基于機器視覺的電子元器件檢測系統設計

張蘇友

(張家港開放大學 江蘇張家港 215625)

現階段，我國電子元器件生產主要以自動化生產為主，但當前傳統檢測方式已經無法滿足現階段的檢測需求。在此過程中，機器視覺的檢測優勢得到了展示，相關人員應注重以機器視覺為基礎，建立新的電子元器件檢測系統，在強化系統實用性的同時，展示出更高的電子元器件檢測系統應用價值。

1 機器視覺與電子元器件概述

機器視覺是一種人工智能技術，是現代計算機視覺領域的一個重要分支，旨在使用計算機模擬人類視覺系統實現對圖像和視頻的理解和處理。機器視覺技術主要涉及數字圖像處理、模式識別、深度學習等多種技術，機器視覺可以對數字圖像和視頻進行分析、識別、分類、跟蹤，完成各種任務。機器視覺的應用非常廣泛，包括工業自動化、無人駕駛汽車、智能安防、醫療診斷、安防監控、醫學影像分析、智能制造、虛擬現實、視頻會議等。隨著深度學習技術的發展，機器視覺取得了巨大進展，特別是在圖像分類和目標檢測方面的表現已經超越了人類水平。從實際應用角度來說，機器視覺可通過應用機械工程技術、圖像處理技術來替代人類肉眼完成測量和判斷任務。機器視覺系統的核心是計算機視覺技術，通過攝像頭和其他傳感器來獲取圖像和視頻數據，然后使用復雜的數學算法來分析和處理圖像、視頻數據。計算機視覺技術包括特征提取、圖像分割、目標檢測和跟蹤、三維重建等多個方面。模式識別技術是機器視覺的另一個重要組成部分，它使用機器學習算法來識別和分類圖像中的對象與特征。換句話說，機器視覺系統主要是通過圖像攝取裝置等產品，獲得更加完善的目標信息，之后將這些信息轉變為圖像信號，便于圖像處理系統對其進行處理，在明確圖像信息特征的同時，對設備進行有效控制。

電子元器件是電子元件和電子器件的總稱，同時也是電子元件中的重要組成內容，常見的電子元器件類型有散熱器、連接器等[1]。

2 基于機器視覺的電子元器件檢測系統設計方案

系統設計方案的具體框架結構如圖1所示。

圖1 電子元器件檢測系統總體框架圖

實際操作方面，工作人員首先要了解軟件中包含的視覺檢測算法與視覺檢測軟件內容，其中，常見的軟件界面有元器件信息、圖像顯示等。當用戶進入軟件界面后，能夠執行文件信息提取任務，此時，相機等設備正常啟動，維護圖像采集工作的順利開展。針對圖像信息的處理，工作人員可依靠視覺檢測算法進行，做好圖像匹配工作，了解最終的檢測結果。另外，檢測系統硬件構成內容主要涉及機器人、相機、鏡頭等，機器人在工作時，主要包括的自由度數量為3個，對應的X軸和Y軸行程數值均為540 mm。針對電子元器件檢測系統建設，機器人控制形式主要是伺服電機控制，依靠LED光源與前景光照明形式，保證系統的穩定運轉。

3 系統細節設計內容

基于機器視覺的電子元器件檢測系統檢測操作，可根據采集圖像質量分析進行。如果圖像對應的標準為PCB，檢測系統往往會直接將標準信息輸入其中，提取具體的SURF 特征，并完成特征點匹配與結果輸出任務。

本文中的PCB指的是印刷電路板上的電子元器件布局圖。對于電子元器件檢測系統來說，PCB 圖像是檢測對象的一種，通過對PCB圖像進行處理，可以實現對電子元器件的檢測和識別。操作人員可以將電子元器件設計布局圖設置為PCB。

