CN109242853A - 一种基于图像处理的pcb缺陷智能检测方法 - Google Patents
一种基于图像处理的pcb缺陷智能检测方法 Download PDFInfo
- Publication number
- CN109242853A CN109242853A CN201811310766.4A CN201811310766A CN109242853A CN 109242853 A CN109242853 A CN 109242853A CN 201811310766 A CN201811310766 A CN 201811310766A CN 109242853 A CN109242853 A CN 109242853A
- Authority
- CN
- China
- Prior art keywords
- image
- value
- pcb
- intelligent detecting
- detecting method
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000007547 defect Effects 0.000 title claims abstract description 29
- 230000003044 adaptive effect Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 6
- 230000000877 morphologic effect Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000010339 dilation Effects 0.000 description 5
- 230000003628 erosive effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007781 pre-processing Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像处理的PCB缺陷智能检测方法，包括如下步骤：(1)对采集到的图像进行预处理，包括图像增强和图像去噪，以去除在采集过程中存在各种不稳定的外界干扰因素，从而获取到适合分析处理的高质量图像；(2)选择自适应阈值分割法得到特征清晰，噪声影响低的二值图像从而对图像进行分割；(3)对步骤二中得到的分割图像进行形态学运算处理从而得到拟标准的PCB二值化图像；(4)将步骤三中得到的拟标准PCB板二值化图像和步骤二中的待测PCB板二值化图像进行异或运算，对异或后的结果进行进一步形态学处理从而得出存在缺陷的位置。
Description
技术领域
本发明涉及一种PCB缺陷检测方法，尤其涉及一种基于图像处理的PCB缺陷智能检测方法。
背景技术
当今社会，随着科学技术的不断发展，人类社会已经开始迈入信息化的时代，各种电子设备更是扮演着不可或缺的角色。PCB作为电子工业中最基础和最活跃的产业之一，发展迅速，在各行各业都有着极其广泛的应用，PCB的发展不断推动着行业的发展，在产品生产与创新过程中也存在如生产质量不合格的问题，一旦PCB板上线路有点残缺，或者大小不合适，都将直接影响电子产品的质量以及产品所要到达的精度。目前智能检测系统的目的就是为了减少这样不必要的损失，降低成本，提高效率，加大生产，从而促进PCB行业，以及其他电子行业的更好地发展。
现有PCB板的缺陷检测主要依靠技术人员的经验和普通测量工具来进行，这是很不准确的，存在较大的误差。同时，由于每个PCB板都有其不同的特点，这进一步加大了PCB板缺陷检测的难度和准确度。然而，过低的缺陷检测准确率可能影响器件的可靠性。
发明内容
发明目的：针对现有技术存在的上述问题，提供一种基于数字图像处理的PCB缺陷智能检测方法。
技术方案：本发明的基于图像处理的PCB缺陷智能检测方法包括如下步骤：(1)用图像增强法和图像去噪法对采集到的PCB图像进行预处理操作；(2)采用自适应阈值法对预处理图像进行图像分割得到待测二值化图像，以提取PCB板的整体特征信息；(3)对步骤(2)中得到的待测二值化图像进行一或多次开运算从而得到拟标准的二值化图像；(4)将拟标准二值化图像和待测二值化图像进行异或运算再进行一或多次开运算，从而得到缺陷所在位置以及缺陷形状的大小。
进一步地，在步骤(1)中，所述图像增强法采用灰度拉伸法增强对比度，所述图像去噪法采用自适应图像去噪算法以去除噪声对图像的影响。所述灰度拉伸法是一种简单的线性点运算，以扩展图像的直方图；所述灰度拉伸法的拉伸关系如式(1)所示：
其中，x为像素点的原灰度值，g(x)为根据映射关系拉伸后得到的像素点的灰度值，L＝256，x1和x2以及y1和y2的值为预先设定的且均在区间(0,L)内。
进一步地，所述自适应图像去噪算法包括：设定自适应中值滤波器的窗口大小；读取该窗口内像素的灰度中值、最小灰度值和最大灰度值；判断窗口内每一像素的灰度值是否在所述最小灰度值和所述最大灰度值之间，若不在则认为当前像素存在噪声，并利用所述灰度中值替换当前像素的灰度值，若不是则不作改变。
进一步地，在步骤(2)中，所述自适应阈值法包括：将预处理图像分为多个部分，并对不同部分设定不同的分割阈值。其中，对不同部分设定不同的分割阈值包括：(21)计算整个预处理图像的平均灰度值avg；(22)将预处理图像分成多个图像块；(23)计算每一图像块的最大灰度值max与最小灰度值min以及中间灰度值med；(24)根据式(2)计算每一图像块的阈值T：
其中，diff为当前图像块的最大灰度差。
有益效果：本发明与现有技术相比，利用数字图像处理技术对采集到的PCB图像进行分析处理，判断其是否存在缺陷，是否是合格产品，能够准确判断出哪件产品不合格并将其剔除掉，可以极大地降低生产成本，提高生产效率，适合实际应用。
附图说明
图1为本发明的基于图像处理的PCB缺陷智能检测方法的流程图；
图2为本发明方法中每一步操作的GUI图像处理界面；
图3为本发明进行图像增强后的结果图；
图4为本发明进行图像去噪后的结果图；
图5为本发明进行图像二值化操作后的结果图；
图6为本发明进行异或运算后的结果图；
图7为本发明对异或运算结果图进行膨胀运算后的结果图；
图8为本发明对异或运算结果图进行腐蚀运算后的结果图；
图9为本发明对异或运算结果图进行开运算后的结果图。
具体实施方式
以下结合附图对本发明进行详细说明。
如图1，本发明提供的基于数字图像处理的PCB缺陷智能检测方法具体包括四个步骤：
步骤一：对采集到的PCB图像进行预处理操作，即根据不同的PCB图像特点可用图像增强法和图像去噪法进行处理以获得高质量的图像以供分析检测。
在这个步骤中，图像增强法采用灰度拉伸法处理后实现，结果如图3所示。灰度拉伸法具体包括：将大部分像素的灰度值位于灰度范围[0,L]内的图像中的各像素灰度值通过某种线性表达拉伸到另外一种灰度范围内从而增强对比度：
其中，x为像素点的原灰度值，g(x)为根据映射关系拉伸后得到的像素点的灰度值，L＝256，x1和x2以及y1和y2的值为预先设定的且均在区间(0,L)内。
这种分段式灰度拉伸方法使得目标和背景之间的灰度值差异变大从而增强了图像的对比度，改善图像的质量。优选的，利用MATLAB的rgb2gray函数将采集到的原始图像转换为灰度图像。优选的，利用MATLAB的imadjust函数进行灰度拉伸。
图像去噪算法通过自适应中值滤波器实现。该滤波器的窗口大小可预先设定。在设定好滤波器窗口后，读取该窗口内的灰度中值Gmed，最小灰度值Gmax，最大灰度值Gmin，并判断当前像素的灰度值Gxy是否在Gmax和Gmin之间，若不在两者之间则认为当前像素存在噪声，并利用灰度中值Gmed替换，如不是则不作改变。这样一来，就可有效去除散粒噪声，平滑高斯噪声，减少边缘失真，尽可能的保护图像的细节信息，避免边缘结构模糊，从而满足滤波需求。通过图像去噪算法得到的结果如图4所示。
步骤二：采用自适应阈值法对预处理图像进行图像分割得到待测二值化图像，以提取PCB板的整体特征信息。
自适应阈值法考虑到PCB图像的整体分布存在不均匀性，将图像分成相对均匀亮度的多个部分，并对不同部分设置不同的阈值，阈值设定的具体步骤为：(1)首先求出整个图像的平均灰度值avg；(2)将图像分成多个(例如，n*n个)图像块；(3)求出子窗口的最大灰度值max与最小灰度值min以及中间灰度值med；(4)求对当前子窗口的最大灰度差diff，阈值T设定如式(2)：
通过自适应阈值法对图像进行处理后的结果如图5所示。
步骤三：对待测二值化图像进行一或多次开运算从而得到PCB板的拟标准二值化图像。
开运算是图像形态学处理方式的一种。图像形态学处理还包括腐蚀、膨胀和闭运算处理。用腐蚀操作可消除边界点，去除掉小于结构元素的物体(小的凸起或者其他斑点)。当结构元素选取足够大时，腐蚀运算可以将两个物体之间细小的连接分离开来，使得边界向内部收缩，从而消除小且无意义的物体。腐蚀运算的表达式如式(3)所示，其中，X为目标图像，S为结构元素，
膨胀操作是腐蚀的对偶运算，目标图像经过膨胀后会使得图像中的接近物体的背景点融进物体，使得整体的边界向外扩张，并且将图像中存在的孔洞填充。膨胀运算定义式(4)所示：
开运算是先对图像作腐蚀运算，再做膨胀运算，将目标范围变小以消除小的且无意义的目标物，即图像上多余的连接部分和短线部分。相反，闭操作则是先膨胀再腐蚀，可填充PCB的线路断开部分。
