CN105588840A - 一种电子元件定位方法及装置 - Google Patents

一种电子元件定位方法及装置 Download PDF

Info

Publication number
CN105588840A
CN105588840A CN201510890921.4A CN201510890921A CN105588840A CN 105588840 A CN105588840 A CN 105588840A CN 201510890921 A CN201510890921 A CN 201510890921A CN 105588840 A CN105588840 A CN 105588840A
Authority
CN
China
Prior art keywords
subimage
electronic component
image
detected
circuit board
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
Application number
CN201510890921.4A
Other languages
English (en)
Other versions
CN105588840B (zh
Inventor
雷延强
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.)
Guangzhou Shiyuan Electronics Thecnology Co Ltd
Original Assignee
Guangzhou Shiyuan Electronics Thecnology 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 Guangzhou Shiyuan Electronics Thecnology Co Ltd filed Critical Guangzhou Shiyuan Electronics Thecnology Co Ltd
Priority to CN201510890921.4A priority Critical patent/CN105588840B/zh
Publication of CN105588840A publication Critical patent/CN105588840A/zh
Priority to PCT/CN2016/096896 priority patent/WO2017092427A1/zh
Application granted granted Critical
Publication of CN105588840B publication Critical patent/CN105588840B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种电子元件定位方法，包括如下步骤：基于预设尺寸的检测窗截取待检测电路板图像上的子图像；根据已建立好的预定电子元件的检测模型对所述子图像进行检测；其中，所述预定电子元件的检测模型通过对正样本图片及负样本图片进行训练获得，所述正样本图片为包含有所述预定电子元件的图片，所述负样本图片为不包含有所述预定电子元件的图片；当确定所述子图像为所述预定电子元件的图像时，将所述子图像标记为目标子图像，并记录所述目标子图像在所述待检测电路板图像上的位置信息。本发明还公开了一种电子元件定位装置，可快速准确的在待检测电路板图像上定位出预定电子元件。

