周颖，王雪，刘坤，李明旭

（1.河北工业大学控制科学与工程学院，天津 300130；2.河北省控制工程技术研究中心，天津 300130）

基于小波特征与支持向量机的焊点缺陷识别方法的研究

周颖1,2，王雪1，刘坤1,2，李明旭1

（1.河北工业大学控制科学与工程学院，天津 300130；2.河北省控制工程技术研究中心，天津 300130）

基于视觉信息的焊点缺陷检测已成为当前机器视觉中的研究热点问题．针对焊接设备的不稳定性、操作环境的不确定性等问题对焊点质量的影响，本文提出了利用增强小波系数和主成分分析相结合的方法对焊点图像特征进行提取，利用主成分分析的降维作用，对提取的增强小波系数50维特征向量进行降维处理．同时提出了融合决策树与支持向量机的方法对焊点的缺陷类型进行识别．实验结果表明，本文提取的焊点特征值具有更好的区分性与紧致性，提出的分类方法有效提高了焊点缺陷检测的识别率，同时提高了算法效率．

焊点缺陷识别；小波系数；主成分分析；决策树；支持向量机

0 引言

随着工业上对印制电路板趋向高精度化、多层次化发展的需求，焊点作为衔接各个电气组件与电路板之间的桥梁，在电路板的加工过程中发挥着不可轻视的作用．而在操作工艺中存在的诸多不确定因素，如：焊接设备的不稳定性、操作环境的不确定性、焊料添加的差异性等，最终将导致焊点存在缺焊、虚焊、立碑、塌陷、桥接、破洞等诸多问题，影响产品的最终质量，导致产品次品率上升．随着计算机技术和数字图像处理技术的快速发展，对其焊点通过机器视觉设备所获取得图像进行分析与识别已经成为当前电子工艺发展的迫切需要[1-3]．

在机器视觉采集系统中，如何提取有效的焊点图像特征是保证准确分类与识别的关键所在[4-5]．国内对于焊点缺陷检测的研究起步相对较晚，在已有的研究中大多针对于提取多维的焊点图像特征直接进行识别分类，导致提取特征值维数过大，算法的复杂度过高[6-8]．本文在图像预处理基础上，重点从形状特征、直方图特征、小波特征三个方面对焊点图像信息进行特征提取，并对其提取的多维小波系数特征值进行主成分分析降维处理，有效地降低了检测时间，提高了检测效率．在焊点识别分类过程中，多数文献采取神经网络分类识别方法，但其在解决小样本、非线性、高维模式识别等问题中相对于支持向量机分类识别具有一定局限性[9-10]．本文在识别方法上采用了最小二乘支持向量机与决策树融合的分类方法，对其提取的有效特征进行分类、识别．最终实验结果表明该方法有效提高了焊点缺陷的识别率，提高了算法效率．

1 图像预处理

为了避免图像采集过程中由于照明不均匀、采集仪器波动性、PCB板上有污垢等对其焊点图像的影响，保证提取焊点图像特征值的直观性、有效性，首先，要对采集的焊点图像进行图像去噪、图像增强、图像二值化、图像边缘检测处理，详见图1．

图1 图像预处理结果Fig.1 Image preprocessing results

为了削弱图像采集过程中所产生的椒盐噪声，比较选取3×3模板大小的中值滤波去噪．图像增强采用灰度变化的目的是增强图像对比度，将检测的焊点与底板背景更好的区分，加强图像固有特性．为了更好的提取图像形状特性，使其得到仅含有黑白两种像素的图像，将增强后的图像利用阈值分割法进行二值化处理．图像边缘检测采用Sobel算子的边缘检测方法降低图像边缘噪声，加强图像边缘信息，产生了较好的边缘检测效果．

2 焊点图像特征提取

由图2看出，不同类别焊点的形状各不相同，其面积、周长、致密度在其检测效率上较为精确，在图像二值化、边缘检测处理基础上得出焊点特征值向量1．

图2 焊点面积、周长对比结果Fig.2 Solder jointarea,perimeter comparison results

采集图像的灰度值函数用灰度直方图代表，由图3可以看出焊点类型不同时直方图上灰度的分布有一定的差异，直方图特性的稳定性和抗干扰性较好的解决了环境差异性带来的干扰．为了更好的提取所采集焊点的特征值，分别对焊点直方图的均值、标准偏差、偏斜、峰度、能量、高亮比进行提取，得出焊点特征值向量2．

