CN109839385B - 一种自适应的pcb板缺陷视觉定位检测及分类系统 - Google Patents
一种自适应的pcb板缺陷视觉定位检测及分类系统 Download PDFInfo
- Publication number
- CN109839385B CN109839385B CN201910161134.4A CN201910161134A CN109839385B CN 109839385 B CN109839385 B CN 109839385B CN 201910161134 A CN201910161134 A CN 201910161134A CN 109839385 B CN109839385 B CN 109839385B
- Authority
- CN
- China
- Prior art keywords
- image
- pcb
- pad
- defect
- point
- 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.)
- Active
Links
Images
Landscapes
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种自适应的PCB板缺陷视觉定位检测及分类系统,涵盖了PCB检测的整套流程,包括离线预处理轮廓点属性分类阶段,在线PCB整板对位,缺陷检测以及缺陷分类,采用模板匹配的方法对整板进行对位,速度快,精度高,采用轮廓超差算法检测缺陷,精度达到亚像素级,速度快,具有很强的普适性;对轮廓点进行属性分类,满足因为缺陷种类不同匹配不同的检测标准带来的容忍度不同;本发明提高了PCB板的检测速度和精度,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PCB板表面缺陷的自动化检测,节省人力物力财力,提高了生产自动化程度。
Description
技术领域
本发明涉及设备检测技术领域,具体涉及一种自适应的PCB板缺陷视觉定位检测及分类系统。
背景技术
PCB板是当今各行各业的基础元件,应用范围极广。所以PCB板的智能视觉检测有很大的市场前景。
PCB板的缺陷类型复杂多样,例如开路,短路,桥接,污染等。而这类有缺陷的PCB板是严禁流入市场的,否则会给设备和企业带来难以估量的损失。当前,PCB板的缺陷主要以人工检为主,耗时耗力,效率低下,风险较大。这种人工检测方式已经难以满足行业要求。
发明内容
针对现有技术的不足,本发明提供一种自适应的PCB板缺陷视觉定位检测及分类系统,目的在于解决现如今PCB行业缺陷检测难度大,效率低,风险高等问题,解决PCB板行业痛点。该系统检测算法具有精度高、速度快,鲁棒性强的特点。
为实现上述目的,本发明采用如下技术方案:
一种自适应的PCB板缺陷视觉定位检测及分类系统,包括离线端的PCB整板像素点分类模块,在线前端的PCB整板定位模块,在线中端的缺陷检测模块,在线末端的缺陷分类模块,其特征在于,该系统实施的具体步骤如下:
S1,对PCB整板进行离线像素点属性分类,包括圆形PAD,方形PAD,平行线对PAD,单直线PAD和特殊异类PAD;
S2,对PCB整板进行在线定位,包括粗定位和精定位;
S3,对PCB整板进行在线缺陷检测,包括缺陷定位和缺陷检测;
S4,对PCB整板进行在线缺陷分类。
进一步的,步骤S1的具体步骤包括:
S101,采集标准PCB整板图像,并将其二值化,作为标准模板图像;
S102,将上述二值图像阈值处理,提取前景图像连通域,并计算其数量Number_Connection;
S103,对分割出来的连通域做for循环,针对单个连通域分别做圆形开运算和矩形开运算以及平行线对提取运算,用以分割出圆形PAD、矩形PAD和平行线对PAD;
S104,对于圆形PAD,求其属性,包括轮廓点坐标:Row_Circle,Col_Circle;圆心坐标及半径:row_center_cir,col_center_cir,radius_cir;各轮廓点法向:Norm_Circle;对于矩形PAD,求其属性,包括轮廓点坐标:Row_Rectangle,Col_Rectangle;矩形中心及矩形宽、高:row_center_rec,col_center_rec,width_rectangle,height_rectangle;各轮廓点法向:Norm_Rectangle;对于平行线对PAD,求其属性,包括轮廓点坐标:Row_LinePairs,Col_LinePairs;平行线间距离:Distance_LinePairs;各轮廓点法向:Norm_LinePairs;
