全局缺陷和局部缺陷的FPC检测算法研究

孔令丹，谭 劲，褚 娜

（中国计量学院 信息工程学院，浙江 杭州310018）

柔性电路板（flexible printed circuit board，FPC），又称软性电路板、挠性电路板，是一种具有可靠性的可挠性印刷电路板.具有配线密度高、重量轻、厚度薄、可自由弯曲折叠等特点［1］.由于FPC在空间上的自由性，它们在电子产品微型化的过程中的应用越来越广泛，同时FPC的缺陷检测已经成为FPC制造过程中的一个核心问题.目前的检测方法多为人工目测，工人劳动强度大，准确率低，成本较高.因此，开发出FPC缺陷自动化检测的算法已经迫在眉睫.近年来，计算机机器视觉被越来越多的行业采用，基于机器视觉的FPC自动化检测也成为缺陷检测发展的必然趋势.

在现阶段的柔性电路板生产行业中，对其缺陷的检测并没有一个共同的行业标准.绝大部分的生产厂家所采取的检测方法为：首先对人眼所能分辨的表面缺陷进行检测，筛选排除其瑕疵产品；然后采用精密光学仪器和电测试等方法，检测出线路方面的缺陷.自动化检测的方法在柔性电路板缺陷检测中还处于起步和测试阶段.现有的大多数的检测方法为基于模板匹配和对比的方法，模板匹配是FPC自动化检测系统中的关键技术之一，匹配速度和精度是近年来研究的热点问题.关于匹配速度的提高主要涉及两个方面：减少非匹配区域的相关计算量和优化搜索策略.本文采用了全局缺陷和局部缺陷分类的方法来减少非匹配区域的相关计算量，在一定程度上提高了模板匹配的速度.

根据待检测的FPC的特征，我们将缺陷类型分为线路缺陷和焊孔缺陷.其中线路缺陷为短路、断路、线路宽幅过小、线路宽幅过大等；焊孔缺陷主要包括焊孔偏移、焊孔缺锡等.各种缺陷的检测标准和示意图如图1～2.

a）短路和断路

短路和断路在FPC板中属于严重缺陷，会导致整块板失效.出现短路和断路现象时，判定为NG.

b）线路宽幅过小和过大

线路宽幅过小如图3，它是指由于缺口、焊孔和基材直接的划伤使线路宽度减少.如果宽幅的减少量大于时，判定为NG.

线路宽幅过大如图4所示，它是指由于导线边缘粗糙、铜残或者导线之间的杂质等缺陷，导致导线间距小于时，判断为NG.

1 研究现状

现阶段FPC自动化检测大致可分为待测图像的获取、图像预处理、与标准模板的匹配及结果判断四个过程，其中最为关键的步骤为与标准模板的匹配，基于图像比对和模板匹配技术的缺陷检测技术是应用最为广泛的缺陷检测技术［2］.目前其技术上的难点在于模板匹配的效率低、准确率较差等问题.

现有的FPC缺陷检测算法多衍生于PCB板的检测算法，由于FPC板多为周期性的图像，检测面积较小，精度要求较高，因此PCB板的检测算法需要经过改进才能适用于FPC.在PCB检测算法中，为了提高PCB检测图像匹配算法的效率，有人提出了基于自适应遗传算法的匹配算法、投影匹配算法、多模板匹配算法等.现有的遗传算法其匹配算法适应性有限，通过在匹配之前要进行大量的图像预处理，这样在一定程度上影响了整个系统的检测时间.投影匹配算法计算较为简单，且大大减少了算法匹配所需的时间.多模板匹配算法需要进行多次匹配，准确度有所提高但识别时间较长.GUO Fenglin［3］等把双重Sigmoid变换应用到图像的预处理中，从而提高了待测图像与标准模板的匹配度，但算法复杂，检测时间有所下降.Rambabu K［4］采用了参考法、非参考法和圆形匹配相结合的方式来实现缺陷检测.Barnea［5］提出了像素度量算法（SSDA），通过优化搜索空间策略，减少算法的复杂性.对于FPC来说，由于FPC的周期性，我们可以采用图像分割和区域缺陷检测的算法来提高检测的速度，同时采用改进的匹配算法来提高效率.对FPC板采用图像分割，根据其周期性不需要考虑图像拼接算法.

本文在分析上述几种算法的优缺点的基础上，提出了一种FPC快速模板匹配算法：首先对图像进行分割，然后进行全局特征判断，淘汰全局瑕疵产品，最后对未被全局缺陷淘汰的产品进行模板图像和待测图像进行x轴和y轴方向投影，确定缺陷的大致位置，对缺陷的可能区域采用模板匹配，对局部特征进行瑕疵识别.实验证实了该方法的准确性和有效性，可满足FPC的生产线的检测要求.

