基于機器視覺的電子元器件監測平臺設計

劉晨光，王佳樂

（陜西恒太電子科技有限公司，陜西西安，710100）

0 引言

隨著科技的快速進步，電子技術已經滲透到了各個行業和領域當中，從通信設備到醫療器械，從汽車制造到家用電器。電子元器件作為這些設備的基本構成部件，其性能和可靠性對于整個系統的運行至關重要[1]。然而，在電子元器件的制造、存儲、運輸和使用過程中受到環境、物理壓力等因素，易導致元器件出現損壞、老化等現象。這些問題不僅會影響設備的性能，還可能引發安全隱患。為確保電子監測設備的高質量和長期穩定運行，本文提出一種基于機器視覺的電子元器件監測平臺設計，通過將先進的圖像處理和深度學習技術應用于電子元器件監測中，旨在實現對電子元器件狀態的自動化監測和異常監測。該平臺的設計和實施將為電子制造業提供一種可靠的監測平臺，進一步提高電子元器件的生產效率、降低其質量風險，推動工業自動化邁向更高水平。

1 基于機器視覺的電子元器件監測平臺總框架設計

基于機器視覺的電子元器件監測平臺總框架設計如圖1所示。

圖1 基于機器視覺的電子元器件監測平臺總框架圖

基于機器視覺的電子元器件監測平臺由軟件設計與硬件設計兩部分組成。其中軟件系統主要包括圖像采集模塊、目標特征監測分析模塊、通訊連接模塊、預警維修模塊四個模塊，軟件設計部分主要負責對目標電子元器件的圖像進行信息采集，精確地將目標電子元器件的特征進行詳細分析，同時監測有故障的元器件，將監測到的數據進行記錄并通過通訊模塊輸送至故障預警維修模塊，進行高效專業的監測維修手段。系統硬件部分包括鏡頭、Cognex In-Sight 系列的工業相機、Edmund Optics 系列的箱式光源、圖像采集卡、傳送軌道以及工業計算機，硬件部分負責待監測電子元器件的傳送以及目標元器件的圖像采集操作。

2 基于機器視覺的電子元器件監測平臺軟件設計

■2.1 圖像采集模塊

圖像采集模塊負責從攝像設備中獲取電子元器件的圖像數據，為后續的圖像處理和分析提供原始數據[2]。圖像采集模塊通過實時或近實時的方式捕獲圖像數據，創建連續的數據流，同時支持多通道采集數據，以滿足不同應用場景采集數據的需求。圖像采集模塊還能進行調整分辨率等數據預處理操作，以適應后續處理模塊的需求。通過DMA 數據傳輸技術，圖像采集模塊將采集到的數據傳遞給圖像處理模塊。在確保穩定性和準確性方面，該模塊考慮了硬件通信、觸發機制和錯誤處理等因素，以確保數據的完整性。監測平臺的具體圖像采集流程如圖2 所示。

圖2 圖像采集流程

如圖2 所示，圖像采集模塊在設備初始化階段，選擇適配的攝像設備以及通信接口，并設置相應的觸發機制?；谳斎胄盘柕拈撝?，利用閾值觸發算法觸發圖像捕獲命令[3]。閾值觸發計算如公式(1)所示：

式中，Q表示觸發條件，當輸入信號a大于等于閾值T，觸發圖像捕獲命令。這種閾值觸發機制可確保系統只在特定條件下進行圖像采集，而不是持續采集圖像，減少系統數據處理和存儲的負擔。一旦觸發條件滿足，圖像捕獲命令被觸發執行。此時，攝像設備開始捕獲圖像數據，并將其存儲在內部緩沖區中。并將采集到的圖像數據通過所選的硬件接口傳輸到計算機系統，儲存在系統內存中，為后續的圖像處理和分析提供原始數據。

通過數據采集的流程，圖像采集模塊實現了對圖像數據的有效采集、傳輸和存儲。這一過程的準確性和可靠性對于確保后續圖像處理操作的成功和有效性至關重要。

■2.2 目標特征監測分析模塊

目標特征監測分析模塊的主要負責從采集到的圖像數據中抽取關鍵目標特征，并進行深入分析，實現對電子元器件的全面檢測以及準確判定[4]。通過多種計算機視覺和圖像處理技術協同工作，分析元器件的特性，為后續的決策和控制提供基礎。繼而對采集的圖像數據執行特征提取操作，目標特征監測分析模塊識別出元器件的關鍵特征，之后與預設的理想特征進行對比，能夠準確判斷元器件是否存在缺陷、異常。具體目標特征監測分析流程如圖3 所示。

圖3 目標特征監測分析流程

如圖3 所示，首先，利用圖像處理技術從采集到的圖像數據中，提取電子元器件的顏色、形狀和紋理等基本的目標特征，使用Canny 邊緣檢測算法提取元器件的形狀信息[5]。Canny 邊緣檢測計算如公式(2)所示：

式中，In表示第n 個矩陣，表示圖像的第n 階標準化中心矩。nμ,20 表示第n 階橫向標準化中心矩。nμ,02 表示第n 階縱向標準化中心矩。μ20 表示二階橫向標準化中心矩。μ02表示二階縱向標準化中心矩。以上特征可以根據元器件的形狀信息進行識別和圖像分析以及匹配和分類電子元器件。隨后將這些特征與預設的理想特征進行比對，快速而準確地檢測元器件上存在的缺陷、異常；進而，使用自動分類和識別功能，并根據預先訓練的模型，將采集到的圖像與已知的元器件類別用SVM 分類決策函數公式進行匹配，實現自動標識。SVM 分類決策函數計算如公式(3)所示：

式中，f(x)表示分類決策函數的輸出；Nsupportwectors表示支持向量的數量；ai表示每個支持向量的拉格朗日乘子（Lagrange multiplier）；yi表示樣本所屬的類別取值為+1 或-1；K(xi,x) 表示輸入樣本x與訓練數據中的支持向量xi之間的相似度。b表示平移分類決策函數。

■2.3 通訊連接模塊

基于機器視覺的監測平臺通常需要與各種設備和系統進行通信，以便傳輸圖像、數據和控制命令，其主要負責確保不同組件之間的有效通信[6]。通訊連接模塊主要包含以下幾個功能：

（1）網絡連接功能：監測平臺通常需要將數據從攝像頭或傳感器傳輸到中央處理單元或遠程服務器。因此，網絡連接模塊是不可或缺的。通過以太網、WiFi、蜂窩網絡等方式實現數據傳輸。

（2）數據傳輸協議：在網絡連接的基礎上，選擇適當的數據傳輸協議也很重要。協議主要包括HTTP、WebSocket、MQTT 等。HTTP 適用于請求-響應模式，WebSocket 適用于雙向通信，MQTT 適用于輕量級的發布-訂閱通信。

（3）傳感器接口：監測平臺可能涉及多種傳感器，如攝像頭、紅外傳感器、溫濕度傳感器等。這些傳感器通常具有不同的接口和通信協議。通訊連接模塊需要支持不同類型的傳感器接口，以便平臺能夠與各種傳感器進行通信。

（4）遠程控制：監測平臺通常需要具有遠程控制的能力，以便用戶可以遠程操控平臺上的設備。這可以通過手機應用、網頁界面或其他用戶界面來實現。通訊連接模塊需要支持遠程控制命令的傳輸和執行。

總之，通訊連接模塊在基于機器視覺的監測平臺中扮演著關鍵的角色，其確保了不同組件之間的順暢通信，從而促使整個系統能夠高效地運行并實現預期的監測目標。

■2.4 預警維修模塊

預警維修模塊在基于機器視覺的監測平臺中起著重要作用，其可以幫助監測系統及時識別問題并提供維護建議[7]。具體步驟如下。

首先通過統計方法、機器學習或深度學習算法，監測監測平臺中的傳感器數據，以便識別電子元器件異常情況。深度學習算法的計算如公式(4)所示：

式中，X代表觀測值，μ代表均值，σ代表標準差。離群值檢測使用標準差、Z 分數等來識別超出正常范圍的數據點。其次利用時間序列數據進行分析，識別出現的模式和趨勢，以預測可能的問題或故障。常見的算法有ARIMA（自回歸移動平均），其計算如公式(5)所示：

式中，Y(t) 代表時間序列數據，φ和θ代表參數，ε代表誤差項；最后在預警維修模塊中用時序數據分析算法可以增強系統的故障預測和維護能力。使用回歸分析可以建立設備狀態和維護需求之間的關系，預測維護時機[8]。具體線性回歸模型如公式(6)所示：

式中，T代表維護時機，α代表模型的基準值， 1β表示溫度系數， 1t表示溫度， 2β表示工作時間的系數，t2 表示工作時間，ε表示模型無法解釋的隨機因素。線性回歸模型的目的是通過溫度和工作時間這兩個解釋變量，預測電子元器件的維護時機。通過估計α、 1β和 2β的值，了解溫度和工作時間對維護時機的影響，并用模型預測設備何時需要維護。該過程確保對系統中的傳感器所采集的數據進行全面的分析和監測，讓監測人員提前發現問題或故障，并確定維護時機。有效地提高設備的可靠性，減少維修成本，同時確保設備在良好狀態下運行?？傊?，數據分析和預警維修模塊是監測平臺的關鍵組成部分，該模塊為系統提供對設備狀態的實時監測和預測，從而提高了系統的可靠性和維護效率。

3 實驗分析

■3.1 實驗準備

為保障基于機器視覺的電子元器件監測平臺運行的穩定性與可靠性，通過模擬實驗測試系統的性能。實驗測試需準備Advantech 系列工業嵌入式計算機，該處理器支持內存在1GB～8GB 之間，具備高抗震、高溫度范圍、防塵防水等特性；此外還需要鏡頭、Cognex In-Sight系列的工業相機、Edmund Optics 系列的箱式光源、圖像采集卡、傳送軌道等硬件設備，為電子元器件的監測平臺提供有力的支持。

■3.2 實驗結果

結合以上采集的數據對基于機器視覺的電子元器件監測平臺進行分析，并生成詳細的實驗報告，實現對該平臺的運行效率、穩定性的評估。實驗數據如表1 所示。

表1 實驗數據結果

由表1 實驗數據可知，共有689 個電子元器件作為測試樣本，平臺的平均正確識別目標特征數量為674 個，平均正確識別故障元件的數量為672 個。該平臺監測元器件特征的準確率達到約98.14%，監測故障元器件的準確率在97.1%～98.9%之間變動。表明本平臺具備較高的準確率和穩定性，能夠有效且精準地對電子元器件進行監測，可以在實際工業應用中發揮重要作用的潛力。然而，對于平臺進一步的實際應用，仍需要更廣泛和多樣的數據進行測試，以確保平臺的可靠性。

4 總結

基于機器視覺的電子元器件監測平臺的研究，本文深入探討了在機器視覺下電子元器件監測平臺的設計與實驗，旨在利用圖像處理和數據分析技術實現電子元器件的自動化監測、異常檢測和問題預測。通過圖像采集、特征提取等模塊的合作，本平臺可準確識別監測目標元器件的異常情況，并預測未來可能發生的問題，對于提升元器件的生產效率，以及提高平臺監測元器件的質量控制能力和故障預防能力等方面具有重要的促進作用。期望通過未來不斷地優化和改進此平臺，實現更可靠的生產流程和高質量的產品輸出。