一种PCB缺陷检测方法的研究

高磊，郎加云

（安徽文达信息工程学院，安徽合肥 231201)

0 引言

如今，由于集成电路工艺突飞猛进的发展，电子元件变得更加微小化、片式化、轻量化，主流的电路板焊接方式也变为了贴片式。随着PCB 制作技术的逐渐发展，印制电路板上的元器件越来越多，结构越来越复杂。在电路板制造工业中，应用机器视觉替代传统的人工检测已成趋势[1]。机器视觉与图像处理技术的融合，在检测强度与速度、标准规范程度上都具有很大的优势。

实际中，工业生产制造电路板时有可能产生复杂多样的缺陷，国际电联协会将电路缺陷分为了不同的种类，例如：短路、断路、凸起、凹陷等[2]。在用图像处理方法检测PCB 缺陷时，本文发现，进行轮廓对比时会出现伪缺陷，本文主要工作为剔除PCB缺陷检测时的伪缺陷。

1 基于图像处理的PCB缺陷检测

针对传统PCB 检测方法高成本、低效率问题，本文提出一种以机器视觉为基础的PCB缺陷检测方法，使用数字图像处理相关算法，通过对比待测图像和标准图像，针对PCB 板缺陷检测中真伪缺陷的识别问题，本文提出使用引进领域特征的BLOB算法，来检测这个问题。经实验结果分析，该方法能有效辨别真伪缺陷。实现了参考图像与待测图像的快速精准配准。

对PCB缺陷检测的流程图如图1。

图1 电路板缺陷检测流程

2 图像预处理

人工或机器摄取PCB电路板图像后，有很多因素都会导致图像拥有五花八门的噪声，比如拍摄过程设备的抖动，光照不匀，灰尘或其他杂物的遮掩，对图像采用预处理方法，可以有效去除周围环境带来的噪声，提升图像保真率，为进一步处理图片打下基础，以便进行缺陷检测时准确率更高[3]。对图像进行预处理的方法主要分为图像分割，提取前景目标，测试图像与模板图像校正。

3 图像对比

相机采集到的测试图经过图像校正，与模板图在大小与方向上实现了图像对齐。为了定位测试图中的缺陷信息，需要将测试图与模板图作差[4]。作差的原理是模板图与测试图在对应位置处的灰度值相减，表达式如下：

其中d(x,y)为差值图，fTemplate(x,y)为模板图，fTest(x,y)为测试图。

4 缺陷分析

对PCB图像作差之后，通过分析差值图中的亮区域，可以判断测试图中有无缺陷。亮区域分为两类：一类是PCB 板生产过程引入的缺陷，属于真缺陷；另一类是由于PCB板采集过程抖动引起图像畸变、图像校正没有与模板对齐而引入的灰度差异，称为伪缺陷，常对缺陷分析结果造成干扰[5]。缺陷分析的目的标记真缺陷，剔除缺陷。

本文使用一种多模板检测算法来剔除伪缺陷。该算法求取多个模板，并且统计每个模板在配准后对应的像素点处的最大、最小灰度值，生成亮模板与暗模板，计算公式如下：

其中，w表示学习样本数，An表示第n幅图中点(x,y)处灰度值。

多模板比较算法相当于在匹配时，进行BLOB 算法作缺陷检测时引入了比较邻域点的灰度值，可以有效去除轮廓伪缺陷。此外，还可以通过灰度形态学原理计算模板的最大、最小灰度值。

4.1 Blob缺陷分析

Blob算法是描述一幅图像中连通域像素的方法，通常用于分析闭合的目标形状[6]。Blob 的解释是一滴、一团的意思，图像处理中的Blob是指一个像素块，处于该像素块中的像素点在位置上相互连通，并且具有相似的纹理、颜色特征。Blob缺陷分析的目的是描述目标像素的四邻域或八邻域连通区块的特征，例如像素区域的周长、面积、质心、形状等，如图2所示[7]。

图2 Blob特征示意图

Blob分析主要分为两部分，连通域标记与区域描述，编写算法时通常把这两部分结合起来，在连通区域的同时，记录区域信息[8]。

本文中采用像素标记法，图像经过一次扫描完成标记。差值图经过灰度化处理后，亮色区域灰度值255，背景灰度值为0，为防止重复标记，将已经标记过的像素其灰度值赋值为254。一次扫描标记算法的主要流程如下：

