本文關(guān)鍵詞： 印制電路板 焊點(diǎn)檢測(cè) Haar特征 Adaboost算法 色彩特征　出處：《西安電子科技大學(xué)》2015年碩士論文　論文類型：學(xué)位論文

【摘要】：隨著現(xiàn)代化科技日新月異的進(jìn)步,電子產(chǎn)品越來(lái)越朝著數(shù)字化和小型化發(fā)展,印制電路板也朝著元件密集化和微型化發(fā)展,傳統(tǒng)的電路板檢測(cè)技術(shù)在檢測(cè)能力和速度上都不能滿足新的表面貼裝技術(shù)的要求,因此對(duì)印刷電路板表面貼片安裝質(zhì)量進(jìn)行可靠、快速的自動(dòng)檢測(cè)成為提高電子制造業(yè)自動(dòng)化水平和產(chǎn)品質(zhì)量的重要途徑�；跈C(jī)器視覺(jué)的自動(dòng)檢測(cè)技術(shù)越來(lái)越受到人們的關(guān)注。這種檢測(cè)技術(shù)采用了計(jì)算機(jī)技術(shù)、高速圖像處理技術(shù)和識(shí)別技術(shù)、自動(dòng)控制技術(shù)、精密機(jī)械技術(shù)和光學(xué)技術(shù),是多種高技術(shù)的綜合產(chǎn)物,具有自動(dòng)化、高速化和高分辨率的檢測(cè)能力,它大大減輕了人的勞動(dòng)強(qiáng)度,提高了質(zhì)量判別的客觀性和準(zhǔn)確性。對(duì)印制電路板進(jìn)行檢測(cè)的過(guò)程中,焊點(diǎn)檢測(cè)是其中一個(gè)重要的檢測(cè)環(huán)節(jié)。焊點(diǎn)的位置以及其有無(wú)缺陷,直接影響PCB印制電路板能否正常工作,所以針對(duì)焊點(diǎn)的檢測(cè)方法研究,是目前一個(gè)研究熱點(diǎn)。現(xiàn)有的焊點(diǎn)檢測(cè)方法中,基于機(jī)器視覺(jué)的方法處于優(yōu)勢(shì)明顯的地位,特別是在近幾年很熱門的機(jī)器學(xué)習(xí)領(lǐng)域的算法,是其中一個(gè)熱門的研究方向。機(jī)器學(xué)習(xí)以其強(qiáng)大的泛化能力,在預(yù)測(cè)上能達(dá)到很高的準(zhǔn)確率,且算法模型建立好后,學(xué)習(xí)過(guò)程可以自適應(yīng)地達(dá)到優(yōu)化,甚至在隨著樣本的增加,可以在檢測(cè)的過(guò)程中得到二次學(xué)習(xí)。將機(jī)器學(xué)習(xí)運(yùn)用到印制電路板的焊點(diǎn)檢測(cè)中,不但能夠解決人工檢測(cè)速度慢,生產(chǎn)率低下的問(wèn)題,而且還可以降低人工成本,提高檢測(cè)準(zhǔn)確率。本文圍繞對(duì)印制電路板的焊點(diǎn)檢測(cè)算法,做了以下工作:1、對(duì)印制電路板的檢測(cè)技術(shù)的發(fā)展的過(guò)程做了總結(jié),詳述了目前的主要檢測(cè)手段,對(duì)模板匹配法、支持向量機(jī)法和BP神經(jīng)網(wǎng)絡(luò)算法的使用做了理論研究以及性能比較。2、詳細(xì)研究了Haar特征的算法理論和識(shí)別原理。對(duì)Adaboost分類器做了深入研究,同時(shí)也分析了其他相似特征即HOG特征與LBP特征的算法理論,使用OpenCV豐富的代碼庫(kù),在Vusial Stdio2013的開(kāi)發(fā)平臺(tái),對(duì)代碼進(jìn)行編寫、修改和調(diào)試,通過(guò)軟件實(shí)現(xiàn),將Haar特征融合Adaboost分類器算法應(yīng)用到了焊點(diǎn)檢測(cè)上來(lái)。使用樣本來(lái)訓(xùn)練生成分類器,并將生成的分類器應(yīng)用到對(duì)PCB印制電路板的焊點(diǎn)檢測(cè)過(guò)程中,最后將其檢測(cè)結(jié)果與其他特征做了分析比較,確定基于Haar特征的Adaboost算法是一種效果良好的焊點(diǎn)檢測(cè)算法。3、針對(duì)現(xiàn)有算法誤檢焊點(diǎn)的缺陷,提出了將色彩特征加入Haar特征的設(shè)想,首先對(duì)顏色空間模型進(jìn)行了研究和分析,選取了最優(yōu)的HSV模型作為顏色空間,同時(shí)通過(guò)降維處理,把三維向量的問(wèn)題轉(zhuǎn)換到一維空間,然后通過(guò)軟件實(shí)現(xiàn),成功地將顏色特征加入到了Haar特征里進(jìn)行樣本訓(xùn)練,最后采用本文所提算法對(duì)印制電路板的圖像進(jìn)行檢測(cè),并與之前算法的檢測(cè)效果進(jìn)行對(duì)比分析,驗(yàn)證了改進(jìn)后新算法的正確性、有效性和可靠性。
[Abstract]:With the rapid development of modern science and technology, electronic products are becoming more and more digital and miniaturized, and printed circuit boards (PCB) are becoming more and more intensive and miniaturized. The traditional PCB testing technology can not meet the requirements of the new surface mounting technology in terms of testing ability and speed, so the quality of the PCB surface patch installation is reliable. Rapid automatic detection has become an important way to improve the level of automation and product quality in electronic manufacturing industry. The automatic detection technology based on machine vision has attracted more and more attention. High speed image processing and recognition technology, automatic control technology, precision mechanical technology and optical technology are the integrated products of many kinds of high technology, with automatic, high speed and high resolution detection ability, It greatly reduces the labor intensity of human beings and improves the objectivity and accuracy of quality discrimination. In