简介:该文是pcb相关论文范本与检测系统类硕士学位毕业论文范文.
摘 要：PCBA在电子设备领域占据着越来越重要的地位,当今工业领域使用AOI设备对PCBA进行缺陷检测.为了解决目前市面上AOI设备造价高、检测效率低、检测对象局限等问题,设计了基于Vision Builder AI的PCBA智能化缺陷检测系统.该系统采用MV-CE013-50GC CCD工业相机结合LED光源MV-RL62X32A60-V共同采集PCBA图像,并传送至PC,利用Vision Builder AI软件进行对比度增强、图像去噪、配准等图像处理操作,对标准图像进行待检测区域及元器件进行设定,对比检测图像与标准图像,判断是否存在缺陷,经大量实验数据分析,证明该系统检测速度快,准确度高,具有良好的实用价值.
关键词：PCBA;CCD工业相机;Vision Builder AI;图像处理
中图分类号：TP273 文献标识码：A 文章编号：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电路板,在实际生活、工业生产中具有至关重要的作用[1].随着科技力量以及人们日常生活物质水平的不断攀升,电路板慢慢走向“三高一低”的发展趋势,即高性能、高集成化、高质量、低成本,这就意味着电路板上的结构复杂多样,对电路板的质量进行把控的难度也随之提升[2].许多生产厂商在PCBA生产过程中会加入多道检测工序,用来提高电路板的质量,但是目前国内在自动在线检测技术方面水平有限,大部分还是依靠人工检测和半自动化检测,传统的质量检测方法耗费时间长、对工作人员专业水平要求高、检测准确率低,不能满足工业化新形势的要求;且随着电子器件制造工艺水平的提高,元器件的规格越来越小,数量越来越多,布局也越来越紧密,这对故障检测增大了难度[3].所以,需要建立一个基于机器视觉的电路板缺陷智能化检测系统来完成高密度电路板的缺陷检测工作,用以解决传统缺陷检测不足的问题[4].
本系统使用工业相机进行图像采集,并选用NI公司推出的智能化软件：Vision Builder AI,进行图像处理和缺陷检测.该软件高度智能化,无需大量编程,操作人员仅需数小时便可建立完整的检测程序,检测快速,可在短时间内完成大量数据的检测工作,并且具有检测正确率较高,可靠性高等特点[3].
2 系统结构设计
如图1所示,本文设计的系统由图像采集模块、图像处理模块组成.检测时,由CCD工业相机和LED光源协同采集图像,将图像传送至PC,由图像检测软件对待检测图像进行检测与分析,并对缺陷类型、位置分类统计.
2.1 图像采集模块
图像采集模块由两个部分组成：工业摄像头以及光源.
工业相机：选用海康威视公司的MV-CE013-50GC工业相机.MV-CE013-50GC全称为130万像素1/3" CCD千兆以太网工业相机具有分辨率高、采集速度快、精确度高、色彩还原度高等特点.该相机采用的是千兆以太网接口提供了1Gbps带宽,128MB板上缓存,可缓存多张图片,用于突发传输或者重传,可以实现图像采集实时化[5].
光源：对于光源的选择,主要考虑种类、光照强度、光线均匀性、稳定性等因素.其中,选取的光源光线频率必须远大于工业相机的扫描频率,否则造成图片采集过程中可能会有模糊、重影、明暗变化等问题[6].在经过权衡之下,选择亮度高、稳定性好的LED光源MV-RL62X32A60-V.
2.2 图像处理模块
图像处理模块主要工作是计算机将接收到的待检测图像进行预处理、图像配准、灰度匹配等过程,根据评分判断是否存在缺陷.圖像处理软件选用NI公司推出的智能化软件：Vision Builder AI.可帮助操作者速开发和部署机器视觉检测系统.借助菜单驱动的开发工具,操作人员可以配置相机,使用数百种算法和检查步骤来自定义图像处理,与自动化硬件连接,并生成检测结果[7].
3 视觉检测设计
3.1 检测流程
首先,由CCD工业相机采集待检测电路板的图像.采集好图像后需要对待检测图像进行预处理,预处理分为图像对比度增强、图像降噪等.其中,采用灰度变换法来提高图像对比度;图像去噪采用高斯滤波法.预处理的作用是为了提高图像质量,经过增强后的图像对于接下来的缺陷检测有着重要意义[8].然后进行图像配准,以防止由于待检测电路板摆放位置的偏移导致无法检测.之后,对标准图像进行待检测元器件的定位以及待检测区域的划分.标准图像设定好后,待检测图像会根据标准图像所设定检测区域进行识别,对比标准图像与检测图像来判断该电路板中是否存在缺陷[9].如果匹配失败,报警并显示失败位置.检测完毕.
流程框图如图2所示.
3.2 缺陷种类
在实际工业生产中PCBA存在各种各样的缺陷,有的缺陷人眼可以识别,有的细微缺陷只能依靠机器视觉[10].对于不同缺陷,需要使用不同的检测方法.本系统主要检测的PCBA缺陷有：元器件错焊、元器件漏焊、元器件损坏等,可以细分为缺件、错件、损件、偏移、反白和反向[11].各类缺陷如图3所示.
3.3 程序设计
关于图像检测程序的编写分为两个部分：图像处理程序、图像检测程序.检测框图如图4所示.
3.3.1 图像处理程序
图像处理程序主要步骤：相机获取图像-读取图像-灰度变换-高斯滤波-设置特征坐标-建立坐标系.如图5所示.
首先,由CCD相机采集的图像直接传送到操作软件或储存到某一设定路径再由软件调用.接着进行灰度变化以及滤波,以此优化由于采集过程中光源和相机本身因素导致的对比度不足、噪声过多的弊病,使图像更加清晰、易于识别[12].然后选取检测图像中的标志性区域,以此作为坐标轴原点建立坐标系,该标志性区域需满足必然存在性,因为后期ROI的定位是根据该坐标系确定,若早期定位未识别到坐标原点,则无法进行后续识别,该坐标原点同时也作为图像配准算法的依据[13].
如图6所示,当执行完图像处理程序后,待检测图像成了灰度图,并且较未滤波的图相比更加清晰.图中红色方框是ROI,绿色方框是检测区域.在检测过程中,检测程序会在检测区域中寻找ROI,以此实现定位以及配准[14].
具体设置方法：
灰度变换：点击Vision Assistant,在Image Processing Steps列表中点击Press Edit to add processing steps,选择Extract Color Planes点击,选择HSV-Value Plane,即可设置完成.如图7所示.
图像过滤：点击Filer Image,在Filers列表中选择Gaussian,并设置参数.如图8所示.
设置检测对象：点击Match Pattern,即可在Select Template Region界面规划检测目标（如图a所示）.设置完成后,点击Specifications,设置Rotated,即目标偏移范围,将Max和Min均设置成5、-5.在Options界面中设置最低匹配分数,倘若检测分数小于最低匹配分数,则判定失败（如图b所示）.Limits界面中设置该检测区域中出现的检测目标个数,该界面同时可显示检测目标的得分情况（如图c所示）.设置完成后,还需在图中规划检测区域,设置的检测区域越大则检测时间越长,需要根据实际情况设置区域大小[15].如图9.
建立坐标系：点击Set Coordinate System,在Mode中选取Horizontal and Vertical Motion,表示以该坐标原点的四个象限均设为检测范围.如图10所示.
3.3.2 图像检测程序
图像检测程序主要步骤：设置检测区域1-设置检测区域2-. .-设置识别状态-显示结果.如图11所示.
根据程序设定,依照次序对若干个检测目标进行识别.检测完毕后,识别状态栏会显示该电路板是否完好,并展示具体识别结果,并标注失败位置.
识别状态设置：点击Set Inspection Status,选择Set to FAIL if any previous step fails.如图12所示.
显示结果：点击Display Image,选择If Inspection Status is FAIL.如图13所示.
3.4 检测结果
根据上述程序,最终检测效果图如图14所示.
对比通过与未通过图像可以看出检测结果较清楚,未通过的元器件会显示FAIL,并且最终结论也是FAIL,可以直观地找出报错位置,利于检修.
根据上文检测程序对用于堆焊机的PCBA进行缺陷检测,待测PCBA检测目标为93.对200块该类型电路板检测,总测试目标（PCBA个数×测试目标数）为18600.缺陷检测类别共6种,缺陷数、漏判数、误判数经统计如表1所示.根据该表可知总漏判率（总漏判数÷总检测数）为0.34%,总误判率（总误判数÷总检测数）为0.12%,检测率为99.54%,检测时间为9.1s.
4 结论
本文所设计的是基于Vision Builder AI的智能化缺陷检测系统,与传统检测系统相比,抛弃Labview、Open CV等操作软件,使用更加智能的Vision Builder AI对图像进行预处理、配准以及匹配,通过对检测框架的改进、相关算法的尝试、以及参数的调整,将建立一个最优的检测程序,该系统拥有快速性、稳定性、检测对象多样性、高正确率等优点,搭配运动模块和图像采集模块,实现智能化、全自动、一体化的检测过程[15].数据表明,该缺陷检测系统具有高检测率、低漏判率、低误判率,并且检测时间较短,性能较为稳定.本系统已投入工业生产,运行情况良好,可广泛推广于PCBA制造业.
参考文献：
〔1〕张宏宇.基于机器视觉的PCB缺陷检测算法研究[D].东北大学,2015.
〔2〕李正明,黎宏,孙俊.基于数字图像处理的印刷电路板缺陷检测[J].仪表技术与传感器,2012（08）：87-89.
〔3〕李文龙,袁纵横,孙伟.一种PCBA图像的快速定位方法[J].电子科技,2018,31（12）：63-67.
〔4〕熊光洁,马树元,聂学俊,等.基于机器视觉的高密度电路板缺陷检测系统[J].计算机测量与控制,2011,19（8）：1824-1826.
〔5〕于家浩,劉文涛,付钟,张钰周,于金峰,黄金侠.基于机器视觉的PCB质量检测[J].中国科技信息,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〕陈小勇.基于机器视觉的PCB缺陷检测系统的设计[D].福建工程学院,2018.
〔10〕韩博轩.基于机器视觉的炉前PCB贴装器件缺陷检测[D].哈尔滨工业大学,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 tranission surface plaon images in metallic nanostructures[J]. Biosensors and Bioelectronics,2019,142.
〔12〕Lopes Jessica Fernandes,Ludwig Leniza,Barbin Douglas Fernandes,Grosann 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. Jier Trer,Filiberto Pla,Marta Miquel, Maria Carbo-Gas,Isis Gil-Miret,Julian Guarque-Chabrera. Cocaine-Induced Preference Conditioning： a Machine Vision Perspective[J]. Neuroinformatics,2019,17（3）.
〔15〕劉雨.基于机器视觉的PCB表面缺陷检测[D].安徽工业大学,2016.
总结：总结,这是适合检测系统论文写作的大学硕士及关于pcb本科毕业论文，相关pcb开题报告范文和学术职称论文参考文献.
检测系统引用文献:
[1] 检测系统论文范文 关于检测系统论文范本2万字
[2] 检测系统论文范文 关于检测系统类专科开题报告范文2000字
[3] 检测系统毕业论文模板范文 云计算方面有关论文如何写3000字