Description

一种电子元件定位方法及装置
技术领域
本发明涉及自动光学检测领域，尤其涉及一种电子元件的定位方法及装置。
背景技术
自动光学检测是指利用光学成像的方式取得成品的表面状态，并通过影像处理来检测成品的表面是否存在异物或表面瑕疵。目前，自动光学检测被广泛应用于电路板的质量检测。检测时，相关的检测装置通过摄像头自动扫描电路板获取图像，提取每个电子元件的局部图像，并通过图像处理技术，判断电路板上的电子元件是否存在错插、漏插或反插等缺陷，最后将疑似缺陷的电子元件显示或标记出来，方便查看与检修。
在检测电子元件缺陷之前，需先制作电路板的标准版式，特别地，需要标记电路板上每个电子元件的位置。现有的方案主要有两种：一是根据电路板的设计文件导出电子元件的位置信息；二是采用人工操作的方法在电路板上设置每个电子元件的位置。但是第一个方案需要使用到电路板的设计文件，保密性不好，并且有时候无法获取到设计文件；而第二个方案在电子元件数目较多时，不仅耗时，而且容易出现漏设电子元件的现象，无法满足使用需求。
发明内容
针对上述问题，本发明的目的在于提供一种电子元件定位方法及装置，其可快速、准确的在电路板的图像上定位出电子元件的位置。
本发明提供了一种电子元件定位方法，包括如下步骤：
基于预设尺寸的检测窗截取待检测电路板图像上的子图像；
根据已建立好的预定电子元件的检测模型对所述子图像进行检测；其中，所述预定电子元件的检测模型通过对正样本图片及负样本图片进行训练获得，所述正样本图片为包含有所述预定电子元件的图片，所述负样本图片为不包含有所述预定电子元件的图片；
当确定所述子图像为所述预定电子元件的图像时，将所述子图像标记为目标子图像，并记录所述目标子图像在所述待检测电路板图像上的位置信息。
作为上述方案的改进，在所述根据已建立好的预定电子元件的检测模型对所述子图像进行检测之前，还包括：
采集待检测的预定电子元件的正样本图像和负样本图片；
利用adaboost级联分类器算法对N个训练样本学习得到第一个弱分类器，将被第一个弱分类器判定为正样本图片的训练样本和其他的新的训练样本一起构成一个新的N个训练样本，通过adaboost级联分类器算法对这N个训练样本学习得到第二个弱分类器；所述训练样本包括正样本图片和负样本图片，N为大于1的整数；
将通过连续迭代获得的至少两个弱分类器级联组成预定电子元件的检测模型。
作为上述方案的改进，所述正样本图片的尺寸为归一化后的尺寸，且任一所述负样本图片的尺寸不小于所述归一化后的尺寸。
作为上述方案的改进，所述预定电子元件为宽高比一致的电子元件。
作为上述方案的改进，在所述当确定所述子图像为所述预定电子元件的图像时，将所述子图像标记为目标子图像，并记录所述目标子图像在所述待检测电路板图像上的位置信息之后，还包括：
对所述目标子图像添加标示信息；
根据所述目标子图像的位置信息将所述标示信息标示在所述待检测电路板图像上。
作为上述方案的改进，在所述当确定所述子图像为所述预定电子元件的图像时，将所述子图像标记为目标子图像，并记录所述目标子图像在所述待检测电路板图像上的位置信息之后，还包括：
对基于不同尺寸的检测窗检测到的目标子图像添加不同的标示信息；
根据所述目标子图像的位置信息将所述标示信息标示在所述待检测电路板图像上。
本发明还提供一种电子元件定位装置，包括：
图像截取单元，用于基于预设尺寸的检测窗截取待检测电路板图像上的子图像；
检测单元，用于根据预定电子元件的检测模型对所述子图像进行检测；其中，所述预定电子元件的检测模型通过对正样本图片及负样本图片进行训练获得，所述正样本图片为包含有所述预定电子元件的图片，所述负样本图片为不包含有所述预定电子元件的图片；
位置记录单元，用于当确定所述子图像为所述预定电子元件的图像时，将所述子图像标记为目标子图像，并记录所述目标子图像在所述待检测电路板图像上的位置信息。
作为上述方案的改进，所述电子元件定位装置还包括：
采集单元，用于采集待检测的预定电子元件的正样本图像和负样本图片；
训练单元，用于利用adaboost级联分类器算法对N个训练样本学习得到第一个弱分类器，将被第一个弱分类器判定为正样本图片的训练样本和其他的新的训练样本一起构成一个新的N个训练样本，通过adaboost级联分类器算法对这N个训练样本学习得到第二个弱分类器；所述训练样本包括正样本图片和负样本图片，N为大于1的整数；
级联单元，用于将通过连续迭代获得的至少两个弱分类器级联组成预定电子元件的检测模型。
作为上述方案的改进，所述电子元件定位装置还包括：
