CN107389701A - 一种基于图像的pcb表观缺陷自动检测系统及方法 - Google Patents

一种基于图像的pcb表观缺陷自动检测系统及方法 Download PDF

Info

Publication number
CN107389701A
CN107389701A CN201710721874.XA CN201710721874A CN107389701A CN 107389701 A CN107389701 A CN 107389701A CN 201710721874 A CN201710721874 A CN 201710721874A CN 107389701 A CN107389701 A CN 107389701A
Authority
CN
China
Prior art keywords
pcb
image
defect
gray
defects
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.)
Pending
Application number
CN201710721874.XA
Other languages
English (en)
Inventor
郭阳明
刘珊
米琪
孙利
马捷中
朱培灿
林鹏
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201710721874.XA priority Critical patent/CN107389701A/zh
Publication of CN107389701A publication Critical patent/CN107389701A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N21/88Investigating the presence of flaws or contamination
    • G01N21/95Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956Inspecting patterns on the surface of objects
    • G01N21/95607Inspecting patterns on the surface of objects using a comparative method
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N21/88Investigating the presence of flaws or contamination
    • G01N21/8851Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KGRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for recognising patterns
    • G06K9/62Methods or arrangements for pattern recognition using electronic means
    • G06K9/6267Classification techniques
    • G06K9/6268Classification techniques relating to the classification paradigm, e.g. parametric or non-parametric approaches
    • G06K9/6269Classification techniques relating to the classification paradigm, e.g. parametric or non-parametric approaches based on the distance between the decision surface and training patterns lying on the boundary of the class cluster, e.g. support vector machines
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • G06T7/001Industrial image inspection using an image reference approach
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N21/88Investigating the presence of flaws or contamination
    • G01N21/8851Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854Grading and classifying of flaws
    • G01N2021/8874Taking dimensions of defect into account
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N21/88Investigating the presence of flaws or contamination
    • G01N21/8851Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84Systems specially adapted for particular applications
    • G01N21/88Investigating the presence of flaws or contamination
    • G01N21/95Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956Inspecting patterns on the surface of objects
    • G01N2021/95638Inspecting patterns on the surface of objects for PCB's
    • G01N2021/95646Soldering
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30108Industrial image inspection
    • G06T2207/30141Printed circuit board [PCB]

Abstract

本发明提供了一种基于图像的PCB表观缺陷自动检测系统及方法,用于解决现有技术存在的检测效率低、误判率高等问题;首先通过运动控制单元将待测PCB传送到指定位置;利用图像采集卡和工业相机等图像采集设备获取待测PCB图像;接着将获取的图像依次经过图像预处理、PCB缺陷检测及PCB缺陷识别与分类等一系列操作完成PCB缺陷自动检测;最后实现对不合格PCB板实时自动分拣并将缺陷位置及缺陷分析结果及时报告给操作人员。本发明能够很大程度上自动检测出PCB板缺陷并识别缺陷种类,降低误检率从而降低企业成本,具有较强的实用性。

