基于光线重排的印制电路板高速扫描成像迭代去模糊方法研究

自动光学检测(automated optical inspection,AOI)相机运动速度过高,拍摄印制电路板(printed circuit board,PCB)图像会产生严重模糊。如能正确恢复因此而产生的退化,可提高相机的运动速度,进而提高AOI的检测效率。受代数迭代重建算法(algebraic reconstruction technique,ART)启发,提出一种基于光线重排的图像非盲去模糊算法。该方法在模糊核已知的情况下,基于快速迭代收缩阈值算法(fast iterative shrinkage thresholding algorithm,FISTA)迭代重建算法,运用Nestrov加速和光线重排提高了迭代收敛速度,运用数据正则抑制图像的各类加性噪声和伪影,较好地重建出原本的清晰图像。结果表明,该方法对噪声具有较好的抑制能力,对AOI相机运动曝光引起的严重模糊,较常用的传统逆滤波方法具有更好的图像恢复效果。

三维自动光学检测设备CFRP光学系统挂架的制备及固有频率分析

自动光学检测(AOI)设备是常用于检测印刷电路板(PCB)表面焊接缺陷的仪器,光学系统挂架的振动影响其检测精度和效率。为了提高AOI设备精度和效率,采用碳纤维复合材料(CFRP)代替铝合金设计制作挂架,并通过ABAQUS有限元软件分别对CFRP挂架和铝合金挂架进行建模,计算其固有频率和振型。对CFRP挂架和铝合金挂架进行敲击实验,实验结果与仿真结果基本相符,误差小于16%。相比于铝合金挂架,CFRP挂架的1阶固有频率增加了8.51%。最后对两种挂架进行高速成像检测实验,结果表明装备CFRP挂架的AOI设备成像精度更高,稳定性更好,效率更快。

电子元器件缺陷检测模型的自动训练系统

深度学习方法可提高AOI的速度和精度,但因实际工业生产中AOI场景多变,模型需不断更新以保证性能,耗时长,人力成本高。为了提高实际AOI中深度学习模型的迭代效率,研发了一套面向PCBA贴片电子元器件的缺陷检测模型自动训练系统,对常见的四类电子元器件(Chip、IC、SOT、排插)所需的缺陷检测模型实现了自动训练,自动训练过程分为自动数据增强、自动调参与自动部署3个部分。实验结果表明,该系统自动训练得到的模型性能总体优于人工手动训练的模型,相较人工手动训练,训练耗时缩短36%~42%,整体准确率提升1.3%~4.1%。目前该系统已经完成测试,自动训练出的模型能满足实际AOI的检测要求,有效提高了模型迭代速度,减少了人力成本,具有较好的应用前景。

一种射频芯片检测中的邦球邦线识别方法

针对引线键合效果的判定,本文提出了一种基于AI的AOI检测射频芯片引线键合效果的邦球邦线识别方法。该方法根据邦球邦线识别任务特点,改进了Mask R-CNN中特征金字塔层先验框生成机制,同时引入了基于碰撞检测的数据增强方式,提升了网络性能和效率,降低了人工标注成本。结果表明,改进后的Mask R-CNN模型可获取射频芯片中邦球和邦线的准确分割位置,mAP为85.23%,mIoU为71.27%,单幅射频芯片图像推理耗时约为1.168 s,基本满足生产中对于射频芯片装配精度以及速度的要求。通过本方法分割出邦球邦线,可辅助引线键合效果判断,在一定程度上提升了效率降低了人工成本。

一种基于AI的Chip类元件AOI自动复判方法

贴片元件AOI自动复判可提高检测的直通率和精度,降低人工目检带来的时间与经济成本。Chip元件作为PCB电路贴片元件中的最常用元件,其错误类型繁多,包括焊接的少锡、多锡、缺焊、水平与垂直偏移,以及本体的缺件、错件等问题。针对Chip元件,提出了一种基于AI的AOI复判检测方法,包括了本体与焊盘的定位、本体颜色或丝印的检测和元件焊接检测等3个步骤,每个步骤根据需求不同设计了相应的网络模型,并对上述模型分别进行了训练和测试。测试结果表明,本体与焊盘检测网络在IOU阈值为0.7,置信度阈值0.6的条件下,mAP为0.93,检测准确率94.94%;颜色判断网络平均准确率为99.41%;丝印字符检测网络检测准确率为97.6%;焊接问题检测网络准确率为92.27%。最后,跟据收集到233幅NG数据以及30000幅OK数据对整体流程进行测试,在保证233幅NG数据不出现漏判的前提下,该方法整体的误判率为11.2%,平均每幅运行耗时97.5 ms。目前,该方法已在生产线上进行了试用,初步结果表明,该方法能够有效降低生产线上元件的误报率,降低人工成本,具有较好的应用前景。

基于机器视觉的PCB板电解电容极性自动定位

现有电解电容极性检测通常分为内圆检测和极性检测两步流程。现有基于GHT的检测方法在内圆亮度非常接近外部时,无法准确定位内圆;基于滑动窗口平滑度的极性检测方法没有考虑极性区域亮度低、噪声大以及非极性区域存在高亮污染这3种情况,应用范围有限。针对现有方法不足,首先提出了基于超像素聚类分割的内圆检测方法,同时考虑了图像超像素间的亮度和位置关系,实现了对电解电容内圆的精确定位,算法稳定性能好,精度高。在内圆检测基础上,本文提出基于滑动窗口灰度均值和标准差峰谷值的电容极性检测方法,可实现复杂情况下的极性定位。相对现有算法,本文算法不依赖人工标记极性方向,可实现全自动化检测。目前该算法的测试准确率为98.6%,单张图像的平均检测时间为192±23 ms,且已投入工厂使用,效果良好。

双丝杠驱动在视觉检测中的模型建立与分析

在表面封装技术(SMT)及光学自动检测(AOI)领域,传统的单丝杠驱动已经不能满足精度和速度的要求,而双丝杠驱动能够抑制高速时振动,还能提高系统的刚性和响应速度,从而防止因进给平台抖动而引起视野(FOV)的偏移,以及给拼图带来困难,并最终导致检测误判。本文就双丝杠驱动系统进行建模与分析,并结合实验给予验证。