Метод повышения точности сегментации изображений печатных плат
Разработан метод повышения точности сегментации изображений печатных плат, основанный на экспертной классификации цветовых кластеров, полученных с помощью k-means кластеризации в пространстве RGB. Метод позволяет повысить точность сегментации на границах элементов топологии и улучшает качество анали...
Saved in:
| Date: | 2016 |
|---|---|
| Main Author: | |
| Format: | Article |
| Language: | Russian |
| Published: |
Інститут проблем штучного інтелекту МОН України та НАН України
2016
|
| Series: | Штучний інтелект |
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/132068 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Метод повышения точности сегментации изображений печатных плат / А.В. Инютин // Штучний інтелект. — 2016. — № 3. — С. 44-49. — Бібліогр.: 7 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
nasplib_isofts_kiev_ua-123456789-132068 |
|---|---|
| record_format |
dspace |
| spelling |
nasplib_isofts_kiev_ua-123456789-1320682025-02-09T20:11:03Z Метод повышения точности сегментации изображений печатных плат Method for increasing the accuracy of PCB image segmentation Инютин, А.В. Програмно-технічні засоби інтелектуальних систем Разработан метод повышения точности сегментации изображений печатных плат, основанный на экспертной классификации цветовых кластеров, полученных с помощью k-means кластеризации в пространстве RGB. Метод позволяет повысить точность сегментации на границах элементов топологии и улучшает качество анализа изображения печатной платы. The paper proposes a method of increasing the accuracy of the PCB image segmentation based on expert classification of color clusters obtained using the k-means clustering in the RGB space. The method improves the accuracy of segmentation boundaries topology elements and improves the quality of the PCB image analysis. Работа выполнена при финансовой поддержке БРФФИ (договор № Ф16-070). 2016 Article Метод повышения точности сегментации изображений печатных плат / А.В. Инютин // Штучний інтелект. — 2016. — № 3. — С. 44-49. — Бібліогр.: 7 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/132068 004.424.2+004.624 ru Штучний інтелект application/pdf Інститут проблем штучного інтелекту МОН України та НАН України |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| language |
Russian |
| topic |
Програмно-технічні засоби інтелектуальних систем Програмно-технічні засоби інтелектуальних систем |
| spellingShingle |
Програмно-технічні засоби інтелектуальних систем Програмно-технічні засоби інтелектуальних систем Инютин, А.В. Метод повышения точности сегментации изображений печатных плат Штучний інтелект |
| description |
Разработан метод повышения точности сегментации изображений печатных плат, основанный на экспертной классификации цветовых кластеров, полученных с помощью k-means кластеризации в пространстве RGB. Метод позволяет повысить точность сегментации на границах элементов топологии и улучшает качество анализа изображения печатной платы. |
| format |
Article |
| author |
Инютин, А.В. |
| author_facet |
Инютин, А.В. |
| author_sort |
Инютин, А.В. |
| title |
Метод повышения точности сегментации изображений печатных плат |
| title_short |
Метод повышения точности сегментации изображений печатных плат |
| title_full |
Метод повышения точности сегментации изображений печатных плат |
| title_fullStr |
Метод повышения точности сегментации изображений печатных плат |
| title_full_unstemmed |
Метод повышения точности сегментации изображений печатных плат |
| title_sort |
метод повышения точности сегментации изображений печатных плат |
| publisher |
Інститут проблем штучного інтелекту МОН України та НАН України |
| publishDate |
2016 |
| topic_facet |
Програмно-технічні засоби інтелектуальних систем |
| url |
https://nasplib.isofts.kiev.ua/handle/123456789/132068 |
| citation_txt |
Метод повышения точности сегментации изображений печатных плат / А.В. Инютин // Штучний інтелект. — 2016. — № 3. — С. 44-49. — Бібліогр.: 7 назв. — рос. |
| series |
Штучний інтелект |
| work_keys_str_mv |
AT inûtinav metodpovyšeniâtočnostisegmentaciiizobraženiipečatnyhplat AT inûtinav methodforincreasingtheaccuracyofpcbimagesegmentation |
