CN109767445A - 一种高精度的pcb缺陷智能检测方法 - Google Patents
一种高精度的pcb缺陷智能检测方法 Download PDFInfo
- Publication number
- CN109767445A CN109767445A CN201910102843.5A CN201910102843A CN109767445A CN 109767445 A CN109767445 A CN 109767445A CN 201910102843 A CN201910102843 A CN 201910102843A CN 109767445 A CN109767445 A CN 109767445A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- point
- small
- template image
- 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
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了一种高精度的PCB缺陷智能检测方法,通过对模板图像和测试图像进行模板匹配运算,得到模板图像在测试图像上的最佳匹配点,以同模板图像等宽高的区域进行截取并进行旋转对位,使得截取的测试图像与模板图像高度重合,继而进行差分处理、切割处理、边缘处理以及运用轮廓超差算法进行缺陷检测;本发明提高了PCB表面质量的检测速度和精度,有效提高了检测效率,减少了缺陷误检或漏检情况的发生,实现了印制电路板表面缺陷的自动化检测,节省了人力财力物力,提高了生产自动化程度。
Description
技术领域
本发明涉及检测设备技术领域,具体涉及一种高精度的PCB缺陷智能检测方法。
背景技术
在电子制造行业当中,PCB线路表面缺陷检测历来是PCB行业难以攻克的一个技术难点,各家公司的PCB检测设备性能参差不齐,市面上大部分的PCB检测设备也无法适应各种各样的缺陷。而传统的PCB缺陷检测方法容易形成漏检,速度慢,因此针对传统的缺陷检测方法和设备需要进行优化和改造。
发明内容
针对现有技术的不足,本发明提供一种多策略匹配、对位和高精度搜索轮廓超差的PCB表面缺陷检测方法,由该方法中含有的多种算法以不同组合方式形成智能检测系统,系统主要包含三大流程,第一流程是可以实现图像批处理缺陷检测,能够输出批处理检测结果;第二流程是针对单张图像进行处理,实现缺陷精定位;第三流程是第二流程的精简版,是对小图缺陷进行局部定位的一种过程。此系统能够方便快速检测出PCB光板的各种缺陷,也能够解决现在机器视觉检测算法中检测效率低、精度差以及易出现的误检、漏检等情况。本发明通过以下若干步骤对系统主要的第一流程进行阐述,第二流程与第三流程所涉及的算法与第一流程相同,只是程序组合方式有所差别或删减。
为实现上述目的,本发明采用如下技术方案:
一种高精度的PCB缺陷智能检测方法,其特征在于,第一流程具体步骤包括:
S1,获取PCB的模板图像以及测试图像;
S2,将模板图像与测试图像进行图像匹配,根据匹配结构对测试图进行旋转矫正并截取;
S3,将模板图像与截取后的测试图进行差分运算得到差分图像;
S4,将差分图像进行开运算去除尖角区域,并进行连通处理;
S5,根据连通区域位置、大小分别在模板图像上和截取的测试图上进行同宽高的抠图得到若干模板小图和测试小图;
S6,对模板图像抠出的每一张模板小图计算其边缘轮廓法向信息并输出;
S7,根据S6输出的法向信息对测试图像抠出的测试小图执行轮廓超差缺陷查找算法;
S8,根据设定的缺陷阈值,可判定计算的超差距离是否为缺陷,若大于阈值,则输出此点。
进一步的,所述步骤S7中的轮廓超差算法具体步骤包括:
S701,根据轮廓点的法向信息,在法向上设置寻找的最大步长maxStep,假设最大步长为10,每一次步长增加量为1,总共循环10次;
S702,在寻找过程中,先计算法向上每一步的坐标值,然后获取缺陷小图中该坐标下的灰度值,若灰度值等于255则计算该点与初始点的欧氏距离,若距离大于设定的最大阈值,则输出此缺陷点的位置;
S703,若灰度值等于0则寻找此点的八邻域;
S704,若八邻域中有灰度值为255的点,则计算它们与初始点的距离,取最小距离的点;
S705,若最小距离大于设定的最大距离,则输出此点,否则继续寻找下一步长的点,重复上述过程;
S706,若没有找到白点,则在法向的反方向上继续执行上述过程。
本发明提供的一种高精度的PCB缺陷智能检测方法的有益效果在于:本发明通过对模板图像和测试图像进行模板匹配运算,得到模板图像在测试图像上的最佳匹配点,以同模板图像等宽高的区域进行截取并进行旋转对位,使得截取的测试图像与模板图像高度重合。在此基础上,将两幅图像进行差分运算得到差分图像,再利用开运算对差分图像将一些极细小的尖角区域进行去除,然后将差分图像的像素点连通使得成为可整体描述的区域,根据区域的位置、大小在模板图像和测试图像上进行切割,这样便得到了许多含有缺陷的小图像。对切割模板图像后的小图像进行边缘处理,然后计算每个边缘点的法向即法线角度。根据模板小图像的边缘点法向在对应的测试小图像上寻找轮廓超差缺陷,遍历轮廓边缘点计算出每个超差点离对应边缘点的距离,通过设定的缺陷阈值可判定此点是否为缺陷。本发明提高了PCB表面质量的检测速度和精度,有效提高了检测效率,减少了缺陷误检或漏检情况的发生,实现了印制电路板表面缺陷的自动化检测,节省了人力财力物力,提高了生产自动化程度。