Description

一种基于图像的PCB表观缺陷自动检测系统及方法
技术领域
[0001]本发明涉及缺陷检测技术领域,特别涉及PCB表观缺陷自动检测,包括带有元器件 的PCB板中元器件的漏焊、错焊检测与识别等。
背景技术
[0002] PCB作为电子信息产业与智能制造业的关键发展方向之一,其可靠性具有重要的 研究价值。目前针对PCB的质量检测主要有传统的人工目检和电子检测,其中电子检测分为 针床式检测和飞针式检测。人工目检主要存在效率低、误检率高等缺点,电子检测属于接触 式检测,检测传感器与被检测对象直接接触,存在因物理接触而发生故障的风险,并且对曰 益密集的PCB板的检测效率与精度较低。目前PCB表观缺陷自动检测技术在国外已较为成 熟,已经有检测效果相对较好的设备,但价格昂贵;国内也对此有一些研究,缺陷检测方法 方面采用如基于形态学的缺陷检测方法、基于图像融合的缺陷检测方法等,但是多数还存 在精度问题,因此国内加快研宄步伐很重要。
[0003] PCB根据检测对象的不同分为两类,一种是针对裸板的检测,主要检测没有安装元 器件的PCB裸板可能出现的线路短路、断路、多锡少锡等缺陷;另一类是检测带有元器件的 PCB板,主要检测元器件的安装情况,是否存在缺焊、错焊等缺陷。
发明内容
[0004]为了克服现有技术的不足,本发明提供一种基于图像的PCB表观缺陷自动检测系 统及方法,以带有元器件的电路板为检测对象,以图像采集、运动控制、图像处理、模式识别 等技术为支撑,对带有元器件的PCB板进行检测,能够提高检测效率,降低误检率,具有较高 的准确率和实时性,实现PCB的快速发展。
[0005]本发明解决其技术问题所采用的技术方案是:
[0006] —种基于图像的PCB表观缺陷自动检测系统,包括运动控制单元、图像采集单元、 图像预处理单元、PCB缺陷检测单元以及PCB缺陷识别与分类单元;所述的运动控制单元驱 动传送装置将待测PCB传送到指定位置,由图像采集单元获取pCB待测图及PCB标准图;所述 的图像预处理单元对PCB待测图进行图像滤波、校正和灰度化处理,对pCB标准图进行灰度 化处理;所述的PCB缺陷检测单元将PCB待测图与标准图进行图像对比,依次通过图像匹配、 二值化、形态学去噪、边缘提取和图像分割得到缺陷区域;所述的PCB缺陷识别与分类单元 提取缺陷区域特征,进行缺陷种类的识别与分类。
[0007]所述的图像采集单元包括工业相机、光源系统和图像采集卡;所述的工业相机采 集PCB图像;所述的光源系统为PCB提供照明,确保光线均匀分布在PCB表面;所述的图像采 集卡用于对工业相机所输出的数据进行实时采集。
[000S]所述的图像滤波用于对采集到的PCB待测板进行平滑去噪;所述的图像校正用于 对存在旋转平移的待测PCB进行校正,以获取能与标准图进行匹配的PCB待测板图像。
[0009]所述的图像匹配用于将图像预处理后的待测图与标准图进行对比,得到差影图 像;所述的二值化用于对差影图像进行二值化,获得差影图像的黑白图;所述的形态学去噪 用于消除差影图像黑白图中存在的小且无意义的区域以及填补差影区域内部的空洞,得到 的区域作为缺陷区域,其中小且无意义的区域指小于PCB上最小元器件面积的区域,面积的 度量单位为区域像素个数;所述的边缘提取用于对差影图像黑白图的缺陷区域提取边缘 图;所述的图像分割用于对缺陷区域边缘图通过多阈值分割法分割出缺陷区域并采用矩形 拟合法计算出区域轮廓的外包矩形,绘制出外包矩形。
[0010]所述的提取缺陷图像特征采用几何特征与灰度特征相结合的算法来提取缺陷区 域特征,几何特征是指图像中物体的位置、方向、周长和面积,灰度特征采用灰度直方图来 描述,灰度直方图统计特性包含均值、方差、能量和熵,通过提取灰度直方图统计特性来区 分错焊和漏焊两种不同的缺陷模式;所述缺陷种类的识别与分类是对提取到的缺陷区域特 征采用SVM分类器进行缺陷识别分类,其中识别分类包括对已有特征数据的训练和对提取 到缺陷数据的测试,已有特征数据是从生产线上获取到的缺陷特征数据,对已有特征数据 的训练依次通过数据加标签,数据归一化处理,采用SVM训练得到训练模型,其中数据加标 签是指对提取到的特征数据进行分类标记,每组特征数据对应一个缺陷种类;对提取到缺 陷数据的测试依次经过数据归一化处理及通过训练模型进行测试,每组测试数据通过训练 模型得到一个预测的缺陷分类结果。
[0011]所述的采用SVM训练得到训练模型包括选取核函数、采用网格搜索和交叉验证方 法得到最优参数组合,用最优的参数组合进行模型的训练;所述的选取核函数选用高斯径 向基核函数,SVM训练的参数包括惩罚因子C和核函数宽度g,惩罚因子C用来权衡损失和分 类间隔的权重,核函数宽度g表示选择径向基作为核函数后,数据映射到新的特征空间后的 分布;本发明选择网格搜索算法进行参数选择并通过交叉验证得到精确度最高的(c,g)对。 [0012] 本发明还提供一种基于图像的PCB表观缺陷自动检测方法,包括如下步骤:
[0013] (1)运动控制单元驱动传送装置将PCB待测板传送到指定位置;
[0014] ⑵图像采集单元获取PCB待测图及PCB标准图;
[0015] ⑶图像预处理单元对获取的PCB图像进行图像预处理,包括:
[0016] (3a)对采集到的PCB待测图进行中值滤波,去除噪声,得到滤波图像;
[0017] (3b)采用基于仿射变换的几何校正法,通过提取两幅图中的SURF特征点建立匹配 关系,并对匹配后的特征点进行排序,选取匹配度最高的3对特征点作为校正变换函数的参 数,计算出变换矩阵,以此来进行图像校正;
[0018] (3c)对校正后的PCB待测图采用灰度平均值法进行灰度化操作,得到PCB待测图灰 度图像,对获取的PCB标准图同样采用灰度平均值法进行灰度化操作,得到PCB标准图灰度 图像;
[0019] ⑷对经过图像预处理得到的PCB待测灰度图进行缺陷检测,包括:
[0020] (4a)将PCB待测灰度图像与标准图灰度图像采用基于模板匹配的差影法进行图像 匹配,得到差影图像;
[0021] (4b)对差影图像采用自适应阈值法进行二值化,获得差影图像的黑白图;
[0022] (4c)采用形态学闭运算即膨胀后腐蚀运算消除差影图像黑白图中存在的小且无 意义的区域以及填补差影区域内部的空洞,得到缺陷区域;
[0023] (4d)对二值化后的差影图像采用Canny算子提取出边缘图;
[0024] (4e)对缺陷区域边缘图通过多阈值分割法分割出缺陷区域,采用矩形拟合法计算 并绘制出缺陷区域轮廓的外包矩形;
[0025] ⑸对检测出的PCB板缺陷区域进行特征提取并进行分类,包括:
[0026] (5a)对检测出的缺陷区域采用几何特征与灰度特征相结合的算法来提取缺陷区 域特征,其中几何特征选择缺陷区域面积、周长、长宽比、矩形度、椭圆度及圆形度,灰度特 征选择缺陷区域的灰度均值、方差、能量及熵;
[0027] (5b)对上述提取的缺陷特征采用SVM分类器进行识别与分类,其中识别与分类包 括对已有特征数据的训练和对提取到缺陷数据的测试;对已有特征数据的训练依次经过数 据加标签,数据归一化处理,采用SVM训练得到训练模型,其中数据加标签是指对提取到的 特征数据进行分类标记,每组特征数据对应一个缺陷种类;对提取到缺陷数据的测试依次 经过数据归一化处理及通过训练模型进行测试,每组测试数据通过训练模型得到一个预测 的缺陷分类结果。
[0028] 本发明的有益效果是:
[0029] (1)本发明相对于现有人工目检及电子检测,具备检测效率高、误检率低等优点。
[0030] (2)本发明由于在图像预处理模块加入了图像校正操作并采用基于仿射变换的几 何校正方法,预处理后获得与标准图像直接进行匹配的PCB待测图,对图像采集单元硬件设 备控制要求降低,将PCB待测板随机放置在传送装置上即可,减少了硬件控制成本。
