自适应分区与LPF融合的贴片电阻焊点空洞检测

简介：面向电子制造质量检测场景的一份技术文档，聚焦贴片电阻焊点内部空洞缺陷的自适应检测问题。文档阐述了回流焊工艺中空洞形成的机理及其对PCB可靠性、导热与导电性能的影响，并针对现有BGA空洞检测方法难以适应贴片电阻焊点2D X-Ray图像背景对比度差异大的痛点，提出了一种结合局部预拟合活动轮廓模型（LPF）与自适应圆形卷积核的新算法。其流程包括自适应分区、空洞粗检测和精细检测三个阶段：先通过优化求解将图像划分为亮暗区域，再分别采用LPF模型与自适应圆形卷积核进行检测，最后借助形状因子与平均灰度策略剔除误检，提升空洞检测的准确性与适用性。资源包为单个docx文档，大小334KB，内容结构完整，包含算法框架、公式推导与实验细节。目前已有95人浏览学习，适合从事贴片元器件检测、AOI算法研究或X-Ray无损检测的技术人员阅读参考。

1. 贴片电阻焊点内部空洞缺陷自适应检测：抓拍X-Ray亮暗分布不对等

回流焊把贴片电阻焊到PCB上之后，焊料冷却凝固时气体没跑出去，就会在焊点内部留下空洞。空洞占比率超过10%的板子，在严格规范下直接判不合格，这是电子基础元器件企业产线上的硬指标。贴片电阻焊点表面是凹形曲线，锡膏厚薄不均，铅对X射线的高衰减让厚锡区成像偏暗、薄锡区成像偏亮，2D X-Ray图里亮暗区域对比度差异极大。BGA焊球那套背景单一的全局检测算法搬过来，要么漏检暗区低对比度空洞，要么被亮区密集小空洞糊弄过去。这篇论文给的方案是先自适应分区、再分区设计检测器、最后用形状因子和平均灰度做精细判定。实际复现下来，算法框架清晰，参数都给全了，适合做AOI算法、SMT工艺质量的工程师参考。

2. 为什么BGA那套搬不过来：背景差异是分水岭

2.1 X射线成像的物理约束：铅衰减与凹形焊点

贴片电阻的焊点不是理想球体，而是顺着元件端电极形成的一个凹形曲面。回流焊后锡膏在元件两端形成类似月牙的轮廓，高度差直接写进了X射线成像结果。铅对X射线的质量衰减系数很高，射线穿过厚锡区域时强度衰减大，探测器接收到的信号弱，图像上表现为暗；穿过薄锡区域时衰减小，图像上表现为亮。所以一张正常的贴片电阻2D X-Ray图里，焊点区域天然同时存在暗区和亮区，而且分界线大致沿着电阻边缘走向。

空洞的灰度表征也随之分裂：暗区里的空洞因为周围本身灰度低，空洞与背景的对比度被压缩；亮区里的空洞周围灰度高，空洞相对突出，但往往密集且面积偏小。对比度分裂意味着任何使用全局阈值、全局边缘或全局能量泛函的方法都会在某一侧失效，这不是算法调参能救回来的，是一开始就选错了操作空间。

2.2 BGA空洞检测的四类典型思路和失效原因

BGA焊球是规则排列的球形结构，焊球内部背景相对均匀，所以已有文献的检测策略大多建立在“背景单一、空洞是唯一变量”的前提上。

Said等人用模板匹配提取焊球区域，然后直接用高斯拉普拉斯（LoG）算子检测空洞，再用形状因子和平均灰度剔除误检。模板匹配依赖焊球的形状和排列规则，贴片电阻焊点没有这种规则阵列，模板根本立不住。

Peng等人提出Blob分析，用多尺度盒型滤波器预处理图像，计算局部梯度生成Blob图像，再用形态学检测空洞，最后用圆度滤除假空洞。这套流程在BGA上有效，是因为焊球背景平坦，局部窗口内的灰度统计稳定；贴片电阻亮暗交界处梯度本身就是天然的“假Blob”，多尺度盒型滤波会把这些交界区域放大成伪目标。