SURF是一種計算機視覺算法，全稱為Speeded Up Robust Features，SURF 是一種用于特征提取和匹配的算法。SURF 算法的主要優點是在圖像中快速檢測和描述特征，即使在存在旋轉、縮放和光線變化的情況下也能保持魯棒性。SURF 算法的基本思想是在圖像中尋找具有獨特性、不變性和可重復性的局部特征點，然后將這些特征點描述為SURF 特征向量，用于圖像匹配和目標識別等應用。

如果是PCB 待測圖像，系統往往會預先開展待測圖像預處理，制定具體的元器件感興趣區域（Region of Interest，ROI）框，之后執行SURF特征提取等操作。因此，在系統設計方面，相關人員應重點關注圖像預處理設計以及點定位設計等內容[2]。

ROI是指在圖像或視頻中操作人員所感興趣的區域。ROI 可以是任何形狀，可以是矩形、圓形、多邊形等。ROI通常用于圖像處理、計算機視覺、醫學影像等領域，用于提取圖像中重要的信息和特征，從而實現圖像的分析和處理。

在機器視覺中，SURF 和ROI 通常結合使用。例如：對于圖像中的一個感興趣區域，可以使用SURF算法提取特征點，并將這些特征點描述為SURF 特征向量。然后，可以使用這些特征向量進行目標識別、圖像匹配等應用。

另外，ROI還可以用于圖像分割，將圖像分成不同的區域，然后對每個區域進行SURF特征提取和描述，從而實現更精細的圖像處理和分析。在電子元器件檢測系統中，ROI框通常是由操作人員手動設計的，用于指定需要檢測的元器件區域。

在設計ROI 框時，操作人員需要根據實際情況考慮元器件的大小、形狀、數量、位置等因素，以確保檢測的準確性和效率。在電子元器件檢測系統中，ROI 框通常是動態的，即隨著檢測過程的進行，ROI框的位置和大小會隨著元器件的位置和數量變化而變化。這就需要系統能夠實時響應并調整ROI 框的位置和大小，以確保檢測結果的準確性和穩定性。

3.1 圖像預處理

通常，傳送帶與相機之間往往會產生相對運動關系，受此影響，圖像運動模糊問題難以規避，元器件檢測工作也很難正常進行。針對上述問題的處理，常見方式有RGB色彩空間去除與HSV色彩空間去除等。

RGB色彩空間是一種基于紅、綠、藍三原色的顏色模型，它是最常見的色彩空間。在RGB空間中，每個像素的顏色由紅、綠、藍3個分量組成，分別用一個8位二進制數表示，取值范圍為0～255。RGB色彩空間去除就是將圖像中的某些顏色去除，使其不再顯示。方法是將要去除的顏色的RGB值設為0，即將其在圖像中的像素值設為（0，0，0）。這樣，圖像中原本顯示該顏色的像素就會變成黑色，從而實現去除該顏色的效果。

RGB 色彩空間去除的優點是簡單易懂，但缺點是去除的效果可能不夠精確，因為RGB空間中的顏色是由3 個分量組成的，去除其中一個分量并不能完全去除該顏色。在電子元器件檢測中，RGB 色彩空間可以用來去除背景干擾，即將背景與元器件分離。這是因為元器件通常具有特定的顏色，而背景不同，可以通過在RGB 色彩空間中選擇合適的閾值，將背景顏色去除，保留元器件顏色，從而實現背景與元器件的分離。

HSV 色彩空間是一種基于色相（Hue）、飽和度（Saturation）、亮度（Value）3個參數的顏色模型，通常用于圖像處理中的顏色分析和顏色選擇。HSV色彩空間能夠更好地反映人類視覺感受。在HSV空間中，色相（Hue）表示顏色的種類，取值范圍為0～360；飽和度（Saturation）表示顏色的純度，取值范圍為0～1；亮度（Value）表示顏色的明暗程度，取值范圍為0～1。

