全局缺陷和局部缺陷的FPC檢測算法研究

孔令丹，譚 勁，褚 娜

（中國計量學院 信息工程學院，浙江 杭州310018）

柔性電路板（flexible printed circuit board，F(xiàn)PC），又稱軟性電路板、撓性電路板，是一種具有可靠性的可撓性印刷電路板.具有配線密度高、重量輕、厚度薄、可自由彎曲折疊等特點［1］.由于FPC在空間上的自由性，它們在電子產(chǎn)品微型化的過程中的應用越來越廣泛，同時FPC的缺陷檢測已經(jīng)成為FPC制造過程中的一個核心問題.目前的檢測方法多為人工目測，工人勞動強度大，準確率低，成本較高.因此，開發(fā)出FPC缺陷自動化檢測的算法已經(jīng)迫在眉睫.近年來，計算機機器視覺被越來越多的行業(yè)采用，基于機器視覺的FPC自動化檢測也成為缺陷檢測發(fā)展的必然趨勢.

在現(xiàn)階段的柔性電路板生產(chǎn)行業(yè)中，對其缺陷的檢測并沒有一個共同的行業(yè)標準.絕大部分的生產(chǎn)廠家所采取的檢測方法為：首先對人眼所能分辨的表面缺陷進行檢測，篩選排除其瑕疵產(chǎn)品；然后采用精密光學儀器和電測試等方法，檢測出線路方面的缺陷.自動化檢測的方法在柔性電路板缺陷檢測中還處于起步和測試階段.現(xiàn)有的大多數(shù)的檢測方法為基于模板匹配和對比的方法，模板匹配是FPC自動化檢測系統(tǒng)中的關鍵技術之一，匹配速度和精度是近年來研究的熱點問題.關于匹配速度的提高主要涉及兩個方面：減少非匹配區(qū)域的相關計算量和優(yōu)化搜索策略.本文采用了全局缺陷和局部缺陷分類的方法來減少非匹配區(qū)域的相關計算量，在一定程度上提高了模板匹配的速度.

根據(jù)待檢測的FPC的特征，我們將缺陷類型分為線路缺陷和焊孔缺陷.其中線路缺陷為短路、斷路、線路寬幅過小、線路寬幅過大等；焊孔缺陷主要包括焊孔偏移、焊孔缺錫等.各種缺陷的檢測標準和示意圖如圖1～2.

a）短路和斷路

短路和斷路在FPC板中屬于嚴重缺陷，會導致整塊板失效.出現(xiàn)短路和斷路現(xiàn)象時，判定為NG.

b）線路寬幅過小和過大

線路寬幅過小如圖3，它是指由于缺口、焊孔和基材直接的劃傷使線路寬度減少.如果寬幅的減少量大于時，判定為NG.

線路寬幅過大如圖4所示，它是指由于導線邊緣粗糙、銅殘或者導線之間的雜質(zhì)等缺陷，導致導線間距小于時，判斷為NG.

1 研究現(xiàn)狀

現(xiàn)階段FPC自動化檢測大致可分為待測圖像的獲取、圖像預處理、與標準模板的匹配及結(jié)果判斷四個過程，其中最為關鍵的步驟為與標準模板的匹配，基于圖像比對和模板匹配技術的缺陷檢測技術是應用最為廣泛的缺陷檢測技術［2］.目前其技術上的難點在于模板匹配的效率低、準確率較差等問題.

現(xiàn)有的FPC缺陷檢測算法多衍生于PCB板的檢測算法，由于FPC板多為周期性的圖像，檢測面積較小，精度要求較高，因此PCB板的檢測算法需要經(jīng)過改進才能適用于FPC.在PCB檢測算法中，為了提高PCB檢測圖像匹配算法的效率，有人提出了基于自適應遺傳算法的匹配算法、投影匹配算法、多模板匹配算法等.現(xiàn)有的遺傳算法其匹配算法適應性有限，通過在匹配之前要進行大量的圖像預處理，這樣在一定程度上影響了整個系統(tǒng)的檢測時間.投影匹配算法計算較為簡單，且大大減少了算法匹配所需的時間.多模板匹配算法需要進行多次匹配，準確度有所提高但識別時間較長.GUO Fenglin［3］等把雙重Sigmoid變換應用到圖像的預處理中，從而提高了待測圖像與標準模板的匹配度，但算法復雜，檢測時間有所下降.Rambabu K［4］采用了參考法、非參考法和圓形匹配相結(jié)合的方式來實現(xiàn)缺陷檢測.Barnea［5］提出了像素度量算法（SSDA），通過優(yōu)化搜索空間策略，減少算法的復雜性.對于FPC來說，由于FPC的周期性，我們可以采用圖像分割和區(qū)域缺陷檢測的算法來提高檢測的速度，同時采用改進的匹配算法來提高效率.對FPC板采用圖像分割，根據(jù)其周期性不需要考慮圖像拼接算法.

本文在分析上述幾種算法的優(yōu)缺點的基礎上，提出了一種FPC快速模板匹配算法：首先對圖像進行分割，然后進行全局特征判斷，淘汰全局瑕疵產(chǎn)品，最后對未被全局缺陷淘汰的產(chǎn)品進行模板圖像和待測圖像進行x軸和y軸方向投影，確定缺陷的大致位置，對缺陷的可能區(qū)域采用模板匹配，對局部特征進行瑕疵識別.實驗證實了該方法的準確性和有效性，可滿足FPC的生產(chǎn)線的檢測要求.

2 圖像處理算法

本文算法提出了一種新的柔性電路板的分類方式，即把缺陷分為全局缺陷和局部缺陷.把直方圖信息和連通域面積的檢測歸類于全局缺陷的檢測；局部缺陷檢測為通過投影匹配確定缺陷的大致位置，然后對缺陷的可能位置計算其方差和相關系數(shù).

根據(jù)FPC板的周期性，本算法采用的模板為單周期的單元圖像.每張電路板由10張單元圖像組成，模板圖像和整張模板圖像如圖5、圖6，其中圖5為模板圖像，圖6為整張FPC板圖像.

圖5 模板Figure 5 Template

圖6 整張FPC板Figure 6 Piece of FPC

算法流程如下：首先通過全局缺陷檢測，過濾部分非匹配區(qū)域.基于模板匹配的算法分為兩部分：一是匹配特征的選擇；二是對匹配特征進行相關性計算方法的選擇.本文采用了首先判定全局缺陷，然后在局部缺陷判定中采用模板匹配算法，目的是減少檢測所需時間，提高算法效率，使算法滿足工業(yè)生產(chǎn)線的要求，其算法流程圖如圖7所示.

圖7 算法流程圖Figure 7 Algorithm procedure

2.1 圖像分割

本文采用的圖片格式為8位灰度圖，采用灰度圖的優(yōu)點在于：首先，灰度圖可以減少圖像的數(shù)據(jù)量，可以減少冗余信息對算法的干擾；其次，灰度圖像便于進行圖像的閾值分割；最后，灰度圖可以提高檢測的效率［6］.在對獲取的檢測圖像分析之前，圖像分割是不可缺少的一步.圖像分割的目的就是將物體和背景區(qū)分開來.對于FPC其基本特征為焊孔和線，因此，圖像分割的本質(zhì)就是將焊孔和線與基板背景相分離.

圖8 FPC板的直方圖Figure 8 Histogram of FPC

選擇正確合適的閾值是閾值分割成功需要解決的關鍵問題.圖8為本文算法中所用的FPC板的直方圖.本文采用迭代閾值分割算法［7］，算法步驟如下：

a）確定一個初始閾值T.在這里，設定T的值為灰度區(qū)間的最大值

b）計算背景和焊孔和線的灰度均值

這樣，α提供了背景和焊孔和線的最優(yōu)灰度分割參數(shù).

2.2 全局特征判斷

為了更好地描述本文算法，現(xiàn)做以下定義：設圖像分割后的待測二值圖像為f（x，y），模板圖像為T（x，y），大小均為 M×N.算法步驟如下：

a）首先統(tǒng)計模板圖像和待檢測圖像的直方圖信息（圖9）.直方圖顯示的是圖像中每一灰度級像素的個數(shù).把模板圖像的直方圖信息設定為該區(qū)域的直方圖信息檢測標準.圖10為待檢圖像中存在短路、空洞缺陷某區(qū)域的直方圖信息，與圖9對比，可以看出直方圖信息存在很大的差異.下面采用歐式距離進行量化分析.

經(jīng)典的直方圖匹配算法是計算模板直方圖和待檢直方圖的歐氏距離［8］，模板的直方圖向量為HT，待檢直方圖向量為Hf，它們之間的歐氏距離為：

其中ET和Ef為兩幅圖像的平均灰度.經(jīng)實驗證明，當dHTHf≤0.09時，模板直方圖向量和待檢圖像直方圖向量的歐氏距離在允許的誤差范圍內(nèi)；當dHTHf＞0.09時，初步判定該區(qū)域存在缺陷.

b）把歐氏距離大于誤差值的區(qū)域劃分為若干個八像素連通域，統(tǒng)計該連通域的像素總數(shù)N.八像素連通域的面積即為該區(qū)域的像素總數(shù)［9］.

計算模板圖像和待檢測圖像在該區(qū)域像素的差值ΔN：

式中NT為模板圖像的面積，Nf為待檢測圖像的面積.根據(jù)檢測標準判斷ΔN是否在允許的誤差范圍之內(nèi)，若大于誤差范圍，則認為存在缺陷.

通過判斷待檢測圖像的直方圖信息和連通域的面積，可排除兩者均存在缺陷的區(qū)域.這樣就為下一步局部缺陷的判斷減少了計算量，從而節(jié)省了算法的時間，提高了整體算法的效率.

2.3 局部缺陷判斷

首先對全局缺陷判斷中未被排除的區(qū)域圖像做水平方向和豎直方向的投影，來確定缺陷可能出現(xiàn)的區(qū)域［10］.算法步驟如下：

a）設定待檢測圖像和模板圖像在x軸和y的投影分別為fx，Tx，fy，Ty，則投影分量相對誤差αx，αy為：

設定待檢測圖像和模板圖像的投影分量相對誤差門限為α0，記錄相對誤差值超過門限的位置θ0，θ1，…，θx和μ0，μ1，…，μy.經(jīng)過投影匹配之后，可得到缺陷圖像為大小是（θx-θ0＋1）·（μy-μ0＋1），頂點為（θ0，μ0）的圖像［11］.

將帶檢測圖像和模板圖像在MATLAB里仿真，得到x軸投影曲線如圖11所示，y軸投影曲線如圖12：

這里相對誤差門限設為0.15，經(jīng)過驗證可以得到缺陷的可能出現(xiàn)的大致位置為頂點為（880，7010），大小為987·124的區(qū)域.

b）對缺陷的大致位置區(qū)域計算其歸一化相關系數(shù)［12］，由投影匹配得到了缺陷圖像為大小是（θx-θ0＋1）·（μy-μ0＋1），頂點為（θ0，μ0）.因此對歸一化相關系數(shù)中待檢測圖像和模板圖像的大小均為（θx-θ0＋1）·（μy-μ0＋1）：

3 實驗與分析

本算法所采用的模板為無瑕疵單周期的FPC圖像.輸入存在缺陷的待檢測圖像與標準模板進行匹配，對本算法進行驗證分析.通過基于windows操作系統(tǒng)的visual studio軟件編譯，提取模板圖像數(shù)據(jù)存入標準數(shù)據(jù)庫中，然后對10幅待檢測圖像進行缺陷檢測.得到實驗結(jié)果如表1.

