目前,精密电子制造向高密度化、高产出率和“零缺陷”方向发展,元件的表面积减小,元件的引脚密度急剧增加。人工目检和在线测试仪检测已经不能满足生产的需要。因此,自动光学检测(Automatic Optical Inspection,AOI)逐渐成为研究的热点。但是,漏判与误判是AOI中普遍存在问题,如何提高AOI的准确率是一个迫切需要解决的问题。 要准确识别PCB缺陷就必须做到：采集特征明显的PCB图片；通过图像顸处理降低图像噪声,提高图像质量；选取合适的特征,并采用有效的缺陷检测算法。因此,文中对影响AOI系统准确性的这几个关键因素进行了研究。 光源作为自动光学检测系统关键部件之一,对系统的性能起到至关重要的作用。文中提出了一种新型环状光源结构。建立了光源的照度模型,并基于Phong双向反射模型建立了元件在光照条件下的反射模型。以最小颜色混叠为目标,对光源的参数进行了优化。实验表明,所设计的光源能有效减少颜色间的混叠,提高色彩对比度,突出特征,并适应于无铅锡膏的PCB检测。 通过进行图像预处理,可以消除图像噪声,提高图像质量。文中主要研究了图像色彩空间的转换、图像色彩增强、图像分割及图像滤波等图像预处理理论与技术。为了降低无铅化带来的影响,对图像进行了RGB到HSI(Hue,Saturation,Intensity,HSI)颜色空间的转换,并采用CHS(Color Highlight System,CHS)技术对图像进行了色彩增强。验证了CHS色彩增强技术可以在不改变色度分量的情况下,提高图像的饱和度。提出了一种采用十字掩模、基于个数判断的自适应门限中值滤波器,该滤波器能有效地过滤脉冲噪声,并能较好地保留边缘。与标准中值滤波器相比,该滤波器具有更好的滤波效果和更快的运算速度。采用一种基于熵的自动图像分割方法将图像分割成二值化图像,并提出几种卷积模板对二值化图像的斑块(particle)进行收缩滤波操作,消除边缘不确定性带来的影响。提出了一种小斑块去除算法,减少系统运算量,提高了系统速度。 对电子元件的特征进行提取,包括几何特征,纹理特征,颜色特征等。提出了类内、类间距离加权的特征优劣评价指标,对特征的主分量进行选择。在此基础上,对特征进行相关性分析,选择了一组较优的特征。 传统AOI检测算法在学习时需要大量缺陷样本,且低误报率和低漏报率难以得兼。文中提出了一种多分类器组合的缺陷检测算法。该算法在统计特征分布的基础上,自动计算特征阈值,当特征值超过上下阈值时,采用神经网络对缺陷进行进一步分类。该算法综合了斑块算法和神经网络算法的优点,在学习时不需要大量缺陷样本,并且在提高检测准确率的同时,提升了系统的智能性。在项目团队开发的AOI系统平台上对文中所研究的关键理论与技术进行了实验。实验结果表明光源的照度模型较好地符合了实际情况,并具有较好的均匀性；通过对若干特征分布情况进行了实验,确定了特征的主分量；此外,对所提的检测算法和传统检测算法进行了对比实验。实验结果表明,本文所提的检测算法在检测结果的准确率上有较大提高。