Mouri等人把空洞检测定义为矩阵分解问题，把1个焊点的3张图像平均平滑后做非负矩阵分解，将空洞视为稀疏变量。这个思路的前提是同一焊点有多张配准图像可供分解，单张2D X-Ray根本不满足输入条件。

Nuanprasert等人用霍夫变换提取焊球中心，计算Delaunay三角剖分避免漏检，再对每个焊球做直方图均衡化增强对比度，最后用LoG检测空洞。直方图均衡化在单一背景的焊球内是增强，在贴片电阻焊点上会把亮暗分界两侧的灰度差距进一步拉大，空洞信息反而被淹没。

这四类方法的共同假设是全局统计量能代表整幅图，而贴片电阻图像的亮暗区域灰度分布断层明显，任何全局操作都会硬生生把两个分布揉成一个，结果大概率是暗区空洞全丢、亮区噪声全留。

方法	核心思路	在贴片电阻场景的失效点
模板匹配 + LoG	依赖BGA焊球规则排列先验	贴片电阻焊点无规则阵列，模板失效
Blob分析 + 形态学	多尺度滤波增强局部梯度	亮暗分界线本身就是强梯度，伪Blob泛滥
矩阵分解	多张图像视空洞为稀疏变量	单张2D X-Ray不满足输入条件
霍夫 + 直方图均衡 + LoG	逐焊球增强后检测	全局均衡放大亮暗差异，空洞被淹没

2.3 深度学习方法的数据困境

Neeluru等人用LoG辅助标注数据集，然后基于BGA空洞先验做数据增广，直接训练U-Net检测空洞。Akdeniz等人设计了4个卷积层加1个全连接层的全卷积网络做特征提取，再级联最小距离分类器，本质上是把BGA焊球分成正常、短路、邦定缺陷、空洞缺陷四类，压根不输出空洞区域，算不了空洞占比率。

深度学习方案在柔性生产线上很难落地：多品种小批量意味着每换一次产品规格，焊点形态和成像分布都变了，需要重新标注一批数据。贴片电阻不像BGA那样有大量同构焊球可供增广，标注成本摊薄不了。论文里用企业提供的数据去训U-Net，Dice只有0.7650，还不如传统LPF模型，就是数据量撑不起网络规模的真实写照。

3. 自适应分区：把亮暗分界线当成最优化问题解

3.1 分区问题的数学化表达

既然贴片电阻图像的亮暗分界大致是条类直线，分区问题就简化成找到一列最优分界线。原论文把这个问题写成求解区域平均灰度差异最大化：

记图像的像素总列数为N，对分界位置i，左侧区域像素列数为coll，右侧为colr，约束条件coll + colr = N，同时限定N/4 ≤ i ≤ 3N/4。目标函数是左右两个区域的平均灰度之差的绝对值，取最大值的那个i就是最优分界线。

限定搜索范围是必要的工程处理：贴片电阻焊点在图像中占据中间区域，分界线不可能出现在图像最左或最右边缘。如果允许i取到0或N，优化会把整个输入当成分区结果，毫无意义。我拆这篇论文的时候先是想直接跑全局OTSU看能不能分出区域，实际效果很差——OTSU是全局阈值，根本不顾空间位置，分出来的两个区域是破碎的。改成按列扫描算均值差之后，结果相当稳定。

3.2 迭代步长的工程含义

原论文用匀速迭代遍历策略求解，迭代步长经验性设置为5。这意味着不是逐列扫描，而是每隔5列计算一次目标函数。步长5的效果是在精度和耗时之间取了个平衡点：贴片电阻图像的列数大约在190到400之间，逐列扫描最多400次目标函数计算，本身不算贵，但加上后续每列要分别计算左右均值，总耗时会被拖长。步长5把计算量降到五分之一，分界线偏移误差最多5列，对后续粗检测影响很小——毕竟亮暗区域各自内部还有形态学和后处理环节扛着。

3.3 分区求解的参考实现

import numpy as np def adaptive_partition(image, step=5): h, w = image.shape best_i = w // 2 best_score = -1.0 for i in range(w // 4, 3 * w // 4 + 1, step): left = image[:, :i] right = image[:, i:] mean_left = left.mean() mean_right = right.mean() score = abs(mean_left - mean_right) if score > best_score: best_score = score best_i = i bright_region = image[:, best_i:] dark_region = image[:, :best_i] return bright_region, dark_region, best_i

这段代码里每列区间用切片取左右区域，直接计算灰度均值。灰度值除以行数其实就等价于求平均灰度，原论文里那个带行数除法的公式是论文写法，落地实现不需要真的去做除法。步长参数放在函数签名里，后续试了step=1、step=3、step=5，Dice差异在0.001以内，确认步长5对结果没有显著伤害。

3.4 分界线与电阻边缘重合的直觉

实际X-Ray图像中，焊点中心区域锡膏最厚，成像最暗；靠近元件端电极和PCB焊盘的外沿锡膏较薄，成像较亮。亮暗分界恰好落在电阻端电极的轮廓线上，所以分界线基本是一条沿元件轴向的直线。自适应分区要做的事就是把这根线找出来。分区以后的任务分工很明确：较暗区域是厚锡区，空洞对比度低、分布稀疏、面积偏大；较亮区域是薄锡区，空洞对比度好、分布密集、面积偏小。

4. 粗检测双策略：亮区圆形卷积核与暗区LPF模型

4.1 亮区自适应圆形卷积核：尺寸跟着最大空洞走

较亮区域空洞与背景对比度明显，但空洞密集且尺寸偏小，用固定尺寸卷积核会顾此失彼——小卷积核感受野不够，大目标响应弱；大卷积核感受野太大，小空洞被平均掉。论文的处理思路是先从图像自身的最大空洞面积出发，反推卷积核尺寸，公式是W = 2 × int(sqrt(Sj / π)) + 1，其中Sj是第j张图较亮区域的最大空洞面积。

这个公式的几何意义很直白：假设最大空洞近似圆形，sqrt(Sj / π)就是等效半径，乘2得到直径，再加1保证核尺寸是奇数，让卷积操作有明确的中心点。不同图像的最大空洞面积不同，核尺寸也随之变化，同一张图内部用同一尺寸的核。

5×5核的结构长这样：四角为0，中心为20，其余位置为-1。元素之和为0，形状是圆形带通响应——中心为正、周围一圈为负，卷积后空洞区域的响应被增强，背景平坦区域的响应趋近于0。生成这段核的代码可以写成：

import numpy as np def adaptive_circular_kernel(max_area): radius = int(np.sqrt(max_area / np.pi)) w = 2 * radius + 1 kernel = np.ones((w, w), dtype=np.float32) * -1.0 cy, cx = w // 2, w // 2 kernel[cy, cx] = float(w * w - 1) # 保证元素和为0 for y in range(w): for x in range(w): dist = np.sqrt((x - cx) ** 2 + (y - cy) ** 2) if dist > radius: kernel[y, x] = 0.0 return kernel

中心值设为w*w-1是为了让核元素总和归零，保证在灰度平坦区域卷积结果为零。核外区域用距离判断置为0，保留圆形结构。实际复现时我没用双循环，直接用np.fromfunction生成距离矩阵，再按距离掩膜赋值，效果一样但速度快不少。

拿到卷积结果后，论文走的是导向滤波加OTSU阈值分割。导向滤波的作用是保边缘去噪，把卷积响应中空洞边缘的强响应保留下来，同时抹平亮区里细碎的背景纹理。OTSU是全局自适应阈值，在这条链路里它是收尾步骤，不再承担“区分亮暗区域”这种它干不了的活，只负责在已经增强过的响应图上分离前景背景。

4.2 暗区LPF模型：局部预拟合能量与水平集演化

较暗区域空洞与背景对比度低，卷积核会把低对比度空洞直接变成背景。LPF模型的核心优势在于用局部区域的平均灰度做预拟合，不依赖全局统计量。能量泛函里e1(x)和e2(x)分别近似局部窗口内轮廓内外的图像强度，计算方式是先求局部区域平均灰度em(x)，再把窗口内像素分成小于和大于em(x)的两组，分别取均值。

def lpf_iteration(phi, image, sigma=3, dt=0.2, nu=0.02 * 255 * 255, mu=2.0): # K_sigma: 9x9 高斯核，sigma=3 # e1, e2: 局部预拟合值通过高斯加权均值计算 # 梯度下降流更新 phi：数据项 + 长度项 + 距离正则项 # phi_new = phi + dt * dphi return phi_new

