基于图像处理的电子元器件表面缺陷检测技术

电子元器件被广泛应用于各类电路和通信系统中, 其表面特性将直接影响它的性能和品质。如晶振, 其填充材料的几何特性是影响晶振性能的主要原因之一, 而外壳的表面形貌将直接影响填充材料的几何特性。对电子元器件质量的检测包括对内部品质的检测和外部形貌的检测。目前, 常用的内部品质的检测手段有X射线分析和声学扫描显微镜分析等 , 而表面缺陷的检测工作一般依靠人工完成。随着计算机技术的发展, 机器视觉及图像处理技术被广泛应用于表面质量的检测, 如玻壳、铜箔基板和钢板等表面缺陷的检测 。

本研究基于图像处理技术, 以晶振外壳缺陷检测为例, 研究电子元器件表面缺陷的检测技术。

1　检测系统组成

电子元器件外壳一般采用冲压成型, 冲床为自动上料、自动冲压的全自动过程, 可在无人管理情况下连续工作数小时。冲压品质主要由冲压模具来保证, 若冲压模具损坏, 在无人监视情况下, 冲床仍连续作业, 则将造成大量废品。因此本研究采用的检测系统主要是通过抽样检测来间接判断模具的状况, 检测频率不需很高 (数分钟抽检一次), 发现异常则停止冲床工作。晶振外壳缺陷在线抽检系统的总体设计如图1所示, 主要由 PC机以及图像处理软件、图像采集设备、光源照明部分、控制电气装置和机械装置5大部分组成 。

(1)PC机以及软件系统:控制采集设备进行图像采集, 与下位机控制设备通讯, 传送消息, 调度系统资源等, 同时完成图像处理以及缺陷识别和检测功能。

(2)图像采集设备:采集晶振外壳的图像。由于本系统的采样周期较长, 因此对相机成像速度没有特殊要求。采用的摄像号是SVM-208视频数码显微镜, 图像采集卡选用天敏公司生产的高性能模拟图像采集卡10MOONSSDK-2000。

(3)光源和照明装置:本系统要求图像处理单元得到精确的、重复性好的测量结果, 因而照明系统必须保证相当长时间内能够提供稳定的图像输入, 而且为了使照明满足系统的要求, 需要设计特殊形状的光源。本研究选择LED作为系统的光源。由于工业像机中的CCD, 对于红光最为敏感, 在红光下拍出来的图像也比其他色光清楚。因此在工业现场环境下推荐选用红色LED作为系统的光源。

(4)控制部分:完成系统的整体控制和接收系统的检测结果, 监测系统当前状态, 软件通过当前状态来决定采集设备是否拍照, 并控制系统执行机构的动作。

(5)机械装置:调节摄像头和光源, 使系统采集到质量最好的图像。同时辅助控制元件和执行元件完成动作, 便于控制部分对整套系统的协调控制。

2　缺陷表面的获取

以晶振底面图像为例, 本系统获取自然光照射下的24位RGB原始图像如图2所示, 图2(a)和图2(b) 分别为有缺陷的底面朝上、底面朝下图像。图像处理流程如图3所示。

图3 图像处理流程

2.1　颜色模型分析和目标定位

由于本系统所采集的图像中晶振外壳与背景、机械爪的色彩与明度不同, 需将RGB颜色模型图像转换为HSV颜色模型图像。给定一幅RGB图像, 每个 RGB像素和H分量表示为 :

色饱和度分量:

缺陷表面由RGB颜色模型转换得到HSV颜色模型的图像如图4所示。HSV颜色模型图像可以滤除机械爪的色彩、背景的明度以及图像边界, 从而确定晶振外壳在图像中的区域。晶振外壳区域作为前景的像素, 灰度值定为“255”, 其余部分作为背景像素, 灰度值定为“0”, 实现了图像二值化。如图5所示, 二值图像中晶振外壳基本上已经与背景分离出来。由于该处的图像是为接下来的图像分割做准备的, 主要是为了得到晶振内底面和顶面完整的连通区域, 背景中的噪声不影响后续的图像分割结果, 具有完整内底面和顶面的二值图像, 完全符合后续处理要求。

2.2　图像的分割

图像的二值化操作确定了晶振外壳在图像中的位置及区域。基于该位置和区域, 本研究对原始图像灰度化后的灰度图进行分割。首先根据内底面连通区域面积单独分离晶振外壳的内底面, 并确定内底面在图像中的坐标。然后调整连通区域面积值, 将整个晶振外壳从图像中分离出来, 确定晶振外壳在图片中的坐标。最后, 将晶振外壳的内底面从晶振外壳中除去, 得到晶振外壳的边沿图像侧边。本研究分割得到的晶振外壳内底面和顶面如图6所示。

3　缺陷特征的提取

3.1　基于灰度共生矩阵的纹理特征

在纹理图像中, 某个方向相隔一定距离的一对像素灰度出现的统计规律, 能具体反映这个图像的纹理特性。灰度共生矩阵正是建立在用于估计图像二阶组合条件概率密度函数基础上的一种重要的纹理分析方法。描述成对像素的灰度组合分布, 矩阵的元素描述相隔一定距离的一对像素分别具有灰度级i和j的出现概率(频数)。

两像素δ位置关系下生成灰度共生矩阵Pδ:

一旦形成了共生矩阵, 许多基于共生矩阵的特征已被定义并验证 。由此可计算出熵、惯性和能量等纹理特征:

若图像没有任何纹理, 熵值接近为零;若图像充满着纹理信息, 则该图像的熵值最大。纹理的沟纹越深, 则其惯性值越大, 图像的视觉效果越清晰。能量是图像灰度分布均匀性的度量, 从局部区域观察图像的灰度分布, 从图像整体来观察, 纹理较粗, 能量较大。

3.2　缺陷特征的提取

本研究分别选取15个顶底面有缺陷和无缺陷的晶振外壳样品, 运用以上方法计算图像的纹理特征量, 包括熵、惯性和能量, 得到的数据如图7所示。由图7中数据可以发现, 对于底面有缺陷的晶振外壳, 其纹理特征值熵的平均值为96 055, 最大值为 107 190, 最小值为86 975;惯性值的平均值为10 220, 最大值为12 543, 最小值为8 757;由数据得能量的平均值为64 596 092, 最大值为89 395 314, 最小值为 50 611 558。

对于底面无缺陷的晶振外壳, 其纹理特征值熵的平均值为93 274, 最大值为126 982, 最小值为89 543;惯性值的平均值为7 057, 最大值为8 681, 最小值为5 307;能量的平均值为83 721 899, 最大值为 98 216 540, 最小值为 63 084 553。

由以上两组数据分析结果可发现, 两组样品的熵值相差不大, 不能用来识别缺陷, 能量值虽然有所区别但区别不大, 中间也有重合数据, 用来识别缺陷不理想, 而惯性值区别较明显, 中间数据没有重合, 因此可以通过对惯性值的计算来识别所测晶振是否存在表面缺陷。

4　结束语

针对常见的电子元器件表面缺陷的问题, 本研究通过实验分析得出由灰度共生矩阵计算的惯性特征可以作为检测表面缺陷的指标, 惯性值比较适合检测深浅不同的纹理。对100 个样品的检测结果表明, 检测成功率达到91%, 说明该方法可以用于表面缺陷的检测。

随着图像处理技术的发展, 该类检测方法将会得到不断完善和提高, 逐步发展成为具有很好实用性的平面表面缺陷检测方法。由于该方法涉及到光、电和软件等组成部分, 因此在应用过程中, 需要考虑各个环节的影响因素, 逐步提高检测的成功率。