the process of testing printed circuit boards, solder joint detection is one of the important detection links. It directly affects whether PCB printed circuit board can work properly, so the research of solder joint detection method is a hot spot at present. Among the existing solder joint detection methods, the method based on machine vision is in a dominant position. Especially in the field of machine learning, which is very popular in recent years, it is one of the hot research directions. Machine learning, with its powerful generalization ability, can achieve high accuracy in prediction, and after the algorithm model is established, The learning process can be optimized adaptively, even with the increase of samples, the second learning can be obtained in the process of detection. The application of machine learning to the solder joint detection of printed circuit boards can not only solve the problem of slow manual detection, The problem of low productivity, but also can reduce labor costs, improve the detection accuracy. This paper around the printed circuit board solder joint detection algorithm, did the following work: 1, to the printed circuit board testing technology development process has been summarized. In this paper, the main detection methods, the template matching method, are described in detail. The use of support vector machine and BP neural network algorithm is studied in theory and performance comparison. The algorithm theory and recognition principle of Haar feature are studied in detail. The Adaboost classifier is deeply studied. At the same time, it also analyzes the algorithm theory of other similar features, that is, HOG feature and LBP feature. Using the rich code base of OpenCV, the author writes, modifies and debugs the code on the platform of Vusial Stdio2013, and realizes it by software. The algorithm of Haar feature fusion Adaboost classifier is applied to solder joint detection, and the generated classifier is trained by samples, and the generated classifier is applied to the solder joint detection process of PCB printed circuit board. Finally, comparing the detection results with other features, it is determined that the Adaboost algorithm based on Haar features is a good solder joint detection algorithm. Aiming at the defects of existing algorithms to detect solder joints, the idea of adding color features to Haar features is put forward. Firstly, the color space model is studied and analyzed, and the optimal HSV model is selected as the color space. At the same time, the problem of 3D vector is transformed into one dimensional space by dimensionality reduction, and then realized by software. The color feature is successfully added to the Haar feature for sample training. Finally, the algorithm proposed in this paper is used to detect the image of the printed circuit board, and the detection effect is compared with that of the previous algorithm. The correctness, validity and reliability of the improved algorithm are verified.
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41;TN41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 林志陽(yáng);康耀紅;雷景生;;基于Adaboost的車標(biāo)定位方法[J];計(jì)算機(jī)工程;2008年11期

