一种基于贝叶斯分类器的PCB焊点缺陷检测方法

针对PCB板在焊接过程中存在多焊、少焊、漏焊等焊点表面质量问题，提出了一种基于朴素贝叶斯分类器的焊点缺陷检测方法。首先，通过图像分割，获取焊点ROI区域的表面特征，建立焊点的特征参数数据集；然后，将得到的特征参数根据其特征属性，计算出先验概率及条件概率，构建朴素贝叶斯分类器对数据集进行分类识别；最后，利用训练集和测试集对分类器分类结果进行实验验证。实验表明，该方法对焊点不良的检测率达到93.4%，能满足实际使用要求。

PCB (Printed Circuit Board)板又称印制线路板，是电子工业的重要部件之一[1]。随着PCB 集成度的提高，对其表面缺陷检测也提出了更高的要求[1]。而焊点质量作为表面缺陷检测的重要内容，传统人工目检的方法已然无法满足更高效率、更高精度焊点表面缺陷检测的要求，而应用机器视觉技术实现焊点表面质量的自动化检测成为目前最热门的焊点检测方法之一[2] [3]。

随着自动光学检测(Automatic Optical Inspection, AOI)系统不断推陈出新，逐渐朝着高精度、智能化的方向发展，针对PCB 板焊点质量检测的视觉方法也层出不穷。为实现焊点类型的精准检测，赵爽[4]提出了一种基于多特征的支持向量机二次多分类算法，成功提升了检测率；魏炽旭[5]等利用图像分割和矩阵计算的方法将PCB 板的焊点区域缺陷进行分类再检测， 进而获得最终的检测结果；文献[6]则根据不同颜色面积作为特征进行焊点缺陷检测统计样本，采用模式匹配的方法，提出一种阈值自适应的参数提取方法，该方法具有较高的检查率和检测速度。文献[7]提出了一种基于梯度向量匹配的定位方法检测焊点位置，结合卷积神经网络算法进行缺陷检测，设计了一套焊点缺陷检测系统，其检测结果优良。此外， 文献[8] [9]也针对焊点检测问题，提出相应的解决方案并取得较好的检测结果。

本文针对某PCB 板在焊接过程中焊点存在的多锡、少锡等问题，提出一种基于贝叶斯分类器的焊点缺陷自动检测方法。首先利用图像预处理获取PCB 中焊点区域的基础特征信息，并根据焊点特征建立特征集，然后利用该特征集构造贝叶斯分类器，通过分类器的训练和分类最终得到该分类器的实验数据， 下文对该方法进行详细论述。

2. 方案设计 PCB 缺陷自动检测系统硬件部分主要由工业相机、镜头、光源等构成。根据PCB 样本尺寸及焊点区域的大小，选用500 万像素的CMOS 工业相机，配合25 mm 的变焦镜头。由于焊点表面呈弧形，对光源的反射散度较大，因此选用聚光效果优良的碗状光源，能够使相机获取足够的光源。

焊点检测算法主要包括特征提取和分类器构建两部分，具体算法流程如图1 所示。图像预处理主要有滤波和图像增强，可以有效去除噪音等影响，为后续处理提供更高质量的图像。将预处理后的图像进行分割，得到易提取特征信息的分割图像，然后提取二维特征参数集，通过该参数集完成分类器的构建以及训练，最终根据分类器结果判断待测PCB 焊点样本是否合格。