CN102496161A - 一种印刷电路板图像的轮廓提取方法 - Google Patents
一种印刷电路板图像的轮廓提取方法 Download PDFInfo
- Publication number
- CN102496161A CN102496161A CN2011104153498A CN201110415349A CN102496161A CN 102496161 A CN102496161 A CN 102496161A CN 2011104153498 A CN2011104153498 A CN 2011104153498A CN 201110415349 A CN201110415349 A CN 201110415349A CN 102496161 A CN102496161 A CN 102496161A
- Authority
- CN
- China
- Prior art keywords
- sub
- image
- pixel
- profile
- contour
- 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明要解决的技术问题是提供一种印刷电路板图像的轮廓提取方法,避免现有轮廓提取方法在提取PCB图像轮廓时不准确的缺陷,增强了轮廓检测的准确性和稳定性,进而提高了工作效率。该方法包括以下步骤:1)获取印刷电路板的原始图像;2)高斯拉普拉斯算子处理:利用高斯拉普拉斯算子对原始图像进行处理,得到经处理后的高斯拉普拉斯图像;3)梯度算子突变处理:利用梯度算子对原始图像进行处理,得到经梯度算子突变处理后的梯度图像;4)利用高低双阈值对原始图像求取二值图像,并得到二值图像;5)建立亚像素轮廓点的坐标图:根据二值图像的边界首先确定轮廓的像素位置,然后根据所述轮廓相应方向上的高斯拉普拉斯值、像素值、梯度值,求出亚像素轮廓点的坐标;6)连接亚像素轮廓点形成轮廓:根据所述步骤5)得到的亚像素轮廓点的坐标,把亚像素轮廓点连接成有一定顺序的集合形式。
Description
技术领域
本发明涉及一种印刷电路板图像的轮廓提取方法,属于计算机视觉技术领域。
背景技术
现有技术中,常利用轮廓检测来计算一些精密工件的外形及质量,如车身的检测、精密加工零件检测等。目前,提取印制线路板图像的轮廓是PCB(Printed Circuit Board,印刷电路板)-AOI(自动光学检测)的一个重要问题,其精度直接影响到AOI的性能指标。本发明提出了一种新的应用于印刷电路板行业的智能轮廓提取算法。
传统的边缘检测方法无法有效的检测出PCB图像中的所有缺陷轮廓,从而造成PCB-AOI漏测的发生。轮廓提取方法非常多,各有各的优点,但是目前还没有一种完全适合PCB缺陷图像轮廓提取的方法。基于不连续性的边缘检测算法,如梯度算子处理,二阶梯度算子处理等等。比较好的零交叉边缘检测,对于处理灰度不均的情况的适应性不好,还有所谓的空心粉效应,一阶梯度算子如canny边缘检测算法也有一定的缺陷,对于微短毛刺的缺陷检测能力较弱。其次基于相似性的算法如阈值门限处理、区域生长、区域分离与聚合、分水岭算法。阈值门限算法对于PCB图像的缺陷的轮廓提取的全面性不够,且需要人工干预。区域生长速度太慢,且需要人工交互。分水岭算法对于一些弱小的轮廓边缘提取能力较差,且速度太慢,速度慢是因为数据处理量相当大造成的。
本公司的现有AOI产品的轮廓提取方法,存在以下缺陷:
1.单阈值算法很难确定阈值,阈值越高,对于微短,凸起,铜渣的检测能力变弱,阈值越低,微开,缺口,针孔的检测能力变弱。
2.算法求取的轮廓大小与真实轮廓大小存在细微的差别。
3.算法对于亚像素的精度不够高,目前只精确到1/4个像素。
4.算法对于成像不均匀的适应性不强,造成漏测与无检测的发生。
5.算法对细微细节部分的轮廓检测不稳定。
发明内容
本发明要解决的技术问题是提供一种检测印刷电路板缺陷的轮廓提取方法,避免现有轮廓提取方法在提取PCB图像轮廓时不准确的缺陷,增强了轮廓检测的准确性和稳定性,进而提高了工作效率。
为了解决上述技术问题,本发明的技术方案是:
一种印刷电路板图像的轮廓提取方法,该方法包括以下步骤:1)获取印刷电路板的原始图像;2)高斯拉普拉斯算子处理:利用高斯拉普拉斯算子对原始图像进行处理,得到经处理后的高斯拉普拉斯图像;3)梯度算子突变处理:利用梯度算子对原始图像进行处理,得到经梯度算子突变处理后的梯度图像;4)利用高低双阈值对原始图像求取二值图像,并得到二值图像;5)建立亚像素轮廓点的坐标图:根据二值图像的边界首先确定轮廓的像素位置,然后根据相应方向的高斯拉普拉斯值、像素值、梯度值,求出亚像素轮廓点的坐标;6)连接亚像素轮廓点形成轮廓:根据所述步骤5)得到的亚像素轮廓点的坐标,把亚像素轮廓点连接成有一定顺序的集合形式。
