CN101915769A - 一种印刷电路板中带电阻元件的自动光学检测方法 - Google Patents
一种印刷电路板中带电阻元件的自动光学检测方法 Download PDFInfo
- Publication number
- CN101915769A CN101915769A CN 201010214846 CN201010214846A CN101915769A CN 101915769 A CN101915769 A CN 101915769A CN 201010214846 CN201010214846 CN 201010214846 CN 201010214846 A CN201010214846 A CN 201010214846A CN 101915769 A CN101915769 A CN 101915769A
- Authority
- CN
- China
- Prior art keywords
- solder joint
- image
- feature
- gray
- sample
- 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.)
- Granted
Links
Images
Abstract
本发明涉及一种印刷电路板中带电阻元件的自动光学检测方法,提取焊点特征之后通过支持向量机分类器把焊点正确分类为正常、少锡、漏件三种类型。适合于生产中特殊焊点的分类与检测。本发明通过把焊点图像中红色区域转化为灰度图与二值化图像后,计算基于灰度图像的均值与标准差与基于二值化图像的高亮比、互相关性和区域颜色的面积,在支持向量机的分类器中使用焊点图像的均值、方差、高亮比、相似程度对焊点的好坏分类。使用焊点的均值、方差、高亮比、区域特征对错误焊点类型做分类。本发明可以在辨别焊点好坏后,进一步把坏的焊点分成少锡以及漏件两类。
Description
技术领域
本发明涉及一种印刷电路板中带电阻元件的自动光学检测方法。
技术背景
焊点检测技术主要分为两大类:有损检测、无损检测。无损检测由于对原件或产品不造成破坏,对提高生产效率以及降低检测的成本有很大的帮助,越来越成为当今的主流技术。无损检测方法主要包括:电气检测、X射线检测、自动光学检测(AOI)。其中,AOI是计算机机器视觉的一种应用,能有效检测焊点的质量,并具有实时性、快速性、高精度的优点,也是本发明所应用的检测技术。
在印刷电路板焊点检测中所使用的几种AOI常用算法有:模板匹配法、统计外形建模法、矢量图形检测法和神经网络法。由于焊点个体差异大,分类受多种因素影响,通过比较待检图像和标准图像的相似程度或统计模型来进行分类,误差大且难以满足焊点检测的精度。矢量法只考虑几何信息,忽略了颜色、光照等重要信息而易出误判。神经网络法虽然具有自学习型的优点,但需要大量样本进行学习,当样本数量有限时,容易表现出很差的推广能力。
SVM是一种根据有限的样本信息,寻找训练数据上错误最小的函数,以期达到比较理想的推广能力的学习机器。SVM在分类函数形式上类似于一个神经网络,但专门针对有限样本情况。
发明内容
本发明的目的在于针对现有技术存在的不足,提供一种印刷电路板中带电阻元件的自动光学检测方法。
本发明的一种印刷电路板中带电阻元件的自动光学检测方法,是提取焊点特征之后通过支持向量机(SVM)分类器把焊点正确分类为正常、少锡、漏件三种类型。
具体地,主要包括如下步骤:
(1)焊点图像预处理:提取焊点RGB彩色图的红色部分转化为灰度图像,通过对比度变换突出原焊点红色区域,最后二值化焊点图像;
(2)焊点的特征提取:基于灰度图和二值化图像提取焊点特征;
(3)使用SVM分类器对焊点特征进行分类,首先判断焊点的好坏,然后对错误的焊点进一步分类;
所述步骤(1)在提取RGB分量图之前,需要把检测图像的大小调整到与训练图像一致,并在提取红色区域转化为灰度图之后进行高斯滤波去除噪声。由于焊点图像的对比度不强且图像偏暗,对输入的图像需做出相应的幂运算
y=xgamma(gamma使得图像的红色部分映射到更亮的范围。最后将灰度图转化为二值化图就能进一步提取图像的特征值。
所述步骤(2)的特征提取包括三大类别的特征:基于彩色图像的特征,基于灰度图像的特征以及基于二值化图像的特征。
彩色焊点图像选择图像的红色区域作为焊点分类的基本图像,并把红色图像转化为灰度以及二值图进行特征提取。
由于在基于红色图像的焊点灰度图中,对于焊点有焊锡合适、过少的情况,焊点的灰度直方图的均值和标准差都有所不同,所以选择焊点灰度图的均值和标准差作为焊点的特征之一。其均值与标准差的计算如下:
均值:
b:图像的灰度值
P(b):灰度值b在图像中的概率
标准差:
对焊点图像二值化后,由于焊点部分与背景部分的灰度值相差比较大,可以使用高亮比作为焊点的特征之一。
