pcb孔位信息的流水线自动化全检

pcb孔位信息的流水线自动化全检

0研究过程中孔位信息的全检随着新兴产业的发展，如ic、pc、tc、bga和光通信产品的翻新需要100%的检查。目前，一些检验设备通常用于在线抽样，对人们的依赖性很高。因此，自动光学检测设备（如aoi）。AOI设备通常是用于流水线上,对加工的工件进行在线实时检测,所以对设备的可靠性、准确性、处理速度和检验精度都有很高的要求,而且AOI设备的优劣直接决定了工厂的生产效率和生产成本,可以说是举足轻重.赋予机器一定的人工智能,使得机器能够自动重复执行任务,提高测量精度和效率,摆脱对人工依赖,是目前很多工厂的实际需求.目前在AOI设备中,应用较为广泛的有PCB板的瑕疵检测设备,其主要利用机器学习中的归纳法,即不断的对PCB板中的瑕疵进行分类归纳,并不断并入知识库中,检测过程中,机器通过对知识库的检索,找到对应的瑕疵类别进行比对,报告给系统.PCB板加工时,具有电气连接的通孔位位置和形状的准确性直接影响到成品的品质,所以需要对其进行在线全检测,以保证其加工品质和减少后端加工损失.为了实现对PCB板加工的孔位信息全检,目前有GERBERfile文件解析法,即通过对文档的解析,提取出内部的孔位位置信息,然后根据坐标位置进行逐个检测,其实质是机器对PCB板的加工文档进行学习后再转化为测量档案进行检测,其智能化程度较高,类似的方式还有pxf文档解析,G代码解析等.但是,这种解析法有一个缺点,那就是只要PCB的加工文档的存储格式有所改变,就需要重新设计开发对应的解析档来实现自动检测,需要的开发工作量较大.为此,依据机器学习中机械学习法广泛模型,设计了一种通用的先教后学的自动检测模式,首块PCB板由用户根据PCB板图档首先进行采像测量,由计算机对整个过程信息进行存档记录,然后再在流水线上执行学习档案,进行重复测量,无需针对加工文档解析.针对初始位置的微小错位可能导致的程序意外中止,开发了对应的图像算法,减少了自动学习执行过程中的测量差错.在BolandC++环境下,开发设计测量软件实现了PCB板孔位信息的全检.1机械学习的模式学习是生物中枢神经系统的高级整合技能之一,是人类获取知识的重要途径和人类智能的重要标志.机器学习则是计算机获取知识的重要途径和人工智能的重要标志,是一门研究怎样用计算机来模拟或实现人类学习活动的学科,是研究如何使机器通过识别和利用现有知识来获取新知识和新技能.作为机器学习方法,目前主要有几种类型:机械学习、归纳学习、类比学习、解释学习、基于神经网络的学习、知识发现.机械学习法的实质就是记忆,即把新的知识存储起来,供需要时检索调用而无须计算和推理.在机械学习系统中,知识的获取以较为稳定和直接的方式进行,不需要系统进行过多的加工.而对于其他学习系统,需要对各种建议和训练例子等信息进行加工处理后,才能存储起来.当机械学习系统的执行部分解决好问题之后,系统就记住该问题及其解.可以把学习系统的执行部分抽象地看成某个函数,该函数在得到自变量输入值(X1,X2,…,Xn)之后,计算并输出函数值(Y1,Y2,…,Yp).机械学习在存储器中简单地记忆存储对((X1,X2,…,Xn),(Y1,Y2,…,Yp)).当需要f(X1,X2,…,Xn)时,执行部分就从存储器中把(Y1,Y2,…,Yp)简单地检索出来而不是重新计算它,这种简单的学习模式见图1.如果没有引入人工智能,对PCB板的整个测量模式可以归纳如下:打开照明系统,人工移动物体到某一特征位置,调节光照,获取最佳图像,对该位置的孔位进行测量,包括其直径,孔位中心距等参数,完成后继续移动物体,对其他特征进行类似操作,直到完成全部的孔位测量.为赋予机器人工智能,将整个过程进行抽象后,按照机械学习的模式,可以得到图2学习模型在整个过程中,机器记录下人为操作的每个动作及相关的位置、光照信息,完成后存档供后面同型号PCB板的流水线检测时调用,并且可以循环执行,整个执行环节见图3.机器通过调用学习档案中的相关信息并载入内存,然后驱动电机定位,恢复现场的光照条件,载入现场执行的测量函数,恢复执行操作函数时的对应参数,代入函数然后根据实时采集的图像进行测量.通过机械学习的模式,整个检测过程只需要人工分析操作一遍,把整个过程记入学习档案,那么在重复执行检测过程的流水线,通过执行学习档案,可以由机器实现自动线全检,减少了对人工的依赖,提高了测量精度和测量效率.2同心圆区间测量法机器在实现全检的过程中,机台的定位和检测电路板放置到测量平台上的位置都有可能有微小的错位,而作为精密显微测量的光学设备如果人为测量,可以及时调整,但是如果机械重复测量时,采用的取点动作需求如果过于精确,按照存储档案中的参数做测量时,有时候会导致因测量条件不满足程序出错,使得整个自动测量环节意外中止,影响到测量效率.为此,需要开发具有一定适应性的图像检测算法,解决对定位过于要求精确的问题,顺利实现智能循环检测,见图4.线侦测法是采集边界点的一种高效方法。