下载文档原格式
www�ele169�com | 25智能应用1 系统总体流程人工检测PCB 板缺陷，不仅消耗大量的时间，漏检误检率也高。
计算机视觉作为当今社会的热点，其原理是利用图像采集设备获取视觉信息并将其转换成数字信号，利用计算机实现对视觉信息的采集、传输、处理、分析以及显示的过程就被称为计算机视觉技术[1]。
如果用计算机视觉代替人眼，可以节省大量人工，加快检测效率，提高成功率。
MATLAB 具有语言简单、编程方便、计算准确率高等优点，并且具有强大的数字图像处理工具箱 [2]。
因此，系统采用MATLAB 进行开发，只要得到PCB 板的背板图，就能利用MATLAB 中的图像处理能力得到走线与焊点处的情况，并判断出走线与焊点是否出现缺陷。
该系统首先运用图像空间域平滑滤波算法作预处理操作，接着运用Hough 圆变换算法进行圆检测定位，然后运用聚类算法进行走线、焊点、背板的分割，再通过最大类间方差法对图像进行二值化处理，而后利用连通域处理算法进行检测，最后运用矩阵运算对图像进行处理。
系统主要流程图如图1所示。
2 PCB 板图像预处理通过摄像头采集到的图像，由于一些原因导致图像出现噪声，而高斯噪声是主要噪声源。
对于去噪效果的评价，常用的图像质量客观评价标准是PSNR(Peak Signal to Noise Ratio)，即峰值信噪比。
原理是将处理后的图像与原图进行每一个像素点的逐一对比，计算比较两幅图像之间的像素点的误差值，得到处理后图像的误差值，并由这些误差最终确定失真图像的质量评分。
PSNR 的单位为dB（分贝），该分贝的值越大就代表失真越少、滤波质量越高、去噪效果越好。
对于正态分布的高斯噪声，常用的去噪办法是邻域均值滤波法。
分别采用3×3、7×7、11×11模板对图像进行均值滤波，得到的PSNR 分别为：27.32、25.00、23.3815，所以系统使用3×3模版的均值滤波对检测PCB 板进行预处理。
pcb检验方法PCB（Printed Circuit Board）检验是保证电子产品质量的重要环节之一。
合理的检验方法能够有效地减少不良品的出现，提高产品的可靠性和稳定性。
本文将介绍几种常用的 PCB 检验方法，并对其原理和适用范围进行详细说明。
一、目视检查法目视检查法是最基本也是最常用的 PCB 检验方法之一。
通过人眼观察 PCB 上的元件、焊点和线路等，判断是否存在缺陷或错误。
这种方法简单易行，但受到人眼视力和经验的限制，容易出现漏检和误判的情况。
因此，在目视检查时要进行适当的训练和质量管控，以提高检验的准确性和可靠性。
二、X射线检查法X射线检查法是一种无损检测方法，通过照射 PCB 板上的元件和线路，利用 X射线的透射、散射和吸收等特性，观察和分析 PCB 内部的结构和连接状态。
这种方法可以检测到难以通过目视检查发现的缺陷，如焊点的冷焊、虚焊、裂纹等。
同时，X射线检查还可用于检测 PCB 板上的金属内层连接状态、多层板层间连接等。
但由于设备成本较高，操作复杂，需要专业人员进行操作和解读结果，因此在实际应用中较为有限。
三、自动光学检查法自动光学检查（AOI，Automated Optical Inspection）法是利用光学系统进行检验的一种方法。
通过高分辨率的摄像头和图像处理系统，对 PCB 表面的元件、焊点和线路进行拍照和分析，判断是否存在缺陷和错误。
自动光学检查法具有高效、准确的特点，可以快速检测出各种常见的缺陷，如错位、错极、短路、开路等。
同时，由于自动化程度高，可以大大减少人工操作和判断的误差，提高检验的一致性和可靠性。
四、电测试法电测试法是通过在 PCB 上施加电压或电流，测量相应的电信号来判断电路的连通性和正确性。
常用的电测试方法包括接触式测试和非接触式测试。
接触式测试利用测试针或探针与 PCB 上的测试点接触，进行电信号的测量和判断。
非接触式测试则是通过电磁感应或电容耦合等原理，对 PCB 上的电信号进行检测和分析。
机器视觉应用于 PCB 缺陷检测技术研究随着电子产品的不断增多，电路板(PCB)的生产也变得越来越重要。
