摘要：印刷电路板缺陷的自动检测在工业生产中具有重要的应用价值。它克服了人工检测中主观视觉差异，其快速的自动识别能力适用于现代工业自动生产线。本文采用图像匹配技术，设计开发了一套具有实用价值的印刷电路板缺陷自动检测系统。首先根据标准板上各器件的位置、颜色、形状等信息创建一个标准数据库，然后将待检板各器件的相应信息与标准板的相匹配。为了提高检测精度，采用Hausdorff距离匹配的方法，判定器件型号的正确性。实验结果表明，此系统可以准确、快速地检测电路板中缺件、错件、连焊等缺陷。

关键词：印刷电路板，Hausdorff距离，颜色，形状

1 引言

印刷电路板缺陷检测传统上是采用人工检测的方法，但是此方法容易造成视觉疲劳，并且不能满足现代化生产的速度要求。因此，对于现代工业生产，一个快速、可靠、精确、低价的电路板缺陷自动检测系统显得尤为重要。近些年来，国内外学者开展了电路板自动检测算法的研究，根据不同的检测对象，可以分为裸电路板缺陷检测[1-6]和载件电路板缺陷检测[7]。本文的研究内容是载件电路板缺陷检测。由于载件电路板上器件的多样性和复杂性，通常采用基于图像处理的检测方法。鲁昌华等人[8]采用随机Hough变换检测电路板定位圆，继而将待检电路板与标准电路板进行差分运算，根据差分结果达到缺陷的自动检测。然而，如果定位圆定位有偏差，则会影响后续检测的正确性。姚立新等人[9]介绍了自动光学检测系统在电路板缺陷检测中的应用，其中，作者设计了一个检测框架，但是并没有提供具体的检测算法。S.Mashohor[10]运用遗传算法对放置在传送带上的电路板角度和位移进行了校正，但是没有给出相应的缺陷检测方法。A.N. Belbachir等人[11]基于小波变换和神经网络技术，实现了电路板缺陷的自动检测，其中每个器件的每种缺陷都对应设计一个神经网络。对于比较复杂的电路板，此方法的可行性值得进一步探讨。本文根据标准电路板的图像信息，采用图像匹配的技术实现了一个快速、可靠、精确、低价的载件电路板缺陷自动检测系统。

2 系统框架

此检测系统主要由一台扫描仪和一台计算机组成，如图1(a)所示。其中，扫描仪的主要功能是获取电路板图像，它上面的固定支架用来固定电路板，以尽可能地提高机械精度。计算机的主要功能是从扫描仪获取电路板图像，并且对图像进行进一步的处理，其处理流程如图1(b)所示。

首先，选择一块无任何缺陷的电路板作为标准板，在如图1(c)所示的系统界面中，用矩形框选择标准板的每一个器件，并且在弹出的对话框中选择器件类型，此时，系统将自动地根据器件类型，提取不同的信息，如位置、颜色、形状等，生成一个标准数据库。在检测过程中，根据标准数据库中的相关信息，校正待检板图像的角度和位移。然后，将待检板上每一个器件的信息与标准库中的信息相匹配，从而达到缺陷检测的目的。

3 检测算法

3.1 电路板图像的角度和位移校正
为了保证检测精度，必须校正待检板图像的角度和位移偏转，以达到待检板与标准板位置信息完全匹配。本文根据电路板图像上的定位圆进行角度和位移校正。定位圆在电路板上的分布一般如图2(a)所示。利用定位圆的位置信息和颜色信息，就可以达到待检板和标准板位置的完全匹配。详细的匹配步骤如下所述。

1） 生成标准数据库时，在系统界面中人工圈出标准板上的定位圆区域，如图2(b)所示，系统将此定位圆区域的位置信息自动存入数据库。

2） 在定位圆中，人工选择一部分颜色分布均匀的区域，系统将自动计算此区域每个象素点的R/G值，并且计算其均值 ，将值 存入标准数据库。

3） 根据标准数据库中的定位圆区域位置信息，在待检板中提取定位圆区域，并且计算待检板定位圆区域每个象素的R/G值，按照公式(1)得到待检板定位圆区域的二值图像，如图2(c)所示。   

            （1）

 其中， 是 点的象素值。常数0.11为经验值，表示R/G值的变化范围。

4） 将二值图像去噪后，结果如图2(d)所示，由此可以求得定位圆的圆心位置。

5） 将待检板上定位圆的圆心沿图2(a)所示的水平方向和竖直方向连接起来，将此连线与标准板的相匹配，从而进行待检板角度和位移的校正。

3.2 芯片检测
采用Hausdorff距离匹配的方法，可以检测芯片型号的正误。假设 和 为两个有限点集，则Hausdorff距离的定义如下：

           （2）
             （3）

其中， 称为从A到B的有向Hausdorff距离。 为任意一种范数。一般， 抗干扰能力差，因此，采用均值Hausdorff距离，其定义如下：

                           （4）

其中， 是点集A的元素数。在图像处理中，任意一个二值图像都可以看成一个有限点集。计算两幅二值图像的Hausdorff距离的步骤如下所述：

通常，采用如图3(a)所示的3×3模板(记为T(i, j) (i, j=-1,0,1)），进行二值图像的距离变换。图3(b)为原始二值图像，则距离变换的步骤如下：

1） 将原始二值图像中象素值为‘1’的点重新赋值为‘0’，将不为‘1’的点赋值为‘99’，则可得到一个初始化图像，如图3(c)所示。

2） 用模板T(i, j)遍历初始化图像，在初始化图像中与模板对应的3×3区域记为C(i,j) (i,j=-1,0,1)。若C(0,0)≠99，按照公式(5)更新C(i,j)。反之，模板移向下一个象素。图3(d)为一次遍历结果。