第一标示信息添加单元，用于对所述目标子图像添加标示信息；
第一标示单元，用于根据所述目标子图像的位置信息将所述标示信息标示在所述待检测电路板图像上。
作为上述方案的改进，所述电子元件定位装置还包括：
第二标示信息添加单元，用于对基于不同尺寸的检测窗检测到的目标子图像添加不同的标示信息；
第二标示单元，用于根据所述目标子图像的位置信息将所述标示信息标示在所述待检测电路板图像上。
本发明实施例提供的电子元件定位方法及装置，基于生成的预定电子元件的检测模型对截取的子图像进行检测，以确定所述子图像是否包含有所述预定电子元件及所述子图像的位置信息，从而在所述待检测电路板图像上快速准确的定位出所需的预定电子元件。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的电子元件定位方法的流程示意图。
图2是本发明实施例提供的待检测电路板的示意图。
图3(a)至图3(d)是本发明实施例提供的正样本图片的示意图。
图4(a)至图4(d)是对图3(a)至图3(d)所示的正样本图片进行归一化后的示意图。
图5(a)至图5(g)是本发明实施例提供的负样本图片的示意图。
图6是本发明实施例提供的预定电子元件的检测模型的检测示意图。
图7是本发明另一实施例提供的电子元件定位方法的流程示意图。
图8是在待检测电路板图像上添加标示信息的示意图。
图9是本发明另一实施例提供的电子元件定位方法的流程示意图。
图10是本发明实施例提供的电子元件定位装置的结构示意图。
图11是本发明另一实施例提供的电子元件定位装置的结构示意图。
图12是本发明另一实施例提供的电子元件定位装置的结构示意图。
图13是本发明另一实施例提供的电子元件定位装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种电子元件定位方法及装置，用于通过自动定位的方式定位出待检测电路板上的预定电子元件，以下分别进行详细描述。
请参阅图1，图1是本发明实施例提供的电子元件定位方法的流程示意图。所述电子元件定位方法可由电子元件定位装置来执行，并至少包括步骤S101至S103，其中：
S101，基于预设尺寸的检测窗截取待检测电路板图像上的子图像。
请一并参阅图2，在本发明实施例中，所述待检测电路板上设置有各种电子元件，如电容、电阻、线圈等。为了从所述待检测电路板上定位出预定电子元件，所述电子元件定位装置先获取所述待检测电路板的图像(即待检测电路板图像)，然后基于预设尺寸的检测窗截取待检测电路板图像上的子图像，其中，所述电子元件定位装置在截取完当前区域的子图像后，会按照预定的方向移动所述检测窗，且每移动一次后会截取一次子图像，每次移动的步长可根据实际的需要进行设置，本发明不做具体限定。
在本发明实施例中，对于待检测电路板比较大的情况，若无法一次性获取所述待检测电路板的完整图像，可采用分批采集图像，再对图像进行拼接来获得。
在本发明实施例中，所述检测窗的尺寸可根据所述预定电子元件的大小进行设定，本发明不做具体限定。
S102，根据已建立好的预定电子元件的检测模型对所述子图像进行检测；其中，所述预定电子元件的检测模型通过对正样本图片及负样本图片进行训练获得，所述正样本图片为包含有所述预定电子元件的图片，所述负样本图片为不包含有所述预定电子元件的图片。
在本发明实施例中，所述电子元件定位装置在截取到所述子图像后，可利用已建立好的预定电子元件的检测模型对所述子图像进行检测，以确定所述子图像中是否包含有所述预定电子元件。
在本发明实施例中，所述预定电子元件的检测模型可通过对正样本图片及负样本图片进行训练获得。
S103，当确定所述子图像为所述预定电子元件的图像时，将所述子图像标记为目标子图像，并记录所述目标子图像在所述待检测电路板图像上的位置信息。
在本发明实施例中，所述电子元件定位装置将所述子图像输入到所述预定电子的检测模型进行检测，若所述子图片通过所述预定电子的检测模型的检测并最终输出，则确定所述子图像为所述预定电子元件，此时，所述电子元件定位装置将所述子图像标记为目标子图像，并记录所述目标子图像在所述待检测电路板图像上的位置信息。
在本发明的一个实施例中，在记录所述目标子图像的位置信息时，所述电子元件定位装置可根据在左右方向上的移动次数和上下方向上的移动次数来获得。例如，假设所述检测窗每次移动一个像素的距离，若所述目标子图像为所述检测窗在上下方向上移动5个像素的距离，在左右方向上移动20个像素的距离后获得的，则可将这个目标子图像的位置信息记录为(20,5)。
