CN106204602A - 元件反件检测方法和系统 - Google Patents
元件反件检测方法和系统 Download PDFInfo
- Publication number
- CN106204602A CN106204602A CN201610556307.9A CN201610556307A CN106204602A CN 106204602 A CN106204602 A CN 106204602A CN 201610556307 A CN201610556307 A CN 201610556307A CN 106204602 A CN106204602 A CN 106204602A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- color
- pixel
- polar
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 239000003086 colorant Substances 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 13
- 230000000694 effects Effects 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 3
- 241000222065 Lycoperdon Species 0.000 description 2
- 241000768494 Polymorphum Species 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种元件反件检测方法和系统,其中方法包括以下步骤:获取电路板上待测元件的极性区域图像和极性对称区域图像;其中,极性区域为安装正确时所述待测元件的电极在所述电路板上的区域,极性对称区域为反件时所述电极在电路板上的区域;分别计算所述极性区域图像与预存的极性区域参考图像的第一颜色相似度,以及所述极性对称区域图像与所述极性区域参考图像的第二颜色相似度;若所述第一颜色相似度小于所述第二颜色相似度,判定所述待测元件反件。上述元件反件检测方法和系统无需大量的训练样本,只需要获取元件的极性区域和极性对称区域,操作简单,识别率高,检测效果较好。
Description
技术领域
本发明涉及自动光学检测技术领域,特别是涉及一种元件反件检测方法和系统。
背景技术
AOI(Automatic Optic Inspection,自动光学检测),是利用光学原理对电路板焊接生产中出现的常见缺陷进行检测的设备。对于插件的电路板来说,常见的缺陷检测包括漏件检测、错件检测、反件检测、多件检测等。其中,反件检测是指对二极管、电容、插座等有极性的元件进行检测,判断其在电路板中是否存在反向的现象。
目前,元件的反件检测主要采用智能方法,即利用深度学习的方法对大量样本进行训练,得到分类模型。深度学习是机器学习研究的一个新领域,其目的是模拟人脑的机制来解释数据、发现数据的分布式特征表示。不同的学习框架下建立的学习模型也是不同的。例如,卷积神经网络(Convolutional neural networks,简称CNNs)就是一种深度机器学习模型。
利用卷积神经网络训练的元件极性检测分类器,虽然在元件的极性检测方面达到了比较理想的效果,但是也有其自身无法解决的缺点。首先,利用卷积神经网络训练模型时,为了提高模型的准确率、增强模型的鲁棒性,需要大量的训练样本。但是在实际过程中需要耗费大量的人力、时间采集样本;当采集较多的训练样本后,也需要耗费大量的人力和时间进行数据标注。即使如此,也很难采集到足够多的负样本。另外,利用卷积神经网络训练的元件极性检测模型,对于已知的元件拥有很高的识别率,能够达到很好的检测效果。但是对于未知的元件,即训练样本中不存在的元件,元件极性检测模型的识别率下降,经常会发生误报和漏报。
综上所述,现有的元件极性检测方式检测效果较差。
发明内容
基于此,有必要针对现有的元件极性检测方式检测效果较差的问题,提供一种元件反件检测方法和系统。
一种元件反件检测方法,包括以下步骤:
获取电路板上待测元件的极性区域图像和极性对称区域图像;其中,极性区域为安装正确时所述待测元件的电极在所述电路板上的区域,极性对称区域为反件时所述电极在电路板上的区域;
分别计算所述极性区域图像与预存的极性区域参考图像的第一颜色相似度,以及所述极性对称区域图像与所述极性区域参考图像的第二颜色相似度;
若所述第一颜色相似度小于所述第二颜色相似度,判定所述待测元件反件。
一种元件反件检测系统,包括:
获取模块,用于获取电路板上待测元件的极性区域图像和极性对称区域图像;其中,极性区域为安装正确时所述待测元件的电极在所述电路板上的区域,极性对称区域为反件时所述电极在电路板上的区域;
计算模块,用于分别计算所述极性区域图像与预存的极性区域参考图像的第一颜色相似度,以及所述极性对称区域图像与所述极性区域参考图像的第二颜色相似度;
