1. 引言
玻璃金属封装耐高温高压,在极端环境下表现良好,因此玻璃封装绝缘端子被广泛应
用于航天航空、国防、石油天然气钻探、高辐射高温等场景
[1,2]
。在实际生产过程中,非均
匀的热应力可能造成玻璃封装开裂
[3-5]
,降低玻璃封装绝缘端子的介电性能,导致漏电甚至
击穿
[2]
、短路
[6]
,给电子设备造成不可估量的损坏。目前,行业借助显微镜肉眼观察检测绝
缘端子的玻璃封装质量,耗时耗力,主观性强,极易漏检
[7]
。因此,玻璃封装绝缘端子外
观质量自动检测是电子封装制造领域迫在眉睫、亟需解决的问题。
相比于普通封装电子元件,玻璃封装绝缘端子较为少见,且其玻璃封装表面反光严
重,表面脱落区域与未脱落区域没有显著的对比度差异。因此,基于机器视觉的玻璃绝缘
端子玻璃封装质量检测研究极其少见
[8-10]
。Liu 等人
[8]
使用经典的自适应全局阈值方法二值
化玻璃封装绝缘端子图像,基于形态学特征对各连通域进行分析定位气孔缺陷。但是,绝
缘端子的玻璃封装脱落往往极其不规则,难以用形态学特征进行表征。鉴于深度学习具有
的强大自学习能力,他们引入 Fast R-CNN 检测玻璃封装绝缘端子的气孔缺陷
[9]
。因为数据
驱动型的深度学习方法需要大量样本,所以他们使用深度卷积对抗生成网络(Deep
Convolutional Generative Adversarial Networks, DCGAN)生成具有微小黑色气孔的玻璃封装
绝缘端子仿真数据
[10]
。但是,绝缘端子的玻璃封装脱落往往形态各异,外观表征极其不规
则,颜色差异大,实际生产中难以采集到大量外观表征各异的玻璃封装绝缘端子真实缺陷
样本,因此生成的仿真数据与真实数据有很大的偏差,导致深度学习方法在检测绝缘端子
玻璃封装脱落缺陷时将不可避免地遇到困难。
也有一些文献研究与绝缘端子玻璃封装外观形态、材质高度相似的产品外观质量检
测。Fu 等人
[11]
融合中值滤波、Canny 算子、几何特征提取及 Otsu 等经典图像处理方法检
测透明玻璃药瓶瓶口的裂纹、缺边、污点等缺陷。这些方法高度依赖连通域检测,可是
Otsu 方法会让背景复杂、干扰较大的玻璃封装绝缘端子图像无法分割出理想的连通域区
域。Lin 等人
[12]
基于 Otsu 分割结果和 4 个方向像素点关系获取发光二极管(Light Emitting
Diode, LED)环氧树脂封装穹顶的感兴趣区域,然后采用块离散余弦变换和灰色关联分析抑
制高频分量,最后重建图像并消除随机纹理和不均匀光照,检测微小缺陷。绝缘端子的玻
璃封装严重反光导致众多区域在图像上表征为高频信息,因此这种方法将会滤除这些重要
区域,使得检测无法进行。Zhou 等人
[13]
提出一种熵率超像素圆检测方法来定位啤酒瓶底区
域,融合调频显著性检测、各向异性扩散、超像素分割等方法定位中心区域内缺陷,基于
小波变换和多尺度滤波定位环形区域内缺陷。可是,超像素分割对于玻璃封装绝缘端子这
类感兴趣目标区域对比度较低的图像往往分割效果并不好,进而影响后续的缺陷定位。
本文根据玻璃封装绝缘端子图像的先验知识,提出一种扇区邻域(Sector Neighborhood,
SN)特征工程方法检测玻璃封装绝缘端子缺陷。首先,采用数学形态学提取待检测区域,
根据其图像特点将待检测区域划分为若干个扇区。然后,根据图像先验知识,设计扇区基