常 颖，常大俊

(1.吉林建筑科技学院 计算机科学与工程学院， 长春 130000； 2.长春建筑学院 电气信息学院， 长春 130000)

引 言

随着工业4.0与我国“智能制造2025”计划的不断深入发展，电子产品焊接质量的自动识别、智能检出也成为热门话题，因为对焊点质量的检测是保证产品质量的重要环节[1]。智能检出技术的有效应用离不开机器视觉，而通过机器视觉判断的核心是图像识别处理算法[2]。电子产品焊点的焊接形式各异，焊接程度要求标准也不同，传统的识别算法已难满足日益增长的测试需求，开发具有更好识别能力的算法具有重要意义。

为了实现对印刷板电路(printed circuit board,PCB)[3]中的焊接异常进行识别，有效地机器视觉配合具有自适应、自学习的识别算法成为了当前的研究热点。尤其针对密度大、元件小的产品批量监测需求，研究开发快速准确、具有一定适应性的图像识别算法是十分必要的。现有PCB焊接问题主要包括桥连、小球、虚焊、焊珠、空洞等问题[4-6]，传统的机器视觉检测往往是通过将拍摄照片与标准照片进行对比完成的。这种方法对于缺焊、空洞的识别率非常高，几乎不存在漏检或误检，但对锡量过大或少锡的情况识别效果很差，漏检率高,同时，当焊点不均或者边界欠清时还会出现检测类型有误的现象。这些问题的产生主要是因为识别算法不具备学习能力，或者自适应性不强。

为了提高该类情况的检出效果，有多种方法被尝试,如反向传播(back propagation,BP)算法[7]、k均值近邻法[8]、支持向量机(support vector machine,SVM)[9]、深度学习法[10]等。……