判断模块,用于若所述第一颜色相似度小于所述第二颜色相似度,判定所述待测元件反件。
上述元件反件检测方法和系统,通过计算待测元件的极性区域图像与极性区域参考图像的第一颜色相似度,计算待测元件的极性对称区域图像与所述极性区域参考图像的第二颜色相似度,当所述第一颜色相似度小于所述第二颜色相似度时,表明待测元件的极性对称区域图像与极性区域参考图像之间的差异较小,而待测元件的极性区域图像与极性区域参考图像之间的差异较大,从而判定元件反件。上述元件反件检测方法和系统无需大量的训练样本,只需要获取元件的极性区域和极性对称区域,操作简单,识别率高,检测效果较好。
附图说明
图1为一个实施例的元件反件检测方法的流程图;
图2为极性区域与极性对称区域的示意图;
图3为模板匹配方法的示意图;
图4为HSV颜色空间示意图;
图5为一个实施例的元件反件检测系统的结构示意图。
具体实施方式
下面结合附图对本发明的元件反件检测方法和系统的实施例进行说明。
图1为一个实施例的元件反件检测方法的流程图。如图1所示,所述元件反件检测方法可包括以下步骤:
S1,获取电路板上待测元件的极性区域图像和极性对称区域图像;其中,极性区域为安装正确时所述待测元件的电极在所述电路板上的区域,极性对称区域为反件时所述电极在电路板上的区域;
本发明所述的极性区域和极性对称区域的示意图如图2所示。
可以先获取所述电路板的图像,再从所述电路板的图像中定位极性区域和极性对称区域,并从所述电路板的图像中分别截取所述极性区域和极性对称区域对应的图像,设为极性区域图像和极性对称区域图像。
在一个实施例中,可以通过模板匹配的方法获取所述极性区域图像。模板匹配方法如图3所示。具体地,可以从所述电路板的图像中选取与所述极性区域参考图像相匹配的第一图像区域;根据所述第一图像区域与所述极性区域参考图像中各个像素点的像素值,计算所述图像区域与所述极性区域参考图像的第一像素相似度;并将第一像素相似度大于或等于预设的第一像素相似度阈值的第一图像区域设为所述极性区域图像。所述极性区域参考图像可以预先存储在系统的存储区域中,并在获取所述极性区域图像时从所述存储区域中调用。
若所述第一像素相似度小于预设的第一像素相似度阈值,可以将所述电路板的图像中与所述第一图像区域相邻的区域设为所述第一图像区域,并重复计算所述第一图像区域与所述极性区域参考图像的第一像素相似度的步骤。其中,与所述第一图像区域相邻的区域是在所述电路板的图像中将所述第一图像区域向x轴和y轴分别移动若干个像素点所得的区域。在上述步骤中,每次移动的像素点可以是一个像素点,也可以是多个像素点,移动的距离可以根据实际需要设定。
类似地,也可以通过模板匹配的方法获取所述极性对称区域图像。具体地,可以从所述电路板的图像中选取与所述极性对称区域参考图像相匹配的第二图像区域;根据所述第二图像区域与所述极性对称区域参考图像中各个像素点的像素值,计算所述图像区域与所述极性对称区域参考图像的第二像素相似度;并将第二像素相似度大于或等于预设的第二像素相似度阈值的第二图像区域设为所述极性对称区域图像。所述极性对称区域参考图像可以预先存储在系统的存储区域中,并在获取所述极性区域图像时从所述存储区域中调用。
若所述第二像素相似度小于预设的第二像素相似度阈值,可以将所述电路板的图像中与所述第二图像区域相邻的区域设为所述第二图像区域,并重复计算所述第二图像区域与所述极性区域参考图像的第二像素相似度的步骤。其中,与所述第二图像区域相邻的区域是在所述电路板的图像中将所述第二图像区域向x轴和y轴分别移动若干个像素点所得的区域。在上述步骤中,每次移动的像素点可以是一个像素点,也可以是多个像素点,移动的距离可以根据实际需要设定。
还可以根据其他方式获取所述极性区域图像与所述极性对称区域图像。
在上述获取所述极性区域图像与所述极性对称区域图像的实施例中,可以根据如下公式计算所述第一像素相似度和第二像素相似度:
式中,R(x,y)是所述图像区域与所述极性区域参考图像中坐标为(x,y)的像素点的像素相似度,T(x,y)为所述极性区域参考图像中坐标为(x,y)的像素点的像素值,I(x,y)为所述图像区域中坐标为(x,y)的像素点的像素值。
所述第一像素相似度阈值可以根据实际需要来设定。例如,可以设为0.8,或者设为0.9,或设为其他数值。所述第一像素相似度阈值越大,图像获取的精确度越高。
S2,分别计算所述极性区域图像与预存的极性区域参考图像的第一颜色相似度,以及所述极性对称区域图像与所述极性区域参考图像的第二颜色相似度;
当待测元件的极性区域和极性对称区域具有鲜明的颜色差别时,可以根据颜色相似度来检测元件是否反件。为了更直观地比较待测元件的图像与参考图像,可以比较测元件的图像与参考图像的颜色直方图。
