[发明专利]一种基于学习机制的IC焊点缺陷检测方法

说明书

本发明提供了一种基于学习机制的IC焊点缺陷检测方法，包括：根据多个合格IC焊点样本建立局部统计模型；采集IC焊点样本输入到局部统计模型中进行对比得到潜在缺陷图像作为训练集，训练集包括合格样本和不合格样本；利用训练子集对多个分类器进行训练；利用训练好的多个分类器对训练集进行评估，确定每个分类器的权重，计算每个样本的平均不合格概率，计算评估阈值；采集待检测的IC焊点样本图片，利用局部统计模型和多个分类器得到IC焊点样本的平均不合格概率，将平均不合格概率与评估阈值进行对比后获得检测结果。本发明提供的方法，自适应设置分类器权值与评估阈值，提高了IC焊点缺陷检测的准确率与鲁棒性，评估结果更加合理。

技术领域

本发明涉及数字图像处理应用领域，尤其是涉及一种基于学习机制的IC 焊点缺陷检测方法。

背景技术

表面贴装技术(Surface Mount Technology，SMT)广泛应用于印制电路板(Printed Circuit Board，PCB)的生产中，SMT技术是一种将无引脚或短引线表面组装元器件(简称SMC/SMD，中文称片状元器件)安装在印制电路板的表面或其它基板的表面上，通过再流焊或浸焊等方法加以焊接组装的电路装连技术。

利用SMT技术将集成电路IC组件直接安装或放置在PCB表面上，由于 IC引脚是IC元件与PCB之间的电子连接的桥梁，其质量对PCB及电子器件的可靠性和实用性至关重要。随着微电子制造业的快速发展，PCB上的IC器件密度越来越高，尺寸越来越小，使得人工检测IC焊点变得困难。

随着计算机视觉技术的发展，自动光学检测(AOI)系统被广泛应用于产品表面缺陷检测，以评估许多工业产品的质量。为了实现不同产品的AOI系统，需要根据对象的特点对AOI系统的检测方法进行调整。目前，AOI系统上很少针对IC焊点缺陷进行检测的算法。

对IC焊点缺陷进行检测的现有方法，大多是先对合格样本进行建模，得到合格样本的模型，然后将模型与其他样本进行对比，得到一个二值图；像素的与模板匹配的在二值图里为0，不匹配的为1；然后，结合待测样本二值图中的像素点加权求和来评估样本。

现有方案中只使用了合格样本作为训练样本，模型的建立以及阈值都是基于合格样本确定，因此，这些方法忽略了不合格样本的模式，检测结果只能确定训练样本中学习的合格样本模式，即检测结果只能确定一定范围内的合格样本，超过一定范围的合格样本，则容易被认为是不合格样本。

现有方案中对像素点的权重难以合理设置，对样本质量进行评估的过程中，通常是对样本二值图的像素点进行加权求和，其权重的确定方式要么是根据先验知识人为设定，要么是根据缺陷频率图确定。无论前者还是后者，都十分依赖于合格样本模型的质量，若合格样本模型的训练样本很少，则检测结果容易变差。

现有方案中的评估方法缺少整体考虑，评估方法过于简单，难以从整体上评估样本的质量，而且难以确定评估阈值，因此，需要更多的训练样本才能得到可靠的检测结果。

发明内容

本发明的目的是提供一种基于学习机制的IC焊点缺陷检测方法，以解决现有方法中难以从整体上评估样本质量、难以确定评估阈值的技术问题。

本发明的目的，可以通过如下技术方案实现：

根据多个合格IC焊点样本建立局部统计模型；

采集IC焊点样本的图片，输入到所述局部统计模型中进行对比，得到所述IC焊点样本的潜在缺陷图像作为训练集；其中，所述训练集包括合格样本和不合格样本，所述合格样本为合格IC焊点样本的潜在缺陷图像，所述不合格样本为不合格IC焊点样本的潜在缺陷图像；

利用不同的训练子集对多个分类器分别进行训练；其中，所述训练子集由训练集中所有不合格样本及相同数量的合格样本组成；