                （5）

3）若遍历结果中存在值为‘99’的点，则按照步骤2）重复遍历，直到遍历结果中不包含值为‘99’的点。图3(e)为最终的遍历结果，即原始二值图像的距离变换图像。

在得到二值图像的距离变换图像后，可以按照公式（6），直接计算两幅M×N的二值图像A和B的Hausdorff距离 。

                         （6）

其中， ， 为图像A的距离变换图像， 为图像B中非‘0’象素数。同理：  。

检测芯片时，根据先验位置信息，提取待检板芯片区域，运用自适应阈值分割算法得到其二值图像，计算此二值图像与标准库中二值图像的Hausdorff距离。若Hausdorff距离超出了给定的阈值，则判定此芯片型号错误。

3.3 连焊
在电路板图像中，焊锡的亮度一般高于周围的器件，因此，本文直接对焊点区域的二值化图像进行检测。创建标准数据库时，人工圈出焊点区域（图4(a)所示），系统将自动采用自适应阈值算法得到焊点区域的二值化图像（图4(b)所示）。将二值化图像向X轴投影（图4(c)所示），由投影图可以得到焊点平均间隔，将平均间隔存入数据库。检测时，根据先验的位置信息，得到待检板上的焊点区域，然后在焊点区域二值化图像中判断连通域的宽度是否大于标准数据库中的平均间隔，若大于，该连通域存在连焊。

3.4 其他器件检测
贴片电阻：检测方法与检测芯片的方法一致。但是，因为贴片电阻的尺寸远小于芯片，因此，扫描仪的分辨率要高于扫描芯片时的分辨率。

贴片电容：检测方法与检测定位圆的方法相似。

4 实验结果

本文提出的电路板缺陷自动检测系统是用Visual C++编写的，为验证该系统的实用性和可靠性，分别对连焊、缺件和错件缺陷进行了实时检测。为了清晰地呈现检测结果，只截取了包含缺陷部分的图像，并且对缺陷部分进行了局部放大。图5(a)是芯片管脚连焊的检测结果。图5(b)是贴片电容缺件的检测结果。图5(c)是标准电路板芯片，图5(d)是图5(c)对应的芯片型号错误的检测结果。本文除了实现缺陷检测功能，还实现了一些附加功能，如用户管理、图片旋转、图片浏览、图片打印、文字标注、划线标注等。

5 结论

本文从实际应用出发，采用待检板和标准板进行图像匹配的方法，实现了一个快速、可靠、精确、低价、实时的电路板缺陷自动检测系统。通过运用先验位置、颜色、形状信息，简化了系统算法，提高了检测速度。为确保检测精度，采用Hausdorff距离匹配的方法，检测器件型号的正确性。实验结果证明，该系统算法可靠实用。在进一步的优化后，可以应用于工业生产中的电路板检测。

参考文献

[1]  M Moganti, F Ercal, C H.Dagli and S Tsunekawa, ‘Automatic PCB inspection algorithm: A survey’, Computer Vision and Image Understanding, Vol 63, No 2, pp 287-313, March 1996.
[2]  S Yamada, K Nakamura, M Iwahara, T Taniguchi and H Wakiwaka, ‘Application of ECT Technique for Inspection of Bare PCB’, IEEE Transactions on Magnetics, Vol 39, No 5, pp 3325-3327, September 2003.
[3]  Z Ibrahim, S A R Al-Attas, Z Aspar and M M Mokji, ‘Performance Evaluation of Wavelet-based PCB Defect Detection and Localization Algorithm’, IEEE International Conference on Industrial Technology, Vol 1, pp 226-231, December 2002.
[4]  Z Ibrahim, Z Aspar, S A R Al-Attas and M M Mokji, ‘Coarse Resolution Defect Localization Algorithm for an Automated Visual Printed Circuit Board Inspection’, 28th Annual Conference of the IEEE Industrial Electronics Society (IECON 2002), Vol 4, pp 2629-2634, November 2002.
[5]  N H Kim, J Y Pyun, K S Choi, B D Choi and S J Ko, ‘Real-time Inspection System for Printed Circuit Boards’, Proceedings of International Symposium on Industrial Electronics, Vol 1, pp 166 -170, June 2001.
[6]  张波,李锐华,彭年才,史维祥,‘基于小波变换的PCB 缺陷视觉检测技术研究’,系统仿真学报, Vol 16，No 8，pp 1864-1866，2004.8。
[7]  S Chen, ‘The Role of Automatic Solder Inspection and Process Control in the MILSTD-2000 Environment’, Proceedings of the Technical Program: NEPCON’89, pp 723-734, 1989.
[8]  鲁昌华，徐胜海，刘春，‘数字图像处理技术在PCB板检测中的应用’，仪器仪表学报，Vol 22，No 4，pp 426-429，2001.8。
[9]  姚立新，张武学，连军莉，‘AOI系统在PCB中的应用’，测试与测量技术，pp 25-28，2004.5。
[10] S Mashohor, JR Evans and T Arslan, ‘Elitist Selection Schemes for Genetic Algorithm based Printed Circuit Board Inspection System’, The 2005 IEEE Congress on Evolutionary Computation, Vol 2, pp 974-978, September 2005.
[11] A N Belbachir, M Lera and A Fanni, ‘An Automatic Optical Inspection System for the Diagnosis of Printed Circuit Based on Neural Networks’, 40th IAS Annual General Meeting, Vol 1, pp 680-684, October 2005.