附图说明
图1为本发明流程示意图。
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、完整的描述,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。本领域普通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,均属于本发明的保护范围。
实施例:一种高精度的PCB缺陷智能检测方法。
S1,输入一批标准产品图像作为模板图像和一批实际测试图像,模板图像需要和测试图像一一对应且为二值图像,同时获取两幅图像对应的索引号;
S2,将模板图像在对应的测试图像上进行模板匹配,得到模板图像在测试图像上的位置和旋转角度,然后根据旋转角度将测试图像进行仿射变换以得到矫正图像,在矫正图像上根据模板匹配得到的位置截取对应的模板图像CropImage;
S3,将上述截取的模板图像CropImage进行开运算消除尖角区域而得到OpeningImage图像,然后将此图像与输入的模板图像进行差分得到差分图像ImageXor;
S4,对上述差分图像ImageXor二值化再进行开运算消除一些细小区域部分,然后将开运算后的区域进行连通,根据相对位置对这些连通区域进行排序并计数;
S5,计算上述每个连通区域的最小外接矩形,然后根据外接矩形的大小分别在输入的模板图像上和裁剪图像Crop Image上提取同等大小的ROI区域并保存为图像且标记相同的索引号,通过这一步将测试图像中有缺陷的区域分别保存为许多个不同大小的小图像,称之为缺陷小图,同样无缺陷的对应小图需要在模板图像中的对应位置处获取;对上述的缺陷小图和无缺陷小图进行遍历;
S6,对无缺陷小图进行亚像素边缘轮廓提取,根据获取的轮廓点信息进行计数,每三个相邻轮廓点为一组,求取边缘两点的连线的法线,将该法线的角度设为中心点的法向。依次类推,可求得每个轮廓点的法向信息并输出;
S7,对上述的每一张缺陷小图和无缺陷小图进行全黑或全白判断,若两幅图像都为全黑或全白,则跳出此次循环,重新载入下一张小图。若缺陷小图为全黑或全白时,则利用无缺陷小图的轮廓信息去查找缺陷小图的缺陷信息;否则,反之;
S8,上述步骤中查找缺陷信息是通过轮廓超差算法找出缺陷位置信息并将小图的缺陷位置最后还原到原来的模板图像和测试图像中去,最后保存缺陷所对应的大图和小图的索引号。
轮廓超差算法查找缺陷的步骤如下:
根据轮廓点的法向信息,在法向上设置寻找的最大步长maxStep,假设最大步长为10,每一次步长增加量为1,总共循环10次。在寻找过程中,先计算法向上每一步的坐标值,然后获取缺陷小图中该坐标下的灰度值,若灰度值等于255则计算该点与初始点的欧氏距离,若距离大于设定的最大阈值,则输出此缺陷点的位置。若灰度值等于0则寻找此点的八邻域。若八邻域中有灰度值为255的点,则计算它们与初始点的距离,取最小距离的点。若最小距离大于设定的最大距离,则输出此点,否则继续寻找下一步长的点,重复上述过程。若没有找到白点,则在法向的反方向上继续执行上述过程。
第一流程包含上述步骤Step1至Step8,对一批输入图像进行处理的,将批处理的结果保存下来,第二流程是将上述Step1至Step8过程中输入模板图像和测试图像的循环遍历去掉,保留Step2后续的处理算法,将最后的处理结果在窗口中显示出来。第三流程是通过第一流程处理之后保存的小图的索引来工作的,将小图索引号作为系统的输入,其输出则是系统对缺陷的高精度局部定位。其第三流程只需通过模板图像的法向轮廓查找算法和测试图像的轮廓超差算法(模板图和测试图之间可互换执行算法),无需进行模板匹配和小图截取过程。因此系统可通过不同的索引号实现对不同大小图像的缺陷位置进行追踪和观察,非常灵活。
以上所述为本发明的较佳实施例而已,但本发明不应局限于该实施例和附图所公开的内容,所以凡是不脱离本发明所公开的精神下完成的等效或修改,都落入本发明保护的范围。
Claims (2)
1.一种高精度的PCB缺陷智能检测方法,其特征在于,包括第一流程、第二流程和第三流程,所述第一流程实现图像批处理缺陷检测,能够输出批处理检测结构;所述第二流程针对单张图像进行处理,实现缺陷精定位;所述第三流程对小图缺陷进行局部定位;第一流程具体步骤包括:
S1,获取PCB的模板图像以及测试图像;
S2,将模板图像与测试图像进行图像匹配,根据匹配结构对测试图进行旋转矫正并截取;
S3,将模板图像与截取后的测试图进行差分运算得到差分图像;
S4,将差分图像进行开运算去除尖角区域,并进行连通处理;
S5,根据连通区域位置、大小分别在模板图像上和截取的测试图上进行同宽高的抠图得到若干模板小图和测试小图;