图3 焊点灰度直方图对比结果Fig.3 Solder joint histogram comparison results

2.3 小波特征提取

2.3.1 小波系数的提取

快速小波算法Mallat是基于多分辨分析基础上提出的，在小波分析中有着举足轻重的地位．为了更好的提取精确的焊点小波特征向量，在小波算法中使用算法运算增大了图像间差别进而提高焊点图像的识别精度，利用一种改进的小波算法对其图像的三级小波分解（图4）系数进行增强，从而得到一个关于焊点图像信息的特征向量组．

图4 三级小波分解示意图Fig.4 Three levelswaveletdecomposition

针对小波三级分解得到的各组系数，利用小波增强算法，采用公式(1)、公式(2)分段线性形式的增强函数对其模值处在[Tmin,Tmax]之间的数据进行增强．

式中：Sjm,n代表第j组小波系数，Mjm,n代表第j组小波系数增益，Sjm,nmax代表小波系数的模值最大值，max Sjm,n代表小波系数的模值截去最大值后的极大值．其截去处理保证了在图像发生局部突变时，增益函数的有效性．

获取焊点图像小波特征向量过程如下：

1）对二值化处理后的焊点图像进行三级小波分解，得到各组小波系数．

2）选取适合各组小波系数的阈值Tmin和Tmax．

3）计算每组小波系数的模极大值、自适应增益Mjm,n．

4）利用上述公式对各组小波系数进行分段线性变化，得到增强后小波系数．

5）取标准合格焊点图像进行1-4步计算，得出标准小波系数，记为B1，B2，…，B10．取待测焊点图像进行1）～4）步计算，得出待测小波系数，记为D1，D2，…，D10．

6）分别计算待测小波系数D1，D2，…，D10的均值、方差、标准差，与标准焊点小波系数B1，B2，…，B10的协方差、相关系数值，各自记为T1，T2，…，T10（每个Ti中含有5个特征值），从而得到10个5维的焊点特征向量，记为．

2.3.2 基于主成分分析的小波系数特征降维

主成分分析（PrincipalComponentAnalysis，PCA）核心是剔除图像特征向量采集过程中的冗余信息，以排除数据共存中相互重叠的变量，选取代表样本主要信息的成分，用较少的特征量对样本信息进行描述，达到减少分类时间的目的．

3 SVM与决策树融合的识别方法

支持向量机（SupportVectorMachine，SVM）的基本原理是在分类样本之间寻求一个线性分类面将样本划分开来，并使分类之间的间隔最大化，对于线性不可分的样本，首先通过非线性变化将输入空间变换到一个高维特征空间，在其新生成的空间内进行线性划分．假设其线性回归分离超平面方程为

其中，本文用到的SVM核函数为径向基核函数（RBF）

图5 支持向量机整体分类Fig.5 Overall classification of SVM

图6 决策树支持向量机分类Fig.6 Classification of the decision-tree SVM

目前常用的支持向量机分类构造方法分为：整体法、一对余、一对一和决策树分类法．决策树分类不存在不可分区域，分类不需要遍历所有的分类器，是一种应用较为广泛的分类方法．对于k类分类问题，应用决策树SVM分类法只需要构造k 1个子分类器，分类过程中类别个数逐层减少，训练分类器过程中所需训练样本较少，训练时间较短．

利用决策树在相对较短的时间内能够对大型数据源做出可行且效果良好的分类优势，本文采用决策树和支持向量机相结合的方法减少分类计算量，提高分类精度，并将其与支持向量机整体分类的方法进行比较．

本文主要对比运用LIBSVM软件包和LSSVM工具箱对其焊锡合格、焊锡过多、焊锡过少、缺焊等4类焊点分类问题结合提取的焊点特征向量1、2、3进行研究，4类训练、测试样本分别选取30个，分别采用如图5、图6的分类方式，得出测试结果如表1所示．

为了更好的体现应用主成分分析优势，运用LSSVM工具箱结合决策树分类得出结果如表2所示．

表1 实验结果1Tab.1 Experimental results1

表2 实验结果2Tab.2 Experimental results2

实验结果表明，运用LSSVM结合决策树分类方法优化了分类计算量，并在利用主成分分析对小波特征系数降维的条件下提高了检测效率和焊点识别率．

4 结论

采用主成分分析的降维处理方法，将小波增强算法提取的50维小波系数特征向量进行降维处理为5维，结合基于形状、直方图提取的特征向量建立新的焊点特征向量模型，融合决策树与支持向量机LSSVM的焊点缺陷识别算法对采集焊点进行识别分类．通过仿真对比得出，该方法改进了传统智能识别大样本、特征向量非线性、识别向量维数过多、检测时间过长的问题，提高了焊点缺陷识别率，加快了算法效率．

[1]Jiang B C，Wang C C，Hsu Y N．Machine vision and background remover-based approach for PCB solder joints inspection[J]．International Journal of Production Research，2007，45（2）：451-464．

[2]郸永彩，邓细凤，高湖．基于主成分分析的表面缺陷自动检测算法[J]．计算机工程，2013，39（2）：216-219．

[3]Said A F，BennettBL，Karam L J，etal．Automated detection and classification ofnon-wetsolder joints[J]．Automation Scienceand Engineering，2011，8（1）：67-80．

[4]赵辉煌，周德俭，吴兆华，等．基于小波包变换与自适应阈值的SMT焊点图像去噪[J]．焊接学报，2011，32（11）：73-76．

[5]周颖，郝红敏，裘之亮，等．基于改进小波变换的焊点识别方法的研究[J]．河北工业大学学报，2013，42（2）：15-19．

[6]卢盛林，张宪民．少缺陷样本的PCB焊点智能检测方法[J]．焊接学报，2009，30（5）：57-60．

[7]赵春晖，张燚，王玉磊．基于小波核主成分分析的相关向量机高光谱图像分类[J]．电子与信息学报，2012，34（8）：1905-1910．

[8]Honeine P．Onlinekernelprincipal componentanalysis:A reduced-ordermodel[J]．Pattern Analysisand Machine Intelligence，IEEETransactions on，2012，34（9）：1814-1826．

[9]Barros R C，Basgalupp M P，De Carvalho A，et al．A survey of evolutionary algorithms for decision-tree induction[J]．Systems，M an，and Cybernetics，PartC:Applicationsand Reviews，IEEE Transactionson，2012，42（3）：291-312．

[10]Wang H，Ma J，Wang C．Study on the classification ofmulti-spectral images based on a FSVM multi-class classifierw ith the binary tree[J]．Optoelectronics Letters，2010，6（1）：61-64．

[责任编辑 代俊秋]

Study on recognitionmethod of solder jointdefectsbased onwavelet feature and supportvectormachine

ZHOU Ying1,2，WANG Xue1，LIU Kun1,2，LIM ing-xu1

(1.School of Control Science and Engineering,Hebei University of Technology,Tianjin 300130,China;2.Hebei Control Engineering Research Center,Tianjin 300130,China)

Solder joint defects detection based on visual information has become a research hot spot inmachine vision. Aim ing at the influenceson thequality of solder joint caused by the instability ofwelding equipmentand theuncertainty of operating environment,enhanced wavelet coefficients combinedw ith principalcom ponentanalysis is proposed in this paper to extract image featuresof solder joint,the extracted 50 dimension ofenhanced wavelet coefficientscharacteristic vectorsare reducedbyusing principalcomponentanalysis.At thesame time,decision-tree combinedw ith supportvector machine isalso proposed to identify defect typesof solder joint.The experimental resultsshow that theextracted characteristic valueof solder jointhasbetterdiscrim ination and compactness,the proposed classificationmethod effectively improves the recognition rateof the solder jointdefects detection and theefficiency of thealgorithm.

solder jointdefects identification;waveletcoefficients;principalcomponentanalysis;decision-tree; support vectormachine

TP391.41

A

1007-2373(2015)01-0006-06

10.14081/j.cnki.hgdxb.2015.01.002

2014-09-01

河北省高等学校科学技术研究指导项目（Z2012171）；河北省青年自然科学基金（F2014202166）

周颖（1971-），女（汉族），副教授，博士．