开运算的数学表达式如下：
对PCB板的待测二值化图像进行一次或反复的腐蚀膨胀运算处理(即进行一次或多次开运算)。由于开运算继承了腐蚀的优点，可以消除图像的边界点，也可以使图像中边缘的凸起转化为背景，切断图像中两物体之间狭细的连接，因此采用开运算可以起到平滑边缘、剔除细节的作用，而且不会改变原始对象的面积。开运算的次数可以根据实际情况自行选择。
步骤四：将拟标准二值化图像和待测二值化图像进行异或运算和一或多次开运算，从而准确得到缺陷所在位置以及缺陷形状的大小。
将PCB板的待测二值化图像与拟标准二值化图像进行对比运算(即：将两幅图像的对应像素点逐一进行异或运算)后，即灰度值结果相同时为0(即为黑)，否则为255(即为白)，对比运算的结果如图6所示。
为了准确获得缺陷位置，需要对图像对比后的结果图再进行一或多次开运算，从而达到精准定位以及减少外界噪声的干扰的目的。图7至图9分别展示了对对比结果图进行膨胀运算、腐蚀运算和开运算后的结果图，从而可以直观地体现三种图像形态学处理方式之间的区别。通过对比可知，在对对比图像进行一或多次开运算可以更为准确地定位缺陷位置以及缺陷大小。
以上是本发明PCB缺陷智能检测方法的主要步骤。为了使得对PCB图像的处理更加方便快捷，还可以将对PCB图像处理的具体实施操作整合到了一个GUI图像处理界面。这样的GUI更加能促进与使用者的互动交流，视觉得到了优化，操作者只需点击界面上的按钮即可完成对PCB图像的一系列处理。GUI的总体设计布局如图2所示，主要分为显示区域和操作区域。
以上所述，仅是发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何的简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (6)
1.一种基于图像处理的PCB缺陷智能检测方法，其特征在于：包括如下步骤：
(1)用图像增强法和图像去噪法对采集到的PCB图像进行预处理操作；
(2)采用自适应阈值法对预处理图像进行图像分割得到待测二值化图像，以提取PCB板的整体特征信息；
(3)对步骤(2)中得到的待测二值化图像进行一或多次开运算从而得到拟标准的二值化图像；
(4)将拟标准二值化图像和待测二值化图像进行异或运算再进行一或多次开运算，从而得到缺陷所在位置以及缺陷形状的大小。
2.根据权利要求1所述的PCB缺陷智能检测方法，其特征在于：在步骤(1)中，所述图像增强法采用灰度拉伸法增强对比度，所述图像去噪法采用自适应图像去噪算法以去除噪声对图像的影响。
3.根据权利要求2所述的PCB缺陷智能检测方法，其特征在于：所述灰度拉伸法是一种简单的线性点运算，以扩展图像的直方图；所述灰度拉伸法的拉伸关系如式(1)所示：
其中，x为像素点的原灰度值，g(x)为根据映射关系拉伸后得到的像素点的灰度值，L＝256，x1和x2以及y1和y2的值为预先设定的且均在区间(0,L)内。
4.根据权利要求2所述的PCB缺陷智能检测方法，其特征在于：所述自适应图像去噪算法包括：设定自适应中值滤波器的窗口大小；读取该窗口内像素的灰度中值、最小灰度值和最大灰度值；判断窗口内每一像素的灰度值是否在所述最小灰度值和所述最大灰度值之间，若不在则认为当前像素存在噪声，并利用所述灰度中值替换当前像素的灰度值，若不是则不作改变。
5.根据权利要求1所述的PCB缺陷智能检测方法，其特征在于：在步骤(2)中，所述自适应阈值法包括：将预处理图像分为多个部分，并对不同部分设定不同的分割阈值。
6.根据权利要求1所述的PCB缺陷智能检测方法，其特征在于：对不同部分设定不同的分割阈值包括：
(21)计算整个预处理图像的平均灰度值avg；
(22)将预处理图像分成多个图像块；
(23)计算每一图像块的最大灰度值max与最小灰度值min以及中间灰度值med；
(24)根据式(2)计算每一图像块的阈值T：
其中，diff为当前图像块的最大灰度差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811310766.4A CN109242853B (zh) | 2018-11-05 | 2018-11-05 | 一种基于图像处理的pcb缺陷智能检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811310766.4A CN109242853B (zh) | 2018-11-05 | 2018-11-05 | 一种基于图像处理的pcb缺陷智能检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109242853A true CN109242853A (zh) | 2019-01-18 |
| CN109242853B CN109242853B (zh) | 2021-10-19 |
Family
ID=65076889
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811310766.4A Active CN109242853B (zh) | 2018-11-05 | 2018-11-05 | 一种基于图像处理的pcb缺陷智能检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109242853B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919922A (zh) * | 2019-02-27 | 2019-06-21 | 重庆大学 | 一种基于空间域与形态学相结合的硅硅直接键合的质量检测方法 |
| CN110021011A (zh) * | 2019-03-15 | 2019-07-16 | 横店集团东磁有限公司 | 一种检测芯片画胶面积的方法 |
| CN110648308A (zh) * | 2019-08-06 | 2020-01-03 | 广东工业大学 | 一种pcb导线缺陷的识别与定位方法 |
| CN110942457A (zh) * | 2019-11-30 | 2020-03-31 | 天津大学 | 基于数字图像处理技术的太阳能电池板缺陷检测方法 |
| CN111667448A (zh) * | 2019-03-06 | 2020-09-15 | 深圳中科飞测科技有限公司 | 一种图像处理方法、装置及设备 |
| CN111972700A (zh) * | 2019-05-22 | 2020-11-24 | 上海烟草集团有限责任公司 | 烟支外观检测方法及其装置、设备、系统和介质 |
| CN112053356A (zh) * | 2020-09-17 | 2020-12-08 | 惠州高视科技有限公司 | 塑封半导体管脚处缺陷的检测方法及装置 |
| CN113592782A (zh) * | 2021-07-07 | 2021-11-02 | 山东大学 | 一种复合材料碳纤维芯棒x射线图像缺陷提取方法及系统 |
| CN114627113A (zh) * | 2022-05-12 | 2022-06-14 | 成都数之联科技股份有限公司 | 一种印制电路板缺陷检测方法及系统及装置及介质 |
| CN116433666A (zh) * | 2023-06-14 | 2023-07-14 | 江西萤火虫微电子科技有限公司 | 板卡线路缺陷在线识别方法、系统、电子设备及存储介质 |
| CN116703921A (zh) * | 2023-08-07 | 2023-09-05 | 东莞市溢信高电子科技有限公司 | 一种柔性线路板表面镀层质量检测方法 |
| CN117078620A (zh) * | 2023-08-14 | 2023-11-17 | 正泰集团研发中心(上海)有限公司 | Pcb焊点缺陷检测方法、装置、电子设备和存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106780438A (zh) * | 2016-11-11 | 2017-05-31 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
| CN106897994A (zh) * | 2017-01-20 | 2017-06-27 | 北京京仪仪器仪表研究总院有限公司 | 一种基于分层图像的pcb板缺陷检测系统和方法 |
| CN108648168A (zh) * | 2018-03-15 | 2018-10-12 | 北京京仪仪器仪表研究总院有限公司 | Ic晶圆表面缺陷检测方法 |
-
2018
- 2018-11-05 CN CN201811310766.4A patent/CN109242853B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106780438A (zh) * | 2016-11-11 | 2017-05-31 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
| CN106897994A (zh) * | 2017-01-20 | 2017-06-27 | 北京京仪仪器仪表研究总院有限公司 | 一种基于分层图像的pcb板缺陷检测系统和方法 |
| CN108648168A (zh) * | 2018-03-15 | 2018-10-12 | 北京京仪仪器仪表研究总院有限公司 | Ic晶圆表面缺陷检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 胡和智: "基于数字图像处理印刷电路板的缺陷检测及实现", 《河北工业大学硕士论文》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919922A (zh) * | 2019-02-27 | 2019-06-21 | 重庆大学 | 一种基于空间域与形态学相结合的硅硅直接键合的质量检测方法 |
| CN109919922B (zh) * | 2019-02-27 | 2023-02-03 | 重庆大学 | 一种基于空间域与形态学相结合的硅硅直接键合的质量检测方法 |
| CN111667448B (zh) * | 2019-03-06 | 2023-08-15 | 深圳中科飞测科技股份有限公司 | 一种图像处理方法、装置及设备 |
| CN111667448A (zh) * | 2019-03-06 | 2020-09-15 | 深圳中科飞测科技有限公司 | 一种图像处理方法、装置及设备 |
| CN110021011A (zh) * | 2019-03-15 | 2019-07-16 | 横店集团东磁有限公司 | 一种检测芯片画胶面积的方法 |
| CN111972700A (zh) * | 2019-05-22 | 2020-11-24 | 上海烟草集团有限责任公司 | 烟支外观检测方法及其装置、设备、系统和介质 |
| CN110648308A (zh) * | 2019-08-06 | 2020-01-03 | 广东工业大学 | 一种pcb导线缺陷的识别与定位方法 |
| CN110942457A (zh) * | 2019-11-30 | 2020-03-31 | 天津大学 | 基于数字图像处理技术的太阳能电池板缺陷检测方法 |
| CN110942457B (zh) * | 2019-11-30 | 2023-12-08 | 天津大学 | 基于数字图像处理技术的太阳能电池板缺陷检测方法 |
| CN112053356B (zh) * | 2020-09-17 | 2021-08-20 | 高视科技(苏州)有限公司 | 塑封半导体管脚处缺陷的检测方法及装置 |
| CN112053356A (zh) * | 2020-09-17 | 2020-12-08 | 惠州高视科技有限公司 | 塑封半导体管脚处缺陷的检测方法及装置 |
| CN113592782A (zh) * | 2021-07-07 | 2021-11-02 | 山东大学 | 一种复合材料碳纤维芯棒x射线图像缺陷提取方法及系统 |
| CN113592782B (zh) * | 2021-07-07 | 2023-07-28 | 山东大学 | 一种复合材料碳纤维芯棒x射线图像缺陷提取方法及系统 |
| CN114627113A (zh) * | 2022-05-12 | 2022-06-14 | 成都数之联科技股份有限公司 | 一种印制电路板缺陷检测方法及系统及装置及介质 |
| CN116433666B (zh) * | 2023-06-14 | 2023-08-15 | 江西萤火虫微电子科技有限公司 | 板卡线路缺陷在线识别方法、系统、电子设备及存储介质 |
| CN116433666A (zh) * | 2023-06-14 | 2023-07-14 | 江西萤火虫微电子科技有限公司 | 板卡线路缺陷在线识别方法、系统、电子设备及存储介质 |
| CN116703921A (zh) * | 2023-08-07 | 2023-09-05 | 东莞市溢信高电子科技有限公司 | 一种柔性线路板表面镀层质量检测方法 |
| CN116703921B (zh) * | 2023-08-07 | 2023-12-05 | 东莞市溢信高电子科技有限公司 | 一种柔性线路板表面镀层质量检测方法 |
| CN117078620A (zh) * | 2023-08-14 | 2023-11-17 | 正泰集团研发中心(上海)有限公司 | Pcb焊点缺陷检测方法、装置、电子设备和存储介质 |
| CN117078620B (zh) * | 2023-08-14 | 2024-02-23 | 正泰集团研发中心(上海)有限公司 | Pcb焊点缺陷检测方法、装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109242853B (zh) | 2021-10-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109242853A (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
| CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
| CN110286124B (zh) | 基于机器视觉的耐火砖测量系统 | |
| CN110992329B (zh) | 一种产品表面缺陷检测方法、电子设备及可读存储介质 | |
| CN102426649B (zh) | 一种简单的高准确率的钢印数字自动识别方法 | |
| CN109685760B (zh) | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 | |
| CN108416766B (zh) | 双侧入光式导光板缺陷视觉检测方法 | |
| US8520892B2 (en) | Method and apparatus for detecting objects | |
| CN114187289B (zh) | 一种基于计算机视觉的塑料制品缩坑检测方法及系统 | |
| CN114399522A (zh) | 一种基于高低阈值的Canny算子的边缘检测方法 | |
| CN112991302A (zh) | 基于超像素的柔性ic基板变色缺陷检测方法和装置 | |
| US20100040276A1 (en) | Method and apparatus for determining a cell contour of a cell | |
| CN109949294A (zh) | 一种基于OpenCV的断口形貌图裂纹缺陷提取方法 | |
| Dominguez-Nicolas et al. | Indentation image analysis for Vickers hardness testing | |
| CN111429429A (zh) | 干细胞融合度检测方法、装置、计算机设备及存储介质 | |
| CN107123102A (zh) | 一种贴壁细胞生长融合度自动分析方法 | |
| CN106447683A (zh) | 一种圆的特征提取算法 | |
| Chen et al. | Robust dislocation defects region segmentation for polysilicon wafer image with random texture background | |
| CN116485787B (zh) | 一种数据线成型外模外观缺陷检测方法 | |
| CN110530894B (zh) | 导光板亮点缺陷检测方法 | |
| Choukikar et al. | Segmenting the optic disc in retinal images using thresholding | |
| CN116563276A (zh) | 一种化纤长丝在线缺陷检测方法及检测系统 | |
| JP2004296592A (ja) | 欠陥分類装置、欠陥分類方法およびプログラム | |
| CN116468689A (zh) | 一种基于灰度特征的瑕疵识别方法 | |
| CN114862786A (zh) | 基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及系统 |
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 | ||
| CB02 | Change of applicant information |
Address after: 210044 No. 219 Ningliu Road, Jiangbei New District, Nanjing City, Jiangsu Province Applicant after: Nanjing University of Information Science and Technology Address before: 211500 Yuting Square, 59 Wangqiao Road, Liuhe District, Nanjing City, Jiangsu Province Applicant before: Nanjing University of Information Science and Technology |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |