一种电子元件焊点缺陷检测方法技术

本发明专利技术提供一种电子元件焊点缺陷方法，结合基于混合高斯模型密度估计和极限学习机方法，利用不平衡的小样本可以精确地建模为混合高斯模型的原理，用混合高斯模型替代普通的高斯模型，并且利用密度估计方法计算和补偿不平衡数据带来的分类界限偏差，从而解决极限学习机应用于电子元件焊点缺陷检测时存在的不平衡数据分类问题，获得优于其他机器学习方法的更高的检测准确率。本发明专利技术可以广泛应用于工业生产中电子元件焊点的检测。

A method for detecting solder defects in electronic components

This invention provides an electronic component solder defect method, combining the mixed Gauss model density estimation and the limit learning machine method, using the imbalanced small sample can be accurately modeled as the principle of the mixed Gauss model, replacing the common Gauss model with the mixed Gauss model, and using the density estimation method to calculate and complement. The classification boundary deviation caused by unbalanced data is compensated to solve the problem of unbalanced data classification in the application of extreme learning machine to the defect detection of electronic components, and the higher detection accuracy is obtained than other machine learning methods. The invention can be widely applied to the detection of solder joints of electronic components in industrial production.

【技术实现步骤摘要】
一种电子元件焊点缺陷检测方法
本专利技术涉及一种电子元件焊点缺陷检测方法。
技术介绍
电子元件广泛应用于移动电话、数码相机、传感器和机器人等电子设备中，随着现代科技向着数字化方向的发展，电子产品的可靠性和生产效率得到了很大的提高。在电子产品的生产过程中，电子元件是通过焊接连接的，焊点的质量将直接影响电子产品的质量。不合格的缺陷焊点类型包括：漏焊、虚焊、连焊等。由于现代社会对于电子产品的一致性、稳定性和可靠性的要求越来越高，而焊点缺陷会引发潜在的电子产品质量问题，因此实现焊点缺陷的自动检测也变得越来越重要。为了确保电子元件连接的可靠性，在生产过程中需要对焊点进行质量检测。电子产品焊点质量检测最早主要依靠人工完成，之后逐渐出现自动化检测方法，包括射线检测、电气检测等。射线检测可以检测到焊点内部的缺陷；电气检测使用各种电气测量仪器可以检测出不良导通和元器件的热损坏，是一种离线检测。光电检测用于识别印刷电路板中缺失或错位的元件；使用X射线检查粘合剂或元件是否正常。近年来机器视觉方法逐渐进入焊点生产检测环节，通过采集图像进行焊点检测，具有精确定位、非接触式检测的特点。如果把缺陷焊点和无缺陷焊点本文档来自技高网...

【技术保护点】
一种电子元件焊点缺陷检测方法，其特征在于：本专利技术方法包括以下步骤：第一步,采集焊点图像，通过预处理获得感兴趣区域样本集，对感兴趣区域进行特征提取,感兴趣区域提取出来的特征构成样本的输入向量，感兴趣区域是否有缺陷构成样本的输出向量，全体样本集的输入向量和输出向量组成样本的训练集；前述特征提取得到的特征，包含以下特征中的一种或者几种，但是并不限于以下特征：图像的灰度值、圆度、粗糙度、熵、对比度和方向梯度直方图；第二步，应用第一步中得到的样本的训练集进行极限学习机的学习训练；所述极限学习机，其输入层与前述的样本集的输入向量相连接，其输出层有一个用于标记是否有缺陷的节点；所述极限学习机的输入权值ω...

【技术特征摘要】
1.一种电子元件焊点缺陷检测方法，其特征在于：本发明方法包括以下步骤：第一步,采集焊点图像，通过预处理获得感兴趣区域样本集，对感兴趣区域进行特征提取,感兴趣区域提取出来的特征构成样本的输入向量，感兴趣区域是否有缺陷构成样本的输出向量，全体样本集的输入向量和输出向量组成样本的训练集；前述特征提取得到的特征，包含以下特征中的一种或者几种，但是并不限于以下特征：图像的灰度值、圆度、粗糙度、熵、对比度和方向梯度直方图；第二步，应用第一步中得到的样本的训练集进行极限学习机的学习训练；所述极限学习机，其输入层与前述的样本集的输入向量相连接，其输出层有一个用于标记是否有缺陷的节点；所述极限学习机的输入权值ωi和偏差参数bi随机选取；应用前述完成学习训练的极限学习机为每个样本计算出一个预测的输出，之后分别计算出焊点合格类与焊点缺陷类的各自的混合高斯模型，按照下面的方法确定焊点合格类与焊点缺陷类两类之间最优的分类界面s：当两类混合高斯模型没有交叉点时，两类的混合高斯模型中间的间隔区的中点就是最优的分类界面s；当两类混合高斯模型仅有1个交叉点时，该交叉点就是最优的分类界面s；当两类混合高...

【专利技术属性】
技术研发人员：马立勇，马城宽，谢玮，孙明健，
申请(专利权)人：哈尔滨工业大学威海，
类型：发明
国别省市：山东,37