基于CCD的高速PCB線寬線距及缺陷檢測方法研究
發(fā)布時間:2021-07-22 00:48
PCB作為汽車制造,通訊行業(yè),計算機領(lǐng)域等領(lǐng)域的基礎(chǔ),PCB質(zhì)量的好壞直接影響了各產(chǎn)品的質(zhì)量,其中PCB的線寬線距影響了成板的良品率。隨著線陣CCD的不斷發(fā)展,為了對PCB板進行快速準(zhǔn)確且成本較低的檢測,本文針對使用線陣CCD相機對PCB進行快速實時的線寬線距測量和缺陷檢測方法進行研究。首先,對CCD的結(jié)構(gòu)和工作原理進行介紹,分析了使用線陣CCD對PCB進行缺陷檢測和線寬線距測量的優(yōu)勢,根據(jù)線陣CCD的工作特性,對線陣CCD和工作臺之間的匹配問題進行剖析,指出線陣CCD成像與速度之間的關(guān)系,設(shè)計了基于CCD的圖像掃描采集系統(tǒng)。其次,分析了傳統(tǒng)PCB線寬線距檢測所存在的實時性和檢測精度的不足,基于此,設(shè)計了基于CCD圖像快速濾波及自適應(yīng)擬合的PCB線寬線距測量算法,完成了在線檢測。為了提高檢測的速度與精度,改進并使用部分快速導(dǎo)向濾波方法,為了提高實時性,將圖像增強、二值化處理及擬合直線進行了自適應(yīng)的優(yōu)化,為了突出本方法的有效性,將本方法與經(jīng)過模型訓(xùn)練后的結(jié)果進行對比。再次,作為對線寬線距測量的補充檢測,使用結(jié)構(gòu)相似算法從圖像中對PCB進行缺陷檢測,利用線陣CCD完成圖像滾動拼接,對拼接后...
【文章來源】:電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】:78 頁
【學(xué)位級別】:碩士
【部分圖文】:
斜率對真實差值的影響
第三章基于CCD圖像快速濾波及自適應(yīng)擬合的PCB線寬線距測算法35方法的好壞。圖3-10實際采集拼接圖像使用balser-8192gm線陣CCD相機進行掃描采集,如圖3-10所示,是本次實驗的采集拼接結(jié)果示意圖,其分辨率大小是3544*8192,從圖中可以明顯看出有4條溝壑,這4條溝壑就是PCB中的線,每條線之間的寬度就是線寬,他們之間的距離就是線距。在圖中存在一些肉眼可觀測的干擾,圖中存在不規(guī)則波浪形條紋和其他噪點,這是由于PCB生產(chǎn)工藝所產(chǎn)生的。并且在圖像中間部分有一條細(xì)微的黑線,這是由于采集過程中的干擾造成的。在實驗中設(shè)置每次檢測的基本行數(shù)為50行,相機使用GigE協(xié)議進行連接。同時,為了進行對比實驗,所使用的訓(xùn)練集是公開的HED-BSDS訓(xùn)練集(共計28800張圖片),復(fù)現(xiàn)了RCF模型,學(xué)習(xí)率為1e-6,使用訓(xùn)練集對該模型訓(xùn)練了26小時,迭代了30次,得到了相對穩(wěn)定的模型。3.5.2對比實驗本章將方法抽象,可以在中途輸出邊緣檢測結(jié)果,將特定情況下的邊緣檢測結(jié)果與目前的新方法進行對比,如第一章所介紹的,目前在圖像的邊緣檢測領(lǐng)域,出現(xiàn)了先進的圖像邊緣檢測方法,隨著人工智能和機器學(xué)習(xí)的發(fā)展,以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的深度學(xué)習(xí)網(wǎng)絡(luò)框架的出現(xiàn),給了圖像邊緣提取一個新的思路。其基本原理是使用大量數(shù)據(jù)集對輸出的模型網(wǎng)絡(luò)進行訓(xùn)練,得出滿足需要的參數(shù),然后利用此模型,將待處理的圖像數(shù)據(jù)輸入模型,得出輸出圖像。該模型最初是由vgg16模型演變而來[66],該模型最初用于圖像識別領(lǐng)域,判斷圖中是否有某一元素,如圖3-11所示,輸入的圖像經(jīng)過多層的卷積層和池化層,最后輸出判定的結(jié)果,通過與結(jié)果比對來調(diào)整參數(shù),但是這不是我們所想要的邊緣圖像。
電子科技大學(xué)碩士學(xué)位論文54測,所以當(dāng)運動平臺運動結(jié)束,相機采集圖像完成后,可輸出檢測結(jié)果。5.1.2上位機設(shè)計本文上位機程序及相關(guān)的檢測算法均是使用python編寫的,運動控制部分是使用NI的設(shè)備進行控制,調(diào)用了相關(guān)接口。上位機分三部分組成,第一部分是與控制平臺連接和調(diào)試等,第二部分是進行快速實時PCB缺陷檢測,為整版檢測,第三部分是進行線寬線距測量,精檢測。圖5-2上位機示意圖如圖5-2所示,是本文的上位機的頁面示意圖,分從整體分為三部分,第一部分是電機端口調(diào)試及電機參數(shù)的設(shè)定,用于調(diào)平運動平臺并使得平臺在x方向正常運行,第二部分是設(shè)置如第三第四章所設(shè)計的一些基本參數(shù),用于后續(xù)檢測,第三部分是檢測及結(jié)果顯示部分,分為PCB缺陷檢測及一定范圍內(nèi)PCB線寬線間距的檢測結(jié)果。5.2實驗結(jié)果及分析實驗部分按照第三章和第四章所述的內(nèi)容進行驗證說明,進行兩部分不同的實驗,先對PCB的線寬線距進行測量,再對PCB板進行整板檢測。
本文編號:3296103
【文章來源】:電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】:78 頁
【學(xué)位級別】:碩士
【部分圖文】:
斜率對真實差值的影響
第三章基于CCD圖像快速濾波及自適應(yīng)擬合的PCB線寬線距測算法35方法的好壞。圖3-10實際采集拼接圖像使用balser-8192gm線陣CCD相機進行掃描采集,如圖3-10所示,是本次實驗的采集拼接結(jié)果示意圖,其分辨率大小是3544*8192,從圖中可以明顯看出有4條溝壑,這4條溝壑就是PCB中的線,每條線之間的寬度就是線寬,他們之間的距離就是線距。在圖中存在一些肉眼可觀測的干擾,圖中存在不規(guī)則波浪形條紋和其他噪點,這是由于PCB生產(chǎn)工藝所產(chǎn)生的。并且在圖像中間部分有一條細(xì)微的黑線,這是由于采集過程中的干擾造成的。在實驗中設(shè)置每次檢測的基本行數(shù)為50行,相機使用GigE協(xié)議進行連接。同時,為了進行對比實驗,所使用的訓(xùn)練集是公開的HED-BSDS訓(xùn)練集(共計28800張圖片),復(fù)現(xiàn)了RCF模型,學(xué)習(xí)率為1e-6,使用訓(xùn)練集對該模型訓(xùn)練了26小時,迭代了30次,得到了相對穩(wěn)定的模型。3.5.2對比實驗本章將方法抽象,可以在中途輸出邊緣檢測結(jié)果,將特定情況下的邊緣檢測結(jié)果與目前的新方法進行對比,如第一章所介紹的,目前在圖像的邊緣檢測領(lǐng)域,出現(xiàn)了先進的圖像邊緣檢測方法,隨著人工智能和機器學(xué)習(xí)的發(fā)展,以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的深度學(xué)習(xí)網(wǎng)絡(luò)框架的出現(xiàn),給了圖像邊緣提取一個新的思路。其基本原理是使用大量數(shù)據(jù)集對輸出的模型網(wǎng)絡(luò)進行訓(xùn)練,得出滿足需要的參數(shù),然后利用此模型,將待處理的圖像數(shù)據(jù)輸入模型,得出輸出圖像。該模型最初是由vgg16模型演變而來[66],該模型最初用于圖像識別領(lǐng)域,判斷圖中是否有某一元素,如圖3-11所示,輸入的圖像經(jīng)過多層的卷積層和池化層,最后輸出判定的結(jié)果,通過與結(jié)果比對來調(diào)整參數(shù),但是這不是我們所想要的邊緣圖像。
電子科技大學(xué)碩士學(xué)位論文54測,所以當(dāng)運動平臺運動結(jié)束,相機采集圖像完成后,可輸出檢測結(jié)果。5.1.2上位機設(shè)計本文上位機程序及相關(guān)的檢測算法均是使用python編寫的,運動控制部分是使用NI的設(shè)備進行控制,調(diào)用了相關(guān)接口。上位機分三部分組成,第一部分是與控制平臺連接和調(diào)試等,第二部分是進行快速實時PCB缺陷檢測,為整版檢測,第三部分是進行線寬線距測量,精檢測。圖5-2上位機示意圖如圖5-2所示,是本文的上位機的頁面示意圖,分從整體分為三部分,第一部分是電機端口調(diào)試及電機參數(shù)的設(shè)定,用于調(diào)平運動平臺并使得平臺在x方向正常運行,第二部分是設(shè)置如第三第四章所設(shè)計的一些基本參數(shù),用于后續(xù)檢測,第三部分是檢測及結(jié)果顯示部分,分為PCB缺陷檢測及一定范圍內(nèi)PCB線寬線間距的檢測結(jié)果。5.2實驗結(jié)果及分析實驗部分按照第三章和第四章所述的內(nèi)容進行驗證說明,進行兩部分不同的實驗,先對PCB的線寬線距進行測量,再對PCB板進行整板檢測。
本文編號:3296103
本文鏈接:http://sikaile.net/kejilunwen/dianzigongchenglunwen/3296103.html
最近更新
教材專著