PCB是一种基于电气连接的板式元件，为电子元件提供了重要的支持。
在PCB生产过程中，缺陷检测是一个至关重要的步骤。
因为即使在微小的缺陷下，电路板的性能也会受到很大的影响，甚至导致整个电子设备的故障。
因此，精确有效的PCB缺陷检测技术不仅能够提高生产效率，还能确保产品品质。
传统的PCB缺陷检测方法是手动检测，但这种方法很容易出现漏检和误检。
机器视觉技术的出现改变了这一现状。
机器视觉技术是通过模拟人类视觉系统来处理和分析图像数据，并进行数据提取、分类和分析的一种技术。
在PCB缺陷检测中，机器视觉技术的成熟应用可有效地实现自动化检测、大规模生产和高准确度检测。
机器视觉检测技术的核心是图像处理、图像识别和算法优化等方面。
首先是图像处理，即将采集到的PCB图像进行处理，在预处理阶段进行增强、滤波、降噪等处理操作。
其次，需要进行图像识别，即将处理后的图像匹配和识别出缺陷信息。
最后，算法优化是制定针对性的算法，优化应用效果，提高缺陷检测的准确度和速度。
在机器视觉技术的应用下，PCB缺陷检测有了更加准确的方法，如裸露焊盘检测、元件损坏检测、连通性检测、污染检测等。
其中，裸露焊盘检测是检测电子产品上焊盘缺陷的重要步骤之一。
焊盘缺陷包括开口、制造缺陷或破裂。
通过机器视觉技术，我们可以对焊盘进行精确、自动化的检测，缺陷筛选统计和可视化等。
元件损坏检测可以检测元件破裂、扭曲、损坏等缺陷。
通过专有算法可以检测元件表面大面积伪影、弯曲和碎片等问题。
连通性检测检测PCB电路线路及元件的连通性是否正确，包括短路、开路、偏差等方面的问题。
污染检测则涵盖了PCB板面的污染程度，如氧化、腐蚀、化学污染等。
通过机器视觉技术，我们可检测到PCB表面上透明或光滑的区域及不同角度的反射和视角问题，从而实现污染检测。
另外，机器视觉技术还可用于定量分析PCB缺陷数据。
2023年 / 第8期 物联网技术150 引 言印刷电路板（PCB ）是现代化信息产业的基础组件[1]，PCB 的制作工序非常繁琐，PCB 在生产过程中会出现各种瑕疵缺陷。
近10年以来，在工业缺陷检测领域应用机器视觉时涉及的方法主要是基于传统图像处理方式的缺陷检测方法和基于深度学习的缺陷检测方法，其中基于传统图像处理方式的缺陷检测方法包括傅里叶变换、主成分分析、小波变换、图像模式匹配[2]。
但传统图像处理方式在工业检测领域受光照影响较大且对小尺寸瑕疵缺陷检测效果较差。
近些年，随着深度学习的发展，基于深度学习的目标检测算法在PCB 缺陷检测方面发展迅速，包括双阶段检测算法Fast R-CNN [3]、Faster R-CNN [4]，单阶段检测算法SSD 、YOLO [5]、YOLOv3[6]、YOLOv4[7]、YOLOv5。
李闻等人[8]提出改进YOLOv3的PCB 缺陷 检测；伍济钢等人[9]提出基于改进YOLOv4算法的PCB 缺 陷检测；汪鹏宇等人[10]提出基于Faster R-CNN 的PCB 缺陷检测研究。
这些几乎都能满足检测精度的要求，但有些模型不够轻量化，部署在工业检测设备上检测速度达不到要求。
由此，本文使用轻量化网络EfficientNet-Lite 作为YOLOv5主干网络，在满足PCB 缺陷检测精度与检测速度的同时，降低了模型的计算量与参数量，压缩了模型的大小，使其更易部署在移动端。
1 相关技术1.1 YOLOv5算法YOLOv5模型沿用YOLOv3、YOLOv4的整体布局，主要由输入端（Input ）、主干网络（Backbone ）、Neck 结构、预测部分（Prediction ）这4个部分构成。
其中输入端（Input ）采用Mosaic 数据增强方式增加数据样本、自适应锚框计算和自适应图片缩放；主干网络部分由CBS 模块、CSP1模块、CSP2模块、SPPF 模块、head 模块组成；Neck 结构由CSP2_1模块、CBS 模块、上采样（Upsample ）部分、Concat （残差堆叠）部分组成；预测部分（Prediction ）由head 模块构成，head 模块就是普通的卷积层。