[0031] (3)本发明在PCB缺陷检测单元采用形态学闭运算消除存在的小且无意义的区域 以及填补区域内部的空洞,与现有技术相比,有效的提高了缺陷检测准确率;对缺陷区域进 行边缘提取、图像分割操作,直观地显示出缺陷位置并为缺陷的几何特征提取奠定基础。 [0032] (4)本发明系统将PCB缺陷检测与PCB缺陷识别与分类结合在一起,不仅能准确的 检测出缺陷位置,还能识别缺陷种类并统计缺陷结果反馈给操作人员,使生产与检测合二 为一,从生产线上降低缺陷率。
附图说明
[0033]图1是本发明表观缺陷检测系统的结构示意图;
[0034]图2是本发明表观缺陷检测系统硬件模块设计图;
[0035]图3是本发明表观缺陷检测系统软件模块设计流程图;
[0036]图4是本发明表观缺陷检测方法图像校正流程框图;
[0037]图5是本发明表观缺陷检测方法中分类器设计及数据训练流程框图;
[0038]图6是本发明表观缺陷检测方法中待测板特征数据分类流程框图。
具体实施方式
[0039]下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施 例。
[0040]本发明提供的基于图像的PCB表观缺陷自动检测系统,包括运动控制单元、图像采 集单兀、图像预处理单元、PCB缺陷检测单元以及PCB缺陷识别与分类单元,其中:
[0041]运动控制单元,用于将待测PCB通过传送装置传送到图像采集单元指定位置;
[0042]图像采集单元,用于利用图像采集卡、光源系统和工业相机三种设备获取PCB待测 图及PCB标准图;
[0043]图像预处理单元,用于对图像采集单元所获取到的PCB待测图进行图像滤波、图像 校正、图像灰度化预处理操作,对获得的PCB标准图进行灰度化操作;
[0044] PCB缺陷检测单元,用于将PCB待测图与标准图进行图像对比,依次通过图像匹配、 二值化、形态学去噪、边缘提取、图像分割图像处理操作得到缺陷区域;
[0045] PCB缺陷识别与分类单元,用于提取缺陷区域特征,并根据提取到的特征进行缺陷 种类的识别与分类。
[0046]本发明所述的图像采集单元,包括工业相机、光源系统和图像采集卡;所述工业相 机用于进行PCB图像的采集;所述光源系统采用环形光源为PCB提供照明,确保光线均匀分 布在PCB表面,避免光线反射对PCB图像质量的影响;所述图像采集卡用于对工业相机所输 出的数据进行实时采集;
[0047]本发明所述的图像预处理单元,包括图像滤波、图像校正和图像灰度化处理;所述 的图像滤波用于对采集到的PCB待测板进行平滑去噪,去除掉由于相机抖动等原因带来的 噪声;所述的图像校正,用于对存在旋转平移的待测PCB进行校正,以获取能与标准图进行 匹配的PCB待测板图像;所述的图像灰度化处理,用于对标准图和待测图进行灰度化操作; [0048]本发明所述的PCB缺陷检测单元,包括图像匹配、二值化、形态学去噪、边缘提取、 图像分割;所述的图像匹配,用于将图像预处理后的待测图与标准图进行对比,得到差影图 像;所述二值化,用于对两幅图对比后的差影图像进行二值化,以获得差影图像的黑白图; 所述形态学去噪,用于消除差影图像黑白图中存在的小且无意义的区域以及填补差影区域 内部的空洞,其中小且无意义的区域指小于PCB上最小元器件面积的区域,面积的度量单位 为区域像素个数,填补差影区域内部的空洞是指填充差影区域中存在的狭窄以及凹陷的部 分,使差影区域图像得到平滑,消除掉差影图像黑白图中存在的小且无意义的区域以及填 补差影区域内部的空洞后得到的区域为缺陷区域;所述边缘提取,用于对差影图像黑白图 的缺陷区域提取边缘图;所述图像分割,用于对缺陷区域边缘图通过多阈值分割法分割出 缺陷区域并采用矩形拟合法计算出区域轮廓的外包矩形,绘制出外包矩形以直观的方式呈 现给用户;
[0049]本发明所述的PCB缺陷识别与分类单元,包括缺陷图像特征提取和缺陷识别与分 类;所述的图像特征提取,用于提取缺陷图像特征,本发明采用几何特征与灰度特征相结合 的算法来提取缺陷区域特征,几何特征是指图像中物体的位置、方向、周长和面积等方面的 特征,用来区分不同形状元器件的种类信息,灰度特征通常采用灰度直方图来描述,灰度直 方图统计特性包含均值、方差、能量、熵等,通过提取灰度直方图统计特性来区分错焊和漏 焊两种不同的缺陷模式;所述的缺陷识别与分类,用于对提取到的缺陷区域特征采用SVM分 类器进行缺陷识别分类,其中识别分类包括对已有特征数据的训练和对提取到缺陷数据的 测试,已有特征数据是从生产线上获取到的缺陷特征数据,对已有特征数据的训练依次通 过数据加标签,数据归一化处理,采用SVM训练得到训练模型,其中数据加标签是指对提取 到的特征数据进行分类标记,每组特征数据对应一个缺陷种类;对提取到缺陷数据的测试 依次经过数据归一化处理及通过训练模型进行测试,每组测试数据可以通过训练模型得到 一个预测的缺陷分类结果。
[0050]本发明所述的采用SVM训练得到训练模型,包括选取核函数、采用网格搜索和交叉 验证方法得到最优参数组合,用最优的参数组合进行模型的训练;所述的选取核函数是SVM 训练的关键步骤,本发明选用应用较为广泛的高斯径向基核函数作为训练核函数,SVM训练 要确定两个重要的参数,惩罚因子c和核函数宽度g,惩罚因子c用来权衡损失和分类间隔的 权重,c越大,表明重视损失,核函数宽度g表示选择径向基作为核函数后,数据映射到新的 特征空间后的分布,本发明选择寻优效果较好的实时数据搜索算法一网格搜索算法来进行 参数选择并通过交叉验证得到精确度最高的(C,g)对以提高分类性能。参数确定后,用最优 的参数组合进行模型的训练。
[0051] 本发明提供的基于图像的PCB表观缺陷自动检测方法,包括如下步骤:
[0052] ⑴运动控制单元,通过运动控制器控制传送装置,将PCB待测板传送到指定位置;
[0053] (2)图像采集单元,利用图像采集卡、光源系统和工业相机三种设备获取PCB待测 图及PCB标准图;
[0054] ⑶图像预处理单元,对获取的PCB图像进行图像预处理,实现步骤为:
[0055] (3a)图像滤波模块,对采集到的PCB待测图进行中值滤波,去除噪声,得到滤波图 像;
[0056] (3b)图像校正模块,采用基于仿射变换的几何校正法,通过提取两幅图中的SURF 特征点建立匹配关系,并对匹配后的特征点进行排序,选取匹配度最高的3对特征点作为校 正变换函数的参数,计算出变换矩阵,以此来进行图像校正;
[0057] (3c)图像灰度化模块,对校正后的PCB待测图采用灰度平均值法进行灰度化操作, 得到PCB待测图灰度图像,对获取的PCB标准图同样采用灰度平均值法进行灰度化操作,得 至IJPCB标准图灰度图像;
[0058] ⑷PCB缺陷检测单元,对经过图像预处理得到的PCB待测灰度图进行缺陷检测,实 现步骤为;
[0059] (4a)图像匹配模块,将PCB待测灰度图像与标准图灰度图像采用基于模板匹配的 差影法进行图像匹配,得到差影图像;
[0060] (4b)二值化模块,对差影图像采用自适应阈值法进行二值化,以获得差影图像的 黑白图;
[0061] (4c)形态学去噪模块,采用形态学闭运算即膨胀后腐蚀运算消除差影图像黑白图 中存在的小且无意义的区域以及填补差影区域内部的空洞,得到缺陷区域;
[0062] (4d)边缘提取模块,对二值化后的差影图像采用Canny算子提取出边缘图;
[0063] (4e)图像分割模块,对缺陷区域边缘图通过多阈值分割法分割出缺陷区域,采用 矩形拟合法计算并绘制出缺陷区域轮廓的外包矩形,以直观的方式呈现给用户;
[00M] (5)PCB缺陷识别与分类单元,对检测出的PCB板缺陷区域进行特征提取并采用分 类器进行分类,实现步骤为:
[0065] (5a)缺陷图像特征提取模块,用于提取缺陷图像特征,对检测出的缺陷区域采用 几何特征与灰度特征相结合的算法来提取缺陷区域特征,其中几何特征选择缺陷区域面 f只、周长、长宽比、矩形度、椭圆度及圆形度,灰度特征选择缺陷区域的灰度均值、方差、能量 及熵;
