基于計算機視覺的電子元件表面缺陷檢測算法

任學龍

（俐瑪光電科技（北京）有限公司，北京）

引言

在電子制造領域，對電子元件表面缺陷的檢測是一項至關重要的任務。在電子制造過程中，表面缺陷是影響電子元件質量的關鍵因素之一[1]。這些缺陷可能源于生產過程中的各種因素，如材料問題、工藝控制不當等。如果這些缺陷未被及時發現和處理，將可能引發后續的產品質量問題，甚至可能對整個生產線產生負面影響[2]。因此，對電子元件表面缺陷進行及時、準確的檢測具有重要意義。

傳統的電子元件表面缺陷檢測方法主要采用文獻[2]提出的方法原理，這種檢測方法效率低下，而且易受檢測環境因素影響，難以充分挖掘缺陷特征，導致檢測準確性受限。

在計算機視覺與人工智能的飛速發展下，利用計算機視覺進行電子元件表面疵病檢測已成為一個熱門課題[3]。計算機視覺技術可以對電子元器件的表面缺陷作出有效檢測。通過處理獲取的圖像、視頻數據，得到對應場景的二維、三維信息，可自動、快速、準確地檢測出被測物體的表面缺陷，從而極大地提升加工效率與產品質量[4]。

基于此，本文引入計算機視覺，開展了電子元件表面缺陷檢測算法的深入研究，為實現對電子元件表面缺陷的自動、快速、準確檢測，為提高元件的生產效率和產品質量作出貢獻。

1 電子元件表面缺陷檢測算法研究

1.1 電子元件圖像濾波處理

在基于計算機視覺的電子元件表面缺陷檢測算法中，電子元件圖像濾波處理是算法開始的第一步，能夠有效地消除圖像中的多余噪聲，對提高檢測結果的準確率起到了至關重要的作用[5]。

首先，使用拍照裝置獲取電子元件的表面圖像，確保采用高分辨率相機和適當的照明條件來獲取高質量的圖像[6]。本文采用均值濾波方法，對電子元件圖像進行濾波處理。設定原始圖像像素點的灰度值用f（x,y）表示，基于均值濾波處理后，得出圖像像素點灰度值g（x,y）。均值濾波處理數學表達式如下所示

其中，ω 表示圖像像素點坐標為 (x,y）的鄰域像素點集合；ω 表示鄰域像素點集合 ω包含的像素點個數。針對電子元件圖像中的每一個像素點 (x,y），在該點周圍選取具有一定尺寸的鄰域。將選取的鄰域中所有像素點的平均灰度值，作為圖像像素點(x,y)的灰度值，進而可以得出濾波處理后的圖像g(x,y)[7]。在適當的范圍內，選取的電子元件圖像鄰域像素點數量越多，則 ω的值越大，圖像均值濾波的降噪效果越好，圖像越清晰，噪聲點越少。

1.2 圖像閾值分割

電子元件圖像濾波處理完畢后，有效地消除了原始圖像中存在的冗余噪聲。接下來，對電子元件圖像進行閾值分割，將圖像中的目標和背景進行區分，突出感興趣的目標區域，同時減少圖像數據量，提高后續處理的速度和效率，以實現圖像的簡化目標。

本文采用全局閾值分割方法，首先，令電子元件圖像的直方圖表示為

其中，n表示電子元件圖像中像素的總數；nq表示局域圖像中具有灰度級的像素數量；q 表示圖像對應的灰度級；L 表示圖像中可能的灰度級總數[8]。設定電子元件圖像分割閾值為k，C1表示灰度級為[0 ,1,2,...,k]的像素集，C2表示灰度級為[k＋ 1,...,L-1]的像素集合，此時，圖像類間方差可以表示為

其中，P1(k)、P2(k）分別表示集合C1、C2發生的概率，表達式分別如下所示

m1(k）、m2（k）分別表示集合C1、C2中像素的平均灰度值；mG表示電子元件圖像全局均值。此時，電子元件圖像灰度級從0 到k 的平均灰度的計算公式如下所示

1.3 基于計算機視覺的電子元件表面缺陷檢測算法設計

圖像閾值分割完畢后，獲取電子元件表面缺陷初步檢測結果。接下來，利用計算機視覺技術，設計電子元件表面缺陷檢測算法，進一步精確檢測元件表面是否存在缺陷。首先，使用OpenCV 計算機視覺庫，讀取要處理的電子元件圖像，并將其轉換為灰度圖像。其次，使用Prewitt 算子邊緣檢測算法，計算圖像的水平和垂直方向梯度，得出電子元件梯度圖像。計算公式分別如下所示