HSV 色彩空間去除就是將圖像中的某些顏色去除，使其不再顯示。方法是先將圖像轉換到HSV空間，然后將要去除的顏色的色相、飽和度、亮度值設為0，即將其在圖像中的像素值設為（0, 0, 0）。這樣，圖像中原本顯示該顏色的像素就會變成黑色，從而實現去除該顏色的效果。HSV色彩空間去除的優點是可以更精確地去除某種顏色，因為HSV空間中的顏色是由3個參數組成的，可以更精細地控制顏色的去除；缺點是需要進行顏色空間轉換，計算量相對較大，處理速度可能較慢。

在電子元器件檢測中，HSV 色彩空間可以用來提取元器件的輪廓。這是因為在HSV色彩空間中，元器件的輪廓通常具有較高的亮度和飽和度，而背景的亮度與飽和度較低，可以通過設置合適的閾值，將元器件輪廓提取出來。

利用RGB色彩空間開展各個分量的模糊化估算，能夠讓模糊效果得到清晰化改善。反觀RGB彩色模型應用，常見顏色通道類型有紅色、綠色和藍色，從這里也能夠看出，RGB彩色空間代表3個坐標軸，倘若各坐標軸數值為零圖像，其對應顏色為黑色，如果3個坐標軸的值為255，證明圖像為白色。另外，純灰度模型在RGB空間中的表現形式，主要是一條由黑到白的直線。

相比之下，HSV色彩空間優勢十分明顯，能夠在圖像處理方面呈現出更大作用，所以說，相關工作人員應注重在檢測系統中設計基于HSV 色彩空間運動模糊去除算法。所謂HSV色彩空間，主要指直觀特性構件中的顏色空間，常見參數內容有飽和度、色調等?？v觀整個HSV色彩空間運動模糊去除算法應用，相關人員需要做好基于邊緣檢測的Radon估計圖像模糊角度設定，依靠微分子相關測量，明確圖像模糊尺寸數值，之后利用濾波器將圖像中的運動模糊問題解決，提升圖像的清晰程度[3]。

3.2 MRAK點定位

PCB 板內部涉及一些MARK 點，當這些點位的實際位置得到明確后，圖像處理效果能夠進一步提升。因此，該檢測系統設計工作者可依靠Hough 圓變換檢測算法，將MARK 點的位置展示出來。Hough 圓變換檢測算法的應用主要是將圖像內特定曲線區域與參數空間的點連在一起，為后續圖像解析工作開展創造有利條件?？傮w來說，該系統應用Hough 圓檢測的難度極高，相關人員應做好該算法改進操作。首先，執行相對輸入圖像操作，制訂具體的高斯濾波處理計劃，之后實現圖像的降采樣操作。其次，依靠Sobel 算子，實現對圖像邊緣信息的獲取，提升圖像邊緣清晰度。再次，明確圖像寬度和高度數值，在檢測半徑確定后，相關參數的取值范圍也能得到相應展示。最后，相關人員應根據實際情況，了解領域半徑內部的峰值檢測內容?？傮w來說，在Hough圓檢測幫助下，定位圓檢測效率能夠得到進一步提升。

3.3 ROI框制作

工作人員可根據Hough圓檢測結果，明確圓心位置所在，建立相應坐標系內容。為此，設計人員應該在檢測系統中應用AD軟件，將PCB元器件坐標文件和封裝報告輸出，并根據像素長度與物理長度等數值，了解電子元器件在像素坐標的具體位置所在，之后根據電子元器件尺寸信息，建立ROI框。制作時，相關人員應將坐標變換關系導入其中，其中還涉及了PCB文件與坐標、尺寸轉換等內容。ROI框繪制流程見圖2[4]。