[0066] (5b)缺陷识别与分类模块,用于对上述提取的缺陷特征采用SVM分类器进行识别 与分类,其中识别与分类包括对己有特征数据的训练和对提取到缺陷数据的测试;对已有 特征数据的训练依次经过数据加标签,数据归一化处理,采用SVM训练得到训练模型,其中 数据加标签是指对提取到的特征数据进行分类标记,每组特征数据对应一个缺陷种类;对 提取到缺陷数据的测试依次经过数据归一化处理及通过训练模型进行测试,每组测试数据 可以通过训练模型得到一个预测的缺陷分类结果。
[0067]参照图1,本发明实施例提供的表观缺陷自动检测系统分为硬件模块和软件模块, 主要包括图像采集单元、运动控制单元、图像预处理单元、PCB缺陷检测单元和PCB缺陷识别 与分类单元,其中:
[0068]运动控制单元,用于将待测PCB通过传送装置传送到图像采集单元指定位置;
[0069]图像采集单元,用于利用图像采集卡、光源系统和工业相机三种设备获取PCB待测 图及PCB标准图;
[0070]图像预处理单元,用于对图像采集单元所得到的PCB待测图进行滤波、图像校正、 图像灰度化预处理操作,对PCB标准图进行图像灰度化操作;
[0071] PCB缺陷检测单元,用于将PCB待测图与标准图进行对比,依次通过图像匹配、二值 化、形态学去噪、边缘提取、图像分割一系列图像处理操作得到缺陷区域;
[0072] PCB缺陷识别与分类单元,用于提取上述缺陷区域特征,并依据提取到的不同特征 对缺陷区域采用SVM分类器进行缺陷种类的识别与分类。
[0073]参照图2,本发明检测硬件模块设计图,包括传送控制单元和图像采集单元,其中: [0074]运动控制单元,通过运动控制器控制传送装置,将PCB待测板传送到图像采集单元 指定位置;
[0075]图像采集单元,用于利用图像采集卡和工业相机等图像采集设备获取PCB待测图, 包括工业相机、光源系统和图像采集卡,工业相机用于进行PCB图像的采集;光源系统采用 环形光源为PCB板提供照明,确保光线均匀分布在PCB表面,避免光线反射对PCB板图像质量 的影响;图像采集卡用于对工业相机所输出的数据进行实时采集。
[0076]参照图3,本发明表观缺陷检测系统软件模块设计流程包括如下步骤:
[0077]步骤1,利用图像采集卡和工业相机等图像采集设备获取PCB待测图像与PCB标准 图像;
[0078]步骤2,图像预处理单元,对获取的PCB图像进行图像预处理,实现步骤为:
[0079]步骤2a,图像滤波模块,通过对采集到的PCB待测图进行滤波,实施例利用中值滤 波去除噪声,得到滤波图像;
[0080]步骤2b,图像校正模块,对滤波图像进行倾斜校正,得到校正图像,实施例利用基 于仿射变换的几何校正法得到变换矩阵校正图像,具体实施通过提取两幅图中的SURF特征 点建立匹配关系,并对匹配后的特征点进行排序,选取匹配度最高的3对特征点作为校正变 换函数的参数,计算出变换矩阵,以此来进行图像校正;
[0081]步骤2c,图像灰度化模块,对校正后的PCB待测图进行灰度化操作,得到PCB待测图 灰度图像,对PCB标准图进行灰度化操作,得到PCB标准图灰度图像;实施例利用灰度平均值 法对PCB待测图及PCB标准图进行灰度化,将彩色图转化为灰度图像,减少图像信息;
[0082]步骤3,PCB缺陷检测单元,对经过图像预处理得到的PCB待测灰度图进行缺陷检 测,实现步骤为:
[0083]步骤3a,图像匹配模块,将PCB待测灰度图像与PCB标准图灰度图像进行图像匹配, 实施例利用基于模板匹配的差影法实现,得到差影图像;
[0084] 步骤%,二值化模块,对差影图像进行二值化操作,实施例利用自适应阈值法对 PCB待测图进行二值化,以获得差影图像的黑白图;
[0085] 步骤3c,形态学去噪模块,用于消除差影图像黑白图中存在的小且无意义的区域 以及填补差影区域内部的空洞,实施例利用形态学闭运算得到缺陷区域;
[0086]步骤3d,边缘提取模块,对差影图像黑白图的缺陷区域提取出边缘图;实施例利用 canny算子实现边缘提取;
[OOW]步骤3e,图像分割模块,分割出缺陷区域,实施例利用多阈值分割法分割出缺陷区 域,采用矩形拟合法计算并绘制出缺陷区域轮廓的外包矩形;
[0088]步骤4,PCB缺陷识别与分类单元,对检测出的PCB板缺陷区域进行特征提取并采用 分类器进行分类,实现步骤为:
[0089]步骤4a,缺陷特征提取模块,提取PCB缺陷区域特征,实施例采用基于几何特征和 灰度特征相结合的特征描述算法提取缺陷区域特征;
[0090]步骤4b,缺陷识别与分类模块,用于对上述提取的缺陷特征采用分类器进行识别 分类,实施例利用SVM分类器对已有的特征数据进行训练和对提取到的缺陷数据进行测试, 对特征数据的训练依次经过特征数据加标签、数据归一化处理和SVM训练,其中数据加标签 是指对提取到的特征数据进行分类标记,每组特征数据对应一个缺陷种类;对提取到的缺 陷数据进行测试依次经过数据归一化处理和通过训练模型进行测试,每组测试数据可以通 过训练模型得到一个预测的缺陷分类结果。
[0091 ]步骤5,对缺陷分类结果进行统计,并保存统计结果。
[0092]参照图4,本发明表观缺陷检测方法图像校正流程包括提取特征点、建立校正变换 函数、像素坐标变换、像素重采样,其中:
[0093]提取特征点,采用SURF特征点提取算法提取标准图与待测图中的特征点,SURF特 征点具有稳定性,能很好的表达图像信息;
[0094]建立校正变换函数,利用多项式法建立变换函数,求得变换矩阵,将提取的特征点 按照相似度进行排序操作,选取相似度最高的3对特征点通过多项式法求出变换矩阵;
[0095] 像素坐标变换,根据求出的坐标变换矩阵对PCB待测图进行坐标变换;
[0096]像素重采样,利用双线性差值法进行像素重采样,由于像素坐标变换时输出图像 阵列中像素在原始图像中的投影点坐标可能不为整数,需要进行像素重采样。
[0097]参照图5,本发明表观缺陷检测方法中分类器设计及数据训练流程依次经过提取 已知缺陷图像特征、数据加标签、数据归一化处理和SVM训练,其中:
[0098]提取缺陷图像特征,本发明提出一种特征组合方法来描述缺陷特征,包括几何特 征和灰度特征,其中提取的几何特征包括缺陷区域面积、周长、长宽比、矩形度、椭圆度及圆 形度,灰度特征包括缺陷区域的灰度均值、方差、能量及熵;通过特征组合描述表观缺陷图 像的整体分布,提升缺陷特征描述能力,对已知的PCB板缺陷种类进行特征提取;
[0099]数据加标签,对提取的特征数据进行分类标记;
[0100]数据归一化处理,对分类后的缺陷特征数据进行归一化处理,提高分类准确率; [0101] SVM训练,采用在小样本、非线性分类方面具有优势的SVM进行缺陷数据分类训练, SVM训练过程设计为选取核函数、采用网格搜索和交叉验证方法得到最优参数组合,用最优 的参数组合进行模型的训练;其中选取核函数是SVM训练的关键步骤,本发明选用应用较方 广泛的高斯径向基核函数作为训练核函数,SVM训练要确定两个重要的参数,惩罚因子£和 核函数宽度g,惩罚因子c用来权衡损失和分类间隔的权重,c越大,表明重视损失,核函数宽 度g表示选择径向基作为核函数后,数据映射到新的特征空间后的分布,本发明选择寻优效 果较好的实时数据搜索算法一网格搜索算法来进行参数选择并通过交叉验证得到精确度 最高的(c,g)对以提高分类性能。参数确定后,用最优的参数组合进行模型的训练。
[0102]参照图6,本发明表观缺陷检测方法中PCB待测板特征数据分类流程依次经过提取 缺陷图像特征、数据归一化处理和SVM识别分类,其中:
[0103]提取缺陷图像特征,本发明提出一种特征组合方法来描述缺陷特征,包括几何特 征和灰度特征,其中提取的几何特征包括缺陷区域面积、周长、长宽比、矩形度、椭圆度及圆 形度,灰度特征包括缺陷区域的灰度均值、方差、能量及熵;通过特征组合描述表观缺陷图 像的整体分布,提升缺陷特征描述能力,对待测的PCB板缺陷种类进行特征提取;
[0104]数据归一化处理,对分类后的缺陷特征数据进行归一化处理,提高分类准确率; [0105] SVM识别分类,对PCB待测板缺陷采用按照图5步骤训练好的SVM分类器模型进行测 试,得到分类结果。 '

