华南理工大学 机械与汽车学院，广东 广州，510640
针对挠性印制电路板(FPC)上的焊盘表面缺陷，提出一种基于图像处理技术的智能检测方法。首先，根据缺陷的表现形式对焊盘缺陷进行归纳与分类，采用最大熵值法量化提取焊盘的颜色特征和面积特征；然后，通过评估灰度共生矩阵(GLCM)对纹理颜色变化特征与纹理结构特征量化的有效性，将其应用于焊盘纹理特征的量化与提取。实验分析显示，缺陷焊盘与非缺陷焊盘在某个或多个特征上存在着明显的差异。基于该特点，建立了BP神经网络，以焊盘的颜色、面积、纹理结构、纹理颜色变化特征值作为神经网络的输入，通过学习大量样本，获取最佳权值参数，最终实现对FPC焊盘表面缺陷的检测,检测准确率高达94.6%，50个焊盘的检测时间为300 ms。实验结果表明：本文提出的检测方法不仅能够有效地对焊盘表面缺陷进行识别，而且能够满足在线检测对速度的要求。
挠性印刷电路板 焊盘 特征提取 灰度共生矩阵 神经网络 Flexible Printed Circuit(FPC) solder character extraction Grey Level Co-occurrence Matrix(GLCM) neural network 光学 精密工程
2010, 18(11): 2443
1 华南理工大学 机械与汽车工程学院， 广东 广州 510641
2 广州中医药大学 信息技术学院， 广东 广州 510006
为实现软性电路板(FPC)金面缺陷的准确自动检测，提出了一种以Gabor滤波器和Mean Shift聚类算法为基础的完全无监督FPC金面缺陷检测方法。首先，用Gabor滤波器组、数学形态学与Gaussian平滑处理抽取待检测图像的多维特征；然后，使用主元分析(PCA)将每个像素特征维数降为二维；最后，使用Mean Shift方法对二维特征数据进行聚类并将聚类的结果转化为二值图像。整个检测过程无需预先知道缺陷的类型和FPC金面的纹理类型，是一种完全无监督的检测方法。对带有各种缺陷的FPC金面进行检测实验，结果表明，该方法能够准确地将各类缺陷区域从背景区域中分离出来，具有自动缺陷检测系统所要求的识别能力强、稳定性高的特点。
缺陷检测 Gabor滤波器 Mean Shift聚类 defect detection Gabor filter Mean Shift clustering
华南理工大学,机械工程学院,广东,广州,510640
为了实现对工件的自动影像测量,建立了自动影像测量系统.对该系统所采用的图元识别、图元测量、基于自动聚焦原理的高度测量等算法进行研究.根据圆形和矩形图元的面积和真圆度等特征参数介绍了图元识别算法.以直线和圆形图元为例分析了典型图元的测量算法,即在提取图元边缘点的基础上进行图元拟合.在分析比较能量谱等聚焦评价方法的性能的基础上,说明了采用自动聚焦原理进行高度测量的算法.最后,介绍了系统比例尺的设定方法以及光栅尺读数的误差补偿方法.实验结果表明:比例尺的标定精度为0.5 μm图元的测量精度在微米级;高度测量精度为0.035 mm,基本满足自动影像测量的稳定可靠、精度高、抗干扰能力强等要求.
计算机视觉 边缘检测 图元 曲线拟合 亚像素
