论文部分内容阅读
印刷电路板(Printed Circuit Board,PCB)中的导线承担着电路的绝大部分电气连接,因此,导线检测是PCB检测中的关键环节,检测质量的好坏直接影响着故障位置和故障原因的准确判断。近年来,锥束CT(Cone Beam Computed Tomography,CBCT)成像技术为PCB自动检测提供了一种基于图像的手段,具有无损、高效、高分辨率等的特点,受到了广泛关注。因此,研究PCB CT图像导线检测算法具有重要的实际价值。然而,由于金属伪影、散射噪声等各种干扰的影响导致PCB CT图像质量下降,产生灰度不均匀等问题,严重破坏了导线的边缘结构;由于PCB的电路连接复杂多样,使得导线具有迂回曲折、局部分布密集等的特点;由于大量过孔、焊盘、覆铜经常伴随导线同时出现,使得检测环境复杂;并且导线这类线型目标的检测一直是计算机视觉研究中的一个难点。针对上述问题,为了提高导线检测的定位精度和识别精度,本课题在人类视觉注意机制的启发下,考虑底层特征和高层特征的特点,对导线检测进行了深入研究,取得的主要创新性成果有以下三个方面:1.针对PCB CT图像存在的严重灰度不均匀问题,提出了基于边缘保持超像素分割(Edge-Preserved Graph-based Segmentation,EPGS)的导线检测算法。考虑到超像素分割采用底层特征具有较好的边缘贴合度,利于导线的精确定位,首先采用基于保持边缘滤波的类顶帽变换提高PCB CT图像导线和周围背景的类间差异,改善超像素分割算法对导线边缘结构的保护;然后通过线型特征检测出属于导线区域的超像素,并采用亮度特征进一步降低误检率。实验结果表明,该算法在PCB CT图像严重灰度不均匀情况下能够取得较好的检测结果,对导线边缘具有较好的保持效果。2.针对PCB CT图像存在的要素局部密集多样化问题,提出了基于迁移学习的全卷积网络(Fully Convolutional Network,FCN)导线检测算法。考虑到卷积神经网络(Convolutional Neural Network,CNN)在大规模标注数据集上通过训练能够提取出PCB要素的高层特征,利于导线的精确识别,首先在PCB CT图像局部区域数据集上训练PCB要素的CNN分类模型,解决PCB CT图像语义分割数据集规模较小的问题;然后采用迁移学习在小规模语义分割数据集上微调训练FCN语义分割模型,从语义分割结果中提取出属于导线的区域从而完成导线检测。实验结果表明,该算法在PCB CT图像要素局部密集多样化情况下能够取得较好的检测结果,相对于传统非学习方法识别精度大幅提升。3.为了兼顾导线检测对定位精度和识别精度的较高要求,提出了基于自底向上和自顶向下视觉注意机制的导线检测算法。考虑到人对外部视觉刺激首先采用自底向上的模式通过视觉皮层处理进行全局性识别和理解,然后在语义理解的基础上采用自顶向下的模式对视觉刺激进行局部细致分析,另外考虑到超像素分割使用底层细节特征在定位精度上的优势与FCN使用高层语义特征在识别精度上的优势,首先采用自底向上的模式通过FCN得到对图像的语义理解;然后按照自顶向下的模式把高层语义理解信息引入底层图像中指导EPGS算法生成更好的超像素;之后采用超像素的局部一致性约束FCN输出的高层语义概率图像,得到更好的语义分割结果;最后构造导线概率能量项,通过图割算法进行后处理优化进一步提高导线检测质量。实验结果表明,该算法通过自底向上和自顶向下模式的融合以及底层特征和高层特征的融合具有很高的定位精度和识别精度。