表1 檢測結(jié)果Table 1 Detection results

對待測圖像和標準模板進行灰度投影時，設定相對誤差上限為0.15，得到缺陷的大致位置，然后進行精確匹配，得到相關系數(shù).根據(jù)本文提出的算法，對大量FPC瑕疵圖像進行缺陷檢測，得到正確率高達96%，同時，檢測速度為4.6s，滿足生產(chǎn)線上FPC的檢測要求.實驗比對如表2：

表2 傳統(tǒng)算法與改進算法比對Table 2 Comparison of tradition and improved algocrithms

現(xiàn)對待檢圖像的缺陷區(qū)域（待檢圖像中標注區(qū)域）采用本算法進行缺陷檢測，可得到缺陷結(jié)果如下：圖13方框框標示為存在缺陷的待檢圖像；圖14為缺陷區(qū)域的放大圖，圖15為采用本算法得到的部分缺陷圖像.

4 結(jié) 語

本文算法的應用前提是待檢測圖像為八位灰度圖，檢測圖像并未存在偏移或尺度變化.采用全局缺陷和局部缺陷相結(jié)合的算法來對FPC進行瑕疵檢測，經(jīng)過全局缺陷檢測后，淘汰了存在缺陷的FPC板，從總體上縮短了檢測的時間；局部檢測中先采用軸和軸灰度投影，確定局部缺陷存在的大致位置，然后計算方差差值，方差差值小于誤差值時再計算其相關系數(shù).本算法減少了相關系數(shù)的計算量，大大提高了算法的效率，從而滿足了生產(chǎn)線的檢測要求，但離生產(chǎn)線的使用還有一段距離.下一階段需要解決的問題有：

1）優(yōu)化搜索策略.在不影響準確率和精度的前提下減少搜索位置的數(shù)目.

2）實現(xiàn)進一步的缺陷分類，如短路、斷路、空洞、銅殘等.

3）生產(chǎn)現(xiàn)場的環(huán)境控制與提高算法的自適應性.

［1］張宜生，彭 毅，梁書云，等.基于圖像比對技術的柔性印刷電路板檢測系統(tǒng)［J］.計算機工程與應用，2005（2）：220-222.

［2］LIAO C T，LEE W H，LAI S H.A Flexible PCB Inspection System Based on Statistical Learning［J］.J Sign Process Syst，2010（9）：18-22.

［3］GUO F L，GUAN S A.Research of the Machine Vision Based PCB Defect Inspection System［C］／／International Conference on Intelligence Science and Information Engineer.Wuhan，China：ISIE，2011：472-475.

［4］RAMBABU K，DINESH M，VIJAY K，et al.Optical Pattern Inspection for Flex PCB-Challenges＆Solution［C］／／The International Federation of Automatic Control.Seoul，Korea：IFCA，2008：8196-8220.

［5］BARNEA D.A class of algorithms for fast digital image registration［J］.IEEE Transactions on Computing，1972（21）：179-186.

［6］章毓晉.圖像分割［M］.北京：科學出版社，2001：87-89.

［7］黃 熙，羅意平，曹 申.手機軟板自動檢測的圖像預處理及分割方法［J］.計算機測量與控制，2008，16（10）：1405-1406.

［8］JOU F D，F(xiàn)AN K C，CHANG Y L.Efficient matching of large-size histograms［J］.Pattern Recognition Letters，2004（25）：277-286.

［9］曹 申，羅意平.基于圖像處理的手機軟板缺陷自動檢測方法［J］.計算機測量與控制，2007.15（4）：457-459.

［10］石鴻雁，趙麗紅，蘇曉明.基于GMPT圖像匹配算法的設計與實現(xiàn)［C］／／Chinese Control and Decision Conference.Yantai，China：CCDC，2008：253-257.

［11］PEI L，XIE Z W，DAI J G.Fast Normalized Cross-Correlation Image Matching Based On Multiscale Edge Information［C］／／International Conference on Computer Application and System Modeling.Taiyuan，China：ICCASM，2010，10：507-511.

［12］MA L Y，SUN Y D，F(xiàn)ENG N Z，et al.Image Fast Template Matching Algorithm Based on Projection and Sequential Similarity Detection［C］／／Fifth International Conference on Intelligent Information Hiding and Multimedia Signal Processing.Tokyo，Japan：IIH-MSP，2009：957-960.