在比较之前,还可以先将待测元件的图像转换到HSV颜色空间。HSV颜色空间示意图如图4所示。在图像处理中,最常用的颜色空间是RGB模型,常用于颜色显示和图像处理等。而HSV模型,是一种针对用户观感的颜色模型,侧重于色彩的表示。其中,R、G、B分别指红、绿、蓝三种颜色;H指色相,取值范围为0~360度,用来表示颜色的类别,如红色是0度绿色是120度、蓝色是240度;S指饱和度,取值范围为0%~100%,用来表示颜色的鲜艳程度,如灰色的饱和度为0%,大红(255,0,0)的饱和度为100%;V指亮度,取值范围是0%~100%,用来表示颜色的明暗程度,如黑色的亮度为0%,白色的亮度为100%。相对于RGB空间,HSV空间能够非常直观地表达色彩的明暗、色调和鲜艳程度。
可根据如下公式将所述极性区域图像的像素值转换到HSV颜色空间:
其中,max=max(R,G,B);
min=min(R,G,B);
V=max;
S=(max-min)/max;
R、G和B为RGB空间的颜色分量。
例如,在计算所述极性区域图像与预存的极性区域参考图像的第一颜色相似度时,可以获取所述极性区域图像的第一颜色直方图,根据所述第一颜色直方图中各组分量的像素点的数量与所述极性区域参考图像的第二颜色直方图中相应分量的像素点的数量,计算所述第一颜色相似度。
类似地,在计算所述极性对称区域图像与所述极性区域参考图像的第二颜色相似度时,可以获取所述极性对称区域图像的第三颜色直方图,根据所述第三颜色直方图中各组分量的像素点的数量与所述第二颜色直方图中相应分量的像素点的数量,计算所述第二颜色相似度。
其中,所述颜色直方图可以是H-S通道的颜色直方图。
在一个实施例中,可根据如下公式计算所述第一颜色相似度:
式中,d1为第一颜色相似度,H1(I)为第一颜色直方图中第I组分量的像素点的数量,为第一颜色直方图中各组分量的像素点的平均数量,H1'(I)为第二颜色直方图中第I组分量的像素点的数量,为第二颜色直方图中各组分量的像素点的平均数量;
类似地,可根据如下公式计算所述第二颜色相似度:
式中,d2为第二颜色相似度,H2(I)为第三颜色直方图中第I组分量的像素点的数量,为第三颜色直方图中各组分量的像素点的平均数量。
在其他实施例中,还可以根据其他方式计算颜色相似度。例如,可采用Chi-Square(卡方检验)方式。以计算第一颜色相似度为例,可根据如下公式计算第一颜色相似度:
还可以根据Intersection算法计算颜色相似度。具体地,可以根据如下公式计算第一颜色相似度:
还可以根据Bhattacharyya(巴氏距离)计算颜色相似度。具体地,可以根据如下公式计算第一颜色相似度:
其中,N为直方图bin的数目。
计算第二颜色相似度的方式类似,此处不再赘述。
S3,若所述第一颜色相似度小于所述第二颜色相似度,判定所述待测元件反件。
在一个实施例中,元件由于某种原因会出现脏污,即元件的非极性区域可能会出现与极性区域相似的颜色,为了保证正确率,还可以分别计算所述极性区域图像与预存的极性对称区域参考图像的第三颜色相似度,以及所述极性对称区域图像与预存的极性对称区域参考图像的第四颜色相似度;若所述第一颜色相似度小于所述第二颜色相似度,且所述第三颜色相似度大于所述第四颜色相似度,判定所述待测元件反件。
计算第三颜色相似度和第四颜色相似度的方式可与上述计算第一颜色相似度和第二颜色相似度的方式类似,此处不再赘述。
本发明的元件反件检测方法具有以下优点:
(1)无需大量的训练样本,也无需耗费大量的人力和时间进行数据标注,只需要获取元件的极性区域和极性对称区域,简单有效,降低了人力成本,检测效率高;
(2)采用颜色直方图,能够直观地检测出元件是否反件,识别率高,检测效果较好。
(3)可以实现元件极性的自动检测,进一步降低了人力成本,提高了检测效率。
(4)通过将待测元件的极性区域图像和极性对称区域与极性区域的参考图像进行比较,同时将待测元件的极性区域图像和极性对称区域与极性对称区域的参考图像进行比较,进一步提高了识别率,降低了误报和漏报的概率。
与所述元件反件检测方法相对应地,本发明还提供一种元件反件检测系统,如图2所示,所述元件反件检测系统可包括:
获取模块10,用于获取电路板上待测元件的极性区域图像和极性对称区域图像;其中,极性区域为安装正确时所述待测元件的电极在所述电路板上的区域,极性对称区域为反件时所述电极在电路板上的区域;
本发明所述的极性区域和极性对称区域的示意图如图2所示。
可以先获取所述电路板的图像,再从所述电路板的图像中定位极性区域和极性对称区域,并从所述电路板的图像中分别截取所述极性区域和极性对称区域对应的图像,设为极性区域图像和极性对称区域图像。
在一个实施例中,可以通过模板匹配的方法获取所述极性区域图像。模板匹配方法如图3所示。具体地,可以从所述电路板的图像中选取与所述极性区域参考图像相匹配的第一图像区域;根据所述第一图像区域与所述极性区域参考图像中各个像素点的像素值,计算所述图像区域与所述极性区域参考图像的第一像素相似度;并将第一像素相似度大于或等于预设的第一像素相似度阈值的第一图像区域设为所述极性区域图像。所述极性区域参考图像可以预先存储在系统的存储区域中,并在获取所述极性区域图像时从所述存储区域中调用。