S6,对模板图像抠出的每一张模板小图计算其边缘轮廓法向信息并输出;
S7,根据S6输出的法向信息对测试图像抠出的测试小图执行轮廓超差缺陷查找算法;
S8,根据设定的缺陷阈值,可判定计算的超差距离是否为缺陷,若大于阈值,则输出此点。
2.如权利要求1所述的高精度的PCB缺陷智能检测方法,其特征在于,所述步骤S7中的轮廓超差算法具体步骤包括:
S701,根据轮廓点的法向信息,在法向上设置寻找的最大步长maxStep,假设最大步长为10,每一次步长增加量为1,总共循环10次;
S702,在寻找过程中,先计算法向上每一步的坐标值,然后获取缺陷小图中该坐标下的灰度值,若灰度值等于255则计算该点与初始点的欧氏距离,若距离大于设定的最大阈值,则输出此缺陷点的位置;
S703,若灰度值等于0则寻找此点的八邻域;
S704,若八邻域中有灰度值为255的点,则计算它们与初始点的距离,取最小距离的点;
S705,若最小距离大于设定的最大距离,则输出此点,否则继续寻找下一步长的点,重复上述过程;
S706,若没有找到白点,则在法向的反方向上继续执行上述过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910102843.5A CN109767445B (zh) | 2019-02-01 | 2019-02-01 | 一种高精度的pcb缺陷智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910102843.5A CN109767445B (zh) | 2019-02-01 | 2019-02-01 | 一种高精度的pcb缺陷智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109767445A true CN109767445A (zh) | 2019-05-17 |
CN109767445B CN109767445B (zh) | 2020-11-27 |
Family
ID=66455958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910102843.5A Active CN109767445B (zh) | 2019-02-01 | 2019-02-01 | 一种高精度的pcb缺陷智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109767445B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110672617A (zh) * | 2019-09-14 | 2020-01-10 | 华南理工大学 | 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法 |
CN111189854A (zh) * | 2020-04-13 | 2020-05-22 | 征图新视(江苏)科技股份有限公司 | 玻璃盖板自动检测系统缺陷分层检测方法 |
CN111353974A (zh) * | 2020-02-20 | 2020-06-30 | 凌云光技术集团有限责任公司 | 一种检测影像边界缺陷的方法及装置 |
CN112700415A (zh) * | 2020-12-31 | 2021-04-23 | 重庆宇海精密制造股份有限公司 | 一种笔电外壳缺陷快速检测算法 |
CN113920117A (zh) * | 2021-12-14 | 2022-01-11 | 成都数联云算科技有限公司 | 一种面板缺陷区域检测方法、装置、电子设备及存储介质 |
CN114862856A (zh) * | 2022-07-07 | 2022-08-05 | 成都数之联科技股份有限公司 | 一种面板缺陷区域识别方法、装置、电子设备及介质 |
CN114851206A (zh) * | 2022-06-06 | 2022-08-05 | 天津中科智能识别有限公司 | 基于视觉引导机械臂抓取炉具的方法 |
CN115205291A (zh) * | 2022-09-15 | 2022-10-18 | 广州镭晨智能装备科技有限公司 | 一种电路板检测方法、装置、设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1106870A1 (ru) * | 1983-04-14 | 1984-08-07 | Трест "Центрметаллургремонт" | Устройство дл перемещени дефектоскопа по металлической трубе |
CN1468371A (zh) * | 2000-09-10 | 2004-01-14 | �²�̩������˾ | Pcb检测中错误报警的减少 |
