CN101825581A - 一种基于模型的pcb缺陷检测方法 - Google Patents
一种基于模型的pcb缺陷检测方法 Download PDFInfo
- Publication number
- CN101825581A CN101825581A CN201010154365A CN201010154365A CN101825581A CN 101825581 A CN101825581 A CN 101825581A CN 201010154365 A CN201010154365 A CN 201010154365A CN 201010154365 A CN201010154365 A CN 201010154365A CN 101825581 A CN101825581 A CN 101825581A
- Authority
- CN
- China
- Prior art keywords
- picture
- image
- pcb
- wavelet transformation
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明为一种使用小波变换的基于模型的PCB缺陷检测方法,包括如下步骤:对待检PCB板建模:输入待检图片和模型图片,建立他们之间的配准信息,对图片进行预处理;对PCB图像压缩为RLE数据;对压缩后的图像进行小波变换;对变换后图像进行差分运算,得到差分图形的直方图,从此直方图中提取图像特征进行识别。从检测时的角度来看,经过小波变换输出的结果称为粗图像,同时图像的大小比原来的小。在粗参考图像和粗待测图像之间简单使用图像差分运算很容易就可以得到待测图像中的缺陷。因此小波变换算法的时间比传统差分算法和基于RLE算法的时间更短。
Description
技术领域
本发明涉及一种基于模型的PCB缺陷检测方法,属于贴装PCB表面安装元件的机器的视觉识别和检测领域。
背景技术
现有的PCB检测技术分为3类,分别为:规则算法、混合算法和参考算法。
规则算法,是通过确定PCB图像的每一个特征是否都落在要求的维数内来进行缺陷检测的。这种算法使用形态学技术的膨胀和腐蚀来作为算法基础。它不需要参考模型,但同时此算法也可能会失去一些缺陷。
混合算法,是结合了参考型算法和非参考型算法,它有这两者的优点。尽管如此,该算法过于复杂从而会引起过高的计算成本。
参考算法,是通过比较待测PCB图像和参考图像来进行缺陷检测的。它有两项主要技术:图形比较技术和基于模型技术。
图形比较技术,是通过对图像的每一像素进行异或逻辑运算来进行的。这是此类算法最简单的一种技术。此算法通常也被称为图像差分算法,它是基于如下设想的:在参考图像和待测图像中的任何不同点将被视为缺陷,此算法的流程如说明书附图1所示。此算法虽然简单,但它的主要难点是如何精确地确定参考图像和待测图像的对齐,该难点造成了利用上的主要困难。此类更加复杂点的技术通常和特征匹配相关联,但这些算法需要大量的模板。
基于模型的技术,是通过根据一套预先定义好的模式与待检测的模式进行匹配的一种技术。有很多技术是基于模型算法被提出的,如树表示法(treerepresentation)技术,基于连通性(connectivity based)技术,N元组技术和基于游程编码(Run Length Encoding RLE)技术。游程编码技术通常是被认为在这些基于模型技术中间最好的一项技术,因为该技术不仅可以检测缺陷,还可以定位缺陷。在这种技术下,PCB图像被压缩为RLE数据,然后在这之上进行图像差分运算。
目前提出的各种算法中,基于模型参考算法得到青睐。其中基于RLE技术在最小化化数据的存储方面是一种不错有效的办法。尽管如此,随着硬盘和内存变得越来越便宜,数据的存储限制已不在是一个严重的问题了。基于RLE的技术同样被认为它能够减少PCB检测系统的检测时间。但是试验结果表明,在把一张400x400像素的位图转换为RLE数据时它所用的时间为6.399秒,这一结果表明了这种技术在位图到RLE数据的转换需要比较多的时间。
发明内容
本发明为克服现有技术的不足,设计一种基于模型的PCB缺陷检测方法,针对AOI系统中对检测时间有特别要求的这一特点进行设计,能够通过减少图像数据来提够检测效率和缩短检测时间。
本发明包括如下技术特征:一种基于模型的PCB缺陷检测方法,包括如下步骤:
对待检PCB板建模:输入待检图片和模型图片,建立他们之间的配准信息,对图片进行预处理;
对PCB图像压缩为RLE数据;
对压缩后的图像进行小波变换;
对变换后图像进行差分运算,得到差分图形的直方图,从此直方图中提取图像特征进行识别。
本发明中对任意函数f的积分小波变换为:
上述w是一个固定的函数称为基函数;参数a称为膨胀因子,并且有一个大于零的常量;b是一个实数,为平移因子。
所述小波变换计算是通过对图像行或列滤波的连续卷积;在第一阶变换之后,输入的图像被分解为4部分:近似(LL1),水平(LH1),垂直(HL1),对角(HH1),每一部分为原来输入图像的四分之一;然后对近似(LL1)部分进行同样的小波变换直到想要的阶数。
所述小波变换为二阶哈尔小波变换。
