郭瑞霞* 韩钦 韩英向

（天津中新华兴光电技术有限公司研发中心，天津 300467）

众所周知，许多工厂在大批量产品的生产过程中，总会涉及到各种质量检测、生产过程监控及缺陷识别等应用[1]，随着科学技术的发展与进步，机器视觉检测在其中扮演着越来越重要的角色。传统的工业产品质量检测多采用人工检测的方法，人工检测不仅需要耗费大量的劳动成本，而且容易受到检测人员主观判断标准不同以及长时间不间断的工作导致的视觉疲劳等因素的干扰，以至于产品会出现漏检和错检的现象，导致产品质量检测的速度与精度迅速下降，影响生产效益。机器视觉系统易于集成设计信息和加工控制信息，且易于自动化处理，因此，在智能化不断提升的现代工业生产过程中，机器视觉系统在工况监视、成品检验和质量控制等领域得到广泛的应用[2]。在我国，机器视觉主要应用于半导体生产、食品饮料加工、医学及汽车等行业[3]。在人工智能极速发展的推动下，机器视觉系统的软硬件技术同样取得了很大的进步[4]，已经可以为客户提供高质量的智能化服务，对产品实现100%的全面检测。目前，机器人与自动化已经改变了几乎所有工业部门的制造模式，同时提高了生产效率以及产品一致性。基于机器视觉的检测系统具有非接触性这一不可替代的优点[5]，因此，基于机器视觉的全自动化智能工厂对许多生产商来说是一个明确目标，然而大多数公司目前还没有实现该目标。本文利用机器视觉技术实现对PCB 元器件缺陷的智能检测，其主要是基于图像处理、计算机图形学、模式识别、计算机技术、人工智能等多方面综合研究的电路板螺纹和电池有无缺陷检测系统。

1 总体方案设计

本设计主要由硬件结构和检测软件构成，硬件结构由工业相机、工业镜头、光源、光源控制器、计算机、定制实验支架、专用线缆等构成，图1 为系统结构图。其工作过程是：当电路板到达可检测区域时，相机进行采集图片并检测，首先通过镜头将工件在相机芯片上成像，然后通过相机的GIGE通讯接口采集图像，利用HALCON 软件实时进行图像处理。系统软件设计主要有以下几个模块：图像实时采集模块、图像预处理模块、阈值选取模块、图像定位模块、缺陷检测模块[6]，其过程如图2 所示。

图1 硬件系统结构图

图2 电路板缺陷检测流程

系统检测主要流程如下。

a.工件到达检测区域后，传感器发出触发信号；

b.PLC 将此信号发送给工业相机；

c.工业相机获取此信号后进行采图；

d.工业相机采图完成后将图像通过GIGE 网络接口传输给工控机；

e.工控机接收到图像后，检测设定的区域，判定处理结果；

f.工控机根据判定结果类型触发相应的IO 分拣信号，并等待下一帧图像；

g.PLC 收到分拣信号后，控制分拣机构做出相应分拣动作。

基于机器视觉检测系统的优点是可以快速获取生产线上被检测电路板的信息，并将检测结果及统计数据显示在控制界面上，比如：共检测电路板的数量、检测时长以及有某种缺陷的电路板数量等，方便人工管理，最后将检测质量“OK”的电路板进行下一项流程，并通过自动化设施（机械手等）奖检测质量“NO GOOD”的电路板分拣出来进行完善。这种缺陷检测方式信息集成度高、检测速度快且精确度高，从而可以进一步降低生产成本和提高产品的生产效率。

本文为实现电路板螺纹和电池有无实时检测的要求，将图像采集系统与照明补光系统相结合，设计出一种基于机器视觉的PCB 元器件有无缺陷检测系统。本系统不仅能节省大量的劳动力，降低劳动成本，同时有效的提高了工业生产的效率和缺陷检测精度，实现了智能检测与PCB 分拣工作[7]。

2 硬件结构设计

2.1 检测系统关键器件

本系统的关键器件主要包括工业相机、工业镜头、光源和工控机。机器视觉检测系统最关键的原材料就是图像，为了获取高质量的图像，需要对系统的关键器件做好选型设计。根据电路板的尺寸和检测精度，采用200 万像素分辨率的工业相机：acA1600-20gc GigE 相机，该相机配有 Sony ICX274 CCD 感光芯片，帧率20 FPS，该相机采用GigE 通讯接口，满足系统采图需求。根据现场安装空间和电路板的尺寸，计算镜头焦距、物距等参数[8]。选择焦距20mm 工业镜头，与工业相机接口相匹配，选择C 接口镜头。根据被检测电路板的形状以及缺陷形状等特征，选取LED 方形无影灯光源，它能够为相机获取图像照明补光，帮助相机获得特征突出、灰度值差别明显的图像，提高机器视觉系统的分辨率和识别率，降低图像处理算法分割和识别的难度，使系统的可靠性得到提高。为了方便软件开发及应用，选取i5CPU 配置的工控机，并在Window XP 64bit 及以上版本下使用。

2.2 检测系统设计原理

本系统根据电路板的缺陷特征，运用图像处理、图像识别等技术对采集的电路板图像进行检测、分析并给出判断。本设计是基于飞速发展的计算机技术，同时考虑到检测效率、检测精度和经济性等方面的要求，具有较高的性价比。系统主要包括照明补光单元、图像采集单元、图像处理单元、数据库单元和控制执行单元[9]。硬件系统设计原理如图3 所示。

图3 硬件系统结构原理图

3 检测软件设计

3.1 软件总体设计

本系统主要运用了HALCON 开发了图像处理分析模块，采用Visual Studio C#平台进行了显示控制界面进行开发。该系统检测软件的图像处理分析模块高效稳定，控制界面信息全面、操控简单。其软件结构设计原理图如图4 所示。

图4 系统软件总体设计原理

3.2 软件主要模块设计

3.2.1 图像采集模块

为了准确、及时获得图像的当前状态，需要不断地通过图像采集模块采集图像到计算机内存，调取计算机内存中图像进行图像处理。图像采集的实质就是将被检测物的图像可视化并把其内部特征转换为计算机可以识别处理的离散数据的过程[10]。简单来说，图像采集就是将一幅连续的模拟图像转换为数字化的数字图像，显然，如果检测并输入的连续图像不理想，那么数字图像的输出就会不尽人意。因此，图像采集是机器视觉缺陷检测系统的关键技术之一。图像处理技术有以下5个基本过程[11-12]：图像过滤、图像加强、图像切割、图像辨别和图像代码生成。

3.2.2 二值化阈值选择模块

图像阈值的选择对于分割图像、提取图像信息至关重要，其方法有很多，本系统采取灰度直方图方法来选取阈值[13]，这种方法计算简单，运行效率高，是图像阈值选择普遍使用的一种方法。阈值的处理与选择是进行图形分割的前提，实际上是将被检测特征从图像中提取出来的过程，这种处理方式运用到有较强对比度的被检测特征与背景效果更好[14]。如图5～7。

图5 图像定位时灰度值的阈值选择

图6 检测螺钉时灰度值的阈值选择

图7 检测电池时灰度值的阈值选择

3.2.3 图像定位模块

根据经验值在HALCON 采集的图像中画出我们需要的区域，然后利用灰度阈值分割法对其进行图像分割，找出对电路板定位时需要的四个角的四个钉子然后利用刚性变换对采集到的电路板图像进行定位处理。所谓图像分割指的就是将采集到图像按照其独特特征分割成若干个特定的部分，并能够依据图像被检测区域的需要，将区域中的特征或检测目标提取出来的过程[5]。近年来，由于图像处理技术的高速发展和逐步完善，当今应用技术领域不断涌现出大量的图像分割算法，其中形态学分割法、模糊理论分割法、人工神经网络分割法以及遗传算法分割法是比较典型且具有代表性的。

电路板四个角处的点的定位：首先选取电路板图像的四个角处的点进行定位，定位时运用闭运算算法，然后通过矩阵旋转该图，将其放在视场范围的正中间，为下一步裁图做准备。

3.2.4 缺陷检测模块

本文在检测PCB 中螺钉的有无缺陷时主要应用了圆分析算法，在所检测图像螺钉的位置用圆形画出，检测的电池位置则用矩形画出。由于螺钉是圆形的，因此快速而准确地判断并检测到图像中的圆在本系统中尤为重要，近年来，检测圆的技术已广泛应用于机器视觉、智能检测等方面。传统的Hough 变换存在着很多缺点，例如：巨大的计算量、庞大的内存、参数空间因素对参数提取的制约以及速度慢等。因此，针对实时采集的电路板图像中检测圆形螺钉时的要求，本文应用了一种相对简单的圆缺陷检测方法。该方法主要应用于图像无相交的条件下，首先对采集到的PCB 图像进行二值化处理，然后检测其边缘并获得图像的边缘链码，最后分析计算缺陷的圆度、圆半径等圆的基本要素[16]。在计算机上自定义图像的模式下对上述算法进行仿真测试，共获得两组结果如下：第1 组是5 个半径不同的圆，并给出半径误差，如表1 所示；第2 组是几个形状不同的图像的圆率如表2 所示。

表1 不同半径的圆的测试结果

表2 不同形状的图像的测试结果

4 结论

机器视觉作为人工智能的一大分支，是实现人工智能的必要手段，一方面它可以代替人工视觉，另一方面它可以提高工业生产的信息集成度和自动化程度。本系统主要解决了流水线上产品生产或检测过程中对缺陷电路板进行剔除或分类的问题，有效地避免了耗费大量劳动成本的缺点和错检、漏检的现象，提高了生产效率，实现了产品缺陷检测零失误的目标，并得以在市场上营运与推广，有利于提高工业生产自动化水平。