基于神經(jīng)網(wǎng)絡(luò)的自動(dòng)焊點(diǎn)檢測系統(tǒng)

基于神經(jīng)網(wǎng)絡(luò)的自動(dòng)焊點(diǎn)檢測系統(tǒng)

隨著印刷板（abs）安裝技術(shù)的高密度和“零缺陷”方向的發(fā)展，行業(yè)的總趨勢是元件表面的減小，元件立柱的密度急劇增加，且手動(dòng)檢查變得困難。因此，自動(dòng)光學(xué)檢測（aoi）逐漸成為研究的熱點(diǎn)。隨著數(shù)據(jù)處理、分析和模式識別技術(shù)理論的不斷創(chuàng)新，aio算法不斷引入，并逐漸朝著高效性和高智能方向發(fā)展。目前，aoi系統(tǒng)中常用的檢測算法如下：。(1)模板匹配算法.該算法先定義一個(gè)標(biāo)準(zhǔn)模板圖像,然后將需要檢測的元件圖像和標(biāo)準(zhǔn)模板圖像進(jìn)行規(guī)一化的互相關(guān)運(yùn)算,以計(jì)算兩個(gè)圖像的相似程度.相關(guān)系數(shù)越大,表示兩個(gè)圖像越相似.然而,受多種因素(如光照條件、元器件之間的差異、采集圖像的失真等)的影響,模板匹配算法的檢測結(jié)果存在較大的誤差.(2)統(tǒng)計(jì)外形建模算法.該算法先建立標(biāo)準(zhǔn)元件的外形統(tǒng)計(jì)模型,然后將待檢測圖像和統(tǒng)計(jì)模型進(jìn)行對比,若待檢測圖像的灰度超出了統(tǒng)計(jì)模型,則判定為不合格.由于電子元件的焊點(diǎn)個(gè)體間相差甚大,因此,該算法難以滿足焊點(diǎn)檢測的精度要求.(3)矢量圖形檢測算法.該算法采用合成的矢量圖像作為參考模型.由于矢量成像技術(shù)用到的是幾何信息,所以元件是否旋轉(zhuǎn)、圖像與參考模型大小是否一致都沒有影響,而且與產(chǎn)品顏色、光照和背景都無關(guān).矢量圖形算法具有速度快的優(yōu)點(diǎn),但因忽略了顏色、光照等非常重要的信息而易出現(xiàn)誤判.(4)Particle分析算法.該算法先將物體圖像從背景中分割出來,所有具有鄰接關(guān)系的像素點(diǎn)組成一個(gè)Particle,然后對Particle的位置、面積和中心坐標(biāo)等參數(shù)進(jìn)行測量,最后與標(biāo)準(zhǔn)進(jìn)行比較,以確定是否超出范圍.Particle分析的優(yōu)點(diǎn)是快速、直觀,能區(qū)別對待元件本體部分和焊點(diǎn)部分,且部分參數(shù)不受旋轉(zhuǎn)與縮放的影響.然而,與其它算法相比,由于需要對圖像分割的閾值和Particle的參數(shù)范圍進(jìn)行設(shè)置,因此,對于多數(shù)AOI用戶來說,其使用較為復(fù)雜.鑒于上述算法的不足,而神經(jīng)網(wǎng)絡(luò)具有自組織性、自學(xué)習(xí)性以及自適應(yīng)性等優(yōu)點(diǎn),已成功應(yīng)用于模式識別領(lǐng)域,文中提出了一種基于神經(jīng)網(wǎng)絡(luò)的焊點(diǎn)檢測算法.首先,采用一種基于熵的多閾值自動(dòng)圖像分割方法來提取焊點(diǎn)區(qū)域;然后,定義焊點(diǎn)圖像的一系列特征,并通過實(shí)驗(yàn)對特征進(jìn)行選擇;最后,建立用于進(jìn)行焊點(diǎn)分類的BP神經(jīng)網(wǎng)絡(luò).采用神經(jīng)網(wǎng)絡(luò)算法可以提高系統(tǒng)的智能性.用戶進(jìn)行編程時(shí),不需要進(jìn)行復(fù)雜的參數(shù)設(shè)置.而且,當(dāng)發(fā)生誤報(bào)警時(shí),系統(tǒng)可自動(dòng)修改參數(shù).1基于熵的自動(dòng)多閾值圖像分割方法p(h)=g(h)G(1)式中:G表示圖像灰度值的總和,g(h)表示圖像灰度等級為h的像素個(gè)數(shù).對于一幅灰度值變化范圍在[0,N-1]的圖像,其直方圖的熵可以表示為Η=-Ν-1∑h=0p(h)lnp(h)(2)H=?∑h=0N?1p(h)lnp(h)(2)用ta表示圖像分割的閾值,則不同閾值范圍內(nèi)的熵可以表示為Η=-ta+1∑h=tap(h)lnp(h)(3)H=?∑h=tata+1p(h)lnp(h)(3)總熵可以表示為L-1∑a=0Ηa∑a=0L?1Ha,通過求解一組優(yōu)化的閾值(L為閾值個(gè)數(shù)),可以使總熵達(dá)到最大.目前,有些AOI還采用手動(dòng)閾值的圖像分割方法.相對于手動(dòng)閾值的圖像分割方法,采用基于熵的自動(dòng)多閾值圖像分割方法不需要用戶手動(dòng)設(shè)置閾值,從而大大提高系統(tǒng)的智能性.表1是一個(gè)閾值分割的例子,采用基于熵的圖像分割方法將圖像分割為3個(gè)色度帶,每個(gè)色度帶中包含多個(gè)Particle.將圖像分割成多個(gè)Particle后,就可以對Particle的特征值進(jìn)行計(jì)算.2資源提取2.1焊點(diǎn)面積規(guī)一化具有代表性的特征不僅能夠提高檢測結(jié)果的可靠性,而且能夠提高神經(jīng)網(wǎng)絡(luò)訓(xùn)練的速度.幾個(gè)典型的特征定義如下:(1)規(guī)一化面積.面積在焊點(diǎn)檢測中是一個(gè)重要的特征,從表1中可以看出,焊錫不足在第一個(gè)色度帶中的Particle面積均比焊錫過量、焊錫正常的多得多;而在第二個(gè)色度帶中,情況則相反.由于不同元件的焊點(diǎn)大小不同,因此,需要將焊點(diǎn)面積進(jìn)行規(guī)一化,即A=ApAs?ApA=ApAs?Ap為Particle面積,As為焊盤面積.(2)規(guī)一化重心.從表1中可以看出,在第二個(gè)色度帶中,對于焊錫正常的情況,Particle的重心在整個(gè)焊點(diǎn)圖像的中心附近,而對于焊錫過量情況,則偏向圖像的上方.由于圖像左右比較對稱,因此,只需取重心的縱坐標(biāo),同樣,由于焊盤大小不同,需要進(jìn)行規(guī)一化,即Y=YpYs?Yp為Particle重心縱坐標(biāo),Ys為焊盤長度.(3)水力半徑R=A/P,P表示Particle的周長.(4)矩mi=E[h]=Ν-1∑h=0hip(h),i=1,2,?其中,一階矩(i=1時(shí))是圖像的均值.(5)中心矩ui=E[(h-E[h])i]=Ν-1∑h=0(h-m1)ip(h),(i=1,2,…)最常用的中心矩是u2、u3和u4,u2是圖像灰度值的方差.2.2特征的代表性與規(guī)一化特征并非越多越好,過多的特征會增加計(jì)算量.因此,需要在特征維數(shù)和系統(tǒng)性能之間找一個(gè)平衡點(diǎn).一般來說,在保證分類準(zhǔn)確性的前提下,盡量使用小的特征維數(shù).因此,需要對特征的分辨力進(jìn)行評估,從中選擇幾個(gè)最有代表性的特征.通過分析樣本在各個(gè)特征空間中的分布圖可以判斷特征的分辨力.如果同一類型的樣本在某特征空間中的分布相對集中,不同類型的樣本分布在不同區(qū)域,則說明該特征具有代表性,而且有較好的分辨能力.由于各特征的單位不同,在數(shù)量上也相差甚大,因此,需要將特征作規(guī)一化處理:xi=(zi-ˉz)/S(4)式中:xi是規(guī)一化后的特征;zi是規(guī)一化前的特征;ˉz是zi的均值;S是zi的方差.3神經(jīng)網(wǎng)絡(luò)檢測算法如圖1所示,文中采用了具有3層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò),隱層傳遞函數(shù)采用S型函數(shù).將特征x作為神經(jīng)網(wǎng)絡(luò)的輸入.隱層輸入為i=W1x(5)式中:i=(i1,i2,…,ie)T;e為輸入向量的維數(shù);W1為輸入層到隱層的權(quán)值矩陣.隱層第j個(gè)節(jié)點(diǎn)的輸出為oj=11+exp(-ij)?ij是該節(jié)點(diǎn)的輸入.輸出層輸入為y=W2o,o=(o1,o2,…,of)T,f是分類數(shù),文中取f=3,y為神經(jīng)網(wǎng)絡(luò)的輸出,W2為隱層到輸出層的權(quán)值矩陣.對第m個(gè)焊點(diǎn)樣本,神經(jīng)網(wǎng)絡(luò)的輸出誤差定義為Em=12∑k(ydk-yk)2(6)式中:ydk是神經(jīng)網(wǎng)絡(luò)輸出層第k個(gè)節(jié)點(diǎn)的期望輸出,如表2所示.平均系統(tǒng)誤差為E=12Μ∑m=1Em(7)式中:M是輸入樣本數(shù).文中神經(jīng)網(wǎng)絡(luò)檢測算法在Matlab平臺上實(shí)現(xiàn).神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)采用具有速度快、占用內(nèi)存小、無需設(shè)置步長等優(yōu)點(diǎn)的trainrp算法.這樣不但能保證學(xué)習(xí)速度,而且由于不需要過多的參數(shù)設(shè)定而提高了系統(tǒng)的易用性.4實(shí)驗(yàn)證實(shí)4.1aoi軟件系統(tǒng)設(shè)計(jì)圖2給出了一個(gè)本課題組開發(fā)的AOI系統(tǒng)樣機(jī),其硬件結(jié)構(gòu)如圖3(a)所示,視覺系統(tǒng)的視場為20mm×20mm,解析度設(shè)定為1000×1000像素.AOI系統(tǒng)軟件采用模塊化設(shè)計(jì)方法,其結(jié)構(gòu)如圖3(b)所示.4.2焊點(diǎn)分布的分形本實(shí)驗(yàn)共采用652個(gè)樣本,其中焊錫正常樣本個(gè)數(shù)為338、焊錫過量樣本個(gè)數(shù)為234、焊錫不足樣本個(gè)數(shù)為80.圖4給出了樣本在各特征空間中的分布情況.從圖4(a)中可以看出,3種類型的焊點(diǎn)分布相互交錯(cuò),很難區(qū)分開來,因此,均值和方差具有較弱的分辨力.從圖4(b)中可以看出,3種類型的焊點(diǎn)分布具有明顯的分界線,而且同一類型的點(diǎn)分布集中,因此,面積和重心縱坐標(biāo)具有非常好的分辨力.從圖4(c)中可以看出,二階矩可以比較容易地將焊錫過量和其它兩類區(qū)分,但是很難將焊錫正常和焊錫不足進(jìn)行區(qū)分;水力半徑具有較弱的分辨力.根據(jù)上述分析,可以選擇面積、重心縱坐標(biāo)和二階矩作為特征.將圖像分為3個(gè)色度帶,因此,共有9個(gè)特征值作為神經(jīng)網(wǎng)絡(luò)分類器的輸入.4.3到10-4.aoi系統(tǒng)性能的評定本實(shí)驗(yàn)將652個(gè)樣本分為兩組,訓(xùn)練樣本和檢測樣本各326個(gè),其中焊錫正常樣本個(gè)數(shù)為169,焊錫過量樣本個(gè)數(shù)為117,焊錫不足樣本個(gè)數(shù)為40.圖5給出了神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)收斂過程.從圖5中可以看出,神經(jīng)網(wǎng)絡(luò)收斂效果非常好,學(xué)習(xí)時(shí)間短.經(jīng)過800次學(xué)習(xí)后,系統(tǒng)平均誤差達(dá)到10-4.AOI系統(tǒng)的性能可以通過以下指標(biāo)進(jìn)行評定:(1)準(zhǔn)確率,即系統(tǒng)給出準(zhǔn)確結(jié)果的比率;(2)誤報(bào)率,即系統(tǒng)將無缺陷元件判斷為缺陷元件的比率;(3)漏報(bào)率,即系統(tǒng)將缺陷元件判斷為無缺陷元件的比率;(4)錯(cuò)分率,即系統(tǒng)將某種缺陷錯(cuò)誤判斷成其它缺陷的比率.表3給出了采用文中提出的基于神經(jīng)網(wǎng)絡(luò)的焊點(diǎn)檢測算法進(jìn)行檢測的結(jié)果,其中焊錫正常和焊錫過量均能夠完全正確識別,將1個(gè)焊錫不足判定為焊錫過量,將3個(gè)焊錫不足判定為焊錫正常,其原因可能是由于用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的焊錫不足樣本數(shù)不夠.本次實(shí)驗(yàn)文中檢測方法的準(zhǔn)確率為98.77%.表4給出了采用基于Particle分析檢測方法進(jìn)行檢測的結(jié)果,其中焊錫缺陷包括焊錫不足和焊錫過量,該檢測方法的準(zhǔn)確率為95.09%.考慮到錯(cuò)分率的高低對實(shí)際生產(chǎn)影響不大,因此,文中Particle分析實(shí)驗(yàn)未做錯(cuò)分率統(tǒng)計(jì).可見,