基于小波变换的PCB缺陷视觉检测技术研究

摘要：针对现有的PCB（Printed Circuit Board）缺陷视觉检测系统实时性较差，难以检测线宽过窄等问题，首先对PCB 缺陷图像进行小波变换压缩，提高了系统实时性；然后应用小波边缘检测算法对缺陷图像边缘精确定位，在图像小波变换局部模极大值对应的梯度方向上计算边缘点距离，根据特定规则提取、识别并定位特定缺陷，实验结果表明上述方法简单有效。

关键词：印制电路板；小波变换；边缘检测；缺陷识别

引言

印制电路板是集成各种电子元器件的信息载体，在各个领域中得到广泛应用。PCB 缺陷视觉检测技术是PCB 缺陷检测中的一个重要组成部分，其核心是图像处理技术。大工业生产对系统实时性提出了严格的要求，文章将简化Haar小波压缩算法应用到检测实践中，在不影响缺陷检测的前提下满足了系统实时性的要求。

常规的PCB 缺陷主要包括短路、断路、桥接、毛刺等，在高品质应用中，导线或导线间隙过窄也被认为是缺陷，而现有的PCB 缺陷视觉检测系统对后者仍缺乏有效的检测方法。边缘是图像最重要的特征之一，导线几何宽度在一定程度上取决于边缘检测效果，要求边缘检测算法能够同时实现边缘精确定位和低噪声。文章应用小波多尺度边缘检测方法进行PCB 缺陷图像边缘检测，在简单的线宽缺陷模型上成功实现了特定缺陷检测。

小波变换基础理论

小波变换在图像处理中得到广泛应用，主要包括小波变换压缩以及小波多尺度边缘检测等。对于二维数字图像，构造尺度函数φ(x,y)及小波基函数ψ¹，ψ²，ψ³，他们分别在粗糙像以及三个不同细节方向上提取图像信息。在对图像质量要求不高的前提下，抛弃细节信息，仅对粗糙像系数进行重构即可以得到压缩图像，从而提供了一种简单有效的压缩方法－小波变换压缩。定义θ¹(x,y)，θ²(x,y)为二维平滑函数，水平及垂直方向小波分别为此二维函数的导数，则相应的小波变换为：

由上式可知，小波变换W1 的极大值正比于被θ所平滑原始信号在水平方向的偏导的极大值，这正是图像在2i 尺度下水平方向信号的局部突变点，对应于图像水平方向的边缘信息，同理W² 对应图像垂直方向的边缘信息，即{W¹，W²}构成图像边缘。在2i 尺度时梯度矢量的模为：

即在梯度方向上，在2i 尺度时，梯度矢量的模极大值对应于图像的灰度突变点，这些取极大值点的位置就给出了图像的一个多尺度边缘，从而提供了一种较好的多尺度边缘检测方法－小波多尺度边缘检测。

小波变换在PCB 缺陷视觉检测中的应用

小波变换在PCB 缺陷视觉检测中的应用主要包括：PCB图像的小波变换压缩和小波多尺度边缘检测。为了实现PCB 缺陷实时检测，必须对图像进行压缩。除了压缩效率之外，压缩算法复杂性也是制约系统实时性的重要因素。Haar 小波是紧支正交小波，简化Haar 小波压缩算法能够将复杂的二维离散卷积转化为简单的代数运算，极大的简化压缩过程。PCB 图像细节信息量较少，适合使用简

其分解及重构系数如表1 所示。


表1 Haar 小波分解及重构系数

对于Haar 小波变换，取图像第k 个2×2 象素块，块中的像素分别为P _{j,k|1≤j≤4}，仅保留小波变换的粗糙像信息可以得到压缩后的小波系数为：

对待测PCB 图像，采用Haar 小波变换压缩，其小波压缩与解压过程如图1 所示。原始图像经过每一级小波变换后得到代表不同频率特性和方向特性的四个子图，仅保留粗糙像信息得到图示压缩结果。解压图像无明显失真，而压缩图像数据量减少为原始图像的1/4，同时简化Haar 小波计算简单，在不影响缺陷检测的前提下提高了系统实时性。

图1 PCB 图像Haar 小波压缩与解压过程示意图

PCB 走线较为规范，但是线宽以及线间距很小（2mm），导线边缘较为模糊，难于检测。小波多尺度边缘检测方法在不同尺度下由粗到细进行边缘检测，可以有效的去除伪边缘，精确定位图像边缘，适合进行PCB 缺陷图像边缘检测。由于高斯函数的可分离性，选取高斯函数为平滑函数，则对应的水平和垂直方向小波函数为：

为了使小波能量尽量集中，模板取为：x∈[-3s,3s]，y∈[-3s,3s]。图2 为分别使用不同边缘检测算法对原始图像边缘检测结果。

仔细观察图2 可以发现使用二值形态学边缘检测算法得到的焊盘图像边缘外移，噪声较多；而小波边缘检测算法得到了清晰的图像边缘，定位准确，伪边缘较少，为进一步的图像分析打下了良好的基础。

图2 对原始图像采用不同边缘检测方法检测结果

线宽缺陷建模以及缺陷提取

PCB 走线方向十分规律，主要包括水平方向、垂直方向以及水平垂直交叉方向。相应的图像小波变换局部模极大值对应的梯度矢量方向与PCB 走向方向一一对应。建立简单的线宽缺陷模型：假定线宽以及线间距的最小限制均为L，在同一梯度方向上的相邻两点的距离为线宽或者线间距D，在两次扫描过程中取得同一梯度方向时记录其位置值(x₁,y₁)，(x₂,y₂)，则相应的线宽或者导线间距：

如果D 小于L 则对应的两点之间的距离不满足电气规则，相应的缺陷点所在的导线之间会相互干扰，可以认为相互干扰的两导线为PCB 缺陷。

图3 简单线宽缺陷模型下的缺陷检测流程图

依次对PCB 缺陷图像进行预处理、小波变换压缩以及小波多边缘检测得到边缘检测结果，根据以上的线宽缺陷模型，微机逐象素扫描边缘图像并计算导线几何宽度，当导线宽度超过某阈值就认为相邻导线是缺陷，并将缺陷结果标识在缺陷图像中，应用中阈值可以根据实际要求自主设定。相应的检测流程图如图3 所示。

采用640×480 分辨率的PCB 缺陷图像作为实验原始图像，测试硬件平台采用CMOS 图像传感器、自主设计的基于TMS320VC33 以及PCI 接口的图像采集卡、主频为2GHZ的奔腾第四代微处理器（内存为256MB），软件平台为MATLAB6.5，测试结果如图4 所示。

图4 线宽缺陷检测结果图

比较原始图像和缺陷图像，对应于简单的线宽缺陷模型，文章所用算法准确有效的检测并定位特定线宽过窄缺陷；同时简化Haar 小波压缩算法的应用使处理时间减少为原来的18%。实验结果表明小波变换在PCB 缺陷视觉检测系统中的应用是成功的。

结论

针对现有PCB 缺陷检测中存在的实际问题，本文运用简化Haar 小波压缩算法对待测PCB 图像进行小波变换压缩，在一定程度上提高了系统实时性；同时应用小波多尺度边缘检测方法对特定缺陷进行边缘检测，能够有效去除伪边缘，精确定位图像边缘，在简单的线宽缺陷模型上成功提取、识别并定位特定缺陷。