S105,对单个连通域和上步分割出的圆形PAD,矩形PAD和平行线对PAD做减法运算,剩下的区域即为单直线PAD和特殊异类PAD的集合,对于单直线PAD,其属性包括轮廓点坐标:Row_LineSingle,Col_LineSingle;各轮廓点法向:Norm_LineSingle;对于特殊异类PAD,其属性包括轮廓点坐标:Row_Special,Col_Special;各轮廓点法向:Norm_Special。
S106,将上述所有连通域的各类PAD属性集合,即得到整块PCB板的所有像素点属性,将其导入到SQL数据库,作为后续PCB板缺陷点分类的标准模板。
进一步的,步骤S2中的粗定位具体方法为:选择模板PCB整板四个角为ROI区域,在每个ROI区域内制定搜索策略,即选择特征多边形,接着计算该特征多边形分别在模板图中的位置坐标Row_temp,Col_temp以及待测图中的位置坐标Row_test,Col_test,并计算其行列坐标偏差offset_row,offset_col;然后将每个行列坐标偏差对应求和abs(offset_row[index],offset_col[index]),后按照从小到大的顺序排列,扔掉前面的3/10和后面的的3/10,只留下中间部分的4/10作为有效数据,对这部分有效数据求其均方差,其中和均方差最为接近的数据即作为本次搜索策略的最终结果;最后,将四个角的四个数据作为一组模板数据;同样的,对测试PCB板做同样的操作,得到四个角的四个数据作为一组测试数据;然后,将这两组数据作为透视变换的四组对应特征点,对测试PCB板作透视变换。变换后的图像即为粗定位得到的矫正图。
进一步的,步骤S2中精定位具体方法为:分别将模板PCB和测试PCB分成若干FOV块,每一块都有一个索引号Index,然后对每个FOV块进行对位,对位策略具体为:提取每个FOV的连通域,然后对该FOV的连通域作开运算,分割出圆形PAD和矩形PAD以及线对PAD,接下来分别计算上述分割出来的连通域在模板FOV的位置坐标Row_temp_fovIndex,以及在测试FOV的位置坐标Col_temp_fovIndex以及待测图中的位置坐标Row_test_fovIndex,Col_test_fovIndex,并计算其行列坐标偏差offset_row_fovIndex,offset_col_fovIndex,将每个行列坐标偏差对应求和abs(offset_row_fovIndex[index],offset_col_fovIndex[index]),后按照从小到大的顺序排列,扔掉前面的3/10和后面的的3/10,只留下中间部分的4/10作为有效数据,对这部分有效数据求其均方差,其中和均方差最为接近的数据即作为本块FOV的标准偏差,然后根据该偏移量对该FOV块进行矫正。
进一步的,步骤S3中缺陷定位具体方法为:将模板PCB板FOV块分割成overlap为10个像素的1500*1500的小图Image_temp,将待测PCB板FOV块分割成overlap为10个像素的1600*1600的小图Image_test,然后用模板小图创建模板,带放缩的形状模板匹配在待测小图寻找模板,进行定位,利用返回的对位结果在待测小图上抠出和模板小图一样大小的1500*1500图Image_crop。接下来,对Image_temp和Image_crop作亦或处理,紧接着对处理结果作半径为2个像素的开运算。剩下部分即为疑似缺陷点。
进一步的,所述缺陷检测具体方法为:对上步的疑似缺陷部分提取连通域,并对每个连通域求取最小外接矩形,接着分别对每个最小外界矩形向四周扩充20个像素,并由根据扩充后矩形左上角和右下角坐标分别在Image_temp和Image_crop上抠出同样大小的图像image_temp_susdfect和image_crop_susdefect,对image_temp_susdefect和image_crop_susdefect作轮廓超差处理,即可得到缺陷点,将模板轮廓坐标点在待测图像上沿其法向方向游走。若模板轮廓坐标点在待测图像上轮廓上为白像素,则说明模板图和待测图在该点重合,该点明显不是缺陷点;反之,若模板轮廓坐标点在待测图像上轮廓上为黑像素,则在其八领域找白像素,若找到,计算其与该点距离,并选择距离最小的;若没找到,则沿法线方向步进一个像素;重复上述步骤,如果在给定的阈值范围内都没找到白像素,则认为该点在待测图上是缺陷点。
进一步的,步骤S4具体方法为:在上步缺陷检测的基础上,如果检测到image_crop_susdefect上有缺陷点,则认为这块区域为缺陷区域;通过提取改区域的形态学特征和灰度特征,即可判定改缺陷块的类别;在判断出缺陷块类别后,提取其轮廓点,遍历根据S1对PCB整板像素点属性分类创建的数据库内容,即可判定该点是属于圆形PAD,矩形PAD,平行线对PAD,还是特殊异类PAD。
本发明提供的一种自适应的PCB板缺陷视觉定位检测及分类系统的有益效果在于:精度高、速度快,鲁棒性强,普适性,自适应强的特点。可以高效解决当前PCB行业痛点。
附图说明
图1为本发明的流程示意图。
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:一种自适应的PCB板缺陷视觉定位检测及分类系统。
一种自适应的PCB板缺陷视觉定位检测及分类系统,包括离线端的PCB整板像素点分类模块,在线前端的PCB整板定位模块,在线中端的缺陷检测模块,在线末端的缺陷分类模块,离线端的PCB整板像素点分类模块主要将PCB整板不同PAD的像素点进行分类,包括圆形PAD,方形PAD,平行线对PAD,单直线PAD,特殊异类PAD等,目的是为在线末端的缺陷分类模块做准备其特征在于,线前端的PCB整板定位模块主要包括粗定位和精定位;在线中端的缺陷检测模块主要采用多模板匹配和轮廓超差的方法;在线末端的缺陷分类模块主要是将中端处理所得到的缺陷像素点与离线端的分类像素点比对,判断其归属为哪一类别,该系统实施的具体步骤如下:
S1,对PCB整板进行离线像素点属性分类,包括圆形PAD,方形PAD,平行线对PAD,单直线PAD和特殊异类PAD;具体操作方式为:
S101,采集标准PCB整板图像,并将其二值化,作为标准模板图像;
S102,将上述二值图像阈值处理,提取前景图像连通域,并计算其数量Number_Connection;
S103,对分割出来的连通域做for循环,针对单个连通域分别做圆形开运算和矩形开运算以及平行线对提取运算,用以分割出圆形PAD、矩形PAD和平行线对PAD;
S104,对于圆形PAD,求其属性,包括轮廓点坐标:Row_Circle,Col_Circle;圆心坐标及半径:row_center_cir,col_center_cir,radius_cir;各轮廓点法向(即轮廓点与圆心的连线,并指向圆心方向):Norm_Circle;对于矩形PAD,求其属性,包括轮廓点坐标:Row_Rectangle,Col_Rectangle;矩形中心及矩形宽、高:row_center_rec,col_center_rec,width_rectangle,height_rectangle;各轮廓点法向(指向矩形内):Norm_Rectangle;对于平行线对PAD,求其属性,包括轮廓点坐标:Row_LinePairs,Col_LinePairs;平行线间距离:Distance_LinePairs;各轮廓点法向(指向平行线内):Norm_LinePairs;
S105,对单个连通域和上步分割出的圆形PAD,矩形PAD和平行线对PAD做减法运算,剩下的区域即为单直线PAD和特殊异类PAD的集合,对于单直线PAD,其属性包括轮廓点坐标:Row_LineSingle,Col_LineSingle;各轮廓点法向(指向连通域内):Norm_LineSingle;对于特殊异类PAD,其属性包括轮廓点坐标:Row_Special,Col_Special;各轮廓点法向(指向连通域内):Norm_Special。
S106,将上述所有连通域的各类PAD属性集合,即得到整块PCB板的所有像素点属性,将其导入到SQL数据库,作为后续PCB板缺陷点分类的标准模板。
S2,对PCB整板进行在线定位,包括粗定位和精定位;粗定位具体操作方法为:选择模板PCB整板四个角为ROI区域,在每个ROI区域内制定搜索策略,即选择特征多边形,接着计算该特征多边形分别在模板图中的位置坐标Row_temp,Col_temp以及待测图中的位置坐标Row_test,Col_test,并计算其行列坐标偏差offset_row,offset_col;然后将每个行列坐标偏差对应求和abs(offset_row[index],offset_col[index]),后按照从小到大的顺序排列,扔掉前面的3/10和后面的的3/10,只留下中间部分的4/10作为有效数据,对这部分有效数据求其均方差,其中和均方差最为接近的数据即作为本次搜索策略的最终结果;最后,将四个角的四个数据作为一组模板数据;同样的,对测试PCB板做同样的操作,得到四个角的四个数据作为一组测试数据;然后,将这两组数据作为透视变换的四组对应特征点,对测试PCB板作透视变换。变换后的图像即为粗定位得到的矫正图。
精定位具体操作方法为:分别将模板PCB和测试PCB分成若干FOV块,每一块都有一个索引号Index,然后对每个FOV块进行对位,对位策略具体为:提取每个FOV的连通域,然后对该FOV的连通域作开运算,分割出圆形PAD和矩形PAD以及线对PAD,接下来分别计算上述分割出来的连通域在模板FOV的位置坐标Row_temp_fovIndex,以及在测试FOV的位置坐标Col_temp_fovIndex以及待测图中的位置坐标Row_test_fovIndex,Col_test_fovIndex,并计算其行列坐标偏差offset_row_fovIndex,offset_col_fovIndex,将每个行列坐标偏差对应求和abs(offset_row_fovIndex[index],offset_col_fovIndex[index]),后按照从小到大的顺序排列,扔掉前面的3/10和后面的的3/10,只留下中间部分的4/10作为有效数据,对这部分有效数据求其均方差,其中和均方差最为接近的数据即作为本块FOV的标准偏差,然后根据该偏移量对该FOV块进行矫正。
S3,对PCB整板进行在线缺陷检测,包括缺陷定位和缺陷检测;缺陷定位具体方法为:将模板PCB板FOV块分割成overlap为10个像素的1500*1500的小图Image_temp,将待测PCB板FOV块分割成overlap为10个像素的1600*1600的小图Image_test,然后用模板小图创建模板,带放缩的形状模板匹配在待测小图寻找模板,进行定位,利用返回的对位结果在待测小图上抠出和模板小图一样大小的1500*1500图Image_crop。接下来,对Image_temp和Image_crop作亦或处理,紧接着对处理结果作半径为2个像素的开运算。剩下部分即为疑似缺陷点。
缺陷检测具体方法为:对上步的疑似缺陷部分提取连通域,并对每个连通域求取最小外接矩形,接着分别对每个最小外界矩形向四周扩充20个像素,并由根据扩充后矩形左上角和右下角坐标分别在Image_temp和Image_crop上抠出同样大小的图像image_temp_susdfect和image_crop_susdefect,对image_temp_susdefect和image_crop_susdefect作轮廓超差处理,即可得到缺陷点,将模板轮廓坐标点在待测图像上沿其法向方向游走。若模板轮廓坐标点在待测图像上轮廓上为白像素,则说明模板图和待测图在该点重合,该点明显不是缺陷点;反之,若模板轮廓坐标点在待测图像上轮廓上为黑像素,则在其八领域找白像素,若找到,计算其与该点距离,并选择距离最小的;若没找到,则沿法线方向步进一个像素;重复上述步骤,如果在给定的阈值范围内都没找到白像素,则认为该点在待测图上是缺陷点。
S4,对PCB整板进行在线缺陷分类;对上步的疑似缺陷部分提取连通域,并对每个连通域求取最小外接矩形,接着分别对每个最小外界矩形向四周扩充20个像素,并由根据扩充后矩形左上角和右下角坐标分别在Image_temp和Image_crop上抠出同样大小的图像image_temp_susdfect和image_crop_susdefect,对image_temp_susdefect和image_crop_susdefect作轮廓超差处理,即可得到缺陷点,将模板轮廓坐标点在待测图像上沿其法向方向游走。若模板轮廓坐标点在待测图像上轮廓上为白像素,则说明模板图和待测图在该点重合,该点明显不是缺陷点;反之,若模板轮廓坐标点在待测图像上轮廓上为黑像素,则在其八领域找白像素,若找到,计算其与该点距离,并选择距离最小的;若没找到,则沿法线方向步进一个像素;重复上述步骤,如果在给定的阈值范围内都没找到白像素,则认为该点在待测图上是缺陷点。
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 (1)
1.一种自适应的PCB板缺陷视觉定位检测及分类系统,包括离线端的PCB整板像素点分类模块,在线前端的PCB整板定位模块,在线中端的缺陷检测模块,在线末端的缺陷分类模块,其特征在于,该系统实施的具体步骤如下:
S1,对PCB整板进行离线像素点属性分类,包括圆形PAD,方形PAD,平行线对PAD,单直线PAD和特殊异类PAD;
S2,对PCB整板进行在线定位,包括粗定位和精定位;
S3,对PCB整板进行在线缺陷检测,包括缺陷定位和缺陷检测;
S4,对PCB整板进行在线缺陷分类;
所述步骤S1的具体步骤包括:
S101,采集标准PCB整板图像,并将其二值化,作为标准模板图像;
S102,将上述二值图像阈值处理,提取前景图像连通域,并计算其数量Number_Connection;
S103,对分割出来的连通域做for循环,针对单个连通域分别做圆形开运算和矩形开运算以及平行线对提取运算,用以分割出圆形PAD、矩形PAD和平行线对PAD;
S104,对于圆形PAD,求其属性,包括轮廓点坐标:Row_Circle,Col_Circle;圆心坐标及半径:row_center_cir,col_center_cir,radius_cir;各轮廓点法向:Norm_Circle;对于矩形PAD,求其属性,包括轮廓点坐标:Row_Rectangle,Col_Rectangle;矩形中心及矩形宽高:row_center_rec,col_center_rec,width_rectangle,height_rectangle;各轮廓点法向:Norm_Rectangle;对于平行线对PAD,求其属性,包括轮廓点坐标:Row_LinePairs,Col_LinePairs;平行线间距离:Distance_LinePairs;各轮廓点法向:Norm_LinePairs;
