[发明专利]一种高效快速的双目3D点云焊点缺陷检测方法

说明书

本发明涉及一种高效快速的双目3D点云焊点缺陷检测方法，所述检测方法包括：建立双目视觉系统来高效快速地采集焊点的视图1和视图2的点云，相较于单目视觉系统采集的3D点云焊点更加完整；设计3D模板匹配方法对双目3D点云焊点定位，所述匹配方法包括：基于语义分割方法获取印刷电路板的视图1和视图2的点云、基于齐次坐标变换对齐视图1和视图2的点云、基于快速点特征直方图方法配准对齐后的点云和标准模板；构建基于细粒度方法的3D点云焊点缺陷检测技术，该技术通过全局特征预测焊点关键区域，并提取关键区域的特征进行缺陷分类，实现了高效快速的焊点缺陷分类，对工业中印刷电路板的质量检测具有重要意义。

技术领域

本发明属电路板焊点缺陷检测技术领域，涉及一种高效快速的双目3D点云焊点缺陷检测方法。

背景技术

随着科技的迅速发展，印刷电路板广泛的应用于各行各业。在印刷电路板的生产制造过程中，焊点的焊接质量检测是其中的关键环节。传统的焊点缺陷检测主要依赖人工检测，即操作员通过事先指定的标准结合经验判断印刷电路板的焊接是否合格。人工检测涉及主观评价，并且重复性劳动导致人工检测效率低、成本高。因此自动检测技术被应用在焊点的缺陷检测中，现存的自动检测技术主要是基于图像进行缺陷分类。图像质量的好坏直接关系缺陷检测的结果，因此基于图像的方法通常对检测环境的光源要求较高。

最近，由于低成本的扫描仪和高速计算设备的出现，点云在许多领域得到了广泛的应用。相比较于图像，点云提供了丰富的几何、形状和空间信息来表征3D物体，并且点云的获取对光源不敏感。印刷电路板的缺陷检测实际上是3D结构的焊点的形状检测，3D点云对焊点形状的表征是优于2D图像对其的表征。并且随着深度学习在点云上取得突破性的发展，深度神经网络可以高效快速的处理点云数据，这为实际生产应用提供了基础。

现存焊点缺陷的自动检测方法主要是基于图像数据，通过多色光采集图像，并使用机器学习、深度学习等方法进行特征提取并分类。主要可分为如下三种方法：1)基于图像处理的方法，设计不同的图像提取算子提取特征，并根据提取的特征设计对应分类器。2)基于机器学习的方法处理图像并提取特征，并使用特征训练分类器。3)基于数据驱动的深度学习方法同时提取特征并分类。因为这些基于图像的技术在采集图像时对光照敏感，因此这些技术通常对光照不具有鲁棒性。本发明使用激光雷达采集数据，可以避免光照对检测结果的影响。

发明内容

本发明要解决的技术问题，基于3D点云对3D物体的有效表征，提出一种高效快速的双目3D点云焊点缺陷检测方法。本发明采用不同于现存的技术在于设计了双目视觉系统快速采集焊点点云，并构建了基于细粒度的方法检测3D焊点点云缺陷。

为了达到上述目的，本发明的方案如下：

一种高效快速的双目3D点云焊点缺陷检测方法，步骤如下：

(1)构建双目视觉系统采集待测样本的3D点云；

所述待测样本为塑料材质封装的印刷电路板；

所述双目视觉系统是指：两个三角测距激光雷达位于所述待测样本的正上方，且二者形成的直线与所述待测样本的印刷电路板部分所在的平面平行(两者之间的距离为所述激光雷达对应的使用说明书中的正常工作时的扫描高度)；两个三角测距激光雷达以镜像对称的方式放置同时二者之间无间隙；每个三角测距激光雷达在沿着所述直线的方向运动时，所述三角测距激光雷达的发射器发射的激光垂直扫描过焊点，然后由焊点反射激光至对应三角测距激光雷达的接收器；(该测试原理图如图2所示)

所述采集的过程为：使用逻辑控制器(即PLC)控制两个三角测距激光雷达的开始扫描信号，并同时控制两个三角测距激光雷达在所述直线上匀速运动，沿一个方向一次性采集待测样本的3D点云，再通过以太网传输两个三角测距激光雷达采集的数据到上位机中；

所述匀速运动过程中，两个三角测距激光雷达的相对位置保持不变；