|
1 引言
AOI（自动光学检测）技术是当前电子组装生产过程中质量检测的主要手段之一，同时AOI技术的应用已经扩展到多种领域。随着微组装技术的发展，布线密度越来越高，以达到微米级，对电磁的精度提出很高的要求。人检测由于固有的缺点，已经不能适应当前的检测需求。当前的检测要求除了对检测系统的光学系统、机械电子系统提出了更好要求的同时，对检测软件的算法也提出了新的要求。
在MCM（Muti Chip Module）基板的自动光学检测中，对于基板中出现的短路和断路缺陷都必须检出。在MCM基板中，线条的宽度只有几十微米，短路和断路部分的尺寸有可能更小，这就对光学系统和算法提出了很高的要求。本文提出了一种基于图像阈值分割以及数学形态学中腐蚀膨胀算法和骨架化算法的图像特征抽取方法，这种方法能够有效抽取出MCM基板电路的主要特征，并且能够在放大短路和断路缺陷之后，检测出缺陷。
2 MCM基板自动光学检测系统
MCM基板自动光学检测系统如图1所示，整个系统包括光学照明单元，运动控制单元，CCD摄像单元和图像处理单元。CCD摄像单元主要由镜头和CCD相机组成。CCD为8K像素的Dalsa线扫描相机。运动控制单元控制线扫描相机对基板进行扫描，获取图像。获取的图像传给图像处理单元进行处理，图像处理单元包括硬件的FPGA图像二值化处理，开运算和闭运算、骨架化处理，以及在主机上进行的特征提取和特征比对处理。
图像处理部分的框图如图2所示。在读取图像后，对图像进行二值化处理，然后对图像进行校准，校准的目的是要使读取的图像和模板图像进行对齐，所谓模板图像是指没有缺陷的图像。从没有缺陷的基板扫描得到，或者从CAM文件得到。然后分别对图像作开运算（膨胀，腐蚀）和闭运算（腐蚀，膨胀），之后对图像分别作骨架化处理并且提取特征和模板的特征作比对，找出缺陷。
3 短路/断路和自动光学检测算法
3.1 图像的二值化处理
图像二值化处理是将图像中有意义的特征和需要应用的特征进行分割，利用前景和背景灰度特性的差异，使低于阈值的像素设定为一个灰度值，高于阈值的像素设定为另一个灰度值，前景与背景以明显的灰度级区分开来[1，2]。
式中：t是[0，255]范围内的灰度阈值。大于阈值t的灰度值等于固定的灰度值f1，小于阈值t的灰度值等于固定的灰度值f2，图像实现二值化，把前景图像和背景图像区分开。在本文中，f1设为0，f2设为255。图3为二值化后的图像。
3.2 开运算和闭运算
开运算定义[1，2]为：
式中：A为图像集合，B为结构元素。表示对图像进行腐蚀，表示对图像进行膨胀。所以开运算实际上就是利用结构元素B图像进行先腐蚀后膨胀的操作。开运算的一个重要应用就是分解图像，抽取图像中有意义且独立的图像像元[3，4]。在本文中的重要应用是保留短路特征，去除短路特征。对二值化后的图像作开运算，得到图4。
闭运算定义[1、2]为：
闭运算是开运算的偶运算，实际上就是利用结构元素B对图像先作膨胀再作腐蚀的运算。闭运算是具有延伸性的运算，可以用来检测空间分布的像素族，并可将空间分布的像素族变成连接的集合[3，4]。在本文中的重要应用是保留断路特征，去除短路特征。对二值化后的图像作闭运算，得到图5。
3.3 骨架化算法
骨架是一种细化结构，是目标的重要拓扑描述。数字骨架可以从形态学的角度给以定义。对于n＝0，1，2，…，定义骨架子集Skel（A；n）为图像A内所有的最大圆盘nB的圆心r的集合。从骨架的定义可知，骨架是所有骨架子集的并[5]：
Skel（A）＝U{Skel（A；n）；n＝0，1，2…}
现令B为3×3原点邻接像素结构元素，令nB为B的迭代膨胀。在数字情况下，最大圆盘可表示为0B，1B，2B，4B…，0B为原点。
根据上述原理对二值化且分别经开运算和闭运算的模板图像进行骨架化，得到图6，图7，从图中可以看到，分别经开运算和闭运算，然后骨架化后的模板图像几乎没有差别，原因是模板图像中没有噪声和缺陷，所以经开运算和闭运算后的图像没有什么差别，导致骨架化后的图像也没有差别。图8和图9分别是开运算后的骨架化缺陷图像和闭运算后的骨架化缺陷图像。在骨架化的过程中采用了腐蚀线的端点的技术，这样使断路的特征更加明显。之后分别对开运算和闭运算的骨架化图像抽取特征并且作对应比较，就很容易找到图像的短路和断路特征。
另外，骨架化的过程对噪声特别敏感，所以在骨架化之前一定要做去噪处理，本文中的开运算和闭运算就是一种噪声滤波算法。
4 结论
本文把图像二值化处理和数字形态学中的开运算和闭运算，以及骨架化算法应用到MCM基板的检测中，并且提出了一种对骨架化后的图像进行特征提取和特征对比的方法，这种方法只是对感兴趣的点作特征提取和比对，有效提高了检测效率，这种自动光学检测方法的准确性有效解决了微细电路的断路和短路缺陷检测，使检测人员从繁重的检测劳动中解脱出来。 |
