产线上PCB板卡的一致性检测这几年几乎是刚需。以前靠老师傅拿放大镜一块一块看人累不说标准还不统一现在更多工厂选择上工业相机加算法把“这块板跟标准板像不像、差多少”这件事真正量化。我前段时间用Matlab把这条链路完整跑了一遍从相机镜头选型、光源打光到图像配准、差影分析再到特征判定中间踩了不少坑也沉淀了一些能直接复用的套路。这篇文章不打算把理论讲上天就按实际做项目的顺序把怎么拆检测项、怎么选硬件、怎么写Matlab代码、怎么调误检漏检的整个过程整理出来。内容偏工程落地适合正在做PCB外观检测项目选型、或者刚接手视觉检测算法的工程师参考也方便想用Matlab快速验证算法的同学照着上手。1. 检测任务拆解PCB一致性到底在测什么1.1 为什么“一致性检测”和“缺陷检测”不是一回事很多人一上来就把名字叫成“缺陷检测”实际操作逻辑却是拿样品和标准板做对比这其实是两条完全不同的技术路线。缺陷检测的核心是预先定义“什么是坏”比如焊点桥连、少锡、漏铜这类明确缺陷算法需要学习或提取缺陷形态。而一致性检测的核心是“与参考模板比对找不同”只要被测板和标准板在指定区域出现显著差异就判定为异常并不需要提前列全所有缺陷类型。这两种思路各有优势。缺陷检测可解释性强但是缺陷种类繁复经常会遇到新型不良没覆盖的情况一致性检测天然能兜住“没见过的差异”比如异物、错料、字符模糊、轻微偏移等但也容易把正常批次间的微小波动误报成异常。实际项目里我的经验是先按一致性检测搭框架再针对高频缺陷增加专门的检测分支两者结合比单一思路可靠得多。用Matlab做验证时这种混合方案也容易实现。1.2 六类典型检测项从外观到装配PCB板卡一致性检测覆盖的内容很杂我习惯先拆成六大类避免后面写算法时漏项。第一是缺件错件比如某个电容没贴、某个芯片型号贴错第二是极性方向电解电容、二极管灯珠装反第三是焊点状态包括连锡、缺锡、锡珠、虚焊第四是丝印字符板号、丝印层文字是否清晰、位置是否正确第五是表面异物比如锡渣、灰尘、手指印、划痕第六是装配位置偏移包括元器件整体偏移、旋转、立碑。这六类在成像角度和算法策略上差别很大。焊点状态需要用低角度光或环形光把焊点的立体轮廓打出来丝印字符需要高分辨率保证小字可读极性方向检测除了看颜色标记还要看器件本体特征。如果只有一台相机一个光源很难同时满足所有检测项这也是做方案时最需要跟机械、电气、算法反复对齐的地方。1.3 检测项与视觉方案的对应关系为了让自己在选硬件和写代码时不抓瞎我通常会做一个检测项与视觉方案的对应表相当于把需求转化成工程语言。检测项成像要求推荐光源算法思路缺件、错件视野覆盖整板或分区分辨率能看清小器件环形光或高角度条形光模板匹配 ROI内灰度/边缘比对极性方向需要彩色信息时用彩色相机同轴光或低角度光区域颜色/形状特征分类焊点状态局部高分辨率能表现焊点轮廓低角度环形光或多角度光差影分析 连通域特征丝印字符高分辨率黑白图字体清晰高角度光或同轴光OCR识别 模板比对表面异物对比度要高灰尘和划痕清晰低角度光或穹顶光差影 形态学处理安装偏移全局图像配准后测量常规环形光特征匹配求变换矩阵计算偏移这个表不是绝对的实际项目会跟着产品工艺变化。但它的价值在于当你拿着检测项清单去跟相机厂商和光源厂商沟通时不容易被带偏也不会出现“算法写完了才发现光照不适合”这种返工问题。2. 硬件与成像方案选型先让相机“看得清”2.1 相机、镜头、光源的选择思路工业相机选型不是越贵越好关键是匹配被检物的尺寸和精度要求。先算分辨率假设板卡尺寸是300mm×200mm要识别的最小特征尺寸是0.2mm按经验最少需要5个像素覆盖这个特征也就是每个像素对应0.04mm。水平方向就需要300/0.047500像素垂直方向需要200/0.045000像素总像素3750万这已经超出普通500万相机的范围了。