Claims (7)

1.一种基于图像的PCB表观缺陷自动检测系统,包括运动控制单元、图像采集单元、图 像预处理单元、PCB缺陷检测单元以及PCB缺陷识别与分类单元,其特征在于:所述的运动控 制单元驱动传送装置将待测PCB传送到指定位置,由图像采集单元获取PCB待测图及PCB标 准图;所述的图像预处理单元对PCB待测图进行图像滤波、校正和灰度化处理,对PCB标准图 进行灰度化处理;所述的PCB缺陷检测单元将PCB待测图与标准图进行图像对比,依次通过 图像匹配、二值化、形态学去噪、边缘提取和图像分割得到缺陷区域;所述的PCB缺陷识别与 分类单元提取缺陷区域特征,进行缺陷种类的识别与分类。
2.根据权利要求1所述的基于图像的PCB表观缺陷自动检测系统,其特征在于:所述的 图像采集单元包括工业相机、光源系统和图像采集卡;所述的工业相机采集PCB图像;所述 的光源系统为PCB提供照明,确保光线均匀分布在PCB表面;所述的图像采集卡用于对工业 相机所输出的数据进行实时采集。
3.根据权利要求1所述的基于图像的PCB表观缺陷自动检测系统,其特征在于:所述的 图像滤波用于对采集到的PCB待测板进行平滑去噪;所述的图像校正用于对存在旋转平移 的待测PCB进行校正,以获取能与标准图进行匹配的PCB待测板图像。
4. 根据权利要求1所述的基于图像的PCB表观缺陷自动检测系统,其特征在于:所述的 图像匹配用于将图像预处理后的待测图与标准图进行对比,得到差影图像;所述的二值化 用于对差影图像进行二值化,获得差影图像的黑白图;所述的形态学去噪用于消除差影图 像黑白图中存在的小且无意义的区域以及填补差影区域内部的空洞,得到的区域作为缺陷 区域,其中小且无意义的区域指小于PCB上最小元器件面积的区域,面积的度量单位为区域 像素个数;所述的边缘提取用于对差影图像黑白图的缺陷区域提取边缘图;所述的图像分 割用于对缺陷区域边缘图通过多阈值分割法分割出缺陷区域并采用矩形拟合法计算出区 域轮廓的外包矩形,绘制出外包矩形。
5. 根据权利要求1所述的基于图像的PCB表观缺陷自动检测系统,其特征在于:所述的 提取缺陷图像特征采用几何特征与灰度特征相结合的算法来提取缺陷区域特征,几何特征 是指图像中物体的位置、方向、周长和面积,灰度特征采用灰度直方图来描述,灰度直方图 统计特性包含均值、方差、能量和熵,通过提取灰度直方图统计特性来区分错焊和漏焊两种 不同的缺陷模式;所述缺陷种类的识别与分类是对提取到的缺陷区域特征采用SVM分类器 进行缺陷识别分类,其中识别分类包括对已有特征数据的训练和对提取到缺陷数据的测 试,已有特征数据是从生产线上获取到的缺陷特征数据,对已有特征数据的训练依次通过 数据加标签,数据归一化处理,采用SVM训练得到训练模型,其中数据加标签是指对提取到 的特征数据进行分类标记,每组特征数据对应一个缺陷种类;对提取到缺陷数据的测试依 次经过数据归一化处理及通过训练模型进行测试,每组测试数据通过训练模型得到一个预 测的缺陷分类结果。
6. 根据权利要求5所述的基于图像的PCB表观缺陷自动检测系统,其特征在于:所述的 采用SVM训练得到训练模型包括选取核函数、采用网格搜索和交叉验证方法得到最优参数 组合,用最优的参数组合进行模型的训练;所述的选取核函数选用高斯径向基核函数,SVM 训练的参数包括惩罚因子c和核函数宽度g,惩罚因子c用来权衡损失和分类间隔的权重,核 函数宽度g表示选择径向基作为核函数后,数据映射到新的特征空间后的分布;本发明选择 网格搜索算法进行参数选择并通过交叉验证得到精确度最高的(c,g)对。
7.—种利用权利要求1所述装置的基于图像的PCB表观缺陷自动检测方法,其特征在于 包括下述步骤: (1)运动控制单元驱动传送装置将PCB待测板传送到指定位置; ⑵图像采集单元获取PCB待测图及PCB标准图; ⑶图像预处理单元对获取的PCB图像进行图像预处理,包括: (3a)对采集到的PCB待测图进行中值滤波,去除噪声,得到滤波图像; (3b)采用基于仿射变换的几何校正法,通过提取两幅图中的SURF特征点建立匹配关 系,并对匹配后的特征点进行排序,选取匹配度最高的3对特征点作为校正变换函数的参 数,计算出变换矩阵,以此来进行图像校正; (3c)对校正后的PCB待测图采用灰度平均值法进行灰度化操作,得到PCB待测图灰度图 像,对获取的PCB标准图同样采用灰度平均值法进行灰度化操作,得到PCB标准图灰度图像; ⑷对经过图像预处理得到的PCB待测灰度图进行缺陷检测,包括: (4a)将PCB待测灰度图像与标准图灰度图像采用基于模板匹配的差影法进行图像匹 配,得到差影图像; (4b)对差影图像采用自适应阈值法进行二值化,获得差影图像的黑白图; (4c)采用形态学闭运算即膨胀后腐蚀运算消除差影图像黑白图中存在的小且无意义 的区域以及填补差影区域内部的空洞,得到缺陷区域; (4d)对二值化后的差影图像采用Canny算子提取出边缘图; (4e)对缺陷区域边缘图通过多阈值分割法分割出缺陷区域,采用矩形拟合法计算并绘 制出缺陷区域轮廓的外包矩形; ⑸对检测出的PCB板缺陷区域进行特征提取并进行分类,包括: (5a)对检测出的缺陷区域采用几何特征与灰度特征相结合的算法来提取缺陷区域特 征,其中几何特征选择缺陷区域面积、周长、长宽比、矩形度、椭圆度及圆形度,灰度特征选 择缺陷区域的灰度均值、方差、能量及熵; (5b)对上述提取的缺陷特征采用SVM分类器进行识别与分类,其中识别与分类包括对 己有特征数据的训练和对提取到缺陷数据的测试;对已有特征数据的训练依次经过数据加 标签,数据归一化处理,采用SVM训练得到训练模型,其中数据加标签是指对提取到的特征 数据进行分类标记,每组特征数据对应一个缺陷种类;对提取到缺陷数据的测试依次经过 数据归一化处理及通过训练模型进行测试,每组测试数据通过训练模型得到一个预测的缺 陷分类结果。
CN201710721874.XA 2017-08-22 2017-08-22 一种基于图像的pcb表观缺陷自动检测系统及方法 Pending CN107389701A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710721874.XA CN107389701A (zh) 2017-08-22 2017-08-22 一种基于图像的pcb表观缺陷自动检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710721874.XA CN107389701A (zh) 2017-08-22 2017-08-22 一种基于图像的pcb表观缺陷自动检测系统及方法

Publications (1)

Publication Number Publication Date
CN107389701A true CN107389701A (zh) 2017-11-24

Family

ID=60354001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710721874.XA Pending CN107389701A (zh) 2017-08-22 2017-08-22 一种基于图像的pcb表观缺陷自动检测系统及方法

Country Status (1)

Country Link
CN (1) CN107389701A (zh)

Cited By (69)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108254374A (zh) * 2017-12-31 2018-07-06 芜湖哈特机器人产业技术研究院有限公司 电路板元器件插装异常的检测方法
CN108537153A (zh) * 2018-03-27 2018-09-14 华南农业大学 一种基于椭圆拟合的原木板材孔洞缺陷检测与定位方法
CN108593660A (zh) * 2018-04-19 2018-09-28 浙江师范大学 一种冲压铝板缺陷自动检测装置及方法
CN108647706A (zh) * 2018-04-24 2018-10-12 广州大学 基于机器视觉的物品识别分类与瑕疵检测方法
CN108872250A (zh) * 2018-07-23 2018-11-23 广州超音速自动化科技股份有限公司 锂电池极耳焊反检测方法及极耳焊接检测系统
CN108896577A (zh) * 2018-05-30 2018-11-27 昆山睿力得软件技术有限公司 一种刹车片轮廓缺陷的自动检测方法
CN108961252A (zh) * 2018-07-27 2018-12-07 Oppo(重庆)智能科技有限公司 检测logo粘贴不良的方法、电子装置及计算机可读存储介质
CN108961233A (zh) * 2018-06-28 2018-12-07 华侨大学 一种聚晶金刚石复合片表面缺陷分类识别方法
CN109003271A (zh) * 2018-07-25 2018-12-14 江苏拙术智能制造有限公司 一种基于深度学习yolo算法的线束连接器排线质量检测方法
CN109001230A (zh) * 2018-05-28 2018-12-14 中兵国铁(广东)科技有限公司 基于机器视觉的焊点缺陷检测方法
CN109035219A (zh) * 2018-07-10 2018-12-18 华南理工大学 基于bp神经网络的fics金手指缺陷检测系统及检测方法
CN109064449A (zh) * 2018-07-04 2018-12-21 中铁大桥科学研究院有限公司 一种桥梁表面病害的检测方法
CN109142368A (zh) * 2018-07-23 2019-01-04 广州超音速自动化科技股份有限公司 锂电池极片打皱检测方法及极耳焊接检测系统
CN109142367A (zh) * 2018-07-23 2019-01-04 广州超音速自动化科技股份有限公司 一种锂电池极耳虚焊检测方法及极耳焊接检测系统
CN109142371A (zh) * 2018-07-31 2019-01-04 华南理工大学 基于深度学习的高密度柔性基板外观缺陷检测系统与方法
CN109187547A (zh) * 2018-07-23 2019-01-11 广州超音速自动化科技股份有限公司 锂电池极耳焊点焊破检测方法及极耳焊接检测系统
CN109187546A (zh) * 2018-07-23 2019-01-11 广州超音速自动化科技股份有限公司 锂电池极耳糅合检测方法及极耳焊接检测系统
CN109270067A (zh) * 2018-09-29 2019-01-25 格力电器(武汉)有限公司 设备外观的检测方法、装置和系统
CN109270071A (zh) * 2018-07-23 2019-01-25 广州超音速自动化科技股份有限公司 一种极耳上涂层异常检测方法及极耳焊接检测系统
CN109345519A (zh) * 2018-09-21 2019-02-15 江苏拙术智能制造有限公司 基于深度学习yolo算法的线束连接器加工型号检测方法
CN109389597A (zh) * 2018-10-24 2019-02-26 四川长虹电器股份有限公司 一种生产线上电路板缺陷检测系统及方法
CN109382968A (zh) * 2018-10-23 2019-02-26 宁波汇智恒动自动化科技有限公司 一种用于注塑机的视觉检测和矫正系统
CN109447119A (zh) * 2018-09-26 2019-03-08 电子科技大学 一种结合形态学分割和svm的尿沉渣中管型识别方法
CN109584215A (zh) * 2018-11-10 2019-04-05 东莞理工学院 一种电路板在线视觉检测系统
CN109596625A (zh) * 2019-02-01 2019-04-09 东莞中科蓝海智能视觉科技有限公司 料盘中的工件缺陷检测识别方法
CN109596621A (zh) * 2018-11-13 2019-04-09 大同新成新材料股份有限公司 一种碳刷磨损检测方法及检测装置
CN109632007A (zh) * 2019-01-17 2019-04-16 北京理工大学 一种边缘点提取方法及齿轮高精度视觉测量系统
CN109712115A (zh) * 2018-12-03 2019-05-03 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
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
CN109724988A (zh) * 2019-02-01 2019-05-07 佛山市南海区广工大数控装备协同创新研究院 一种基于多模板匹配的pcb板缺陷定位方法
CN109785324A (zh) * 2019-02-01 2019-05-21 佛山市南海区广工大数控装备协同创新研究院 一种大幅面pcb板定位方法
CN109781737A (zh) * 2019-01-14 2019-05-21 佛山市南海区广工大数控装备协同创新研究院 一种软管表面缺陷的检测方法及其检测系统
CN109813728A (zh) * 2019-03-01 2019-05-28 沈阳建筑大学 一种电路板焊点检测方法及系统
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
CN109859198A (zh) * 2019-02-01 2019-06-07 佛山市南海区广工大数控装备协同创新研究院 一种大幅面pcb板多区域精准定位方法
CN109870461A (zh) * 2019-03-29 2019-06-11 深圳市阿赛姆电子有限公司 一种电子元器件质量检测系统
CN109886950A (zh) * 2019-02-22 2019-06-14 北京百度网讯科技有限公司 电路板的缺陷检测方法和装置
CN109934808A (zh) * 2019-03-04 2019-06-25 佛山市南海区广工大数控装备协同创新研究院 一种基于图像多形状法向梯度差值pcb板缺陷分类方法
CN109946308A (zh) * 2019-04-22 2019-06-28 深圳市阿赛姆电子有限公司 一种电子元器件外观检测装置
CN110021005A (zh) * 2018-01-05 2019-07-16 财团法人工业技术研究院 电路板瑕疵筛选方法及其装置与计算机可读取记录介质
CN110068578A (zh) * 2019-05-17 2019-07-30 苏州图迈蓝舸智能科技有限公司 一种pvc地板的表观缺陷检测方法、装置及终端设备
CN110346953A (zh) * 2019-07-02 2019-10-18 盐城华昱光电技术有限公司 一种液晶显示模组偏光片剥离的撕片检测系统及方法
CN110349125A (zh) * 2019-06-17 2019-10-18 武汉大学 一种基于机器视觉的led芯片外观缺陷检测方法及系统
CN110455822A (zh) * 2019-07-10 2019-11-15 苏州卓融新能源科技有限公司 一种pcb板缺陷的检测方法
CN110473184A (zh) * 2019-08-06 2019-11-19 福建工程学院 一种pcb板缺陷检测方法
CN110514665A (zh) * 2019-09-03 2019-11-29 博科视(苏州)技术有限公司 一种电子产品塑料外壳划痕缺陷的检测方法
CN110567987A (zh) * 2019-08-12 2019-12-13 北京三清互联科技有限公司 一种基于自动视觉技术的馈线终端基板检测系统及方法
CN110582159A (zh) * 2019-08-30 2019-12-17 武汉科技大学 一种fpc焊盘表面缺陷处理系统和方法
CN110596116A (zh) * 2019-07-23 2019-12-20 浙江科技学院 一种车辆表面瑕疵检测方法及检测系统
CN110599484A (zh) * 2019-09-19 2019-12-20 京东方科技集团股份有限公司 缺陷检测方法、装置及存储介质
CN110866911A (zh) * 2019-11-14 2020-03-06 华雁智能科技(集团)股份有限公司 表盘缺陷检测方法、装置、图像处理设备及存储介质
CN111275697A (zh) * 2020-02-10 2020-06-12 西安交通大学 一种基于orb特征匹配和lk光流法的电池丝印质量检测方法
CN111307817A (zh) * 2020-02-12 2020-06-19 武汉大学 一种智能产线pcb生产过程的在线检测方法及系统
CN111462373A (zh) * 2019-10-25 2020-07-28 泰州三凯工程技术有限公司 圈养围栏门禁驱动系统及方法
CN111570327A (zh) * 2020-04-09 2020-08-25 广州视源电子科技股份有限公司 Led显示屏的印刷线路板的分类方法、装置及设备
CN111650205A (zh) * 2020-05-11 2020-09-11 东风汽车集团有限公司 基于结构光图像匹配的零件表面缺陷检测方法及系统
CN111929309A (zh) * 2020-09-14 2020-11-13 成都卓识维景科技有限公司 一种基于机器视觉的铸造件外观缺陷检测方法及系统
CN112233100A (zh) * 2020-10-23 2021-01-15 新晃顺美威科技有限公司 一种pcb板缺陷检测方法及系统
CN112474384A (zh) * 2019-09-11 2021-03-12 南通深南电路有限公司 一种印制电路板的检测设备及方法
CN112858321A (zh) * 2021-02-22 2021-05-28 南京理工大学 基于线阵ccd的钢板表面缺陷检测系统及方法
WO2021109011A1 (zh) * 2019-12-04 2021-06-10 电子科技大学 一种基于超声图像的电容内部缺陷智能检测方法
CN113066389A (zh) * 2019-12-26 2021-07-02 杭州海康威视数字技术股份有限公司 发光二极管(led)灯板处理方法及装置
TWI733062B (zh) * 2018-11-06 2021-07-11 晶彩科技股份有限公司 複合檢測條件之光學影像自動擷取方法
CN113256570A (zh) * 2021-05-10 2021-08-13 郑州轻工业大学 基于人工智能的视觉信息处理方法、装置、设备及介质
CN113466261A (zh) * 2021-07-26 2021-10-01 鸿安(福建)机械有限公司 一种pcb板自动检测装置
CN113538427A (zh) * 2021-09-16 2021-10-22 深圳市信润富联数字科技有限公司 产品缺陷识别方法、装置、设备及可读存储介质
CN113916127A (zh) * 2021-09-28 2022-01-11 安庆帝伯粉末冶金有限公司 一种气门导管成品外观视觉检测系统及检测方法
CN114202515A (zh) * 2021-11-29 2022-03-18 广州海谷电子科技有限公司 一种湿度传感器的印刷碳线缺陷的检测方法
CN114324405A (zh) * 2021-12-29 2022-04-12 安徽中科锟铻量子工业互联网有限公司 基于菲林检测的数据标注系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
夏德深等: "《计算机图像处理及应用实验教程》", 31 August 2005, 南京:东南大学出版社 *
张玙: "PCB缺陷自动检测系统的研究与设计", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
齐立荣: "基于图像处理的PCB缺陷自动光学检测系统的研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (88)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108254374A (zh) * 2017-12-31 2018-07-06 芜湖哈特机器人产业技术研究院有限公司 电路板元器件插装异常的检测方法
CN110021005B (zh) * 2018-01-05 2022-03-15 财团法人工业技术研究院 电路板瑕疵筛选方法及其装置与计算机可读取记录介质
US11132786B2 (en) 2018-01-05 2021-09-28 Industrial Technology Research Institute Board defect filtering method based on defect list and circuit layout image and device thereof and computer-readable recording medium
CN110021005A (zh) * 2018-01-05 2019-07-16 财团法人工业技术研究院 电路板瑕疵筛选方法及其装置与计算机可读取记录介质
CN108537153A (zh) * 2018-03-27 2018-09-14 华南农业大学 一种基于椭圆拟合的原木板材孔洞缺陷检测与定位方法
CN108537153B (zh) * 2018-03-27 2021-08-24 华南农业大学 一种基于椭圆拟合的原木板材孔洞缺陷检测与定位方法
CN108593660B (zh) * 2018-04-19 2021-08-17 浙江师范大学 一种冲压铝板缺陷自动检测装置及方法
CN108593660A (zh) * 2018-04-19 2018-09-28 浙江师范大学 一种冲压铝板缺陷自动检测装置及方法
CN108647706A (zh) * 2018-04-24 2018-10-12 广州大学 基于机器视觉的物品识别分类与瑕疵检测方法
CN108647706B (zh) * 2018-04-24 2022-03-22 广州大学 基于机器视觉的物品识别分类与瑕疵检测方法
CN109001230A (zh) * 2018-05-28 2018-12-14 中兵国铁(广东)科技有限公司 基于机器视觉的焊点缺陷检测方法
CN108896577A (zh) * 2018-05-30 2018-11-27 昆山睿力得软件技术有限公司 一种刹车片轮廓缺陷的自动检测方法
CN108961233A (zh) * 2018-06-28 2018-12-07 华侨大学 一种聚晶金刚石复合片表面缺陷分类识别方法
CN109064449A (zh) * 2018-07-04 2018-12-21 中铁大桥科学研究院有限公司 一种桥梁表面病害的检测方法
CN109035219A (zh) * 2018-07-10 2018-12-18 华南理工大学 基于bp神经网络的fics金手指缺陷检测系统及检测方法
CN109035219B (zh) * 2018-07-10 2022-03-29 华南理工大学 基于bp神经网络的fics金手指缺陷检测系统及检测方法
CN109187546A (zh) * 2018-07-23 2019-01-11 广州超音速自动化科技股份有限公司 锂电池极耳糅合检测方法及极耳焊接检测系统
CN108872250A (zh) * 2018-07-23 2018-11-23 广州超音速自动化科技股份有限公司 锂电池极耳焊反检测方法及极耳焊接检测系统
CN109270071A (zh) * 2018-07-23 2019-01-25 广州超音速自动化科技股份有限公司 一种极耳上涂层异常检测方法及极耳焊接检测系统
CN109187547A (zh) * 2018-07-23 2019-01-11 广州超音速自动化科技股份有限公司 锂电池极耳焊点焊破检测方法及极耳焊接检测系统
CN109142368A (zh) * 2018-07-23 2019-01-04 广州超音速自动化科技股份有限公司 锂电池极片打皱检测方法及极耳焊接检测系统
CN109142367A (zh) * 2018-07-23 2019-01-04 广州超音速自动化科技股份有限公司 一种锂电池极耳虚焊检测方法及极耳焊接检测系统
CN109003271A (zh) * 2018-07-25 2018-12-14 江苏拙术智能制造有限公司 一种基于深度学习yolo算法的线束连接器排线质量检测方法
CN108961252B (zh) * 2018-07-27 2021-06-08 Oppo(重庆)智能科技有限公司 检测logo粘贴不良的方法、电子装置及计算机可读存储介质
CN108961252A (zh) * 2018-07-27 2018-12-07 Oppo(重庆)智能科技有限公司 检测logo粘贴不良的方法、电子装置及计算机可读存储介质
CN109142371A (zh) * 2018-07-31 2019-01-04 华南理工大学 基于深度学习的高密度柔性基板外观缺陷检测系统与方法
CN109345519A (zh) * 2018-09-21 2019-02-15 江苏拙术智能制造有限公司 基于深度学习yolo算法的线束连接器加工型号检测方法
CN109447119A (zh) * 2018-09-26 2019-03-08 电子科技大学 一种结合形态学分割和svm的尿沉渣中管型识别方法
CN109270067A (zh) * 2018-09-29 2019-01-25 格力电器(武汉)有限公司 设备外观的检测方法、装置和系统
CN109382968A (zh) * 2018-10-23 2019-02-26 宁波汇智恒动自动化科技有限公司 一种用于注塑机的视觉检测和矫正系统
CN109389597B (zh) * 2018-10-24 2021-04-27 四川长虹电器股份有限公司 一种生产线上电路板缺陷检测系统及方法
CN109389597A (zh) * 2018-10-24 2019-02-26 四川长虹电器股份有限公司 一种生产线上电路板缺陷检测系统及方法
TWI733062B (zh) * 2018-11-06 2021-07-11 晶彩科技股份有限公司 複合檢測條件之光學影像自動擷取方法
CN109584215A (zh) * 2018-11-10 2019-04-05 东莞理工学院 一种电路板在线视觉检测系统
CN109596621A (zh) * 2018-11-13 2019-04-09 大同新成新材料股份有限公司 一种碳刷磨损检测方法及检测装置
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
CN109712115A (zh) * 2018-12-03 2019-05-03 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
CN109781737B (zh) * 2019-01-14 2021-11-23 佛山市南海区广工大数控装备协同创新研究院 一种软管表面缺陷的检测方法及其检测系统
CN109781737A (zh) * 2019-01-14 2019-05-21 佛山市南海区广工大数控装备协同创新研究院 一种软管表面缺陷的检测方法及其检测系统
CN109632007B (zh) * 2019-01-17 2020-12-04 北京理工大学 一种边缘点提取方法及齿轮高精度视觉测量系统
CN109632007A (zh) * 2019-01-17 2019-04-16 北京理工大学 一种边缘点提取方法及齿轮高精度视觉测量系统
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
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
CN109724988B (zh) * 2019-02-01 2021-05-18 佛山市南海区广工大数控装备协同创新研究院 一种基于多模板匹配的pcb板缺陷定位方法
CN109596625A (zh) * 2019-02-01 2019-04-09 东莞中科蓝海智能视觉科技有限公司 料盘中的工件缺陷检测识别方法
CN109785324B (zh) * 2019-02-01 2020-11-27 佛山市南海区广工大数控装备协同创新研究院 一种大幅面pcb板定位方法
CN109785324A (zh) * 2019-02-01 2019-05-21 佛山市南海区广工大数控装备协同创新研究院 一种大幅面pcb板定位方法
CN109859198A (zh) * 2019-02-01 2019-06-07 佛山市南海区广工大数控装备协同创新研究院 一种大幅面pcb板多区域精准定位方法
CN109724988A (zh) * 2019-02-01 2019-05-07 佛山市南海区广工大数控装备协同创新研究院 一种基于多模板匹配的pcb板缺陷定位方法
CN109886950A (zh) * 2019-02-22 2019-06-14 北京百度网讯科技有限公司 电路板的缺陷检测方法和装置
CN109813728A (zh) * 2019-03-01 2019-05-28 沈阳建筑大学 一种电路板焊点检测方法及系统
CN109934808A (zh) * 2019-03-04 2019-06-25 佛山市南海区广工大数控装备协同创新研究院 一种基于图像多形状法向梯度差值pcb板缺陷分类方法
CN109934808B (zh) * 2019-03-04 2020-11-27 佛山市南海区广工大数控装备协同创新研究院 一种基于图像多形状法向梯度差值pcb板缺陷分类方法
CN109870461B (zh) * 2019-03-29 2020-04-24 泗阳恒润电子有限公司 一种电子元器件质量检测系统
CN109870461A (zh) * 2019-03-29 2019-06-11 深圳市阿赛姆电子有限公司 一种电子元器件质量检测系统
CN109946308A (zh) * 2019-04-22 2019-06-28 深圳市阿赛姆电子有限公司 一种电子元器件外观检测装置
CN110068578A (zh) * 2019-05-17 2019-07-30 苏州图迈蓝舸智能科技有限公司 一种pvc地板的表观缺陷检测方法、装置及终端设备
CN110349125A (zh) * 2019-06-17 2019-10-18 武汉大学 一种基于机器视觉的led芯片外观缺陷检测方法及系统
CN110346953A (zh) * 2019-07-02 2019-10-18 盐城华昱光电技术有限公司 一种液晶显示模组偏光片剥离的撕片检测系统及方法
CN110455822A (zh) * 2019-07-10 2019-11-15 苏州卓融新能源科技有限公司 一种pcb板缺陷的检测方法
CN110596116A (zh) * 2019-07-23 2019-12-20 浙江科技学院 一种车辆表面瑕疵检测方法及检测系统
CN110473184A (zh) * 2019-08-06 2019-11-19 福建工程学院 一种pcb板缺陷检测方法
CN110567987A (zh) * 2019-08-12 2019-12-13 北京三清互联科技有限公司 一种基于自动视觉技术的馈线终端基板检测系统及方法
CN110582159A (zh) * 2019-08-30 2019-12-17 武汉科技大学 一种fpc焊盘表面缺陷处理系统和方法
CN110514665A (zh) * 2019-09-03 2019-11-29 博科视(苏州)技术有限公司 一种电子产品塑料外壳划痕缺陷的检测方法
CN112474384A (zh) * 2019-09-11 2021-03-12 南通深南电路有限公司 一种印制电路板的检测设备及方法
CN110599484A (zh) * 2019-09-19 2019-12-20 京东方科技集团股份有限公司 缺陷检测方法、装置及存储介质
CN111462373A (zh) * 2019-10-25 2020-07-28 泰州三凯工程技术有限公司 圈养围栏门禁驱动系统及方法
CN110866911A (zh) * 2019-11-14 2020-03-06 华雁智能科技(集团)股份有限公司 表盘缺陷检测方法、装置、图像处理设备及存储介质
CN110866911B (zh) * 2019-11-14 2022-08-30 华雁智能科技(集团)股份有限公司 表盘缺陷检测方法、装置、图像处理设备及存储介质
WO2021109011A1 (zh) * 2019-12-04 2021-06-10 电子科技大学 一种基于超声图像的电容内部缺陷智能检测方法
CN113066389A (zh) * 2019-12-26 2021-07-02 杭州海康威视数字技术股份有限公司 发光二极管(led)灯板处理方法及装置
CN111275697B (zh) * 2020-02-10 2022-04-22 西安交通大学 一种基于orb特征匹配和lk光流法的电池丝印质量检测方法
CN111275697A (zh) * 2020-02-10 2020-06-12 西安交通大学 一种基于orb特征匹配和lk光流法的电池丝印质量检测方法
CN111307817B (zh) * 2020-02-12 2021-04-09 武汉大学 一种智能产线pcb生产过程的在线检测方法及系统
CN111307817A (zh) * 2020-02-12 2020-06-19 武汉大学 一种智能产线pcb生产过程的在线检测方法及系统
CN111570327A (zh) * 2020-04-09 2020-08-25 广州视源电子科技股份有限公司 Led显示屏的印刷线路板的分类方法、装置及设备
CN111650205A (zh) * 2020-05-11 2020-09-11 东风汽车集团有限公司 基于结构光图像匹配的零件表面缺陷检测方法及系统
CN111929309A (zh) * 2020-09-14 2020-11-13 成都卓识维景科技有限公司 一种基于机器视觉的铸造件外观缺陷检测方法及系统
CN112233100A (zh) * 2020-10-23 2021-01-15 新晃顺美威科技有限公司 一种pcb板缺陷检测方法及系统
CN112858321A (zh) * 2021-02-22 2021-05-28 南京理工大学 基于线阵ccd的钢板表面缺陷检测系统及方法
CN113256570A (zh) * 2021-05-10 2021-08-13 郑州轻工业大学 基于人工智能的视觉信息处理方法、装置、设备及介质
CN113466261A (zh) * 2021-07-26 2021-10-01 鸿安(福建)机械有限公司 一种pcb板自动检测装置
CN113538427A (zh) * 2021-09-16 2021-10-22 深圳市信润富联数字科技有限公司 产品缺陷识别方法、装置、设备及可读存储介质
CN113538427B (zh) * 2021-09-16 2022-01-07 深圳市信润富联数字科技有限公司 产品缺陷识别方法、装置、设备及可读存储介质
CN113916127A (zh) * 2021-09-28 2022-01-11 安庆帝伯粉末冶金有限公司 一种气门导管成品外观视觉检测系统及检测方法
CN114202515A (zh) * 2021-11-29 2022-03-18 广州海谷电子科技有限公司 一种湿度传感器的印刷碳线缺陷的检测方法
CN114324405A (zh) * 2021-12-29 2022-04-12 安徽中科锟铻量子工业互联网有限公司 基于菲林检测的数据标注系统

Similar Documents

Publication Publication Date Title
CN107389701A (zh) 一种基于图像的pcb表观缺陷自动检测系统及方法
CN104794491B (zh) 基于预分类的模糊聚类钢板表面缺陷检测方法
Cord et al. Automatic road defect detection by textural pattern recognition based on AdaBoost
Yang et al. Real-time tiny part defect detection system in manufacturing using deep learning
CN105046252B (zh) 一种人民币冠字码识别方法
CN102998316B (zh) 一种透明液体杂质检测系统及其检测方法
CN103279765B (zh) 基于图像匹配的钢丝绳表面损伤检测方法
CN110148130B (zh) 用于检测零件缺陷的方法和装置
CN110163853B (zh) 一种边缘缺陷的检测方法
CN106290392A (zh) 一种小微轴承表面凹痕缺陷在线检测方法及其系统
CN109087286A (zh) 一种基于计算机图像处理和模式识别的检测方法及应用
CN109544522A (zh) 一种钢板表面缺陷检测方法及系统
Liang et al. Defect detection of rail surface with deep convolutional neural networks
CN107016394B (zh) 一种交叉纤维特征点匹配方法
CN109584215A (zh) 一种电路板在线视觉检测系统
CN107230203A (zh) 基于人眼视觉注意机制的铸件缺陷识别方法
CN113592845A (zh) 一种电池涂布的缺陷检测方法及装置、存储介质
CN103699876B (zh) 一种基于线阵ccd图像识别车号的方法及装置
CN110443791A (zh) 一种基于深度学习网络的工件检测方法及其检测装置
CN111178405A (zh) 一种融合多种神经网络的相似物体识别方法
Yang et al. Vial bottle mouth defect detection based on machine vision
Oni et al. Patterned fabric defect detection and classification (FDDC) techniques: a review
CN109946304A (zh) 基于特征匹配的零件表面缺陷在线检测系统及检测方法
Guo et al. Fault diagnosis of power equipment based on infrared image analysis
Zhang et al. Fabric defect detection based on visual saliency map and SVM

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20171124

RJ01 Rejection of invention patent application after publication