， ， ， ， ， ,

(1.福建工程學院 信息科學與工程學院， 福建 福州 350118； 2.福建省工業(yè)集成自動化行業(yè)技術開發(fā)基地， 福建 福州 350118)

隨著電子技術的發(fā)展，PCB板尺寸越來越小，密度越來越高，僅依靠人眼進行產(chǎn)品質量檢測已無法滿足實際檢驗需求。近年來基于圖像處理技術的快速發(fā)展，通過機器視覺實現(xiàn)對PCB缺陷檢測已成為一個研究熱點[1]?；跈C器視覺的PCB缺陷檢測較傳統(tǒng)人工檢測有效率高、準確度高、生產(chǎn)成本低等優(yōu)點。

PCB圖像配準是機器視覺檢測PCB缺陷的關鍵步驟，配準算法將直接影響整個檢測系統(tǒng)的速度及準確度。

目前圖像的配準技術主要分為兩類[2]：(1)基于圖像灰度相似性的方法：該類方法是直接利用整幅圖像的灰度度量兩幅圖像之間的相似性[3]。然后，采用搜索方法尋找使相似性度量最大或最小值點，從而確定兩幅圖像之間的變換模型參數(shù)。該方法常使用的測度包括互相關(CC)[4]、互信息(MI)[5]、平方和差[6]等，通過這些度量也可知道圖像配準的精度。該類方法雖然配準精度較高，但是計算速度較慢。(2)基于特征的方法[7]:這種方法需要在圖像中提取特征，通過局部特征點之間而不是整幅圖像灰度相似性的方式來提供對應關系。該方法的配準精度取決于特征點的提取和匹配的準確性[8]。許多學者針對該類配準方法開展了相關的理論和應用研究[9]。David Lowe在尺度空間理論[10]基礎上，提出了尺度不變特征轉換SIFT(scale-invariant feature transform)算法[11]。SIFT 算法提取的圖像特征具有旋轉不變性、放縮不變性、亮度不變性[12-13]。但該方法在提取過程中數(shù)據(jù)量大，實時性較差。Herbert Bay 簡化了 SIFT 算法，并提出了 SURF (the Speed up robusted feature)算法[14]。由于采用模板對圖像加減運算濾波簡化了計算， SURF 在保持SIFT優(yōu)點的同時，增強了抗噪能力，并降低了特征點提取的計算量[15]，采用 SURF 算法提取特征點進行匹配時，當檢測圖像的細節(jié)比較豐富時，提取特征點的數(shù)量較大而且分布不均勻，導致后續(xù)特征描述和匹配的時間大幅增加，同時誤匹配的數(shù)量也會增加，匹配效果變差[16]。SURF算法及其變種算法在較多場景都有較好的應用，但由于原始算法對特征點對匹配依賴較敏感[17]，要較好的平衡定位精度和速度，還需要結合算法特征點對的匹配設置過濾條件。

針對PCB圖像配準速度和精度的要求，本文提出了結合距離篩選的改進SURF(modified SURF，MSURF)配準算法，該算法通過已知系統(tǒng)的機械誤差范圍設定特征點對距離設置閾值來剔除錯誤的匹配特征點對，從而減少誤匹配，并在實際PCB缺陷檢測上進行了實驗驗證。

1 PCB 缺陷檢測系統(tǒng)

1.1 PCB缺陷檢測系統(tǒng)硬件平臺

硬件平臺結構如圖1所示。包括：(1)CMOS工業(yè)相機，(2)C接口鏡頭，(3)光源。相機位于待檢PCB正上方，通過鏡頭采集待檢測PCB圖像；光源布置于相機四周用于控制光照的強度，保證采集到的待檢測圖像光照的一致性。(4)二維步進電機運動平臺于相機下方，用以傳送待檢測的PCB板到檢測區(qū)域；(5)待檢測PCB。

圖1 系統(tǒng)硬件結構圖Fig.1 System hardware structure

1.2 PCB缺陷檢測流程

PCB缺陷檢測流程如圖2所示。首先采集待檢測PCB圖像，然后將其與模板進行配準，通過待檢測圖像與模板圖像進行減法運算可以對待檢測PCB板進行快速缺陷分析。其分析可包括確定是否存在缺件、缺少絲印等功能。

圖2 PCB缺陷檢測流程圖Fig.2 Flowchart of PCB defect detection

2 MSURF 配準算法

PCB圖像配準是PCB缺陷檢測的關鍵步驟，如果配準精度存在較大誤差，將會影響整個檢測系統(tǒng)準確性。為了實現(xiàn)準確快速的定位，本文在SURF特征點提取的基礎上，進一步提出了MSURF特征點匹配算法。

2.1 SURF 的特征點提取

傳統(tǒng)的SURF通過引入了積分圖像和箱式濾波器，優(yōu)化了SIFT特征點搜索過程，實現(xiàn)快速配準。SURF特征點提取包括3步驟：

(1)SURF特征點檢測。這1步驟主要運用了Hessian矩陣，其表達式為：

(1)

x，y分別代表像素坐標，f(x,y)表示圖像中的每個像素的灰度值，通過對每個方向求二階偏導數(shù)得到矩陣H。

為了使特征具有旋轉和尺度不變性，算法通過構造近似代替高斯二階導數(shù)的BOX-Filter(方框濾波器)對圖像進行尺度空間變換，由此Hessian矩陣變?yōu)椋?/p>

(2)

其中Dxx是圖像中f(x,y)通過BOX-Filter得到結果(Dxy和Dyy具有相同的含義)。通過該矩陣可以得到每個像素點的特征值。

如圖3所示在不同的尺度上檢測點(以標記為叉號的像素點為例)，通過增加濾波器的大小來建立不同尺度下的“斑點響應圖”。通過判斷像素點的特征值，可以確定其是否為特征點。如Hessian矩陣的行列式是正的，則其中的特征點是3×3×3鄰域中的局部最大值。

圖3 尺度空間局部極值檢測Fig.3 Local extremum detection in scale space

(2)SURF特征點方向確定。為了使每一個特征點具有旋轉不變性要確定特征點的主方向。以上述尋得的特征點為圓心的圓形領域內(nèi)對各個角度求解x和y兩個方向Haar小波響應。最后通過Harr小波特征的和來確定主方向。

(3)求取特征點描述算子。描述符的提取可以通過構建選擇的主方向上的特征點為中心的矩形區(qū)域來執(zhí)行。如圖4所示，將該區(qū)域分成較小的4×4個方形子區(qū)域。在每個子區(qū)域，采用5×5采樣，計算每個采樣點的Haar小波響應，其中dx，dy分別代表水平方向和垂直方向Haar小波響應。然后dx和dy用高斯內(nèi)核加權。將dx和dy(∑dx,∑dy,∑|dx|,∑|dy|)的每個子區(qū)域上的響應及其絕對值相加，構成由(4×4)×4組特征值組成的矢量，形成64維的SURF描述算子，其中∑dx,∑dy分別表示dx和dy在每個子區(qū)域上的響應總和，∑|dx|,∑|dy|表示它們的絕對值的總和，最后，將SURF描述符歸一化為一個單位向量。

圖4 特征點的主方向及特征向量 Fig.4 The main direction and eigenvectorof the feature point

2.2 MSURF特征點匹配

傳統(tǒng)的SURF特征點匹配算法是通過計算多個匹配點對之間的比值是否滿足規(guī)定閾值來進行特征點對判定，這種匹配方法簡便快捷，但會產(chǎn)生誤匹配。針對PCB缺陷檢測中的問題，在已知機械系統(tǒng)造成誤差范圍的先驗條件下，本文通過提出了結合先驗約束的方式進行SURF特征點匹配算法。即通過歐氏距離與設置機械誤差范圍作為篩選條件確定最終SURF特征點。

假設特征點對為A(x1,y1)、B(x2,y2)，則其歐氏距離就定義為：

(3)

首先通過計算每個潛在特征點對之間的歐幾里德距離來執(zhí)行匹配。在這一步，會出現(xiàn)很多特征點對，其中通常包含許多可疑匹配。然后通過設置的機械誤差范圍[Dmin，Dmax]。若特征點對的歐式距離滿足該范圍即：

Dmin

(4)

則匹配成功，否則匹配失敗。

特征點匹配及計算變換矩陣H的步驟如下：

(1)從模板PCB圖像中通過SURF算法提取特征點；

(2)通過標定將已知的運動平臺機械誤差范圍轉換為像素誤差范圍；

(3)采集待檢測圖像并獲取待檢測圖像的SURF特征點；

(4)先通過SURF算法對(1)與(3)的特征點進行匹配；

(5)計算(4)中匹配的特征點對的歐式距離；

(6)通過(2)中得到的像素誤差對(5)中匹配的特征點對的距離進行判定，若距離不滿足像素誤差的閾值范圍則為無效匹配點。反之則有效；

(7)最后通過篩選出的匹配點對；

(8)采用最小二乘法擬合匹配特征點求出待檢測PCB圖像相對模板圖像的變換矩陣。

3 實驗結果與分析

為了驗證本算法特征點匹配的準確性、配準的速度性能和配準精度是否滿足PCB缺陷檢測要求，本文分別進行了特征點匹配實驗并采用歐式距離標準差、方差、計算速度和互信息度4個測度對實驗結果進行了評價。所有實驗均在安裝了matlab軟件系統(tǒng)的臺式工控計算機(i7 4700，8 G內(nèi)存)下進行。采集系統(tǒng)硬件包括了MQ042CG-CM工業(yè)相機和HK3514MP5 35 mmC口鏡頭，光源為自制平板可調色光源，以及AMC4030XY軸伺服步進運動控制平臺構成。檢測PCB板的尺寸為42 mm×42 mm。為了便于算法評價，截取了800×800的興趣區(qū)進行實驗。對機械運動誤差在0.05～0.10 mm范圍內(nèi)的圖像進行了100次模板對準實驗，提出算法中的機械誤差閾值參數(shù)設為450。MSURF算法與原始的SURF配準算法實驗結果進行了對比。

其中圖5為傳統(tǒng)的匹配算法和MSURF算法在待檢測圖像隨機進行X、Y軸平移之后，統(tǒng)計得到匹配特征點對分布的歐氏距離范圍，可見與傳統(tǒng)的特征點匹配算法相比本算法經(jīng)過機械誤差閾值篩選后其匹配的特征點對距離都在正常范圍內(nèi)，無過大偏差。相應的距離的標準差、方差如表1所示，可見本文采用的MSURF匹配算法在方差和標準差上都遠小于傳統(tǒng)算法。并且通過表1可見雖然計算速度有所降低，但是本文采用的MSURF配準算法互信息度遠高于傳統(tǒng)算法。多次實驗結果表明，與傳統(tǒng)方法相比，提出的MSURF的時間無明顯增加，平均方差和互信息度結果也證明了提出算法在準確匹配一致性上較好。

(a)SURF (c)MSURF

圖5PCB特征點匹配圖

Fig.5PCBfeaturepointmatching

最后本文對機械誤差為0.1 mm的待檢測圖分別用SURF算法和提出的MSURF算法進行特征點匹配，結果如圖6所示。在相機參數(shù)固定，運動控制平臺誤差范圍已知的情況下，可以看出傳統(tǒng)的SUFR算法出現(xiàn)了多個錯誤匹配的特點對，無法實現(xiàn)準確的圖像對準。MSURF算法由于采用了誤差先驗信息進行約束，刪除了對不滿足約束條件的特征點對無顯著的誤匹配，最終通過配準形成的圖像減法運算效果圖如圖7所示，傳統(tǒng)的算法無法對PCB缺陷進行檢測，而通過本文采用的MSURF算法進行配準后的減法運算可以有效識別PCB板存在無焊盤的缺陷。

表1 PCB配準100組結果比較Tab.1 Result comparison of 100 groups of PCB registration

本算法可準確的檢測到待檢測PCB板測試樣品缺少焊盤。實驗結果表明，提出的約束條件可以有效提升算法的匹配精度。

(a)SURF(失敗) (b)MSURF

圖6PCB配準缺陷檢測結果

Fig.6DefectdetectionresultswithPCBregistration

(a)SURF

(b)MSURF圖7 匹配特征點歐氏距離及相應個數(shù)Fig.7 Euclidean distance and corresponding number of matching feature points

4 結論

針對 PCB 板生產(chǎn)檢測工序中關于配準的實際工程問題，提出了利用運動平臺的機械誤差先驗信息作為約束，與SURF特征結合的MSURF配準算法。利用機械誤差篩選錯誤匹配點對，在良好的特征匹配點上采用最小二乘擬合獲得變換關系實現(xiàn)圖像的配準。實驗結果證明本文采用的MSURF配準算法配準效果理想精度高，適用于 PCB 缺陷檢測中圖像配準及缺陷檢測。

參考文獻：

[1] 王耀南, 劉良江, 周博文．一種基于混沌優(yōu)化算法的PCB 板元件檢測方法[J]．儀器儀表學報,2010，31(2):411-415．

[2] XIA R, ZHAO J, LIU Y. A robust feature-based registration method of multimodal image using phase congruency and coherent point drift[C].Mippr:Pattern Recognition & Computer Vision, SPIE,2013, 8919: 401-410.

[3] ZHANG J, WANG J, WANG X, et al. Multi-modal image registration with joint structure tensor and local entropy[J]. International Journal of Computer Assisted Radiology and Surgery, 2015,10(11): 1765-1775.

[4] ROCHE A, MALANDAIN G, PENNEC X, et al. The correlation ratio as a new similarity measure for multimodal image registration[C]. International Conference on Medical Image Computing & Computer-assisted Intervention, 1998, 1496: 1115-1124.

[5] MAES F, COLLIGNON A, VANDERMEULEN D, et al. Multimodality image registration by maximization of mutual information[J]. IEEE Trans Med Imaging, 1997, 16(2): 187-198.

[6] KAO S C，HO C. Monitoring a process of exponentially distributed characteristics through minimizing the sum of the squared differences[J]. Quality & Quantity,2007,41(1):137-149.

[7] CHEN J, TIAN J. Real-time multi-modal rigid registration based on a novel symmetric-SIFT descriptor [J]. Progress in Natural Science: Materials International, 2008, 19(5): 643-651.

[8] BARRERA F, LUMBRERAS F, SAPPA A D. Multispectral piecewise planar stereo using Manhattan-world assumption[J]. Pattern Recognition Letter, 2013, 34(1): 52-61.

[9] 侯北平,朱文,馬連偉，等．基于形狀特征的移動目標實時分類研究[J]．儀器儀表學報,2010,31(8):1819-1825．

[10] LINDEBERG T．Edge detection and ridge detection with automatic scale selection[J]．International Journal of Computer Vision, 1998, 30(2): 117-154．

[11] LOWE D G．Distinctive image features from scale-invariant key points[J]．International Journal of Compute1 Vision, 2004，60(2): 91-110．

[12] 王永明，王貴錦．圖像局部不變性特征與描述[M]．北京:國防工業(yè)出版社，2010．

[13] 傅衛(wèi)平，秦川，劉佳．基于 SIFT 算法的圖像目標匹配與定位[J]．儀器儀表學報，2011，32(1):163-169．

[14] 鄭永斌，黃新生，豐松江．SIFT 和旋轉不變 LBP 相結合的圖像匹配算法[J]．計算機輔助設計與圖形學學報，2010，22(2): 286-292．

[15] BAUER J，SUNDERHAUF N，PROTZEL P． Comparing several implementations of two recently published feature detectors[C].Proceedings of the international conference on intelligence and autonomous systems，Toulouse，F(xiàn)rance，2007．

[16] 高素青，譚勛軍，黃承夏．一種基于SURF的圖像配準改進算法[J]．解放軍理工大學學報(自然科學版)，2013，14(4): 372 -376．

[17] 陳藝蝦,孫權森,徐煥宇,等.SURF算法和RANSAC算法相結合的遙感圖像匹配方法[J].計算機科學與探索,2012,6(9) :822-828.