论文部分内容阅读
随着电子制造技术的发展,电路板上元件贴片安装(Surface Mount Technology,SMT)已广泛采用自动光学检测(Automated Optical Inspection,AOI)技术。目前AOI设备基本都采用统计建模和模板匹配的检测方式,可靠性高,速度快。但每次更换产品型号都需要重新进行统计建模,要通过对人工检测为合格的样本进行统计学习以建立模板,然后进行自动检测。这种建立模板方式耗时且繁琐,所以AOI在小批量多品种的电子制造企业应用效果不好。特别是对IC引脚焊接缺陷的检测,一直是AOI中的技术难点。且随着IC集成度更高,细间距引脚增加,检测难度更大。本文研究了采用深度学习方法,建立深度卷积网络,通过对大量不同型号的IC引脚焊接图像样本进行学习,然后对不同型号IC的引脚焊接缺陷进行有效检测。这样建立了通用方法,对不同型号IC,只需判断引脚位置,即可进行其焊接缺陷的检测,避免了更换产品型号后需要重新统计建模的环节,提高了生产效率。深度学习模型能够直接从输入的图片中提取分类特征,并通过层层卷积得到高层次的抽象特征,找到焊点缺陷图像的共同特征,对于不同类型的IC引脚都能进行准确快速的焊接缺陷检测。通过对贴片生产线采集的IC贴片安装图像进行检测实验,表明本文设计的深度学习方法能够有效地实现IC引脚焊接缺陷检测。另外,本文对AOI检测过程中的Mark点定位,待检测的IC定位及图像预处理问题进行了研究,并进行了创新设计。对于PCB的Mark点定位问题,设计了一种基于亚像素的边缘点分析、曲线迭代拟合、最小化拟合偏差的优化定位算法,进一步提高了Mark点的定位精度,并设计了对比实验,显示该算法对PCB的Mark点定位有更高的准确度。对PCB板上IC器件的位置定位,型号识别,引脚分割等问题进行了研究。结合IC器件的特征,本文提出一种对IC器件快速定位的方法,该方法通过改进的霍夫变换方法对IC器件塑基的边缘点进行快速直线拟合,从而完成对IC器件的定位。通过对比实验,表明该算法能在允许的定位误差范围内,提高定位速度。本文研究的基于深度学习的IC焊接缺陷检测的方法对电子企业的小批量、多型号PCB生产线的AOI检测有较好的应用前景,节省了多型号元件多次统计建模的环节。