2 張磊;;基于AdaBoost的側(cè)面人臉、人耳檢測(cè)[J];科學(xué)大眾;2008年08期

3 付忠良;;關(guān)于AdaBoost有效性的分析[J];計(jì)算機(jī)研究與發(fā)展;2008年10期

4 張崗?fù)?楊全;;兩種Adaboost方法在人臉檢測(cè)中的比較研究[J];微計(jì)算機(jī)信息;2009年24期

5 嚴(yán)超;王元慶;李久雪;張兆揚(yáng);;AdaBoost分類問(wèn)題的理論推導(dǎo)[J];東南大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年04期

6 李印;;基于AdaBoost的行人檢測(cè)研究與實(shí)現(xiàn)[J];數(shù)字技術(shù)與應(yīng)用;2012年03期

7 蘇加強(qiáng);丁柳云;;基于R的監(jiān)督式AdaBoost異常值檢測(cè)應(yīng)用[J];淮海工學(xué)院學(xué)報(bào)(自然科學(xué)版);2013年01期

8 張志勛;張磊;楊凡;;一種改進(jìn)的Adaboost人臉檢測(cè)方法[J];自動(dòng)化與儀器儀表;2013年06期

9 王海川,張立明;一種新的Adaboost快速訓(xùn)練算法[J];復(fù)旦學(xué)報(bào)(自然科學(xué)版);2004年01期

10 趙江,徐魯安;基于AdaBoost算法的目標(biāo)檢測(cè)[J];計(jì)算機(jī)工程;2004年04期

相關(guān)會(huì)議論文 前10條

1 Wen Feng;;A Novel Lips Detection Method Combined Adaboost Algorithm and Camshift Algorithm[A];2012年計(jì)算機(jī)應(yīng)用與系統(tǒng)建模國(guó)際會(huì)議論文集[C];2012年

2 張超;苗振江;;基于AdaBoost的面部信息感知[A];第十三屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2007）論文集[C];2007年

3 郭翌;汪源源;;基于Adaboost算法的頸動(dòng)脈粥樣硬化判別方法[A];中國(guó)儀器儀表學(xué)會(huì)第十一屆青年學(xué)術(shù)會(huì)議論文集[C];2009年

4 張紅梅;高海華;王行愚;;抑制樣本噪聲的AdaBoost算法及其在入侵檢測(cè)中的應(yīng)用[A];2007年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2007年

5 陸文聰;鈕冰;金雨歡;;基于AdaBoost算法的亞細(xì)胞位置預(yù)測(cè)[A];中國(guó)化學(xué)會(huì)第26屆學(xué)術(shù)年會(huì)化學(xué)信息學(xué)與化學(xué)計(jì)量學(xué)分會(huì)場(chǎng)論文集[C];2008年

6 陳宏偉;劉建偉;費(fèi)向東;;一種半監(jiān)督環(huán)境下的Adaboost算法[A];2008'中國(guó)信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（二）[C];2008年

7 唐曉丹;苗振江;;基于AdaBoost和粒子濾波的目標(biāo)跟蹤[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

8 張彬;金連文;;基于AdaBoost的手寫體漢字相似字符識(shí)別[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

9 ;Using Skin Color and HAD-AdaBoost Algorithm for Face Detection in Color Images[A];Information Technology and Computer Science—Proceedings of 2012 National Conference on Information Technology and Computer Science[C];2012年

10 肖磊;李麗;肖佳文;;基于AdaBoost-SVM的上市公司信用風(fēng)險(xiǎn)評(píng)估[A];2012管理創(chuàng)新、智能科技與經(jīng)濟(jì)發(fā)展研討會(huì)論文集[C];2012年

相關(guān)博士學(xué)位論文 前4條

1 佟旭;基于復(fù)雜網(wǎng)絡(luò)理論的糖尿病腎病辨證建模研究[D];北京中醫(yī)藥大學(xué);2016年

2 劉沖;模擬電路故障診斷AdaBoost集成學(xué)習(xí)方法研究[D];大連海事大學(xué);2011年

3 張?zhí)珜?人眼注視點(diǎn)估計(jì)方法的研究[D];南開(kāi)大學(xué);2013年

4 趙培英;基于智能計(jì)算的膜蛋白結(jié)構(gòu)與相互作用預(yù)測(cè)研究[D];東華大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 皮麗琴;基于AdaBoost-GASVM算法和LDA主題模型的短文本分類研究[D];華南理工大學(xué);2015年

2 孫斌;一種基于Adaboost的實(shí)時(shí)行人檢測(cè)算法[D];華南理工大學(xué);2015年

3 蔡澤彬;基于視頻分析的行人檢測(cè)及統(tǒng)計(jì)方法研究[D];華南理工大學(xué);2015年

4 游晴;Adaboost人臉檢測(cè)算法研究及其在硬件平臺(tái)上的實(shí)現(xiàn)[D];昆明理工大學(xué);2015年

5 宋雨;基于視覺(jué)圖片的腦—機(jī)接口控制研究[D];天津理工大學(xué);2015年

6 林欣;基于改進(jìn)膚色模型的AdaBoost人臉檢測(cè)算法研究[D];陜西科技大學(xué);2015年

7 袁浩杰;Adaboost算法的并行化及其在目標(biāo)分類中的應(yīng)用[D];華南理工大學(xué);2015年

8 張恒;基于近紅外圖像的疲勞駕駛檢測(cè)研究與系統(tǒng)實(shí)現(xiàn)[D];長(zhǎng)安大學(xué);2015年

9 朱非易;基于不平衡學(xué)習(xí)的蛋白質(zhì)—維生素綁定位點(diǎn)預(yù)測(cè)研究[D];南京理工大學(xué);2015年

10 張?jiān)?一種基于AdaBoost的組合分類算法研究[D];四川師范大學(xué);2015年

，

本文編號(hào)：1536217