锡膏缺陷检测是指生产线上锡膏印刷完成后,对印刷质量的检测。通过检测锡膏印刷缺陷,不仅可以及时返修不合格工件,降低损失,还能通过缺陷优化锡膏印刷参数,提升生产效率。本文立足实际生产项目中锡膏印刷的漏涂和多涂缺陷,基于机器视觉技术,使用图像处理和深度学习两种方法来实现对锡膏印刷的缺陷检测。本文的主要工作内容如下:针对锡膏印刷缺陷的特点和检测要求,结合生产现场环境的实际情况,对视觉系统硬件进行选型,选用了Basler的ac A2440-20gm工业相机、视清的MFA230-S25镜头和奥普特的RI9090-W环形光源,并使用以上器材来搭建锡膏检测硬件系统。由于单次拍摄图片中工件数量有六个,需要把工件提取出来进行统一处理,本文通过轮廓模板匹配把六个工件图像单独提取出来,排除背景的干扰,方便后续图像处理方法和深度学习方法的缺陷检测。为了进一步提高轮廓匹配的效率和精度,使用了图像金字塔分层搜索策略提高搜索速度和亚像素精度优化算法提高匹配精度。基于图像处理的锡膏缺陷检测方法中,先使用最大类间方差法来进行图像分割,把锡膏区域从工件背景中提取出来,转化为二值图,然后使用基于游程的二次扫描法对二值图进行连通区块标记。二次扫描法第一次扫描获得图像的游程信息,第二次扫描对游程进行连通区块标号,本文使用等价表的方法处理区块标号的冗余和冲突。标号完成后,计算各个连通区块的中心位置坐标、长宽、面积等参数,通过标定矩阵把像素单位转化为实际单位,再根据生产线上的工艺要求,对锡膏缺陷进行检测,该方法准确率为89%。基于深度学习的锡膏缺陷检测方法中,本文先制作了工件产品合格和不合格图像数据集,然后使用基于自注意力机制的Swin Transformer神经网络模型进行训练,对训练完成的模型进行测试,准确率为99.23%。由于深度学习方法比图像处理方法准确率高,因此使用深度学习方法作为最终方案。根据以上方法,本文在VS2022集成开发环境下,使用C++语言实现图像采集、相机标定、缺陷检测、文件管理和通讯等模块,完成锡膏缺陷检测软件系统。经实验测试,本文设计的检测系统能够准确可靠地检测出PCB锡膏的漏涂、多涂缺陷,有助于提高生产效率,提高生产线的自动化程度。