晶片焊线机视觉检测算法研究
- 格式:pdf
- 大小:513.42 KB
- 文档页数:4
晶片焊线机视觉检测算法研究摘要:全自动晶片焊线机是晶片生产的关键设备之一,其视觉检测系统是设备的核心技术所在。
视觉检测技术直接影响晶片检测定位精度和焊接机的工作效率。
论文分析了晶片检测原理和方法,研究了基于图像处理技术的晶片检测和定位算法,着重讨论了灰度模板匹配和二值模板匹配的方法。
实验表明,系统在速度和精度上都可满足焊线生产的需求。
关键词:视觉检测,图像处理,模板匹配,晶片检测定位,自动焊线机,Study on the Algorithms of Vision Detectionof Automatic IC Wire BonderDuan Jin,Jing Wenbo, Zhu Yong, Lu Jian(Changchun University of Science & Technology, Changchun, 130022, China, Duanjin:duanjin@ )Abstract:The Wire bonder is one of the primary equipment for chip production. The machine vision system is very crucial in the process of wire-bonding. The princeple of the chip detection is analysised, and the algorithms of detection and location based on image processing tenology is presented in this paper. The matching algorithms are discussed emphatically in the gray image template and the binary image template. The speed and accuracy of the algorithms are good enough to meet the practical application requirement.Key words:Vision detection, Image processing, template matching, Chip detection & location, Wire bonder0.引言半导体制造后工序中的引线键合设备在集成电路制造中是必不可少的。
基于视觉的焊缝质量检测技术研究目前,焊缝质量的检测主要是通过人工来实现完成的,这种方法不但成本高、所需时间长、效率低、主观性强,而且单纯依靠工人进行焊缝质量的检测已经无法满足现代化焊接技术的要求。
机器视觉作为一种非接触性测量方式,具有灵敏度高、测量精度高等特点,因此在工业检测中得到了广泛应用。
本文将机器视觉技术应用到焊缝质量检测中来,对焊缝成形几何尺寸进行测量的同时对管板焊焊缝表面存在的缺陷进行识别和分类。
针对表征焊缝成形尺寸的结构光图像的中心线提取,提出了一种将Hessian矩阵法和质心法相结合的提取方法。
首先采用Hessian矩阵法来计算结构光条纹的法线方向,在法线方向上求取灰度分布的极值点来初步确定中心点。
之后采用基于灰度值平方加权的质心法来实现对结构光中心线的进一步提取,获得中心线后对其中的突变点进行剔除,最后对剔除的中心点利用相邻中心点进行线性插值进行填补,使得最终获得的中心线连通性较好。
对比各个中心线提取法,此方法得到的结构光中心线精度高、耗时少而且稳定性比较高。
对于结构光图像的特征点提取,提出了采用RANSAC算法对结构光进行拟合。
相较于最小二乘法对于干扰点敏感,利用此方法得到的直线抗干扰能力强且准确率高,同时针对拟合时间长的问题提出了对原始数据集进行减半操作,在保证精度的同时大大提高了拟合速度。
对于特征点的提取,先检测其中的极值点实现粗定位,再采用基于移动向量距离和的方法来实现特征点的细定位。
通过对管板焊焊缝表面存在的典型缺陷进行分析得到了其特有的特点,然后首次使用机器视觉检测管板焊焊缝表面缺陷。
针对管板焊缺陷的图像分割问题,提出了一种基于灰度-梯度激励强度共生矩阵的加权二维Renyi熵算法。
针对传统的二维熵没有考虑边缘和噪声点的影响因此获得的分割结果对噪声点比较敏感的问题,本文提出了一种基于灰度-梯度激励强度共生矩阵的二维Renyi熵算法,此矩阵充分考虑了像素邻域梯度的主方向以及梯度强度,并采用一种新的二维熵划分方式来对矩阵进行分区,对噪声点比较鲁棒。
基于机器视觉的激光焊接质量检测研究机器视觉是应用计算机和摄像机等设备获取、处理图像信息的技术,被广泛应用于工业、医学、军事等领域。
在智能制造方面,机器视觉技术被用于实现生产线的自动化和质量检测,提高产品的生产效率和质量。
激光焊接是一种高精度的焊接技术,使用激光束瞬间将两个工件焊接在一起,具有焊缝美观、焊缝小、变形小等优点。
然而,激光焊接中的焊缝质量往往受到各种因素的影响,如焊接参数、材料性质、焊接设备等,因此需要进行实时监测和检测,以确保焊缝质量。
基于机器视觉的激光焊接质量检测是一种新兴的技术,可以利用智能摄像头获取激光焊接的图像信息,并对焊缝进行实时监测和检测。
该技术可以提高激光焊接的质量控制能力,减少焊接缺陷和不良品率,提高生产效率。
机器视觉技术在激光焊接质量检测中的应用机器视觉技术可以监测激光焊接过程中的各项参数,包括焊缝形状、焊接池大小、焊缝偏差等,提供实时反馈和数据分析。
其基本思想是通过采集激光焊接的图像信息,对图像中的焊缝进行分析和识别,以自动化的方式进行焊缝质量评估和检测。
在激光焊接中,焊接池的形状和大小是重要的焊缝质量指标。
因此,机器视觉技术可以通过分析焊接池的几何特征和图形,对焊接质量进行评估和检测。
例如,利用机器视觉技术可以对焊接池的尺寸、形状、深度等进行实时监测,并根据一定的算法对焊接质量进行判断。
此外,机器视觉技术还可以对焊接结束后的焊缝进行缺陷检测,例如检测焊缝表面的气孔、裂纹、夹杂等缺陷情况。
利用这些技术手段,可以有效地预测焊接缺陷的发生,并及时调整焊接参数,保证激光焊接的质量。
机器视觉技术在激光焊接质量检测中的局限性机器视觉技术在激光焊接质量检测中的应用是有一定局限性的。
首先,其识别和检测的精度取决于图像处理算法的质量,需要对焊缝的特征加以研究,开发合适的算法进行处理。
其次,焊接过程中产生的烟雾、氧化皮等影响图像质量的因素会影响识别和检测的精度。
此外,在复杂的环境(如高温、高真空等)下,机器视觉技术的应用也可能受到限制。
机器人视觉算法在焊接领域中的应用研究一、引言在现代制造业中,焊接是一项重要而基础的工艺。
在生产过程中,焊接有助于将金属材料合并成单一的整体。
然而,手工焊接的错误率较高,精度低,产生的焊接缺陷会加大生产成本和延长生产时间。
为了解决这些问题,许多制造企业开始尝试使用机器人给位于生产线上的零部件进行焊接。
为了提高焊接精度,机器人视觉算法成为一种重要的解决方案。
本文将探讨机器人视觉算法在焊接领域中的应用研究。
二、机器人视觉算法的基础1. 机器人视觉算法的概述机器人视觉算法是一种使用数字技术从图像中分析和提取信息来识别物体的算法。
它基于曲线检测、数字图像处理、机器学习和人工智能等技术,可以有效地识别、定位和检测缺陷。
2. 机器人视觉算法的应用领域机器人视觉算法可以应用于许多领域,包括电子和汽车制造、医疗和医药、农业、航空航天和安防等。
在焊接领域,机器人视觉算法可以用于识别和定位焊点、测量焊缝的质量和精度,并检测焊接缺陷。
三、机器人视觉算法的具体应用1. 机器人视觉算法在焊接中的优势机器人视觉算法的优势包括高精度、高速度、高准确性和可重复性。
尤其是在无人工干预下,它可以减少人为因素对焊接的影响,提高焊接的一致性和质量。
2. 机器人视觉算法在焊接中的应用机器人视觉算法在焊接中的应用包括焊接机器人的定位、焊接参数优化、焊接速度控制、焊接头部分析和智能焊接等。
例如,机器人视觉算法可用于检测焊缝是否均匀、焊接后是否有氧化毛刺等。
四、机器人视觉算法的发展趋势1. 模式识别技术模式识别技术是机器人视觉算法的基础之一。
它可以根据样本的特征和属性,对同类元素进行分类和判别。
未来的机器人视觉算法将更加依赖这种技术。
2. 深度学习技术随着深度学习技术的发展,如图像处理、人工神经网络和深度卷积神经网络等技术,机器人视觉算法的性能将得到显著提升。
通过学习海量数据,机器可以更加准确地辨别数据。
3. 人机协同技术人机协同技术将成为机器人视觉算法的关键技术之一。
针对SMD晶体器件检测的机器视觉系统的设计引言SMD(晶体谐振器)晶体器件检测是在晶体器件生产流程中一道至关重要的工序,晶体器件的所有电性能指标经过该道工序的检测后,合格品即可包装出厂。
由于其是最后一道检测工序,因此其检测的正确率直接影响到出厂产品的品质。
一般来说,在批量生产中同一批次的产品中误测率必须小于2ppm,即一百万个出厂产品中,不能出现2个不合格品,否则购买该批次产品的用户就会要求退货。
而对于出口产品,用户的要求则会更加严格,除了要求电性能指标要符合要求外,印制在SMD器件外壳上的标记的方向也必须保持一致。
因此,为了提高产品的出厂品质,除了使用高精度的网络分析仪外,还必须要求SMD晶体器件检测方向的一致性,特别是对于SMD晶体振荡器的检测,必须是以预定的方向进行检测,否则无法正确测试出其电性能指标。
由于SMD晶体器件的方向,是由处于焊接面的焊盘的外形决定的。
无法采用光纤传感器、磁性传感器等通用的传感器来进行检测,而只能使用工业相机对其焊盘进行拍照,以分析焊盘的外形来进行识别。
因此,在对SMD器件点性能参数的自动测试的研制过程中,依靠大量的人工来进行的生产变得越来越不可靠,还必须专门研制一套针对SMD晶体器件方向识别的机器视觉系统。
检测系统总体构成由于该机器视觉系统是应用于SMD器件检测系统中的,因此首先对整个检测系统的总体构成进行简要介绍。
检测系统总体框图如图1所示。
待测SMD器件由振动送料机构以队列的方式进行输送,机器视觉系统对处于队列最前端的SMD器件进行拍照判别,如果该器件的方向与预定的方向一致,则通知动作机构直接将该器件搬运至电性能检测工位。
若该器件方向与预定的方向相反,则通知方向纠正机构将该器件进行180度转向后,送入电性能检测工位。
若未检测到器件的焊盘面,则表明该器件为外壳面向上,而无。
基于机器视觉的焊接质量检测技术研究随着制造业的不断发展,焊接技术已经成为现代工业中不可或缺的一部分。
然而,焊缝质量的控制对于确保焊接工件的性能和寿命非常重要。
为了完成这项工作,需要不断寻求新的方法和技术。
其中,基于机器视觉的焊接质量检测技术便是一种非常可行的选择。
思路一:机器视觉技术的介绍前所未有的信息时代,机器视觉技术史无前例地成为我们日常生活及工业制造等领域的关键技术。
机器视觉技术是一种立足于光学显微学、图像处理学、模式识别学、自适应与智能控制学等领域的交叉学科,它通过光学设备及数字处理技术,对被检测器件及其相关特征进行采集、处理、判断、控制或反馈等多种处理方式。
它的主要应用领域包括品质检测、自动控制、机器人技术、航天航空、智能交通等一系列领域。
思路二:焊接质量检测技术的发展作为制造工艺的重要环节,焊接技术一直是产业界和学术界研究热点,对于焊接质量的检测和控制也越来越受到重视。
