基于机器视觉的柔性印刷电路板缺陷检测

柔性电路板与普通印刷电路板的检测对象基本上是一样的，通常都是检测线路的断路、短路、缺损等类型的缺陷。实现起来相对比较麻烦。这里说的是麻烦，而不是困难。

机器视觉光源

对于这种类型的柔性电路板，使用高角度的光源进行照明，如同轴光源、线光源等进行照明，即可将电路板表现为白色，而线路本身则表现为黑色，非常有利于图像处理。

工业相机

可以使用高分辨率的面阵相机，也可以使用高分辨率的线扫描相机，因为电路板比较大，而要求的精度比较高，因此需要考虑高分辨率。

工业镜头

尽量使用好品质的镜头，这样可以降低图像的畸变、分辨率不均匀等情况的发生。

图像处理算法

图像处理是本项目的难点所在。因为产品比较大，而线路比较细小，比较多，因此要想准确的判断出其位置与缺陷，就需要能够比较精确的定位然后再分区做处理。可以尝试使用粒子分析、寻找边缘、黄金模板匹配等算法。在Halcon中有类似的范例，使用的是差分方法来处理的（使用膨胀/腐蚀/开/闭等形态学的方法，将毛刺和凹坑消除掉，再和原始图像求绝对差，从而得到毛刺的凹坑的位置），这种方法的效果上相对比较好，但是需要图像视野比较小，分辨率要足够高：

Halcon中的范例，先对原始图像使用开操作，再对原始图像使用闭操作，之后使用动态阈值算子，求开后图像和闭后图像不相等的地方。这种方法在Halcon中处理很简单，三个算子就处理了。但是在NI VISION中处理起来就比较麻烦。而且NI VISION中的开和闭操作的效果，和Halcon中的开和闭效果还有所不同：

         从上面的效果来看，HALCON中的开和闭，重点是处理了PCB线路板的断开位置以及毛刺位置。NI视觉中，也有类似的方法，开和闭操作的方法效果上类似：

         但是NI视觉中，并没有动态阈值的方法，可以求开和闭操作后不相等的位置。但是可以使用绝对差来求有差异的位置，之后再考虑使用阈值得到缺陷区域：

         从最后的阈值效果来看，NI视觉和HALCON中的效果基本上类似，细节上可能是有差异的，这里就不仔细研究了。

机器视觉项目实现难度

★★★★★

缺陷检测相对来说还是比较难搞的，对于上面的这种项目，应该使用传统的算法就可以处理了。当然，相机分辨率还是需要再高一些，然后检测的区域再小一些，这样得到的图像精度可能会更高一些。当然，也不是说分辨率越高越好，而是要使用开、闭操作时，有限的参数能够处理毛刺、凹坑、断裂等。如果分辨率非常高，而使用有限的开闭都不能消除毛刺、凹坑，那么就需要更大的参数，会增加处理耗时。