CN105184793B - 一种电能表样品外观及pcb板元件检测方法 - Google Patents

一种电能表样品外观及pcb板元件检测方法 Download PDF

Info

Publication number
CN105184793B
CN105184793B CN201510560201.1A CN201510560201A CN105184793B CN 105184793 B CN105184793 B CN 105184793B CN 201510560201 A CN201510560201 A CN 201510560201A CN 105184793 B CN105184793 B CN 105184793B
Authority
CN
China
Prior art keywords
image
detection
electric energy
pcb board
energy meter
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.)
Active
Application number
CN201510560201.1A
Other languages
English (en)
Other versions
CN105184793A (zh
Inventor
黎海生
闫国兵
何超勋
张宇婷
黄成捷
蔡华展
陈丽冰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanwei Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Shanwei Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanwei Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Shanwei Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN201510560201.1A priority Critical patent/CN105184793B/zh
Publication of CN105184793A publication Critical patent/CN105184793A/zh
Application granted granted Critical
Publication of CN105184793B publication Critical patent/CN105184793B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30141—Printed circuit board [PCB]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种电能表样品外观及PCB板元件检测方法，属于电能表图像管理及应用技术领域，其包括以下步骤：S1、建立标准元件特征库，获取PCB板的正面、侧面和反面待检测图像；S2、检测预处理，建立背景差，对检测到的图像进行校正、拼接和分割的处理；S3、对处理后的图像进行检测区域分析，判断PCB板上为元件区域还是焊点及电路区域，或者为文字及其他区域；S4、进行图像特征匹配，图像匹配成功则进行元件识别处理，若特征匹配失败，则判断图像检测是否越界，若不是，则对图形进行局部区域搜索，重新返回元件区域检测步骤继续执行；S5、生成检测报表。本发明的电能表检测方法设计新颖，成本较低，检测方便，精确度高，检测效率高，检测效果好，便与推广使用。