在传统的焊接质量检测技术中,人工检验占据了主导地位,但由于其劳动耗时、无法实时获取大量的数据、主观性较强以及易受人类视觉差异等因素的影响,其检测效果不尽如人意。
此时,基于机器视觉技术的焊接质量检测技术应运而生。
该技术采用高速摄像机对焊接过程进行实时图像和视频监控,然后通过图像处理算法,自动分析和诊断焊缝质量,并生成详细的报告。
机器视觉技术的使用,不仅可以获得更准确的检测结果,而且能够大大提高焊接质量的检测效率和产能。
思路三:机器视觉焊缝检测技术的特点与传统的人工检测方法相比,机器视觉技术在焊接质量检测中具有多个独特的特点:(1) 非接触式检测,不会对产品形态和尺寸造成影响;(2) 可重复性好,可以减少人员不确定因素和测试误差;(3) 自动化程度高,效率提高,削减人工成本;(4) 可以实现在线检测,缩短反馈闭环时间,提高产品的一致性和稳定性。
思路四:机器视觉检测技术的应用现代工业中的焊接生产存在很多因素影响焊接质量,如板材的出现了偏差、板材因翻转后位置不稳定、焊枪的工作状态不稳定、电源输出不稳定、杂散电磁场的干扰等等。
焊接质量控制中基于机器视觉的焊缝缺陷检测技术在焊接工艺中,焊接质量的控制一直是一个重要的任务。
传统的焊缝质量检测方法存在一些局限性,如人眼判断主观性大、效率低等问题。
随着机器视觉技术的发展,利用图像处理与计算机视觉算法来进行焊缝缺陷检测逐渐成为焊接质量控制的一种重要手段。
一、机器视觉在焊接质量控制中的应用机器视觉技术是一种通过调用计算机软硬件设备,对焊接过程中的图像进行处理、分析和判断的技术。
通过将摄像机、光源、图像处理设备与焊接设备进行联合使用,可以实现对焊接质量的在线监测和快速识别。
1.焊接质量在线监测传统的焊接质量检测方法需要人工干预,效率低下且容易因人为原因出现误判。
而利用机器视觉技术可以实现焊接质量的在线监测,实时分析焊缝的形状、尺寸和焊接参数等,从而保证焊接质量的稳定性。
2.焊缝缺陷的自动识别机器视觉技术能够对焊缝图像进行高效的处理和分析,通过图像处理算法,可以自动提取焊缝的特征信息,如焊缝的宽度、深度、几何形状等,从而实现对焊缝缺陷的自动识别和分类。
二、基于机器视觉的焊缝缺陷检测技术基于机器视觉的焊缝缺陷检测技术主要包括图像获取、特征提取和缺陷识别三个步骤。
1.图像获取焊缝图像的获取是基于机器视觉进行焊缝缺陷检测的第一步。
通常采用高分辨率的工业相机对焊接过程进行实时监测,通过采集焊缝图像,为后续的处理和分析提供数据基础。
2.特征提取特征提取是对焊缝图像进行处理和分析的关键步骤。
通过使用图像处理算法,可以提取焊缝图像中的形状、纹理、色彩等特征,进而构建用于缺陷识别的特征向量。
3.缺陷识别基于机器视觉的焊缝缺陷检测技术中,缺陷识别是最关键的环节。
通过将特征向量与预先建立的缺陷数据库进行对比,可以实现对焊缝缺陷的自动识别和定位。
三、机器视觉焊接质量控制技术的优势和挑战1.优势基于机器视觉的焊接质量控制技术具有许多优势。
首先,它能够实现大批量焊缝的自动检测,提高了检测的效率和准确性。
其次,机器视觉技术不受人眼主观判断的影响,能够客观、快速地进行焊缝缺陷的识别和分类。
基于机器视觉的焊接质量检测与控制方法研究机器视觉技术在工业领域中的应用越来越广泛,其中一项重要的应用是基于机器视觉的焊接质量检测与控制。
焊接作为一种常用的金属连接方法,在制造业中扮演着重要的角色。
然而,焊接质量的稳定性和可靠性对产品的质量和安全性至关重要。
本文将研究基于机器视觉的焊接质量检测与控制方法,以提高焊接工艺的稳定性和质量。
首先,对于焊接质量的检测,机器视觉可以通过图像识别和图像处理技术来实现。
通过监测焊缝的形状、尺寸和位置等关键指标,可以判断焊接的质量是否符合要求。
例如,可以通过对焊缝边缘的提取和分析来检测焊缝的宽度和均匀性。
同时,还可以利用机器学习算法来训练模型,通过识别焊接缺陷,如裂纹、气孔和熔喷等,从而实现焊接质量的自动化检测。
其次,针对焊接质量的控制,机器视觉可以通过实时监测焊接过程中的关键参数来进行。
例如,可以利用高速摄像技术捕捉焊接过程中的图像序列,然后通过图像处理技术提取关键参数,如焊接温度、焊接速度和电弧稳定性等。
通过与预设的标准值进行比较,可以及时发现焊接质量是否达到要求,并做出相应的调整。
此外,还可以结合自适应控制算法,根据实时检测到的焊接质量信息,自动调整焊接参数,以实现焊接工艺的优化和稳定。
在基于机器视觉的焊接质量检测与控制方法的研究中,还有一些关键技术需要重点关注。
首先是图像采集技术,包括高速摄像、多光谱成像和热红外成像等,这些技术可以提供更全面和准确的焊接质量信息。
其次是图像处理和模式识别技术,包括边缘检测、特征提取和机器学习等,这些技术可以有效地从图像中提取焊接质量的关键特征。
此外,还需要结合传感器技术和自适应控制算法,实现焊接质量的实时监测和自动调整。
基于机器视觉的焊接质量检测与控制方法的研究具有重要的意义。
首先,它可以提高焊接工艺的稳定性和一致性,减少人为因素的影响,提高焊接质量的可靠性。
其次,它可以提高生产效率和降低生产成本,通过自动化检测和控制,减少人力和时间成本。
机器视觉在焊缝检测中的应用研究焊接技术在工业生产中应用广泛,尤其是对于钢结构、船舶、汽车等重工业的制造来说,焊接是必不可少的环节。
然而焊接质量的决定因素很多,如人工操作、焊接机器设备等,质量难以得到稳定控制。
而机器视觉技术就在焊接领域中得到了广泛的应用,能够有效的解决焊接领域中的问题,极大的提高焊接质量和效率。
一、机器视觉在焊缝检测中的优势1.高精度:人眼的检测精度相对较低,而机器视觉可以达到准确率高达99%以上。
采用高精度的相机和图像处理方法,可以在焊接领域高效完成缺陷、错位、焊接渗透率斑点等缺陷检测任务。
2.快速性:相机可以联网,实现远程数据交互和信息共享,在厂家间也能快速查询后段信息数据,这大大提高了工作效率。
3.多任务性:机器视觉可以同时解决多任务,如自动焊接过程中的监控和缺陷检测。
这使得整个焊接过程全面自动化,极大的避免了由于人为原因所带来的误差。
二、机器视觉在焊缝检测中的具体应用1.缺陷检测焊接中的缺陷类型繁多,如气孔、裂纹、未焊通等,机器视觉技术可以通过拍照或者视频的方式,及时精准捕捉焊缝中的缺陷,实现实时检测。
检测结果可以实时反馈给机器人控制系统,以便进行调整,从而极大的减少危险操作,并提高了焊接的质量。
2.定位检测机器视觉技术可以提供精确的位置信息,对焊接位置进行精准调整。
针对焊接微小位置偏差的缺陷,如焊接位置不准或者两个焊接部位不光滑齐平,机器视觉技术的应用可以从根本上保证焊接的准确性。
3.自动化监控机器视觉技术可以实现焊接过程的自动化监控和自动操作。
通过机器人控制系统,拍照和图像处理可以实现全面自动化,并且过程可控性强,在过程出现异常的时候,可以实时进行调整。
三、机器视觉在焊缝检测中存在的问题和展望1.算法问题机器视觉技术最为核心的是算法。
对于焊缝检测来说,目前的算法还不能完美的适应焊接领域中的变化。
因此,未来需要在优化内核算法等方面研究更多的方法,以便实现更佳的检测效果。
基于视觉的焊接工件在线识别与分类算法研究随着工业自动化程度的不断提高,机器视觉技术被广泛应用于制造业。
其中,基于视觉的焊接工件在线识别与分类算法研究是关键技术之一。
本文将从算法原理、应用场景、优缺点等方面进行论述,以期可以更好地理解和应用这项技术。
一、算法原理基于视觉的焊接工件在线识别与分类算法主要包括以下步骤:1.图像获取:通过摄像头或其他图像采集设备获取焊接工件的图像。
2.预处理:通过滤波、增强、灰度化等操作,将原始图像转换为可用于特征提取的图像。
3.特征提取:提取图像中的局部特征和全局特征,并将这些特征转换为可以用于分类的特征向量。
4.分类器训练:通过机器学习算法,训练分类器并优化其性能。
5.分类器应用:利用训练好的分类器,对新的焊接工件进行分类识别。
二、应用场景基于视觉的焊接工件在线识别与分类技术可以应用于以下场景:1.自动化焊接生产线:将该技术应用于自动化生产线上,可以实现对焊接工件的自动在线检测,并将合格和不合格的工件分类处理,提高生产效率和产品质量。
2.检测与维护时期:在焊接工件的使用过程中,通过基于视觉的识别与分类技术,可以快速自动地检测焊接接头的质量和缺陷,并进行维护和修复。
三、优缺点优点:1. 高效:基于视觉的焊接工件在线识别与分类技术可以快速地对大量焊接工件进行自动化检测与分类。
2. 准确:通过特征提取和卷积神经网络等机器学习算法,可以拟合出复杂的非线性模型,并实现高精度的分类识别。
3. 可重复性:该技术的分类结果不会受到主观因素的干扰,具有高度的可重复性。
缺点:1. 需要大量的训练样本:基于视觉的焊接工件在线识别与分类技术需要大量的训练样本来训练分类器,并提高其分类准确率。
2. 受环境影响:在实际运用中,由于光照、噪声等环境因素的影响,可能会对分类器的性能产生影响,需要进行模型的调整与优化。
四、应用前景基于视觉的焊接工件在线识别与分类技术在制造业中有着广泛的应用前景,在提高制造效率和产品质量等方面有着重要的作用。
焊接机器人的视觉识别技术研究随着工业智能化的深入推进,焊接机器人在现代制造业中的应用越来越广泛。
而视觉识别技术作为焊接机器人的一个重要组成部分,对于提高焊接质量、提高效率、降低成本都具有重要意义。
本文将着重探讨焊接机器人的视觉识别技术研究的现状与前景。
一、焊接机器人的应用与挑战焊接机器人是一种自动化焊接设备,广泛应用于各种焊接生产过程中。
其优势在于操作灵活、精度高、效率高等特点,但是也存在一些挑战。
其中,焊缝形状的多样性和复杂性是最突出的挑战之一。
传统的焊接机器人大多采用预设方法,无法涵盖所有焊缝类型和形状变化,有时候需要手动调整机器人焊枪角度,导致工作效率低下。
另外,焊接机器人作业过程中需要考虑生产场地的安全问题,包括人机协同、处理突发事件等方面的挑战。
二、视觉识别技术在焊接机器人中的应用视觉识别技术是现代焊接机器人中应用最广泛的技术之一。
它可以通过相机、激光传感器等设备,对焊缝的形状、质量、位置等参数进行识别和监测。
与传统机器人相比,视觉识别技术可以实现高精度自适应焊接,避免了人工干预,大大提高了效率和质量。
同时,视觉识别技术还可以准确地检测焊接过程中的缺陷,提高了质量控制的精度。
三、焊接机器人视觉识别技术的发展与趋势目前,焊接机器人视觉识别技术已经得到了广泛运用和深入发展。
首先,汽车、航空航天等高精度制造业领域的应用越来越多。
其次,越来越多的机器人厂商将焊接机器人的智能化指向了人工智能方向,尤其是深度学习、神经网络等技术的应用,可以极大地提高机器人的自主决策和感知能力。
此外,多机器人协同技术的应用也有望加速推进增强焊接机器人的效率和性能。
四、结论随着焊接机器人视觉识别技术的不断发展和创新,它已经成为了制造业中一个关键的发展趋势。
未来,视觉识别技术将继续发挥重要作用,更加智能化、高精度化的焊接机器人将应用于更多的行业领域,提升焊接质量和效率的同时,也降低了生产成本。
基于机器视觉的焊点检测算法研究刘美菊;李凌燕;郭文博【摘要】为了提高电路板焊点检测的准确率,提出了改进的K-近邻法.首先,采用工业相机采集图像并选取470个焊点作为训练样本,利用模板匹配法对图像中的焊点进行定位.然后根据特征分布直方图提取焊点的特征并绘制特征分布情况,选择能区分不同类别焊点的特征作为有效特征.最后,建立改进的K-近邻法焊点检测分类器,选取559个焊点作为测试样本对模型进行测试.实验结果表明改进的K-近邻算法检测的准确率96%以上,可以有效地提高检测效率.%In order to improve the detection accuracy of circuit board solder joints,an improvement of K-nearest neighbor method was proposed.Firstly,the industrial camera was used to obtain images,and 470 solder joints were selected as the training samples.The template matching method was used to position the solder joints in the images.Then,the features of solder joints were extracted according to the feature distribution histogram.The space distribution of features was portrayed and then selected the festures can distinguish between solder joints of different types.Finally,the improved K-nearest method classifier was setted up and 559 solder joints were selected as the testing samples to test the model.The experimental results show that the improved K-nearest neighbor method detection accuracy rate reach as high as 96% and can effectively improve the efficiency of detection.【期刊名称】《电子器件》【年(卷),期】2017(040)004【总页数】6页(P1015-1020)【关键词】机器视觉;焊点检测;特征提取;改进的K-近邻法【作者】刘美菊;李凌燕;郭文博【作者单位】沈阳建筑大学信息与控制工程学院,沈阳 110168;沈阳建筑大学信息与控制工程学院,沈阳 110168;沈阳建筑大学信息与控制工程学院,沈阳 110168【正文语种】中文【中图分类】TP29随着电路板组装技术精密化的发展,传统的人工目检方法变得越来越困难,这种方法容易受到主观因素的影响而发生误查或漏查,并且效率较低。
焊接过程中的计算机视觉监控技术引言焊接是一种常见的制造工艺,用于将金属或塑料部件连接在一起。
焊接过程中的质量控制是至关重要的,因为焊接缺陷可能导致结构强度降低或甚至塌陷。
传统的焊接质量控制方法主要依赖于经验和人工目视,但这种方法存在主观性和局限性。
随着计算机视觉技术的快速发展,利用计算机视觉监控技术来实现焊接质量控制变得越来越普遍。
计算机视觉监控技术在焊接过程中的应用实时监测焊接参数计算机视觉监控技术可以实时监测焊接参数,如焊接电压、电流和速度。
通过采集焊接过程中的图像并分析图像中的特征,可以检测焊接参数是否符合预设要求。
例如,当焊接电流过高或过低时,可以通过计算机视觉监控系统发出警报并自动调整焊接参数,以确保焊接质量。
缺陷检测计算机视觉监控技术可以自动检测焊接缺陷,如焊缝不均匀、气孔和裂纹等。
传统的缺陷检测方法通常依赖人工目视,但这种方法易受到人为主观因素的影响,并且无法快速准确地识别所有缺陷。
利用计算机视觉监控技术,可以通过图像处理和模式识别算法对焊接缺陷进行自动检测和分类。
当检测到焊接缺陷时,系统可以立即发出警报并采取相应措施。
焊接质量评估计算机视觉监控技术可以对焊接质量进行自动评估。
通过分析焊接过程中的图像特征和焊缝形状,可以计算焊接质量指标如焊缝宽度、焊缝深度和焊缝形状偏差等。
这些指标可以用于判断焊接是否合格,并提供改善焊接质量的建议。
利用计算机视觉监控技术进行焊接质量评估,可以减少人工检查的工作量和时间,并提高评估的准确性和一致性。
数据记录与分析计算机视觉监控技术可以记录焊接过程中的数据,并进行数据分析。
通过对焊接参数、缺陷检测结果和质量评估结果的统计和分析,可以发现焊接过程中的潜在问题和改进空间。
这些数据还可以用于焊接过程的控制和优化,以提高焊接质量和效率。
计算机视觉监控技术的优势和挑战优势•自动化:计算机视觉监控技术可以实现焊接过程的自动化监控和控制,减少人工干预,提高工作效率。
焊接工艺中的机器视觉检测技术研究第一章引言焊接工艺是一种将金属部件连接在一起的常见工艺,广泛应用于制造业的各个领域。
然而,由于焊接过程的复杂性和高温条件,焊接质量的保证一直是焊接工艺中的一个重要挑战。
传统的人工检测方法往往耗时且容易出错,因此机器视觉检测技术在焊接工艺中的应用日益受到重视。
本章将介绍机器视觉检测技术在焊接工艺中的研究背景、意义和研究目标。
第二章机器视觉检测原理机器视觉检测是利用计算机视觉和图像处理技术来实现对目标物体的自动检测和识别。
在焊接工艺中,机器视觉检测可以通过采集焊接过程中的图像,对焊缝的尺寸、形状、焊缝位置等进行实时监测和分析。
常用的机器视觉检测原理包括图像采集、图像预处理、特征提取和分类识别等步骤。
第三章机器视觉检测在焊缝形状分析中的应用焊缝形状是焊接工艺中重要的质量指标之一。
传统的焊缝形状分析大多采用人工测量方法,但其效率低且容易受到人为因素的干扰。
机器视觉检测技术可以通过处理焊接过程中的图像,自动提取焊缝的形状特征,实现对焊缝形状的准确分析和评估。
本章将介绍机器视觉检测在焊接工艺中焊缝形状分析方面的研究现状和方法。
第四章机器视觉检测在焊缝缺陷检测中的应用焊缝缺陷是影响焊接质量的重要问题之一。
传统的焊缝缺陷检测方法通常依赖于专业技术人员的经验判断,但其主观性较强且存在一定的误判率。
机器视觉检测技术可以通过处理焊接过程中的图像,自动识别和检测焊缝中的缺陷,大大提高了焊接质量的检测效率和准确性。
本章将介绍机器视觉检测在焊接工艺中焊缝缺陷检测方面的研究现状和方法。
第五章机器视觉检测在焊接过程监控中的应用焊接过程的监控是保证焊接质量的重要手段之一。
传统的焊接过程监控方法主要依赖于人工操作,但其工作强度大且容易出错。
机器视觉检测技术可以通过实时采集焊接过程中的视频,通过图像处理和分析技术,对焊接过程中的温度、焊缝形状等进行实时监控和分析。
本章将介绍机器视觉检测在焊接工艺中焊接过程监控方面的研究现状和方法。
机器视觉技术在焊接自动化中的实时检测与识别机器视觉技术是指利用计算机科学和工程技术的方法和手段,使计算机具备类似人类视觉的功能,从而能够对图像或视频进行处理、分析和理解。
在焊接自动化中,机器视觉技术的实时检测与识别发挥着重要的作用。
本文将探讨机器视觉技术在焊接自动化中的应用,以及其在实时检测与识别方面的优势。
一、机器视觉技术在焊接自动化中的应用1.焊接缺陷检测:传统的焊接缺陷检测通常依赖于人工目视,存在操作繁琐、效率低下、准确性不高等问题。
而采用机器视觉技术进行焊接缺陷检测,可以实现对焊接质量的自动检测和监控。
通过高分辨率的摄像机和图像处理算法,可以准确地识别焊缝质量、焊接温度、气体保护效果等关键参数,及时发现并记录下焊接缺陷。
2.焊缝形状测量:焊缝的形状对焊接质量有着重要的影响。
采用机器视觉技术,可以快速、准确地测量焊缝的尺寸、角度、形态等参数,并与焊接设备的设定值进行比对,实现对焊缝形状的精确控制和调整。
3.焊接轨迹跟踪:在焊接过程中,焊枪的轨迹对焊缝的质量和稳定性有着重要的影响。
传统的焊接轨迹跟踪通常依赖于复杂的传感器系统,而采用机器视觉技术可以通过对焊枪位置和焊缝轮廓的实时跟踪,实现对焊接轨迹的准确控制和调整。
二、机器视觉技术在实时检测与识别方面的优势1.高精度:机器视觉技术基于高分辨率的摄像机和图像处理算法,可以实现对焊接过程和焊缝质量的高精度测量和检测,大大提高了焊接的准确性和稳定性。
2.实时性:机器视觉技术能够实时地对焊接过程进行监测和分析,及时发现并记录下焊接缺陷,有效地避免了焊接质量问题的进一步扩大。
3.自动化:机器视觉技术的应用使焊接过程实现了自动化控制和监测,降低了对人工操作的依赖,提高了生产效率和质量稳定性。
4.数据分析:机器视觉技术可以将焊接过程中采集到的大量数据进行分析和统计,通过建立数据模型和算法,可以指导焊接工艺的优化和改进。
综上所述,机器视觉技术在焊接自动化中的实时检测与识别方面具有重要的应用价值。
基于机器视觉的焊接缺陷检测技术探究随着工业化的发展,焊接技术在制造业中扮演着重要的角色。
然而,焊接过程中常常会出现一些缺陷,如焊缝不牢固、气孔、裂纹等,这些缺陷可能会导致产品的质量问题和安全隐患。
因此,如何准确快速地检测焊接缺陷成为了一个重要的课题。
机器视觉技术作为一种非接触式的检测方法,已经被广泛应用于焊接缺陷检测中。
通过使用相机和图像处理算法,机器视觉可以实时地捕捉焊接过程中的图像信息,并对焊缝进行分析和评估。
在焊接缺陷检测中,最常见的方法是基于图像处理的缺陷检测算法。
这些算法通常包括图像预处理、特征提取和分类识别三个步骤。
首先,图像预处理阶段对焊接图像进行滤波、增强等操作,以提高图像质量和减少噪声。
然后,特征提取阶段通过提取焊缝的形状、纹理等特征,将焊缝与正常焊接进行区分。
最后,分类识别阶段使用机器学习算法,如支持向量机、神经网络等,对焊缝进行分类和识别。
然而,由于焊接过程中的光照条件、焊接材料的差异等因素的干扰,基于图像处理的缺陷检测算法存在一定的局限性。
为了克服这些问题,研究人员提出了一些改进的方法。
其中一种改进方法是基于深度学习的焊接缺陷检测技术。
深度学习是一种模仿人脑神经网络结构的机器学习方法,通过多层神经网络的训练,可以实现对复杂图像的高级特征提取和分类。
在焊接缺陷检测中,深度学习可以自动学习和提取焊缝的特征,相比传统的图像处理算法,具有更高的准确性和鲁棒性。
除了深度学习,还有一些其他的改进方法,如基于红外热像仪的焊接缺陷检测技术。
红外热像仪可以通过测量焊接区域的热量分布,检测焊接缺陷。
由于焊接缺陷通常会导致焊接区域的温度异常,因此红外热像仪可以通过检测异常的温度分布来判断焊接是否存在缺陷。
总的来说,基于机器视觉的焊接缺陷检测技术在制造业中具有重要的应用价值。
通过使用相机和图像处理算法,机器视觉可以实时地捕捉焊接过程中的图像信息,并对焊缝进行分析和评估。
虽然目前存在一些技术上的挑战,但随着深度学习和其他改进方法的发展,相信机器视觉技术在焊接缺陷检测领域将会有更广阔的应用前景。
基于YOLO算法与机器视觉的晶圆片表面缺陷检测研究于志斌;胡泓
【期刊名称】《新型工业化》
【年(卷),期】2021(11)12
【摘要】针对分立器件晶圆片人工目视检测存在效率低和误检率高等问题,提出了一种基于YOLO算法与机器视觉的晶圆缺陷检测方法。
首先对晶粒数据集进行增广,再训练YOLO v4网络用于对晶粒位置进行定位。
针对氧化层残留缺陷,开运算去除小区域,利用色差公式进一步确认。
针对划痕缺陷,形态学膨胀连接潜在划痕,根据联通区域的面积和最小外接矩形的长宽比提取划痕。
