基于机器视觉的电路板故障检测方法

周晓巍，陈华

（上海航天控制技术研究所，上海，201109）

0 引言

目前现有的电路板故障检测方法在实际使用过程中，经常出现漏检和误检现象，并且错检率较高，传统方法存在的问题不仅会提高电路板故障检测成本，更重要的是无法为电路板故障维修提供准确的数据，因此提出基于机器视觉的电路板故障检测方法研究，为电路板故障检测提供理论依据。

1 电路板故障检测现状

目前现有的电路板故障检测主要是通过建立测试电路实现的，通过测试对电路板不同元器件输出的物理量分析，分析电路板各个部件的运行数据是否在正常范围内，以此来判断电路板是否处于正常的工作状态。这种电路板故障检测方法的检测原理是黑盒测试，即被测的电路板是一个故障未知的“黑盒”，通过对被测设备施加规定的输入信号，获取到被测电路板上的输出相应信号，并将其与正常技术参数对比分析了解被测电路板的状况[1]。传统方法虽然在操作思路上具有一定的可行性，但是由于电路板内部结构比较复杂，对电路板所有部件的全面测试很难实现，且不同类型的电路板内部集成电路结构不同，如果要进行全面测试需要针对电路板实际情况重新设计测试模型，因此传统方法在操作上可行度较低[2]。目前极大部分电路板在故障检测过程中均采用同一测试模型，导致电路板部分元器件运行状况无法检测到，测试模型部分测试参数与被测电路板不相符，导致检测精度较低，常常出现错检问题，这也是目前电路板故障检测方法误检率较高的主要原因。

2 电路板故障检测方法

2.1 基于机器视觉的电路板运行数据采集

针对电路板运行数据采集需求，不仅采集到的图像数据具有较高的清晰度，而且对电路板运行状况抓拍的时刻要精准掌握，因此选择CCD光谱探头作为电路板运行图像数据采集装置。将CCD光谱探头安装在电路板两侧，在获取电路板运行图像数据之前，要对探头各个参数量进行设置，其中将探头的分辨率设置为1080p，信号采集频率设置为7.46Hz，信号采集周期设置为1s，采集速度设置为1250mm/s，宽幅为400mm，横向精度为0.35mm[3]。由于周围环境的光线、亮度会影响到拍摄图像的质量，因此选择一组大功率LED作为机器视觉技术对电路板运行数据采集过程中的补充光源，利用特殊圆形透镜形成窄带光线，提高在数据采集过程中光线的亮度。CCD光谱探头拍摄完电路板运行图像数据后，利用DT编码器作为图像数据的编码装置，将图像数据信号通过编码器编码转化为格式统一的可传输和存储的图像数据，为了配合CCD光谱探头的拍摄过程，编码器需要周期性对图像数据进行编码，并且还要满足电路板运行速度，因此将DT编码器的编码速度、编码周期等参数设置与CCD光谱探头保持一致，利用PDF接口与CCD光谱探头和电路板连接，对采集到的电路板运行数据进行接收、处理和保存。

2.2 电路板故障信号提取

采集完电路板运行参数后，需要从中提取到与电路板故障相关的图像信号，用于后续对电路板故障诊断、故障未知定位分析。电路板故障在图像上显示出来的是电路板整体面积与正常面积存在差异，要么大于电路板正常面积，要么小于电路板正常面积，根据以上分析此次采用参考法提取电路板故障信号，将采集到的所有图像中短路版面积与正常电路板面积相比较，提取到不同于电路板正常面积的图像数据，其提取过程分为两部分。

第一部分：数字图像中存在一个名为欧拉数的拓扑参数，欧拉数表示数字图像中空洞个数与数字图像中连接体的个数的差。因此首先以欧拉数作为电路板故障信号提取标准，如果计算欧拉数图像物流结构参数为零，则表示该图像信号为非故障信号，如果计算的欧拉数图像物流结构参数不为零，则表示该图像信号为电路板故障信号，根据计算结果对电路板故障信号提取。

第二部分：利用欧拉数提取到的电路板故障信号不够精准，提取到的部分数据可能为无用数据和非故障数据，因此利用电路板故障的形状特征，对一次提取的故障信号进行二次筛查，以提高电路板故障信号提取的精准度。电路板故障的形状特征包括周长、宽度以及面积等参数，通过搜索图像区域的主轴方向来寻找纵轴方向的最大像素点数得到电路板各个元器件在图像中的长度和宽度，并通过计算图像中值为1的图像点数量得到电路板各个元器件在图像中的面积，将两个特征参数与正常电路板特征参数相对比，提取到不相符的图像为电路板故障信号，以此完成电路板故障信号提取。

2.3 电路板故障识别

首先需要对图像数据进行增强，在图像上的目标像素添加一个窗口模板，设窗口模板的大小为S ，其计算公式如下：

公式（1）中，n 为不定数，可以表示为n=0,1,2...。在该窗口模板选取平均值作为目标像素。假设目标像素点为（x,y），通过图像增强后的该点的像素值为：

公式（2）中，f为当前电路板图像的像素总个数。然后对电路板图像进行分割出来，在对电路板图像阀值分割处理中，像素值可以设置为数值同时，也可以假设为一个区间，所以对区间内的像素值阀值分割后的图像进行形态学处理，将电路板的结构元素与提取到的电路板图像进行对比，并分析和识别出两者之间的差异，存在差异的区域为电路板出现故障的位置，以此完成电路板故障识别，进而实现了电路板故障检测。

3 实验论证分析

实验以某电路板为实验对象，该电路板使用时间较长，存在短路、断路、凸起、凹陷、多线、少线等多项故障，实验利用此次设计方法与传统方法对该电路板进行故障检测。实验中在该电路板中布置5个故障检测点，使电路板处于运行状态30min，将光谱探头安装在该电路板左侧，每个信号采集周期拍摄50个图像信号，利用公式（1）提取到电路板故障信号2000bit，并先后检测到电路板24个故障。实验记录两种方法的电路板故障检测结果，并将其与实际值进行对比计算出两种方法的错检率，将其作为实验结果，对两种电路板故障检测方法进行对比分析，实验结果如下表所示。

表1 两种方法错检率对比（%）

从上表可以看出，此次设计方法误检率较低，基本可以控制在1%以下，并且远远低于传统方法，因此实验证明了基于机器视觉的电路板故障检测方法具有较低的误检率，检测精度较高，具有较高的可靠性。

4 结束语

本文结合机器视觉技术，针对传统电路板故障检测方法存在的问题，提出一种新的电路板故障检测理论，即基于机器视觉的电路板故障检测方法，具体分析了该方法在电路板信号采集、故障信号提取以及故障分析方面，并利用实验验证了此次提出的电路板故障检测方法具有较低的错检率。此次研究有利于提高电路板故障检测技术水平，丰富了电路板故障检测理论内容，促进了机器视觉技术在电路板故障检测中的广泛应用，能够有效保证电路板运行稳定。