LPF模型的关键参数包括：高斯核尺寸9×9，σ=3，υ=0.02×255×255，μ=2，Δt=0.2，迭代25次。υ乘上255×255是为了让长度项的能量量纲与图像灰度平方项匹配，这个细节在复现时特别容易漏。如果直接用υ=0.02，长度项权重几乎消失，水平集会演化成碎片。Δt=0.2对应数值稳定性上限，迭代25次是在收敛速度和准确率之间的折中——迭代太少水平集还没贴到空洞边缘，迭代太多会把噪声边缘也包进来。

4.3 消融数据验证分工合理性

论文做了亮暗区域的消融实验：较亮区域用自适应圆形卷积核Dice达0.8453，LPF只有0.7951；较暗区域LPF达0.8637，自适应圆形卷积核只有0.3976。这个反差坐实了一个判断——LPF的固定局部窗口在密集小目标场景下，水平集演化会把靠近的小空洞合并成大区域，导致漏检；而圆形卷积核在低对比度暗区里，卷积响应的信噪比太低，空洞信号还没到阈值分割环节就被背景淹没了。

分区不是锦上添花，是这套方法能跑通的前提。不分区直接全图用LPF，Dice会掉到0.8637以下；不分区全图用圆形卷积核，暗区空洞几乎全部丢失。两条技术路线各管各的区域，互相不抢活，才凑出整体0.8846的Dice。

5. 精细检测与常见问题：形状因子、平均灰度判定和三个翻车点

5.1 形状因子剔除背景痕迹

粗检测合并了亮区和暗区的结果，Pseg里的连通域不全是空洞，背景痕迹、过锡孔、噪声都会混进来。背景痕迹通常是工艺过程中残留在PCB上的杂散图形，形状不规则。形状因子SF = 4πA / L²衡量连通域的圆度：圆形区域A = πr²、L = 2πr，代入得SF = 1；越不规则SF越接近0。

论文对面积大于60像素的大空洞设阈值T1=0.6，面积小于60像素的小空洞设T1=0.8。这个分档是有讲究的：小空洞一旦被噪声干扰，周长会异常增大，形状因子被拉低，所以阈值放宽到0.8；大空洞面积大，周长计算受边界锯齿影响小，0.6足够。实际操作时算完所有连通域的面积和周长，直接按面积分桶过滤。

5.2 平均灰度判定剔除过锡孔

过锡孔是PCB上的金属化过孔，X射线成像下也是圆形的，形状因子绕不过它。但过锡孔和空洞有一个本质差异：空洞是焊料内部的气泡，周围是焊料金属，焊料对X射线的衰减强，空洞区域和紧邻外部的灰度差明显；过锡孔的中心区域与外部是同一层金属或基材，灰度差很小。

判定式是mean(Rsl) - mean(Recl - Rsl) > T2，其中Rsl是连通域在原图对应区域，Recl是它的最小外接矩形。这个式子比较的是“连通域内部平均灰度”和“外接矩形扣除连通域后的环形区域平均灰度”。差大于T2=0.01则保留，否则剔除。0.01是一个极小的阈值，在0-255灰度尺度下意味着连通域只需比周围亮约2.5个灰度级。空洞内部焊料薄、X射线衰减少，天然比周围厚锡区亮；过锡孔区域内外厚度接近，差值过不了这个门槛。

5.3 避坑：三个实际踩过的翻车点

坑一：过锡孔没删干净，空洞占比率虚高。现象：后处理完过锡孔仍被标记成空洞，不合格样本的空洞占比率比人工标注高十几个点。原因：形状因子剔除了不规则背景痕迹，但过锡孔是规则圆形，SF值接近1，形状因子这个环节根本拦不住它。解决：必须走平均灰度判定，而且T2要按论文设0.01。我一开始把T2设成0.05想“更严格”，结果不少真空洞因为对比度不够被判成过锡孔删掉了，Dice从0.88掉到0.82，教训是阈值不是越大越干净，得顺着数据的灰度分布走。

坑二：LPF迭代次数固定25次，但换一批图就不收敛。现象：用原论文参数跑企业提供的新样本，暗区小空洞轮廓演化不到位，部分空洞只检出半圈。原因：不同批次X-Ray图像的整体亮度分布有偏移，预拟合能量的局部均值跟着偏移，25次迭代在某些图上不够用。解决：先固定υ、μ、Δt，只调迭代次数，观察水平集演化收敛曲线。Δt=0.2时迭代到30次，Dice提升0.003但耗时增加20%，还是维持在25次性价比最高；如果数据分布变化大，先把所有图做一次灰度直方图归一化再跑，比硬调迭代次数省事。

坑三：圆形卷积核尺寸算偏小，亮区大空洞被漏检。现象：自适应卷积核跑出来的空洞检测结果里，大空洞边缘残缺，甚至整块消失。原因：形态学处理剔干扰时用了过大的结构元，把大空洞的一部分边缘也腐蚀掉了，导致最大空洞面积Sj偏小，反推出来的核尺寸W跟着缩水。解决：形态学开操作的结构元大小严格控制，只剔除面积明显小于最小空洞的孤立噪点。先用连通域分析标出所有候选区域，按面积排序，取最大值，再算核尺寸。

5.4 评价指标的错位问题

Acc和F1是基于样本分类结果的指标，Dice是基于像素检测结果的指标，三个指标口径完全不同。表4里DRLSE的Acc也有79.10%，F1高达0.8833，但Dice只有0.5630——说明DRLSE分对了大多数合格/不合格样本，但像素级空洞区域重叠度很差。复现时如果只看Acc，很容易高估算法能力。我习惯先把Dice跑出来，再回看Acc，两个指标联合判断。空洞占比率的计算依赖像素级检测精度，所以Dice才是这个场景的首位指标。

6. 复现时的参数核对与Dice验证技巧

6.1 关键参数速查表

模块	参数	值
自适应分区	迭代步长	5
自适应分区	分界线搜索范围	N/4 到 3N/4
圆形卷积核	核尺寸计算	W = 2×int(√(S/π)) + 1
圆形卷积核	核元素和	0（中心正、环绕负、四角0）
LPF	高斯核	9×9，σ=3
LPF	长度项权重υ	0.02×255×255
LPF	距离正则项权重μ	2
LPF	时间步长Δt	0.2
LPF	迭代次数	25
后处理	大空洞形状因子阈值	0.6（面积>60像素）
后处理	小空洞形状因子阈值	0.8（面积<60像素）
后处理	平均灰度阈值T2	0.01

6.2 用Dice脚本验证复现是否到位

拿到检测结果和人工标注图，第一件事就是算Dice，跟表4里的0.8846对。对不上的时候别急着怀疑算法有错，先看后处理两个阈值是不是真的按分档生效的——形状因子T1写成了单一值0.6是常见口误，大小空洞分档之后结果会差不少。Dice计算脚本很短：

import numpy as np def dice_coefficient(pred_mask, gt_mask): pred_mask = pred_mask.astype(bool) gt_mask = gt_mask.astype(bool) intersection = np.logical_and(pred_mask, gt_mask).sum() total = pred_mask.sum() + gt_mask.sum() if total == 0: return 1.0 return 2.0 * intersection / total

这个脚本要求pred_mask和gt_mask尺寸一致且像素语义对齐，预测为空洞的区域是True。如果跑出来的Dice明显偏低，先按区域分拆——分别算亮区Dice和暗区Dice，能快速定位是哪一侧出了问题。亮区Dice低多半是圆形卷积核尺寸算错，暗区Dice低就查LPF的高斯核尺寸和υ值。

6.3 一个收尾习惯

我之前踩过一次大坑：拿论文参数跑通以后，直接换了一批新样本测试，结果空洞占比率普遍偏高。排查了半天，发现是UP采样时把图像尺寸拉伸了，分界线列位置变了，暗区范围变大，LPF把一批背景痕迹当成了空洞。从那以后，我每次复现这种图像检测论文，都强制走一遍流程：先固定数据尺寸统一，再算Dice对基准数字，然后分区域拆指标，最后才动参数。调参只动一个变量、记一次结果，绝不同时改两个阈值。这套流程糙但实用，至少能让你分清到底是算法问题还是复现问题。希望帮到你。

本文还有配套的精品资源，点击获取