Description

一种电能表样品外观及PCB板元件检测方法
技术领域
本发明涉及电能表图像管理及应用技术领域，尤其是涉及一种电能表样品外观及PCB板元件检测方法。
背景技术
电能表是智能电网数据采集的重要基础设备，承担着原始电能数据采集、计量和传输的任务，是实现信息集成、分析优化和信息展现的基础，有利于提高电力企业的经营效率、促进节能减排，增强电力系统的稳定性。目前，我国智能电网进入全面建设阶段，对智能电表产生了巨大的市场需求。
印刷电路板是构成智能电能表的核心部件，是承载各种电子元件的母体，每个电能表均有一块PCB及其大量的元件，如CPU芯片、时钟电池、晶振、电解电容、压敏电阻、存储芯片等等。这些元件主要以表面贴装技术及插孔式安装技术焊接在PCB板上。随着生产工艺及SMT技术的发展，PCB板上的元件密度越来越高，元件尺寸越来越小，集成电路器件的引脚间距可缩小到0.2mm以内，而且对于智能电能表，PCB正反面均有元件，这种趋势为PCB及元件的检测带来了极大的挑战。同时，智能电能还涉及到外观，包括电能表箱体的尺寸、铭牌标志、液晶显示内容和指示灯状态信息，这些外观参数也直接关系到电能表的质量，在检测时也需一并检测。
随着计算机技术的发展，出现了一门称为“机器视觉”的现代检测技术，它是使用计算机及相关设备对生物视觉的一种模拟，通过对采集的图片或视频进行处理以获得及理解图片信息，提供有用信息，广泛应用于制造业、检验、文档分析、医疗诊断和军事等领域中各种智能/自主系统中。利用机器视觉对PCB的检测主要分为两类问题：一类是对PCB裸板和元件的检测，另一类是针对焊点焊锡的检测。结合光源及机械装置，形成了一种专门的检测技术，称为自动光学检测技术（AOI）。它通过对印刷电路板的光学图像进行采集和分析，自动识别出有缺陷的元件或焊点。AOI不需要专用针床，只需要在计算机程序的驱动下，操纵摄像机分区域地扫描PCB，采集图像，经过图像处理并与数据库中的合格元件的参数进行比较，检查出印刷电路板上存在的缺陷。极短的测试程序开发时间和检测方式的灵活性是AOI最大的优点。AOI除了能检查出人工目检检测方式无法查出的缺陷外，还能够把生产流程中各工序的生产质量、缺陷类型等信息进行实时的收集、分析、统计并反馈给操作人员，供技术人员进行分析、处理和管理。AOI产品在国外的PCB生产线上得到了广泛应用，在国内PCB生产线上的使用比例也在逐渐提高。
但目前的检测方法及现有的AOI检测技术主要存在以下问题：
（1）检测时存在误差，存在一定程度的误判。在目前的检测中，大多还在采用人工检测方式，检测人员借助于放大镜等工具来对电表线路板进行比对，检测手段落后，造成一定程度的误判。
（2）检测手段的单一性造成了检测效率低下。检测速度慢，检测人员对每块PCB板要花费大量的时间进行选型与比对，过程非常枯燥，效率低下。
（3）检测的匹配点少，很难顾及更多的检测对象，不能任意多的确定需要匹配的检测点。
（4）不能对PCB的芯片形状与位置信息进行定量描述。在现有的操作中，仅仅通过测量大小与位置尺寸等进行辨识，存在一定误差。
（5）价值昂贵。目前国外一套AOI检测系统价值几十万美元，甚至高达数百万美元，价格极其昂贵，且培训、维护也需大量经费，尚没有知识产权。
（6）目前市场的大多数PCB检测机仅对祼板进行检测，检测对象为电路及焊点，检测精度较高，对PCB板单面的元件可进行检测，但仅对常见的电容、电阻等元件进行形状，颜色方面的对比检测识别。对于元件上的文字，字母，条码检测效果不理想，检测效率低。
（6）用于电能表外观的检测情况少见。
针对以上问题，亟待设计一种更加完善的电能表PCB检测方法。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，而目的是在于提高一种电能表图像管理及应用方面的电能表样品外观及PCB板元件检测方法，针对焊点和电路的识别，采用分区域元件检测识别算法。其设计新颖，成本较低，检测方便，精确度高，检测效率高，检测效果好，有效解决了现有技术的不足，。
为解决上述技术问题，本发明采用的技术方案是：
本发明通过元件定位算法和动态区域元件识别算法对电能表的PCB板进行检测，利用校准算法实现位置偏差的校正，利用摄像机标定算法减少图像畸变，采用最近邻搜索方法实现图像拼接。然后利用PCB母板上的既定孔位进行精确定位，并利用PCB标准元件的形状、组成、位置、尺寸等先验知识，粗定位待检测元件的位置范围，在图像指定的位置范围内进行细搜索，进一步定位元件的精确位置。。
一种电能表样品外观及PCB板元件检测方法，其特征在于，包括以下步骤：
S1、系统建模，选取各种元件的原始样本，并经几何变换形成样本的标准元件特征库，并获取PCB板的正面、侧面和反面待检测图像；
S2、检测预处理，建立背景差，对检测到的图像进行校正、拼接和分割的处理；
S3、对处理后的图像进行检测区域分析，首先判断是否为元件区域，若是则进行元件定位，进一步检测处理，若不是元件区域则判断是否为焊点及电路，若是则进行焊点及电路识别，若不是则继续进行文字及其他检测；
S4、步骤S3中若判断为元件区域并元件定位后，再进行图像特征匹配，图像匹配成功则进行元件识别处理，若特征匹配失败，则判断图像检测是否越界，若不是，则对图形进行局部区域搜索，重新返回元件区域检测步骤继续执行；
S5、元件识别、焊点及电路识别、文字及其他检测以及图像检测越界执行完毕后，生成检测报表。
进一步地，所述步骤S1中标准元件特征库包括每个样本的颜色特征、形状特征、纹理特征、位置信息。
进一步地，所述步骤S2中对图像的校正为图像畸变校正。
进一步地，所述步骤S2中采用特征匹配搜索算法实现图像拼接。
进一步地，所述步骤S3中的焊点及电路识别采用线路延伸及终点判定法检测焊点及电路缺陷。
进一步地，所述步骤S3中的元件区域包括静态区域、动态区域及文字区域。
本发明与现有技术相比具有以下优点：
本发明是应用在电能表图像管理及应用领域，其通过元件定位算法和动态区域元件识别算法对电能表的PCB板进行检测，利用校准算法实现位置偏差的校正，利用摄像机标定算法减少图像畸变，采用最近邻搜索方法实现图像拼接。然后利用PCB母板上的既定孔位进行精确定位，并利用PCB标准元件的形状、组成、位置、尺寸等先验知识，粗定位待检测元件的位置范围，在图像指定的位置范围内进行细搜索，进一步定位元件的精确位置。针对焊点和电路的识别，采用分区域元件检测识别算法。其设计新颖，成本较低，检测方便，精确度高，检测效率高，检测效果好，有效解决了现有技术的不足。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的PCB板元件检测方法的元件检测算法流程图；
