英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料
译文：
印制电路板表面贴装器件的视觉检测系统
林世杰和苏嘉新清华大学动力机械系
新竹300号
电子邮件： sclin@pme.nthu.edu.tw
摘 要
本研究的目的是开发用于印刷电路板检测的更可靠和更快速的视觉检测系统。为了实现这一目标，检查过程分为两个阶段，即筛选阶段和分类阶段。在第一阶段，从检查的图像中仅抽取一个图像特征，并将其用作筛选索引以快速筛选出大多数正常分量。在第二阶段，神经网络被用来整合所有可用的图像特征信息，以更精确地检查筛选测试后留下的那些。由于有许多可用的图像特征，因此选择合适的图像特征的方式也值得讨论。在这项研究中，分离系数被用作选择合适图像特征的指标。所提出的系统首先由一组修正的图像数据进行训练。然后使用从生产线收集的图像来测试训练有素的系统。实验结果表明了该系统的可行性。
关键词：检查，测试，PCB
I.介绍
自动光学检测（AOI）系统在工业应用中被广泛采用[1-3]。在PCB检测中，AOI系统用于检测与表面有关的缺陷，如裸板检测，焊接桥接，缺少焊料，缺少元件，不良零件方向，抬起的引线，焊球等[4]。
Teoh等人 [5]使用直方图来识别缺失组件或组件未对齐。他们还提出白色像素计数指数作为检测错误取向元件的标准。Loh [6]提出了游程长度编码技术来检测错误的集成电路元件。Peng [7]使用模式匹配来检测丢失的组件。
大多数图像功能仅用于检测特定类型组件的某些特定类型的缺陷。并且，选择合适的图像特征和适当的阈值来检测各种缺陷并对这些缺陷进行分类并不容易[8]。 目前使用的商业检测系统通常提供许多用于检测缺陷的图像特征索引。运营商通常必须选择多个索引并调整这些索引的阈值以确定单一类型的缺陷。由于在检查的组件上可能出现几种缺陷，所以十个或更多的索引是一般用于检测缺陷。
这项研究的目的是制定一个更快和更可靠的检查印制电路板的策略。所提出的系统和方法在以下部分中介绍。系统首先通过一组训练图像数据进行训练。 然后使用从生产线收集的图像来测试训练有素的系统。最后，进行讨论和结论。
II.建议的检查系统
A.系统结构
一般来说，商业检验系统中有很多图像索引。运营商和工程师必须选择多个指标和阈值来确定缺陷。通过经验或测试选择和确定指标和阈值。一些研究人员也为类似目的提出了许多图像索引。
为减少处理时间，本文提出了一种两阶段检测策略。建议系统的流程图如图1所示。建议在第一阶段只使用一个或更少的图像索引来快速筛选出大多数优质组件以减少处理时间。在第二阶段，将添加更多的图像索引，以检查未能通过屏幕测试的人员，并将其更精确地分为几类。
B.图像索引
本研究所考虑的图像指标是白色像素计数指数[5]，直方图指数[5,9]，相关系数[7]，区域指数[9]和高对比度指数[10]。
Teoh [5]使用被检测区域的二值图像中的白色像素数来检测错误的方向分量。 这里采用的度量Iw由检查图像的白色像素数量和像素数量之间的比率确定。
Teoh [5]使用灰度分布的差异来检测缺失组件或不对齐。这里采用的度量IH由灰度分布的差异与被检查图像的像素数量之间的比率确定。Peng [7]使用相关系数来检测缺失成分。
III.系统培训
使用Optimal 7300拍摄的18个分量图像作为参考图像。其中一些图像显示在图2中。基于18幅参考图像，通过略微调整组件的位置，方向和照度以考虑这些变化对测试图像的影响，制作了468个额外的训练样本。所有这些样本都被认为是正常分量的图像。另外，制作了90张缺陷图像。这些缺陷图像包括18个反向样本，54个缺失样本和18个歪斜样本。
这些训练数据然后用于研究各种图像特征的分布并选择适当的阈值来区分群体。图3显示了这些措施分配的一个典型结果。结果表明，通过一个或两个图像索引准确分类图像几乎是不可能的。但是，我们建议只使用一个或几个图像索引作为屏幕索引，以快速筛选出大部分正常部分以减少处理时间。对于工业来说，避免将缺陷部分误判为正常部分非常重要。因此，我们选择一个零缺失的阈值来分解构成缺陷分量的正常分量。
表1显示了如果仅使用一个图像索引作为屏幕索引，则第一阶段的系统性能。结果表明，相关系数是最适合的屏幕指数。没有缺失，相关系数的虚警率为36.5％，高差异指数的虚警率为43％，其他指标均在70％左右或以上。因此，将相关系数用作第一阶段的屏幕指数以快速筛选出63.5％的正常部分。
在第二阶段采用人工神经网络技术来检查那些不能通过屏幕测试和分类缺陷的人。这里使用的神经网络是反向传播神经网络[11-13]。 训练数据也被用来训练神经网络。网络中使用两个输出节点。网络的输出将是正常的，歪斜的，反向的和缺失的组件。为了方便NN3-7-2表示一个网络，它有三个输入节点，7个神经节点和两个输出节点。
为了减少处理时间，网络输入应尽可能少。从统计角度来看，是否可以有效地区分人口，取决于人口的分布。假设两个人口分布相对较远或分布狭窄，很容易相对分离。如果这两个人群过于密切或者他们的分布比较广泛，那么很难区分比较。
建立两个种群的分布为NA，TF33和NB我的人口偏差。分两组，平均差异较小或方差较小更容易。
因此，我们将分离系数定义为我们使用分离系数来选择神经网络系统的输入。
表2列出了各种图像指标的分离系数的比较。如表中所示，当分离来自正常分量的偏斜分量时，分离系数相对较低。图4显示了分离系数和误差之间的关系。 如图所示，随着分离系数的增加，误差减小。
由于分离正常和偏斜分量出现最低分离系数，因此首先选择该分类中具有最高值的相关系数。白点指数的分开系数在分离偏斜和反向分量时相对较高。直方图索引的分离系数在分离丢失偏移分量和分离反向偏移分量时相对较高。由于这些选定指标的分开系数在分型类别中很高，因此这三个指标被认为是作为网络输入的基础。结果如表3所示，如表所示，NN3-7-2的故障报警率，缺失率和错误分类率分别为0.43％，15.56％和0.0％。
如上所示，三输入神经网络的丢失率仍然很高。为了提高系统的性能，还要训练具有四个或五个输入的神经网络。选择输入的方式基本上遵循上述程序。系统性能也在表3中列出。如图所示，具有四个或五个图像索引作为输入的网络比仅具有三个索引的网络具有更好的性能。当使用4个和5个输入时，失踪率分别降至4.44％和1.11％。
IV.系统测试
从生产线收集另一组图像数据以测试受训系统。经过很长时间后，收集了29个缺陷样品。大多数缺陷样本是相反的。只有一个样品是歪斜缺陷。在此期间没有发现缺失缺陷。为了测试能力系统，另外添加4个偏斜样本和8个缺失样本以及28个收集的缺陷样本，并且使用1938个收集的正常样本作为测试数据集。
这些测试数据被用于测试训练有素的系统。第一阶段之后，1938年的正常样本中有1700个是作为正常部分筛选出来。没有缺陷部分被误判为正常部分。 结果如表4所示。为了进行比较，表中还显示了使用其他图像索引作为屏幕索引的结果。证实模式匹配指数是第一阶段被用作屏幕指数研究的最适合的指标。没有缺失，相关系数的虚警率为12.3％，高差异指数的虚警率为31.3％，其他虚警率为42.5％或更高。换句话说，使用相关系数作为第一阶段的屏幕指数可以快速筛选出正常部分的87.7％。
筛选后，239名正常人和41名缺陷样本通过训练神经网络进行测试。结果如表5所示。当只有三个图像索引被用作网络输入时，发现缺失率太高，为58.54％。如果有4个或更多的指数，失踪率大大降低到14.63％。有5个指标，漏报率，虚警率或错误分类率均小于5％。
V.结论
在这项研究中，提出了一种新的检查系统。建议的系统可以分为两个阶段。在第一阶段，使用单个图像索引来快速筛选出好的部件以减少处理时间。在第二阶段，神经网络被用来整合几个图像索引以更准确地分类缺陷。首先使用558个训练样本来训练拟议的系统。结果表明，模式匹配指数是第一阶段的最佳屏幕指标。在第二阶段，显示应该使用三个以上的指标来有效地识别缺陷。
然后对训练有素的系统进行1949年从生产线采集的样品进行测试。在第一阶段，测试证实模式匹配指数是本研究中测试的最佳屏幕指数。虚惊率只有12.3％，远低于其他人。在第二阶段，采用神经网络对缺陷进行分类。当使用五个指标作为网络工作的输入时，虚警率，缺失率或错误分类均低于5％。
通过建议的两阶段检查系统，很多好的零件在第一阶段很快被筛选出来。尽管还需要付出更多的努力才能无误地完成缺陷分类，但使用所提出的系统已经观察到显着的改进。结果表明，神经网络是集成缺陷分类信息的好工具。分离系数为选择合适的缺陷分类指标提供了一种途径。
致谢
作者希望感谢台湾国家科学理事会的财政支持（NSC93-2212-E- 007-038）和Lite-on it Corporation提供实验设置，标本和技术支持。
参考文献
[1]HG Longbotham，Y. Ping，HN Kothari和Z. Jun，“多层印刷电路板中痕量映射的非破坏性逆向工程”，AUTOTESTCON#39;95，pp.390-397，1995年8月。
[2]RT Chin，“自动视觉检测：一项调查”，IEEE Trans。 模式分析。 马赫。 Intell。，vol。 4，没有。 6，第557-573页，1982。
[3]RT Chin，“调查：自动视觉检查：1981年至1987年”，计算机视觉图像图像处理，第一卷。 41，pp.346-381,1988。
[4]M.Moganti，F.Ercal，“自动PCB检测算法：一项调查”，计算机视觉和图像理解，第一卷。 63，没有。 2，pp.287-313,1996。
[5]EK Teoh，DP Mital，BW Lee和LK Wee，“表面贴装PCB的自动化视觉检测”，IECON#39;90，IEEE第十六届年会，第27-30页，11月。 1990年。
[6]Horng-Hai Loh，Ming-Sing Lu，“使用图像分析的印刷电路板检测”，IEEE工业应用汇刊，vol。 35，没有。 2，第426-432页，1999。
[7]DB Perng，GY Peng，CJ Yan和CC Chou，“用于SMD PCB自动检测的新型机器视觉系统”，2001年ISMTII国际测量技术和智能仪器研讨会，2001年，埃及开罗，2001年9月25 - 29日。
[8]M. Moganti，F. Ercal，“自动PCB检测系统”，Potentials，IEEE，vol。 14，没有。 3，第6-10页，1995。
[9]YH Lin，“表面贴装PCB视觉检测算法的估算”，台湾清华大学硕士论文，2003年。
[10]DL Tsai，CH Tsai和SC Lin，“使用神经网络进行印刷电路板的计算机视觉检测”，Proc.Natl.Acad.Sci.USA， 4日精密机械与制造会议，A03-004，台北，2004。
[11]LV Fausett，神经网络基础，Prentice-Hall，Englewood，Cliffs，NJ，1994。
[12]K. Tarun和T. Khanna，神经网络的基础，马萨诸塞州雷丁：Addison-Wisley，1990年。
[13]P.Piction，Introduction to neural networks，London：Macillan，1994。
附录：
表一 第一阶段系统性能（培训数据）
|
IP |
IR |
IH |
IT |
IW |
|
|
处理时间（毫秒） |
0.52 |
0.63 |
0.49 |
0.55 |
0.45 |
|
阈 |
0.65 |
0.05 |
0.2 |
0.18 |
0.5 |
|
误报率（％） |
36.5 |
68.0 |
69.9 |
43.0 |
76.1 |
|
lt;
全文共6047字，剩余内容已隐藏，支付完成后下载完整资料 资料编号：[12081]，资料为PDF文档或Word文档，PDF文档可免费转换为Word |
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