若所述第一像素相似度小于预设的第一像素相似度阈值,可以将所述电路板的图像中与所述第一图像区域相邻的区域设为所述第一图像区域,并重复计算所述第一图像区域与所述极性区域参考图像的第一像素相似度的步骤。其中,与所述第一图像区域相邻的区域是在所述电路板的图像中将所述第一图像区域向x轴和y轴分别移动若干个像素点所得的区域。其中,每次移动的像素点可以是一个像素点,也可以是多个像素点,移动的距离可以根据实际需要设定。
类似地,也可以通过模板匹配的方法获取所述极性对称区域图像。具体地,可以从所述电路板的图像中选取与所述极性对称区域参考图像相匹配的第二图像区域;根据所述第二图像区域与所述极性对称区域参考图像中各个像素点的像素值,计算所述图像区域与所述极性对称区域参考图像的第二像素相似度;并将第二像素相似度大于或等于预设的第二像素相似度阈值的第二图像区域设为所述极性对称区域图像。所述极性对称区域参考图像可以预先存储在系统的存储区域中,并在获取所述极性区域图像时从所述存储区域中调用。
若所述第二像素相似度小于预设的第二像素相似度阈值,可以将所述电路板的图像中与所述第二图像区域相邻的区域设为所述第二图像区域,并重复计算所述第二图像区域与所述极性区域参考图像的第二像素相似度的步骤。其中,与所述第二图像区域相邻的区域是在所述电路板的图像中将所述第二图像区域向x轴和y轴分别移动若干个像素点所得的区域。其中,每次移动的像素点可以是一个像素点,也可以是多个像素点,移动的距离可以根据实际需要设定。
还可以根据其他方式获取所述极性区域图像与所述极性对称区域图像。
在上述获取所述极性区域图像与所述极性对称区域图像的实施例中,可以根据如下公式计算所述第一像素相似度和第二像素相似度:
式中,R(x,y)是所述图像区域与所述极性区域参考图像中坐标为(x,y)的像素点的像素相似度,T(x,y)为所述极性区域参考图像中坐标为(x,y)的像素点的像素值,I(x,y)为所述图像区域中坐标为(x,y)的像素点的像素值。
所述第一像素相似度阈值可以根据实际需要来设定。例如,可以设为0.8,或者设为0.9,或设为其他数值。所述第一像素相似度阈值越大,图像获取的精确度越高。
计算模块20,用于分别计算所述极性区域图像与预存的极性区域参考图像的第一颜色相似度,以及所述极性对称区域图像与所述极性区域参考图像的第二颜色相似度;
当待测元件的极性区域和极性对称区域具有鲜明的颜色差别时,可以根据颜色相似度来检测元件是否反件。为了更直观地比较待测元件的图像与参考图像,可以比较测元件的图像与参考图像的颜色直方图。
在比较之前,还可以先将待测元件的图像转换到HSV颜色空间。HSV颜色空间示意图如图4所示。在图像处理中,最常用的颜色空间是RGB模型,常用于颜色显示和图像处理等。而HSV模型,是一种针对用户观感的颜色模型,侧重于色彩的表示。其中,R、G、B分别指红、绿、蓝三种颜色;H指色相,取值范围为0~360度,用来表示颜色的类别,如红色是0度绿色是120度、蓝色是240度;S指饱和度,取值范围为0%~100%,用来表示颜色的鲜艳程度,如灰色的饱和度为0%,大红(255,0,0)的饱和度为100%;V指亮度,取值范围是0%~100%,用来表示颜色的明暗程度,如黑色的亮度为0%,白色的亮度为100%。相对于RGB空间,HSV空间能够非常直观地表达色彩的明暗、色调和鲜艳程度。
可根据如下公式将所述极性区域图像的像素值转换到HSV颜色空间:
其中,max=max(R,G,B);
min=min(R,G,B);
V=max;
S=(max-min)/max;
R、G和B为RGB空间的颜色分量。
例如,在计算所述极性区域图像与预存的极性区域参考图像的第一颜色相似度时,可以获取所述极性区域图像的第一颜色直方图,根据所述第一颜色直方图中各组分量的像素点的数量与所述极性区域参考图像的第二颜色直方图中相应分量的像素点的数量,计算所述第一颜色相似度。
类似地,在计算所述极性对称区域图像与所述极性区域参考图像的第二颜色相似度时,可以获取所述极性对称区域图像的第三颜色直方图,根据所述第三颜色直方图中各组分量的像素点的数量与所述第二颜色直方图中相应分量的像素点的数量,计算所述第二颜色相似度。
其中,所述颜色直方图可以是H-S通道的颜色直方图。
在一个实施例中,可根据如下公式计算所述第一颜色相似度:
式中,d1为第一颜色相似度,H1(I)为第一颜色直方图中第I组分量的像素点的数量,为第一颜色直方图中各组分量的像素点的平均数量,H1'(I)为第二颜色直方图中第I组分量的像素点的数量,为第二颜色直方图中各组分量的像素点的平均数量;
类似地,可根据如下公式计算所述第二颜色相似度:
式中,d2为第二颜色相似度,H2(I)为第三颜色直方图中第I组分量的像素点的数量,为第三颜色直方图中各组分量的像素点的平均数量。
在其他实施例中,还可以根据其他方式计算颜色相似度。例如,可采用Chi-Square(卡方检验)方式。以计算第一颜色相似度为例,可根据如下公式计算第一颜色相似度:
还可以根据Intersection算法计算颜色相似度。具体地,可以根据如下公式计算第一颜色相似度:
还可以根据Bhattacharyya(巴氏距离)计算颜色相似度。具体地,可以根据如下公式计算第一颜色相似度:
式中,N为直方图bin的数目。
计算第二颜色相似度的方式类似,此处不再赘述。
判断模块30,用于若所述第一颜色相似度小于所述第二颜色相似度,判定所述待测元件反件。
在一个实施例中,元件由于某种原因会出现脏污,即元件的非极性区域可能会出现与极性区域相似的颜色,为了保证正确率,还可以分别计算所述极性区域图像与预存的极性对称区域参考图像的第三颜色相似度,以及所述极性对称区域图像与预存的极性对称区域参考图像的第四颜色相似度;若所述第一颜色相似度小于所述第二颜色相似度,且所述第三颜色相似度大于所述第四颜色相似度,判定所述待测元件反件。
本发明的元件反件检测系统具有以下优点:
(1)无需大量的训练样本,也无需耗费大量的人力和时间进行数据标注,只需要获取元件的极性区域和极性对称区域,简单有效,降低了人力成本,检测效率高;
(2)采用颜色直方图,能够直观地检测出元件是否反件,识别率高,检测效果较好。
(3)可以实现元件极性的自动检测,进一步降低了人力成本,提高了检测效率。
(4)通过将待测元件的极性区域图像和极性对称区域与极性区域的参考图像进行比较,同时将待测元件的极性区域图像和极性对称区域与极性对称区域的参考图像进行比较,进一步提高了识别率,降低了误报和漏报的概率。
本发明的元件反件检测系统与本发明的元件反件检测方法一一对应,在上述元件反件检测方法的实施例阐述的技术特征及其有益效果均适用于元件反件检测系统的实施例中,特此声明。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种元件反件检测方法,其特征在于,包括以下步骤:
获取电路板上待测元件的极性区域图像和极性对称区域图像;其中,极性区域为安装正确时所述待测元件的电极在所述电路板上的区域,极性对称区域为反件时所述电极在电路板上的区域;
分别计算所述极性区域图像与预存的极性区域参考图像的第一颜色相似度,以及所述极性对称区域图像与所述极性区域参考图像的第二颜色相似度;
若所述第一颜色相似度小于所述第二颜色相似度,判定所述待测元件反件。
2.根据权利要求1所述的元件反件检测方法,其特征在于,获取元件的极性区域图像的步骤包括:
从所述电路板的图像中选取与所述极性区域参考图像相匹配的图像区域;
根据所述图像区域与所述极性区域参考图像中各个像素点的像素值,计算所述图像区域与所述极性区域参考图像的像素相似度;
将像素相似度大于或等于预设的像素相似度阈值的图像区域设为所述极性区域图像。
3.根据权利要求2所述的元件反件检测方法,其特征在于,在计算所述图像区域与所述极性区域参考图像的像素相似度之后,还包括以下步骤:
若所述像素相似度小于预设的像素相似度阈值,将所述电路板的图像中与所述图像区域相邻的区域设为所述图像区域;
重复计算所述图像区域与所述极性区域参考图像的像素相似度的步骤;
其中,与所述图像区域相邻的区域是在所述电路板的图像中将所述图像区域向x轴和y轴分别移动若干个像素点所得的区域。
4.根据权利要求2所述的元件反件检测方法,其特征在于,计算所述图像区域与所述极性区域参考图像的像素相似度的步骤包括:
根据如下公式计算所述像素相似度:
式中,R(x,y)是所述图像区域与所述极性区域参考图像中坐标为(x,y)的像素点的像素相似度,T(x,y)为所述极性区域参考图像中坐标为(x,y)的像素点的像素值,I(x,y)为所述图像区域中坐标为(x,y)的像素点的像素值。
5.根据权利要求1所述的元件反件检测方法,其特征在于,计算所述极性区域图像与预存的极性区域参考图像的第一颜色相似度的步骤包括:
获取所述极性区域图像的第一颜色直方图;
根据所述第一颜色直方图中各组分量的像素点的数量与所述极性区域参考图像的第二颜色直方图中相应分量的像素点的数量,计算所述第一颜色相似度;
计算所述极性对称区域图像与所述极性区域参考图像的第二颜色相似度的步骤包括:
获取所述极性对称区域图像的第三颜色直方图;
根据所述第三颜色直方图中各组分量的像素点的数量与所述第二颜色直方图中相应分量的像素点的数量,计算所述第二颜色相似度。
6.根据权利要求5所述的元件反件检测方法,其特征在于,根据所述第一颜色参数和第二颜色参数计算所述第一颜色相似度的步骤包括:
根据如下公式计算所述第一颜色相似度:
式中,d1为第一颜色相似度,H1(I)为第一颜色直方图中第I组分量的像素点的数量,为第一颜色直方图中各组分量的像素点的平均数量,H1'(I)为第二颜色直方图中第I组分量的像素点的数量,为第二颜色直方图中各组分量的像素点的平均数量;
根据所述第三颜色参数和第二颜色参数计算所述第二颜色相似度的步骤包括:
根据如下公式计算所述第二颜色相似度:
式中,d2为第二颜色相似度,H2(I)为第三颜色直方图中第I组分量的像素点的数量,为第三颜色直方图中各组分量的像素点的平均数量。
7.根据权利要求1所述的元件反件检测方法,其特征在于,在计算所述极性区域图像与所述极性区域参考图像的第一颜色相似度之前,还包括以下步骤:
将所述极性区域图像的像素值转换到HSV颜色空间。