利用互相关性度量是通用的一种匹配方法,可作为焊点检测的一个特征值,以判断待检测焊点与样本焊点的形状差距。待测焊点图像和标准模板的相关系数随焊点质量降低而降低。相关性值越大说明两者相关性越高,两者越相似。
焊点各个区域颜色的面积比重具有某种规律。如附图3所示,本发明可正确分类的不同类型的焊点主要在区域4,5,6中有不同,所以选择这3个区域提取焊点的区域特征作为焊点不同类型的判断。使用图像顶部区域与图像底部区域的红色图像面积作为区域特征,其计算方法类似高亮比计算方法。
印刷电路板焊点特征提取的顺序如下:
①先提取图像的灰度图特征:计算灰度图的均值SM与方差SD;
②灰度图二值化后,计算高亮比A
③计算待检测图像与好的焊点图像的相似度R(i,j)
④计算区域面积,使用图像顶部1/4区域与图像底部1/4区域的红色图像面积作为区域特征,其计算方法类似高亮比计算方法。
所述步骤(3)计算训练样本的焊点特征并输入SVM分类器进行训练,最后把测试样本特征送到分类器进行分类。SVM分类器准确性的评价指标是样本分类的正确率,其计算公式如下:
Ni:第i类的样本数
Ci:第i类样本中正确识别的样本
所述步骤(3)SVM分类器是用Matlab软件中svmtrain函数所默认设定的线性函数作为核函数。本发明使用事先经过训练的两个SVM分类器来分类焊点,对不同的分类器使用的训练样本也不同。对判断好坏的SVM分类器,使用好的焊点以及包括少锡与漏件两个错误类型的错误焊点进行训练;而对判断错误类型的SVM分类器,使用错误焊点中少锡焊点以及漏件焊点进行训练。SVM分类器分类焊点的步骤类似二叉树的分类步骤。首先用一个以焊点的均值、方差、高亮比、与好焊点的相似度作为分类依据的SVM分类器来判断焊点的好坏,一为好的焊点,二为错误的焊点,然后再用一个以焊点的均值、方差、高亮比、区域特征作为分类依据的SVM分类器来判断错误焊点的类别,一为少锡焊点,二为漏件焊点。
与现有技术相比,本发明具有如下优点和效果:
(1)本发明采用的SVM分类器可应用到特殊情况下产生小样本的焊点检测中,有着实际的生产意义。
(2)本发明所提取的灰度和二值化的焊点特征,能有效地区分不同类型的焊点,准确率高达83%以上。
附图说明
图1是本发明方法中的焊点检测流程图;
图2是本发明方法中的焊点图像预处理流程;
图3是本发明方法中的焊点特征提取的流程图;
图4是本发明方法中的焊点分类流程图;
图5是本发明方法中的SVM示意图;
图6和表1是方型元件区域划分示意图;
具体实施方式
本发明的对印刷电路板上带电阻元件的焊点检测方法的流程图如附图1所示。具体为先对训练样本焊点图像进行预处理与特征选择,完成这两部分后把焊点图像特征输入分类器进行训练,最后对测试样本焊点图像进行同样的预处理与特征选择,并把测试样本特征输入分类器进行分类。
如图2所示为焊点图像预处理流程图,由于焊点样本图像大小不一致,在输入图像后先使所有的焊点图像能够调整到同样的长宽,从而容易通过标准化的图像提取相关的特征与信息。然后提取红色区域转为灰度图,在灰度图通过高斯滤波和亮度增强突出红色区域部分。
如图3所示为焊点图像特征提取流程图。第一步:提取基于灰度图像直方图的均值和方差;第二步:图像二值化后,依次计算高亮比、相似度和区域面积、此处的区域面积经过本发明多次试验结果证明使用图像顶部1/4区域与图像底部1/4区域的红色图像面积作为区域面积具有最好的分类效果。从样本库中各选用18个样本进行训练和测试,使用本发明的分类测试结果为:焊点好坏分类结果正确率100%,漏件焊点测试正确率100%,少锡焊点测试正确率83.3%。
如图4所示对焊点的检测使用两个事先经过训练的分类器,分别用不同的样本和不同的分类依据来训练,分别检测出不同类型的焊点。
如图5所示为SVM示意图。SVM分类函数形式上类似于一个神经网络,输出是中间节点的线性组合,每个中间节点对应一个支持向量,
如图6和表1所示为本发明所适用的元件区域划分示意图及其结果。本发明可分类的焊点主要在区域4、5、6中有不同,所以选择区域4、5、6作为提取焊点的区域特征具有较高的准确率。
表2是对焊点好坏的分类测试结果,表3是对错误焊点的分类测试结果,如表2、3所示,从样本库中各选用18个样本进行训练和测试,使用本发明的分类测试结果。其中焊点好坏分类结果正确率100%,漏件焊点测试正确率100%,少锡焊点测试正确率83.3%。
表1
表2
表3
Claims (10)
1.一种印刷电路板中带电阻元件的自动光学检测方法,其特征在于提取焊点特征之后通过支持向量机(SVM)分类器把焊点正确分类为正常、少锡、漏件三种类型。
2.根据权利要求1所述的方法,其特征在于主要步骤包括:
(1)焊点图像预处理:提取焊点RGB(红绿蓝三色)彩色图的红色部分转化为灰度图像,通过对比度变换突出原焊点红色区域,最后二值化焊点图像;
(2)焊点的特征提取:在灰度图像下提取焊点直方图的方差和均值;在二值化图像下提取焊点的高亮比、与样本的相似程度和区域面积特征作为焊点的特征;