所以现实项目里很少用单相机拍整板后直接做高精度检测更常见的做法是分区域拍照或者用两个相机分别负责大视野粗检和局部精检。镜头选型有一个基础公式焦距 f 工作距离 WD × 传感器尺寸 S / 视野尺寸 FOV。例如工作距离300mm传感器靶面宽度6.4mm视野宽度300mm那焦距大概是6.4mm。但实际还要考虑镜头畸变和景深我建议选焦距比理论值稍长一点然后靠加长工作距离调节这样画面边缘畸变会小一点。还有一点经常被忽略就是镜头的放大倍率要和相机像素尺寸匹配否则镜头分辨率跟不上相机传感器拍出来的图一样是糊的。2.2 光照方案实战环形光、同轴光、条形光的适用场景光源选型在PCB检测里比相机更重要。我踩过最大的坑就是没重视光源结果算法无论怎么调都压不住反光和阴影。环形光是最常用的它从四周打光适合焊点、引脚、元件轮廓这类需要突出立体信息的场景但环形光角度固定遇到镜面反光比较强的板面容易产生局部过曝这时候要换低角度环形光让反射光不再对着相机。同轴光适合字符、金手指、平面光泽区域因为光和相机同轴能有效消除斜反射干扰。条形光一般放在侧面做大面积均匀照明适合整板外观扫描。实际项目中一套工位通常要配两到三种光源通过程序切换。比如先用高角度白光检查板面整体和字符再用低角度红光检查焊点和锡珠。用Matlab做算法验证时虽然不需要你亲自调光源但一定要在采集阶段考虑多人多批次的采集条件一致否则后面算法会被光照波动带崩。2.3 成像分辨率与视野计算示例我直接给一个算例。被检最小元件是0402封装焊端宽度大约0.5mm。我要求一个焊端宽度至少占8像素所以每个像素对应0.0625mm。如果单个相机视野定为100mm×80mm需要1600×1280像素200万像素相机就够了。此时镜头靶面选1/2.5英寸尺寸约5.7mm×4.3mm工作距离200mm则水平焦距 200×5.7/100 11.4mm。实际配12mm定焦镜头即可。还要注意如果板卡有较大高度差比如插件元件和贴片元件共存景深不够会导致边缘发虚需要适当缩小镜头光圈或者用远心镜头。很多工程师问“视觉精度到底怎么算要不要算镜头放大倍率”。我的理解是这样系统精度最终由“单像素代表物理尺寸”决定而单像素物理尺寸 视野尺寸 / 相机像素数。镜头放大倍率会影响视野大小和分辨率但它是通过影响这个比值来起作用的。比如同款相机配不同焦距镜头视野从100mm缩到50mm单像素物理尺寸就减半精度翻倍。所以不能单独说镜头倍率等于精度要把相机靶面和视野一起算。3. Matlab图像处理与一致性判定算法设计3.1 图像预处理先让图像“干净”下来Matlab做一致性检测第一步一定是预处理。我们实际采集到的图免不了有噪声、亮度不均、轻微模糊不能直接做差分。常规流程是先灰度化如果是彩色相机还要先完成色空间转换然后做滤波我一般用中值滤波去椒盐噪声窗口选3×3或5×5太大会把细小的焊点轮廓也抹掉。亮度不均问题可以用背景校正先对图像做一次大窗口均值滤波得到背景亮度图再用原图减去背景图相当于把光的渐变影响去掉。这一步对分区打光的情况尤其重要。在脚本层面我会把预处理封装成函数比如preprocessBoard(img)把灰度化、滤波、背景校正都放进去。这样后面不管是批量跑数据还是换不同工位的图片入口是统一的。预处理不是越复杂越好我见过有人在灰度图上去噪时用了双边滤波结果边缘信息确实保留但速度慢了几倍对产线批量处理来说并不划算。3.2 模板匹配与图像配准对不齐一切都是空谈一致性检测最容易翻车的就是对不齐。板卡在夹具上不可能每次放得一模一样哪怕偏差三五个像素做差影分析时边缘就会产生大量伪差异。所以图像配准是整套流程的核心也是最值得花时间调的一步。Matlab里我常用两种配准思路。一种是相位相关法用函数imregcorr做互相关估计刚体变换或相似变换速度快适合全局刚体偏移和旋转另一种是基于特征点的配准用SURF、ORB特征提取再用fitgeotrans求单应变换矩阵适合板面有透视变形或者需要非线性校正的场景。