多尺度特征PCB 裸板缺陷識別

摘 要： 針對印刷電路板裸板缺陷視覺檢測，提出一種基于多尺度特征的缺陷識別算法。首先，為減弱噪聲干擾同時保留足夠的邊緣細節(jié)信息，對圖像進行高斯濾波和對比度增強，使用多層感知機網(wǎng)絡(luò)分割出感興趣區(qū)域，然后使用Harris 角點檢測算法完成圖像配準，提取缺陷區(qū)域，最后通過分析缺陷區(qū)域的多尺度信息，構(gòu)建高斯金字塔圖像，提取多尺度方向投影特征，多尺度共生矩陣特征和多尺度邊緣特征，獲得缺陷特征描述子，根據(jù)特征描述子構(gòu)建特征向量，利用支持向量機分類器完成對缺陷的分類識別。實驗結(jié)果表明：所提算法能夠?qū)τ∷㈦娐钒迓惆宕嬖诘穆┛?、鼠咬、斷路、短路、毛刺缺陷位置進行定位并精確識別缺陷類型，在小樣本場景下識別準確率接近99%。

關(guān)鍵詞： 圖像處理; 缺陷檢測; 多尺度特征; 支持向量機; 多層感知機

中圖分類號： TB9; TN41 文獻標志碼： A 文章編號： 1674–5124（2024）09–0181–10

0 引 言

印刷電路板（print circuit board， PCB）是電子元器件的載體。在PCB 生產(chǎn)過程中，由于蝕刻過度，電鍍不良、打磨不當、焊接溫度過低等原因，易產(chǎn)生漏孔、鼠咬、斷路、短路、毛刺等缺陷，影響電路板的正常使用。為此，PCB 生產(chǎn)廠商在生產(chǎn)過程中對PCB 裸板進行質(zhì)量檢測和缺陷識別， 避免不良PCB 裸板進入下一步工序，并對其缺陷進行分析，改進工藝，降低PCB 裸板廢品率。因此，在PCB 的生產(chǎn)過程中進行缺陷檢測成為一項非常重要的任務(wù)。隨著PCB 設(shè)計精度越來越高，越來越復雜，檢測和分類缺陷的任務(wù)變得越來越具有挑戰(zhàn)性[1]。

視覺檢測是電路板缺陷檢測近幾年來的重要研究方向，引起了研究人員的極大興趣，出現(xiàn)了許多相關(guān)的研究機構(gòu)、研究成果。喬羽等[2] 提出將傳統(tǒng)的SSIM 算法與元件的權(quán)重相結(jié)合，提高了錯件和漏件檢測率，但算法運行時間較慢。李云峰等[3] 通過提取缺陷邊緣像素的梯度方向信息熵作為圖像區(qū)域的特征，隨后構(gòu)建特征向量并輸入到支持向量機中實現(xiàn)缺陷定位。近年來隨著深度學習的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)在PCB 缺陷檢測領(lǐng)域得到大量應(yīng)用[4]，Zhang 等[5] 基于VGG-16 網(wǎng)絡(luò)對PCB 進行檢測，但是依賴大量的缺陷數(shù)據(jù)集。Silva 等[6] 對VGG-16模型和ResNet50 模型進行了評估，通過遷移學習提高了PCB 檢測準確率，但無法檢測PCB 板存在的微小缺陷。當前PCB 缺陷檢測方法已經(jīng)取得了很大進步，但仍面臨許多挑戰(zhàn)。印刷電路板缺陷的種類和標準多種多樣，基于參考法、非參考法和混合法的傳統(tǒng)機器視覺檢測算法可能會出現(xiàn)不穩(wěn)定性[7]?；谏疃葘W習的缺陷檢測方法需要龐大的數(shù)據(jù)集，而收集大量PCB 缺陷樣本在工業(yè)上非常困難，且深度學習網(wǎng)絡(luò)結(jié)構(gòu)復雜，訓練成本高[8]。

本文針對單一尺度特征難以描述PCB 裸板缺陷信息的問題，提出了一種基于高斯圖像金字塔分層特征的缺陷檢測算法，利用缺陷區(qū)域的多尺度特征作為描述子，挖掘不同尺度的語義信息。針對缺少大量樣本的問題，使用支持向量機作為分類器，可在樣本較少的情況下進行監(jiān)督學習，實現(xiàn)了對PCB 漏孔、鼠咬、斷路、短路、毛刺缺陷的準確識別。