2 图像处理算法

本文算法提出了一种新的柔性电路板的分类方式，即把缺陷分为全局缺陷和局部缺陷.把直方图信息和连通域面积的检测归类于全局缺陷的检测；局部缺陷检测为通过投影匹配确定缺陷的大致位置，然后对缺陷的可能位置计算其方差和相关系数.

根据FPC板的周期性，本算法采用的模板为单周期的单元图像.每张电路板由10张单元图像组成，模板图像和整张模板图像如图5、图6，其中图5为模板图像，图6为整张FPC板图像.

图5 模板Figure 5 Template

图6 整张FPC板Figure 6 Piece of FPC

算法流程如下：首先通过全局缺陷检测，过滤部分非匹配区域.基于模板匹配的算法分为两部分：一是匹配特征的选择；二是对匹配特征进行相关性计算方法的选择.本文采用了首先判定全局缺陷，然后在局部缺陷判定中采用模板匹配算法，目的是减少检测所需时间，提高算法效率，使算法满足工业生产线的要求，其算法流程图如图7所示.

图7 算法流程图Figure 7 Algorithm procedure

2.1 图像分割

本文采用的图片格式为8位灰度图，采用灰度图的优点在于：首先，灰度图可以减少图像的数据量，可以减少冗余信息对算法的干扰；其次，灰度图像便于进行图像的阈值分割；最后，灰度图可以提高检测的效率［6］.在对获取的检测图像分析之前，图像分割是不可缺少的一步.图像分割的目的就是将物体和背景区分开来.对于FPC其基本特征为焊孔和线，因此，图像分割的本质就是将焊孔和线与基板背景相分离.

图8 FPC板的直方图Figure 8 Histogram of FPC

选择正确合适的阈值是阈值分割成功需要解决的关键问题.图8为本文算法中所用的FPC板的直方图.本文采用迭代阈值分割算法［7］，算法步骤如下：

a）确定一个初始阈值T.在这里，设定T的值为灰度区间的最大值

b）计算背景和焊孔和线的灰度均值

这样，α提供了背景和焊孔和线的最优灰度分割参数.

2.2 全局特征判断

为了更好地描述本文算法，现做以下定义：设图像分割后的待测二值图像为f（x，y），模板图像为T（x，y），大小均为 M×N.算法步骤如下：

a）首先统计模板图像和待检测图像的直方图信息（图9）.直方图显示的是图像中每一灰度级像素的个数.把模板图像的直方图信息设定为该区域的直方图信息检测标准.图10为待检图像中存在短路、空洞缺陷某区域的直方图信息，与图9对比，可以看出直方图信息存在很大的差异.下面采用欧式距离进行量化分析.

经典的直方图匹配算法是计算模板直方图和待检直方图的欧氏距离［8］，模板的直方图向量为HT，待检直方图向量为Hf，它们之间的欧氏距离为：

其中ET和Ef为两幅图像的平均灰度.经实验证明，当dHTHf≤0.09时，模板直方图向量和待检图像直方图向量的欧氏距离在允许的误差范围内；当dHTHf＞0.09时，初步判定该区域存在缺陷.

b）把欧氏距离大于误差值的区域划分为若干个八像素连通域，统计该连通域的像素总数N.八像素连通域的面积即为该区域的像素总数［9］.

计算模板图像和待检测图像在该区域像素的差值ΔN：

式中NT为模板图像的面积，Nf为待检测图像的面积.根据检测标准判断ΔN是否在允许的误差范围之内，若大于误差范围，则认为存在缺陷.

通过判断待检测图像的直方图信息和连通域的面积，可排除两者均存在缺陷的区域.这样就为下一步局部缺陷的判断减少了计算量，从而节省了算法的时间，提高了整体算法的效率.

2.3 局部缺陷判断

首先对全局缺陷判断中未被排除的区域图像做水平方向和竖直方向的投影，来确定缺陷可能出现的区域［10］.算法步骤如下：

a）设定待检测图像和模板图像在x轴和y的投影分别为fx，Tx，fy，Ty，则投影分量相对误差αx，αy为：

设定待检测图像和模板图像的投影分量相对误差门限为α0，记录相对误差值超过门限的位置θ0，θ1，…，θx和μ0，μ1，…，μy.经过投影匹配之后，可得到缺陷图像为大小是（θx-θ0＋1）·（μy-μ0＋1），顶点为（θ0，μ0）的图像［11］.

将带检测图像和模板图像在MATLAB里仿真，得到x轴投影曲线如图11所示，y轴投影曲线如图12：

这里相对误差门限设为0.15，经过验证可以得到缺陷的可能出现的大致位置为顶点为（880，7010），大小为987·124的区域.

b）对缺陷的大致位置区域计算其归一化相关系数［12］，由投影匹配得到了缺陷图像为大小是（θx-θ0＋1）·（μy-μ0＋1），顶点为（θ0，μ0）.因此对归一化相关系数中待检测图像和模板图像的大小均为（θx-θ0＋1）·（μy-μ0＋1）：

3 实验与分析

本算法所采用的模板为无瑕疵单周期的FPC图像.输入存在缺陷的待检测图像与标准模板进行匹配，对本算法进行验证分析.通过基于windows操作系统的visual studio软件编译，提取模板图像数据存入标准数据库中，然后对10幅待检测图像进行缺陷检测.得到实验结果如表1.

表1 检测结果Table 1 Detection results

对待测图像和标准模板进行灰度投影时，设定相对误差上限为0.15，得到缺陷的大致位置，然后进行精确匹配，得到相关系数.根据本文提出的算法，对大量FPC瑕疵图像进行缺陷检测，得到正确率高达96%，同时，检测速度为4.6s，满足生产线上FPC的检测要求.实验比对如表2：

表2 传统算法与改进算法比对Table 2 Comparison of tradition and improved algocrithms

现对待检图像的缺陷区域（待检图像中标注区域）采用本算法进行缺陷检测，可得到缺陷结果如下：图13方框框标示为存在缺陷的待检图像；图14为缺陷区域的放大图，图15为采用本算法得到的部分缺陷图像.

4 结 语

本文算法的应用前提是待检测图像为八位灰度图，检测图像并未存在偏移或尺度变化.采用全局缺陷和局部缺陷相结合的算法来对FPC进行瑕疵检测，经过全局缺陷检测后，淘汰了存在缺陷的FPC板，从总体上缩短了检测的时间；局部检测中先采用轴和轴灰度投影，确定局部缺陷存在的大致位置，然后计算方差差值，方差差值小于误差值时再计算其相关系数.本算法减少了相关系数的计算量，大大提高了算法的效率，从而满足了生产线的检测要求，但离生产线的使用还有一段距离.下一阶段需要解决的问题有：

1）优化搜索策略.在不影响准确率和精度的前提下减少搜索位置的数目.

2）实现进一步的缺陷分类，如短路、断路、空洞、铜残等.

3）生产现场的环境控制与提高算法的自适应性.

［1］张宜生，彭 毅，梁书云，等.基于图像比对技术的柔性印刷电路板检测系统［J］.计算机工程与应用，2005（2）：220-222.

［2］LIAO C T，LEE W H，LAI S H.A Flexible PCB Inspection System Based on Statistical Learning［J］.J Sign Process Syst，2010（9）：18-22.

［3］GUO F L，GUAN S A.Research of the Machine Vision Based PCB Defect Inspection System［C］／／International Conference on Intelligence Science and Information Engineer.Wuhan，China：ISIE，2011：472-475.

［4］RAMBABU K，DINESH M，VIJAY K，et al.Optical Pattern Inspection for Flex PCB-Challenges＆Solution［C］／／The International Federation of Automatic Control.Seoul，Korea：IFCA，2008：8196-8220.

［5］BARNEA D.A class of algorithms for fast digital image registration［J］.IEEE Transactions on Computing，1972（21）：179-186.

［6］章毓晋.图像分割［M］.北京：科学出版社，2001：87-89.

［7］黄 熙，罗意平，曹 申.手机软板自动检测的图像预处理及分割方法［J］.计算机测量与控制，2008，16（10）：1405-1406.

［8］JOU F D，FAN K C，CHANG Y L.Efficient matching of large-size histograms［J］.Pattern Recognition Letters，2004（25）：277-286.

［9］曹 申，罗意平.基于图像处理的手机软板缺陷自动检测方法［J］.计算机测量与控制，2007.15（4）：457-459.

［10］石鸿雁，赵丽红，苏晓明.基于GMPT图像匹配算法的设计与实现［C］／／Chinese Control and Decision Conference.Yantai，China：CCDC，2008：253-257.

［11］PEI L，XIE Z W，DAI J G.Fast Normalized Cross-Correlation Image Matching Based On Multiscale Edge Information［C］／／International Conference on Computer Application and System Modeling.Taiyuan，China：ICCASM，2010，10：507-511.

［12］MA L Y，SUN Y D，FENG N Z，et al.Image Fast Template Matching Algorithm Based on Projection and Sequential Similarity Detection［C］／／Fifth International Conference on Intelligent Information Hiding and Multimedia Signal Processing.Tokyo，Japan：IIH-MSP，2009：957-960.