综上所述，本发明实施例提供的电子元件定位方法，通过对采集的正样本图片和负样本图像进行训练生成预定电子元件的检测模型，再利用所述预定电子元件的检测模型对截取的子图像进行检测，以确定所述子图像是否包含有所述预定电子元件及包含有所述预定电子元件的目标子图像的位置，从而在所述待检测电路板上定位出所述预定电子元件，本发明实施例具有定位简单、迅速，定位准确率高等优点。
为了进一步说明本发明实施例的技术方案，下面将对本发明的一些优选实施例做进一步说明。
在一个优选实施例中，在步骤S102之前，还包括：
S1021，采集待检测的预定电子元件的正样本图像和负样本图片。
例如，如图3(a)至图3(d)所示，假设所述预定电子元件为电解电容，则所述电子元件定位装置首先收集不同型号的电解电容的图片(正样本图片)，并对这些正样本图片进行归一化后，得到如图4(a)至图4(d)所示的归一化后的正样本图片(即所有正样本图片的尺寸是一致的)。接着，如图5(a)至图5(g)所示，所述电子元件定位装置再收集所述负样本图片，这里，所述负样本图片不要求必须进行归一化，但其尺寸必须不小于归一化后的正样本图片的尺寸。且较佳地，所述负样本图片可选择那些与所述预定电子元件形状类似的电子元件或图案的图片，如此可提高检测的准确率。
S1022，利用adaboost级联分类器算法对N个训练样本学习得到第一个弱分类器，将被第一个弱分类器判定为正样本图片的训练样本和其他的新的训练样本一起构成一个新的N个训练样本，通过adaboost级联分类器算法对这N个训练样本学习得到第二个弱分类器；所述训练样本包括正样本图片和负样本图片，N为大于1的整数。
S1023，将通过连续迭代获得的至少两个弱分类器级联组成预定电子元件的检测模型。
在本发明实施例中，adaboost级联分类器算法是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个强分类器。adaboost级联分类器算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器级联起来，作为最终的强分类器，即所述预定电子元件的检测模型。
如图6所示，在本发明实施例中，当所述电子元件定位装置将所述子图像输入到由至少两个弱分类器级联组成的所述预定电子的检测模型进行检测，所述子图像会依次经过每个弱分类器的检测，若所述子图片通过所有的弱分类器的检测并最终输出，则确定所述子图像为所述预定电子元件，此时，所述电子元件定位装置将所述子图像标记为目标子图像，并记录所述目标子图像在所述待检测电路板图像上的位置信息。
需要说明的是，在本发明实施例中，adaboost级联分类器算法适用于宽高比一致的电子元件，如所述电解电容的底面是一个圆形，因而其外截矩形是正方形，不论电解电容有多大，这个宽高比都是不变的。应当理解的是，针对其它电子元件，若其的长和宽(外截矩形)的比例一致，也适用于本发明实施例的技术方案。
本优选实施例基于adaboost级联分类器算法对采集的正样本图片和负样本图像进行训练生成预定电子元件的检测模型，再利用所述预定电子元件的检测模型对截取的子图像进行检测，以确定所述子图像是否包含有所述预定电子元件及包含有所述预定电子元件的目标子图像的位置，从而在所述待检测电路板上定位出所述预定电子元件，本发明实施例具有定位简单、迅速，定位准确率高等优点。
请一并参阅图7及图8，在一个优选实施例中，在步骤S103之后，还包括：
S104，对所述目标子图像添加标示信息。
S105，根据所述目标子图像的位置信息将所述标示信息标示在所述待检测电路板图像上。
在本优选实施例中，为了可以在所述待检测电路板图像上显示出预定电子元件，所述电子元件定位装置还对所述目标子图像添加标示信息(在所述目标子图像的边缘增加边框)，并根据所述目标子图像的位置将所述标示信息标示在所述待检测电路板图像上，从而在一张待检测电路板的完整图像上显示出所有的标示信息(如图8所示)，方便后续的查看和比对。
需要说明的是，对于具有不同型号的电子元件，由于其尺寸大小也不同，因而可能需要采用不同尺寸的检测窗反复检测才能将所述待检测电路板上的所有预定电子元件检测出来，此时只需改变所述检测窗的尺寸即可，这些方案也在本发明的保护范围之内。
请一并参阅图9，在一个优选实施例中，在步骤S103之后，还包括：
S106，对基于不同尺寸的检测窗检测到的目标子图像添加不同的标示信息。
S107，根据所述目标子图像的位置信息将所述标示信息标示在所述待检测电路板图像上。
如上所述，对于具有不同型号的电子元件，由于其尺寸大小也不同，因而可能需要采用不同尺寸的检测窗来检测，在一些实施例中，有时也需要对这些不同型号的电子元件做进一步的区分。
具体地，在本优选实施例中，所述电子元件定位装置对基于不同尺寸的检测窗检测到的目标子图像添加不同的标示信息，例如，对不同尺寸的目标子图像添加不同颜色的边框来进行区分，然后，再根据所述目标子图像的位置信息将所述标示信息标示在所述待检测电路板图像上。如此，不同型号的预定电子元件被以不同的标示信息标示出来，操作人员可以根据这些标示信息快速分辨出不同型号的预定电子元件，方便了进一步的查看、检测和比对。
请参阅图10，图10是本发明实施例提供的电子元件定位装置的结构示意图。所述电子元件定位装置100包括：
图像截取单元10，用于基于预设尺寸的检测窗截取待检测电路板图像上的子图像。
在本发明实施例中，所述检测窗的尺寸可根据所述预定电子元件的大小进行设定，本发明不做具体限定。
检测单元20，用于根据预定电子元件的检测模型对所述子图像进行检测；其中，所述预定电子元件的检测模型通过对正样本图片及负样本图片进行训练获得，所述正样本图片为包含有所述预定电子元件的图片，所述负样本图片为不包含有所述预定电子元件的图片。
位置记录单元30，用于当确定所述子图像为所述预定电子元件的图像时，将所述子图像标记为目标子图像，并记录所述目标子图像在所述待检测电路板图像上的位置信息。
本发明实施例提供的电子元件定位装置100，所述检测单元20可根据生成的预定电子元件的检测模型对所述图像截取单元10截取的子图像进行检测，以确定所述子图像是否包含有所述预定电子元件，并通过所述位置记录单元30对包含有所述预定电子元件的目标子图像进行位置信息的记录，从而在所述待检测电路板上定位出预定电子元件，本发明实施例具有定位简单、迅速，定位准确率高等优点。
请一并参阅图11，在一个优选实施例中，所述电子元件定位装置100还包括：
采集单元40，用于采集待检测的预定电子元件的正样本图像和负样本图片。
训练单元50，用于利用adaboost级联分类器算法对N个训练样本学习得到第一个弱分类器，将被第一个弱分类器判定为正样本图片的训练样本和其他的新的训练样本一起构成一个新的N个训练样本，通过adaboost级联分类器算法对这N个训练样本学习得到第二个弱分类器；所述训练样本包括正样本图片和负样本图片，N为大于1的整数。
级联单元60，用于将通过连续迭代获得的至少两个弱分类器级联形成预定电子元件的检测模型。
本优选实施例中，所述预定电子元件的检测模型是由adaboost级联分类器算法通过对所述正样本图片和负样本图片训练获得的。
请一并参阅图12，在一个优选实施例中，所述电子元件定位装置100还包括：
第一标示信息添加单元70，用于对所述目标子图像添加标示信息。
第一标示单元80，用于根据所述目标子图像的位置信息将所述标示信息标示在所述待检测电路板图像上。
在本优选实施例中，为了可以在所述待检测电路板图像上显示出预定电子元件，所述第一标示信息添加单元70还对所述目标子图像添加标示信息(在所述目标子图像的边缘增加边框)，所述第一标示单元80根据所述目标子图像的位置将所述标示信息标示在所述待检测电路板图像上，从而在一张待检测电路板的完整图像上显示出所有的标示信息(如图8所示)，方便后续的查看和比对。
请一并参阅图13，在一个优选实施例中，所述电子元件定位装置100还包括：
第二标示信息添加单元90，用于对基于不同尺寸的检测窗检测到的目标子图像添加不同的标示信息。
第二标示单元91，用于根据所述目标子图像的位置信息将所述标示信息标示在所述待检测电路板图像上。
在本优选实施例中，对于具有不同型号的电子元件，由于其尺寸大小也不同，因而可能需要采用不同尺寸的检测窗来检测，有时也需要对这些不同型号的电子元件进行进一步的区分。
具体地，在本优选实施例中，所述第二标示信息添加单元90对基于不同尺寸的检测窗检测到的目标子图像添加不同的标示信息，例如，对不同尺寸的目标子图像添加不同颜色的边框来进行区分，然后，所述第二标示单元91再根据所述目标子图像的位置信息将所述标示信息标示在所述待检测电路板图像上。如此，不同型号的预定电子元件被以不同的标示信息标示出来，操作人员可以根据这些标示信息快速分辨出不同型号的预定电子元件，方便了进一步的查看、检测和比对。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

Claims (10)

1.一种电子元件定位方法，其特征在于，包括如下步骤：
基于预设尺寸的检测窗截取待检测电路板图像上的子图像；
根据已建立好的预定电子元件的检测模型对所述子图像进行检测；其中，所述预定电子元件的检测模型通过对正样本图片及负样本图片进行训练获得，所述正样本图片为包含有所述预定电子元件的图片，所述负样本图片为不包含有所述预定电子元件的图片；
当确定所述子图像为所述预定电子元件的图像时，将所述子图像标记为目标子图像，并记录所述目标子图像在所述待检测电路板图像上的位置信息。
2.根据权利要求1所述的电子元件定位方法，其特征在于，在所述根据已建立好的预定电子元件的检测模型对所述子图像进行检测之前，还包括：
采集待检测的预定电子元件的正样本图像和负样本图片；
利用adaboost级联分类器算法对N个训练样本学习得到第一个弱分类器，将被第一个弱分类器判定为正样本图片的训练样本和其他的新的训练样本一起构成一个新的N个训练样本，通过adaboost级联分类器算法对这N个训练样本学习得到第二个弱分类器；所述训练样本包括正样本图片和负样本图片，N为大于1的整数；
将通过连续迭代获得的至少两个弱分类器级联形成预定电子元件的检测模型。
3.根据权利要求1所述的电子元件定位方法，其特征在于，
所述正样本图片的尺寸为归一化后的尺寸，且任一所述负样本图片的尺寸不小于所述归一化后的尺寸。
4.根据权利要求1所述的电子元件定位方法，其特征在于，所述预定电子元件为宽高比一致的电子元件。
5.根据权利要求1至4任意一项所述的电子元件定位方法，其特征在于，在所述当确定所述子图像上存在所述预定电子元件时，将所述子图像标记为目标子图像，并记录所述目标子图像在所述待检测电路板图像上的位置信息之后，还包括：
对所述目标子图像添加标示信息；
根据所述目标子图像的位置信息将所述标示信息标示在所述待检测电路板图像上。
6.根据权利要求1至4任意一项所述的电子元件定位方法，其特征在于，在所述当确定所述子图像为所述预定电子元件的图像时，将所述子图像标记为目标子图像，并记录所述目标子图像在所述待检测电路板图像上的位置信息之后，还包括：
对基于不同尺寸的检测窗检测到的目标子图像添加不同的标示信息；
根据所述目标子图像的位置信息将所述标示信息标示在所述待检测电路板图像上。
7.一种电子元件定位装置，其特征在于，包括：
图像截取单元，用于基于预设尺寸的检测窗截取待检测电路板图像上的子图像；
检测单元，用于根据预定电子元件的检测模型对所述子图像进行检测；其中，所述预定电子元件的检测模型通过对正样本图片及负样本图片进行训练获得，所述正样本图片为包含有所述预定电子元件的图片，所述负样本图片为不包含有所述预定电子元件的图片；
位置记录单元，用于当确定所述子图像为所述预定电子元件的图像时，将所述子图像标记为目标子图像，并记录所述目标子图像在所述待检测电路板图像上的位置信息。
8.根据权利要求7所述的电子元件定位装置，其特征在于，所述电子元件定位装置还包括：
采集单元，用于采集待检测的预定电子元件的正样本图像和负样本图片；
训练单元，用于利用adaboost级联分类器算法对N个训练样本学习得到第一个弱分类器，将被第一个弱分类器判定为正样本图片的训练样本和其他的新的训练样本一起构成一个新的N个训练样本，通过adaboost级联分类器算法对这N个训练样本学习得到第二个弱分类器；所述训练样本包括正样本图片和负样本图片，N为大于1的整数；
级联单元，用于将通过连续迭代获得的至少两个弱分类器级联形成预定电子元件的检测模型。
9.根据权利要求7或8所述的电子元件定位装置，其特征在于，所述电子元件定位装置还包括：
第一标示信息添加单元，用于对所述目标子图像添加标示信息；
第一标示单元，用于根据所述目标子图像的位置信息将所述标示信息标示在所述待检测电路板图像上。
10.根据权利要求7或8所述的电子元件定位装置，其特征在于，所述电子元件定位装置还包括：
第二标示信息添加单元，用于对基于不同尺寸的检测窗检测到的目标子图像添加不同的标示信息；
第二标示单元，用于根据所述目标子图像的位置信息将所述标示信息标示在所述待检测电路板图像上。
CN201510890921.4A 2015-12-04 2015-12-04 一种电子元件定位方法及装置 Active CN105588840B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201510890921.4A CN105588840B (zh) 2015-12-04 2015-12-04 一种电子元件定位方法及装置
PCT/CN2016/096896 WO2017092427A1 (zh) 2015-12-04 2016-08-26 一种电子元件定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510890921.4A CN105588840B (zh) 2015-12-04 2015-12-04 一种电子元件定位方法及装置

Publications (2)

Publication Number Publication Date
CN105588840A true CN105588840A (zh) 2016-05-18
CN105588840B CN105588840B (zh) 2019-01-25

Family

ID=55928583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510890921.4A Active CN105588840B (zh) 2015-12-04 2015-12-04 一种电子元件定位方法及装置

Country Status (2)

Country Link
CN (1) CN105588840B (zh)
WO (1) WO2017092427A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106803249A (zh) * 2016-12-19 2017-06-06 广州视源电子科技股份有限公司 电子器件在板卡图中的突显方法及系统
WO2017092427A1 (zh) * 2015-12-04 2017-06-08 广州视源电子科技股份有限公司 一种电子元件定位方法及装置
CN108428247A (zh) * 2018-02-27 2018-08-21 广州视源电子科技股份有限公司 焊锡点方向的检测方法和系统
CN108480811A (zh) * 2018-03-30 2018-09-04 四川斐讯信息技术有限公司 一种焊接设备和焊接方法
CN109977783A (zh) * 2019-02-28 2019-07-05 浙江新再灵科技股份有限公司 基于直梯场景婴儿车单独乘梯检测的方法
CN111562488A (zh) * 2020-06-18 2020-08-21 汪向丽 一种线路板维修检测平台
CN111721779A (zh) * 2020-05-27 2020-09-29 联宝(合肥)电子科技有限公司 一种产品重工方法、装置及存储介质
CN111871848A (zh) * 2020-06-23 2020-11-03 安徽信息工程学院 一种基于串口通信控制的机器视觉零件分拣方法和系统
TWI730918B (zh) * 2020-10-29 2021-06-11 技嘉科技股份有限公司 電容器極性狀態判定方法
CN113394141A (zh) * 2021-08-18 2021-09-14 湖南省计量检测研究院 一种芯片结构缺陷的质量评估系统及方法
CN117351485A (zh) * 2023-12-04 2024-01-05 深圳赛陆医疗科技有限公司 基因测序训练数据集的增强方法及装置、设备及存储介质

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861690B (zh) * 2020-07-23 2024-04-26 金蝶软件（中国）有限公司 账务数据核对方法及账务数据核对装置
CN113591965A (zh) * 2021-07-26 2021-11-02 格力电器(南京)有限公司 一种aoi检测图像处理方法、装置、存储介质及计算机设备
CN117058241B (zh) * 2023-10-10 2024-03-29 轩创(广州)网络科技有限公司 一种基于人工智能的电子元件定位方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5436028A (en) * 1992-07-27 1995-07-25 Motorola, Inc. Method and apparatus for selectively applying solder paste to multiple types of printed circuit boards
CN103208008A (zh) * 2013-03-21 2013-07-17 北京工业大学 基于机器视觉的交通视频监控目标检测快速适应方法
CN103743760A (zh) * 2013-10-28 2014-04-23 广州杰赛科技股份有限公司 一种pcb板的线路检测方法
CN103971118A (zh) * 2013-01-25 2014-08-06 北京明日时尚信息技术有限公司 静态图片中葡萄酒瓶的检测方法
CN105069477A (zh) * 2015-08-13 2015-11-18 天津津航技术物理研究所 AdaBoost级联分类器检测图像目标的方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL162650A (en) * 2004-06-21 2014-09-30 Camtek Ltd Incorrect unit mapping system for mapping multiple layers of single board and associated method
KR100668303B1 (ko) * 2004-08-04 2007-01-12 삼성전자주식회사 피부색 및 패턴 매칭을 이용한 얼굴 검출 방법
KR100755800B1 (ko) * 2006-06-21 2007-09-07 한국과학기술원 얼굴색과 에이다부스트를 이용한 얼굴 검출기 및 검출방법
CN102914549B (zh) * 2012-09-10 2015-03-25 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
CN103559501A (zh) * 2013-10-25 2014-02-05 公安部第三研究所 基于图像分析的车辆遮阳板检测方法及装置
CN105588840B (zh) * 2015-12-04 2019-01-25 广州视源电子科技股份有限公司 一种电子元件定位方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5436028A (en) * 1992-07-27 1995-07-25 Motorola, Inc. Method and apparatus for selectively applying solder paste to multiple types of printed circuit boards
CN103971118A (zh) * 2013-01-25 2014-08-06 北京明日时尚信息技术有限公司 静态图片中葡萄酒瓶的检测方法
CN103208008A (zh) * 2013-03-21 2013-07-17 北京工业大学 基于机器视觉的交通视频监控目标检测快速适应方法
CN103743760A (zh) * 2013-10-28 2014-04-23 广州杰赛科技股份有限公司 一种pcb板的线路检测方法
CN105069477A (zh) * 2015-08-13 2015-11-18 天津津航技术物理研究所 AdaBoost级联分类器检测图像目标的方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017092427A1 (zh) * 2015-12-04 2017-06-08 广州视源电子科技股份有限公司 一种电子元件定位方法及装置
CN106803249A (zh) * 2016-12-19 2017-06-06 广州视源电子科技股份有限公司 电子器件在板卡图中的突显方法及系统
CN108428247A (zh) * 2018-02-27 2018-08-21 广州视源电子科技股份有限公司 焊锡点方向的检测方法和系统
CN108480811A (zh) * 2018-03-30 2018-09-04 四川斐讯信息技术有限公司 一种焊接设备和焊接方法
CN109977783A (zh) * 2019-02-28 2019-07-05 浙江新再灵科技股份有限公司 基于直梯场景婴儿车单独乘梯检测的方法
CN111721779A (zh) * 2020-05-27 2020-09-29 联宝(合肥)电子科技有限公司 一种产品重工方法、装置及存储介质
CN111562488A (zh) * 2020-06-18 2020-08-21 汪向丽 一种线路板维修检测平台
CN111871848A (zh) * 2020-06-23 2020-11-03 安徽信息工程学院 一种基于串口通信控制的机器视觉零件分拣方法和系统
TWI730918B (zh) * 2020-10-29 2021-06-11 技嘉科技股份有限公司 電容器極性狀態判定方法
CN113394141A (zh) * 2021-08-18 2021-09-14 湖南省计量检测研究院 一种芯片结构缺陷的质量评估系统及方法
CN117351485A (zh) * 2023-12-04 2024-01-05 深圳赛陆医疗科技有限公司 基因测序训练数据集的增强方法及装置、设备及存储介质
CN117351485B (zh) * 2023-12-04 2024-03-08 深圳赛陆医疗科技有限公司 基因测序训练数据集的增强方法及装置、设备及存储介质

Also Published As

Publication number Publication date
WO2017092427A1 (zh) 2017-06-08
CN105588840B (zh) 2019-01-25

Similar Documents

Publication Publication Date Title
CN105588840A (zh) 一种电子元件定位方法及装置
US11774735B2 (en) System and method for performing automated analysis of air samples
CN112053318B (zh) 基于深度学习的二维pcb缺陷实时自动检测与分类装置
CN109117836A (zh) 一种基于焦点损失函数的自然场景下文字检测定位方法和装置
CN110889823B (zh) 一种SiC缺陷的检测方法和系统
CN101936918B (zh) Bga芯片视觉检测系统的检测方法
CN106097361A (zh) 一种缺陷区域检测方法及装置
CN105184778A (zh) 一种检测方法及装置
CN108830332A (zh) 一种视觉车辆检测方法及系统
CN106127746A (zh) 电路板元件漏件检测方法和系统
KR102168724B1 (ko) 이미지 검사를 이용한 이상 판별 방법 및 장치
CN105190400A (zh) 对血细胞进行成像
CN109462999B (zh) 通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置
CN105426894B (zh) 铁道塞钉图像检测方法及装置
CN111242899B (zh) 基于图像的瑕疵检测方法及计算机可读存储介质
CN102637258A (zh) 一种建立在线表面质量检测系统缺陷库的方法
CN101984453A (zh) 一种人眼识别系统及方法
CN109283182A (zh) 一种电池焊点缺陷的检测方法、装置及系统
CN108507484B (zh) 成捆圆钢多目视觉识别系统及计数方法
CN110817674B (zh) 一种扶梯的缺级检测方法、装置、设备及存储介质
CN113516625A (zh) 光伏组件图像的异常检测方法、装置及设备
CN115205288B (zh) 工业缺陷检测方法和装置
CN108428247A (zh) 焊锡点方向的检测方法和系统
CN105335683A (zh) 对象检测方法和对象检测装置
CN114299049A (zh) 检测方法及装置、电子设备和存储介质

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