(3)使用SVM分类器对焊点进行分类,首先判断焊点的好坏,然后对错误的焊点进一步分类。
3.根据权利2所述的印刷电路板中带电阻元件的检测方法,其特征在于所述步骤(1)中,在提取RGB分量图之前,需要把检测图像的大小调整到与训练图像一致,并在转化为灰度图之后进行高斯滤波去除噪声;由于焊点图像的对比度不强且图像偏暗,对输入的图像需做出相应的幂运算y=xgamma(gamma<1)使得图像的红色部分映射到更亮的范围。
4.根据权利要求2或3所述的方法,其特征在于所述步骤(2)中所述的特征提取包括三大类别的特征:基于彩色图像的特征、基于灰度图像的特征、基于二值化图像的特征;
其中,彩色焊点图像选择图像的红色区域作为焊点分类的基本图像,并把红色图像转化为灰度以及二值图进行特征提取;
基于红色图像的灰度图像中,对焊点有焊锡合适、过少的情况,焊点的灰度直方图的均值和标准差都有所不同,所以选择焊点灰度图的均值和标准差作为焊点的特征之一,其均值与标准差的计算如下:
其均值与标准差的计算如下:
均值:
b:图像的灰度值
P(b):灰度值b在图像中的概率
标准差:
对焊点图像二值化后,由于焊点部分与背景部分的灰度值相差比较大,可以使用高亮比作为焊点的特征之一;
利用互相关性度量是通用的一种匹配方法,可作为焊点检测的一个特征值,以判断待检测焊点与样本焊点的形状差距;待测焊点图像和标准模板的相关系数随焊点质量降低而降低;相关性值越大说明两者相关性越高,两者越相似;
焊点各个区域颜色的面积比重具有某种规律,即区域颜色的形状特征变化,但区域内某些颜色的面积所占比重相对稳定。
5.根据权利要求4所述的方法,其特征在于步骤(1)中提取焊点特征时采取以下提取顺序:
①先提取图像的灰度图特征:计算灰度图的均值SM与方差SD;
②灰度图二值化后,计算高亮比A
③计算待检测图像与好的焊点图像的相似度R(i,j)
④计算区域面积,使用图像顶部1/4区域与图像底部1/4区域的红色图像面积作为区域特征,其计算方法类似高亮比计算方法。
6.根据权利要求5所述的方法,其特征在于步骤(2)中,选择SVM作为学习机器,计算所述的焊点特征并输入分类器进行训练,最后把测试样本特征送到分类器进行分类。
8.根据权利要求7所述的方法,其特征在于SVM满足小数量样本作为训练以及测试样本的要求,所使用的SVM分类器是用线性函数作为核函数,而该核函数为Matlab软件中svmtrain函数所默认设定的线性函数。
9.根据权利要求8所述的方法,其特征在于使用事先经过训练的两个SVM分类器来分类焊点,对不同的分类器使用的训练样本也不同;对判断好坏的SVM分类器,使用好的焊点以及包括少锡与漏件两个错误类型的错误焊点进行训练;而对判断错误类型的SVM分类器,使用错误焊点中少锡焊点以及漏件焊点进行训练。
10.根据权利要求9所述的方法,其特征在于SVM采用类似二叉树的分类步骤来分类焊点;首先用一个以焊点的均值、方差、高亮比、与好焊点的相似度作为分类依据的SVM分类器来判断焊点的好坏,一为好的焊点,二为错误的焊点,然后再用一个以焊点的均值、方差、高亮比、区域特征作为分类依据的SVM分类器来判断错误焊点的类别,一为少锡焊点,二为漏件焊点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102148467A CN101915769B (zh) | 2010-06-29 | 2010-06-29 | 一种印刷电路板中带电阻元件的自动光学检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102148467A CN101915769B (zh) | 2010-06-29 | 2010-06-29 | 一种印刷电路板中带电阻元件的自动光学检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101915769A true CN101915769A (zh) | 2010-12-15 |
CN101915769B CN101915769B (zh) | 2012-03-28 |
Family
ID=43323330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102148467A Expired - Fee Related CN101915769B (zh) | 2010-06-29 | 2010-06-29 | 一种印刷电路板中带电阻元件的自动光学检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101915769B (zh) |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156136A (zh) * | 2011-03-14 | 2011-08-17 | 浙江展邦电子科技有限公司 | 一种pcb底片检测方法 |
CN102355569A (zh) * | 2011-05-30 | 2012-02-15 | 南京航空航天大学 | 基于无线机器视觉的飞机蒙皮结构监测方法 |
CN102509108A (zh) * | 2011-10-14 | 2012-06-20 | 桂林电子科技大学 | 一种焊点缺陷鉴别方法 |
CN102901737A (zh) * | 2011-07-27 | 2013-01-30 | 何忠亮 | 一种自动光学检测方法 |
CN102938077A (zh) * | 2012-10-25 | 2013-02-20 | 渭南师范学院 | 基于双阈值二值化的在线式aoi图像检索方法 |
CN103500459A (zh) * | 2013-09-24 | 2014-01-08 | 华南理工大学 | 一种基于规则化参数的印刷电路板缺陷检测方法 |
CN103543151A (zh) * | 2013-09-29 | 2014-01-29 | 广东工业大学 | 一种基于金相切片二值图像的印刷电路板的测量方法 |
CN103559706A (zh) * | 2013-10-24 | 2014-02-05 | 华南理工大学 | 一种高速图像识别定位信息处理机及处理方法 |
WO2014139273A1 (zh) * | 2013-03-14 | 2014-09-18 | 苏州华源包装股份有限公司 | 焊缝缺陷检测方法 |
CN104777176A (zh) * | 2015-03-25 | 2015-07-15 | 广州视源电子科技股份有限公司 | 一种pcb板检测方法及装置 |
CN104833679A (zh) * | 2015-04-29 | 2015-08-12 | 浙江大学 | 一种微观缺陷三维尺度逆向标定及检测方法 |
CN105139386A (zh) * | 2015-08-12 | 2015-12-09 | 南京航空航天大学 | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 |
CN105389805A (zh) * | 2015-10-25 | 2016-03-09 | 合肥市航嘉电子技术有限公司 | 插件作业中元器件少件、错件和反向的光学检测方法 |
CN106127746A (zh) * | 2016-06-16 | 2016-11-16 | 广州视源电子科技股份有限公司 | 电路板元件漏件检测方法和系统 |
CN106204602A (zh) * | 2016-07-13 | 2016-12-07 | 广州视源电子科技股份有限公司 | 元件反件检测方法和系统 |
CN106251333A (zh) * | 2016-07-13 | 2016-12-21 | 广州视源电子科技股份有限公司 | 元件反件检测方法和系统 |
CN106525876A (zh) * | 2016-12-30 | 2017-03-22 | 杭州耕德电子有限公司 | 模切件自动漏件检测系统及方法 |
CN106568778A (zh) * | 2015-10-08 | 2017-04-19 | 台达电子工业股份有限公司 | 电子元件外观影像检测方法 |
CN107945184A (zh) * | 2017-11-21 | 2018-04-20 | 安徽工业大学 | 一种基于彩色图像分割和梯度投影定位的贴装元件检测方法 |
CN108311409A (zh) * | 2017-12-26 | 2018-07-24 | 江苏仲博敬陈信息科技有限公司 | 一种基于人工智能图像识别的印刷电路板检测系统 |
CN109859181A (zh) * | 2019-01-29 | 2019-06-07 | 桂林电子科技大学 | 一种pcb焊点缺陷检测方法 |
CN110610199A (zh) * | 2019-08-22 | 2019-12-24 | 南京理工大学 | 基于svm和xgboost的印制电路板电阻元件焊点自动光学检测方法 |
TWI682294B (zh) * | 2018-09-12 | 2020-01-11 | 台達電子工業股份有限公司 | 焊錫製程參數建議方法 |
CN111185406A (zh) * | 2019-09-03 | 2020-05-22 | 北京瑞诚联众科技有限公司 | 一种基于图像的焊点检测方法 |
CN111504194A (zh) * | 2020-05-15 | 2020-08-07 | 深圳市振邦智能科技股份有限公司 | 应用在焊点检测aoi中的焊点定位方法 |
TWI703514B (zh) * | 2018-05-24 | 2020-09-01 | 牧德科技股份有限公司 | 人工智慧複檢系統及其方法 |
