[发明专利]一种基于iForest模型验证的SMT焊点缺陷检测方法

说明书

一种基于iForest模型验证的SMT焊点缺陷检测方法，通过将图像样本进行局部二值模式值及边缘检测，得到二值模式纹理特征向量，根据构建并验证的孤立森林模型得到准确的训练样本，对异常样本进行筛选，使样本数据更加准确，以此构建准确的BP神经网络模型，进而获得焊点的缺陷检测结果。本发明的质量评定方法能够图像处理技术，及孤立森林模型的快速准确划分技术对样本数据进行筛选，提高了样本数据的准确性，并通过构建的BP神经网络模型完成焊点图片的质量评定，对焊点形成起到精准地控制。

技术领域

本发明涉及智能制造技术领域，具体地涉及一种基于iForest模型验证的SMT焊点缺陷检测方法。

背景技术

表面贴装技术(Surface Mounted Technology,SMT)是目前电子组装行业里最流行的一种技术和工艺，它是一种将无引脚或短引线表面组装元器件(简称SMC/SMD，中文称片状元器件)安装在印制电路板(Printed Circuit Board，PCB)的表面或其它基板的表面上，通过回流焊或浸焊等方法加以焊接组装的电路装连技术。

目前对焊点质量评定，通常采用的是检验方法：一种是目视检验法，借助于带照明或不带照明放大位数为2-5倍的放大镜，用肉眼观察检验焊点质量，如有争议时，可采用10倍或更大放大倍数的放大镜观察，依据检验焊点的外观质量状况进行质量评定；一种是手感检验法，用手或其它工具在焊点上以适宜的力或速度划过，依靠目视和手的感觉，综合判断焊点的质量状况。这两种方法存在的不足之处是需要依靠操作人员的工作经验，受人工经验的局限，这两种方法往往会产生较大的误差。

还有一种方法是在线检测，间接用于对焊点质量进行评定的方法，在组装的过程中，对板上的每个元件分别进行电性能的检测，将测试信号加在经过组合的节点上，测量其输出反应值，来判断元器及电路板间的焊点是否有缺陷。如果焊点质量存在缺陷，那么在点焊过程中的监测信号就会表现出来。通过与正常焊点的监测波形曲线比较就能发现存在于焊接过程中的潜在缺陷，以便于人们做出合理的应对措施，保证焊点的合格率。该方法尽管具有较好的优越性，但在一定程度上也存在不足，主要表现在：影响点焊焊接质量的因素众多，比如工艺参数(焊接电流、电极间电压、预压时间、电极压力、焊接时间、维持时间、电极尺寸等)因素与某些非工艺参数(焊件接触面状态、母材成分、点焊机电源性能等)方面的因素。这些因素具有高度非线性、相互耦合作用等特点，使焊接过程变得非常复杂，特别是点焊的焊接熔核处在一个封闭的空间状态中，不论是在焊接过程中或是焊接后都不能直接观察到焊接熔核的尺寸，进而对获取焊点的质量信息增加了一定难度。

因此，如何结合点焊机状态变化的影响因素分析，对焊点质量实时判断方法，为加工质量判断提供依据，成为现在的迫切需求。同时，样本数据的筛选直接影响到模型训练阶段的效率，因此，提高模型的训练效率，也是本发明所要迫切解决的问题。

发明内容

针对背景技术所阐述的问题和现有技术的不足，本发明提出一种基于iForest模型验证的SMT焊点缺陷检测方法，旨在提高印刷质量评定的效率。

本发明是一种基于iForest模型验证的SMT焊点缺陷检测方法，其特征在于，实现焊点的缺陷分类评定的过程，包括有如下步骤：

(1)原始数据资源的采集：通过图像采集设备对原始图片进行采集，拍摄自然光条件下焊点的物体的六种不同的属性，多锡、少锡、锡尖、漏焊、连焊以及正常的情况；

(2)图像预处理：对第一数据库中的图像进行灰度调节、滤波、降噪、提取边缘、分割，调节图像的对比度，并降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；

(3)使用方向梯度直方图方法计算每个像素点的梯度大小及方向；

(4)纹理特征向量的提取：将图像分割为16×16像素/cell，对每个小区域内的像素点与邻域的8个像素点进行灰度值的对比，通过比对，得到局部二值模式值；