基于OES-ELM的PCB板表面印線檢測算法

劉洋　孫龍洋　韓怡　柴廣卿　張國良

關鍵詞：機器視覺；SMT；雙邊濾波；OES-ELM；閾值連接

中圖分類號：TP18 文獻標識碼：A

文章編號：1009-3044（2022）36-0029-04

電子器件制造技術的快速發(fā)展對PCB板自動貼裝設備帶來商機的同時，也帶來了更為嚴峻的技術考驗[1]。目前，國內多家企業(yè)著手全自動貼裝設備的研發(fā)，部分設備流入市場，但在貼裝精度和速度上與發(fā)達國家相比有一定差距，嚴重制約著生產效率提升。因此，如何提高電子器件生產過程中PCB板貼裝位置的快速、精準定位，對提高生產效率、提高產品質量具有重要的研究意義。

PCB板表面白色印線邊緣位置的獲取通過圖像處理實現。因PCB板邊緣與周圍背景相比，有著一定的梯度跳變，可通過邊緣檢測的手段實現邊緣位置確定。但受PCB板貼裝位置邊緣信息不明顯、模組表面產生的劃痕等原因的干擾，通過傳統邊緣檢測算法實現PCB板快速、穩(wěn)定、高精準度的邊緣檢測仍具有一定的挑戰(zhàn)。

目前，邊緣檢測算法主要存在以下幾類：1）基于小波變換（wavelet transform）的檢測算法[2]；2）基于形態(tài)梯度理論的檢測算法[3]；3）基于Canny 的檢測算法[4]；4）基于機器學習的檢測算法[5]等。基于小波變換[6]的檢測算法，通過對圖像進行不同尺度的小波變換來實現，但受尺度大小的影響，當尺度過大或過小時，獲取的圖像邊緣信息差距較大，不具有通用性，故許多算法中通過多尺度融合來彌補尺度過大或過小帶來的影響，但是這個算法運算邏輯復雜，無法滿足實時性的要求；基于形態(tài)學梯度理論的檢測算法，該算法簡單易操作，且對部分噪聲具有比較好的抑制作用，但獲取像素點的位置不夠精確；基于Canny算子[7]的檢測算法應用十分廣泛，但也因閾值難以控制等問題仍然不能勝任圖像微弱邊緣的檢測；基于機器學習[8]的算法可同時兼顧檢測速度和精度的要求，近年來，在邊緣檢測領域得到了廣泛的應用。

本算法基于自適應誤差自校正極限學習機[9]（Op?timally Error Self-adjustment Extreme Learning Ma?chine， OES-ELM），提出一種PCB板貼片輪廓位置自適應檢測算法。首選使用雙邊濾波算法對圖像進行預處理，該算法在較好地保持圖像邊緣信息的基礎上，能濾除大部分噪聲的影響；其次，為使后續(xù)檢測更具自適應性，在圖像濾波的基礎上將PCB板圖像進行1/16 分塊；然后，提取圖像塊的DCT（Discrete CosineTransform，離散余弦變換[10]）特征，將其輸入OES-ELM分類器，將圖像塊分為邊緣塊、平滑塊、紋理塊；最后，提取各圖像塊梯度圖，分別確定高低閾值，將高低閾值之間的像素點進行連接，最終刻畫出白色印線的位置信息。

1 基于OES-ELM的PCB板表面印線檢測算法

為了能更好地檢測PCB的貼片位置，防止因貼片偏移導致PCB板的報廢或返工，本文提出的基于自適應誤差自校正極限學習機的劃痕檢測算法，其各部分的流程如圖1所示。由圖可以看出，改進部分主要有以下四個方面：1）首先采用改進的雙邊濾波來濾除噪聲；2） 通過提取降維的DCT特征作為圖像塊的分類特征；3） 用改進的自適應誤差自校正極限學習機來對圖像塊進行分類，可根據數據集自動確定隱層神經元個數，檢測效果更為穩(wěn)定；4） 對不同的圖像塊采取不同方法自適應確定閾值，并進行邊緣連接；下面具體介紹以上四部分具體實現。

1.1 改進雙邊濾波

雙邊濾波[12]的本質是高斯濾波，其目的是解決高斯濾波容易導致邊緣被模糊的情況，高斯濾波采用相同的權重，忽略了像素之間的差異性，雙邊濾波在一定程度上解決了這一問題，且算法的復雜度比較低，實時性比較好，但是其在遇到高頻噪聲時，不易去除。雙邊濾波的基本思想是：其權重由像素點領域內的空間近鄰度的權值加上相似度計算的權值的乘積組成，再與圖像進行卷積。因此距離較遠的像素點不會對邊緣點產生較大影響，其權值計算公式如下：

對圖像塊作DCT變換后，其AC分量的絕對值會大致呈現從左上角向右下角逐漸遞減的趨勢。為了降低特征的維度，此處僅保留其直流系數以及前127個交流系數，最終得到128維的紋理特征向量。為避免取值范圍及量綱的不同，將提取的特征歸一化到[-1，1]。

1.3 基于自適應誤差自校正極限學習機的分類

本文使用OES-ELM獲取的DCT特征進行分類，相比于ES-ELM[10]算法，具有訓練速度快、算法對正則項不敏感的優(yōu)勢，且根據數據集自適應確定隱層神經元的個數和隱層權值矩陣，具有較好識別性能。ELM網絡結構如下圖所示。

OES-ELM網絡訓練過程主要分為兩階段，初始化階段和權值更新階段。初始化階段的目的是獲得恰當的隱層特征映射空間（包括隱層權值和隱層神經元個數），結合L1/2正則化找到合適的隱層結構。更新階段目的是結合L2正則化更新隱層權值，使網絡獲得權值最小解，提高網絡的泛化性能。具體算法步驟如下：

本文針對OES-ELM網絡，本文選用了10幅PCB圖像來生成所需要的數據集。通過對提取的DCT特征分類，最終將PCB圖像分為邊緣塊、紋理塊、平滑塊。

1.4 梯度計算

傳統的Canny檢測算子在計算圖像的梯度時采用了梯度算子，僅僅考慮了兩個方向的梯度大小，然后對其求取平均值，導致比較容易丟失部分邊緣信息。針對這一問題，本文在此基礎上增加兩個方向的梯度合成計算，如圖6所示。

1.5 圖像塊閾值分割

針對以上步驟所得到的結果圖，首先對其進行非極大值抑制，保證得到的邊緣只有單像素響應；然后將其進行1/16分塊，并自動地確定閾值。

針對紋理塊，因為其梯度直方圖沒有固定規(guī)律，且通常人眼并不會對其中存在的信息進行詳細分辨，因此把高低閾值設置為梯度的平均值以及0.5倍的平均值；針對邊緣塊，采用大津法（OSTU）確定高閾值，0.5倍的高閾值作為低閾值；對于平滑塊，因為還可能存在少量的邊緣信息，不能將其全部歸類于背景點，故此處繼續(xù)對其進行分塊，以區(qū)分是否存在該情況。

針對平滑塊，對其再進行1/4分塊，并計算各個圖像塊的像素之和，以及跟其平均像素之間的差值，當差值比設置的閾值小時，則認為其是背景；否則，則判定其存在少量的邊緣，將其按照邊緣塊的方法來進行處理。

最后，對高低閾值之間的像素點進行連接，若其鄰域內存在高于高閾值的像素值，則將其置為邊緣點，直至沒有新的像素點并入。

2 實驗結果與分析

從PCB板的表面印線的檢測效果來看，本文算法比前幾種算法都具明顯優(yōu)勢，Canny算子與文獻12在提取出印線的同時，也檢測出了許多偽邊緣，不利于后續(xù)的檢測。以相同數據集訓練的ELM網絡所提取的邊緣與本文算法類似，但本文算法中不用人工用試錯法調試隱層神經元個數，訓練更加快速，穩(wěn)定性和適應性更好。因此，本文算法能夠在檢測出更多印線的同時，較少地檢測出偽邊緣。

3 結論

本文提出了一種基于自適應誤差自校正極限學習機的PCB板印線檢測方法。先使用改進的雙邊濾波，在保持邊緣的同時，又可以在一定程度上去除各種噪聲；對圖像進行1/16分塊，并提取降維的DCT特征；利用OES-ELM對圖像塊進行分類；采用4方向梯度模板計算圖像梯度，并對其進行非極大值抑制，保證邊緣寬度為單像素；針對不同的圖像塊運用不同的方法確定閾值，并將邊緣塊進行再次分塊，以防止部分的細小邊緣被遺漏；最后對高低閾值之間的像素點進行連接。實驗結果表明，提出的算法可以有效地檢測出PCB板上印線的同時，又能盡可能少地檢測出虛假邊緣，具有較高的邊緣檢測率。