CN112453750A (zh) * | 2019-09-09 | 2021-03-09 | 英业达科技有限公司 | 依据标准值建立检测模型以确认焊接状态的系统及方法 |
CN113808067A (zh) * | 2020-06-11 | 2021-12-17 | 广东美的白色家电技术创新中心有限公司 | 电路板检测方法、视觉检测设备及具有存储功能的装置 |
US11599803B2 (en) | 2018-09-12 | 2023-03-07 | Delta Electronics, Inc. | Soldering process parameter suggestion method and system thereof |
CN117405703A (zh) * | 2023-10-24 | 2024-01-16 | 湖北东禾电子科技有限公司 | 一种基于图像识别的pcba线路板焊点检测系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102937595B (zh) * | 2012-11-13 | 2015-05-20 | 浙江省电力公司电力科学研究院 | 一种pcb板检测方法、装置及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661004A (zh) * | 2009-07-21 | 2010-03-03 | 湖南大学 | 一种基于支持向量机的电路板焊接质量视觉检测方法 |
-
2010
- 2010-06-29 CN CN2010102148467A patent/CN101915769B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101661004A (zh) * | 2009-07-21 | 2010-03-03 | 湖南大学 | 一种基于支持向量机的电路板焊接质量视觉检测方法 |
Non-Patent Citations (3)
Title |
---|
《中国优秀硕士学位论文全文数据库 信息科技辑》 20090215 王丽梅 基于小波变换的焊点质量检测算法研究 第23-26,32-33,35-42 1-3 , 第2期 2 * |
《焊接学报》 20071231 刘鹏飞等 基于信号分形与支持向量机的点焊检测方法 第38-42页 1-10 第28卷, 第12期 2 * |
《焊接技术》 20071031 马文斌等 基于支持向量机的点焊质量分类 第49-52页 1-10 第36卷, 第5期 2 * |
Cited By (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156136B (zh) * | 2011-03-14 | 2015-12-02 | 浙江展邦电子科技有限公司 | 一种pcb底片检测方法 |
CN102156136A (zh) * | 2011-03-14 | 2011-08-17 | 浙江展邦电子科技有限公司 | 一种pcb底片检测方法 |
CN102355569A (zh) * | 2011-05-30 | 2012-02-15 | 南京航空航天大学 | 基于无线机器视觉的飞机蒙皮结构监测方法 |
CN102901737A (zh) * | 2011-07-27 | 2013-01-30 | 何忠亮 | 一种自动光学检测方法 |
CN102509108A (zh) * | 2011-10-14 | 2012-06-20 | 桂林电子科技大学 | 一种焊点缺陷鉴别方法 |
CN102509108B (zh) * | 2011-10-14 | 2014-12-17 | 桂林电子科技大学 | 一种焊点缺陷鉴别方法 |
CN102938077A (zh) * | 2012-10-25 | 2013-02-20 | 渭南师范学院 | 基于双阈值二值化的在线式aoi图像检索方法 |
WO2014139273A1 (zh) * | 2013-03-14 | 2014-09-18 | 苏州华源包装股份有限公司 | 焊缝缺陷检测方法 |
CN103500459A (zh) * | 2013-09-24 | 2014-01-08 | 华南理工大学 | 一种基于规则化参数的印刷电路板缺陷检测方法 |
CN103500459B (zh) * | 2013-09-24 | 2017-01-18 | 华南理工大学 | 一种基于规则化参数的印刷电路板缺陷检测方法 |
CN103543151A (zh) * | 2013-09-29 | 2014-01-29 | 广东工业大学 | 一种基于金相切片二值图像的印刷电路板的测量方法 |
CN103543151B (zh) * | 2013-09-29 | 2017-04-05 | 广东工业大学 | 一种基于金相切片二值图像的印刷电路板的测量方法 |
CN103559706B (zh) * | 2013-10-24 | 2016-09-21 | 华南理工大学 | 一种高速图像识别定位信息处理机及处理方法 |
CN103559706A (zh) * | 2013-10-24 | 2014-02-05 | 华南理工大学 | 一种高速图像识别定位信息处理机及处理方法 |
CN104777176B (zh) * | 2015-03-25 | 2018-08-24 | 广州视源电子科技股份有限公司 | 一种pcb板检测方法及装置 |
CN104777176A (zh) * | 2015-03-25 | 2015-07-15 | 广州视源电子科技股份有限公司 | 一种pcb板检测方法及装置 |
CN104833679B (zh) * | 2015-04-29 | 2017-09-26 | 浙江大学 | 一种微观缺陷三维尺度逆向标定及检测方法 |
CN104833679A (zh) * | 2015-04-29 | 2015-08-12 | 浙江大学 | 一种微观缺陷三维尺度逆向标定及检测方法 |
CN105139386B (zh) * | 2015-08-12 | 2017-12-26 | 南京航空航天大学 | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 |
CN105139386A (zh) * | 2015-08-12 | 2015-12-09 | 南京航空航天大学 | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 |
CN106568778A (zh) * | 2015-10-08 | 2017-04-19 | 台达电子工业股份有限公司 | 电子元件外观影像检测方法 |
CN105389805A (zh) * | 2015-10-25 | 2016-03-09 | 合肥市航嘉电子技术有限公司 | 插件作业中元器件少件、错件和反向的光学检测方法 |
WO2017215241A1 (zh) * | 2016-06-16 | 2017-12-21 | 广州视源电子科技股份有限公司 | 电路板元件漏件检测方法和系统 |
CN106127746A (zh) * | 2016-06-16 | 2016-11-16 | 广州视源电子科技股份有限公司 | 电路板元件漏件检测方法和系统 |
CN106251333B (zh) * | 2016-07-13 | 2019-02-26 | 广州视源电子科技股份有限公司 | 元件反件检测方法和系统 |
CN106204602B (zh) * | 2016-07-13 | 2019-02-01 | 广州视源电子科技股份有限公司 | 元件反件检测方法和系统 |
CN106204602A (zh) * | 2016-07-13 | 2016-12-07 | 广州视源电子科技股份有限公司 | 元件反件检测方法和系统 |
CN106251333A (zh) * | 2016-07-13 | 2016-12-21 | 广州视源电子科技股份有限公司 | 元件反件检测方法和系统 |
CN106525876A (zh) * | 2016-12-30 | 2017-03-22 | 杭州耕德电子有限公司 | 模切件自动漏件检测系统及方法 |
CN107945184B (zh) * | 2017-11-21 | 2020-10-09 | 安徽工业大学 | 一种基于彩色图像分割和梯度投影定位的贴装元件检测方法 |
CN107945184A (zh) * | 2017-11-21 | 2018-04-20 | 安徽工业大学 | 一种基于彩色图像分割和梯度投影定位的贴装元件检测方法 |
CN108311409A (zh) * | 2017-12-26 | 2018-07-24 | 江苏仲博敬陈信息科技有限公司 | 一种基于人工智能图像识别的印刷电路板检测系统 |
TWI703514B (zh) * | 2018-05-24 | 2020-09-01 | 牧德科技股份有限公司 | 人工智慧複檢系統及其方法 |
TWI682294B (zh) * | 2018-09-12 | 2020-01-11 | 台達電子工業股份有限公司 | 焊錫製程參數建議方法 |
US11599803B2 (en) | 2018-09-12 | 2023-03-07 | Delta Electronics, Inc. | Soldering process parameter suggestion method and system thereof |
CN109859181A (zh) * | 2019-01-29 | 2019-06-07 | 桂林电子科技大学 | 一种pcb焊点缺陷检测方法 |
