机器视觉在电子制造中的应用优化方案

电子制造属于精密制造，为了提高电子产品质量、集成度和生产效率，通常要求生产装备能以高速和大的加速度在芯片间的微小位移内移动，同时还必须能准确、平稳地制动和定位。在对一些特殊材料如黏接剂、焊料等进行配发时要求有很高的一致性，否则会造成芯片短路、污染芯片或者焊接不牢。在高频生产条件下，无论是对芯片、装备的定位还是材料配发，都必须在线测量。然而，由于电子制造过程具有特殊性（如位移小且速度快，材料配发量为微克级、高频等），常规的检测方法已不适用。由于机器视觉具有非接触、重复性好、易于在线测量以及便于与控制系统集成的特点，因此被广泛应用于电子制造的许多检测环节，在这些应用中，机器视觉主要用于电子器件定位、缺陷检测以及被控量的测量。

流体点胶是电子制造的关键环节之一，由于将密封在注射器中的胶体（黏接剂、绝缘/导电剂或隔热剂）通过外力（压缩气体、活塞、螺纹杆）驱动定量、高频、微量地配发到芯片或者PCB指定位置，以实现芯片固定、导电或者隔热及机械保护等。实际中要求每次点出的胶体具有一致性，由于每次配发到芯片或者PCB上的胶体质量相对于芯片或者PCB而言几乎可以忽略。因此精密电子秤等精密仪器根本无法实现在线检测，在这种情况下，机器视觉自然而然地被引入到流体点胶在线测量环节。

为提高测量速度，采用通过阴影恢复形状（Shape from Shading，SFS）的方法对胶点体积进行测量。具体为：利用CCD抓取一幅胶点的二维图像，通过中值滤波滤出图像噪声，然后利用数学形态学方法对图像进行边缘检测，获得胶点边缘；同时，利用SFS的工作原理，建立胶点光照模型。通过将光照模型线性化，并利用最小化线性迭代方法，在求解胶点表面方向后，对表面方向积分获得胶点的相对高度尺寸，亦即离散胶点曲面。最后，在胶点边缘曲线内对胶点表面高度进行积分，求出胶点近似体积。

由于胶点表面几乎成镜面反射。因此在选择光源和照明方式时，采用LED环形光源作为照明光源，并选用暗场照明方式。

（一）中值滤波(https://www.xing528.com)

胶点图像中不可避免地含有噪声，所以在边沿检测之前必须对图像进行降噪处理。标准的中值滤波器虽然能较好地滤除图像噪声，并能在一定程度上保护图像边缘，但仍会丢失一些细节信息，如图像拐点等，因此考虑在利用中值滤波时，对模板窗口的各项采用不同的权值，即加权中值滤波，其基本原理是改变窗口中变的个数，可以使一个以上的变量等于同一点的值，然后对扩张后的点集求中值。该过程可描述为对滤波窗口内的像素排序，然后对每一像素相应权值大小的次数进行复制，然后从新的序列中选择中值作为输出。

（二）边缘检测

目前，边缘检测的方法很多，但一般对方向和噪声敏感，如Roberts算子、Sobel算子和Prewitt算子等，并且往往检测出的边缘并不连续。而由于形态学运算是物体形态集合与结构元素之间的相互作用，因此它对边缘方向不敏感，并能在很大程度上抑制噪声，在描述图像中物体形态特征上具有独特的优势。将数学形态学用于边缘检测，既可以有效地滤出噪声，又可以保留固有图像中的细节。

数学形态学的基本运算包括膨胀、腐蚀、开启、闭合四个部分。其中膨胀运算是局部最大值滤波，膨胀运算后图像灰度值变大；而腐蚀运算是局部最小值滤波，腐蚀运算后使整幅图像的灰度降低；开启运算可以消除小的亮细节，保持图像整体灰度和大的亮区域基本不受影响；闭合运算可以消除小的暗细节，保持图像整体灰度和大的暗区域基本不受影响。