针对氧化层不规则缺陷,根据凸缺陷的最远点到凸包的距离判断是否有该缺陷。
实验结果表明:该方法能高效地实现晶粒定位和缺陷检测,基于YOLO定位算法,平均识别精度达98.07%,平均耗时为23.6ms;缺陷检测的检测成功率达93.84%,检测时间不超过40ms,满足实时性要求。
【总页数】4页(P114-117)
【作者】于志斌;胡泓
【作者单位】哈尔滨工业大学(深圳)机电工程与自动化学院
【正文语种】中文
【中图分类】F224-39
【相关文献】
1.基于机器视觉的太阳能电池片表面缺陷检测研究现状及展望
2.基于机器视觉的裸片表面缺陷r在线检测研究
3.基于机器视觉的晶圆表面缺陷检测
4.基于光散射理论的玻璃晶圆表面缺陷检测方法研究
5.基于机器视觉与YOLO算法的马铃薯表面缺陷检测
因版权原因,仅展示原文概要,查看原文内容请购买。
晶片焊线机视觉检测算法研究段锦,景文博,祝勇,路健(长春理工大学电子信息工程学院,长春130022)摘要:全自动晶片焊线机是晶片生产的关键设备之一,其视觉检测系统是设备的核心技术所在。
视觉检测技术直接影响晶片检测定位精度和焊接机的工作效率。
分析了晶片检测原理和方法,研究了基于图像处理技术的晶片检测和定位算法,着重讨论了灰度模板匹配和二值模板匹配的方法。
实验表明,系统在速度和精度上都可满足焊线生产的需求。
关键词:视觉检测;图像处理;模板匹配;晶片检测定位;自动焊线机中图分类号:T N391141 文献标识码:A 文章编号:10032353X(2009)0720641204Study on the Algorithms of Vision Detection of AutomaticChip Wire BonderDuan Jin,Jing Wenbo,Zhu Y ong,Lu Jian(School o f Electronic Information&Engineering,Changchun Univer sity o f Science&Technology,Changchun130022,China)Abstract:T he autom atic chip w ire b onder is one of the prim ary equipm ents for chip pr oduction.T he m achine vision system is very crucial in the pr ocess of w ire2b onding.T he princeple of the chip detection was analy zed,and the alg orithms of detection and location based on im age pr ocessing ten ology were presented.T he m atching alg orithms were discussed em phatically in the gray image tem plate and the binary image tem plate. The speed and accuracy of the alg orithms are g ood enough to meet the practical application requirement.K ey w ords:vision detection;image processing;tem plate matching;chip detection location; automatic wire bonderEEACC:6140M;02900 引言半导体制造后工序中的引线键合设备在集成电路制造中是必不可少的。
国内已能自主生产超声波金丝球焊接机和超声波铝丝焊接机等设备,但产品生产还停留在一人一机的半自动水平。
对于工件上每块芯片的焊接,均须人工干预,生产效率较低;由于人工操作,产品的合格率也受到影响,只有实现自动化焊接才能大规模提高产品的产量和质量。
在国外,视觉检测系统已经广泛应用于PC B 板和芯片缺陷的视觉检测:Z.Ibrahim等人[1]提出了基于小波变换的印刷电路板检查系统; E.C. Ralph等人[2]提出了一种颜色分割、直方图和模板匹配的自动视觉检测方法,P.Athanas等人[3]通过实践提出了一种可行的晶圆机器视觉方法。
国内在这方面的研究滞后于国外,但随着国内机器视觉市场的兴起以及半导体行业的发展,已经有不少企业和高校科研机构在开展这方面的研究,取得了一定的成果。
郭强生等人[4]利用图像处理和模式识别技术,完成了待检测芯片的定位与墨点、缺角、崩边、角度偏移等芯片缺陷的检测;邓秀娟等人[5]利用轮廓提取方法,提出了一种适合于机器人视觉的图像模式识别算法,提高了对象位置精度;梁伟文等人[6]对视觉定位系统的高精度多功能贴片机系统进行了研究。
本文将重点阐述基于图像处理的晶片测量方法封装、测试与设备Package,T est and Equipmentdoi:1013969/j1issn110032353x12009107106和图像处理算法。
1 晶片视觉检测原理表面组装技术(sur face m ounting techn ology ,S MT )中的机器视觉元器件检测系统是利用机器视觉传感器获取待测元件的二维图像,通过视觉图像处理,得到待测元件的类型、尺寸、位置和有无缺陷等信息。
视觉系统对元件变形的检测通常是将元件引脚图像的各项几何特征指标与理论值比较而得出结论。
图1是晶片焊接部位示意图。
在一个焊接基架上有一排同种型号的半导体器件,图中是两个相邻的半导体器件,IC 晶片是由贴片机贴焊在焊盘上的,焊接机需要在晶片上找到焊线位置(焊点),用焊线将晶片焊点与相对应的器件引脚连接起来。
图2所示为一个已经焊接好的晶片,显示部分只包括晶片图像,不包括引脚部分。
图2所示为视频采集的实物图,图中两个小方框为模板匹配图像的位置,大方框为两个模板搜索的区域。
图1 晶片焊接部位示意图Fig 11 Sketch map of the element ’sposition图2 检测晶片图像Fig 12 Image of the chip图3是由CC D 相机捕捉到的晶片图像示意图。
在图像中人为设定了图像的十字交叉线以及图像中心点,是为了便于人眼观察晶片相对于图像中心的位置,和晶片相对十字的倾斜角度。
图3 检测图像平面图Fig 13 Plan of the detection image在晶片检测和定位之前,需要先获得一幅标准的晶片样本图像,这时晶片应该是水平放置,偏转角度为零。
同时,需要获得晶片相对位置关系的精确数据,比如,焊点相对晶片参考定位点的坐标,晶片上焊点到引脚焊点的角度和距离等。
事先,在标准图像上由人工制作两个标准模板(较小的虚线框),即模板1和模板2,见图3,应该保证模板特征的唯一性。
模板在搜索区域内扫描,进行模板匹配,寻找与模板具有最优相似度的图像。
搜索区域最大可以与图像一样大,但是搜索范围越大,意味着要花费更多的搜索时间,因此应该使得搜索区域尺寸尽量小。
由贴片机的晶片贴装精度和工作平台传送机构的定位精度,可以保证晶片在图像中的位置和偏转角度都在一个精度范围内,即晶片位置相对是固定的,位于图像的中心部位,且偏转角度有限。
例如:模板1被定义为晶片的左上角,也就是说模板是用来搜索晶片左上角的,那么搜索范围就只设置在靠近左上部约占图像总面积1/4的区域内就可以了,即搜索区域1。
模板1在搜索区域1范围内进行模板匹配,而模板2在搜索区域2所确定的区域内进行扫描。
与标准模板具有最优相似度的图像的中心点(模板的中心)确定为参考定位点,由模板1和模板2可以确定两个参考点P 1和P 2。
其坐标分别是P 1(x 1,y 1)和P 2(x 2,y 2)。
由这两个参考点并根据三角关系,就可以确定晶片上任意点的位置了,即晶片上点的相对位置关系。
2 晶片检测算法整个晶片检测算法的步骤,如图4所示。
段锦 等:晶片焊线机视觉检测算法研究HT 〗图4 软件算法框图Fig14 Flow of the s oftware arithmetic第一步,灰度直方图规则化。
对于环境光照的控制,已经可以获得待焊晶片的灰度分布连续而均匀的图像。
为进一步消除光照对工件造成的灰度不同的影响,再利用直方图规则化的方法,使待检测图像整体灰度分布与标准样本图像的灰度分布基本一致。
第二步,灰度模板匹配。
利用事先在标准样本图像中制作好的模板,在待检测图像上进行模式匹配,寻找最佳匹配,以确定晶片参考点P1和P2。
第三步,焊点定位。
依据确定好的晶片参考点P1和P2,根据晶片上焊点与参考点的相对标准位置关系,计算各焊点在图像中的相对位置坐标;生成焊线流程列表,输出给运动控制系统。
在整个晶片检测过程中,最重要的就是模式匹配算法。
模式匹配算法的精度决定着两个参考点的定位精度,从而决定了焊接的精度;模式匹配算法的速度直接影响焊接的效率。
3 模式匹配算法目前焊接机中常用的图像定位算法有模板匹配和点模式匹配等[729]。
模板匹配算法需要建立模板图像,而且它的检测效率往往较低,角度计算精度也不够高,并且难于处理图像伸缩、旋转等复杂情况下的定位问题,因此模板匹配算法在球栅列阵封装技术(BG A),即多引脚小间距IC器件的定位识别中并不适用。
而点模式[8]虽然能将满足一定几何变换关系的同一场景的两副图像中的点匹配成对,从而识别和定位物体,但对于检测特征点较多的图像,其运算量将大大增加,很难满足焊接机的实时性要求。
所以,在满足实时性的要求下,选择和改进检测算法来提高检测精度是研究的难点。
311 灰度图像模板匹配根据实际工况,采用归一化互相关匹配算法进行灰度图像的模板匹配。
归一化互相关匹配算法,又叫NC(normalized correlation)算法,它虽然是一种经典的匹配算法,但在现场工况环境下却是相当有效的。
算法通过计算模板图像和待匹配图像的互相关值来确定匹配的程度。
互相关值最大时的搜索窗口位置就是模板图像在待匹配图像中的位置。
NC算法具有很高的准确性和适应性,对图像灰度值的线性变换具有“免疫性”,即所求的NC值不受灰度值的线性变换的影响。
但是考虑到图像中的自相关值都比较大,因此在互相关计算过程中,相似度形成以模板存在的真实位置为中心的平缓的峰,往往无法检测到准确的尖峰位置,使得确定模板的准确位置很难。
造成这个结果的原因是:一方面没有考虑图像中各个像素点之间存在空间相关性;另一个方面图像中的噪声可能会掩盖相关峰值。
为了克服这个缺点,可以先对待匹配的图像和模板作边缘处理,当图像中像素点高度相关时,两幅图像的相关性实际是集中在轮廓信息的相关性上的,从而提高了目标位置定位的精度,这种方法适用于目标轮廓特征较明显的情况。
图5(a)为待焊接芯片的原始图像,图像整体灰度较暗;图5(b)是对图5(a)进行了直方图规则化之后的图像,图像的亮度得到改善;图5 (c)和图5(d)是图像匹配所用的两个灰度模板图像,分别定位晶片的右上角和右下角。
图5 灰度图像模板Fig15 G ray image tem plate312 二值图像模板匹配作为一个有实际应用意义的图像实时检测系统,必须满足快速匹配的要求。
在基本不损失匹配段锦 等:晶片焊线机视觉检测算法研究精度的基础上,高速完成匹配过程。
这就要求在一般的图像匹配算法的基础上,再采取适当的策略。