1)创建动态指针记录需要标记的像素块信息，创建一个空栈队列用于临时存放标记像素，设置八邻域检测数组顺序。

2)从下向上、从左向右扫描图像，如果当前扫描像素灰度值为0，跳过当前像素，继续扫描；当前扫描像素的灰度值为255，区域信息个数计数加1，记录当前像素的坐标值。

3)根据八邻域数组检测当前像素的邻域像素是否为前景点，如果为前景点，标记该邻域像素，同时将该像素坐标压入栈，区域面积值加1，更新当前连通域边缘坐标值；否则，继续扫描邻域像素。

4)当前像素的八邻域扫描完以后，检查压入栈中的像素点的八邻域像素，从栈中弹出像素坐标值，按照步骤3)检查像素，直至栈为空。

5)扫描完毕当前区域后，按照步骤2)继续扫描图像，直至整幅图像扫描完成。

本文中Blob算法标记的连通域特征主要有：缺陷块个数Nnmber；每个缺陷块分别记录面积Size，左下角像素点坐标x0,y0，右上角像素点坐标x1,y1这五个元素。根据记录信息，可以计算出缺陷块的其他信息如缺陷中心坐标，缺陷块的宽度Δx，高度Δy，从而分析出缺陷的形状。上述特征在连通域标记过程中的计算方法如下：

Ri——第i个连通区域。

其中，xi,yi表示标记像素的坐标。

根据式(3)可得出缺陷块的特征点，式(4)可计算出缺陷区域边角坐标，因此可以计算出缺陷区域面积，式(5)可表示区域面积大小：

其中Δx表示缺陷区域横坐标变化范围，Δy表示曲线区域纵坐标变化范围。

然而实际检测中此方法仍然存在伪缺陷，这类伪缺陷多为合格区域，但是由于图像变形等原因难以滤除。只从缺陷块自身的角度来考虑分辨真伪缺陷，可能会造成漏检，因此在判断的过程中需要引入缺陷块的邻域像素块信息来辨别。

4.2 邻域缺陷判别

分析测试图与模板图的差值图，可以得出关于真缺陷与伪缺陷的特征（表1)，根据这些特征来选择判别方法。

表2 缺陷检测结果

首先确定邻域的选择，根据表1的分析可以看出，伪缺陷的出现大多是因为测试图与模板图出现偏移造成的，伪缺陷邻域范围内，在模板图中会出现与伪缺陷图案相同或者相似的部分。邻域的选择以伪缺陷块为中心块，水平方向以缺陷块的宽度Δx为单位宽度，垂直方向以缺陷块高度Δy为单位高度，从中心块向四周各扩展一个单位长度，邻域图如图3所示。

图3 缺陷邻域示意图

图4 标准电路板卡图像

图5 待测电路板卡图像

真伪缺陷的判别条件引用了谷歌相似图片搜索的技术原理：感知哈希算法。感知哈希算法主要用于图片相似性的描述，给每幅图像生成一个“指纹”，之后与其他图像生成的“指纹”比较，比较结果越接近，图片越相似[9]。下面介绍一种常用的低频图像哈希算法：

1)将图片缩小成为8 × 8的尺寸，共64个像素，目的是去除图片高频细节。

2)将图像转化为灰度图像，简化色彩。

3)计算小图像的平均灰度值。

4) 8 × 8 图像的像素灰度值与平均灰度值比较，大于或等于均灰度，记为1；小于均灰度，记为0。

5)记录哈希值：将第四步比较的结果记录下来，组成一个64位的整数，即为图像的“指纹”。

本文将感知哈希算法图片相似理论运用到缺陷判别过程中，在缺陷块邻域找相似图像块，如果在模板图缺陷块邻域中找到与测试图缺陷块相似的图案，说明缺陷是由于对齐误差造成的伪缺陷，可以排除。如果在模板图八邻域中没有与缺陷块相似的图案，则该缺陷为真缺陷，是测试图中独有的图案[10]。

因为缺陷块像素面积通常不会超过10 × 10，所以不需要经过图片压缩的过程；本文中需要比较的模板图像为灰度图，去掉彩色图像灰度化步骤；改进计算哈希值的相关算法，将灰度化序列改为灰度化后“1”的个数，便于比较。邻域缺陷判别的算法流程如下：

1)遍历缺陷块信息，对于每一个缺陷块信息，计算其邻域范围。

2)在模板图中，从邻域起始点，以缺陷块大小为单位，计算每一个邻域块的均灰度值MeanGrayi，以及缺陷块均灰度化后1的个数Num1i。

3) 模板图计算的MeanGrayi与Num1i，与测试图缺陷块的MeanGray，Num1参数比较，当满足条件1)～3)时，说明出现缺陷块的相似图案，判别缺陷为伪缺陷。

其中Size表示缺陷块面积。

4)遍历完毕，未出现相似图案，判别为真缺陷。

4.3 PCB缺陷类型识别

在获取到待测图像后，需要和标准图像进行对比，从而获得缺陷点的图像。首先，需要规定一个图像的最大面积值，从而消除在误差允许的范围内的较小的缺陷。然后，以该缺陷为图像中心，圈定一个范围，进行详细的缺陷检测。

缺陷检测和分析需要通过以下几个方面进行考虑：

1)多/少线及缺失焊盘的情况

当出现这种缺陷时就代表此电路板缺陷重大，其特征是从对比图中能够明显发现较大面积的不同，即缺陷面积很大，并且是远远超过其他类型缺陷。可以根据缺陷面积的大小同其他缺陷分隔开来。

2)电路板发生短路和断路的情况

在对比图中通过判别连通区域数的方法进行识别短路和断路。当短路时，其特征是与标准图像相比，图像中连通区域数较少。相反的，当断路时，其特征是与标准图像相比，图像中连通区域数较多。

3)电路板发生凸起和凹陷的情况

图像对比时面积是否出现增多和减少的情况，这类情况是反映在不同导线间间距的变化，当凸起时，导线间间距变窄，即面积增加；当凹陷时，导线间间距变宽，即面积减少。

4)电路板发生漏洞和锡点堵塞的情况

当连通区域数不变，连接线区域距离间隔不变，区域数的数量也没有发生改变，就需要考虑漏洞和锡点堵塞的可能。计算欧拉数是应对这种缺陷的最好办法，待测PCB 图像欧拉数小于标准图则为漏洞，反之大于则为锡点堵塞。

5 实验结果分析

对采集PCB图像经过灰度化处理后，使用边缘检测算法，双线性插值法对已经采集到的PCB电路板卡图像进行去噪分割和校正，得到PCB电路板卡待对比灰度化图像。

对待测电路板卡图像和标准电路板卡图像做差后，使用引进领域特征的BLOB 算法进行和未引入领域特征的BLOB真伪缺陷辨别，得到结果图如下：

经过邻域缺陷判别，实现了滤除伪缺陷的目的。图6 为引入邻域灰度特征判别后的缺陷图。其中缺陷点满足4.3 中领域缺陷判别条件1)～3)，即为本文所得真缺陷。

图6 引入邻域特征

图7 未引入邻域特征

对待测图进行标号以便后续识别，如图8。

图8 标号图

对PCB缺陷类型进行识别：在差值结果图中按顺序定位缺陷点位置。计算缺陷位置面积大小，设定面积阈值，小于阈值，则该缺陷点是允许误差情况内的缺陷，可以忽略。如果远大于此阈值，则是多/少线及缺失焊盘的严重缺陷。待测PCB 图面积大于标准PCB面积，则判断为凸起，否则为凹陷。如果相等，则计算包含缺陷点的一定区域内的连通区域数，对于连通区域数，待测PCB图大于标准PCB图，判断为断路，否则为短路。如果相等则进行下一步，计算待测PCB和标准PCB 的欧拉数，对于欧拉数，待测PCB 图大于标准PCB图，则判断为锡点堵塞，否则为电路空洞，若相等，则进行灰度化图像面积判断。若待测图像灰度化图像面积大于标准图像，则该缺陷点为凸起缺陷，若小于，则为凹陷缺陷。

从实验结果可以看出，本文方法可以剔除伪缺陷的影响，并且不会干扰真缺陷的检测。而且该方法在综合考虑到了小的瑕疵和允许的误差情况下，还能够有效检测出如断路、短路、空洞、各类常规缺陷。

6 总结

本文设计了基于改进的Blob 缺陷分析方法对PCB 进行缺陷检测。引入领域特征解决了真伪缺陷难以辨别的问题，并通过设计的算法流程有效检测出待测PCB 板的常规缺陷，由此说明，该方法能较准确地检测出待检测电路板上存在的缺陷，提高了检测效率，达到了自动无接触实时检测的目的。综上所述，本文提出的检测方法能够高标准自动化检测有效剔除伪缺陷，并保留真缺陷，节省了人力资源，提高了检测的效率。