基于图像处理的PCB自动检测系统的设计与研究【摘要】研究一种高精度、大场景、快速实时的PCB缺陷自动光学检测系统，分别进行了硬件结构和软件系统的设计。
该系统主要由二维运动平台、电机控制模块、图像采集模块、图像处理模块、结果分析模块组成。
改进的步进电机驱动方式——细分驱动以及改进的图像识别算法保证了系统的准确率，一键式自动检测的设计提高了检测速度。
实验结果证明，该系统能快速并准确的检测出PCB上的缺陷，有一定的实用和开发价值。
【关键词】PCB；细分驱动；自动光学检测(AOI)；图像识别电子产品的核心部分——印刷电路板(PCB)，是集成各种电子元器件的信息载体，在各个领域得到了广泛的应用，是电子产品中不可缺少的部分。
PCB的质量成了电子产品能否长期、正常、可靠的工作的决定因素[1]。
随着科技的发展，PCB产品的高密度、高复杂度、高性能发展趋势不断挑战PCB板的质量检测问题。
传统PCB缺陷检测方式因接触受限、高成本、低效率等因素，己经逐渐不能满足现代检测需要，因此研究实现一种PCB缺陷的自动检测系统具有很大的学术意义和经济价值[2]。
国内外研究的PCB缺陷检测技术中，AOI （Automatic Optic Inspection自动光学检测）技术越来越受到重视，其中基于图像处理的检测方法也成为自动光学检测的主流。
本文通过图像处理技术研究了一种大视场、高精度、快速实时的PCB缺陷自动检测系统，设计了硬件结构和软件算法流程。
通过改进的电机驱动方式配合一键式自动检测软件的设计，大大提高了系统的检测速度，对结果分析模块的缺陷识别算法的改进提高了检测结果的准确性。
1.系统结构PCB缺陷自动检测系统主要由运动控制模块、图像采集模块、图像处理模块、结果分析模块组成。
系统工作过程如下：上位机控制步进电机运动，步进电机带动二维平台运动，将CCD摄像机传输到待检测PCB上方，对PCB进行大场景图像采集，采集的图像经过图像采集卡送到上位机，上位机软件对采集的图像进行拼接、图像预处理，对处理的图像进行准确定位并校准，通过图像分割、图像形态学处理等，最后进行模板匹配、图像识别，得出缺陷检测结果。
基于图像识别的自动化质量检测研究在当今的制造业中，产品质量检测是至关重要的环节。
传统的人工检测方法不仅效率低下，而且容易受到人为因素的影响，导致检测结果的准确性和稳定性难以保证。
随着科技的不断进步，基于图像识别的自动化质量检测技术应运而生，为解决这些问题提供了有效的途径。
图像识别技术是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术。
在自动化质量检测中，图像识别技术主要通过采集产品的图像，并对这些图像进行特征提取、分析和比对，从而判断产品是否存在缺陷或质量问题。
基于图像识别的自动化质量检测系统通常由图像采集设备、图像处理软件和决策判断模块组成。
图像采集设备负责获取产品的清晰图像，这可以是工业相机、扫描仪等。
获取到的图像会被传输到图像处理软件中，该软件会运用各种算法对图像进行预处理，如去噪、增强对比度等，以提高图像的质量和可识别性。
在特征提取阶段，系统会从图像中提取出能够反映产品质量的关键特征。
这些特征可以是形状、颜色、纹理、尺寸等。
例如，对于表面有划痕的产品，划痕的形状和长度可能就是重要的特征；对于颜色不均匀的产品，颜色的分布和差异就是需要关注的特征。
提取到的特征会与预先设定的标准特征进行比对，如果存在较大的偏差，系统就会判断产品存在质量问题。
决策判断模块则根据比对结果做出最终的判断，并输出检测报告。
如果产品被判定为合格，将进入下一道生产工序；如果不合格，则会被剔除或进行返工处理。
与传统的人工检测方法相比，基于图像识别的自动化质量检测具有诸多优势。
首先，它大大提高了检测效率。
人工检测往往需要耗费大量的时间和精力，而自动化检测系统可以在短时间内处理大量的图像，快速给出检测结果。
其次，检测结果更加准确和稳定。
由于不受人为因素的影响，如疲劳、注意力不集中等，自动化检测能够始终保持较高的检测精度，减少误判和漏判的情况。
此外，自动化检测还能够实现对产品的全方位检测，避免了人工检测中可能存在的检测死角。
基于数字图像处理的印刷电路板智能检测方法随着现代电子技术的快速发展，印刷电路板的应用越来越广泛。
然而，印刷电路板的制作过程中，由于工艺和设备的限制，往往会出现一些缺陷。
这些缺陷不仅会影响印刷电路板的质量，还可能会引起电路故障，给用户带来不便。
因此，如何有效地检测印刷电路板的缺陷，成为了当前印刷电路板制作领域需要解决的重要问题之一。
数字图像处理技术是一种有效的解决方案。
它可以通过对印刷电路板图像的处理和分析，快速、准确地检测印刷电路板的缺陷。
本文将介绍一种基于数字图像处理的印刷电路板智能检测方法。
首先，我们需要获取印刷电路板的数字图像。
通常，这可以通过扫描或拍照的方式获取。
获取图像后，需要对其进行预处理。
预处理的目的是消除图像中的噪声和影响缺陷检测的因素。
预处理可包括以下几个步骤：1.灰度化：将彩色图像转换为灰度图像。
这样做的目的是便于后续处理。
2.图像增强：对灰度图像进行增强，可以使图像中的缺陷更加明显。
常用的增强方法有直方图均衡化、滤波和边缘增强等。
3.分割：将图像分割成不同的区域。
这样做的目的是便于对不同区域进行分析和处理。
常用的分割方法有阈值分割、区域生长法和边缘检测法等。
4.噪声滤波：用于去除图像中的噪声。
常用的滤波方法有中值滤波、高斯滤波和基于小波变换的滤波等。
处理完图像后，接下来进行缺陷检测。
缺陷检测需要针对不同的缺陷进行处理。
下面以印刷电路板中最常见的4种缺陷（断路、短路、孔误钻和焊盘虚焊）为例，介绍相应的检测方法。
1.断路检测断路是印刷电路板制作过程中常见的一种缺陷。
断路检测的主要方法是基于卷积神经网络（CNN）的图像分类。
这种方法需要大量的训练数据，即对包含断路和正常区域的图像进行标记和训练。
在实际检测中，对于图像中的每个点，通过CNN 对其进行分类，得到一个0或1的结果，表示该点是否存在断路。
2.短路检测短路和断路不同，短路是两条不同的电路线之间意外连接而导致的电阻降低。
短路检测的主要方法是基于图像分割和形状分析的方法。
AOI检测PCB能力报告1. 简介AOI（自动光学检测）是一种用于PCB（印刷电路板）生产过程中的检测技术。
它利用计算机视觉系统对PCB上的元件、焊接质量和电路布局进行快速、精确的检测。
本文将详细介绍AOI检测PCB的能力和优势。
2. AOI检测的步骤AOI检测PCB主要包括以下步骤： ### 2.1. 准备PCB 首先，需要将待检测的PCB准备好，包括清洁表面和确保无任何损坏。
2.2. 分析电路布局接下来，AOI系统会自动分析电路布局，识别元件的位置和布线连接。
2.3. 图像获取AOI系统将通过高分辨率相机获取PCB的图像。
2.4. 图像预处理获取到的图像会进行预处理，包括去噪、增强对比度等操作，以提高后续分析的准确性。
2.5. 缺陷检测AOI系统会对PCB图像进行缺陷检测，包括焊点问题、元件缺失或错位等。
2.6. 缺陷分类检测到的缺陷会根据其类型进行分类，以便后续的分析和修复。
2.7. 缺陷分析和报告生成AOI系统将对检测到的缺陷进行分析，并生成详细的报告，以供后续的修复和改进。
3. AOI检测的能力和优势3.1. 高效性AOI系统能够快速地对PCB进行全面的检测，大大提高了生产效率。
3.2. 准确性利用计算机视觉技术，AOI系统能够精确地识别电路布局和元件连接状态，减少了人工检测的误差。
3.3. 自动化AOI系统实现了自动化检测，减少了人工工作量，降低了生产成本。
3.4. 多功能性AOI系统不仅可以检测焊接质量，还可以检查元件位置、极性以及PCB的标识等，提供了全面的检测能力。
3.5. 数据记录和分析AOI系统能够记录和分析检测过程中的数据，为后续的改进和追溯提供了便利。
4. AOI检测的应用领域AOI检测在电子制造业中被广泛应用，特别是在PCB制造过程中的各个阶段。
它可以有效地检测到PCB上的缺陷，并及时提供报告，以便进行及时的修复和改进。
5. 总结AOI检测是一种高效、准确、自动化的PCB检测技术。
