摘要
自动光学检测(AutomaticOpticalInspection,AOI)是目前印刷电路板(PrintedCircuitBoard,PCB)制造领域中必不可少的外观检测手段，但随着PCB不断朝着模块化、集成化、小型化方向发展，元器件的尺寸更小、分布更密集、方向更多样，给现有的AOI技术在元器件的识别、分割、定位、定向带来挑战，导致PCB外观缺陷检测的效果难以满足制程要求。本文针对现有AOI技术面临的问题，对一些关键技术展开了研究，主要研究内容如下： (1)利用深度学习目标检测网络，对PCB上微小密集且方向任意分布的电子元器件进行识别定位。针对传统水平检测框与目标轮廓贴合度较差的问题，搭建了基于两阶段的旋转目标检测网络，通过中点偏移表示法对矩形框进行回归获取旋转框，实现用旋转检测框替代传统的水平检测框，同时引入SwinTransformer作为特征提取网络，使得检测精度进一步提升。最后在自制数据集上进行验证，证明了方法的可行性，且能够准确获取元器件的类别、坐标、尺寸及方向信息，为后续缺陷分析提供可靠依据。 (2)设计了一套基于图像配准的元器件缺陷分析方法。首先根据相机成像原理将PCB设计文档中的元器件信息映射到图像中形成标准框，然后通过图像预处理、边缘检测、霍夫圆检测提取PCB上光学定位基准点来计算定位点之间的几何关系完成参考图像与待检测图像的配准，最后对标准框与检测框进行IOU与偏转角分析，能够判断出元器件缺件、多件、错件、偏移和偏转五类贴装缺陷。 (3)基于MobileNetV3的电阻表面印刷字符识别。考虑到贴片电阻表面字符简短且类别较少的特点，采用先分割再分类的字符识别方法。首先通过图像预处理获取字符区域二值图，利用投影法对字符图像灰度统计特征进行分析获取单字符图像，最后通过轻量级卷积神经网络MobileNetV3对单字符图像进行分类，达到字符识别的目的，以此判断表面带有印刷字符的贴片电阻具体型号。
NETL