Sistema de inspeção visual de placas de circuito impresso

Abstract

A inspeção de qualidade de produtos na Indústria Brasileira ainda é manual ou pouco automatizada. Através da automatização dessa tarefa, é possível aumentar a produtividade e a qualidade do produto final. Com esse intuito, este trabalho visa desenvolver uma solução de inspeção automática visual de placas de circuito impresso. Através de imagens capturadas de placas de circuito impresso e de técnicas de processamento digital de imagens, é proposto o desenvolvimento de um modelo de aprendizagem de máquina capaz de classificar determinados componentes ou a ausência deles em placas de circuito impresso SMD (Surface-Mount Device). Além da classificação, o sistema é capaz de inspecionar o posicionamento do componente, gerando um alerta para componentes rotacionados e deslocados. As SVMs (Máquinas de Vetores de Suporte) consistem na técnica de aprendizado de máquina utilizada na implementação do classificador. O modelo recebe como entrada um vetor de características que representa a forma, textura e cor das imagens dos componentes. As características de forma e textura são obtidas pelo HOG (Histograma de Gradientes Orientados) e a cor é caracterizada pelo histograma da imagem no espaço HSV (Hue, Saturation, Value). O modelo de classificação implementado alcançou uma acurácia de 98,7% nas imagens testadas.

The quality inspection of final products in the Brazilian Industry is still manual or very little automated. Through the automation of this task, it is possible to increase productivity and product quality. To this end, this work aims to develop a printed circuit board automated inspection system. Therefore, a machine learning model capable of classifying SMD (Surface-Mount Device) components is proposed. In addition to the image classification, the system is able to inspect the component’s position, generating an alert for rotated and displaced components. SVMs (Support Vector Machines) are the machine learning technique used in the implementation of the classifier. The model receives as input a feature vector that contains information describing the shape, texture and color of the images. The shape and texture features are computed using HOG (Histogram of Oriented Gradients) and the color descriptor is created by calculating the histogram of the image in the HSV (Hue, Saturation and Value) color space. The model achieved an accuracy of 98.7% on the test images.