图5中,起点SP(SrcX,SrcY)﹑终点DP(DstX,DstY)在图像当中的坐标值为此量测线段于整幅图中起终点位置﹔确定了起终点位置后,该条线上所包含的图元数目也就确定,每个图元的灰度资讯都可以从原图中获取,完成该步后,计算出每个图元位置的一阶灰度微分值,从而获得由黑到白各峰值资讯阵列,根据图像特征确定一阶微分峰值的门槛值,超过此门槛值的峰值才列入考虑,在此基础上,确定列入考虑的峰值中再次向上增加的门槛值,用以滤除小振幅的杂讯波,并且加入一个列入考虑之峰值两侧之灰度差异门槛值,用以消除背景噪声的干扰,通过各门槛值的过滤,最后获得的最大峰值点就是所要侦测的最佳边界点.该方法的好处在于,只要选择合适的侦测线起终点位置,即使机台、工件位置和学习状态下比有微小的错位,也能准确侦测到边界点的位置,由于其后续测量都是相对测量,不影响工件特征的测量结果.同心圆区间侦测法是专门针对圆弧和圆度测量而专门开发的测量方法.其主要的思想实际还是源于线侦测法,见图6.测量时确定圆内径外径、圆心位置、起始角和最大角度,然后沿着直径方向,等角度间隔拉一系列侦测线,按照线侦测法,每条线找到一个圆周上的边界点,多个圆周上的点通过最小二乘拟合的方法拟合圆周,然后获取圆心直径圆度等特征参数,其拟合方法如下,式中,(xi,yi)代表圆周上的点,通过解矩阵方程,可以求取出圆方程的系数a、b、c,得到圆周半径那么其圆心坐标为,其直径为,边界上每个点再与圆心求距离,a可以获取圆度误差值.同心圆区间法对于圆周内径和外径的取法有一定讲究,内外径如果取得过小,对工作台定位要求越高,但是处理时间越短,如果内外径差距越大,则运算时间越长,但是对机台和工件的定位要求有所降低,所以需要折中考虑.图7为区域分割法测圆示意图,整个测量过程如下,首先通过鼠标点击感兴趣的一个矩形区域,确定矩形区域的左上角坐标和右下角坐标;然后根据矩形区域内每点的灰度值统计得到该区域的直方图.根据直方图分布,找到代表图像特征和图像背景的灰度双峰峰值,双峰之间的最低谷处就是图像的阈值所在,根据该分割阈值对图像进行分割.图像分割后根据八邻域法则得到分属不同的图块,并进行像素标记,统计计算每个分块的面积值,去除面积较小的分块,得到面积最大分块的粗略边界点,完成该步后对边界点进行八邻域精确搜素,对各个方向上相邻点的灰度值求梯度,最后计算梯度值的极值,处于极值的位置就是图像精确的边界位置.最后把边界点代入函数计算式,拟合出对应的元素特征参数值.整个流程见图8.该方法虽然矩形的区间的大小影响了图像分割的计算时间,但是如果采样的矩形区域较大,将很好的消除由于定位误差对测量的不良影响,有利于自动学习程序顺利执行.3tautothodispe内部类机器人工智能需要人工操作“教”给它相对应的动作,将信息存储起来,在执行该存储档案时,按照相关操作函数执行作业,其思维过程为下面的范式{存储信息X1,X2,…,Xi}à{执行函数Y1,Y2,…,Yi}.为了能够让机器自动循环执行人工教授的测量功能,依据该范式,提炼出整个过程的信息需求,在BolandC++编译环境中,编写了对应的类,并依据学习流程图开发了自动光学检测软件,实现了具有一定人工智能的PCB流水线全检.TAutomethodInspection类主要用于存储信息,包含有动作名称,机器位置,灯源状态,执行动作名称,操作参数等信息,存储类物件即在执行程序时主要用于记录人“教”给机器动作的所有信息,并压入机器学习执行物件的存储容器类物件中,完成一步后清空再重复进行下一步操作,整个过程完成后把信息存储起来,其单步执行过程见图9.TAutoInspection类用于机器学习档案的执行,主要包括对应的一些处理函数,动作名称类物件,TAutomethodInspection容器类物件等.从该类的物件中找到TAutomethodInspection容器类对象,将所有人工“教学”信息从里面取出,根据记录信息,每步开始后,首先进行机台定位和灯源控制,然后根据记录的动作名称,选择执行物件的测量动作函数并加载相关参数,图10为机器学习档案的单个执行流程图,如果要多次机械简单重复执行,只需要将整个过程进行循环即可.4视觉检测技术机器学习是人工智能发展中一个十分活跃的领域,其研究目的是希望计算机如同人类一样具有从现实世界中获取知识的能力,同时以模拟人类的学习过程出发点,建立学习的计算理论,构造各种学习系统并将之应用到各个领域中去.发展各种适合机器特点的学习理论,已经成为自动化研究的一个热门,并且随着计算机技术的迅猛发展,深层次的机器学习理论融入自动化检测设备中的可能性也越来越大.近年来得到迅猛发展的视觉检测技术,在很多制造领域都得到了良好应用.在PCB的生产加工领域中,有对产品的通断、漏焊和缺块等微观瑕疵的检测,也有对产品的细小尺寸的精密测量;在布匹的品质控制中,有专门花纹纹理的瑕疵检测;在液晶显示器的生产线上,有专门针对液晶的制造缺陷的瑕疵检测.这些检测如果通过人工检测,其效率和准确度都很难得到保证,所以实现其具有较高智能程度的精密检测,成为仪器设备开发人员的研发方向.本文研究了将简单的机械学习理论应用到了PCB孔位信息自动光学检测设备中,