基于vibe模型的ic元件焊點缺陷檢測方法
【技術領域】
[0001] 本發(fā)明設及數字圖像處理應用領域，特別是設及一種基于VI邸模型的1C元件焊 點缺陷檢測方法。
【背景技術】
[0002] 為了便于下文的描述，首先給出W下名詞解釋：
[0003] VI邸模型；Visual Background Extractor Model,視覺背景提取模型；
[0004] 1C ;Integrated Cir州it,集成電路。
[0005] 印制電路板PCB(PrintedCircuitBoard)缺陷檢測是自動光學檢測（automatic opticalinspection,A0I)應用的一個熱點方向，近年來得到越來越多的關注。目前主要 采用的方式是通過CCD檢測PCB元件的圖像后進行處理從而實現缺陷檢測。實際使用中， 印制電路板遇到的情況非常復雜，CCD采集到的PCB元件圖像往往出現不同程度的變化和 不規(guī)則現象，例如：光照強度不均勻，光照角度改變，CCD攝像頭采集的圖像會有一定角度 的偏轉，元件尺寸越來越小，PCB板內元件密度越來越大等等，該些問題使得PCB焊點缺陷 檢測變得相當困難。而1C元件焊點的尺寸比一般的CHIP元件焊點的尺寸要小的多，虛焊 和正常焊點在圖像上非常相似，該使得1C元件焊點的虛焊檢測一直是缺陷檢測中難W攻 克的難題。
[0006] 現有的較為成熟的對1C元件焊點缺陷的檢測方法大多數為基于特征的方法。該 種方法將缺陷檢測分為兩個步驟；提取特征和分類。在提取特征階段，選擇顏色梯度，區(qū)域 面積，周長，水力半徑等等典型特征；在分類階段，選擇較為成熟的分類器，例如神經網絡， AdaBoost, SVM等等，對提取的特征進行分類。該些方法在CHIP元件焊點取得了較好的應用 效果。但是，由于1C元件焊點尺寸小，焊點密集度大，且虛焊焊點樣本難W收集，使得目前 的基于分類器的方法在1C元件焊點虛焊檢測中難W得到良好的分類效果。另外，在線檢測 方法對時間要求嚴格，神經網絡該些較為成熟的分類器計算量大，難W符合在線監(jiān)測在時 間上的要求。同時雖然也有人提出基于單高斯模型的像素點建模的1C元件焊點檢測方法， 該種方法的檢測速度快，但是準確率低，無法在實際生產中應用?？偟膩碚f，目前的檢測方 法無法有效、準確、快速地檢測出1C元件的焊點缺陷。

【發(fā)明內容】

[0007] 為了解決上述的技術問題，本發(fā)明的目的是提供基于VIBE模型的1C元件焊點缺 陷檢測方法。
[000引本發(fā)明解決其技術問題所采用的技術方案是；
[0009] 基于VIBE模型的1C元件焊點缺陷檢測方法，包括：
[0010] S1、從訓練樣本中獲取一張1C焊點訓練圖片后，初始化視覺背景提取模型的模板 個數和模板值，同時建立頻率分布圖；
[0011] S2、從訓練樣本中獲取新的1C焊點訓練圖片，對視覺背景提取模型W及頻率分布 圖進行更新；
[0012] S3、判斷訓練樣本是否已訓練完畢，若是則計算訓練樣本的缺陷度闊值，否則返回 執(zhí)行步驟S2;
[0013] S4、采集待檢測1C元件焊點的圖片后，結合訓練好的視覺背景提取模型和頻率分 布圖計算該圖片的缺陷度；
[0014] S5、將該圖片的缺陷度與訓練樣本的缺陷度闊值進行比對后獲得1C元件焊點的 檢測結果。
[0015] 進一步，所述步驟S1，包括；
[0016]S11、從訓練樣本中獲取一張1C焊點訓練圖片；
[0017] S12、將視覺背景提取模型的模板個數初始化為N，其中N為自然數且3<N<20 ;
