軍用電子元器件檢測篩選中可視化技術的應用

楊恒，李靜

（陜西省電子技術研究所，陜西西安，712000）

0 引言

軍用電子元器件因其高可靠性要求的特點，在生產、篩選、檢測、驗收中需要多次承受實驗考核，器件表面尤其是引腳不可避免的會出現損傷。這些損傷部分肉眼可見，但更多為細微損傷，不易分辨。細微損傷雖然不會對電子元器件的使用產生重大影響，但是在軍工領域，不放過一點瑕疵是對武器裝備可靠性的莊重承諾，更是對國防事業的忠誠體現。針對這一問題，傳統的外觀檢查法明顯不再適用，機器視覺可以作為一種高分辨率、高精細度的檢測方法，引入到軍用電子元器件的檢測篩選工作中，實現更高等級的質量把關。機器視覺是伴隨著電子技術的發展而新興的一門學科，采用可見光、紅外光等工作譜段，采集試樣圖片，再加以圖像處理，檢查試樣的細微之處，對比發現異常，自動回復檢測結果。其優點是以智能化方式運行，檢測效率高；圖像可高倍放大，檢測精度高；智能軟件可調，適用門類廣；檢測標準可人工設置，檢測準確性高?；跈C器視覺技術的優點，本文利用機器可視化技術進行優化，構建多角度高速成像機構，大幅提升軍用電子元器件檢測篩選的效率，再運用可視化技術根據從側面捕獲的圖像數據進行數據樣本標簽標注，提升檢測篩選的全面性和準確性，確保檢測篩選過程可以高質量、穩定、可靠的完成。

1 可視化技術檢測技術圖像采集原理和視角設置

由于軍用電子元器件外部狀態和形狀的制約，人工手動檢測篩將依賴于測試儀器頭頂的正面觀察和篩選，以確保效率。這種檢測篩選方法對線材形狀的檢測效率高，但很難觀察線材側面的壓痕和切割，尤其是線材外絕緣材料的熱絲質量。圖1顯示了軍用電子元件個體的不同質量。軍用電子元器件由于制造時間和制造溫度的不同，其效果也不盡相同。

圖1 軍用電子元件個體的不同質量示例

軍用電子元器件的人工檢測篩查存在兩個問題：一點是容易導致漏篩、錯篩，給后續流程帶來十分多的質量風險；另一點是，人工檢測篩選勞動強度大，會造成檢測和篩選的同步性低，很多本身符合要求的軍用電子元器件由于錯誤篩選而被浪費。為了解決以上問題，構建了一種新的可視化檢測篩選機構，實現了核心部件檢測與篩選的集成統一。構建的可視化檢測篩選機構工作原理與組成示意見圖2。

圖2 軍用電子元器件可視化成像機構示意

設計的可視化成像檢測軍用電子元器件機構采用三個相機均勻分布,視場中間設置夾持旋轉臺的方式，所以可以生成被檢測的每個軍用電子元器件的至少八個不同角度的圖像。軍用電子元器件檢測篩選機構的核心部分由負責采集試樣圖像的“檢測設備視覺模塊”和負責圖像對準與檢測的“背景模型訓練模塊”兩部分組成。檢測設備視覺模塊是視頻圖像采集的前端，負責將視場中的試樣圖像清晰攝錄下來并穩定傳輸給后端圖像處理設備，因此需要考慮試樣拍攝的角度與光照度，保證采集到的圖像清晰、均勻，最重要的是實現一次拍攝采集試樣多角度圖像。通過以上分析，將檢測設備視覺模塊設計為由三組工業相機在同一平面內互呈120°排布，工業相機采用短焦距鏡頭以適應近距離拍攝的工作環境，另外設置三組高亮度LED照明光源提供小范圍內高照度環境。待檢試樣裝夾于可旋轉平臺上，在三架相機的視場中勻速轉動，方便相機采集各個角度圖像。檢測裝置的視覺模塊位于軍用電子元器件缺陷檢測裝置中，主要包括光學成像子模塊和缺陷在線檢測與計算子模塊。

2 軍用電子元器件檢測篩選中可視化技術應用

2.1 可視化技術檢測篩選邏輯

因為軍用電子元器件部件表面真實形貌的復雜性，想要減少檢測難度，增加檢測效率和精度，對軍用電子元器件的外部質量采用了兩階段的檢測和分類過程。由圖3可以得出，篩選過程是一個結合了初始宏觀篩分和微觀零件精細篩分的過程。

圖3 軍用電子元器件圖像檢測范圍分割示意圖

軍事電子元器件外部質量檢驗的兩個階段篩選檢測過程，可以通過改進兩個點的檢驗過程和建立相應的機構來實現。步驟1，利用機械經典的視覺算法，對軍事電子元器件的絕緣面積進行跟蹤檢測，使絕緣層異常的軍用電子元器件在檢測篩選開始時進行跟蹤。在步驟2中，確定磁頭的核心面積，獲得高清圖像，用人工智能算法準備磁頭輪廓和缺陷選擇。

在圖4中可以看出,基于研究機制,采用了使用傳統的機械視覺演算法的視覺檢測視場大直徑方法,結合人工智能視覺檢測的算法將視野小直徑很細的電子元器件檢測,用以提高檢測水平。

圖4 篩選邏輯流程

2.2 可視化技術數據集建設

可視化算法模型確保了篩選檢測結果的最低精確數值，并且通過數據結果規定了最高篩選檢測結果數值。軍用電子元器件的篩選檢測場景是一個典型的分類任務，也就是說，在基于獲得軍用電子元件的外部構造圖像上，識別符合或不符合的樣品基本上可以定義為一個二元分類問題。 然而，由于各種復雜因素的圖形特性，本研究詳細分類，建立了多模型的分類、軍事實踐的電子數據，在進行數據采集的樣本收集，組織和模式分類和標簽，并確定分類標簽和樣本的數量。此外，細分產品的不同形式是分為不同的類別，尤其是將來未知的故障，進行單獨分類標簽，執行一個特定的針對性的處理，以及建立多個數據集分類基本滿足檢測篩選的需求。

所提取的基本數據庫的主要特征，如“積極”、“扭曲”、“膚淺”、“好像”、“破壞”和“不存在”等，被提取的分類的結果中的許多特征是建立在此基礎上，這樣的等級分類的基本數據集更加合理和適當的。部分分類是顯著的，在一定程度上盡可能少的，是由于數據挖掘分類模式分類邊界造成錯誤，導致現有安裝模式的缺陷，在缺乏數據的樣本附近可能誤差模型確定類別的錯誤，導致模型的分類、影響更準確地分類。為了避免這種情況，在具體實施的階段，基于數據集的數據集分類部分實際情況必須得到適當的合并，在誤差允許的范圍內，進行恰當的集合，這樣的比例的樣本數據集之間的數據每一類別比較均勻，更加穩固的支持在模型類的角度的數據集。

2.3 圖像識別算法框架設計

本研究的本質是基于卷積神經網絡CNN解決多分類預測問題，即通過圖像信息流的數值運算，發現其中的拐點，定義為圖像與標準值存在重大差異，可判定為器件異常，其核心是CNN網絡的實施。在當第一階段經典機器視覺對軍用電子元器件尺寸檢測篩選工作完成后，在確定尺寸合乎規范要求的前提下，選取相應的檢驗模板，作為檢測標準值，CNN網絡則負責軍用電子元器件部位的檢測篩選，通過卷積運算，發現采集圖像與檢測標準值的差異點，最后系統取得兩個部分的計算參數與分類結果，將判定的差異點以圖像的形式還原到檢測報告中。為提升開發效率，采用自動化設備通用編程軟件與經典深度學習開源框架聯合編程，借鑒成熟功能模塊，以提高軟件魯棒性，搭建經典機器視覺算法與CNN網絡模型有效結合的智能化軟件系統架構。軟件核心功能模塊主要包括：檢測目標數據獲取、存儲與預處理、經驗引導算法流程、核心識別模型等，其中經驗引導算法流程和核心識別模型完全自主開發。

在開發核心識別模型軟件模塊中，鑒于器件的失效形式復雜多變，無法通過枚舉方式預先設定全部失效模式的檢測要點，因此需要引入基于基礎數據集訓練初始深度學習模型，作為器件失效模式判別的基礎數據，并在此基礎上構建人工智能算法與工程師經驗相結合的處理模式，通過軟件智能和人在回路的方式，提高軟件的適用性和判別準確性。通過不斷的數據積累，實現訓練集樣本數量和種類的擴充，在可控的條件下實現算法精度的迭代上升。

如圖5所示，是軍用電子元器件檢測篩選方案整體實施流程。通過將檢測篩選流程劃分為三個階段，賦予不同階段不同的重點任務，基礎數據集準備階段重在實現基本的檢測功能，其目的是采集并積累數據；模型訓練階段則是在足夠樣本量的前提下通過軟件深度學習和人工干預，完善并調整數據集，達到軟件檢測篩選功能的全面實現；維護提升階段重在軟件的維護和功能的提升，剔除數據集中關聯度低的數據、檢查其中數據的完整性、定期備份軟件，通過使用發現軟件的功能薄弱點，為下一版本的功能提升積累數據與實例。為了能夠使模型不斷完善，識別準確率不斷提高，本研究在樣本數據集建設方面構建適應于業務場景的流程及更新模式。

圖5 軍用電子元器件篩選方案整體實施流程

3 試驗結果分析

可視化電子元器件檢測篩選平臺的信息處理器選用Intel Xeonw-2123作為CPU，以保證圖像運算的處理速度；考慮到卷積運算的運算量，配置16G內存；人機交互界面以圖像為主要展示內容，因此顯卡選用Nvidia GeForce GTX1080Ti，滿足圖像顯示的分辨率和流暢度要求。

為驗證算法流程以及所構建數據集的有效性，本文選用googlenet作為深度檢測篩選網絡模型，基礎檢測篩選率設定為0.001，檢測篩選率變化頻率為1/300，檢測篩選率變化指數為0.9，權重衰減值為0.00002。針對10批次同類型的電子元器件進行檢測篩選。為測試軟件運行的準確性，同步采集了人工檢測篩選的數據作為對照。模型篩檢和人工篩檢的元器件型號為同一型號，但每批次數量略有不同，因此將合格率作為對比參考，以避免數量差異的影響。數據記錄見表1。

表1 10批軍用電子元器件篩檢對比實驗結果

通過分析測試數據結果，可以發現模型篩檢的合格率普遍高于人工篩檢的數值，從一個側面證明模型篩檢方法細節分辨能力更強，對瑕疵的檢測更為仔細，所以檢測結果更為可信。

4 結論

電子元器件的檢測篩選是電子產品質量保證的第一道關口，軍品級電子元器件的檢測篩選更是關系到裝備的可靠性，尤為關鍵。采用信息化技術手段提高檢測篩選線的自動化水平，甚至賦予智能化能力，是元器件檢測篩選今后的發展方向。本文從元器件表面檢測一個點出發，探究智能化檢測篩選的技術路徑，希望為全產業的條件升級提供借鑒參考。元器件表面質量還不足以證明元器件質量達標，還需要電性能測試和環境應力篩選等檢測步驟，這也是今后智能化產線升級的研究方向，還需要深入研究與實踐。