实际做PCB板卡因为相机固定、载具位置相对稳定刚体变换加轻微缩放就够用了。要注意的是配准一定要在整板上找稳定的参考特征比如定位孔、大块铺铜边缘不要选丝印字符因为字符本身可能有差异。配准完成后要保证待测图被变换到参考模板的坐标系下用imwarp处理。这里有个细节输出视图outputView要设置成与参考图一致否则变换后的图像大小和原点都会漂移后面差影就全偏了。我第一次做就漏了这个参数结果每张图都多了一圈黑边阈值怎么调都报警。3.3 差影分析与特征量化把差异变成可量化的数字在图像对齐之后最直接的做法是相减diffImg abs(refImg - testImg)差异区域就会变成高亮。但直接相减的图往往噪声很重需要用阈值把真正的差异分离出来。阈值怎么定是关键我通常先用graythresh算一个初始阈值然后再乘一个灵敏度系数。灵敏度系数需要根据试产数据调调小了漏检多调大了误检多一般我会让被检区域中真正差异的灰度峰值显著高于阈值而正常波动低于阈值的一半。得到二值图之后要做形态学处理。先用imclose连接断裂的差异区域再用bwareaopen删除面积小于设定值的孤立噪点。之后用regionprops提取连通域的面积、周长、外接矩形、质心等特征。特征值不是全部喂给判定规则而是先看分布。比如正常生产时0.1平方毫米以下的细微差异经常出现而漏焊锡珠的面积往往大于0.5平方毫米这时候面积阈值就很有用。字符缺失则要看连通域的位置和形状可能在外接矩形的长宽比上表现得更明显。3.4 判定规则与机器学习分类从固定阈值到自学习真正写判定模块前要先把检测需求理清楚。有的检测项可以靠固定阈值搞定比如“异常区域面积超过某值就NG”但有些项光靠阈值没法分比如极性反了差异区域可能是缺失也可能是多出来的部分单纯面积特征不够。这时候就要上简单的特征工程加分类。我的做法是把图分成若干ROI对每个ROI提取一组特征比如差分灰度均值、差分面积占比、边缘差异长度、颜色通道差异等组成特征向量。在Matlab里可以用fitcsvm或BP神经网络做分类器训练。用BP神经网络时特征要先归一化到[0,1]避免量级差异过大。样本要尽量均衡NG样本少的话我会用图像旋转、平移、亮度抖动做数据增强。我自己试下来小样本场景下SVM不比神经网络差而且训练快、不容易过拟合。神经网络更适合特征和类别关系比较复杂、样本量有几千张以上的情况。建议先用简单分类器跑通再根据效果决定是否升级。4. Matlab代码实现的关键环节4.1 图像采集与数据读取测试环境也要模拟产线节奏Matlab里读图有很多方式。如果是在产线上做实时验证可以用Image Acquisition Toolbox直接调用工业相机但我个人觉得先用一批离线图片把算法逻辑跑稳定更重要。离线读取时把标准板图片放在golden文件夹被测板图片放在test文件夹用dir和fullfile批量读取一次性把整批数据跑完顺便出统计结果。我建议所有图片统一命名规则比如“board_编号_工位_时间.bmp”这样后面做追溯和分类比较方便。采集测试图片时哪怕开始是实验室环境也要尽量固定相机位置、光源亮度和曝光时间。最好在同一个光照条件下采集所有图片否则检测算法很难区分“板子差异”和“光照差异”。这一点听起来简单但实际上八成的一致性检测误报都是环境变化引起的。4.2 配准与差影代码示例可直接跑通的核心流程这里给出一段核心的Matlab代码流程它不算完整工程但把配准、差影、特征提取的主链路搭出来了你可以直接复制去跑自己的图片。% 读取标准板与待测板 refImg imread(golden.bmp); testImg imread(test_01.bmp); % 转灰度并做中值滤波 refGray im2gray(refImg); testGray im2gray(testImg); refGray medfilt2(refGray, [3 3]); testGray medfilt2(testGray, [3 3]); % 自动配准以refGray为基准testGray为待配准图 [tform, testReg, refReg] imregcorr(testGray, refGray, rigid); testAligned imwarp(testGray, tform, OutputView, refReg); % 差影分析 diffImg imabsdiff(refGray, testAligned); % 自适应阈值分割 thresh graythresh(diffImg) * 255; bw diffImg thresh; % 去除小噪声区域 bw bwareaopen(bw, 50); % 提取连通域特征 stats regionprops(bw, Area, BoundingBox); if isempty(stats) disp(PASS: 无明显差异区域); else maxArea max([stats.Area]); fprintf(最大异常区域面积: %d 像素\n, maxArea); if maxArea 200 disp(NG: 存在大范围差异); else disp(PASS: 差异在容忍范围); end end % 可视化 figure; subplot(2,2,1); imshow(refGray); title(标准板); subplot(2,2,2); imshow(testAligned); title(配准后的待测板); subplot(2,2,3); imshow(diffImg,[]); title(差影图); subplot(2,2,4); imshow(bw); title(差异二值图);这段代码里有两个地方要重点看第一是imregcorr的输入顺序第一个参数是待配准图第二个参数是参考图写反了配准结果会乱第二是OutputView要设成参考坐标系否则imwarp输出的图像边界会缺失。灰度阈值这里用graythresh自动求完再乘255是因为graythresh对uint8图像返回的是归一化到0到1的阈值直接用在差分图上会偏小需要还原到灰度尺度。4.3 检测结果评价指标不能只看“好像挺准”算法写完最忌讳拍脑袋说“看起来挺准的”。要评价一致性检测模型最基础的是做混淆矩阵把样本分成TP、FP、TN、FN四类。漏检率对应FN占实际NG的比例误检率对应FP占实际PASS的比例。这两个指标往往是反相关关系调阈值时不可能两个都为0。我一般会画ROC曲线或者Precision-Recall曲线来看整体性能尤其在正负样本不平衡的时候ROC会偏乐观P-R曲线更能反映实际效果。用Matlab的perfcurve函数可以画曲线很容易看出阈值往哪个方向调更合适。另外要留意检测项多的时候最好每个检测项单独出指标不要只统计一个整板通过率不然你根本不知道是哪个ROI一直在误报。我的习惯是跑完一批图后导出一张表图片编号、每个ROI的差异面积、灰度均值、最终判定结果这样能快速定位问题区域。5. 工程落地中的常见问题与解决实录5.1 振动与运动模糊相机端的“隐蔽杀手”很多项目调试时发现静态拍图效果不错一上线就频繁误检最后查到原因不是算法而是机台振动和运动模糊。PCB检测线如果是在线检测传送带或机械手移动过程中相机曝光时间稍长图像就会出现轻微拖影。解决办法一是把曝光时间压缩到毫秒级以下二是用外触发方式让相机在板卡短暂停止时采图三是用频闪光源在曝光瞬间打亮既冻结运动又降低环境光干扰。用Matlab做离线验证时可以人为模糊测试用fspecial生成motion模糊核对图像做卷积看看算法在多大模糊下还能稳定判定这样提前知道现场预留多少运动容差。5.2 光照变化导致误检八成误报的根源我在多个项目里遇到同一个现象同一个样板上午测全PASS下午测同一批板子却报警。原因是车间灯光或窗外阳光变化让图像亮度整体偏移差分图自然出现大片伪差异。解决办法治本的是把检测区域做成密封暗室用固定光源照明同时相机设为固定曝光、固定增益关闭自动白平衡。算法上我还会做归一化处理对配准后的图像和模板分别计算ROI内的灰度均值和标准差用归一化互相关系数代替绝对差分值。相关系数对整体亮度和对比度变化不敏感实测下来误报能压下去大半。5.3 误检率与漏检率的平衡阈值不能一键定死现场最麻烦的是NG和PASS的边界样本。比如一个焊盘边上有极细的锡丝面积不大但可能影响可靠性和爬锡工艺必须判NG另一块板只是铜箔表面细微氧化颜色稍微变暗对功能没有影响判NG又太苛刻。这种问题单靠一个全局面积阈值无法解决。我的做法是按区域拆分成多个阈值并给每个区域设置不同的灵敏度。比如焊盘区域用严格阈值基材区域用宽松阈值。更细一点的做法是提取区域的多维特征比如面积、灰度差、边缘强度然后训练一个小分类器让边界样本自动落在合理侧。5.4 算法速度优化从实验室到产线的距离Matlab跑算法方便但直接部署到产线速度往往是最大瓶颈。我在离线测试时一张500万像素图完整处理要600毫秒左右但现场节拍要求整个检测流程控制在2秒内多个检测项根本不够用。优化思路有几个先在ROI级别处理不要全图做差影把检测区域切碎只处理包含元件或焊盘的局部块其次图像缩到合适分辨率再跑粗检只有粗检可疑区域才裁原图精检还有尽量用矩阵化操作代替循环避免在for循环里逐像素处理。如果Matlab仍不够快可以把核心逻辑编译成C/C MEX文件或用MATLAB Compiler打包成独立程序速度提升明显。5.5 常见问题速查表现象可能原因排查顺序全板区域大面积报警配准失败、光照突变、模板选错先看配准图是否对齐再查光照固定位置反复报警光源反光、夹具划痕、模板带缺陷检查该位置的原始图确认是否真实缺陷漏掉细小缺件分辨率不足、阈值过高、特征丢失看差分图该区域是否有响应再调ROI精度同一块板结果不稳定相机参数自动调整、随机噪声手动固定曝光时间、白平衡启用多次采集投票程序运行特别慢全图处理、循环多、配准耗时缩小ROI降低粗检分辨率优先优化配准函数6. 从传统视觉到智能化扩展6.1 深度学习与传统视觉的结合方向固定规则的传统视觉方案胜在稳定、可解释、缺陷样本少时也能工作。但它不擅长处理“说不清楚”的缺陷模式比如五花八门的异物、复杂的焊点形貌变化。我最近在尝试先用传统视觉做粗定位和配准再把每个ROI的局部图丢给轻量级卷积神经网络做分类效果比单一方案稳。因为配准已经由传统方法解决深度学习只需要学“区域内有没有异常”不需要自己学习空间对位训练样本和模型复杂度都能降下来。Matlab的Deep Learning Toolbox可以加载预训练网络做迁移学习门槛没有想象中高。6.2 从单板检测到产线数据联动一致性检测的有意思之处在于它不只是把NG板挑出来还能用差异特征反推工艺问题。比如某个区域连续几十块板都出现类似的偏移那大概率是贴片机坐标漂了如果锡珠差异集中出现在某类元件附近可能和回流焊炉温曲线有关。配合产线MES系统记录每块板的检测结果和特征值就能做简单的统计分析提前发现不良趋势。这个方向不需要特别复杂的算法但需要检测程序把结果结构化输出比如导出JSON或CSV而不是只打个“PASS/NG”标签。用Matlab做验证时我们往往把重心放在算法准确率上但真正上线之后数据存档和追溯能力才是保证产线信任你的关键。最后再分享一个我自己的习惯做PCB一致性检测永远先花半天时间把检测项、成像方案、判定规则画成一张表再动手写代码。不然你很可能在一个“以为很重要但实际不是”的检测项上浪费大量时间最后现场一句“这个不用检”就把你打回原形。算法只是整个系统的一部分吃透被测对象才是不翻车的根本。