S105,对单个连通域和上步分割出的圆形PAD,矩形PAD和平行线对PAD做减法运算,剩下的区域即为单直线PAD和特殊异类PAD的集合,对于单直线PAD,其属性包括轮廓点坐标:Row_LineSingle,Col_LineSingle;各轮廓点法向:Norm_LineSingle;对于特殊异类PAD,其属性包括轮廓点坐标:Row_Special,Col_Special;各轮廓点法向:Norm_Special;
S106,将上述所有连通域的各类PAD属性集合,即得到整块PCB板的所有像素点属性,将其导入到SQL数据库,作为后续PCB板缺陷点分类的标准模板;
所述步骤S2中的粗定位具体方法为:选择模板PCB整板四个角为ROI区域,在每个ROI区域内制定搜索策略,即选择特征多边形,接着计算该特征多边形分别在模板图中的位置坐标Row_temp,Col_temp以及待测图中的位置坐标Row_test,Col_test,并计算其行列坐标偏差offset_row,offset_col;然后将每个行列坐标偏差对应求和abs(offset_row[index],offset_col[index]),后按照从小到大的顺序排列,扔掉前面的3/10和后面的3/10,只留下中间部分的4/10作为有效数据,对这部分有效数据求其均方差,其中和均方差最为接近的数据即作为本次搜索策略的最终结果;最后,将四个角的四个数据作为一组模板数据;同样的,对测试PCB板做同样的操作,得到四个角的四个数据作为一组测试数据;然后,将这两组数据作为透视变换的四组对应特征点,对测试PCB板作透视变换;变换后的图像即为粗定位得到的矫正图;
所述步骤S2中精定位具体方法为:分别将模板PCB和测试PCB分成若干FOV块,每一块都有一个索引号Index,然后对每个FOV块进行对位,对位策略具体为:提取每个FOV的连通域,然后对该FOV的连通域作开运算,分割出圆形PAD和矩形PAD以及线对PAD,接下来分别计算上述分割出来的连通域在模板FOV的位置坐标Row_temp_fovIndex,以及在测试FOV的位置坐标Col_temp_fovIndex以及待测图中的位置坐标Row_test_fovIndex,Col_test_fovIndex,并计算其行列坐标偏差offset_row_fovIndex,offset_col_fovIndex,将每个行列坐标偏差对应求和abs(offset_row_fovIndex[index],offset_col_fovIndex[index]),后按照从小到大的顺序排列,扔掉前面的3/10和后面的3/10,只留下中间部分的4/10作为有效数据,对这部分有效数据求其均方差,其中和均方差最为接近的数据即作为本块FOV的标准偏差,然后根据该标准偏差对该FOV块进行矫正;
所述步骤S3中缺陷定位具体方法为:将模板PCB板FOV块分割成overlap为10个像素的1500*1500的小图Image_temp,将待测PCB板FOV块分割成overlap为10个像素的1600*1600的小图Image_test,然后用模板小图创建模板,带放缩的形状模板匹配在待测小图寻找模板,进行定位,利用返回的对位结果在待测小图上抠出和模板小图一样大小的1500*1500图Image_crop;接下来,对Image_temp和Image_crop作亦或处理,紧接着对处理结果作半径为2个像素的开运算;剩下部分即为疑似缺陷点;
所述缺陷检测具体方法为:对上步的疑似缺陷部分提取连通域,并对每个连通域求取最小外接矩形,接着分别对每个最小外界矩形向四周扩充20个像素,并由根据扩充后矩形左上角和右下角坐标分别在Image_temp和Image_crop上抠出同样大小的图像image_temp_susdfect和image_crop_susdefect,对image_temp_susdefect和image_crop_susdefect作轮廓超差处理,即可得到缺陷点,将模板轮廓坐标点在待测图像上沿其法向方向游走;若模板轮廓坐标点在待测图像上轮廓上为白像素,则说明模板图和待测图在该点重合,该点明显不是缺陷点;反之,若模板轮廓坐标点在待测图像上轮廓上为黑像素,则在其八领域找白像素,若找到,计算其与该点距离,并选择距离最小的;若没找到,则沿法线方向步进一个像素;重复上述步骤,如果在给定的阈值范围内都没找到白像素,则认为该点在待测图上是缺陷点;
所述步骤S4具体方法为:在上步缺陷检测的基础上,如果检测到image_crop_susdefect上有缺陷点,则认为这块区域为缺陷区域;通过提取改区域的形态学特征和灰度特征,即可判定改缺陷块的类别;在判断出缺陷块类别后,提取其轮廓点,遍历根据S1对PCB整板像素点属性分类创建的数据库内容,即可判定该点是属于圆形PAD,矩形PAD,平行线对PAD,还是特殊异类PAD。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910161134.4A CN109839385B (zh) | 2019-03-04 | 2019-03-04 | 一种自适应的pcb板缺陷视觉定位检测及分类系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910161134.4A CN109839385B (zh) | 2019-03-04 | 2019-03-04 | 一种自适应的pcb板缺陷视觉定位检测及分类系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109839385A CN109839385A (zh) | 2019-06-04 |
CN109839385B true CN109839385B (zh) | 2021-11-16 |
Family
ID=66885330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910161134.4A Active CN109839385B (zh) | 2019-03-04 | 2019-03-04 | 一种自适应的pcb板缺陷视觉定位检测及分类系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109839385B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110239997B (zh) * | 2019-06-13 | 2024-04-19 | 华中科技大学 | 一种复卷机自动剔废方法及设备 |
CN111060519A (zh) * | 2019-12-30 | 2020-04-24 | 研祥智能科技股份有限公司 | Led支架缺陷判定方法及系统 |
CN111504192B (zh) * | 2020-05-07 | 2021-08-27 | 东华大学 | 一种基于机器视觉的压缩机外观检测方法 |
CN113808067A (zh) * | 2020-06-11 | 2021-12-17 | 广东美的白色家电技术创新中心有限公司 | 电路板检测方法、视觉检测设备及具有存储功能的装置 |
CN112748700A (zh) * | 2020-12-18 | 2021-05-04 | 深圳市显控科技股份有限公司 | 数控代码生成方法、装置、电子设备及存储介质 |
CN114047123B (zh) * | 2021-10-09 | 2024-04-09 | 无锡芯羿达微电子有限公司 | 一种用于集成板生产缺陷检测方法及检测系统 |
CN114216915B (zh) * | 2021-12-15 | 2024-03-29 | 江门市浩远科技有限公司 | 一种基于线路板污渍和缺陷类型类别级别检测分类的方法 |
CN114841938A (zh) * | 2022-04-22 | 2022-08-02 | 南通海恒纺织设备有限公司 | 一种织物勾丝缺陷检测方法 |
CN115359047A (zh) * | 2022-10-19 | 2022-11-18 | 元能微电子科技南通有限公司 | 用于pcb板智能焊接的异常缺陷检测方法 |
CN116309574B (zh) * | 2023-05-19 | 2023-08-18 | 成都数之联科技股份有限公司 | 一种面板漏制程缺陷检测方法、系统、设备及存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS62150143A (ja) * | 1985-12-25 | 1987-07-04 | Hitachi Ltd | パタ−ン欠陥検出方法 |
CN101216522A (zh) * | 2008-01-16 | 2008-07-09 | 中国电子科技集团公司第四十五研究所 | 基于fpga的印刷电路板快速抽取图像特征值检测方法 |
CN101995223B (zh) * | 2009-08-25 | 2013-05-08 | 比亚迪股份有限公司 | 一种芯片外观检测方法及系统 |
CN101793843A (zh) * | 2010-03-12 | 2010-08-04 | 华东理工大学 | 基于连接表的印刷线路板自动光学检测算法 |
CN104297254B (zh) * | 2014-10-08 | 2017-04-12 | 华南理工大学 | 一种基于混合法的印刷电路板缺陷检测方法及系统 |
CN105588845B (zh) * | 2016-01-04 | 2018-07-03 | 江苏科技大学 | 一种焊接缺陷特征参数提取方法 |