图2为本发明的PCB板元件检测方法总体技术路线图。
具体实施方式
如图1所示，一种电能表样品外观及PCB板元件检测方法，其特征在于，包括以下步骤：
S1、系统建模，选取各种元件的原始样本，并经几何变换形成样本的标准元件特征库，并获取PCB板的正面、侧面和反面待检测图像；
S2、检测预处理，建立背景差，对检测到的图像进行校正、拼接和分割的处理；
S3、对处理后的图像进行检测区域分析，首先判断是否为元件区域，若是则进行元件定位，进一步检测处理，若不是元件区域则判断是否为焊点及电路，若是则进行焊点及电路识别，若不是则继续进行文字及其他检测；
S4、步骤S3中若判断为元件区域并元件定位后，再进行图像特征匹配，图像匹配成功则进行元件识别处理，若特征匹配失败，则判断图像检测是否越界，若不是，则对图形进行局部区域搜索，重新返回元件区域检测步骤继续执行；
S5、元件识别、焊点及电路识别、文字及其他检测以及图像检测越界执行完毕后，生成检测报表。
智能电能表PCB板上的元件检测主要包括正反面上的元件及电路检测识别，具体有CPU芯片、电容、电阻、电感、焊点、电路等等。他们具有不同大小、形状、颜色等基本特征以及同一类型元件存在位置偏移，同时部分元件还有字符属性特征。元件能否正确的识别分类，缺陷能否正确的检测都取决于各种元件特征的提取与判断决策的划分。必须研究一组检测算法，以适应不同元件、不同特征的检测算法，使检测算法具有一定的鲁棒性。对于外观，需要检测电能表箱体的尺寸、外观缺陷（裂痕、破洞、污渍，等）、铭牌标志、液晶显示内容和指示灯状态信息等。
如图2所示，在进行PCB板元件检测之前，先构建图像采集系统，主要括光源及CCD的选型，具体如下。
A．光源。针对不同类型的光源，从寿命、亮度、形状和光谱、可频闪和功耗、颜色等方面分析比较他们之间的优缺点。结合PCB母板颜色及各种元件的色彩分布特征，实现采集的彩色图像能强调光源光谱与相机响应之间的最佳匹配。同时，考虑到PCB板和电能表的尺寸及成本，本实施例设计白色带有漫反射功能的环形光。
B．高清CCD。包括摄像机、镜头和图像采集卡。摄像机是图像采集系统的核心部件，结合PCB板和电能表外观特性与光源组合，经过多次实验验证，在保证图像质量的同时，考虑到检测设备结构的简洁性及处理速度，采用彩色面阵高分辨率CCD是较好的选择。采用8mm高感光镜头可以减小采集图像畸变的产生。采集卡采用具有高速数据交换的PCIE卡，可防帧率过缓及掉帧情况的发生。集成光源及高清CCD，实现图像采集系统的配置。
其次，由于智能电能表PCB板带有大量的元件，这些元件的大小、高度差异较大，必须设计一种装置，让PCB母板所在平面保持水平，并以其为参考面，便于元件的检测。同时，智能电能表外观检测时也具有一定的高度、宽度，硬件装置必须能适应这两部分的检测要求，因此对这一部分硬件装置需进行详细研制。第一、研制PCB和电能表夹具装置，每块PCB母板本身提供了至少四个孔，可以设计一种利用这四个孔作为支撑点，以母板为参考水平面，设计由底板、长定位杆、调节片、支撑杆、导向条组成的可自动调节的硬件装置，即可以改变支撑面大小的装置。此装置可以固定任意大小的PCB，同时具有一定的悬空高度，PCB板的元件不会碰到底板，而整个PCB始终保持水平姿态。电能表夹具可采用平板+档板进行固定。第二、研制检测平台可移动装置。通过步进电机驱动，检测平台能够实现X、Y及Z轴方向移动和水平旋转，实现四轴运动，以实现PCB正面、侧面元件检测。四轴的合理配置将影响检测效果。同时，四轴分别由四个步进电机驱动，步进电机由程序控制，其位移大小由程序自行控制，通过接口程序向四轴控制器发出指令，驱动步进电机实现移动。并开发移动装置控制软件模块，实现移动装置的精确自动、相互协调移动。
以上工作做好后，开始在电能表外观检测，光源为采集图像提供稳定可靠的照明光，以确保采集到的智能电能表内部和外观图中的元件图像光照均匀、视觉特征明显，便于图像处理。
要有效地对智能电能表PCB元件进行总体和局部的检测及识别，首先需要精确的定位，有了确切的位置关系，才可以进行有效的检测。研究PCB板定位算法，为了避免位置偏差和图像畸变给定位带来的影响，首先要研究图像校正方法及图像畸变校正方法。其次，根据PCB板的结构特征，研究利用孔位进行定位的算法。为了提高检测精度，PCB板及智能电能表外观分为四块采集区域，产生四幅图像，必须研究四幅图像的自动拼接技术。
本实施例利用校准算法实现位置偏差的校正，利用摄像机标定算法减少图像畸变，采用最近邻搜索方法实现图像拼接。然后利用PCB母板上的既定孔位进行精确定位，并利用PCB标准元件的形状、组成、位置、尺寸等先验知识，可以粗定位待检测元件的位置范围，在图像指定的位置范围内进行细搜索，进一步定位元件的精确位置，具体方法如下。
A．图像畸变校正及拼接。传统的摄像机标定算法是通过标定得到摄像机的内外参数，然后再加以引用。本实施例采集四幅区域图像部分相互重叠，可建立各区域特征信息，采用特征匹配搜索算法实现图像拼接。
B．采用改进的Hough及最小二乘法直线校准。采用随机Hough变换的算法，在图像边缘像素空间随机取不共线的三点映射成参数空间的一个点，加快直线检测。对边缘点采用最小二乘法拟合直线，通过均方误差的比较，确定最佳边缘。
C．基于亚像素定点圆校准算法。为了提高精度，利用PCB板已有的定位孔来进行PCB板校准，采用基于亚像素的最小二乘法拟合圆。首先采用一种集合周长、面积、圆度、斜率等特征对图像中的圆目标进行分析识别，然后结合最小二乘法进行圆拟合，实现圆检测。
本实施例通过元件定位算法可以实现粗定位与精定位。然而，元件的缺陷检测识别还需要使用专门的识别算法。由于智能电能表上的元件种类繁多，且位置不固定，主要研究以下算法对元件进行检测识别。
A．采用基于SVM分级元件识别算法。选取各种元件的原始样本，并经几何变换形成样本库，提取每个样本的颜色特征、形状特征、纹理特征、位置信息。并将元件的缺陷类型分为：正常、型号错误、引脚损坏、标签错误、元件缺失等五类用于SVM训练，形成样本空间特征库。提取待测元件的特征进行比较，然后进行分类识别。
B．焊点电路识别算法。带有电子元件的PCB焊点电路主要集中在PCB的背面区域，焊点的缺陷类型主要分为多锡、少锡、假焊、立碑和偏移等，电路的缺陷主要是断路及短路。提取待测焊点的特征，利用生成的样本特征库，可进行焊点的分类识别。电路缺陷的检测依靠线路延伸及终点判定法进行检测。
C．研究分区域元件检测识别算法。将PCB板元件分布成静态区域、动态区域及文字区域进行检测识别。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (1)

1.一种电能表样品外观及PCB板元件检测方法，其特征在于，包括以下步骤：
S1、系统建模，选取各种元件的原始样本，并经几何变换形成样本的标准元件特征库，并获取PCB板的正面、侧面和反面待检测图像；
S2、检测预处理，建立背景差，对检测到的图像进行校正、拼接和分割的处理；
S3、对处理后的图像进行检测区域分析，首先判断是否为元件区域，若是则进行元件定位，进一步检测处理，若不是元件区域则判断是否为焊点及电路，若是则进行焊点及电路识别，若不是则继续进行文字及其他检测；
S4、步骤S3中若判断为元件区域并元件定位后，再进行图像特征匹配，图像匹配成功则进行元件识别处理，若特征匹配失败，则判断图像检测是否越界，若不是，则对图形进行局部区域搜索，重新返回元件区域检测步骤继续执行；
S5、元件识别、焊点及电路识别、文字及其他检测以及图像检测越界执行完毕后，生成检测报表；
所述步骤S1中标准元件特征库包括每个样本的颜色特征、形状特征、纹理特征、位置信息；所述步骤S2中对图像的校正为图像畸变校正；所述步骤S2中采用特征匹配搜索算法实现图像拼接；所述步骤S3中的焊点及电路识别采用线路延伸及终点判定法检测焊点及电路缺陷；所述步骤S3中的元件区域包括静态区域、动态区域及文字区域。
CN201510560201.1A 2015-09-02 2015-09-02 一种电能表样品外观及pcb板元件检测方法 Active CN105184793B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510560201.1A CN105184793B (zh) 2015-09-02 2015-09-02 一种电能表样品外观及pcb板元件检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510560201.1A CN105184793B (zh) 2015-09-02 2015-09-02 一种电能表样品外观及pcb板元件检测方法