8.根据权利要求7所述的元件反件检测方法,其特征在于,将所述极性区域图像的像素值转换到HSV颜色空间的步骤包括:
根据如下公式将所述极性区域图像的像素值转换到HSV颜色空间:
其中,max=max(R,G,B);
min=min(R,G,B);
V=max;
S=(max-min)/max;
H=H+360,ifH<0
0≤V≤1,0≤S≤1,0≤H≤360;
R、G和B为RGB空间的颜色分量。
9.根据权利要求1所述的元件反件检测方法,其特征在于,判定所述待测元件反件前,还包括以下步骤:
分别计算所述极性区域图像与预存的极性对称区域参考图像的第三颜色相似度,以及所述极性对称区域图像与预存的极性对称区域参考图像的第四颜色相似度;
若所述第一颜色相似度小于所述第二颜色相似度,且所述第三颜色相似度大于所述第四颜色相似度,判定所述待测元件反件。
10.一种元件反件检测系统,其特征在于,包括:
获取模块,用于获取电路板上待测元件的极性区域图像和极性对称区域图像;其中,极性区域为安装正确时所述待测元件的电极在所述电路板上的区域,极性对称区域为反件时所述电极在电路板上的区域;
计算模块,用于分别计算所述极性区域图像与预存的极性区域参考图像的第一颜色相似度,以及所述极性对称区域图像与所述极性区域参考图像的第二颜色相似度;
判断模块,用于若所述第一颜色相似度小于所述第二颜色相似度,判定所述待测元件反件。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610556307.9A CN106204602B (zh) | 2016-07-13 | 2016-07-13 | 元件反件检测方法和系统 |
PCT/CN2016/113129 WO2018010386A1 (zh) | 2016-07-13 | 2016-12-29 | 元件反件检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610556307.9A CN106204602B (zh) | 2016-07-13 | 2016-07-13 | 元件反件检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106204602A true CN106204602A (zh) | 2016-12-07 |
CN106204602B CN106204602B (zh) | 2019-02-01 |
Family
ID=57475884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610556307.9A Active CN106204602B (zh) | 2016-07-13 | 2016-07-13 | 元件反件检测方法和系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN106204602B (zh) |
WO (1) | WO2018010386A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180424A (zh) * | 2017-04-24 | 2017-09-19 | 睿视智觉(厦门)软件开发有限公司 | 一种电容计数设备及方法 |
WO2018010386A1 (zh) * | 2016-07-13 | 2018-01-18 | 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 |
WO2019075920A1 (zh) * | 2017-10-19 | 2019-04-25 | 上海望友信息科技有限公司 | 元器件极性检测方法、系统、计算机可读存储介质及设备 |
CN109858441A (zh) * | 2019-01-30 | 2019-06-07 | 广州轨道交通建设监理有限公司 | 一种用于施工现场的异常状态监测方法与装置 |
CN109903275A (zh) * | 2019-02-13 | 2019-06-18 | 湖北工业大学 | 一种基于自适应多尺度滤波和直方图对比的酒醅发霉区域检测方法 |
CN112767396A (zh) * | 2021-04-07 | 2021-05-07 | 深圳中科飞测科技股份有限公司 | 缺陷的检测方法、装置和计算机可读存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012088A (zh) * | 2019-12-03 | 2021-06-22 | 浙江大搜车软件技术有限公司 | 一种电路板故障检测及孪生网络的训练方法、装置和设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4434221A (en) * | 1981-07-03 | 1984-02-28 | Minolta Camera Kabushiki Kaisha | Toner concentration detection by measuring current created by transfer of carrier component to non-image areas of image support surface |
