基于深度学习的电路板焊接异常检测算法研究
发布时间：2021-01-15 17:15
焊点的焊接质量决定了电路板的可靠性,而电路板焊接异常的快速检测是大批量生产的先决条件。为了快速地实现焊接异常的精确检测,提出了一种基于深度学习的焊点图像识别算法。该算法通过自适应矩估计配合加速卷积神经网络实现,可对大量焊接图片进行快速分类识别检测。实验选取5 000幅焊接图像训练集测试,并与传统的K-means聚类算法和Canny边缘检测算法对比。实验结果显示,在小球和连桥缺陷中3种方法效果相近,而在虚焊、少锡缺陷中,本算法具有明显优势。在1 000组测试集实验中,其综合检出率及召回率分别达97.92%和98.21%,明显优于传统方法,验证了本算法具有更好的应用前景。
【文章来源】：电子器件. 2020,43(02)北大核心
【文章页数】：5 页
【部分图文】：
CNN模型训练与测试流程图
实验采用通过HAWK公司的X射线源配合UNIQ公司的2000型CCD获取5 000张各种焊接图像,其中除了焊接质量良好的焊点外还包括存在虚焊、小球、连桥、少锡等各类焊接质量情况的图片。由于电路板类型不尽相同所以其图像亮度与对比度均有明显差异,故在图像预处理中首先将其全部调整至相近灰度区间。其中3 000张图像作为训练集,1 000张图像作为验证集,最后1 000张图像作为测试集。测试系统示意图及包含各种焊接缺陷的原始图像如图2所示。在焊点质量检测系统中,希望同时满足高的检出率和低的误检率。检出率指将存在焊接问题的焊点、焊缝等进行检出;误检率指指错误地检测为正常图像的缺陷图像的数量占缺陷图像总数的百分比。基于深度学习的焊点质量检测算法在Linux系统里完成,硬件配置为NF5280M5型服务器、Xeon-4110型CPU,在Tensorflow系统下,采用Python语言实现。
为了验证所提出的基于深度学习的焊点图像提取算法的有效性,本文将该算法与K-means聚类算法和Canny边缘检测算法进行了比较。文中以包含5种焊接缺陷的PCB板图片进行测试。使用3种算法获得的图像效果如图3所示。测试结果可知,对处理后图像中各个焊点的边界清晰度而言,Canny边缘检测分割算法效果最好。对焊点中焊锡厚度、偏向等细节部分本算法梯度和清晰度都更好一些。从3组图像可以看出,对于缺焊、小球、连桥都是十分明显的,只要配合相应的算法可以直接提取并统计。而虚焊、偏球、少锡等情况则不同,需要对图像进行深度信息挖掘,否则难以识别或容易造成误判。
【参考文献】：
期刊论文
[1]基于变换矩阵的BGA X-ray图像倾斜识别及校正方法[J]. 李井元,方黎勇,胡栋材,齐晓世. 强激光与粒子束. 2018(10)
[2]基于图像处理的PCB板表面检测分析研究[J]. 夏成蹊,杨晨,赵雪,丁召. 电视技术. 2018(08)
[3]手持式声表面波射频识别系统[J]. 彭福强,陈智军,陈涛,李庆亮,贾浩. 压电与声光. 2018(03)
[4]基于机器视觉的焊点检测算法研究[J]. 刘美菊,李凌燕,郭文博. 电子器件. 2017(04)
[5]基于极限学习机的焊点质量检测[J]. 马立勇,袁统帅. 计算机工程与应用. 2018(12)
[6]基于机器人视觉的银网焊点定位技术研究[J]. 陈一峤,胡国清,黄道权,李锐,贾明峰. 航空制造技术. 2017(09)
[7]基于机器视觉PCB焊点质量检测研究[J]. 祝振敏,吕兆康,宋瑞超,李海文. 控制工程. 2017(04)
本文编号：2979201
【文章来源】：电子器件. 2020,43(02)北大核心
【文章页数】：5 页
【部分图文】：
CNN模型训练与测试流程图
实验采用通过HAWK公司的X射线源配合UNIQ公司的2000型CCD获取5 000张各种焊接图像,其中除了焊接质量良好的焊点外还包括存在虚焊、小球、连桥、少锡等各类焊接质量情况的图片。由于电路板类型不尽相同所以其图像亮度与对比度均有明显差异,故在图像预处理中首先将其全部调整至相近灰度区间。其中3 000张图像作为训练集,1 000张图像作为验证集,最后1 000张图像作为测试集。测试系统示意图及包含各种焊接缺陷的原始图像如图2所示。在焊点质量检测系统中,希望同时满足高的检出率和低的误检率。检出率指将存在焊接问题的焊点、焊缝等进行检出;误检率指指错误地检测为正常图像的缺陷图像的数量占缺陷图像总数的百分比。基于深度学习的焊点质量检测算法在Linux系统里完成,硬件配置为NF5280M5型服务器、Xeon-4110型CPU,在Tensorflow系统下,采用Python语言实现。
为了验证所提出的基于深度学习的焊点图像提取算法的有效性,本文将该算法与K-means聚类算法和Canny边缘检测算法进行了比较。文中以包含5种焊接缺陷的PCB板图片进行测试。使用3种算法获得的图像效果如图3所示。测试结果可知,对处理后图像中各个焊点的边界清晰度而言,Canny边缘检测分割算法效果最好。对焊点中焊锡厚度、偏向等细节部分本算法梯度和清晰度都更好一些。从3组图像可以看出,对于缺焊、小球、连桥都是十分明显的,只要配合相应的算法可以直接提取并统计。而虚焊、偏球、少锡等情况则不同,需要对图像进行深度信息挖掘,否则难以识别或容易造成误判。
【参考文献】：
期刊论文
[1]基于变换矩阵的BGA X-ray图像倾斜识别及校正方法[J]. 李井元,方黎勇,胡栋材,齐晓世. 强激光与粒子束. 2018(10)
[2]基于图像处理的PCB板表面检测分析研究[J]. 夏成蹊,杨晨,赵雪,丁召. 电视技术. 2018(08)
[3]手持式声表面波射频识别系统[J]. 彭福强,陈智军,陈涛,李庆亮,贾浩. 压电与声光. 2018(03)
[4]基于机器视觉的焊点检测算法研究[J]. 刘美菊,李凌燕,郭文博. 电子器件. 2017(04)
[5]基于极限学习机的焊点质量检测[J]. 马立勇,袁统帅. 计算机工程与应用. 2018(12)
[6]基于机器人视觉的银网焊点定位技术研究[J]. 陈一峤,胡国清,黄道权,李锐,贾明峰. 航空制造技术. 2017(09)
[7]基于机器视觉PCB焊点质量检测研究[J]. 祝振敏,吕兆康,宋瑞超,李海文. 控制工程. 2017(04)
本文编号：2979201
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/2979201.html