圖2 ROI框繪制流程圖

3.4 檢測算法

受很多限制因素影響，技術人員只能依靠基于特征信息的匹配算法，執行具體的電子元器件檢測任務。但從信息技術發展角度來說，工作人員可依靠尺度不變特征匹配算法，且該算法在圖像旋轉方面不會發生魯棒變化。后續，相關技術工作者可針對尺度不變特點，開展匹配算法改良操作，打造新的加速穩健特征算法，提升匹配準確程度與速度。相較之下，加速穩健特征算法下的魯棒性計算優勢更加明顯。實際設計任務執行時，設計者首先可針對具體像素點執行高斯濾波處理計劃，打造具體的像素點矩陣。其次，制訂積分圖像和盒子濾波計劃。從加速穩健特征算法應用角度來說，積分圖像能夠將二階高斯微分模型卷積，轉變為具體的圖像加減形式。反觀盒子濾波模板，構成上主要涉及多個矩形區域，研究人員可通過同一數值，完成矩形區域填充操作，使計算時間大幅縮短。再次，建立尺度空間。要想讓圖像尺寸始終處于穩定狀態，圖像尺寸空間建設顯得尤為重要，以不同尺度為基礎，了解圖像特征點的具體情況。一般來說，在加速穩健特征算法尺度空間之中，不同空間內部涉及4個濾波模板，但相鄰模板的尺寸數值存在很大的差異。與此同時，加速穩健特征算法應用上，同組圖像往往會呈現出相同尺寸，但模糊程度上略有不同，不同組圖像則對應不同的模糊程度與尺寸。最后，執行特征點匹配任務，在此過程中，相關人員應根據具體的比值情況，確定匹配性度量內容，如果比值在閾值之下，證明匹配操作不存在任何問題。

4 基于機器視覺的電子元器件檢測系統試驗

4.1 圖像匹配測試

實際測試工作開展過程中，相關設計工作者應根據加速穩健特點算法，實現對不同電子元器件匹配性測試。在此過程中，設計人員可借助檢測系統，執行具體的SOP 封裝芯片與QFP 封裝芯片等電子元器件檢測，后續做好檢測結果的梳理。從具體分析結果中能夠了解到，加速穩健特征算法在圖像匹配性測試方面，能夠呈現出良好的應用效果，對應的匹配準確度能夠保持在90%左右[5]。

4.2 加速穩健特征算法魯棒性測試

設計人員不僅需要執行圖像匹配測試操作，還要保證光照、旋轉等因素的合理性，讓整個加速穩健特征算法能夠在魯棒性測試中呈現出良好的應用效果。從具體試驗結果中能夠看出，加速穩健特征算法在光照、縮放等條件下所呈現出的魯棒性良好，對應的匹配準確度超過95%。

5 系統設計注意事項

5.1 注意相關規章制度內容建設

電子元器件檢測系統的建設，主要是為電子元器件檢測工作開展提供支持，此過程屬于是電子元器件檢測過程中的重要環節之一。相關管理者應提升對電子元器件檢測制度建設的重視程度，制定具體的電子元器件檢測安全制度內容，明確參與其中的各級管理者與工作人員的職責所在，依靠獎罰機制建設，激發其工作熱情。只有這樣，整個檢測系統設計才能做到責任到人，解決安全管理中存在的各種問題。

5.2 注重相關工作人員的培訓和教育

基于機器視覺的電子元器件檢測系統設計，對工作人員的個人能力提出了較高要求，這也是維護電子元器件檢測系統有序發展的基礎保障之一?，F階段，一些工作人員個人專業能力有限，工作責任心不強。受人才匱乏的影響，新的技術很難得到研發和應用。因此，相關部門應提升工作人員培訓教育力度，引入更多社會面專業人才。相關人員應了解該系統設計要領和安全規范的具體內容，強化自身的電子元器件檢測意識，提升責任心，從而促進企業健康發展[6]。

6 結語

電子元器件檢測工作的開展具有積極意義，除了能使企業了解電子元器件質量情況外，還能讓相關產品質量得到合理維護。因此，相關部門和企業應提升對電子元器件檢測工作開展的重視程度，建立完善的檢測系統。截至目前，基于機器視覺的電子元器件檢測系統建設模式極為常見，能夠進一步提出穩健特征算法在檢測領域中的應用，提升主體檢測效率。