1 引 言

红外热图像电路故障检测方法属非接触式检测,不干扰被测电路工作,深受人们关注。早在1969年,R.W.Jones等人就提出采用红外热图像检测电路故障。张广喜、王格芳等人于20世纪90年代初,采用HR-2型热像仪开发了“印制电路板故障红外诊断仪”,取得了较满意的效果[1]。近年来,随着红外热成像技术和数字图像技术的发展,更多的学者加入该领域的研究,如中国民航大学王力等做的应用于电路板故障检测的红外热图像处理算法研究,包括红外热图像的分割与目标提取算法、红外热图像配准算法等[2-3]。另外,电子科技大学叶玉堂等在这方面也做了不少研究,他们主要研究基于红外热图像的故障检测系统的设计与实现[4-5]。

现有的红外热图像电路板故障检测方法一般都是采集被测电路板工作时的红外热图像,与事先采集的该电路板标准红外热图像进行比对,差异超过某个阈值判定被测电路板故障,并根据差异点位置确定故障器件[5]。这种方法需要事先采集同种电路板正常工作时的红外热图像,适合于工厂大规模、批量化检测,而有些场合无法获得被测电路板标准红外热图像,如设备维修,就无法采用该方法检测电路板故障情况。

根据土地质量地球化学评价规范中的相关要求[9]，结合土壤环境质量农用地土壤污染风险管控标准中的风险筛选值[4]，基于本区土壤理化指标pH值，对As、Cd、Cr、Hg、Ni、Cu、Pb、Zn八项环境指标指标，进行分级统计(表7)。土壤重金属元素含量特征分述如下。

2.2 液体培养法与PCR法敏感性及特异性比较 以A7固体培养为“金标准”，液体培养法敏感性、特异性分别为96.4%、91.6%，PCR法敏感性、特异性分别为98.0%、88.7%。

为此,本文提出一种无需标准红外热图像的电路板载器件故障情况自动检测算法。通过被测电路板工作时的红外热图像获取板载器件的表面温度和环境温度,结合器件封装形式计算器件内部PN结温度,进而判断器件故障情况,无需被测电路板工作时的标准红外热图像。算法主要包括三个关键步骤:目标分割与提取、温度标定和故障判定。

（1）加强施工质量管理。公路工程管理部门应当和施工单位、技术单位、测量单位和质检单位加强合作，在施工现场围绕公路施工质量进行监督，成立质量监管部门进行施工检验，一旦在施工过程中发现质量问题，应当立即指出并要求施工人员进行整改，对于不按要求整改的施工人员进行适当处罚。

2 目标分割与提取

电路板红外热图像一般可以分为三类区域:发热区、辐射区和背景区[3],目标分割与提取算法提取的是红外热图像中的发热区。由于红外热图像分辨率低、对比度差,且易受环境干扰,同时现代电子产品微型化、集成度高,器件排列紧密,进行准确的红外图像目标分割与提取相对困难。虽然现有的图像分割方法很多,但由于红外图像本身的特点和限制,这些算法一般不能直接应用于红外图像分割。考虑到区域生长法原理简单、实现相对容易,而且能获得较好的分割结果,本文采用基于改进的区域生长法——生长-消除法对红外热图像进行板载发热器件分割与提取。生长-消除法基本流程如图1所示。

  

图1 区域生长法流程图Fig.1 Flowchart of region growing algorithm

目标分割与提取算法运行结果如图4所示,如前所述,由于电路板红外热图像发热区像素灰度变化不大,而辐射区像素灰度变化较大,在生长—消除算法中阈值1设置为23,阈值2设置为130。从图4可以看出,该算法已将主要的发热区分割,并提取出来,唯有右下角有块不明显的发热区未能成功提取,主要是由于该发热区温度不高,没有明显高于背景区温度。

3 温度标定

基于红外热图像的测温方法有很多,如直接测量法、相对测量法、双波段测量法等[8],考虑到本算法最终目标在ARM-Linux平台实现,而电路板上的发热器件大多数为集成电路、三极管等有源器件,这些器件一般采用黑色材料封装,与黑体类似,本文采用温度标定红外测温方法。具体做法:①在实验室环境中(23±5)℃采集标准黑体在不同温度下,红外热像仪输出的灰度值；②采用最小二乘法多项式曲线拟合获得温度T—灰度G函数关系；③目标提取算法获得的目标区域灰度值,通过温度T—灰度G函数计算目标区域的温度值[9]。

蛋白酶识别位点预测结果：通过Peptidecutter软件预测了对MLAA-22有剪切作用的酶及其可能的剪切位点，结果发现Tobacco etch virus protease、Thrombin、Iodosobenzoic acid GranzymeB、Hydroxylamine、Factor Xa、Enterokinase、BNPS-Skatole及Caspase2-10对MLAA-22均无剪切作用。

