通孔器件机器视觉检测算法
通孔器件机器视觉检测算法【1】
摘 要：分析了机器视觉检测算法的发展概况，采用标准机器视觉开发包，研究了通孔器件的机器视觉检测算法。
结果表明，针对通孔器件的不同特点，分成线束类和非线束类，分别采用NI视觉开发模块中的颜色定位算法和彩色模板匹配算法，使用不同的综合判据是可行的。
关键词：通孔器件;机器视觉;检测算法;颜色定位算法;彩色模板匹配算法
机器视觉在电子行业得到广泛应用，但主要集中于印刷电路、表面贴装，而通孔器件的通用质量检测设备则是空白或依赖定制。
在电子产品组装工艺中，除了表面贴装器件，还有大量的机插和手工装配的通孔元器件，如：接插件、连接线、大尺寸电解电容、变压器等。
这些器件大多有方向、极性、位置等要求，但同时又是在线测试、功能测试的盲点，只能通过人工目视检查。
由于操作员工技能、疲劳程度等因素影响，很容易造成漏检，存在很大的质量风险。
外观漏检成为某公司客户退返板第二大原因，达到35.1%，占外部故障成本的14.3%。
因此，进行通孔器件检测算法研究，研发基于机器视觉的通孔器件通用检测平台非常必要。
该算法应能检测接插件、连接线、电解电容、变压器、滤波器、二极管等机插和手工装配的通孔器件，可检验缺件、错件、极性反、线序错、位置偏移等不良。
1 机器视觉检测算法发展概况
机器视觉已成为生产过程关键技术之一，在传感器将图像数据传送到计算机后，对这些图像数据的处理是机器视觉过程的真正关键[1]。
目标识别、位置探测、完整性检测、形状和尺寸检测、表面检测等是几种常用在必须有机器视觉系统参与的任务中的算法。
印刷电路板(Printed Circuit Board，PCB，下称PCB)图像的检测算法，大致可分为三大类：有参考比较算法、无参考校验法以及混合型算法。
有参考比较算法分为图像对比法和模型对比法;无参考校验法又称为设计规则校验法;混合型算法则综合上述两种算法，扬长避短。
目前自动光学检测(Automatic Optical Inspection，AOI，以下简称AOI)系统图像处理基本上采用参考算法，国外进口品牌大多使用图像匹配、法则判别等多种组合手段[2]。
PCB检测的参考算法主要采用形状匹配，可以选择的特征提取技术包括像素运算、模板匹配、霍夫变换等[3]。
模板匹配可以用来实现完整性检测和物体识别。
基本的模板匹配算法包括基于灰度值的模板匹配、使用图形金字塔进行匹配、基于灰度值的亚像素精度匹配、带旋转与缩放的模板匹配。
多年来，机器视觉应用中都选用这些基本模板匹配算法。
然而，越来越多的应用要求在存在遮挡、混乱和非线性光照变化的情况下找到目标物体，基于灰度值的模板匹配算法不能够处理这些类型的干扰。
因此需要使用边缘匹配算法等可靠的模板匹配算法[1]。
实现一个稳定可靠的模板匹配的基本算法已经相当复杂，而使这些匹配算法更稳定快速的过程则更加复杂。
一般机器视觉用户都依赖标准软件包来提供这些功能，而不会试图自己实现[1]。
下面将介绍美国国家仪器(National Instruments，NI，以下简称NI)视觉开发模块，以及基于NI视觉开发模块进行的通孔器件检测算法研究。
2 美国国家仪器视觉开发模块的应用
2.1 美国国家仪器视觉开发模块
NI视觉开发模块包含数以百计的视觉函数，NI LabVIEW、NI LabWindows/CVI、C/C++、或Visual Basic可以使用这些函数创建功能强大的视觉检测、定位、验证和测量应用程序。
所有NI视觉开发模块函数都使用以十分之一像素和十分之一度的亚像素级精确度来对位置、距离、和测量值进行插值[4]。
通常在选择视觉系统时，精确度、易用性、执行速度是三个需要考虑的重要因素。
NI视觉软件是高度优化的，它通过各种可能的途径提升性能，使得其可以与世界上最快的视觉软件包媲美。
事实上，与领先的视觉软件供应商相比，NI视觉软件在许多项目上都更为快速[4]。
2.2 通孔器件检测算法和综合判据
由于通孔元器件材料、形状、尺寸变化大，插装位置不如表面贴片器件规整，存在遮挡、混乱和非线性光照变化等情况，难以采用统一的算法和判据。
根据通孔器件的特点将其分为线束类和非线束类，分别采用NI视觉开发模块中的颜色定位算法和彩色模板匹配算法[5][6][7]。
2.2.1 线束和彩色定位算法
线束的特点是形状多变，位置随机，制程中的不良是不同颜色的线束错位。
外观检验主要检查线束的插装位置是否正确或是否装配有线束。
采用颜色定位算法[6]，如图1所示。
图1 颜色定位算法
综合判据：匹配分数大于等于900为合格，否则为不良。
算例[5]：
(1)正确装配的线束，与线束形状无关，匹配分数均大于900。
(2)错插、漏插的情况下，匹配分数小于900，本例中均小于800。
结论[5]：颜色定位算法适合线束类的检测。
2.2.2 非线束和彩色模板匹配算法
非线束的特点是形状固定，制程中的不良主要是极性反、错件、缺件，这也是外观检验的主要检查内容。
采用彩色模板匹配算法[6](详见图2)，该算法包括彩色模板学习和匹配两个算法[7]。
图2 彩色模板匹配算法
其中彩色模板学习算法包括两个模块：学习彩色模板设置模块和学习模块。
使用学习彩色模板设置模块设置两个参数：线束类学习模式应设置为平移信息，非线束类学习模式设置为平移与旋转信息;线束类特性模式应设置为颜色，非线束类特性模式设置为颜色与形状。
彩色模板学习模块只需输入图像和学习彩色模板设置数据，即可输出模板图像。
彩色模板匹配算法也包含两个模块：匹配彩色模板设置模块和匹配模块[6]。
匹配彩色模板设置模块中，需要设置两个关键参数：线束类匹配模式设置为无平移，非线束类匹配模式设置为无旋转;线束类匹配特性模式设置为颜色，非线束类匹配特性模式设置为颜色与形状。
彩色模板匹配模块，输入图像及其待检测区域、模板、匹配彩色模板设置数据、最小匹配分数、要求匹配数，即输出匹配结果Matches和匹配数。
综合判据：匹配分数大于等于700且旋转角度小于±45°为合格，否则为不良。
算例[5]：
(1)正确装配的元器件，匹配分数大于等于700且旋转角度小于±45°。
(2)错插、漏插的情况下，插座类绝大多数匹配分数和旋转角度均为0。
(3)反插情况下，曝光良好的图像可从旋转角度判断，本例中旋转角度在180°左右。
结论[5]：彩色模板匹配算法适合非线束类的检测。
3 结束语
(1)针对通孔器件的不同特点，分成线束类和非线束类，分别采用NI视觉开发模块中的颜色定位算法和彩色模板匹配算法，使用不同的综合判据是可行的。
(2)采用标准视觉开发包可以研发稳定可靠的通孔器件机器视觉应用通用平台。