CN1504742A (zh) * | 2002-11-28 | 2004-06-16 | 威光机械工程股份有限公司 | 印刷电路板上瑕疵组件的自动光学检测系统 |
CN101915769A (zh) * | 2010-06-29 | 2010-12-15 | 华南理工大学 | 一种印刷电路板中带电阻元件的自动光学检测方法 |
CN102831381A (zh) * | 2011-06-15 | 2012-12-19 | 鸿富锦精密工业(深圳)有限公司 | 影像差异比较系统及方法 |
CN103675588A (zh) * | 2013-11-20 | 2014-03-26 | 中国矿业大学 | 印刷电路元件极性的机器视觉检测方法及设备 |
CN105139399A (zh) * | 2015-08-25 | 2015-12-09 | 广州视源电子科技股份有限公司 | 一种二极管极性检测方法及装置 |
CN105184778A (zh) * | 2015-08-25 | 2015-12-23 | 广州视源电子科技股份有限公司 | 一种检测方法及装置 |
CN105260740A (zh) * | 2015-09-23 | 2016-01-20 | 广州视源电子科技股份有限公司 | 一种元件识别方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7324685B2 (en) * | 2003-10-20 | 2008-01-29 | Hewlett-Packard Development Company, L.P. | Inspection systems and methods |
CN102479321B (zh) * | 2010-11-26 | 2016-10-26 | 罗普特(厦门)科技集团有限公司 | 差异影像自动识别系统及方法 |
CN104459421B (zh) * | 2014-12-30 | 2017-07-11 | 广州视源电子科技股份有限公司 | 一种二极管极性检测方法与系统 |
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 |
-
2016
- 2016-07-13 CN CN201610556307.9A patent/CN106204602B/zh active Active
- 2016-12-29 WO PCT/CN2016/113129 patent/WO2018010386A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4434221A (en) * | 1981-07-03 | 1984-02-28 | Minolta Camera Kabushiki Kaisha | Toner concentration detection by measuring current created by transfer of carrier component to non-image areas of image support surface |
CN1504742A (zh) * | 2002-11-28 | 2004-06-16 | 威光机械工程股份有限公司 | 印刷电路板上瑕疵组件的自动光学检测系统 |
CN101915769A (zh) * | 2010-06-29 | 2010-12-15 | 华南理工大学 | 一种印刷电路板中带电阻元件的自动光学检测方法 |
CN102831381A (zh) * | 2011-06-15 | 2012-12-19 | 鸿富锦精密工业(深圳)有限公司 | 影像差异比较系统及方法 |
CN103675588A (zh) * | 2013-11-20 | 2014-03-26 | 中国矿业大学 | 印刷电路元件极性的机器视觉检测方法及设备 |
CN105139399A (zh) * | 2015-08-25 | 2015-12-09 | 广州视源电子科技股份有限公司 | 一种二极管极性检测方法及装置 |
CN105184778A (zh) * | 2015-08-25 | 2015-12-23 | 广州视源电子科技股份有限公司 | 一种检测方法及装置 |
CN105260740A (zh) * | 2015-09-23 | 2016-01-20 | 广州视源电子科技股份有限公司 | 一种元件识别方法及装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018010386A1 (zh) * | 2016-07-13 | 2018-01-18 | 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 |