其中，Gx(x,y) 表示圖像在坐標點 (x,y)處的水平方向梯度；Gy(x,y)G x(x,y) 表示圖像在坐標點(x,y）處的垂直方向梯度；I(x,y)表示圖像在坐標點(x,y）處的像素值[10]。根據梯度圖像中的邊緣信息，提取出電子元件圖像的邊緣。根據邊緣像素點的梯度值和方向，計算出梯度的幅值和方向，公式如下所示

其中，R(x,y)表示圖像梯度幅值；S 表示圖像梯度方向，取值范圍為[-π/2，π/2]。統計圖像的梯度幅值和方向，得到圖像的梯度特征。由于電子元件圖像水平梯度投影均值與垂直投影均值均屬于整個圖像梯度的均值，用M 表示，結合電子元件的功能及特征，設置一個適用于該元件的梯度均值閾值Tc。若M＜T，則判斷該電子元件表面無缺陷；若M≥T，則判斷該電子元件表面存在缺陷，實現電子元件表面缺陷檢測目標。

2 實驗分析

2.1 實驗準備

基于計算機視覺的電子元件表面缺陷檢測算法的實驗目的在于驗證算法對電子元件表面缺陷的檢測準確性，包括對不同類型的缺陷進行正確分類和識別，同時探究其在不同類型電子元件表面的適用性。

在實驗開始前，根據計算機視覺的運行需求，搭建實驗測試環境。環境配置如表1 所示。

表1 電子元件表面缺陷檢測實驗環境配置

按照表1 所示的配置參數，搭建此次實驗的測試環境。實驗數據集包含1 400 張電子元件表面圖像，其中500 張為正常表面圖像，900 張為具有缺陷的表面圖像。這些圖像涵蓋了電阻、電容、二極管等多種類型的電子元件，數據集的具體信息如表2 所示。

表2 實驗數據集具體信息

按照表2，選取實驗數據集，為了方便實驗中使用和比較不同算法的性能，對所有圖像都進行了歸一化處理，將像素值調整到[0,1]的范圍內。同時，為了保護數據集的隱私和安全，對所有圖像都進行了脫敏處理，將敏感信息進行遮蓋。在此基礎上，應用本文提出的基于計算機視覺的電子元件表面缺陷檢測算法，開展實驗測試，根據測試結果，評估該算法是否可行。

2.2 檢測結果分析

為了增強此次實驗測試結果的可信度，采用對比實驗，將本文提出的基于計算機視覺的電子元件表面缺陷檢測算法設置為實驗組，將文獻[2]提出的電子元件表面缺陷檢測方法、文獻[6]提出的電子元件表面缺陷檢測方法分別設置為對照組1 與對照組2，通過對比三種方法的檢測結果，驗證本文提出的檢測算法是否可行。選取電子元件表面缺陷檢測率作為此次實驗的評價指標，缺陷檢測率計算公式如下所示

其中，Mj表示算法檢測到的電子元件表面缺陷樣本數；M 表示選取的缺陷樣本數。這個公式用于評估算法對電子元件表面缺陷的檢測能力和效果。通過對比不同算法的缺陷檢測率，可以評估算法在表面缺陷檢測方面的性能優劣。缺陷檢測率越高，說明算法對表面缺陷的檢測能力越強，準確性和完備性越好。利用模擬分析軟件，模擬三種方法的檢測全過程，測定三種方法針對不同類型缺陷的檢測率，并作出對比，結果如圖1 所示。

圖1 電子元件表面缺陷檢測率對比結果

通過圖1 的對比結果可知，本文提出的基于計算機視覺的電子元件表面缺陷檢測算法應用后，對6 個不同類型的電子元件表面缺陷的檢測率始終高于另外兩種檢測方法，缺陷檢測率較高，說明算法對表面缺陷的檢測能力更強，準確性和可靠性更好，可以幫助電子企業及時發現并解決元件生產過程出現的表面缺陷問題，檢測效果優勢顯著。

結束語

開展基于計算機視覺的電子元件表面缺陷檢測算法研究的重要性在于，它不僅可以提高生產效率，更能夠從根本上保障電子元件的生產質量，為現代電子工業的穩健發展提供有力支撐。本文提出的研究，有效地實現了對電子元件表面缺陷的高精度檢測，使檢測算法達到相當高的檢測率，以適應各種復雜場景和多變條件，進而實現對各種類型和復雜度的表面缺陷的高效檢測。通過使用計算機視覺技術，可以實現自動化、高精度的缺陷檢測，減少人工檢測的誤差。然而，基于計算機視覺的電子元件表面缺陷檢測算法設計也面臨著一些挑戰和問題，在未來的研究中，應當不斷推動算法的標準化和規范化，以促進其在不同行業和領域中更廣泛的應用和互操作性，為電子工業的未來發展帶來更加顯著的價值和貢獻。