1.1 研究目的及意义

光器件是构成光通信系统的必备元器件，处于光通信产业链的上游，能够实现光信号的产生、调制、探测、连接、波长复用和解复用、光路转换、信号放大、光电转换等。光器件当前主要的应用市场是电信光网络和数据中心，即无论是电信运营商的骨干网、城域网和接入网，移动网络，还是数据中心光互联，都需要大量的光器件。

随着光通信技术的发展，光器件也得到了更大的应用，如何对光器件质量进行保证是我们现在需要重视的问题之一。光器件是光通信设备的核心，同时也是光模块收发组件的核心部分，光模块性能好坏以及容量、速率的大小也取决于光器件的质量。而在硬件部分，焊点是否有效以及焊点的质量是否合格都是光器件的重要衡量指标。在光器件生产中，各种环境因素以及加工误差都可能导致光器件的各种缺陷，如果在生产工序的最后环节才进行检测发现光器件缺陷，将付出十分巨大的代价。

目前光器件焊点检测方法与分析主要以人工检测和自动光学检测技术（AOI）为主，而因主观因素及劳动强度的影响容易发生漏检和误检，检测速度及检测质量都难以满足需求，无法适应现代工业的大批量生产及高精度高速度缺陷检测的需要，因此需要采用更加先进的检测手段来完成对装配过程中的光器件的质量检测与信息反馈，比如用自动检测方法来代替人工检测，使得检测工作规范化、智能化。

近年来，随着计算机技术、数字信号处理技术、人工智能以及思维科学等方法理论研究的快速发展，数字图像处理技术越来越广泛地应用于及其感知领域。用图像采集设备获取视觉信息并将其转换成数字量信号，利用计算机实现对视觉信息的采集、传输、处理、分析以及理解的过程就称为计算机视觉技术。基于计算机视觉的数字图像处理技术在解决众多科学与工程领域问题中得到了广泛地应用，诸如产品质量检测、生产过程自动控制、生物医学影像学，通信领域以及太空技术等。

人工神经网络（Artificial Neural Network,即ANN）是20世纪80年代以来人工智能领域兴起的研究热点，因其具备精确性、非接触性等优点，以及广阔的发展前景，是现代技术的研究热点。

1.2 国内外研究现状

焊点的传统检测主要采用目视检测和电气检测的方法。目视检测在插装元件的焊点检测中被广泛应用，同时在表贴元件的焊点检测中也有应用，通常是由检测人员利用十倍放大镜进行检测，检测速度和精度与人的素质、能力密切相关。而电气检测是将电子产品通电，以检测是否达到要求，该方法能有效地查出目视检测所不能发现的微小缺陷，但由于电气检测为离线检测，不能做到及时地将信息反馈。

随着印刷电路板（PCB）组装技术向高密度化和“零缺陷”方向发展，行业的总体趋势是元件表面积减小，电子元件引脚密度急剧增加，使得人工目检变得越来越困难，以图像处理技术为基础的现代焊点检测技术得以迅速普及。其中应用最广泛的是自动光学检测技术（AOI）和X射线检测技术，它们都可在装配过程中进行检测。而随着图像处理、分析以及模式识别技术理论的不断创新，AOI算法不断推陈出新，逐渐朝着高准确性、高智能化方向发展。目前AOI系统常用的检测算法有

(1) 模板匹配算法：该算法先定义一个标准模板图像，然后将需要检测的元件图像和标准模板图像进行归一化的互相关运算，以计算两个图像的相似程度。相关系数越大，表示两个图像越相似。然而受多种因素（如光照条件、元器件之间的差异、采集图像的失真等）的影响，模板匹配算法的检测结果存在较大的误差。