Publications (2)

Publication Number Publication Date
CN105184793A CN105184793A (zh) 2015-12-23
CN105184793B true CN105184793B (zh) 2018-01-16

Family

ID=54906846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510560201.1A Active CN105184793B (zh) 2015-09-02 2015-09-02 一种电能表样品外观及pcb板元件检测方法

Country Status (1)

Country Link
CN (1) CN105184793B (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106934791B (zh) * 2015-12-30 2020-10-27 希姆通信息技术（上海）有限公司 一种移动终端上fpc的视觉检测方法及控制设备
CN106908713B (zh) * 2017-02-23 2019-10-22 深圳崇达多层线路板有限公司 一种线路板内层线路短路原因的判定方法
CN107563386A (zh) * 2017-09-04 2018-01-09 广州视源电子科技股份有限公司 元器件验证方法、装置、设备与计算机可读存储介质
CN110363737B (zh) * 2018-04-08 2022-07-26 深圳技术大学（筹） 一种待检测图像获取方法及待检测图像获取系统
CN108681705B (zh) * 2018-05-15 2022-08-23 国网重庆市电力公司电力科学研究院 一种基于图形识别的计量设备一致性判定方法及系统
CN108717697B (zh) * 2018-05-18 2021-04-13 广州视源电子科技股份有限公司 电路板检测方法、装置、计算机设备和存储介质
CN108830840A (zh) * 2018-05-31 2018-11-16 江苏华鹰光电科技有限公司 一种电路板缺陷的主动智能检测方法及其应用
CN108802046B (zh) * 2018-06-01 2021-01-29 中国电子科技集团公司第三十八研究所 一种混合集成电路组件缺陷光学检测装置及其检测方法
CN108986086A (zh) * 2018-07-05 2018-12-11 福州大学 印刷显示面板喷墨打印像素缺陷检测与分类方法及其装置
CN109544533B (zh) * 2018-11-23 2021-04-02 聚时科技(上海)有限公司 一种基于深度学习的金属板缺陷检测和度量方法
CN109712115B (zh) * 2018-12-03 2021-11-23 武汉精立电子技术有限公司 一种pcb板自动检测方法及系统
CN110310341B (zh) * 2019-07-02 2021-09-24 广州视源电子科技股份有限公司 颜色算法中默认参数的生成方法、装置、设备和存储介质
CN110675376A (zh) * 2019-09-20 2020-01-10 福建工程学院 一种基于模板匹配的pcb缺陷检测方法
CN111299800B (zh) * 2020-04-10 2022-03-01 惠州西文思技术股份有限公司 压焊装置
CN111351431B (zh) * 2020-04-13 2021-08-31 深圳市强华科技发展有限公司 一种pcb板上多孔位的检测系统的校正方法
CN113808067B (zh) * 2020-06-11 2024-07-05 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
CN112730406A (zh) * 2020-12-17 2021-04-30 深圳市拓普泰克技术股份有限公司 产品测试方法、系统及可读存储介质
CN112884002B (zh) * 2021-01-18 2022-07-01 四川大学 智能电表版本分类方法
CN112884767B (zh) * 2021-03-26 2022-04-26 长鑫存储技术有限公司 图像拟合方法
CN113256598B (zh) * 2021-06-09 2024-06-28 合肥中科星翰科技有限公司 一种用于芯片生产的视觉检测系统
CN113344929B (zh) * 2021-08-09 2021-11-05 深圳智检慧通科技有限公司 一种焊点视觉检测识别方法、可读存储介质及设备
CN113884725B (zh) * 2021-09-30 2024-07-23 北京京仪北方仪器仪表有限公司 一种具有防腐蚀性能的智能电能表
CN116309337B (zh) * 2023-02-11 2023-10-10 广州华盛汇美科技实业有限公司 基于图像识别的包装盒质量检测系统
CN117593310B (zh) * 2024-01-19 2024-04-02 江苏红相蓝瑞电力科技有限公司 一种用于电能表装配质量检测的图像检测方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102914549A (zh) * 2012-09-10 2013-02-06 中国航天科技集团公司第五研究院第五一三研究所 针对星载表露型pcb焊点质量的光学图像匹配检测方法
CN102937595A (zh) * 2012-11-13 2013-02-20 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
CN103020586A (zh) * 2012-11-13 2013-04-03 浙江省电力公司电力科学研究院 一种pcb板识别方法、装置及系统
CN103926554A (zh) * 2014-05-07 2014-07-16 国家电网公司 智能电能表外观标识一致性检测装置及其方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5318334B2 (ja) * 2006-05-19 2013-10-16 Ｊｕｋｉ株式会社 対象物の位置検出方法及び装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102914549A (zh) * 2012-09-10 2013-02-06 中国航天科技集团公司第五研究院第五一三研究所 针对星载表露型pcb焊点质量的光学图像匹配检测方法
CN102937595A (zh) * 2012-11-13 2013-02-20 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
CN103020586A (zh) * 2012-11-13 2013-04-03 浙江省电力公司电力科学研究院 一种pcb板识别方法、装置及系统
CN103926554A (zh) * 2014-05-07 2014-07-16 国家电网公司 智能电能表外观标识一致性检测装置及其方法