本发明的有益效果在于:在传统的差分算法中引进基于模型的小波变换来改变图像差分算子的性能,并且给出此技术在PCB图像上的应用。由于小波变换可以认为是图像到图像的变换。这样就使得我们的小波系数也被认为是一个图像,从而允许图像差分运算的进行。从检测时的角度来看,经过小波变换输出的结果称为粗图像,同时图像的大小比原来的小。在粗参考图像和粗待测图像之间简单使用图像差分运算很容易就可以得到待测图像中的缺陷。因此小波变换算法的时间比传统差分算法和基于RLE算法的时间更短。
附图说明
图1是图像差分算法的算法原理图;
图2第一阶小波变换;
图3基于小波的图像差分算法的流程;
图4经过二阶小波变换后的差分图像;
图5传统的未经过二阶小波变换的差分图像。
具体实施方式
本发明为一种基于模型的PCB缺陷检测方法。发明的系统需要两张照片,一张是参考照片,另一张为待测照片。先使用CCD相机来从一个没有缺陷PCB板中获得一张参考照片。然后我们使用二阶小波来对参考照片实施变换并把源图像和变换结果存于内存中。这一步我们是脱线完成的。如附图3其中一部分所示。
附图3的另一部分是整个的在线运算过程,CCD相机捕捉有缺陷的PCB并交由检测系统使用小波变换来处理。经过二阶小波变换输出的结果称为粗图像,同时图像的大小变为原来的四分之一。在粗参考图像和粗待测图像之间简单使用图像差分运算很容易就可以得到待测图像中的缺陷。附图4和附图5分别显示了使用小波变换差分算法和没有使用小波变换差分算法得到的检测结果。从图中的显示可以明显的看到,我们提出小波差分算法能够检测图像上所有的缺陷。
本发明中,对任意函数f的积分小波变换为:
这里w是一个固定的函数称为基函数。参数a称为膨胀因子,并且有一个常量,如a>0。b是一个实数,为平移因子。
通过对图像行或列滤波的连续卷积计算可得到图像小波变换的二维信号,如附图2所示。在第一阶变换之后,输入的图像被分解为4部分:近似(LL1),水平(LH1),垂直(HL1),对角(HH1)。每一部分为原来输入图像的四分之一。接着对近似部分(LL1)进行同样的变换直到想要的阶数。
本发明具体选择哈尔小波变换。因为哈尔小波有最小的滤波尺度,所以它仅仅需要两个滤波输入,如下表所示,其中系数1为平均值系数,系数2为细节系数。通过选择最小的滤波尺度小波,检测系统的处理时间能够最小化。
系数 | 系数 | |
低通滤波 | 1/2 | 1/2 |
高通滤波 | 1/2 | 1/2 |
表1为哈尔小波滤波参数
尽管使用基于RLE图像差分运算的来进行并行处理,但在使检测系统更加快速方面我们还有相当的提高空间。对于这一点我们提出一种略为不同的技术来解决。即我们使用二维小波变换来对PCB图像进行压缩。然后,我们对压缩后的图像在小波域进行差分运算。优点是小波变换可以认为是图像到图像的变换,这样就使得我们的小波系数也被认为是一个图像。从而允许图像差分运算的进行。从检测时的角度来看,小波变换算法的性能比传统差分算法和基于RLE算法的性能略胜一筹。基于小波的图像差分算法的流程细节附图3所示。
本发明与现有技术相比能大大节省检测时间。因为时间在工业生产中是一个比较重要的因素,所以根据检测时间来判别检测系统的性能是非常必要的。对图像处理的时间很大程度上取决于图像的大小。因此我们应该根据检测时间的长短来对提出的算法性能的判定。我们这里对提出的算法在一部1800MHz的奔腾计算机中进行MATLAB仿真。我们对几张400X400像素的图像进行了测试,这里给出的是仿真时间,而实际的检测时间需要通过以后实现了的检测系统才能得到。
粗级化处理仅仅是用在缺陷检测过程中,但我认为缺陷的位置应该被明显的在原待测图像中表明,以便视觉检查。基于这些原因,提出的算法能够检测几种类型的PCB缺陷,如短路、过孔的大小,开路,电感太近、励磁不足,伪铺铜。
运算 | 时间 |
图像差分运算 | 7.251 |
表2传统图像差分运算性能
运算 | 时间 |
二阶小波变换 | 1.162 |
图像差分运算 | 0.200 |
总时间 | 1.362 |
表3使用哈尔小波基于小波变换的差分运算性能
表2和表3分别给出使用基于二级哈尔小波变换差分算法和没有使用是的检测时间。表2给出的是一般图像差分运算的时间,为7.251秒。表3给出的是使用基于二级哈尔小波变换差分算法时的时间,总的计算时间降为1.362秒,其中小波变换是时间为1.162秒,0.2秒为图像差分运算时间。这样,通过在传统的图像差分运算中引进小波变换,能够使总的检测时间降低为原来的81.22%。这也意味着对于PCB检测应用来说,哈尔小波能够使模型化的PCB图像进行检测时间的最小化。
Claims (4)
1.一种基于模型的PCB缺陷检测方法,包括如下步骤:
对待检PCB板建模:输入待检图片和模型图片,建立他们之间的配准信息,对图片进行预处理;
对PCB图像压缩为RLE数据;
对压缩后的图像进行小波变换;
对变换后图像进行差分运算,得到差分图形的直方图,从此直方图中提取图像特征进行识别。
2.根据权利要求1所述的基于模型的PCB缺陷检测方法,其特征在于:对任意函数f的积分小波变换为:
上述w是一个固定的函数称为基函数;参数a称为膨胀因子,并且有一个大于零的常量;b是一个实数,为平移因子。
3.根据权利要求1所述的基于模型的PCB缺陷检测方法,其特征在于所述小波变换计算是通过对图像行或列滤波的连续卷积;在第一阶变换之后,输入的图像被分解为4部分:近似(LL1),水平(LH1),垂直(HL1),对角(HH1),每一部分为原来输入图像的四分之一;然后对近似(LL1)部分进行同样的小波变换直到想要的阶数。
4.根据权利要求1至3任一项所述的基于模型的PCB缺陷检测方法,其特征在于所述小波变换为二阶哈尔小波变换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010154365A CN101825581A (zh) | 2010-04-16 | 2010-04-16 | 一种基于模型的pcb缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010154365A CN101825581A (zh) | 2010-04-16 | 2010-04-16 | 一种基于模型的pcb缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101825581A true CN101825581A (zh) | 2010-09-08 |
Family
ID=42689622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010154365A Pending CN101825581A (zh) | 2010-04-16 | 2010-04-16 | 一种基于模型的pcb缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101825581A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102519967A (zh) * | 2011-11-15 | 2012-06-27 | 浪潮电子信息产业股份有限公司 | 一种基于图像识别检测的板卡物料检验方法 |
CN102663756A (zh) * | 2012-04-20 | 2012-09-12 | 华南理工大学 | 印刷电路板中异型元件和高密度封装元器件的配准方法 |
CN103217434A (zh) * | 2012-01-19 | 2013-07-24 | 昆山思拓机器有限公司 | 一种用于smt网板的扫描方法 |
CN103439348A (zh) * | 2013-08-16 | 2013-12-11 | 中国科学院半导体研究所 | 基于差影法的遥控器按键缺陷检测方法 |
CN104091977A (zh) * | 2014-05-06 | 2014-10-08 | 无锡日联科技有限公司 | 卷绕锂离子电池的检测方法 |
CN105717256A (zh) * | 2016-02-02 | 2016-06-29 | 浪潮(北京)电子信息产业有限公司 | 一种检测波峰焊区域的过孔的状态的方法及装置 |
CN106600655A (zh) * | 2016-11-15 | 2017-04-26 | 昂纳自动化技术(深圳)有限公司 | 基于行程编码的任意结构元的快速区域腐蚀算法及装置 |
CN107480797A (zh) * | 2017-10-09 | 2017-12-15 | 成都深冷凌泰机电科技有限公司 | 一种lng加气机故障诊断排除系统及其操作方法 |
CN108344738A (zh) * | 2018-01-22 | 2018-07-31 | 翰飞骏德(北京)医疗科技有限公司 | 用于羟磷灰石的成像方法及其装置 |
CN109724988A (zh) * | 2019-02-01 | 2019-05-07 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于多模板匹配的pcb板缺陷定位方法 |
CN113177563A (zh) * | 2021-05-07 | 2021-07-27 | 安徽帅尔信息科技有限公司 | 融合cma-es算法及贯序极限学习机的贴片后异常检测方法 |
-
2010
- 2010-04-16 CN CN201010154365A patent/CN101825581A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102519967A (zh) * | 2011-11-15 | 2012-06-27 | 浪潮电子信息产业股份有限公司 | 一种基于图像识别检测的板卡物料检验方法 |
CN103217434A (zh) * | 2012-01-19 | 2013-07-24 | 昆山思拓机器有限公司 | 一种用于smt网板的扫描方法 |
CN102663756A (zh) * | 2012-04-20 | 2012-09-12 | 华南理工大学 | 印刷电路板中异型元件和高密度封装元器件的配准方法 |
CN103439348A (zh) * | 2013-08-16 | 2013-12-11 | 中国科学院半导体研究所 | 基于差影法的遥控器按键缺陷检测方法 |
CN103439348B (zh) * | 2013-08-16 | 2015-07-15 | 中国科学院半导体研究所 | 基于差影法的遥控器按键缺陷检测方法 |
CN104091977A (zh) * | 2014-05-06 | 2014-10-08 | 无锡日联科技有限公司 | 卷绕锂离子电池的检测方法 |
CN105717256A (zh) * | 2016-02-02 | 2016-06-29 | 浪潮(北京)电子信息产业有限公司 | 一种检测波峰焊区域的过孔的状态的方法及装置 |
CN105717256B (zh) * | 2016-02-02 | 2019-07-26 | 浪潮(北京)电子信息产业有限公司 | 一种检测波峰焊区域的过孔的状态的方法及装置 |
CN106600655A (zh) * | 2016-11-15 | 2017-04-26 | 昂纳自动化技术(深圳)有限公司 | 基于行程编码的任意结构元的快速区域腐蚀算法及装置 |
CN107480797A (zh) * | 2017-10-09 | 2017-12-15 | 成都深冷凌泰机电科技有限公司 | 一种lng加气机故障诊断排除系统及其操作方法 |
CN108344738A (zh) * | 2018-01-22 | 2018-07-31 | 翰飞骏德(北京)医疗科技有限公司 | 用于羟磷灰石的成像方法及其装置 |
CN109724988A (zh) * | 2019-02-01 | 2019-05-07 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于多模板匹配的pcb板缺陷定位方法 |
CN109724988B (zh) * | 2019-02-01 | 2021-05-18 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于多模板匹配的pcb板缺陷定位方法 |
CN113177563A (zh) * | 2021-05-07 | 2021-07-27 | 安徽帅尔信息科技有限公司 | 融合cma-es算法及贯序极限学习机的贴片后异常检测方法 |
CN113177563B (zh) * | 2021-05-07 | 2022-10-14 | 安徽帅尔信息科技有限公司 | 融合cma-es算法及贯序极限学习机的贴片后异常检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101825581A (zh) | 一种基于模型的pcb缺陷检测方法 | |
CN101877127B (zh) | 基于梯度剖面的图像无参考质量评价方法及系统 | |
CN104869421B (zh) | 基于全局运动估计的视频显著性检测方法 | |
CN103345758B (zh) | 基于dct统计特征的jpeg图像区域复制篡改盲检测方法 | |
CN109523506B (zh) | 基于视觉显著图像特征增强的全参考立体图像质量客观评价方法 | |
CN112233067A (zh) | 一种热轧钢卷端面质量检测方法及系统 | |
CN113205051B (zh) | 基于高空间分辨率遥感影像的储油罐提取方法 | |
CN108257125B (zh) | 一种基于自然场景统计的深度图像质量无参考评价方法 | |
CN113240623B (zh) | 一种路面病害检测方法及装置 | |
CN107169957A (zh) | 一种基于机器视觉的玻璃瑕疵在线检测系统及方法 | |
CN106702870A (zh) | 一种道路裂缝检测系统 | |
CN105701805A (zh) | 一种基于计算机视觉的猪肉肌内脂肪含量无损检测方法 | |
CN111080615A (zh) | 基于卷积神经网络的pcb缺陷检测系统及检测方法 | |
CN116152697A (zh) | 一种混凝土结构裂缝的三维模型测量方法及相关装置 | |
CN111223078B (zh) | 瑕疵等级判定的方法及存储介质 | |
CN110321869A (zh) | 基于多尺度融合网络的人员检测和提取方法 | |
CN108629771B (zh) | 一种具有尺度鲁棒性的图像质量盲评价方法 | |
CN113971669A (zh) | 应用于管道损伤识别的三维检测系统 | |
CN113592814A (zh) | 新能源动力电池安全防爆阀激光焊接表面缺陷检测方法 | |
CN102592151B (zh) | 一种数字图像中值滤波的盲检测方法 | |
Lin et al. | Detection of pinhole defects on chips and wafers using DCT enhancement in computer vision systems | |
CN116879708A (zh) | 一种利用红外云图识别技术印刷电路板故障的检测方法 | |
KR101531444B1 (ko) | 프레스 가공품의 표면품질 검사방법 | |
CN107977967B (zh) | 一种面向视角合成的无参考图像质量评价方法 | |
CN105389818A (zh) | 元件的定位方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20100908 |