[發明專利]一種電子元件焊點缺陷檢測方法

有效

• 申請號: 201711338999.0
• 申請日: 2017-12-14
• 公開（公告）號: CN107992898B
• 公開（公告）日: 2019-07-23
• 發明（設計）人: 馬立勇;馬城寬;謝瑋;孫明健
• 申請（專利權）人: 哈爾濱工業大學（威海）
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供一種電子元件焊點缺陷方法，結合基于混合高斯模型密度估計和極限學習機方法，利用不平衡的小樣本可以精確地建模為混合高斯模型的原理，用混合高斯模型替代普通的高斯模型，并且利用密度估計方法計算和補償不平衡數據帶來的分類界限偏差，從而解決極限學習機應用于電子元件焊點缺陷檢測時存在的不平衡數據分類問題，獲得優于其他機器學習方法的更高的檢測準確率。本發明可以廣泛應用于工業生產中電子元件焊點的檢測。

技術領域

本發明涉及一種電子元件焊點缺陷檢測方法。

背景技術

電子元件廣泛應用于移動電話、數碼相機、傳感器和機器人等電子設備中，隨著現代科技向著數字化方向的發展，電子產品的可靠性和生產效率得到了很大的提高。在電子產品的生產過程中，電子元件是通過焊接連接的，焊點的質量將直接影響電子產品的質量。不合格的缺陷焊點類型包括：漏焊、虛焊、連焊等。由于現代社會對于電子產品的一致性、穩定性和可靠性的要求越來越高，而焊點缺陷會引發潛在的電子產品質量問題，因此實現焊點缺陷的自動檢測也變得越來越重要。為了確保電子元件連接的可靠性，在生產過程中需要對焊點進行質量檢測。

電子產品焊點質量檢測最早主要依靠人工完成，之后逐漸出現自動化檢測方法，包括射線檢測、電氣檢測等。射線檢測可以檢測到焊點內部的缺陷；電氣檢測使用各種電氣測量儀器可以檢測出不良導通和元器件的熱損壞，是一種離線檢測。光電檢測用于識別印刷電路板中缺失或錯位的元件；使用X射線檢查粘合劑或元件是否正常。近年來機器視覺方法逐漸進入焊點生產檢測環節，通過采集圖像進行焊點檢測，具有精確定位、非接觸式檢測的特點。

如果把缺陷焊點和無缺陷焊點看作兩類焊點，缺陷焊點的檢測就是一個分類問題，可以采用機器學習的方法完成。但是對于焊點缺陷檢測來說，一方面由于焊點發生缺陷的位置、形狀、顏色等特征具有較大的差別，另一方面缺陷焊點的數量很有限，因此無法得到足夠多的缺陷樣本進行學習訓練，而正常焊點的樣本數量可以十分巨大，因此焊點缺陷檢測問題就是一個具有嚴重的不平衡數據集的機器學習問題。

極限學習機(ELM)是一種參數優化簡單、速度快、泛化性能好的機器學習算法[1-2]，在圖像處理和機器視覺等領域有著廣泛的應用。與其他的學習方法相比，例如支持向量機，極限學習機算法實現簡單，優化工作量小，并且具有良好的泛化能力。對于一般的不平衡的分類問題，通常使用加權極限學習機算法或基于極限學習機的密度估計解決。加權極限學習機方法在嚴重的不平衡數據分類中會失效，而在密度估計方法中，高斯分布是基于一個非常嚴格的單峰和凸形數據模型的，這一假設在焊點缺陷檢測應用中無法滿足。因此，對于焊點缺陷檢測這種嚴重的不平衡分類問題，已有的學習方法都無法得到準確的分類結果。

發明內容

針對現有技術存在的從嚴重不平衡的焊點圖像數據無法準確得到缺陷檢測結果的問題，本發明提供一種基于混合高斯模型(GMM)密度估計和極限學習機的電子元件焊點缺陷檢測方法，該方法利用不平衡的小樣本可以精確地建模為混合高斯模型的原理，用混合高斯模型替代普通的高斯模型，并且利用密度估計方法計算和補償不平衡數據帶來的分類界限偏差，從而解決極限學習機應用于電子元件焊點缺陷檢測時存在的不平衡數據分類問題。

目前使用機器視覺方法應用圖像檢測不同缺陷焊點的檢測方法是不同的，例如，漏焊可以通過圖像分割和識別的方法完成，電子元件和焊點移位問題可以通過對圖像進行閾值分割和重心位置判斷等方法精確地實現檢測處理。而虛焊、少錫、多錫、拉尖、連焊等這些表面缺陷的檢測并沒有完善的解決方案，本發明針對這些焊點缺陷進行檢測。

下面先介紹極限學習機和混合高斯模型密度估計方法，然后對本發明的步驟進行說明。

極限學習機是典型的單隱層前饋神經網絡，由輸入層、隱含層和輸出層組成，輸入層與隱含層、隱含層與輸出層神經元間全連接。其中，輸入層有n個神經元，對應n個輸入變量；隱含層有l個神經元；輸出層有m個神經元，對應m個輸入變量。設輸入層與隱含層的連接權值W為