CN107180424A (zh) * | 2017-04-24 | 2017-09-19 | 睿视智觉(厦门)软件开发有限公司 | 一种电容计数设备及方法 |
WO2019075920A1 (zh) * | 2017-10-19 | 2019-04-25 | 上海望友信息科技有限公司 | 元器件极性检测方法、系统、计算机可读存储介质及设备 |
US11330705B2 (en) | 2017-10-19 | 2022-05-10 | Vayo (Shanghai) Technology Co., Ltd. | Method, system and apparatus for detecting polarity of component, and computer-readable storage medium |
CN109858441A (zh) * | 2019-01-30 | 2019-06-07 | 广州轨道交通建设监理有限公司 | 一种用于施工现场的异常状态监测方法与装置 |
CN109903275A (zh) * | 2019-02-13 | 2019-06-18 | 湖北工业大学 | 一种基于自适应多尺度滤波和直方图对比的酒醅发霉区域检测方法 |
CN109903275B (zh) * | 2019-02-13 | 2021-05-18 | 湖北工业大学 | 一种基于自适应多尺度滤波和直方图对比的酒醅发霉区域检测方法 |
CN112767396A (zh) * | 2021-04-07 | 2021-05-07 | 深圳中科飞测科技股份有限公司 | 缺陷的检测方法、装置和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2018010386A1 (zh) | 2018-01-18 |
CN106204602B (zh) | 2019-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106204602A (zh) | 元件反件检测方法和系统 | |
CN105453153B (zh) | 交通灯检测 | |
CN104737202B (zh) | 火灾检测方法和装置 | |
WO2018010387A1 (zh) | 元件反件检测方法和系统 | |
CN109308447A (zh) | 在电力远程监控中自动提取设备运行参数和运行状态的方法 | |
CN106238350A (zh) | 一种基于机器视觉的太阳能电池片分选方法与系统 | |
CN106127746A (zh) | 电路板元件漏件检测方法和系统 | |
CN113870356B (zh) | 一种结合目标检测与双目视觉的闸机通行行为识别与控制方法 | |
CN104184925A (zh) | 一种视频场景变化的检测方法 | |
CN106384117A (zh) | 一种车辆颜色识别方法及装置 | |
CN106096603A (zh) | 一种融合多特征的动态火焰检测方法及装置 | |
CN104766071A (zh) | 一种应用于无人驾驶汽车的交通灯快速检测算法 | |
CN105223208B (zh) | 一种电路板检测模板及其制作方法、电路板检测方法 | |
CN116908212B (zh) | 一种基于特征提取的电芯蓝膜外观缺陷检测方法及系统 | |
CN105303573B (zh) | 金针类元件的引脚检测方法和系统 | |
CN105787470A (zh) | 一种基于聚合多通道特征对图像中输电线路杆塔进行检测的方法 | |
CN109308448A (zh) | 一种采用图像处理技术来防止变配电误操作的方法 | |
CN103245666B (zh) | 一种蓄电池极板外观缺陷自动检测方法 | |
Murao et al. | Concrete crack detection using uav and deep learning | |
CN117975360A (zh) | 一种基于深度学习的堆放物判别方法及判别系统 | |
CN106250880B (zh) | 一种车辆上坡前道路坡度视觉检测方法 | |
Guanghui et al. | An artificial landmark design based on mobile robot localization and navigation | |
CN112686105B (zh) | 一种基于视频图像多特征融合的雾浓度等级识别方法 | |
CN106502246A (zh) | 一种基于分类器的智能车自动引导系统 | |
CN104866811B (zh) | 一种车辆视频中机动车辆的车身颜色自动识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |