随着电子制造行业的发展,焊点检测技术得到了广泛的应用。焊点的质量和可靠性深刻地影响着产品成品的质量和效率,因而,如何提高焊点的质量已成为电子行业的热点问题。近年来,机器视觉作为新兴的检测技术得到广泛的应用,大大提高了检测的正确率和工作效率。但在基于机器视觉的焊点检测过程中仍然存在着两个问题:一是大多数分类器使用简单的欧几里德距离测量特征间的差异作为输入向量。然而,欧氏距离度量不能对已知训练集的数据利用任何统计规律。二是机器视觉中常用的分类算法对非线性样本的分类效果较差,导致误检和漏检等问题。因此,本文以基于机器视觉的电路板焊点缺陷检测为研究背景,以特征提取和分类算法作为理论依据,实现对正常焊锡、多焊锡、少焊锡的焊点进行检测分类,论文的主要工作如下:(1)分析与研究度量学习和分类算法,并对其进行改进。通过对比BP-神经网络法、K近邻法、支持向量机三种算法各自的优越性与实际应用范围,选取K近邻法作为基础分类算法。针对K近邻法中采用的欧氏距离无法利用统计规律,引入度量学习方法对特征进行统计学习,找出数据间的规律,体现不同类别特征的重要程度。并针对非线性分类效果差的问题,通过将样本从低维空间转换到高维空间,实现对K近邻法的改进,最终形成本文的基于大边界的改进K近邻法。(2)电路板图像焊点定位及特征提取。采用工业相机采集电路板焊点图像,并对图像进行自适应中值滤波处理。然后利用基于形状的模板匹配法对图像中的焊点进行定位,根据焊点的特征分布直方图提取特征并进行归一化处理。最后根据焊点特征的分布情况选取能够明显区分焊点种类的特征作为有效特征。(3)构建缺陷检测分类器模型。选取具有代表性的训练样本,提取有效的样本特征并进行归一化处理,作为检测模型的输入。采用基于大边界的改进K近邻法对训练样本的特征进行学习,形成本文的焊点缺陷检测分类器模型,并采用测试样本对模型进行检测。(4)焊点缺陷检测及对比实验。将本文算法与BP-神经网络、K近邻法、支持向量机算法进行焊点检测对比实验。通过对比焊点检测的正确率、误检率和漏检率,以及检测时间,最终得出本文算法可以有效地解决周围噪声和非线性样本分类效果差的问题,同时充分利用特征间的规律,从而达到提高检测的准确率,降低了检测时间。