| first_indexed |
2025-11-30T09:33:16Z |
| last_indexed |
2025-11-30T09:33:16Z |
| _version_ |
1850207315486048256 |
| fulltext |
ISSN 1561-5359. Штучний інтелект, 2016, № 3
44 © А.В. Инютин
УДК 004.424.2+004.624
А.В. Инютин
Объединенный институт проблем информатики НАН Беларуси, Беларусь
Беларусь, 220012, г. Минск, ул. Сурганова, 6
МЕТОД ПОВЫШЕНИЯ ТОЧНОСТИ СЕГМЕНТАЦИИ
ИЗОБРАЖЕНИЙ ПЕЧАТНЫХ ПЛАТ
A.V. Inyutin
United Institute of Informatics Problems of the National Academy of Sciences of Belarus, Belarus
Surganova,st., 6, Minsk, 220012,
METHOD FOR INCREASING THE ACCURACY OF PCB IMAGE
SEGMENTATION
Разработан метод повышения точности сегментации изображений печатных плат, основанный на
экспертной классификации цветовых кластеров, полученных с помощью k-means кластеризации в
пространстве RGB. Метод позволяет повысить точность сегментации на границах элементов топологии и
улучшает качество анализа изображения печатной платы.
Ключевые слова: печатные платы, изображения, сегментация
The paper proposes a method of increasing the accuracy of the PCB image segmentation based on expert
classification of color clusters obtained using the k-means clustering in the RGB space. The method improves
the accuracy of segmentation boundaries topology elements and improves the quality of the PCB image analysis.
Ключевые слова: печатные платы, изображения, сегментация
Введение
Электроника является одной из крупнейших отраслей промышленности в мире с
объемом рынка более 1 триллиона долларов в год и тенденцией его дальнейшего
увеличения, что определяет спрос на технологическое оборудование [1–2]. Несмотря на
то что согласно [3], стоимость печатных плат достигает всего лишь около 3 % от
любого готового изделия в электронной промышленности, без обеспечения высокого
качества печатной платы, как одной из основных компонент радиоэлектронной
продукции, не возможен выпуск конкурентоспособной продукции.
Система контроля качества печатных плат, использующая оптический метод
контроля, состоит из модулей захвата изображения, его предварительной обработки и
анализа (рис.1). На вход системе подается цифровое изображение печатной платы. На
этапе предварительной обработки производится коррекция геометрических искажений,
бинаризация и, при необходимости, удаление шума.
Рис. 1. Структурная схема системы контроля качества печатных плат
Предварительная обработка изображения
Поиск и классификация дефектов
Цифровое
изображение
Эталон,
допуски
Принятие решения о качестве
платы
ISSN 1561-5359. Штучний інтелект, 2016, № 3
© А.В. Инютин 45
На этапе поиска дефектов производится локализация дефектов на базе набора
выбранных методов контроля, эталона и набора допусков. В результате формируется
ведомость дефектов, в которой хранится их описание. Принятие решение о качестве
печатной платы производится или автоматически, или оператором вручную после
анализа дефектной ведомости и просмотра значимых дефектов. В результате плата
может быть принята для дальнейшей работы, отправлена на ремонт или отбракована, а
в производственный процесс могут быть внесены необходимые изменения.
Основное требование к системе контроля – это определение всех действительных
дефектов с минимальным количеством ложных. Для удовлетворения такого требования
необходимо использовать комбинацию разных методов поиска дефектов, но без
качественного выделения элементов топологии (дорожек, контактных площадок) на
изображении провести анализ изображения невозможно. Исключение составляет только
метод прямого сравнения изображений, но он значительно ограничен по возможностям.
Сегментация изображений печатных плат
Для выделения элементов топологии используется сегментация. Известны три
основных группы методов сегментации: областно-ориентированные, гранично-
ориентированные, статистические [4–7]. Областно-ориентированные методы
используют разбиение входного изображения на элементарные в некотором смысле
области, из которых затем составляются искомые области (сегменты). Гранично-
ориентированные методы основаны на фиксировании изменений интенсивности
пикселей на границах объектов. При статистическом методе пиксели одного и того же
объекта принадлежат одному и тому же кластеру пространства признаков.
Предложен метод повышения точности сегментации изображений печатных плат,
который заключается в экспертной классификации результатов кластеризации,
представленных в виде набора изображений, соответствующих каждому кластеру, и
цветового куба, осями координат которого являются значения яркости R, G и B
компонент. Кластера на кубе представлены в виде точки, размер которой соответствует
количеству пикселей кластера, цвет– его усредненному цвету, а цвет граничной линий
– его номеру.
На рис. 2 приведено исходное изображение печатной платы после оплавления
сплава олово-свинец.
Рис. 2. Исходное изображение печатной платы после оплавления сплава олово-свинец
ISSN 1561-5359. Штучний інтелект, 2016, № 3
46 © А.В. Инютин
Рис. 3. Гистограмма яркости для исходного изображения
На рисунке 4 изображен цветовой куб с результатами k-means кластеризации в
пространстве RGB.
Рис. 4. Цветовой куб с результатами k-means кластеризации в пространстве RGB
На рисунке 5 показаны результаты сегментации: дорожки, диэлектрический
материал и его дефект – вздутие.
В таблице 1 приведено сравнение предложенного метода повышения точности
сегментации с результатами двухэтапного алгоритма сегментации изображений [5].
Качество сегментации Q оценивалось как:
где Simage – общая площадь изображения, Serrori – площадь i-го ошибочно
сегментированного фрагмента изображения. Примером ошибочно сегментированного
фрагмента может являться часть дорожки, отнесенной к диэлектрику, и наоборот.
Из таблицы следует, что предложенный метод сегментации дает лучший
результат по сравнению с автоматическим двухэтапным алгоритмом
сегментации изображений.
ISSN 1561-5359. Штучний інтелект, 2016, № 3
© А.В. Инютин 47
а)
б)
в)
Рис. 5 Результаты сегментации: дорожки (а), диэлектрический материал (б)
и его дефект – вздутие (в)
ISSN 1561-5359. Штучний інтелект, 2016, № 3
48 © А.В. Инютин
Таблица 1. Оценка качества сегментации
Сегментация изображения Параметры
Качество
сегментации Q
Экспертная классификация результатов
k-means кластеризации
Количество
кластеров 30
0,962
Двухэтапный алгоритм с
разделимостью цветов cr и
чувствительностью s
cr 0.4, s 0.2 0,884
cr 0.5, s 0.2 0,920
cr 0.6, s 0.1 0,897
cr 0.6, s 0.2 0,896
cr 0.6, s 0.3 0,864
cr 0.7, s 0.2 0,897
cr 0.8, s 0.2 0,801
Заключение
Разработан метод повышения точности сегментации изображений печатных плат,
основанный на экспертной классификации цветовых кластеров, полученных с
помощью k-means кластеризации в пространстве RGB. Увеличение качества
сегментации достигается за счет сокращения неидентифицируемых или ошибочно
идентифицируемых областей изображения. Метод предназначен для подготовки
данных для контроля качества печатных плат.
Литература
1. IPC: Domestic PCB Market to Improve [Электронный ресурс]. – Режим доступа:
https://epsnews.com/2015/12/04/ipc-domestic-pcb-market-improve/
2. Wearable Tech a Key Growth Area in a Heavily Challenged Consumer Electronics Market [Электронный
ресурс]. – Режим доступа: http://futuresource-consulting.com/2016-08-Worldwide-CE-Market-Update-
8314.html.
3. Гаш М. Тенденции европейского рынка печатных плат / М. Гаш // Печатный монтаж. – 2006. – №2. –
С. 38–39.
4. Прэтт У. Цифровая обработка изображений. Кн. 2 / У. Прэтт. – М.: Мир, 1982. – 480 с.
5. Kerfoot I.B. Theoretical analysis of multispectral image segmentation criteria / I.B.Kerfoot, Y. Bresler //
IEEE Trans. Image Processing. – 1999. – Vol. 8. – № 6. – P. 768 – 820.
