顧翔　徐曉光

摘 要：PCBA在電子設(shè)備領(lǐng)域占據(jù)著越來越重要的地位，當(dāng)今工業(yè)領(lǐng)域使用AOI設(shè)備對(duì)PCBA進(jìn)行缺陷檢測(cè).為了解決目前市面上AOI設(shè)備造價(jià)高、檢測(cè)效率低、檢測(cè)對(duì)象局限等問題，設(shè)計(jì)了基于Vision Builder AI的PCBA智能化缺陷檢測(cè)系統(tǒng).該系統(tǒng)采用MV-CE013-50GC CCD工業(yè)相機(jī)結(jié)合LED光源MV-RL62X32A60-V共同采集PCBA圖像，并傳送至PC，利用Vision Builder AI軟件進(jìn)行對(duì)比度增強(qiáng)、圖像去噪、配準(zhǔn)等圖像處理操作，對(duì)標(biāo)準(zhǔn)圖像進(jìn)行待檢測(cè)區(qū)域及元器件進(jìn)行設(shè)定，對(duì)比檢測(cè)圖像與標(biāo)準(zhǔn)圖像，判斷是否存在缺陷，經(jīng)大量實(shí)驗(yàn)數(shù)據(jù)分析，證明該系統(tǒng)檢測(cè)速度快，準(zhǔn)確度高，具有良好的實(shí)用價(jià)值.

關(guān)鍵詞：PCBA;CCD工業(yè)相機(jī);Vision Builder AI;圖像處理

中圖分類號(hào)：TP273? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：1673-260X（2020）03-0012-04

1 引言

PCBA（Printed Circuit Board Assembly）是在PCB裸板上加入元器件得到的具有特定功能的成品電路板，在實(shí)際生活、工業(yè)生產(chǎn)中具有至關(guān)重要的作用[1].隨著科技力量以及人們?nèi)粘Ｉ钗镔|(zhì)水平的不斷攀升，電路板慢慢走向“三高一低”的發(fā)展趨勢(shì)，即高性能、高集成化、高質(zhì)量、低成本，這就意味著電路板上的結(jié)構(gòu)復(fù)雜多樣，對(duì)電路板的質(zhì)量進(jìn)行把控的難度也隨之提升[2].許多生產(chǎn)廠商在PCBA生產(chǎn)過程中會(huì)加入多道檢測(cè)工序，用來提高電路板的質(zhì)量，但是目前國(guó)內(nèi)在自動(dòng)在線檢測(cè)技術(shù)方面水平有限，大部分還是依靠人工檢測(cè)和半自動(dòng)化檢測(cè)，傳統(tǒng)的質(zhì)量檢測(cè)方法耗費(fèi)時(shí)間長(zhǎng)、對(duì)工作人員專業(yè)水平要求高、檢測(cè)準(zhǔn)確率低，不能滿足工業(yè)化新形勢(shì)的要求;且隨著電子器件制造工藝水平的提高，元器件的規(guī)格越來越小，數(shù)量越來越多，布局也越來越緊密，這對(duì)故障檢測(cè)增大了難度[3].所以，需要建立一個(gè)基于機(jī)器視覺的電路板缺陷智能化檢測(cè)系統(tǒng)來完成高密度電路板的缺陷檢測(cè)工作，用以解決傳統(tǒng)缺陷檢測(cè)不足的問題[4].

本系統(tǒng)使用工業(yè)相機(jī)進(jìn)行圖像采集，并選用NI公司推出的智能化軟件：Vision Builder AI，進(jìn)行圖像處理和缺陷檢測(cè).該軟件高度智能化，無(wú)需大量編程，操作人員僅需數(shù)小時(shí)便可建立完整的檢測(cè)程序，檢測(cè)快速，可在短時(shí)間內(nèi)完成大量數(shù)據(jù)的檢測(cè)工作，并且具有檢測(cè)正確率較高，可靠性高等特點(diǎn)[3].

2 系統(tǒng)結(jié)構(gòu)設(shè)計(jì)

如圖1所示，本文設(shè)計(jì)的系統(tǒng)由圖像采集模塊、圖像處理模塊組成.檢測(cè)時(shí)，由CCD工業(yè)相機(jī)和LED光源協(xié)同采集圖像，將圖像傳送至PC，由圖像檢測(cè)軟件對(duì)待檢測(cè)圖像進(jìn)行檢測(cè)與分析，并對(duì)缺陷類型、位置分類統(tǒng)計(jì).

2.1 圖像采集模塊

圖像采集模塊由兩個(gè)部分組成：工業(yè)攝像頭以及光源.

工業(yè)相機(jī)：選用?？低暪镜腗V-CE013-50GC工業(yè)相機(jī).MV-CE013-50GC全稱為130萬(wàn)像素1/3" CCD千兆以太網(wǎng)工業(yè)相機(jī)具有分辨率高、采集速度快、精確度高、色彩還原度高等特點(diǎn).該相機(jī)采用的是千兆以太網(wǎng)接口提供了1Gbps帶寬，128MB板上緩存，可緩存多張圖片，用于突發(fā)傳輸或者重傳，可以實(shí)現(xiàn)圖像采集實(shí)時(shí)化[5].

光源：對(duì)于光源的選擇，主要考慮種類、光照強(qiáng)度、光線均勻性、穩(wěn)定性等因素.其中，選取的光源光線頻率必須遠(yuǎn)大于工業(yè)相機(jī)的掃描頻率，否則造成圖片采集過程中可能會(huì)有模糊、重影、明暗變化等問題[6].在經(jīng)過權(quán)衡之下，選擇亮度高、穩(wěn)定性好的LED光源MV-RL62X32A60-V.

2.2 圖像處理模塊

圖像處理模塊主要工作是計(jì)算機(jī)將接收到的待檢測(cè)圖像進(jìn)行預(yù)處理、圖像配準(zhǔn)、灰度匹配等過程，根據(jù)評(píng)分判斷是否存在缺陷.圖像處理軟件選用NI公司推出的智能化軟件：Vision Builder AI.可幫助操作者速開發(fā)和部署機(jī)器視覺檢測(cè)系統(tǒng).借助菜單驅(qū)動(dòng)的開發(fā)工具，操作人員可以配置相機(jī)，使用數(shù)百種算法和檢查步驟來自定義圖像處理，與自動(dòng)化硬件連接，并生成檢測(cè)結(jié)果[7].

3 視覺檢測(cè)設(shè)計(jì)

3.1 檢測(cè)流程

首先，由CCD工業(yè)相機(jī)采集待檢測(cè)電路板的圖像.采集好圖像后需要對(duì)待檢測(cè)圖像進(jìn)行預(yù)處理，預(yù)處理分為圖像對(duì)比度增強(qiáng)、圖像降噪等.其中，采用灰度變換法來提高圖像對(duì)比度;圖像去噪采用高斯濾波法.預(yù)處理的作用是為了提高圖像質(zhì)量，經(jīng)過增強(qiáng)后的圖像對(duì)于接下來的缺陷檢測(cè)有著重要意義[8].然后進(jìn)行圖像配準(zhǔn)，以防止由于待檢測(cè)電路板擺放位置的偏移導(dǎo)致無(wú)法檢測(cè).之后，對(duì)標(biāo)準(zhǔn)圖像進(jìn)行待檢測(cè)元器件的定位以及待檢測(cè)區(qū)域的劃分.標(biāo)準(zhǔn)圖像設(shè)定好后，待檢測(cè)圖像會(huì)根據(jù)標(biāo)準(zhǔn)圖像所設(shè)定檢測(cè)區(qū)域進(jìn)行識(shí)別，對(duì)比標(biāo)準(zhǔn)圖像與檢測(cè)圖像來判斷該電路板中是否存在缺陷[9].如果匹配失敗，報(bào)警并顯示失敗位置.檢測(cè)完畢.

流程框圖如圖2所示.

3.2 缺陷種類

在實(shí)際工業(yè)生產(chǎn)中PCBA存在各種各樣的缺陷，有的缺陷人眼可以識(shí)別，有的細(xì)微缺陷只能依靠機(jī)器視覺[10].對(duì)于不同缺陷，需要使用不同的檢測(cè)方法.本系統(tǒng)主要檢測(cè)的PCBA缺陷有：元器件錯(cuò)焊、元器件漏焊、元器件損壞等，可以細(xì)分為缺件、錯(cuò)件、損件、偏移、反白和反向[11].各類缺陷如圖3所示.

3.3 程序設(shè)計(jì)

關(guān)于圖像檢測(cè)程序的編寫分為兩個(gè)部分：圖像處理程序、圖像檢測(cè)程序.檢測(cè)框圖如圖4所示.

3.3.1 圖像處理程序

圖像處理程序主要步驟：相機(jī)獲取圖像-讀取圖像-灰度變換-高斯濾波-設(shè)置特征坐標(biāo)-建立坐標(biāo)系.如圖5所示.

首先，由CCD相機(jī)采集的圖像直接傳送到操作軟件或儲(chǔ)存到某一設(shè)定路徑再由軟件調(diào)用.接著進(jìn)行灰度變化以及濾波，以此優(yōu)化由于采集過程中光源和相機(jī)本身因素導(dǎo)致的對(duì)比度不足、噪聲過多的弊病，使圖像更加清晰、易于識(shí)別[12].然后選取檢測(cè)圖像中的標(biāo)志性區(qū)域，以此作為坐標(biāo)軸原點(diǎn)建立坐標(biāo)系，該標(biāo)志性區(qū)域需滿足必然存在性，因?yàn)楹笃赗OI的定位是根據(jù)該坐標(biāo)系確定，若早期定位未識(shí)別到坐標(biāo)原點(diǎn)，則無(wú)法進(jìn)行后續(xù)識(shí)別，該坐標(biāo)原點(diǎn)同時(shí)也作為圖像配準(zhǔn)算法的依據(jù)[13].

如圖6所示，當(dāng)執(zhí)行完圖像處理程序后，待檢測(cè)圖像成了灰度圖，并且較未濾波的圖相比更加清晰.圖中紅色方框是ROI，綠色方框是檢測(cè)區(qū)域.在檢測(cè)過程中，檢測(cè)程序會(huì)在檢測(cè)區(qū)域中尋找ROI，以此實(shí)現(xiàn)定位以及配準(zhǔn)[14].

具體設(shè)置方法：

灰度變換：點(diǎn)擊Vision Assistant，在Image Processing Steps列表中點(diǎn)擊Press Edit to add processing steps，選擇Extract Color Planes點(diǎn)擊，選擇HSV-Value Plane，即可設(shè)置完成.如圖7所示.

圖像過濾：點(diǎn)擊Filer Image，在Filers列表中選擇Gaussian，并設(shè)置參數(shù).如圖8所示.

設(shè)置檢測(cè)對(duì)象：點(diǎn)擊Match Pattern，即可在Select Template Region界面規(guī)劃?rùn)z測(cè)目標(biāo)（如圖a所示）.設(shè)置完成后，點(diǎn)擊Specifications，設(shè)置Rotated，即目標(biāo)偏移范圍，將Max和Min均設(shè)置成5、-5.在Options界面中設(shè)置最低匹配分?jǐn)?shù)，倘若檢測(cè)分?jǐn)?shù)小于最低匹配分?jǐn)?shù)，則判定失?。ㄈ鐖Db所示）.Limits界面中設(shè)置該檢測(cè)區(qū)域中出現(xiàn)的檢測(cè)目標(biāo)個(gè)數(shù)，該界面同時(shí)可顯示檢測(cè)目標(biāo)的得分情況（如圖c所示）.設(shè)置完成后，還需在圖中規(guī)劃?rùn)z測(cè)區(qū)域，設(shè)置的檢測(cè)區(qū)域越大則檢測(cè)時(shí)間越長(zhǎng)，需要根據(jù)實(shí)際情況設(shè)置區(qū)域大小[15].如圖9.

建立坐標(biāo)系：點(diǎn)擊Set Coordinate System，在Mode中選取Horizontal and Vertical Motion，表示以該坐標(biāo)原點(diǎn)的四個(gè)象限均設(shè)為檢測(cè)范圍.如圖10所示.

3.3.2 圖像檢測(cè)程序

圖像檢測(cè)程序主要步驟：設(shè)置檢測(cè)區(qū)域1-設(shè)置檢測(cè)區(qū)域2-... ...-設(shè)置識(shí)別狀態(tài)-顯示結(jié)果.如圖11所示.

根據(jù)程序設(shè)定，依照次序?qū)θ舾蓚€(gè)檢測(cè)目標(biāo)進(jìn)行識(shí)別.檢測(cè)完畢后，識(shí)別狀態(tài)欄會(huì)顯示該電路板是否完好，并展示具體識(shí)別結(jié)果，并標(biāo)注失敗位置.

識(shí)別狀態(tài)設(shè)置：點(diǎn)擊Set Inspection Status，選擇Set to FAIL if any previous step fails.如圖12所示.

顯示結(jié)果：點(diǎn)擊Display Image，選擇If Inspection Status is FAIL.如圖13所示.

3.4 檢測(cè)結(jié)果

根據(jù)上述程序，最終檢測(cè)效果圖如圖14所示.

對(duì)比通過與未通過圖像可以看出檢測(cè)結(jié)果較清楚，未通過的元器件會(huì)顯示FAIL，并且最終結(jié)論也是FAIL，可以直觀地找出報(bào)錯(cuò)位置，利于檢修.

根據(jù)上文檢測(cè)程序?qū)τ糜诙押笝C(jī)的PCBA進(jìn)行缺陷檢測(cè)，待測(cè)PCBA檢測(cè)目標(biāo)為93.對(duì)200塊該類型電路板檢測(cè)，總測(cè)試目標(biāo)（PCBA個(gè)數(shù)×測(cè)試目標(biāo)數(shù)）為18600.缺陷檢測(cè)類別共6種，缺陷數(shù)、漏判數(shù)、誤判數(shù)經(jīng)統(tǒng)計(jì)如表1所示.根據(jù)該表可知總漏判率（總漏判數(shù)÷總檢測(cè)數(shù)）為0.34%，總誤判率（總誤判數(shù)÷總檢測(cè)數(shù)）為0.12%，檢測(cè)率為99.54%，檢測(cè)時(shí)間為9.1s.

4 結(jié)論

本文所設(shè)計(jì)的是基于Vision Builder AI的智能化缺陷檢測(cè)系統(tǒng)，與傳統(tǒng)檢測(cè)系統(tǒng)相比，拋棄Labview、Open CV等操作軟件，使用更加智能的Vision Builder AI對(duì)圖像進(jìn)行預(yù)處理、配準(zhǔn)以及匹配，通過對(duì)檢測(cè)框架的改進(jìn)、相關(guān)算法的嘗試、以及參數(shù)的調(diào)整，將建立一個(gè)最優(yōu)的檢測(cè)程序，該系統(tǒng)擁有快速性、穩(wěn)定性、檢測(cè)對(duì)象多樣性、高正確率等優(yōu)點(diǎn)，搭配運(yùn)動(dòng)模塊和圖像采集模塊，實(shí)現(xiàn)智能化、全自動(dòng)、一體化的檢測(cè)過程[15].數(shù)據(jù)表明，該缺陷檢測(cè)系統(tǒng)具有高檢測(cè)率、低漏判率、低誤判率，并且檢測(cè)時(shí)間較短，性能較為穩(wěn)定.本系統(tǒng)已投入工業(yè)生產(chǎn)，運(yùn)行情況良好，可廣泛推廣于PCBA制造業(yè).

參考文獻(xiàn)：

〔1〕張宏宇.基于機(jī)器視覺的PCB缺陷檢測(cè)算法研究[D].東北大學(xué)，2015.

〔2〕李正明，黎宏，孫俊.基于數(shù)字圖像處理的印刷電路板缺陷檢測(cè)[J].儀表技術(shù)與傳感器，2012（08）：87-89.

〔3〕李文龍，袁縱橫，孫偉.一種PCBA圖像的快速定位方法[J].電子科技，2018，31（12）：63-67.

〔4〕熊光潔，馬樹元，聶學(xué)俊，等.基于機(jī)器視覺的高密度電路板缺陷檢測(cè)系統(tǒng)[J].計(jì)算機(jī)測(cè)量與控制，2011，19（8）：1824-1826.

〔5〕于家浩，劉文濤，付鐘，張鈺周，于金峰，黃金俠.基于機(jī)器視覺的PCB質(zhì)量檢測(cè)[J].中國(guó)科技信息，2019（12）：99-100.

〔6〕Kaur B， Kaur G， Kaur A. Detection and classification of Printed circuit board defects using image subtraction method[C]. Engineering and Computational Sciences. IEEE， 2014：1-5.

〔7〕Klara Steinschneider. Machine Vision： Image Processing[J]. Quality，2015.

〔8〕R. Manish，Adigopula Venkatesh，S. Denis Ashok. Machine Vision Based Image Processing Techniques for Surface Finish and Defect Inspection in a Grinding Process[J]. Materials Today： Proceedings，2018，5（5）.

〔9〕陳小勇.基于機(jī)器視覺的PCB缺陷檢測(cè)系統(tǒng)的設(shè)計(jì)[D].福建工程學(xué)院，2018.

〔10〕韓博軒.基于機(jī)器視覺的爐前PCB貼裝器件缺陷檢測(cè)[D].哈爾濱工業(yè)大學(xué)，2018.

〔11〕Ming-Yang Pan，Deng-Kai Yang，Chih-Yu Lai，Jui-Hong Weng，Kuang-Li Lee，Lin-Chi Chen，Chia-Fu Chou，Pei-Kuen Wei. Spectral contrast imaging method for mapping transmission surface plasmon images in metallic nanostructures[J]. Biosensors and Bioelectronics，2019，142.

〔12〕Lopes Jessica Fernandes，Ludwig Leniza，Barbin Douglas Fernandes，Grossmann Maria Victória Eiras，Barbon Sylvio. Computer Vision Classification of Barley Flour Based on Spatial Pyramid Partition Ensemble.[J]. Sensors （Basel， Switzerland），2019，19（13）.

〔13〕Kolja Kühnlenz，HaiyanWu. Special issue on robot vision for dexterous manipulation and interaction[J]. Advanced Robotics，2019，33（13）.

〔14〕V. Javier Traver，F(xiàn)iliberto Pla，Marta Miquel， Maria Carbo-Gas，Isis Gil-Miravet，Julian Guarque-Chabrera. Cocaine-Induced Preference Conditioning： a Machine Vision Perspective[J]. Neuroinformatics，2019，17（3）.

〔15〕劉雨.基于機(jī)器視覺的PCB表面缺陷檢測(cè)[D].安徽工業(yè)大學(xué)，2016.