PCB电路板缺陷智能检测：Matlab GUI形态学应用

一、形态学缺陷检测简介

1 图像分析及预处理

拍摄图像会产生随机的扰动，图像有一定的噪声，为消除掉图像中的无关信息，对图像进行预处理。

1.1 灰度化

为降低运算量，需要将拍摄的三通道的RGB图像转化为单通道的灰度图像。采用加权平均法的灰度化方法，其中心理学灰度公式根据人眼对RGB三色的敏感程度选择不同的权重：

式（1）中，R、G、B分别为RGB三通道灰度值，灰度化结果如图1 (a）所示。

1.2 平滑处理

为了尽可能避免将背景当作缺陷，需要对图像进行平滑处理，这样虽然会使缺陷的边界模糊，但是有利于减少背景的干扰。注意所采用的去噪处理为均值滤波，均值滤波公式为：

式（2）中，m、n分别为所选择的滤波核的长和宽，Sxy是以(x,y)为中心的滤波核对应像素的位置集合，平滑处理结果如图1 (b）所示。均值滤波的缺点是会使一些细节如边缘等信息丢失，因此在找到种子点后，对没有经过平滑处理的图像进行区域生长，找到缺陷边界。

2 算法原理

2.1 阈值分割
阈值分割是图像分割中最简单、基础的方法，性能比较稳定，计算量较小，运算速度快；它主要有全局阈值分割、局部阈值分割、自适应阈值分割等方法。阈值算法基于阈值T，将像素灰度值大于阈值T和小于阈值T的部分分别叫做前景和背景。变换函数表达式：

图1 均值滤波处理

式（3）中，T为阈值，g (x,y)为原图像像素点(x,y)的灰度值，f (x,y)为分割后图像像素点(x,y)的灰度值，阈值分割结果如图2所示。

图2 阈值分割结果

2.2 形态学开运算降噪

数学形态学简称形态学，其处理方式为领域运算，即把领域结构元素与图像对应位置像素进行逻辑运算，这种运算的影响因素主要有结构元素大小、形状和逻辑运算的规则。形态学操作主要有膨胀、腐蚀、梯度运算、礼帽运算、黑帽运算、开运算和闭运算等，但其基础为腐蚀和膨胀，利用膨胀和腐蚀就能完成不同形式的运算。

腐蚀运算能消除轮廓边界点，使边界向内缩小，主要用于细化二值图像目标轮廓、去除噪声等。

式（4）中，A为原图像，B为结构元素。首先给结构元素B定义一个原点，当结构元素B的原点移动到图像A的(x,y)上时，如果结构元素B上等于1的像素点对应图像A也等于1，则将图像A的(x,y)的灰度值置为1，否则置为0，腐蚀示意图如图3所示。

图3 腐蚀示意图
膨胀运算则与腐蚀运算相反，使边界向外扩张，主要用于填补图像分割后的空白，使相近的不相连的轮廓相连。其公式为：

式（5）中，A为原图像，B为结构元素。首先给结构元素B定义一个原点，当结构元素B的原点移动到图像A的(x,y)上时，如果结构元素B上等于1的像素点对应图像A中至少有一个等于1，则将图像A的(x,y)的灰度值置为1，否则置为0。

先进行腐蚀操作，然后在腐蚀的基础上进行膨胀操作，主要用于去噪和计数等。其公式为：

式（6）中，A为原图像，B、C为结构元素。开运算效果如图4所示，图5为开运算处理的结果。

图4 开运算效果

2.3 区域生长法

区域生长的思想就是把领域（四领域、八领域等）相同的化为一个区域。首先需要一个种子点作为生长的开始，然后将种子点领域内满足相似准则要求的像素点合并到种子的区域，将这个区域的像素做为种子点，继续进行生长，直到没有符合要求的点，生长结束，所有种子点像素作为生长的区域。分割的好坏由初始种子点和相似准则决定。

图5 形态学开运算结果

2.3.1 种子点选择与检测

经过阈值分割和形态学处理后，将二值图像各轮廓中心作为待定种子点。如果选择的种子点位于缺陷的绝对区域，那么种子点总有一个方向各像素的深度值呈现高-低-高的形态。设计检测模板如图6所示，计算出种子点在0°、45°、90°、135°方向上的深度变化，判断其变化是否呈高低高形态。

图6 检测模板
种子点左右两侧r个像素的灰度平均值分别为：

各方向的灰度变化为：

深度形Si态变化判定：

式（10）中，I (u)为检测模板中第u个像素的灰度值，w=1,2,3,4，分别代表0°，45°，90°，135°方向，mwm为w方向两侧的最小灰度值，T1为形态变化阈值。如果种子点不满足深度形态变化判定，则去除该待定种子点。

2.3.2 生长过程

区域生长的具体流程如下：
(1）将种子点坐标放入种子点集seeds。
(2）顶出种子点集中的一个种子点，对种子点八邻域的像素点进行相似准则判断；满足相似准则条件的点，视为种子点放入种子点集seeds。
(3）将顶出的种子点存入种子集S。
(4）如果种子点集内没有元素，则跳到步骤（4）；如果种子点集中还有元素，则跳到步骤（2）。
(5）生成一张和输入图像长宽一致，像素值全为0的图像I。
(6）将图像I中对应种子集S坐标的像素值置为255，得到分割图像I’。
其中生长的相似准则为：

式（11）中，gray (seed)为当轮种子点的灰度值，gray (8＿n)为其八邻域各点的像素值，Thresh为设置的阈值。区域生长结果如图7所示。

图7 区域生长结果

3 实验过程

图像分割就是按照预先设定的规则，将图像分割为有意义的前景和背景的过程。区域生长是一个分割效果比较好的算法，但前提是需要找到适合的种子点。单一的分割算法就容易遇到这种不足的情况，结合使用形态学和阈值分割的方法来找到合适的种子点，帮助区域生长算法完成分割任务，达到满足要求的分割效果，分割方法流程如图8所示。

图8 分割流程图
首先对输入的图片进行灰度化处理，变成单通道的灰度图片，然后滤波去除噪声，使图像更平滑，选择合适的阈值进行阈值分割，在利用开运算去除掉分割后较小的前景，以各前景区域的中心点为起始种子点，进行区域生长，得到最终所满足要求的前景。

二、部分源代码

登录后复制

function pcbjiance()
dcpcbrgb=imread('待检测pcb.jpg');%读入待检测pcb图像
figure(1)
imshow(dcpcbrgb);
title('待检测pcb');
t=rgb2gray(dcpcbrgb);%待检测pcb图像灰度化
lvbo=medfilt2(t);%中值滤波
uu=im2bw(lvbo);%二值化
u=bwmorph(uu,'spur',8);%去除物体小的分支
p=bwmorph(u,'fill');%填充孤立黑点
dc=bwmorph(p,'clean');%去除孤立亮点
figure()
imshow(dc);
title('预处理后待检测pcb图像');
goldenpcbrgb=imread('标准pcb图像.jpg');%读入标准pcb图像
biaozhungray=rgb2gray(goldenpcbrgb);%标准pcb图像灰度化
bj=im2bw(biaozhungray);%二值化
figure()
imshow(goldenpcbrgb);
title('标准pcb');
figure()
imshow(bj);
title('标准pcb二值化图像')
dc_rect=[80 370 150 130];%待检测pcb图像中选取参与互相关计算区域的矩阵
bj_rect=[40 320 200 190];% 标准pcb图像中选取参与互相关计算区域的矩阵
bj_sub=imcrop(bj,bj_rect);%剪裁标准pcb图像
  max_c=0;%初始化互相关最大值
 for rr=-2:1:2%待检测pcb图像依次旋转的角度（步进值可调）
    dc_rot=imrotate(dc,rr,'nearest');%待检测pcb图像旋转，使用邻近插值法
    dc_sub=imcrop(dc_rot,dc_rect);%裁剪带检测pcb图像
    c=normxcorr2(dc_sub,bj_sub);%计算互相系数
[max_c1,imax1]=max(abs(c(:)));%max_c1为系数最大值，imax1为系数最大值对应的位置下标
   if(max_c1>max_c)%每一次循环的最大值进行比较
      max_c=max_c1;%取最大的值
      angle=rr;%把取得最大值时对应的旋转角度赋给angle
   end
end
 
end
hpqs
dxqs
aoxian
duan4lu
hpds
dxdy
tuqi
duan3lu
tongban

三、运行结果

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删