基于图像SURF特征的电路板缺陷自动检测系统.pdf

摘要 随着各种电子产品更新换代的速度越来越快，在生产过程中电路板这一元器件的 缺陷检测越来越重要。目前生产企业多采用光学检查仪器与人工检测相结合的方式， 存在检测成本高，自动化检测过程不彻底的问题。近年来随着计算机图像处理的快速 发展，基于机器视觉对电路板进行缺陷检测成为研究热点，本文针对某生产印制板企 业的实际需求，提出了一种基于图像SURF 特征的电路板缺陷自动检测方法，具有一 定的实际应用价值。具体内容包括： 本文利用摄像头在普通日光灯照射下获取任意角度摆放的电路板图像，针对图像 获取过程中产生的噪声和图像中电路板位置的偏移问题，通过高斯滤波、中值滤波等 方法进行噪声去除，利用霍夫检测直线的方法对图像进行角度倾斜的校正，并根据电 路板背景的不同实现了两种分割方法，最终得到一个较好的图像预处理效果。 本文利用SURF 特征描述子对图像进行特征提取和匹配，针对匹配存在的误差利 用RANSAC 算法进行纠正，最终得出3*3 的仿射变换矩阵，使得仿射变换后电路板 图像有效部分形状变得一致，最后将标准图像与检测图像经灰度拉伸，gamma 变换 和腐蚀膨胀之后对图像相减并二值化，再将二值化部分进一步腐蚀膨胀消除细小误差 后得到电路板缺陷部分。 为了验证本文提出的缺陷检测方法的效果，本文使用OpenCV 开源视觉库，在 Python 语言环境下实现了整个检测的工程化封装，实现了从拍摄到缺陷检测的系统操 作，并对系统的准确性和实时性进行了测试和评估。结果表明，本文提出的基于图像 的电路板缺陷快速检测能够在较短的时间内得到良好的检测效果。 关键词：电路板，缺陷检测，SURF ，机器视觉，特征提取 I 插图索引 图1 本文流程图4 图2 AOI 光源结构 9 图3 AOI 检测实况 9 图4 二值图像 11 图5 灰度图像 11 6 12 图 像素坐标示意图 图7 膨胀示意图 14 图 8 腐蚀示意图 15 图9 SIFT 算法的提取步骤 18 图10 关键点的主方向 19 图11 关键点方向形成特征向量 19 图12 积分图示意20 图13 积分图计算20 图14 高斯滤波加权示意图22 图15 正态分布标准差23 图16 像素点坐标示意图24 图17 权重矩阵计算结果24 图18 像素值加权计算结果24 图19 中值滤波示意图25 图20 常见的电路板26 图2 1 x-y 空间直线表示26 图22 k-b 参数空间直线表示27 图23 极坐标表示27 24 - 28 图 直角坐标系对应距离角度参数空间 图25 共线点在距离-角度空间内相交29 图26 霍夫检测实现图像旋转 30 图27 电路板四个角点 32 图28 不同电路板外形轮廓 32 图29 不同电路板自动分割效果 33 图30 掩膜操作示意图 34 图31 掩膜分割效果 34 V 图32 SURF 流程图 38 图33 各层所用Box Filter 大小示意图39 图34 像素点响应值比对示意图40 图35 Haar Filter 示意图40 图36 确定关键点主方向示意图4 1 图37 生成关键点的描述子示意图4 1 图38 surf 对图像特征点的检测42 图39 RANSAC 算法流程43 图40 RANSAC 找到的直线模型44 图4 1 RANSAC 配准前后比