[001引S13、針對當前訓練圖片的每一個像素點，在其半徑為R的鄰域中隨機選取N個像 素點的值作為該像素點的視覺背景提取模型的模板值，其中20《R《50;
[0019] S14、建立一個大小為H*W的矩陣并將該矩陣的所有元素值初始化為1后，將該矩 陣作為頻率分布圖，其中H表示訓練圖片的高度，W表示訓練圖片的寬度。
[0020] 進一步，所述步驟S2,包括：
[0021] S21、從訓練樣本中獲取新的1C焊點訓練圖片后，針對該訓練圖片的每個像素點， 判斷是否滿足下式，若是，則判斷該像素點為背景點，否則判斷該像素點為前景點：
[002引#{SK(Pm(x, y))n柄，口2,. . .PnH > #min
[0023] 其中，Pm(x，y)表示位置為（x，y)的像素點，SE(Pm(x，y))表示該像素點的半徑為R 的鄰域，柄，P2,...PJ表示該像素點的視覺背景提取模型的模板值，#min表示最小匹配個 數；
[0024]S22、對該像素點進行二值化賦值，并更新視覺背景提取模型和頻率分布圖；
[0025]S23、遍歷所有像素點后獲得該訓練圖片的二值化圖像。
[0026] 進一步，所述步驟S22,包括：
[0027]S221、若該像素點為背景點，則將其賦值為0后執(zhí)行步驟S22-1，反之將其賦值為 255后執(zhí)行步驟S22-2;
[002引 S22-1、有1/16的概率更新該像素點自身的視覺背景提取模型，同時有1/16的概 率采用該像素點的值更新其鄰近像素點的視覺背景提取模型；
[0029] S22-2、將該像素點對應位置的頻率分布圖的值加1，同時更新該像素點自身的視 覺背景提取模型。
[0030] 進一步，所述步驟S3中所述計算訓練樣本的缺陷度闊值，其具體為：
[0031] 根據下式分別計算訓練樣本的每個訓練圖片的缺陷度并獲取最大值作為訓練樣 本的缺陷度闊值：
[0032]
【主權項】
1. 基于VIBE模型的IC元件焊點缺陷檢測方法，其特征在于，包括： 51、 從訓練樣本中獲取一張 IC焊點訓練圖片后，初始化視覺背景提取模型的模板個數 和模板值，同時建立頻率分布圖； 52、 從訓練樣本中獲取新的IC焊點訓練圖片，對視覺背景提取模型以及頻率分布圖進 行更新； 53、 判斷訓練樣本是否已訓練完畢，若是則計算訓練樣本的缺陷度閾值，否則返回執(zhí)行 步驟S2 ; 54、 采集待檢測IC元件焊點的圖片后，結合訓練好的視覺背景提取模型和頻率分布圖 計算該圖片的缺陷度； 55、 將該圖片的缺陷度與訓練樣本的缺陷度閾值進行比對后獲得IC元件焊點的檢測 結果。
2. 根據權利要求1所述的基于VIBE模型的IC元件焊點缺陷檢測方法，其特征在于，所 述步驟Sl，包括： 511、 從訓練樣本中獲取一張 IC焊點訓練圖片； 512、 將視覺背景提取模型的模板個數初始化為N，其中N為自然數且3〈N〈20 ; 513、 針對當前訓練圖片的每一個像素點，在其半徑為R的鄰域中隨機選取N個像素點 的值作為該像素點的視覺背景提取模型的模板值，其中20 < R < 50 ; 514、 建立一個大小為H*W的矩陣并將該矩陣的所有元素值初始化為1后，將該矩陣作 為頻率分布圖，其中H表示訓練圖片的高度，W表示訓練圖片的寬度。
3. 根據權利要求2所述的基于VIBE模型的IC元件焊點缺陷檢測方法，其特征在于，所 述步驟S2,包括： 521、 從訓練樣本中獲取新的IC焊點訓練圖片后，針對該訓練圖片的每個像素點，判斷 是否滿足下式，若是，則判斷該像素點為背景點，否則判斷該像素點為前景點： #{SK(pm(x，y)) Π {ρηΡυ.,.Ρη}}彡 #min 其中，pm(x，y)表示位置為（x，y)的像素點，sK(pm(x，y))表示該像素點的半徑為R的鄰 域，{Pl，p2,... pn}表示該像素點的視覺背景提取模型的模板值，#min表示最小匹配個數； 522、 對該像素點進行二值化賦值，并更新視覺背景提取模型和頻率分布圖； 523、 遍歷所有像素點后獲得該訓練圖片的二值化圖像。
4. 根據權利要求3所述的基于VIBE模型的IC元件焊點缺陷檢測方法，其特征在于，所 述步驟S22,包括： S221、若該像素點為背景點，則將其賦值為0后執(zhí)行步驟S22-1，反之將其賦值為255后 執(zhí)行步驟S22-2 ; S22-1、有1/16的概率更新該像素點自身的視覺背景提取模型，同時有1/16的概率采 用該像素點的值更新其鄰近像素點的視覺背景提取模型； S22-2、將該像素點對應位置的頻率分布圖的值加1，同時更新該像素點自身的視覺背 景提取模型。
5. 根據權利要求3所述的基于VIBE模型的IC元件焊點缺陷檢測方法，其特征在于，所 述步驟S3中所述計算訓練樣本的缺陷度閾值，其具體為： 根據下式分別計算訓練樣本的每個訓練圖片的缺陷度并獲取最大值作為訓練樣本的 缺陷度閾值：
上式中，Em表示訓練圖片的缺陷度，m表示訓練樣本的訓練圖片個數，f(x，y)表示頻率 分布圖，b(x，y)表示訓練圖片的二值化圖像。
6. 根據權利要求2所述的基于VIBE模型的IC元件焊點缺陷檢測方法，其特征在于，所 述步驟S4,包括： 541、 采集待檢測IC元件焊點的圖片后，針對該圖片的每個像素點，判斷是否滿足下 式，若是，則判斷該像素點為背景點，否則判斷該像素點為前景點： #{SK(pm(x，y)) Π {ρηΡυ.,.Ρη}}彡 #min 其中，pm(x，y)表示位置為（x，y)的像素點，sK(pm(x，y))表示該像素點的半徑為R的鄰 域，{Pl，p2,... pn}表示該像素點的視覺背景提取模型的模板值，#min表示最小匹配個數； 542、 對該像素點進行二值化賦值； 543、 遍歷所有像素點后獲得該圖片的二值化圖像； 544、 根據下式計算該圖片的缺陷度：
上式中，Em表示圖片的缺陷度，m表示訓練樣本的訓練圖片個數，f(x，y)表示頻率分布 圖，b(x, y)表示。
7. 根據權利要求1所述的基于VIBE模型的IC元件焊點缺陷檢測方法，其特征在于，所 述步驟S5,其具體為： 判斷該缺陷度是否大于訓練樣本的缺陷度閾值，若是，則判斷該IC元件焊點為虛焊焊 點，反之，判斷該IC元件焊點為正常焊點。
8. 根據權利要求3所述的基于VIBE模型的IC元件焊點缺陷檢測方法，其特征在于，所 述最小匹配個數的取值范圍為：2彡#min彡5。
【專利摘要】本發(fā)明公開了基于VIBE模型的IC元件焊點缺陷檢測方法，包括：從訓練樣本中獲取一張IC焊點訓練圖片后，初始化視覺背景提取模型的模板個數和模板值，同時建立頻率分布圖；從訓練樣本中獲取新的IC焊點訓練圖片，對視覺背景提取模型以及頻率分布圖進行更新；判斷訓練樣本是否已訓練完畢，若是則計算訓練樣本的缺陷度閾值；采集待檢測IC元件焊點的圖片后，結合訓練好的視覺背景提取模型和頻率分布圖計算該圖片的缺陷度；將該圖片的缺陷度與訓練樣本的缺陷度閾值進行比對后獲得IC元件焊點的檢測結果。本方法檢測速度快，而且準確率高，可以有效地檢測出IC元件焊點的虛焊缺陷，可廣泛應用于IC元件焊點缺陷檢測領域中。
【IPC分類】G06T7-00
【公開號】CN104867145
【申請?zhí)枴緾N201510250926
【發(fā)明人】蔡念, 林健發(fā), 葉倩, 梁永輝, 王晗, 凌永權
【申請人】廣東工業(yè)大學
【公開日】2015年8月26日
【申請日】2015年5月15日