Also Published As

Publication number Publication date
CN105184793A (zh) 2015-12-23

Similar Documents

Publication Publication Date Title
CN105184793B (zh) 一种电能表样品外观及pcb板元件检测方法
CN1318839C (zh) 印刷电路板上瑕疵组件的自动光学检测方法
CN109429473A (zh) 电路板中带极性电子元器件的自动检查方法及装置
CN112053318A (zh) 基于深度学习的二维pcb缺陷实时自动检测与分类装置
CN109253702A (zh) 一种pcb钻孔快速检修方法及设备
KR20180106856A (ko) 자동 광학 검사 시스템 및 그 동작 방법
CN104730078A (zh) 一种基于红外热像仪aoi的电路板检测方法
CN107886131A (zh) 一种基于卷积神经网络检测电路板元器件极性方法和装置
CN110455815A (zh) 一种电子元器件外观缺陷检测的方法及系统
CN110517265A (zh) 一种产品表面缺陷的检测方法、装置及存储介质
CN112599438B (zh) MiniLED晶圆缺陷的高精度检测系统及其检测方法
CN102854195B (zh) 彩色滤光片上缺陷坐标的检测方法
CN115420744A (zh) 一种基于图像识别的印制板缺陷检测系统及其方法
CN114820439A (zh) 基于aoi的pcb裸板缺陷的检测系统及方法
CN104103543B (zh) 晶圆缺陷尺寸校正方法
CN115170497A (zh) 一种基于ai视觉检测技术的pcba在线检测平台
CN109712115A (zh) 一种pcb板自动检测方法及系统
CN102856214A (zh) 电路板置件方法
CN110738170B (zh) 一种用于电表终端故障识别的图像识别方法
CN116067671B (zh) 一种用于测试车辆漆面质量的方法、系统及介质
CN112763496A (zh) 一种手机电池表面缺陷检测装置及其检测方法
CN115372793B (zh) 一种用于集成电路的电路检测方法
CN111310402A (zh) 一种基于面面平行的印刷电路板裸板缺陷检测方法
CN116309325A (zh) 一种基于深度学习的贴片检测方法及系统
CN212133566U (zh) 键盘组件侧面结构检测装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant