论文部分内容阅读
随着微电子技术的不断发展,电子元件微小化、细密化的发展趋势,给炉后焊点的质量检测提出了更高要求。传统人工目检的方法已越来越难以满足实际生产的要求,而基于视觉的自动光学检测(Automatic Optical Inspection, AOI)系统能有效提高印刷电路板(Printed Circuit Board, PCB)焊点检测的速度和准确率,并及时反馈信息,逐渐成为表面贴装技术(Surface Mounted Technology, SMT)生产中主要的焊点检测手段。但是,现有的AOI系统在实用中仍然存在误报多、检测速度慢、可操作性不强等问题。为了提高AOI系统的自动化程度,本文深入研究了智能化的AOI算法,主要研究内容如下:(1)在对现有焊点检测算法进行总结和分析的基础上,提出了基于特征统计分析的焊点检测算法的框架。在这种算法中,焊点检测分为训练阶段和检测阶段。在训练阶段,对焊点各个区域的一系列的特征进行评价和选择,优选出分类能力最强的特征和分类器,并获得特征测试参数。在检测阶段,每个检测区域根据训练结果提取相应的关键特征,并输入分类器得到分类结果,最后根据各检测区域的测试结果综合决策得到具体的焊点缺陷类型。与现有算法相比,这种算法可减少人为因素的影响,提高了AOI检测的自动化程度。(2)对焊点的特征进行提取,包括颜色特征、形状特征、位置特征等。针对这些特征分类能力不强的现状,引入了双向二维线性判别特征。并结合焊点检测的特点,对这种特征进行改进,对样本和类进行加权,提出了加权的双向二维线性判别方法。为了减少定位误差对检测性能的影响,提出在训练阶段生成带有定位误差的虚拟样本,并将其与原始样本放在一起训练,从而提高这种特征对误定位的鲁棒性。(3)现有特征选择与参数设定依赖人的经验,因此AOI的检测性能并不稳定。引入AdaBoost算法进行特征选择与特征参数设定。针对AdaBoost算法的不足,并结合焊点检测的特点,对AdaBoost算法进行了以下三点改进:首先,使用了双阀值的弱分类器,提高了弱分类器的分类精度;其次,定义了信息相关度并用来对特征进行评价,减少了选择出的特征之间的冗余信息;最后,提出了基于Boundary-SMOTE的样本过抽样算法,消除了学习样本的不平衡。使用改进的AdaBoost算法可实现焊点特征的自动选择和特征参数的自动获取。(4)提出了快速焊点检测缺陷诊断策略。针对实际在线检测时样本分布不平衡的特点,提出了二次分类法。首先,使用检测速度快的图像对比算法进行初检,将占焊点绝大多数的正常焊点排除;然后,使用图像特征统计分析算法对剩余焊点进行精检,得出焊点具体缺陷类型。为了进一步提高检测速度,引入决策树方法,建立了基于CART的焊点缺陷二叉决策树,减少了检测过程中的运算量。改善后的缺陷诊断方法在不改变检测精度的前提下,提高了PCB总体检测速度。(5)提出了基于增量聚类的焊点智能检测算法。以马氏距离为度量方法、使用最小距离分类器对焊点进行聚类,建立焊点初始分类器。为了消除类重叠,对类进行不断细分,直到不同类不存在重叠为止,建立的分类器可实现对多批次焊点的检测。当有新的类型的样本出现时,使用增量聚类的方法对新样本进行聚类。为了提高增量聚类的效率,在旧样本中选择一定数目的代表样本与新样本一起用于训练。增量聚类方法的使用,使AOI系统可根据工艺条件自动调整相关检测参数,提高了AOI对环境变化的自适应能力。最后,在总结全文内容的基础上,本文还对发展智能化的AOI算法未来的研究重点和研究方向进行了展望。