CN106855520B (zh) * | 2017-02-10 | 2020-05-29 | 南京航空航天大学 | 一种基于机器视觉的工件缺陷检测方法 |
CN107543828B (zh) * | 2017-08-25 | 2020-09-11 | 广东工业大学 | 一种工件表面缺陷检测方法及系统 |
CN108426891A (zh) * | 2018-05-07 | 2018-08-21 | 湖北第二师范学院 | 一种光器件引脚焊接质量检测方法及装置 |
CN108776140B (zh) * | 2018-06-08 | 2024-02-02 | 新大陆数字技术股份有限公司 | 一种基于机器视觉的印刷品瑕疵检测方法及系统 |
-
2019
- 2019-03-04 CN CN201910161134.4A patent/CN109839385B/zh active Active
Non-Patent Citations (2)
Title |
---|
PCB Solder Pad Inspection Mechanism using Gerber File;Vediya Raghuvanshi等;《IEEE International Conference on Communication and Signal Processing (ICCSP)》;20160408;第1321-1325页 * |
基于机器视觉的BGA焊盘缺陷检测;刘志鹏 等;《北京信息科技大学学报》;20161231;第31卷(第6期);第84-89页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109839385A (zh) | 2019-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109839385B (zh) | 一种自适应的pcb板缺陷视觉定位检测及分类系统 | |
CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
CN109767445B (zh) | 一种高精度的pcb缺陷智能检测方法 | |
CN107389701A (zh) | 一种基于图像的pcb表观缺陷自动检测系统及方法 | |
CN108510476B (zh) | 一种基于机器视觉的手机屏线路检测方法 | |
CN104990926A (zh) | 一种基于视觉的tr元件定位和缺陷检测方法 | |
CN114693610A (zh) | 一种基于机器视觉的焊缝表面缺陷检测方法、设备及介质 | |
CN110288571B (zh) | 一种基于图像处理的高铁接触网绝缘子异常检测方法 | |
CN112233116A (zh) | 基于邻域决策与灰度共生矩阵描述的凹凸痕视觉检测方法 | |
CN111223078B (zh) | 瑕疵等级判定的方法及存储介质 | |
CN115587966A (zh) | 一种在光照不均匀条件下零件有无缺漏的检测方法及系统 | |
CN113989308B (zh) | 一种基于霍夫变换与模板匹配的多边形目标分割方法 | |
CN112419225B (zh) | 一种基于引脚分割的sop型芯片检测方法及系统 | |
CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
CN114332622A (zh) | 一种基于机器视觉的标签检测方法 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN113724322A (zh) | 一种用于无人叉车的货物托盘定位方法及系统 | |
CN112418210B (zh) | 一种杆塔巡检信息智能分类方法 | |
CN110969612B (zh) | 二维码印刷缺陷检测方法 | |
CN113129260A (zh) | 一种锂电池电芯内部缺陷的自动检测方法及装置 | |
CN115690104B (zh) | 一种晶圆裂缝检测方法、装置及存储介质 | |
CN108898584B (zh) | 一种基于图像分析的全自动贴面电容装焊极性判别方法 | |
CN112288372B (zh) | 一种可同时识别一维条码和三段码字符的快递单识别方法 | |
CN110874837A (zh) | 一种基于局部特征分布的缺陷自动检测方法 | |
Zhang et al. | A novel pcb defect detection method based on digital image processing |
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 |