 

表1 标准黑体灰度—温度数据Tab.1 Gray-temperature of standard black body

  

灰度G66120167199225251温度T/℃20406080100120

采用最小二乘法四次多项式曲线拟合,如式(1)所示:

式中,T为温度;G为灰度。在OpenCV中采用cv::solve()函数中的高斯消除法求取多项式系数矩阵A如式(2)所示。

(1)

T=A4G4+A3G3+A2G2+A1G+A0

为使系数矩阵A计算更加精确,矩阵元素采用64位双精度数据类型CV_64FC1。将拟合点与拟合多项式绘制灰度—温度特性曲线如图2所示。

项目组采用HT120低温黑体炉作为校准对象,大立T8红外热像仪采集黑体不同温度下的红外图像灰度值。考虑到一般情况下电路板上器件表面温度在20～120 ℃,在此范围内采集6个点作为标准数据,如表1所示。

 

(2)

  

图2 灰度—温度曲线Fig.2 Graph of gray-temperature

4 故障判定

为了测试算法的有效性,设计了一系列测试实验。采用Cubie Board 4电路板为测试对象,为使板载器件有明显的温度差异,在25 ℃环境温度下,用Cubie Board 4电路板播放20 min 4 k视频,再用大立T8红外热像仪采集Cubie Board 4红外热图像如图3所示。算法运行环境Ubuntu 16.04+OpenCV 3.0。

Tj=Tc+P×Rjc

例如，国家环保总局发布的《2010年中国环境公报》显示，目前我国地表水污染严重，七大水系总体为轻度污染。现有水土流失面积356.92万平方千米，占国土总面积的37.2%。自90年代以来，中国每年新增加的水土流失面积多达1万5千多平方公里、土地“石化”面积2500平方公里。中国全海域发生赤潮多次发生，有毒藻类引发的赤潮次数和面积大幅增加。

(3)

2016年7月1日，《住房城乡建设部 国家发展改革委财政部关于开展特色小镇培育工作的通知》提出，“到2020年，在全国培育1 000个左右特色小镇”。作为特色小镇重要组成部分之一的体育特色小镇，其实质是特色小镇概念的一种延伸。体育特色小镇的特色在于“以体育运动为主题延伸一系列休闲项目”，即“体育+”融合模式的构建。

式中,Tc为器件表面温度,即温度标定算法计算的器件温度。Rjc为器件内部PN结至器件表面的热阻,与器件的封装形式和散热方式有关,可从产品手册或技术手册获得,典型封装的Rjc如表2所示[12]。P为器件耗散功率,与器件工作电源V和流过电路I有关,无法直接从红外热图像中获取。式(3)是由器件表面温度计算器件结温,同理,可由环境温度计算器件结温,如式(4)所示。

 

表2 器件典型封装与热阻Tab.2 Package and thermal resistance of typical elements

  

封装形式PBGAFCBGAQFPRjc/(℃·W-1)70.16Rja/(℃·W-1)291335

Tj=Ta+P×Rja

(4)

式中,Ta为环境温度,可采用之前温度标定算法从红外热图像中背景灰度计算获取。Rja为器件内部PN结至环境的热阻,同Rjc类似,见表2。将式(3)代入式(4)可得式(5)：

 

(5)

从式(5)可以看出器件的功耗是器件表面温度与环境温度之差除以器件环境热阻与表面热阻之差。将式(5)代入式(3)可得式(6)：

 

(6)

式(6)器件内部结温公式中所有参数均可获得,用式(6)计算器件内部结温,若超过阈值125 ℃即判定器件故障。

5 实验结果与分析

电路板载器件故障或失效的原因有多种,其中大多数由于器件温度过高引起[10]。另一方面,器件故障大多会使其漏电流急剧增大,甚至短路,从而造成器件温度升高。故可以通过检测器件温度来判定器件故障情况。决定器件性能和故障情况的是器件内部核心PN结结温Tj,一般中小功率半导体器件内部PN结最高结温150 ℃[11],一些大功率器件采用特殊工艺最高允许结温可达175 ℃。但是在产品设计中,为了使电子产品更加稳定可靠,并且有更长的使用寿命,一般采用降额使用原则,把器件内部结温控制在125 ℃以下。为此,器件故障判定算法以125 ℃为阈值,通过温度定标算法计算的器件表面温度和环境温度,以及器件封装形式等信息计算器件内部PN结温,从而判定器件故障状况。器件工作时内部PN结温可由式(3)计算获得:

5.1 目标分割与提取

其中,种子选取与阈值确定是生长-消除法的关键[6],针对电路板红外热图像,种子点选择图像中灰度最大点,由于红外热图像发热区灰度值变化不大,故阈值取的相对较小,20左右。传统的区域生长法只提取一个目标,而一般情况下,一个电路板上有多个发热器件,且各个发热器件温度不同。为提取电路板红外热图像多个发热区域,对传统区域生长法进行改进,用传统区域生长法提取一个发热区域,在原图中消除该区域(即将该区域设置成背景灰度),再提取一个发热区域,再在原图中消除该区域,直至原图中所有像素灰度值接近背景灰度值[7]。

  

图3 Cubie Board 4红外热图像Fig.3 Infrared image of Cubie Board 4

  

图4 目标分割与提取效果Fig.4 Results of target segmentation and extraction

5.2 温度定标

为了检验红外热图像电路板载器件温度检测算法的准确性,项目组采用DS18B20数字温度传感器,结合微处理器、LCD1602液晶显示器设计实时温度检测系统测量电路器件工作时表面温度[13]。在DS18B20数字温度传感器表面涂上液态硅脂,紧贴发热器件表面,测量发热器件工作时表面温度,为了弥补DS18B20紧贴发热器件,加快器件的热传输,增大器件的热容量,从而造成温度测量误差,在发热器件与DS18B20周围安装简单热保护罩,在一定程度上减缓热传输,以抵消DS18B20带来的热传输和热容量效应。对目标分割与提取算法提取的发热区域进行标注,如图5所示。Cubie Board 4电路板工作时发热区域实测温度与红外热图像计算温度如表3所示。

  

图5 发热区域标注图Fig.5 Annotated diagrams of heating regions

 

表3 发热区域测量温度与计算温度Tab.3 Measuring temperature and computing temperature of heating regions

  

发热区域标注点区域灰度计算温度/℃实测温度/℃120584.386.7218772.674.6317464.866.4417163.164.8516660.461.2

从表3可以看出红外热图像拟合计算温度与实测温度存在一定误差,本文采用的温度标定红外测温法在红外热像仪性能未发生变化,定标环境与测量环境,如环境温度、湿度、空气尘埃等,相同的情况下,能保证测量的准确性。但实际情况是,红外热像仪随着工作时间增加,其温度随之变化,其性能也发生变化；温度定标环境与测量环境不尽相同,造成大气衰减、背景辐射对红外成像影响不同,从而造成红外热图像灰度不同,最终影响计算温度。但本文的研究目的并非是准确测量器件工作温度,而是根据器件工作温度,判定器件工作状态、故障情况,一定范围的测量误差并不影响器件故障状况的判定。

5.3 故障判定

根据式(6)计算目标分割与提取算法提取的5个发热区器件的内部PN结温度如表4所示,所有器件PN结温度都未超过125 ℃,器件都正常工作。目前一般器件很难直接测量其内部PN结工作时温度,只有一些新型微处理器,片内集成用于测量芯片内部温度的PN温度传感器,配合专用软件可以读其内部温度[14]。目标分割与提取算法提取的5个发热区器件中标注点1是Cubie Board 4核心处理器A80,它内部集成温度传感器。在相同的测试环境下,分别用CPU-Z for Android Version1.20软件和CpuTempPlus V2.0软件测量标注点1 A80处理器工作时内部温度,如图6所示。

 

表4 发热区域计算结温Tab.4 Computing junction temperature of heating regions

  

发热区域标注点12345灰度G205187174171166温度T/℃84.7682.4473.0370.9867.72

 

  

图6 专用软件测量A80结温Fig.6 Junction temperature of A80 by special software

图6(a)CPU-Z显示有2个温度,而图6(b)CpuTempPlus只显示1个温度(图中25 ℃是环境温度),这是由于A80内部本身有2个温度传感器,CPU-Z分别显示了2个温度传感器的温度,而CpuTempPlus显示的是2个温度传感器的平均温度。CPU-Z测量的平均结温84 ℃,比CpuTempPlus测量的81 ℃高出3 ℃,这是由于实验用Cubie Board 4电路板采用Android操作系统,CPU-Z和CpuTempPlus不能同时在1个界面上显示,实验时Cubie Board 4先播放20 min 4 k视频,再用CPU-Z测量A80温度,截屏后再用CpuTempPlus测量A80温度,由于Android操作系统内部运行机制,在用CPU-Z测量A80温度时,操作系统已经停止4 k视屏的播放,CPU占用率已经下降,CPU温度也逐渐下降。由于先用进行CPU-Z测温,再用CpuTempPlus测温,故出现CPU-Z测出温度高于CpuTempPlus的结果,据此可以推算,在进行4 k视屏播放时A80的实际温度高于84 ℃,而本算法计算的A80工作温度为84.76 ℃,见表4,符合实际情况。

6 结 论

现有电路红外热图像故障检测方法是将被测电路板红外热图像与同型号电路标准红外热图像比对,该方法虽然有效,但需要标准红外热图像,在一些应用领域,如设备维修等,由于无法获取标准红外热图像而无法应用。本文提出的算法是从红外热图像中分割发热区域,提取其位置和灰度信息,计算发热区器件内部PN结温,从而判定发热器件故障情况,由于不需要标准红外热图像比对,比传统方法有更广泛的应用领域,该算法在Ubuntu 16.04+OpenCV 3.0环境运行测试效果良好。

参考文献:

[1] GONG Mingwen,LI Yunxia,MENG Wen,et al.Analysis of domestic circuit board fault detection technology based on infrared technology[J].Infrared,2012,33(7):6-10.(in Chinese)

宫明文,李云霞,蒙文,等.浅析国内基于红外技术的电路板故障检测方法[J].红外,2012,33(7):6-10.

[2] WANG Li,ZENG Peipei,HAO Jianxin.Infrared image registration of circuit board based on ROI gray compression[J].Laser & Infrared,2014,44(3):313-318.(in Chinese)

王力,曾佩佩,郝建新.基于ROI灰度压缩的电路板红外图像配准[J].激光与红外,2014,44(3):313-318.

[3] WANG Li,ZENG Peipei,HAO Jianxin.Multi-target extraction algorithm of circuit board infrared image[J].Computer Systems & Applications,2014,23(2):142-145+85.(in Chinese)

王力,曾佩佩,郝建新.电路板红外图像多目标提取算法[J].计算机系统应用,2014,23(2):142-145+85.

[4] ZHOU Mengte,YE Yutang,WANG Zhifang,et al.Infrared circuit card tester system[J].Opto-Electronic Engineering,2011,38(8):101-106.(in Chinese)

周孟特,叶玉堂,王智芳,等.便携式红外电路故障检测系统[J].光电工程,2011,38(8):101-106.

[5] YANG Xianming,YE Yutang,FANG Liang,et al.Infrared detection tester for electronic circuit fault[J].Infrared and Laser Engineering,2006,35(3):262-266.(in Chinese)

杨先明,叶玉堂,方亮,等.红外电路故障检测系统[J].红外与激光工程,2006,35(3):262-266.

[6] YANG J H,LIUJ,ZHANG J CH,et al.Watershed with automatic seeded region growing[J].Journal of Image and Graphics,2010,15(1):63-68.

[7] ANGELINA S,et al.Image segmentation based on genetic algorithm for region growth and region merging[J].2012 International Conference on Computing,Electronics and Electrical Technologies,ICCEET,2012,E95-D(8):970-974.

[8] ZHANG Xiang,The design of infrared temperature measurement system based on ARM[D].Chengdu:University of Electronic Science and Technology,2014.(in Chinese)

章翔.基于ARM的红外测温系统设计[D].成都:电子科技大学,2014.

[9] YANG Shubing.Software design for infrared thermal imaging system based on windows CE[D].Chengdu:University of Electronic Science and Technology,2013.(in Chinese)

杨书兵.基于Windows CE的红外热像仪软件设计[D].成都：电子科技大学,2013.

[10] GUO Xianghui.Ultrasonic nondestructive testing and thermal fatigue evaluation of electronic packaging[D].Beijing：Beijing Institute of Technology,2015.(in Chinese)

郭祥辉.电子封装结构超声显微检测与热疲劳损伤评估[D].北京：北京理工大学,2015.

[11] REN Fang,XU Wanjing,LAI Fan,et al.Research progress of IC temperature sensors[J].Microelectronics,2017,47(1):110-113.(in Chinese)

任芳,徐婉静,赖凡,等.集成电路温度传感器技术研究进展[J].微电子学,2017,47(1):110-113.

[12] HE Cheng.Research on the thermal resistances network models of topical packaging chips[D].Xi′an：Xidian University,2014.(in Chinese)

何成.典型封装芯片的热阻网络模型研究[D].西安:西安电子科技大学,2014.

[13] YANG Baosheng,MA Xiushui,LI Guihua,et al.Application and research on technology of temperature-sensing in high-speed chip[J].Instrument Technique and Sensor,2006,(2):60-62.(in Chinese)

杨宝生,马修水,李桂华,等.高速芯片温度检测技术研究与应用[J].仪表技术与传感器,2006,(2):60-62.

[14] CUI Qilin,CHEN Xiao,Research on STM32 internal temperature sensor and temperature measurement system[J].Digital Technology & Application,2011,(10):61-62.(in Chinese)

崔琪琳,陈晓.STM32内部温度传感器研究与温度测量系统的实现[J].数字技术与应用,2011,(10):61-62.