优选地,在所述步骤2)中,所述高斯拉普拉斯算子处理是利用高斯拉普拉斯算子对原始图像进行平滑处理和锐化处理。
优选地,在所述步骤4)中,所述求取二值图像的步骤为:先利用高低双阈值进行判断,对于8邻域都大于高阈值的像素为白,对于8邻域都小于低阈值的像素为黑,其他像素做下面的处理:其梯度值超过设定的容差为白,否则再判断其所在像素的拉普拉斯值如果大于0,为白,其余为黑。
优选地,在所述步骤5)中,亚像素轮廓点的计算分为两种形式,一种是有零交叉的情况,一种是非零交叉的情况。
优选地,如果该像素位置是零交叉位置的像素,就根据高斯拉普拉斯值求取亚像素轮廓点的位置。如果该像素是非零交叉位置的像素,根据像素值、梯度值求取亚像素轮廓点的位置。
优选地,在得到亚像素轮廓点的位置之后,对亚像素轮廓点进行设置形成轮廓缓冲图,所述轮廓缓冲图是由N个单元构成,N为边界点的个数,每个单元为四个像素,所述单元的格式设置包括单元类型、当前列坐标、单元右边的亚像素纵坐标以及单元底部的亚像素横坐标。
优选地,在所述步骤6)中得到的轮廓缓冲图可以分为外轮廓缓冲图和内轮廓缓冲图两种形式,通过所述轮廓的周长、面积、外包框、闭合还是开放等属性确定。
从以上的描述中,可以看出,本发明的优点在于以下几个方面:得到的轮廓尺寸大小与真实尺寸大小基本一致。对于线路板缺陷的毛刺、缺口的百分比更加一致。微短和微开,针孔和铜渣,毛刺和缺口这三类矛盾体不能兼顾的问题得到了大大的改善。客户干预程度大大减小。轮廓的稳定性更强了。对于图像灰度不均匀的情况的适应性更强了。亚像素精度得到了提高。
附图说明
图1为本发明的流程图;
图2为本发明的原始图像;
图3为高斯拉普拉斯算子处理后的图像;
图4为梯度算子突变处理后的图像;
图5为二值化的图像;
图6为亚像素轮廓图;
图7为本发明提取的轮廓;
图8为本公司现有AOI产品提取的轮廓;
图9为本发明提取的轮廓;
图10为本公司现有AOI产品提取的轮廓;
图11为本发明提取的轮廓;
图12为本公司现有AOI产品阈值取130时提取的轮廓;
图13为本公司现有AOI产品阈值取90时提取的轮廓;
图14为本公司现有AOI产品阈值取60时提取的轮廓;
图15为本公司现有AOI产品提取的轮廓;
图16为本发明提取的轮廓;
图17为本发明提取的轮廓;
图18为本发明提取的轮廓。
具体实施方式
下面结合附图和具体的实施例对本发明作进一步的阐述。
步骤一:获取印刷电路板的原始图像;
步骤二:高斯拉普拉斯算子处理:目的是对图像进行平滑处理,同时提供一幅用零交叉确定边缘位置的图像。图2是待处理的原始图像,图3是经过高斯拉普拉斯处理后,把计算结果归一化到0-255之间的图像。
步骤三:梯度算子突变处理:目的是通过求取梯度来得到一幅梯度图像。图4是对图2求取梯度后,归一化到0-255的图像。梯度算子突变作为一个辅助条件的判断, 可以消除某些灰度不均匀情况下的误检测及漏检测。
步骤四:求取二值图像:先利用高低双阈值进行判断, 对于8邻域都大于高阈值的像素为白, 对于8邻域都小于低阈值的像素为黑, 其他像素做下面的处理:其梯度值超过设定的容差为白, 否则再判断其所在像素的拉普拉斯值如果大于0, 为白,其余为黑.这样就得到一幅二值图像。二值图像用作边缘提取的粗定位。图5是对图2进行的二值化处理。双阈值能有效的消除噪声的干扰以及过滤一些不必要的细节, 梯度的处理能有效的过滤一些变化缓慢但是灰度值要高于低阈值的情况。
步骤五:得到亚像素轮廓点的坐标图:首先需要得到亚像素轮廓点,然后对亚像素轮廓点进行表示。首先根据二值图像定位边缘的像素位置,然后再根据相应方向的高斯拉普拉斯值,像素值,梯度值来求取亚像素坐标。如果该像素位置是零交叉位置的像素,就根据高斯拉普拉斯值求取亚像素轮廓点的位置。如果该像素是非零交叉位置的像素,根据像素值,梯度值求取亚像素轮廓点的位置。然后对亚像素轮廓点进行表示,这里定义为轮廓缓冲图,以四个像素为一个处理单元,如下表所示:
A00 | A01 |
A10 | A11 |
