AOI光学检测中热干扰问题！

【来源:smt168】【编辑:】【时间: 2011-11-9 8:55:21】【点击:】

在自动化光学检查（AOI）图像处理过程中，热干扰会对检查结果产生不利影响。  自动化光学检查（AOI）的基础是图像处理。图像处理的基本原理则是对与电子元件相应的对比特征予以辨识。热干扰产生虚假特征、掩盖真实特征，导致元件探测变得不可靠。第一代自动化光学检查（AOI）在可靠性方面的低劣名声，主要应归咎于其在热干扰控制性能上失灵。  噪声限制性能的现象无法避免令人担忧，但同时也给人以希望，这是由于人们能够搞懂它并对其加以控制。这是图像处理场所中的要害之处，噪声系其中尤其重要的因素。当一幅图像形成时，亮度测量是基于电荷耦合器件（CCD）进行的。CCD将光能转化为电能后沉放于一个蓄电槽中，控制电荷直至图像生成。每个蓄电槽中的电荷经放大处理转变为一个电压电平。每个离散电压被赋值给一个数据元件（或像素）和二维（2D）像素阵列。因为热干扰具有与光能一样的电荷释放效能，所以因为干扰所产生的图像内的像素差，与实际图像特征一样无法分辨。对特征检测干扰的程度既取决于CCD元件的温度，又取决于成像系统设计中可资利用的固有对比度水平。 利用光照技术可以提高固有对比度。标准视觉（基于一般认知的生物学模型）依靠的是对光的一种正面照明反射。然而，逆光产生影像或侧面影像对比，此影像的边缘形成极端的对比现象（全黑对全白）。在此情况下，干扰的重要性就被降至最小程度，原因是热干扰决不会趋近这样绝对的水平。这一方法，在使用灰度照相机对拣放式的布局机器进行部分查证时都一直很成功。此项技术过去和现在都广泛应用在自动化光学检查（AOI）中。 用数字术语来说，图像数据是在测量空间进行分析的。以计算机成像术语来表述，每个像素都是带有红色、绿色和蓝色亮度坐标的三维（3D）矢量。用算术方法来叙述，灰度图像是一维光亮度（1D）坐标，等于红、绿、蓝三色空间坐标之平均值。   图像对比度    图像对比度是与不同图像特征相关联的像素之间的差异，它以各自测量空间中的像素值之间的间距来表示。在一维（1D）灰度的情形下，对比度等于各区域的亮度值之间的差值。然而就一幅彩色图像而言，区域之间的对比度则是在彩色空间位置之间一个差分矢量的长度值（各红、绿、蓝三色坐标之间的差分值的平方和之平方根）。 数据中不可避免地存在干扰，应该把低于干扰电平的“视在对比度”视为不可靠值，因为真实的图像特征和随机热干扰都很可能产生这一差值。当已知干扰电平时，一次特殊对比参数的可靠性可以表示为干扰的标准偏差的倍数中。对比度可靠性表示为对比度差值除以热干扰标准偏差。当视在对比度超过三个西格马（3∑）时，测量结果的可信度为99.9%。   对比度可靠性        依照正态分布的原理，任何对比度可靠性水平可以以干扰标准偏差的倍数为基础来选择。在对比度差值等于或大于一个西格马（1∑）时，对比度可信度至少达68%。而若对比度差值大于二个西格马（2∑）时，对比度可信度则将超过96%。最后，如对比度差值大于三个西格马（3∑）时，对比度可信度则将达到99%。 在插图中，一个无干扰的采样图像以彩色和与之相当的灰色形式出现。当干扰电平上升时，区域之间区分对比度的能力变得困难起来，因而减低了可靠度。在无干扰情况下，灰度对比度足以区分所有的三个区域。在有干扰情况下，干扰电平上升后，绿色和橄榄色区域就向同一方向聚集，而蓝色区域仍维持分离形态。最终，这三个区域移动在一起并在干扰中消失。   可靠性增加办法   忽视干扰  软件可以通过忽视未超过某些干扰标准偏差之倍数的视在对比度来补偿噪声。比如在想要达到99%的可靠度时，任何低于3∑的对比度可以不计。实际上，通过加强对比度阈值来保证确定性，舍去的是细微的对比度等级。此办法尽管合乎逻辑，实际却不可行；因为在某一特定点忽略而丢失的细微特征，可能恰恰是图像分析能否成功所至关重要的因素。   消除干扰   虽然通过超导材料可以消除干扰，但是这项新兴技术仍然不适合大规模制造生产。可行的选择办法是从测量元件（此情形下为CCD阵列）中排除干扰，如超冷却流体循环法中所述。更实用的解决方案是借助热电加热泵。但这项已得到确认的技术，只有在机械设计方案仔细考虑了CCD和散热器之间的热通道后，才实用于减少和消除干扰。由于同时必须考虑CCD的自加热情况，所以除非在适应低干扰用途的照相机中使用，否则通过热传递来消除干扰的办法是不切实际的。 统计学方法减少干扰  统计学原理规定——通过对与同一数据点相关的倍数和冗余测量值进行平均计算能够去除噪声。在此平均计算中，样本数的平方根除以标准干扰偏差被定义为剩余误差。在彩色成像的情况下，采集三个独立的图像，即使图像中的各个像素有三个独立的测量值。选择适当的彩色数据转换方式，就将把干扰不确定的影响程度减少了√3。 应用无噪声成像策略     通信理论提供现象处理增益的例子，即允许多重信号相互隔离，即使它们处于同一载频上。这一能力以重叠的观测资料为转移，具有建立在正交或无干扰数据组基础上的辨别力。采用这些技术，能够检测出接近干扰级（电平）的信号或完全低于干扰级（电平）的信号，也可以建立一个自然的三原色图像模型   视觉系统   最原始的自然视觉系统是一种以阴影的形式探测形状的单色系统，其后是二色系统，即双彩色视觉系统，它优于阴影，但仍缺乏色觉敏度。因此发展到当今普遍使用的视觉系统——三原色视觉系统。 要比较这些视觉系统的性能，干扰伪装量识别彩色空间中无法探测差异的区域。由于三原色视觉系统最为常见，因此将它作为基准。图三中，彩色表给出三原色（RGB）亮度的不同分布状态，以及由彩色空间中投影所形成的彩色。       结论   可靠的测量需要细致专注的系统设计，即同时要考虑测量目标、性能和常规硬件的界限。这一点在做以图像为基础的测量时尤其正确，因为光探测是一个非常灵敏的过程。虽然在实验室环境下对玻璃板测试时，该测量系统在技术上可以“工作”，但是在实际紧张有压力的情况下所测得的结果，也许并不那么可靠并致使结果没有用。 应主要考虑的事项包括进行多次独立的测量及在CCD中实施热控制以减低干扰的影响作用。一旦满足这两个条件，就可以将一个标准的成像处理运算法则应用于一个自动化光学检查（AOI）方案，该方案将保证对小型导弹电视摄影机（SMT）过程控制进行精确测量。

【添加到收藏夹】【发送给好友】