CN103413288A (zh) * | 2013-08-27 | 2013-11-27 | 南京大学 | 一种lcd总体检测缺陷方法 |
CN103886589A (zh) * | 2014-02-27 | 2014-06-25 | 四川农业大学 | 面向目标的自动化高精度边缘提取方法 |
CN104574417A (zh) * | 2015-01-27 | 2015-04-29 | 中国人民解放军国防科学技术大学 | 一种图像边缘灰度起伏性度量与自适应检测方法 |
CN107798326A (zh) * | 2017-10-20 | 2018-03-13 | 华南理工大学 | 一种轮廓视觉检测算法 |
-
2019
- 2019-02-01 CN CN201910102843.5A patent/CN109767445B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1106870A1 (ru) * | 1983-04-14 | 1984-08-07 | Трест "Центрметаллургремонт" | Устройство дл перемещени дефектоскопа по металлической трубе |
CN1468371A (zh) * | 2000-09-10 | 2004-01-14 | �²�̩������˾ | Pcb检测中错误报警的减少 |
CN103413288A (zh) * | 2013-08-27 | 2013-11-27 | 南京大学 | 一种lcd总体检测缺陷方法 |
CN103413288B (zh) * | 2013-08-27 | 2015-10-21 | 南京大学 | 一种lcd总体检测缺陷方法 |
CN103886589A (zh) * | 2014-02-27 | 2014-06-25 | 四川农业大学 | 面向目标的自动化高精度边缘提取方法 |
CN103886589B (zh) * | 2014-02-27 | 2017-11-03 | 四川农业大学 | 面向目标的自动化高精度边缘提取方法 |
CN104574417A (zh) * | 2015-01-27 | 2015-04-29 | 中国人民解放军国防科学技术大学 | 一种图像边缘灰度起伏性度量与自适应检测方法 |
CN107798326A (zh) * | 2017-10-20 | 2018-03-13 | 华南理工大学 | 一种轮廓视觉检测算法 |
Non-Patent Citations (4)
Title |
---|
JAMES W. DAVIS ET AL.: "Background-subtraction using contour-based fusion", 《COMPUTER VISION AND IMAGE UNDERSTANDING》 * |
MOHAMED BEN GHARSALLAH ET AL.: "Image segmentation for defect detection based on level set active", 《16TH INTERNATIONAL CONFERENCE ON SCIENCES AND TECHNIQUES OF AUTOMATIC CONTROL》 * |
XIN BI ET AL.: "A New Mura Defect Inspection Way for", 《IEEE SIGNAL PROCESSING LETTERS》 * |
胡涛: "基于轮廓对比的PCB裸板缺陷检测算法研究", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110672617B (zh) * | 2019-09-14 | 2022-06-14 | 华南理工大学 | 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法 |
CN110672617A (zh) * | 2019-09-14 | 2020-01-10 | 华南理工大学 | 基于机器视觉的智能手机玻璃盖板丝印区缺陷检测方法 |
CN111353974B (zh) * | 2020-02-20 | 2023-08-18 | 苏州凌云光工业智能技术有限公司 | 一种检测影像边界缺陷的方法及装置 |
CN111353974A (zh) * | 2020-02-20 | 2020-06-30 | 凌云光技术集团有限责任公司 | 一种检测影像边界缺陷的方法及装置 |
CN111189854B (zh) * | 2020-04-13 | 2020-08-07 | 征图新视(江苏)科技股份有限公司 | 玻璃盖板自动检测系统缺陷分层检测方法 |
CN111189854A (zh) * | 2020-04-13 | 2020-05-22 | 征图新视(江苏)科技股份有限公司 | 玻璃盖板自动检测系统缺陷分层检测方法 |
CN112700415A (zh) * | 2020-12-31 | 2021-04-23 | 重庆宇海精密制造股份有限公司 | 一种笔电外壳缺陷快速检测算法 |
CN112700415B (zh) * | 2020-12-31 | 2024-05-17 | 重庆宇海精密制造股份有限公司 | 一种笔电外壳缺陷快速检测算法 |
CN113920117A (zh) * | 2021-12-14 | 2022-01-11 | 成都数联云算科技有限公司 | 一种面板缺陷区域检测方法、装置、电子设备及存储介质 |
CN114851206A (zh) * | 2022-06-06 | 2022-08-05 | 天津中科智能识别有限公司 | 基于视觉引导机械臂抓取炉具的方法 |
CN114851206B (zh) * | 2022-06-06 | 2024-03-29 | 天津中科智能识别有限公司 | 基于视觉引导机械臂抓取炉具的方法 |
CN114862856A (zh) * | 2022-07-07 | 2022-08-05 | 成都数之联科技股份有限公司 | 一种面板缺陷区域识别方法、装置、电子设备及介质 |
CN115205291A (zh) * | 2022-09-15 | 2022-10-18 | 广州镭晨智能装备科技有限公司 | 一种电路板检测方法、装置、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109767445B (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109767445A (zh) | 一种高精度的pcb缺陷智能检测方法 | |
CN111292305B (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
CN105894036A (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
WO2018107525A1 (zh) | 一种电动注塑机模具检测方法 | |
WO2021168733A1 (zh) | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 | |
CN115866502A (zh) | 一种麦克风零件表面缺陷在线检测流程 | |
Ren et al. | Circuit board defect detection based on image processing | |
CN116416613A (zh) | 一种基于改进YOLO v7的柑橘果实识别方法及系统 | |
Liu et al. | An automatic defects detection scheme for lithium-ion battery electrode surface | |
CN102313740B (zh) | 太阳能电池板裂痕检测方法 | |
CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
CN117689646A (zh) | 一种正负样本融合的高精度缺陷检测方法、系统及介质 | |
CN113705564A (zh) | 一种指针式仪表识别读数方法 | |
Li et al. | Detection of small size defects in belt layer of radial tire based on improved faster r-cnn | |
CN113129260A (zh) | 一种锂电池电芯内部缺陷的自动检测方法及装置 | |
CN112634259A (zh) | 一种键盘键帽自动建模定位方法 | |
CN114078106A (zh) | 基于改进Faster R-CNN的疵点检测方法 | |
CN113822836A (zh) | 标记图像的方法 | |
CN103489195B (zh) | 金属罐罐身图案方向检测方法 | |
CN115035118B (zh) | 一种基于识别模型的pcb生产线残缺检测方法及系统 | |
CN111861889B (zh) | 基于语义分割的太阳能电池片图像自动拼接方法及系统 | |
Zhang et al. | Draw textured yarn packages hairiness defect detection based on the multi-directional anisotropic gaussian directional derivative | |
CN111161296A (zh) | 基于离散小波变换的多尺度边缘检测方法 | |
Zhang et al. | Zipper classification and defect detection based on computer vision | |
CN112884778B (zh) | 一种鲁棒机器视觉目标识别分割方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |