢測其它焊盤(pán)，以提高檢測準確性。
機器視覺(jué)檢測系統中，可設置多圖形模板，用于檢測SMD晶體器件中的焊盤(pán)，本研究中，我們對三個(gè)圖形模板進(jìn)行設置，也就是說(shuō)，一個(gè)判別工位底面的模板和兩個(gè)焊盤(pán)模板，判別所有圖形模板的門(mén)限閥值和判別區域。
如果所檢測的模板1、模板2與圖形的相似度對門(mén)限閥值大，那么可將目標焊盤(pán)檢測出來(lái)，而且SMD晶體有正確的方向，見(jiàn)圖3。
如果所檢測的圖形和模板1、模板2的門(mén)限閥值相對比較小，那么方向相反，這種情況下就應該對其作180°的旋轉，如圖4所示。
若未檢測到目標物體， SMD晶體器件的外殼則向上，應該將外殼取走，并將其置于振動(dòng)料斗，進(jìn)行二次送料，圖5所示是判別外殼面結果示意圖。
如果模板3和所檢測圖形相似度比門(mén)限閥值大，那么圖像判別工位則缺少器件，圖6所示為判別無(wú)器件結果圖。
4 軟件設計
這種視覺(jué)判別軟件被稱(chēng)為SMD晶體器件測試系統的重要組成部分，和其它組成部分共同檢測SMD晶體器件。
主要由兩種程序模塊共同組成這種視覺(jué)判別軟件，具體包括自動(dòng)判別模塊與視覺(jué)參數設置模塊。
對不同SMD晶體器件相關(guān)參數與判別模塊進(jìn)行設置是視覺(jué)參數設置模塊關(guān)鍵作用，主要包括：判別區域設定、模板圖形設定及門(mén)限值設置。
對所有參數進(jìn)行設置完成后，用戶(hù)對“測試”按鍵進(jìn)行點(diǎn)擊，一次檢測啟動(dòng)，檢驗所有參數設置正確與否進(jìn)行檢驗。
自動(dòng)判別模塊包括：預處理、圖像采集、參數讀入及像素灰度運算、提取等，具體流程圖如圖7所示。
5 結 語(yǔ)
在SMD晶體器件檢測系統中應用機器視覺(jué)技術(shù)，實(shí)現了光纖傳感器所無(wú)法實(shí)現的重要作用，提高了產(chǎn)品的檢測精度，也使所生產(chǎn)產(chǎn)品的質(zhì)量得到提升。
此外，通過(guò)對機器視覺(jué)硬件和檢測軟件平臺進(jìn)行自主創(chuàng )建，與集成式相機檢測期間相比，可以降低檢測成本，提高在市場(chǎng)中SMD晶體器件檢測競爭力，在未來(lái)的器件檢測自動(dòng)化設備領(lǐng)域，機器視覺(jué)技術(shù)勢必會(huì )有更為廣闊的開(kāi)發(fā)及應用前景。
參 考 文 獻
[1]房超.機器視覺(jué)及其在工業(yè)檢測中的應用[J].自動(dòng)化博覽，2007 (4)：152-153.
[2]朱正德，楊虹，方琳，等.機器視覺(jué)：質(zhì)量監控的第三只眼[J].現代零部件，2010(10)：147-148.
[3]封帆，施保華.基于智能機器視覺(jué)的針劑生產(chǎn)線(xiàn)安瓶檢測識別系統[J].自動(dòng)化博覽，2007(1)：56-57.
[4]孫家廣.計算機圖形學(xué)[M].北京：清華大學(xué)出版社，2002.
機器視覺(jué)在半導體器件塑封缺陷檢測中的應用【3】
摘要：應用機器視覺(jué)技術(shù)實(shí)現半導體器件塑封表面缺陷的自動(dòng)檢測。
結合圖像特點(diǎn)，根據差影圖像匹配技術(shù)的基本原理提出了雙模板的匹配方法，從一組訓練圖像中得到均值圖像和標準差圖像，以?xún)煞鶊D像的差值圖像與和值圖像分別作為上下限模板圖像。
引入環(huán)境光因子，即目標圖像像素均值與模板圖像像素均值的比例關(guān)系。
由此設定的缺陷閾值可以有效地避免噪聲干擾和環(huán)境光變化的影響。
匹配之前使用Canny算子檢測邊緣點(diǎn)擬合直線(xiàn)的方法獲取器件矩形并計算其中心點(diǎn)和旋轉角度可以方便有效地確定器件位姿，保證匹配前的對準。
最后應用Blob方法將提取缺陷特征。
實(shí)驗結果表明該方法在半導體器件塑封表面缺陷檢測方面有較好的效果。
關(guān)鍵詞：缺陷檢測;Blob;Canny;模板匹配;差影
半導體電子元器件被廣泛應用于各類(lèi)電子產(chǎn)品和通信系統中，它的外觀(guān)質(zhì)量主要取決于封裝這一工藝技術(shù)。
良好的封裝可以保護芯片或晶體管少受外界環(huán)境的影響，因此封裝后的元器件可以得到更加可靠的電氣性能，當然也更加方便后續的PCB板上的焊接和貼裝[1]。
對半導體器件的視覺(jué)檢測主要包括管腳檢測和管體檢測。
隨著(zhù)計算機技術(shù)和圖像處理技術(shù)的結合和發(fā)展，機器視覺(jué)被廣泛應用于半導體行業(yè)的各階段在線(xiàn)檢測中。
利用機器視覺(jué)[2]進(jìn)行檢測不僅可以排除主觀(guān)因素的干擾，降低勞動(dòng)強度，提高生產(chǎn)效率，還可以對缺陷進(jìn)行定量描述，具有人工肉眼檢測無(wú)法比擬的優(yōu)越性。
1 檢測系統概要
在線(xiàn)半導體表面缺陷檢測系統[3]主要由PC機、圖像處理軟件、圖像采集設備、光源照明部分以及IO控制裝置和機械裝置組成。
其中圖像采集由CCD、鏡頭、圖像采集卡和光源共同完成，高質(zhì)量的圖像信息是系統正確判斷和決策的原始依據，是整個(gè)系統成功與否的關(guān)鍵所在。
圖1 缺陷檢測系統結構
系統采用定位槽對器件進(jìn)行準確定位，定位槽的底部有一個(gè)通氣孔，下面連接一個(gè)真空吸氣裝置，機器手將管子放入凹槽，在吸氣裝置的作用下管子沿著(zhù)凹槽四周的導向斜面滑入槽底部。
確保了獲取到的圖像中三極管擁有正確的位姿。
2 基于邊緣的位姿檢測
硬件系統采用了定位模具保證管子的位姿，但管子在凹槽內仍不可避免的存在輕微的傾斜和旋轉，采用邊緣點(diǎn)檢測擬合邊緣線(xiàn)的方法尋找管子矩形，根據矩形的中心位置和旋轉角度來(lái)對準參考圖像與目標圖像。
實(shí)現圖像的邊緣點(diǎn)檢測就是用離散化梯度逼近函數計算每一個(gè)像素位置的梯度值和梯度方向，滿(mǎn)足閾值要求和方向要求的灰度躍變位置即為邊緣點(diǎn)。
現實(shí)情況的邊緣都是斜坡性邊緣，這就使得邊緣檢測的首要工作是濾波。
對比Sobel算子，Log算子，Canny算子各自的優(yōu)缺點(diǎn)[4]后本文采用Canny算子尋找邊緣點(diǎn)。
邊緣點(diǎn)檢測之前，劃定檢測的感興趣區域，這里使用的感興趣區域是一條方向線(xiàn)段，規定邊緣點(diǎn)的檢測方向是從線(xiàn)段的起點(diǎn)到終點(diǎn)。
本文的圖像處理需要用到的邊緣點(diǎn)檢測目的主要是在限定區域檢測滿(mǎn)足梯度閾值及方向的點(diǎn)，方向即從亮到暗或從暗到亮。
判斷方向時(shí)需要兼顧檢測方向的影響。
檢測方向不同，x向、y向的一階偏導對于判斷明暗變化的影響比重也不同，因此給出如下的判斷表達式：
3 缺陷檢測
3.1 基于差影的雙模板匹配法
用于缺陷檢測的模板匹配技術(shù)常用的有兩種：差影法和灰度相關(guān)法。
差影法的基本原理是將待檢測圖像與模板圖像做像素差，對得到的差值圖像進(jìn)行判斷是否存在缺陷及缺陷大小和位置;灰度相關(guān)法則是計算待檢測圖像與模板圖像對應像素間的相似度，根據相似度的大小確定缺陷所在。
兩種方法相比較，由于灰度相關(guān)法算法時(shí)間復雜度明顯高于差影法，對于在線(xiàn)檢測對實(shí)時(shí)性的要求，顯然不可取，本文所述缺陷檢測思想仍然沿用差影法的基本原理。
在以下的論述中規定[gr，c]代表理想圖像，即無(wú)缺陷的圖像，也稱(chēng)為參考圖像。
[fr，c]代表待檢測圖像。
[r，?c]代表像素坐標。
為檢測出待測圖像與理想圖像的偏差，僅需要將兩幅圖像的對應像素相減即可。
通常并不關(guān)心缺陷是偏亮區域還是偏暗區域，因此通過(guò)預先設置閾值[gabs]使用以下的等式便可找到缺陷。
此方法對圖像對準有非常高的精度要求。
如果物體發(fā)生略微的偏移。
那么在待測圖像與模板圖像的邊緣便會(huì )很容易產(chǎn)生超過(guò)[gabs]的灰度值差異，誤檢缺陷在所難免。
另外受到周?chē)h(huán)境光線(xiàn)變化的影響，該方法也不能給予任何應對策略。
然而在實(shí)際的生產(chǎn)應用中，這些因素都是無(wú)法避免的，針對以上存在的問(wèn)題，本文做了以下的工作。
改進(jìn)的匹配方法使用偏差模型[5]學(xué)習雙模板[6][g1r，c]和[g2r，c]，其中[g1r，c]作為下限模板，[g2r，c]作為上限模板。
下限模板由參考圖像與容許偏差的差值確定，上限模板則由參考圖像與容許偏差的和值確定。
容許偏差可以從一組訓練圖像中計算得到。
一般使用標準偏差來(lái)計算需要的容許偏差。
另外，為了增強抗干擾和抑制噪聲的能力，參考圖像也不再簡(jiǎn)單的使用某一幅理想圖像簡(jiǎn)單獲取，也應該從一組訓練圖像中計算像素均值得到。
n幅圖像的平均值和標準差計算如下：
這里還需引入可調倍數常量[p]，[q]和可調絕對常量[a]，[b]。
一般情況由一個(gè)小的可調倍數乘以標準差即得到所需的容許偏差，用戶(hù)只需合理設置[p]，[q]值調節容許偏差。
然而當標準偏差大大小于被測圖像偏差時(shí)，這樣的方法就顯得很不好，因此引入絕對常量，當某處容許偏差小于絕對常量時(shí)，使用絕對常量值替代容許偏差值。
考慮到環(huán)境光線(xiàn)變化的影響，引入環(huán)境光因子[θ]，在對模板與待測圖像做減法比較之前，計算待測圖像像素均值[m0]和模板圖像均值[m1]，[m0]和[m1]的比例關(guān)系即代表[θ]，令模板圖像的每一個(gè)像素乘以環(huán)境光因子[θ]，可有效抑制環(huán)境光帶來(lái)的不穩定圖像質(zhì)量造成的缺陷誤檢，以下給出了圖像分割公式： 3.2 缺陷提取
圖像的幾何特征在圖像處理中起著(zhù)十分重要的作用。
利用區域特征的大小、位置、方向等來(lái)確定物體的位置并識別它們。
特征值量度的合理選取可以有效地減小誤檢率。
本文采用Blob算法提取已經(jīng)分割的缺陷特征。
Blob算法用于從背景中分離目標，測量目標的形態(tài)參數，包括面積、周長(cháng)、寬度、高度、細長(cháng)度、數量等。
與基于逐點(diǎn)像素處理的算法相比，該算法處理速度快，被廣泛應用于工業(yè)在線(xiàn)檢測系統中。
盡管上述處理方法已經(jīng)在抑制噪聲方面做了很多工作，但分割后的圖像仍可能存在偽缺陷，因此通過(guò)設置特征閾值來(lái)抑制缺陷誤檢，如寬度閾值、高度閾值、面積閾值、周長(cháng)閾值，當檢測的Blob對象分別滿(mǎn)足各方面的閾值要求時(shí)，則認為是缺陷，否則被判定為噪聲點(diǎn)。
4 缺陷檢測系統實(shí)現
硬件環(huán)境如下，相機：SONY XC-HR50;鏡頭：50mm;曝光時(shí)間：5ms
軟件環(huán)境如下：基于OpenCV的VC++編程實(shí)現
檢測目標：SOD323半導體器件的塑封表面缺陷檢測
硬件系統采用了定位模具保證了待測元件有較精確的定位，每幅圖像中，器件的位置只有細微的偏差。
因此，檢測開(kāi)始之前根據模具的位置劃定感興趣區域。
這種方法稱(chēng)之為圖像局部分析法。
使用該方法的必要性主要體現在兩個(gè)方面：
1) 本系統用于在線(xiàn)工業(yè)檢測系統，同時(shí)用于三個(gè)工位的實(shí)時(shí)檢測，要求每個(gè)工位的檢測時(shí)間不得超過(guò)50ms，在硬件上采用四核處理器的計算機，軟件上采用多核多線(xiàn)程編程技術(shù)，采用局部分析法可以大大的減少圖像數據量，有效地降低圖像處理時(shí)間。
2) 待測器件表面塑封材料微小顆粒分布的不均勻性以及環(huán)境光造成的光線(xiàn)不均勻都會(huì )影響成像質(zhì)量。
圖像中目標邊緣幅度大小不一，甚至非邊緣幅度比邊緣更大，這些因素都需要盡量回避，局部分析法將檢測區域盡量縮小，干擾量也得以大大減少。
如圖2所示，其中帶箭頭的虛線(xiàn)線(xiàn)段分別代表上下左右四個(gè)感興趣區域內邊緣點(diǎn)的尋找方向，如Top區域，表示從下到上搜尋邊緣點(diǎn)。
十字叉則代表搜尋到的邊緣點(diǎn)。
圖2 邊緣檢測示意圖
利用OpenCV提供的方法cvFitLine將搜尋到的邊緣點(diǎn)分別擬合為四條邊緣線(xiàn)，圖中管體矩形框已經(jīng)標出，計算矩形的中心位置和旋轉角度用于后續的參考模板與目標圖像的對準。
對該矩形區域進(jìn)行平滑圖像處理后計算該區域圖像的灰度平均值，得到環(huán)境光因子。
對準模板和目標圖像，逐一比較像素灰度值，如果灰度值不在兩個(gè)模板的閾值范圍內則被認為缺陷。
5 結論
綜上所述，通過(guò)對傳統的缺陷檢測算法的分析和運用，利用模具和邊緣定位獲取到物體可靠位姿，縮小了在線(xiàn)檢測范圍，有效提高了檢測效率。
結合半導體器件的塑封缺陷特征，采用雙模板匹配法，有效的抑制了噪聲和環(huán)境光對缺陷識別的影響。
參考文獻：
[1] 張素娟，李海岸.新型塑封器件開(kāi)封方法以及封裝缺陷[J]，半導體技術(shù)，2006，31(7)：509-511.
[2] 賈云得.機器視覺(jué)[M].北京：科學(xué)出版社，2000.
[3] 鄭秀蓮，袁巧玲，沈亞琦.基于圖像處理的電子元器件表面缺陷檢測技術(shù)[J]，機電工程，2009，26(7)：15.
[4] 徐臨洪，張桂梅，陳少平.基于機器視覺(jué)的發(fā)動(dòng)機表面缺陷檢測技術(shù)[J]，計算機與現代化，2010，176(4)：157.
[5] Carsten Steger， Markus Ulrich， Christian Wedemann， Machine Vision Algorithms and Applications[M].北京：清華大學(xué)出版社，2008.
[6] FELZENZWALB P. Representation and detection of deformable shapes [J]. IEEE Pattern Analysis and Machine Intelligence， 2005，27(2)：208.
【通孔器件機器視覺(jué)檢測算法】相關(guān)文章：
元器件引腳去氧化工藝10-16
算法結題報告01-24
電子元器件講座心得體會(huì )09-27
三孔游記作文01-12
三孔導游詞10-30
電子元器件采購合同范本11-28
美麗的小七孔作文10-14
山東孔林導游詞11-14
三孔導游詞優(yōu)秀09-02