X光射线检测技术作为工业无损检测的常用方法之一，在元器件的质量检测评定中占有重要地位。X射线在穿透被检物各部分时强度衰减不同，从而可用于检测被检物的缺陷。在元器件封装中硅片、铜片等底盘基片以及锡球与焊盘之间经常出现气泡，气泡是因气体作用而产生的空洞，一般成圆形或椭圆形亮色影像，影像边缘较光滑，无棱角，有明显的周界。气泡会影响元器件的导电能力。
由于X光成像对比度低、灰度低、噪声大以及气泡任意形状的随机分布，使气泡提取难度增大。目前可通过边缘检测法或阈值分割法对气泡进行分割，通过种子填充法或数学形态学填充方法填充气泡。
针对元器件的X光图像低对比度、低灰度、噪声明显的特点，首先对图像进行预处理，即去噪及对比度变换，使气泡边缘更明显易于分割。通过边缘Canny算子能很好地检测气泡边缘，但是由于气泡大小不一形状各异，检测过程会出现非封闭气泡以及孤立像素点。通过数学形态学能很好进行非封闭区域的联通，以及封闭区域的填充并确定气泡轮廓。在确定气泡轮廓的基础上最终确定气泡质心位置和大小。

气泡检测具体算法

高斯滤波

由于在X射线成像过程中会产生大量随机噪声，因此要通过滤波处理来消除噪声。一般的滤波方法有空间域滤波和频域滤波。空间域滤波方法简单，处理速度快，适合工业的实时性要求。射线图像中多为随机噪声，因此选用高斯平滑滤波器。平滑滤波器是用滤波掩膜确定领域内像素的平均灰度值去代替图像每个像素点的值。高斯滤波的离散化加权滤波过程可表示为：

式中：∑表示求和函数；a为滤波模块宽度；b为滤波模块高度；s为滤波模块中图像像素的横坐标；t为滤波模块中图像像素的纵坐标；h为坐标(s，t)处的像素灰度。对大小为M×N图像滤波只需对x=0，1，2，…，M－1与y=0，1，2，…，N－1执行上式，即可完成图像的高斯滤波。

对比度拉伸

由于射线图像本身对比度就低，再加上高斯滤波会致使气泡边缘模糊，因此需要锐化气泡边缘，增强气泡与背景的对比度。增强图像对比度方法之一是对比度拉伸。对比度拉伸的方法一般分为线性变换和非线性变换。线性变化方法有分段线性变换，非线性变换方法有指数变换、对数变换、直方图均衡化等。对数变换可以将低灰度的背景压缩到更低灰度、灰度值比较高的气泡灰度偏高从而拉伸整体对比度，使气泡与背景更容易区分。
对数变换函数可表示为：
g(x)=clog［1+double(f(x))］
式中：c为一个常数；f(x)为输入原图像；g(x)为输出图像。

Canny边缘检测

图像的边缘检测是图像中一些特定像素的集合。图像的灰度在这些点有着显著的变化，即在这些地方图像的梯度取得较大的值。图像边缘检测常常通过边缘检测算子如梯度、Sobel算子、Canny算子等实现。这些算子简单易于实现，具有很好的实时性。
Canny算子具有良好的边缘强度估计，包含了边缘梯度方向和强度两个方面的信息，具体算法主要包括：高斯平滑、梯度计算、非极大值抑制、双门限检测四部［4］。Canny边缘检测算法是高斯函数的一阶导数，是对信噪比与定位精度之乘积的最优化逼近算子。双门限检测对虚假边缘响应达到最大抑制。由于Canny算子具有以上特点，所以Canny算子能很好地检测出气泡边缘。但同时也会出现非封闭边缘、孤立像素点以及气泡内的线条边缘等，因此需要对边缘检测后的二值图像进行数学形态学处理。

二值图像的形态学处理

膨胀和腐蚀操作是形态学处理的基础。假设A和B是Z2二维整数空间中的集合，A被B膨胀定义为：

A ⊕ B = { Z | ( B̂ )Z ∩ A ≠ Φ }

上方公式是以得到B的相对于它自身原点的映像象并且由Z对映象进行位移为基础的。

对Z中的集合A和B，使用B对A进行腐蚀，
用AΘB表示，并定义为
AΘB={Z|(B)Z⊆A}
膨胀的其中一个应用就是将裂缝桥接起来，而腐蚀的一种用途就是从二值图像中消除不相关的细节。元器件图像经过预处理、Canny边缘检测得到的图像中有部分非封闭的存在裂缝的轮廓，并且在气泡内外有一些不相关的边缘细节以及孤立像素点。膨胀和腐蚀可解决以上问题。
区域填充算法以集合的膨胀、求补和交集为基础。若A表示一个包含子集的集合，其子集的元素均是区域的8连通边界点。目的是从边界内的一个点开始，用1填充整个区域。所有非边界点标记为0，则以将1赋给p点开始，填充过程表示为：
X_k=(X_k－1⊕B)∩A^c，k=1，2，3…
式中：X₀=p；A^c为A的补集；B为结构元素。如果X_k=X_k－1，则算法在迭代的第k步结束。

通过区域填充可以使封闭气泡轮廓内被填充，消除气泡内的边缘线条使密集分散的气泡组合连通。
经过图像预处理、Canny边缘检测、区域填充，元器件图像中的气泡轮廓均已形成连通分量。通过数学形态学连通分量的提取可以把气泡轮廓完整地提取出来并确定其位置面积信息。
令Y表示一个集合A中的连通分量，并假设Y中一个点p已知的。用下列表达式生成Y的所有元素：
X_k=(X_k－1⊕B)∩A，k=1，2，3…这里B是一个适当的结构元素。
 
您可能已经注意到，在气泡检测这看似简单的任务背后，无数机构投入了大量精力去深入研究，从基础的高斯滤波平滑图像，到通过 Canny 算子精准捕捉气泡的微弱边缘，再到运用二值图像形态学处理来精炼和确认检测结果。之所以不遗余力地探讨这些背后的算法原理、推导公式，是因为我们深知：
可靠的X-ray气泡检测，绝非简单地“看”到图像中疑似的空洞。元器件封装中的气泡可能形态各异、大小不一，受材料、厚度、X光穿透效果等多种因素影响，图像中的表现千差万别，甚至可能被其他结构特征所干扰。仅仅依赖直观判断或简单的阈值分割，极易产生漏检或误判，这对于您至关重要的产品质量控制是无法接受的。

正是基于对这些底层原理的深刻理解和精妙运用，靠谱的X光检测系统才具备了：

1.  极致的检测精度：能够区分微小甚至不规则的气泡，不放过任何潜在的缺陷。
2.  卓越的抗干扰能力：有效应对不同元器件封装材料、内部结构变化带来的图像复杂性。
3.  稳定的检测结果：确保在批量生产环境中，每一次检测都可靠、可重复。
4.  强大的适应性：能够通过参数优化，灵活适应您工厂中不同型号、不同封装形式的元器件检测需求。
而且，你不需要成为图像处理专家，但了解到我们这些业内人员对技术细节的执着，可以让你确信：元器件封装气泡检测任务，交由我们意味着选择了基于深厚技术底蕴的可靠保障。
 

相关阅读