设定0代表黑,1代表白,所以就有16种组合方式,对于之前确定的像素位置,求取亚像素坐标:记录A10、A11两个像素的之间的亚像素横坐标,A01、A11两个像素之间的亚像素纵坐标,A00的列坐标,以及当前处理的类型。类型的定义:每个像素根据黑白图像定义成0,1,四个像素这样排列A00-A01-A10-A11,所以就有0000-1111这16种类型。并将结果保存形成轮廓缓冲图。
轮廓缓冲图是由N个单元构成,N是边界点的个数。每个单元的格式为:
单元类型 | 当前列坐标 | A01,A11之间的亚像素纵坐标 | A10,A11之间的亚像素横坐标 |
步骤六:连接亚像素轮廓点形成轮廓:根据步骤五中得到的轮廓缓冲图,解析成具有一定顺序一定属性的轮廓链表形式。轮廓需要区分是外轮廓还是内轮廓,还需要知道轮廓的周长,面积,外包框,闭合还是开放等等属性。图6为求取的亚像素轮廓叠加在原始图的图像,数字为此条轮廓的周长。可以看出图中有一短路的轮廓得到了体现。
由于线路板的图像随铜厚大小不同,机器光源不同,使用的相机不同而会在图像上有细微的不同,寻找一种能适应各种变化的轮廓检测方法是非常关键的一步,如果轮廓的尺寸大小与真实大小不一致,会影响后续缺陷提取。从以上的描述中,可以看出,本发明的上述实施例实现了如下技术效果:
本发明的检测方法能适应各种变化,得到与实际尺寸一致的轮廓。例如图7为本发明提取的轮廓,图8为本公司现有AOI产品提取的轮廓,通过对比两者,并对事物进行显微镜测量,发现本发明的轮廓尺寸跟显微镜大小基本一致,现有技术算法得到的轮廓要比实际大小大15微米。
另外还可以看出对于其中的一处缺陷微开,本发明要优于现有技术算法,更易检测出缺陷。对这个毛刺缺陷用本发明的方法检测,如图9所示,得到的毛刺宽度为26微米,线的宽度为76微米,那么毛刺宽度所占百分比为34.2%。图10所示为本公司现有AOI产品计算的毛刺宽度为21微米,线的宽度为102微米,所占百分比为20.58%。而通过显微镜得到的实际百分比是34%。可以看出本发明更加接近实际情况。缺口情况同毛刺一样,不再举例。
现有技术中很多算法不能兼顾微短和微开,针孔和铜渣,毛刺和缺口这三类矛盾,当使用本公司现有AOI产品时,阈值越高越易提取出微开、针孔、缺口的轮廓,也就是说越接近真实情况,但同时就更难提取出微短、铜渣、毛刺的真实轮廓。下面举例说明,图11为本发明提取的轮廓,可以看出,短路轮廓全部提取出来,微开轮廓提取较深,都可以被后续缺陷检测算法检测得到。图12-14为单阈值算法的结果,图12的阈值为130,可以看出,短路基本没有检测到,微开可以检测。图13的阈值为90,可以看出短路与开路轮廓形成都不好,不易于检测。图14的阈值为60,可以看出,短路轮廓形成,但是微开轮廓基本没有形成。其他两类矛盾类似,不再举例累述。
如果一个轮廓算法需要客户的干预,那么这个算法就不够智能,本发明能对PCB图像的若干种类型及光源的特定预设置各种初始值,可以防止人为干预造成的误操作。
有些时候,客户端扫描的图像在前后两次扫描时,因为外界条件(如灯光),成像系统的细微变化导致缺陷在前后两次扫描时缺陷有时能检测到,有时不能检测到,主要原因是这些细微变化导致了采集的图像的灰度产生了细微的变化,这个时候缺陷的尺寸刚好在缺陷参数附近波动,最终导致检测的不稳定性。本发明对此稳定性有了很大的提高。图15是本公司现有AOI产品分若干次扫描出现的结果。左边为某次扫描的结果,右边为另外一次扫描的结果,可以看出缺陷的轮廓形成不稳定。图16是本发明的扫描结果,可以看出,本发明对这个不稳定有较好的适应性,缺陷轮廓大小也更大,更容易检测得到。
在某些特殊的板材扫描时,可能出现几种基材的灰度,如图17所示,底部亮的部分是亮的基材,灰度在140左右,在线路中间,灰度在10左右,采用本发明可以准确的提取出实际的线路轮廓,不受基材亮度不均的影响。图18为本公司现有AOI产品,得出的最佳阈值为128,所以底部的基材全部会为白,因而会造成假点的增多,另外因为某些线路中的缺陷如微短,灰度可能比外面的基材亮度要低,所以本公司现有AOI产品存在漏测的风险。
此外,本公司现有AOI产品的亚像素精度为1/4个像素,这样对于成像系统的分辨率要求就更高,而本发明的亚像素精度非常高,根据文献记载和实验结论,亚像素精度在1/360个像素。
以上对本发明所提供的一种印刷电路板图像的轮廓提取方法进行了详细介绍,本文中应用了特定个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术依据本发明的思想,在特定实施方式及应用范围上会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种印刷电路板图像的轮廓提取方法,该方法包括以下步骤:
