焊點的焊接質(zhì)量決定了電路板的可靠性,而電路板焊接異常的快速檢測是大批量生產(chǎn)的先決條件。為了快速地實現(xiàn)焊接異常的精確檢測,提出了一種基于深度學(xué)習(xí)的焊點圖像識別算法。該算法通過自適應(yīng)矩估計配合加速卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn),可對大量焊接圖片進(jìn)行快速分類識別檢測。實驗選取5 000幅焊接圖像訓(xùn)練集測試,并與傳統(tǒng)的K-means聚類算法和Canny邊緣檢測算法對比。實驗結(jié)果顯示,在小球和連橋缺陷中3種方法效果相近,而在虛焊、少錫缺陷中,本算法具有明顯優(yōu)勢。在1 000組測試集實驗中,其綜合檢出率及召回率分別達(dá)97.92%和98.21%,明顯優(yōu)于傳統(tǒng)方法,驗證了本算法具有更好的應(yīng)用前景。 

【文章來源】：電子器件. 2020,43(02)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

CNN模型訓(xùn)練與測試流程圖

實驗采用通過HAWK公司的X射線源配合UNIQ公司的2000型CCD獲取5 000張各種焊接圖像,其中除了焊接質(zhì)量良好的焊點外還包括存在虛焊、小球、連橋、少錫等各類焊接質(zhì)量情況的圖片。由于電路板類型不盡相同所以其圖像亮度與對比度均有明顯差異,故在圖像預(yù)處理中首先將其全部調(diào)整至相近灰度區(qū)間。其中3 000張圖像作為訓(xùn)練集,1 000張圖像作為驗證集,最后1 000張圖像作為測試集。測試系統(tǒng)示意圖及包含各種焊接缺陷的原始圖像如圖2所示。在焊點質(zhì)量檢測系統(tǒng)中,希望同時滿足高的檢出率和低的誤檢率。檢出率指將存在焊接問題的焊點、焊縫等進(jìn)行檢出;誤檢率指指錯誤地檢測為正常圖像的缺陷圖像的數(shù)量占缺陷圖像總數(shù)的百分比。基于深度學(xué)習(xí)的焊點質(zhì)量檢測算法在Linux系統(tǒng)里完成,硬件配置為NF5280M5型服務(wù)器、Xeon-4110型CPU,在Tensorflow系統(tǒng)下,采用Python語言實現(xiàn)。

為了驗證所提出的基于深度學(xué)習(xí)的焊點圖像提取算法的有效性,本文將該算法與K-means聚類算法和Canny邊緣檢測算法進(jìn)行了比較。文中以包含5種焊接缺陷的PCB板圖片進(jìn)行測試。使用3種算法獲得的圖像效果如圖3所示。測試結(jié)果可知,對處理后圖像中各個焊點的邊界清晰度而言,Canny邊緣檢測分割算法效果最好。對焊點中焊錫厚度、偏向等細(xì)節(jié)部分本算法梯度和清晰度都更好一些。從3組圖像可以看出,對于缺焊、小球、連橋都是十分明顯的,只要配合相應(yīng)的算法可以直接提取并統(tǒng)計。而虛焊、偏球、少錫等情況則不同,需要對圖像進(jìn)行深度信息挖掘,否則難以識別或容易造成誤判。

【參考文獻(xiàn)】：
期刊論文
[1]基于變換矩陣的BGA X-ray圖像傾斜識別及校正方法[J]. 李井元,方黎勇,胡棟材,齊曉世.  強激光與粒子束. 2018(10)
[2]基于圖像處理的PCB板表面檢測分析研究[J]. 夏成蹊,楊晨,趙雪,丁召.  電視技術(shù). 2018(08)
[3]手持式聲表面波射頻識別系統(tǒng)[J]. 彭福強,陳智軍,陳濤,李慶亮,賈浩.  壓電與聲光. 2018(03)
[4]基于機器視覺的焊點檢測算法研究[J]. 劉美菊,李凌燕,郭文博.  電子器件. 2017(04)
[5]基于極限學(xué)習(xí)機的焊點質(zhì)量檢測[J]. 馬立勇,袁統(tǒng)帥.  計算機工程與應(yīng)用. 2018(12)
[6]基于機器人視覺的銀網(wǎng)焊點定位技術(shù)研究[J]. 陳一嶠,胡國清,黃道權(quán),李銳,賈明峰.  航空制造技術(shù). 2017(09)
[7]基于機器視覺PCB焊點質(zhì)量檢測研究[J]. 祝振敏,呂兆康,宋瑞超,李海文.  控制工程. 2017(04)



本文編號：2979201