CN110610199A (zh) * | 2019-08-22 | 2019-12-24 | 南京理工大学 | 基于svm和xgboost的印制电路板电阻元件焊点自动光学检测方法 |
CN110610199B (zh) * | 2019-08-22 | 2022-09-13 | 南京理工大学 | 基于svm和xgboost的印制电路板电阻元件焊点自动光学检测方法 |
CN111185406A (zh) * | 2019-09-03 | 2020-05-22 | 北京瑞诚联众科技有限公司 | 一种基于图像的焊点检测方法 |
CN112453750A (zh) * | 2019-09-09 | 2021-03-09 | 英业达科技有限公司 | 依据标准值建立检测模型以确认焊接状态的系统及方法 |
CN111504194A (zh) * | 2020-05-15 | 2020-08-07 | 深圳市振邦智能科技股份有限公司 | 应用在焊点检测aoi中的焊点定位方法 |
CN113808067A (zh) * | 2020-06-11 | 2021-12-17 | 广东美的白色家电技术创新中心有限公司 | 电路板检测方法、视觉检测设备及具有存储功能的装置 |
CN117405703A (zh) * | 2023-10-24 | 2024-01-16 | 湖北东禾电子科技有限公司 | 一种基于图像识别的pcba线路板焊点检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN101915769B (zh) | 2012-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101915769B (zh) | 一种印刷电路板中带电阻元件的自动光学检测方法 | |
CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 | |
TWI525317B (zh) | 整合影像分析與資料挖礦之自動光學檢測缺陷影像分類方法 | |
CN101661004B (zh) | 一种基于支持向量机的电路板焊接质量视觉检测方法 | |
CN101576956B (zh) | 基于机器视觉的在线字符检测方法和系统 | |
CN104268134B (zh) | 一种主客观分类器构建方法和系统 | |
CN113344857B (zh) | 缺陷检测网络的训练方法、缺陷检测方法和存储介质 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN104077577A (zh) | 一种基于卷积神经网络的商标检测方法 | |
CN102867195B (zh) | 一种遥感图像多类目标检测和识别方法 | |
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN110880175B (zh) | 一种焊点缺陷检测方法、系统以及设备 | |
CN106355579A (zh) | 烟条表面褶皱的缺陷检测方法 | |
CN113222913B (zh) | 一种电路板缺陷检测定位方法、装置和存储介质 | |
CN110705630A (zh) | 半监督学习式目标检测神经网络训练方法、装置及应用 | |
CN104200215A (zh) | 一种大口径光学元件表面灰尘与麻点识别方法 | |
CN115144399B (zh) | 一种基于机器视觉的装配质量检测方法及装置 | |
CN111753873A (zh) | 一种图像检测方法和装置 | |
CN111652846A (zh) | 一种基于特征金字塔卷积神经网络的半导体缺陷识别方法 | |
WO2022111247A1 (zh) | 一种报表分析方法及装置 | |
CN110175614A (zh) | 一种印刷电路板过孔内壁质量的检测方法 | |
CN114429445A (zh) | 一种基于MAIRNet的PCB缺陷检测与识别方法 | |
CN103136536A (zh) | 对象检测系统和方法、图像的特征提取方法 | |
CN104732644A (zh) | 纸币鉴别的质量控制方法及其系统 | |
Kofler et al. | Classifying defects in topography images of silicon wafers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120328 Termination date: 20210629 |
|
CF01 | Termination of patent right due to non-payment of annual fee |