1)获取印刷电路板的原始图像;
2)高斯拉普拉斯算子处理:利用高斯拉普拉斯算子对原始图像进行处理,得到经处理后的高斯拉普拉斯图像;
3)梯度算子突变处理:利用梯度算子对原始图像进行处理,得到经梯度算子突变处理后的梯度图像;
4)利用高低双阈值对原始图像求取二值图像,并得到二值图像;
5)建立亚像素轮廓点的坐标图:根据二值图像的边界首先确定轮廓的像素位置,然后根据所述轮廓相应方向上的高斯拉普拉斯值、像素值、梯度值,求出亚像素轮廓点的坐标;
6)连接亚像素轮廓点形成轮廓:根据所述步骤5)得到的亚像素轮廓点的坐标,把亚像素轮廓点连接成有一定顺序的集合形式。
2.根据权利要求1所述的轮廓提取方法,其特征在于,在步骤2)中,所述高斯拉普拉斯算子处理是利用高斯拉普拉斯算子对原始图像进行平滑处理和锐化处理。
3.根据权利要求1所述的轮廓提取方法,其特征在于,在步骤4)中,所述求取二值图像的步骤为:先利用高低双阈值进行判断,对于8邻域都大于高阈值的像素为白,对于8邻域都小于低阈值的像素为黑,其他像素做下面的处理:其梯度值超过设定的容差为白,否则再判断其所在像素的拉普拉斯值,如果大于0,该像素为白,否则为黑。
4.根据权利要求1所述的轮廓提取方法,其特征在于,在步骤5)中,亚像素轮廓点的计算分为两种形式,一种是有零交叉,一种是非零交叉。
5.根据权利要求4所述的轮廓提取方法,其特征在于,在步骤5)中,如果该像素位置是零交叉位置的像素,就根据高斯拉普拉斯值求取亚像素轮廓点的位置;如果该像素是非零交叉位置的像素,则根据像素值、梯度值求取亚像素轮廓点的位置。
6.根据权利要求5所述的轮廓提取方法,其特征在于,在步骤5)中得到亚像素轮廓点的位置之后,对亚像素轮廓点进行设置形成轮廓缓冲图,所述轮廓缓冲图是由N个单元构成,N为边界点的个数,每个单元为四个像素,所述每个单元的格式设置包括单元类型、当前列坐标、单元右列的亚像素纵坐标以及单元底行的亚像素横坐标。
7.根据权利要求1所述的轮廓提取方法,其特征在于,在步骤6)中得到的轮廓缓冲图分为外轮廓缓冲图和内轮廓缓冲图两种形式,通过所述轮廓的周长、面积、外包框、闭合还是开放等属性确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110415349 CN102496161B (zh) | 2011-12-13 | 2011-12-13 | 一种印刷电路板图像的轮廓提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110415349 CN102496161B (zh) | 2011-12-13 | 2011-12-13 | 一种印刷电路板图像的轮廓提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102496161A true CN102496161A (zh) | 2012-06-13 |
CN102496161B CN102496161B (zh) | 2013-10-16 |
Family
ID=46187983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110415349 Active CN102496161B (zh) | 2011-12-13 | 2011-12-13 | 一种印刷电路板图像的轮廓提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102496161B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139397A (zh) * | 2015-08-25 | 2015-12-09 | 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 |
CN109521742A (zh) * | 2018-12-05 | 2019-03-26 | 西安交通大学 | 一种用于电动旋转装置的控制系统及控制方法 |
CN109725002A (zh) * | 2019-01-23 | 2019-05-07 | 深圳市华星光电技术有限公司 | 一种基于aoi的基板缺陷类别判别方法 |
CN109829910A (zh) * | 2019-02-01 | 2019-05-31 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于邻域查找的pcb缺陷检测方法 |
CN109978794A (zh) * | 2019-03-29 | 2019-07-05 | 中山爱瑞科技有限公司 | 一种乳腺双能图像的处理方法和系统 |
CN110910414A (zh) * | 2019-10-31 | 2020-03-24 | 五邑大学 | 图像轮廓生成方法、图像标注方法、电子装置及存储介质 |
CN111523391A (zh) * | 2020-03-26 | 2020-08-11 | 上海刻羽信息科技有限公司 | 建筑物的识别方法、系统、电子设备及可读存储介质 |
CN112132799A (zh) * | 2020-09-18 | 2020-12-25 | 浙江大学 | 基于facanny算法的pcb标记点边缘反光图像检测方法 |
CN112233110A (zh) * | 2020-11-18 | 2021-01-15 | 苏州斯玛维科技有限公司 | 芯片键合线的分割方法及其分割装置 |
CN112669272A (zh) * | 2020-12-22 | 2021-04-16 | 广州广合科技股份有限公司 | 一种aoi快速检测方法及快速检测系统 |
CN113052889A (zh) * | 2021-03-24 | 2021-06-29 | 奥比中光科技集团股份有限公司 | 一种深度计算方法及系统 |
CN113256571A (zh) * | 2021-05-11 | 2021-08-13 | 浙江欧威科技有限公司 | 基于方向特征和局部唯一性的矢量图形特征点提取方法 |
CN115588007A (zh) * | 2022-11-22 | 2023-01-10 | 成都数之联科技股份有限公司 | Pcb载板的针孔缺陷检测方法、系统、设备及存储介质 |
CN116433761A (zh) * | 2023-03-09 | 2023-07-14 | 北京瓦特曼智能科技有限公司 | 垛式工件坐标定位方法、装置及介质 |
CN117152088A (zh) * | 2023-09-01 | 2023-12-01 | 北京奥乘智能技术有限公司 | 药品包装的封口检测方法、装置、设备及存储介质 |
CN113052889B (zh) * | 2021-03-24 | 2024-05-31 | 奥比中光科技集团股份有限公司 | 一种深度计算方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040175034A1 (en) * | 2001-06-20 | 2004-09-09 | Rafael Wiemker | Method for segmentation of digital images |
CN101546426A (zh) * | 2009-04-30 | 2009-09-30 | 上海交通大学 | 基于区域增强及区域提取的微弱发光图像处理方法 |
CN102044071A (zh) * | 2010-12-28 | 2011-05-04 | 上海大学 | 基于fpga的单像素边缘检测方法 |
-
2011
- 2011-12-13 CN CN 201110415349 patent/CN102496161B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040175034A1 (en) * | 2001-06-20 | 2004-09-09 | Rafael Wiemker | Method for segmentation of digital images |
CN101546426A (zh) * | 2009-04-30 | 2009-09-30 | 上海交通大学 | 基于区域增强及区域提取的微弱发光图像处理方法 |
CN102044071A (zh) * | 2010-12-28 | 2011-05-04 | 上海大学 | 基于fpga的单像素边缘检测方法 |
Non-Patent Citations (3)
Title |
---|
刘辉等: "基于人眼微动机理的红外图像边缘提取", 《微型机与应用》 * |
杜立等: "钣金件切割轮廓图生成法研究", 《武汉纺织工学院学报》 * |
