3. PCB板焊点缺陷检测

任务说明

本案例针对PCB板焊点图像，通过图像分割与形态学操作，识别两类常见缺陷：桥接（相邻焊点间多余焊料连通）与缺焊（焊盘上无焊料或焊料严重不足）。输入为单张PCB焊点灰度图，输出为标注缺陷位置的图像及缺陷统计结果。

实现方案

采用OpenCV实现完整处理流水线：阈值分割提取焊料区域 → 连通域分析定位各焊点 → 形态学开运算分离桥接 → 面积与形状判据区分正常/桥接/缺焊。核心思路：正常焊点近似圆形且面积在合理区间；桥接焊点经开运算后面积显著减小；缺焊焊盘区域无焊料覆盖。

完整代码

import cv2
import numpy as np

def detect_solder_defects(img_path, min_area=80, max_area=800, circularity_thresh=0.6):
    """
    检测PCB焊点缺陷（桥接/缺焊）
    返回: 标注图, 缺陷统计字典
    """
    # 1. 读取与预处理
    img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
    if img is None:
        raise FileNotFoundError(f"无法读取图像: {img_path}")
    # 反色：焊料为亮色，背景为暗色
    _, binary = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

    # 2. 形态学去噪（去除孤立小噪点）
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))
    binary_clean = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel, iterations=1)

    # 3. 连通域分析（原始焊料区域）
    num_labels, labels, stats, _ = cv2.connectedComponentsWithStats(binary_clean, 8)

    # 4. 焊盘位置估计：对原图做闭运算填充焊盘区域（用于缺焊判断）
    close_kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (15, 15))
    pad_region = cv2.morphologyEx(binary_clean, cv2.MORPH_CLOSE, close_kernel, iterations=2)

    # 5. 形态学开运算（分离桥接焊点）
    open_kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
    binary_opened = cv2.morphologyEx(binary_clean, cv2.MORPH_OPEN, open_kernel, iterations=2)
    num_labels_op, labels_op, stats_op, _ = cv2.connectedComponentsWithStats(binary_opened, 8)

    # 6. 结果标注
    result = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
    defects = {"bridge": 0, "missing": 0, "normal": 0}

    # 6.1 遍历原始连通域，判断桥接与正常
    for i in range(1, num_labels):
        x, y, w, h, area = stats[i]
        if area < min_area:
            continue  # 忽略小噪点

        # 计算圆形度
        contour, _ = cv2.findContours((labels == i).astype(np.uint8), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
        if not contour:
            continue
        perimeter = cv2.arcLength(contour[0], True)
        circularity = 4 * np.pi * area / (perimeter * perimeter) if perimeter > 0 else 0

        # 判断桥接：开运算后该区域分裂成多个连通域，或面积显著减小
        opened_area = np.sum(labels_op[labels == i] > 0)
        if opened_area < area * 0.7 or circularity < circularity_thresh:
            defects["bridge"] += 1
            cv2.rectangle(result, (x, y), (x + w, y + h), (0, 0, 255), 2)  # 红色框
            cv2.putText(result, "bridge", (x, y - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1)
        else:
            defects["normal"] += 1
            cv2.rectangle(result, (x, y), (x + w, y + h), (0, 255, 0), 2)  # 绿色框

    # 6.2 缺焊检测：焊盘区域（闭运算结果）中无焊料覆盖的部分
    pad_labels, pad_stats = np.unique(labels[pad_region > 0], return_counts=True)
    for i in range(1, num_labels):
        x, y, w, h, area = stats[i]
        if area < min_area:
            continue
        # 该连通域是否覆盖了对应焊盘的大部分
        pad_mask = (pad_region > 0) & (labels == i)
        if np.sum(pad_mask) > 0:
            pad_area = np.sum(pad_mask)
            if area / pad_area < 0.3:  # 焊料面积不足焊盘30%
                defects["missing"] += 1
                cv2.rectangle(result, (x, y), (x + w, y + h), (255, 0, 0), 2)  # 蓝色框
                cv2.putText(result, "missing", (x, y - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 1)

    return result, defects

if __name__ == "__main__":
    # 运行示例（需准备pcb_solder.png测试图）
    img_path = "pcb_solder.png"
    result_img, stats = detect_solder_defects(img_path)
    print(f"缺陷统计: {stats}")
    cv2.imwrite("defect_result.png", result_img)
    print("标注结果已保存至 defect_result.png")

运行与验证

依赖安装：

pip install opencv-python numpy

运行方式：将代码保存为 pcb_defect_detect.py，准备一张包含正常焊点、桥接和缺焊的PCB灰度图命名为 pcb_solder.png 置于同目录，执行：

python pcb_defect_detect.py

通过条件：

  1. 程序无报错退出，控制台输出缺陷统计字典；
  2. 生成的 defect_result.png 中：桥接缺陷被红色框标注、缺焊被蓝色框标注、正常焊点为绿色框；
  3. 对已知缺陷数量的测试图，统计结果与人工标注一致（允许±1个像素级误差）。

参数调优提示：若检测效果不佳，优先调整 min_area/max_area 适配焊点实际像素尺寸；桥接误判时增大开运算核尺寸（当前为5×5）；缺焊漏检时增大闭运算核尺寸（当前为15×15）以更完整覆盖焊盘。

常见问题

  • 图像为彩色图：需先转灰度，可在读取后添加 img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)；
  • 焊料为暗色背景为亮色：需反转二值化结果，将 cv2.THRESH_BINARY 改为 cv2.THRESH_BINARY_INV；
  • 焊点大小差异大：建议按实际图像分辨率等比缩放 min_area 与 max_area，或改用自适应阈值分割。
← 上一章 📖 返回目录 下一章 →