随着集成电路行业的快速发展,表面贴装技术在电子工业中的作用越来越重要。作为表面贴装技术的核心组成,贴片元件的视觉检测技术对于贴片机而言是必不可少的。本文研究了贴片元件视觉检测中的若干关键问题,基于亚像素特征设计了贴片元件的视觉检测算法,提高了检测的精度、鲁棒性,以及智能化程度。贴片元件检测的首要一步是对元件进行分类。第2章研究了基于亚像素特征的混合神经网络贴片元件分类方法。贴片元件分类问题的主要困难在于元件子种类复杂,且元件所处的光照环境是变化的。本章搭建了包含全连接神经网络与卷积神经网络的混合网络模型,通过对两个网络的线性融合提高模型的分类能力。本章提出了一种用于贴片元件的亚像素特征提取方法,该特征在光照变化时具有较强稳定性,并将其作为输入传到全连接神经网络中。图像灰度图片经过必要的预处理后传入到卷积神经网络中。本章搭建了用于贴片元件分类的数据集,使用该数据集对提出的模型进行训练测试,结果表明本章提出的方法在分类性能上具有优势。在获得贴片元件类别之后,对元件图像进行分割以提取出引脚信息是检测算法的重要基础。第3章研究了基于Q学习和亚像素度量的贴片元件图像分割问题。在现有贴装技术中,元件分割阈值是通过人工辅助设置的,本章引入了自动控制系统中的“反馈”思想,搭建了基于Q学习的图像分割系统实现贴片元件的引脚信息提取。为了有效度量元件的分割效果,本章分析了常见贴片元件的特征以及检测要求,基于亚像素插值设计了矩形片式元件、矩形引脚元件、球形栅格阵列元件的亚像素度量公式。依据所设计的度量方法,本章介绍了Q学习系统中动作、奖惩等模块的设计方法,并提出一种优化的搜索策略,以加速参数的学习过程。在三种元件上的实验结果表明本章方法能有效解决不同亮度下的元件分割问题。在贴片元件的视觉检测中,补偿目标位置通常采用精确识别印刷电路板上圆形标记点的方法。第4章研究了基于参数化模糊模型的亚像素圆形检测方法。传统的圆形检测方法多依赖于像素级的边缘检测,无法满足高精度的表面贴装技术需求。本章提出了一种基于模糊边缘模型的鲁棒高精度圆形检测算法,精度达到亚像素级。使用边缘连接方法提取出候选圆后,本章提出一种基于极性、半径、轮廓的圆形评分公式,筛选出分数最高的圆形作为目标。在像素级圆形边缘的基础上,本章将二维亚像素边缘位置计算问题转换为沿着边缘梯度方向上的一维灰度拟合问题,使用模糊边缘模型拟合像素级边缘邻域,并应用误差最小化方法估计模型参数。模糊边缘模型的形状通过参数可进行调节,拟合边缘灰度变化的准确度更高。根据模型参数与边缘的关系转换得到最终的亚像素位置。本章使用Huber损失函数对圆形亚像素边缘点集进行拟合并使用梯度下降法计算圆形参数。自然和工业图像上的实验结果表明本章方法鲁棒且准确。在通过标记点识别获得目标位置之后,对贴片元件进行准确定位是元件参数测量和在线测试的基础。第5章研究了基于双边缘模型的亚像素通用元件定位方法。传统的通用元件定位方法需要元件的几何形状参数,使得这类方法不适用于未知参数的元件定位以及参数测量过程。本章方法的核心是提取出不依赖元件参数的亚像素边界特征点。首先研究了亮度变化下特征点提取的鲁棒性问题,提出了一种基于局部和全局灰度差异的自适应阈值特征点计算方法,该方法能实现亮度变化下的鲁棒元件粗定位。在像素级特征点的基础上,本章提出了双边缘模型用于计算亚像素位置,该模型相比传统单边缘模型计算误差更小。通过分析特征点邻域内灰度与模型结构的关系,本章使用图像矩建立了模型参数与图像灰度之间的数学关系,并推导了模型参数的计算方法,给出了亚像素位置的计算公式。在不同的信噪比、种类、尺度、姿态下的元件定位实验结果表明本文方法具有强适应性、高精度、高速度。和典型神经网络方法对比,本方法在速度以及旋转元件定位上更具优势。在完成贴片元件定位后,准确地测量元件参数是贴片元件离线检测的最后一步。第6章研究了基于级联分割的亚像素矩形引脚元件参数测量方法。针对拟合法计算速度慢的问题,本章利用模糊模型与边缘灰度的数学关系,推导了图像梯度与亚像素位置之间的数学公式,并给出了计算亚像素边缘的插值公式。在使用第5章的方法定位元件之后,本章通过对元件仿射变换以及分区域引脚组分割获得粗略脚组区域,之后应用加入干扰抑制的引脚分割提取出精确的引脚。元件的精确参数通过前述插值公式计算得到,并利用几何尺寸筛选出缺陷引脚。实验结果表明本章方法具有高精度、高鲁棒性、高效率。