黄宝贵等: "基于Canny改进的边缘检测算法", 《计算机与现代化》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017032308A1 (zh) * | 2015-08-25 | 2017-03-02 | 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 |
CN105139397B (zh) * | 2015-08-25 | 2017-12-19 | 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 |
CN105139397A (zh) * | 2015-08-25 | 2015-12-09 | 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 |
CN109521742A (zh) * | 2018-12-05 | 2019-03-26 | 西安交通大学 | 一种用于电动旋转装置的控制系统及控制方法 |
CN109725002A (zh) * | 2019-01-23 | 2019-05-07 | 深圳市华星光电技术有限公司 | 一种基于aoi的基板缺陷类别判别方法 |
CN109829910B (zh) * | 2019-02-01 | 2020-10-30 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于邻域查找的pcb缺陷检测方法 |
CN109829910A (zh) * | 2019-02-01 | 2019-05-31 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于邻域查找的pcb缺陷检测方法 |
CN109978794B (zh) * | 2019-03-29 | 2021-03-23 | 中山爱瑞科技有限公司 | 一种乳腺双能图像的处理方法和系统 |
CN109978794A (zh) * | 2019-03-29 | 2019-07-05 | 中山爱瑞科技有限公司 | 一种乳腺双能图像的处理方法和系统 |
CN110910414A (zh) * | 2019-10-31 | 2020-03-24 | 五邑大学 | 图像轮廓生成方法、图像标注方法、电子装置及存储介质 |
CN111523391A (zh) * | 2020-03-26 | 2020-08-11 | 上海刻羽信息科技有限公司 | 建筑物的识别方法、系统、电子设备及可读存储介质 |
CN112132799B (zh) * | 2020-09-18 | 2022-04-29 | 浙江大学 | 基于facanny算法的pcb标记点边缘反光图像检测方法 |
CN112132799A (zh) * | 2020-09-18 | 2020-12-25 | 浙江大学 | 基于facanny算法的pcb标记点边缘反光图像检测方法 |
CN112233110B (zh) * | 2020-11-18 | 2023-04-07 | 苏州斯玛维科技有限公司 | 芯片键合线的分割方法及其分割装置 |
CN112233110A (zh) * | 2020-11-18 | 2021-01-15 | 苏州斯玛维科技有限公司 | 芯片键合线的分割方法及其分割装置 |
CN112669272A (zh) * | 2020-12-22 | 2021-04-16 | 广州广合科技股份有限公司 | 一种aoi快速检测方法及快速检测系统 |
CN113052889A (zh) * | 2021-03-24 | 2021-06-29 | 奥比中光科技集团股份有限公司 | 一种深度计算方法及系统 |
CN113052889B (zh) * | 2021-03-24 | 2024-05-31 | 奥比中光科技集团股份有限公司 | 一种深度计算方法及系统 |
CN113256571A (zh) * | 2021-05-11 | 2021-08-13 | 浙江欧威科技有限公司 | 基于方向特征和局部唯一性的矢量图形特征点提取方法 |
CN113256571B (zh) * | 2021-05-11 | 2022-05-27 | 浙江欧威科技有限公司 | 基于方向特征和局部唯一性的矢量图形特征点提取方法 |
CN115588007A (zh) * | 2022-11-22 | 2023-01-10 | 成都数之联科技股份有限公司 | Pcb载板的针孔缺陷检测方法、系统、设备及存储介质 |
CN115588007B (zh) * | 2022-11-22 | 2023-03-10 | 成都数之联科技股份有限公司 | Pcb载板的针孔缺陷检测方法、系统、设备及存储介质 |
CN116433761A (zh) * | 2023-03-09 | 2023-07-14 | 北京瓦特曼智能科技有限公司 | 垛式工件坐标定位方法、装置及介质 |
CN116433761B (zh) * | 2023-03-09 | 2024-03-12 | 北京瓦特曼智能科技有限公司 | 垛式工件坐标定位方法、装置及介质 |
CN117152088A (zh) * | 2023-09-01 | 2023-12-01 | 北京奥乘智能技术有限公司 | 药品包装的封口检测方法、装置、设备及存储介质 |
CN117152088B (zh) * | 2023-09-01 | 2024-02-06 | 北京奥乘智能技术有限公司 | 药品包装的封口检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102496161B (zh) | 2013-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102496161B (zh) | 一种印刷电路板图像的轮廓提取方法 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN105913415B (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
CN107341802B (zh) | 一种基于曲率与灰度复合的角点亚像素定位方法 | |
CN109685760B (zh) | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 | |
CN110443791B (zh) | 一种基于深度学习网络的工件检测方法及其检测装置 | |
CN109978940B (zh) | 一种sab安全气囊尺寸视觉测量方法 | |
CN105447512A (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
CN114279357B (zh) | 一种基于机器视觉的压铸件毛刺尺寸测量方法及系统 | |
CN111982921A (zh) | 孔缺陷的检测方法、装置、传送平台及存储介质 | |
CN103940708B (zh) | 一种钢材全形态晶粒的快速测量、精细分类方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN111415376B (zh) | 汽车玻璃亚像素轮廓提取方法及汽车玻璃检测方法 | |
CN107239742A (zh) | 一种仪表指针刻度值计算方法 | |
CN105741281B (zh) | 基于邻域离散度的图像边缘检测方法 | |
Zhou et al. | Chisel edge wear measurement of high-speed steel twist drills based on machine vision | |
CN113237889A (zh) | 一种多尺度的陶瓷检测方法及系统 | |
CN112734761A (zh) | 工业品图像边界轮廓提取方法 | |
CN107644417A (zh) | 应变片外观缺损检测方法 | |
CN112489042A (zh) | 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法 | |
CN107133952A (zh) | 一种融合时频特征的表面裂痕识别方法 | |
CN106989672A (zh) | 一种基于机器视觉的工件测量方法 | |
CN112330667B (zh) | 一种基于形态学的激光条纹中心线提取方法 | |
CN113947583A (zh) | 基于深度学习二维时间序列图像的焊缝无损检测方法 | |
CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 |
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 |