SMT产品质量机器视觉检测中的机器学习.docVIP

SMT 产品质量机器视觉检测中的机器学习 Machine Learning in AOI for SMT Products 罗兵（五邑大学信息学院，广东 江门 529020） LUO Bing( Informatics College, Wuyi University, Jiangmen 529020, China ) 摘 要：SMT 产品机器视觉检测 AOI 中，对具体产品样本进行机器学习时，难以得到被检测产品的多种缺陷 样本，合格产品样本也需要减少学习样本数量，以提高检测速度，减少人工检测。文中研究了 SMT 产品的机器 视觉图象特征及分布，结合快速分层的并行检测方法，提出了针对大量产品正、负类样本学习建立检测经验 参数，针对具体产品负类学习建立模板的学习方法。并在具体产品样本学习中采取动态阈值，以减少人工检 测确立学习样本的数量。多个生产线的产品检测实验表明本方法可以速有效地建立 AOI 检测模板参数。 关键词：机器视觉检测；贴片安装技术；自动质量检测；机器学习 中图分类号：TP274.3 文献标识码：A 文章编号：1003-0107(2009)01-0039-04 Abstract: In automated optical inspection for SMT products, positive class samples were difficult to find for machine learning and samples num- ber were expected to decreased to improve effect. Based on quick inspection method, this paper proposed machine learning for image features that independent with products types to set up AOI classifier and other features for samples. Dynamic thresholds were suggested during model setup that refusing rate descended while more detail type product images were learned. Experiments for SMT products from different lines showed that this approach was effective. Key words: AOI；SMT；automated quality inspection；machine learning CLC number: TP274.3 Document code: A Artecle ID:1003-0107(2009)01-0039-04 1 引言 对电子贴片安装产品（SMT）进行自动机器视觉检测时，必 须首先进行机器学习以确定检测参数。但是 SMT 产品型号多 样，对具体产品进行机器学习时，由于 SMT 产品一般合格率 比较高，缺陷率低于 5%，这样很难以 得 到 缺陷 产 品 样本（正 类）进行学习[1]。同时，对合格类产品样本（负类）进行学习时， 学习样本也是经过人工检测确定的类别，如果需要大量的学 习样本，必然需要大量的人工检测，从而降低了自动检测的效 率。这对于多品种、小批量的电子产品生产检测尤其不利[2]。 的检测方法和 SMT 产品的特点，我们提出了分层学习的机器 学习方法。同时在对具体产品样本进行机器学习时采用动态 阈值的方法，在确保早期检测可靠性的前提下减少人工检测 的数量。 2 S MT 产品的图像特征及分布 AOI 将产品分为合格和缺陷，并将缺陷产品进一步分类 为缺件、偏移、歪斜、极性错、器件型号错、直立、侧立、翻件、桥 接、焊接不良等多个缺陷类别。 对于第一层合格和缺陷两分类，与标准模板的灰度值归 一化相关系数是比较好的图像特征[3]： ∑∑ CG= ∑ x=1∑ y=1 fs(x,y)-μs f (x,y)-μ ∑ ∑ n m a . 合格安装1K 电阻 b . 型号错 T T (1) m×n×σs×σT 其中 fs(x,y)为样本图像在(x,y)点处的灰度值，fr(x,y)为模 板图像的灰度， 图像共 m 行、n 列，μs 为样本图像的灰度均 值，μr 为模板图像的灰度均值，σs 为样本图像的灰度标准差 （方差根），σr 为模板图像的灰度标准差（方差根）。该特征反