電子元器件缺陷檢測技術研究與開發

鄧世江

（南寧智卓專利代理事務所，廣西南寧，530007）

0 引言

本文提出對電子元器件的性能參數失效缺陷和外觀缺陷檢測技術的實現展開細致研究。

1 性能參數缺陷檢測技術

電子元氣件的性能參數檢測是當檢測設備啟動后，對被測器件進行上電初始化，根據檢測設備輸出信號向被測器件提供一個信號源，如圖1所示，被測器件接收使能信號控制被測器件自動進行失效測試流程，通過對被測器件輸入端施加信號源時，檢測設備獲取被測器件的輸入端性能參數(一般包括輸入漏電電流IIK和輸入鉗位電壓VIK)和輸出端的性能參數(一般包括輸輸出漏電電流IOK和輸出驅動壓UO和功耗等)，在此該使能信號分為有效的使能信號和無效的使能信號，有效的使能信號可控被測器件自動進行失效測試流程，無效的使能信號控制被測器件停止失效測試流程，當被測器件進行出廠檢測時或裝配至電路板前，可根據有效的使能信號控制被測器件自動進行失效測試流程，根據所檢測的性能參數與實際性能參數進行比較判斷，電子元器件內部性能是否存在失效缺陷。

圖1 電子元器件性能參數檢測系統總結構

2 外觀缺陷檢測技術

外觀缺陷檢測技術應用數字圖像處理技術對外觀檢測的圖像進行數據化處理，并將其輸入至計算機中，之后，借助于專業的數據分析軟件執行對圖像數據信息的分析及處理任務，最后，將處理得到數據還原，便可以獲取所需圖像。對于數字圖像處理技術的應用而言，圖像數據轉化最為重要，怎樣將圖像轉化，使其表現出更加多樣化的數據信息目前是圖像處理技術研究的熱門。而在完成圖像轉化之后，經過圖像分割、去噪、特征提取等算法和技術的處理，進一步轉化數據為圖像同樣十分重要，為此，數字圖像處理可以在更高的精度上執行對圖像的處理任務，既可以確保圖像的精度，在具體操作上亦有更多的便捷性優勢，可以基本完成現代化社會所需圖像處理的各項相關要求。目前，數字化圖像處理技術主要對圖像變換、圖像增強和復原、圖像分割等內容予以涉及，所謂圖像變換，指的是基于各種變換處理技術的支持，用變換域將空間域處理方式替換，得到更加利于后續分析的圖像；圖像增強和復原是出于提高圖像質量這一目的而用到的圖像處理技術，舉例而言，包括突出圖像中感興趣的部分、增加圖像清晰度、將圖像噪聲去除等；圖像分割則有利于對圖像的進一步識別、分析以及理解，進行圖像中有意義部分的提取。

3 檢測系統架構與功能

圖2所示為電子元器件外觀缺陷檢測系統總體結構，主要由圖像獲取、圖像篩選、電子元器件分類、圖像處理、缺陷檢測、云服務器以及終端設備7個模塊構成。

圖2 電子元器件缺陷檢測系統總結構

圖像獲取模塊的主要功能為獲取待檢測電子元器件的原始圖像，同時，將得到的結果向圖像篩選模塊傳輸；在接收到圖像獲取模塊傳輸來的多張電子元器件原始圖像后，圖像篩選模塊會對其進行質量評價，將質量最佳的原始圖像確定下來，由電子元器件分類模塊以及圖像處理模塊接收；這時，電子元器件分類模塊會對接收的圖像進行輪廓信息的提取，并將其和預存儲下來的各種類型電子元器件的標準輪廓信息作比較，明確待測元器件的類型；圖像處理模塊則執行對接收圖像的降噪處理任務，進一步地，還會對降噪后的圖像進行特征數據的提??；結合電子元器件分類模塊所得結果，缺陷檢測模塊對預存儲的待測元器件缺陷數據進行調取，以此為依據識別元器件特征數據，判斷其是否真的有缺陷存在，如果判斷結果為是，確定其缺陷類型；云服務器分別與電子元器件分類模塊以及缺陷檢測模塊建立通信連接，分別執行向對應模塊的電子元器件標準輪廓信息與缺陷數據的傳輸任務；終端設備用以接收缺陷檢測模塊輸出的結果，為質量檢測作業人員及時與準確了解電子元器件的缺陷情況提供便利。

4 電子元器件表面圖像獲取與分割技術實現

4.1 圖像獲取技術

圖像獲取模塊對電子元器件(以晶振外殼為例)圖像進行采集，考慮到系統有較長采樣周期，故無需特別設定相機成像速度。如圖3所示，在光照射條件下獲取原始圖像

圖3 獲取到的原始圖像圖

晶振底面原始圖像在檢測系統獲取的圖像中，由于電子元器件和背景、機械爪色彩及明度均存在差異，需要對帶有顏色的模型圖像（RGB圖像）進行轉換，由HSV顏色模型圖像來表示。對此，先給定一副原始圖像，其像素以及H分量如公示（1）所示 ：

另外，色飽和度分量如公式（2）所示：

根據上述模型，便可得到缺陷表面HSV顏色模型圖像，該圖像能夠將機械爪的色彩、背景明度與圖像邊界濾除，進而將電子元器件在圖像中的區域確定下來。作為前景的像素，電子元器件區域的灰度值設定為“225”，而作為背景像素，其他部分的灰度值則是“0”，能夠有效地達到圖像二值化的目的。

4.2 圖像分割技術

圖像的二值化操作將電子元器件在圖像中的位置和區域確定了下來，以這一位置與區域為基礎，進一步執行對原始圖像灰度圖的分割處理。首先，將灰度圖劃分為多個大小為S×T的圖像塊，然后，對各圖像塊作閾值分割處理，閾值計算如公示（3）所示：

在此之后，可以得到全部目標圖像的像素點，它們構成的集合便是目標圖像。

5 圖像降噪與特征提取技術實現

5.1 圖像降噪技術

得到分割后的灰度化圖像之后，需要進一步對該圖像進行降噪處理，首先，選取一個大小為M×M的滑動窗口Ω，基于去噪函數的支持，對其中心像素點p(m,n)的去噪估計值進行計算，之后，將所得值對所述灰度化圖像中對應的像素點灰度值進行替換，可以進一步得到去噪之后的p(m,n)的灰度值。去噪函數如公式（4）所示。

式中各字母表示含義為：

進行灰度化圖像全部像素點的遍歷，去噪估計值構成集合便是去噪之后的圖像。

5.2 圖像特征提取技術

此處，擬以灰度共生矩陣為基礎對圖像的紋理特征進行提取。具體的，在紋理圖像中，在某一特定方向，有一定距離間隔的以對像素灰度表現出來的統計規律，可以很好地將該圖像的紋理特性彰顯出來?；叶裙采仃囈愿怕拭芏群瘮担ㄔ摵瘮祵D像二階組合條件進行評估）為其建立基礎，是一種對圖像的紋理特征進行分析的重要方法，可以描述為對像素的灰度組合分布。矩陣的元素描述有一定距離間隔的一對像素分別具有灰度級i與j的出現概率。兩個像素在δ位置關系下可以生成灰度共生矩陣Pδ，如公示（5）所示：

當有共生矩陣生成時，很多以共生矩陣為基礎的特征便被定義下來，亦得到了相應的驗證。由此一來，便可實現對熵、慣性以及能量等圖像特征的求解，有公式（6）：

概括而言，如果檢測的圖像并沒有任何紋理特征表現出來，其熵值便會近似為零；反之，如果圖像的紋理信息非常豐富，則其熵值會非常大。另外，如果紋理的溝紋非常深，其慣性值會很大，與之相對應的，圖像視覺效果清晰度會很高；反過來，淺溝紋對應著小慣性值以及模糊的圖像視覺效果。

5.3 圖像缺陷檢測技術

系統圖像處理模塊完成對電子元器件特征數據的提取之后，缺陷檢測模塊會進一步從云服務器中對對應電子元器件（此處為電子元器件）可能存在的缺陷數據進行調取，之后，對調取缺陷數據及電子元器件的特征數據進行一一比對，可以明確電子元器件是否有缺陷存在，若是存在缺陷情況，還可進一步明確其缺陷類型?？偟脕碚f，如果滿足公式（7）：

則意味著電子元器件是有缺陷存在的，且應被劃歸至第d類（此處的d指的是缺陷的具體類型，與后面d類缺陷數據相對應）缺陷之中，公式（7）中各字母表示含義分別為：

—第w類電子元器件的第d類缺陷數據的特征向量；—接受檢測的電子元器件的特征數據的特征向量；λ—預先設定的相似度因子。

6 結語

在科學技術日益向前發展的背景下，計算機處理能力同樣在逐漸強化，與之相伴隨，電子元器件的檢測技術發展也越來越多樣化。本文基于提出一種電子元器件缺陷檢測，一般先對外觀缺陷檢測完成后，再對性能參數進行檢測，日常工作中，針對大量的電子元器件需要快速地完成外觀缺陷檢測，本文外觀缺陷檢測利用圖像獲取模塊采集元器件的圖像，之后，經由圖像篩選模塊將質量最佳的圖像篩選出來，對其作進一步處理，接著，結合該圖像將待測元器件類型確定下來，并依據類型對云服務器中預存儲的缺陷數據進行調取，以達到檢測電子元器件缺陷的目的?？偟脕碚f，針對該電子元器件缺陷檢測系統具有方便快捷的優勢，不必對待測元器件特征數據與所有元器件缺陷數據作一一比對，對于缺陷檢測時間的縮短有十分明顯的積極意義，此外，還可以很好地提高元器件缺陷檢測效率，很大地解決了人工識別錯誤率高的問題。