6. Coleman G.B. Image Segmentation by Clustering / G.B. Coleman, H.C. Andrews // Proc IEEE. – Vol.67. –
1979. – P. 773 – 785.
7. Ваткин М.Е. Идентификация объектов на цветных изображениях топологического слоя интегральной
схемы / М.Е.Ваткин, А.А.Дудкин, А.В.Инютин // Информатика. – 2005. – №4 – C. 57–67.
Literatura
1. IPC: Domestic PCB Market to Improve [Elektronnyiy resurs]. – Rezhim dostupa:
https://epsnews.com/2015/12/04/ipc-domestic-pcb-market-improve/
2. Wearable Tech a Key Growth Area in a Heavily Challenged Consumer Electronics Market [Elektronnyiy
resurs]. – Rezhim dostupa: http://futuresource-consulting.com/2016-08-Worldwide-CE-Market-Update-
8314.html.
3. Gash M. Tendentsii evropeyskogo ryinka pechatnyih plat / M. Gash // Pechatnyiy montazh. – 2006. – #2. –
S. 38–39.
4. Prett U. Tsifrovaya obrabotka izobrazheniy. Kn. 2 / U. Prett. – M.: Mir, 1982. – 480 s.
5. Kerfoot I.B. Theoretical analysis of multispectral image segmentation criteria / I.B.Kerfoot, Y. Bresler //
IEEE Trans. Image Processing. – 1999. – Vol. 8. – #6. – P. 768 – 820.
https://epsnews.com/2015/12/04/ipc-domestic-pcb-market-improve/
http://futuresource-consulting.com/2016-08-Worldwide-CE-Market-Update-8314.html
http://futuresource-consulting.com/2016-08-Worldwide-CE-Market-Update-8314.html
https://epsnews.com/2015/12/04/ipc-domestic-pcb-market-improve/
http://futuresource-consulting.com/2016-08-Worldwide-CE-Market-Update-8314.html
http://futuresource-consulting.com/2016-08-Worldwide-CE-Market-Update-8314.html
ISSN 1561-5359. Штучний інтелект, 2016, № 3
© А.В. Инютин 49
6. Coleman G.B. Image Segmentation by Clustering / G.B. Coleman, H.C. Andrews // Proc IEEE. – Vol.67. –
1979. – P. 773 – 785.
7. Vatkin M.E. Identifikatsiya ob'ektov na tsvetnyih izobrazheniyah topologicheskogo sloya integralnoy shemyi
/ M.E. Vatkin, A.A. Dudkin, A.V. Inyutin // Informatika. – 2005. – #4 – S. 57–67.
RESUME
A.V. Inyutin
Method for increasing the accuracy of PCB image segmentation
The PCB quality inspection system, based on the optical control method, consists of
image capture, preprocessing and analysis modules. At the preprocessing stage, geometric
distortion correction, binarization and, if necessary, noise removal are performed. At the
defect search stage, defects are localized based on a set of selected monitoring methods and
parameters of the production process (layout artwork and set of tolerances). The main
requirement for a control system is the definition of all actual defects with a minimum
number of false ones. To meet this requirement, it is necessary to use a combination of
different defect search methods, but without qualitative highlighting of topology elements
(tracks, pads) in the image, it is impossible to analyze the image. This determines the
relevance of the research topic. Inspection of printed circuit boards is carried out at various
stages of production, in which its have different colors and the quality of the layer surface.
Segmentation is used to highlight the topology elements. The purpose of the study is to
improve the accuracy of segmentation of printed circuit boards.
As a result, a method for improving the accuracy of segmentation of PCB images is
proposed. The method consists in the expert classification of the k-mean clusterisation results
represented as a set of images corresponding to each cluster and a color cube which
coordinate axes are the brightness values of the RGB components. Clusters on the cube are
points, which size corresponds to the number of pixels in the cluster, the color is its average
color, and the color of the boundary line is its number.
The article shows that the proposed segmentation method gives the best result in
comparison with the automatic two-stage algorithm of image segmentation.
* Работа выполнена при финансовой поддержке БРФФИ
(договор № Ф16-070).
Надійшла до редакції 24.10.2016
|