CN109975686A - 一种基于红外图像处理的电路板短路自动识别方法 - Google Patents
一种基于红外图像处理的电路板短路自动识别方法 Download PDFInfo
- Publication number
- CN109975686A CN109975686A CN201910168034.4A CN201910168034A CN109975686A CN 109975686 A CN109975686 A CN 109975686A CN 201910168034 A CN201910168034 A CN 201910168034A CN 109975686 A CN109975686 A CN 109975686A
- Authority
- CN
- China
- Prior art keywords
- circuit board
- infrared image
- key components
- component
- temperature
- 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 42
- 238000012545 processing Methods 0.000 title claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 6
- 239000000243 solution Substances 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000001931 thermography Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2801—Testing of printed circuits, backplanes, motherboards, hybrid circuits or carriers for multichip packages [MCP]
- G01R31/281—Specific types of tests or tests for a specific type of fault, e.g. thermal mapping, shorts testing
- G01R31/2812—Checking for open circuits or shorts, e.g. solder bridges; Testing conductivity, resistivity or impedance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
Abstract
本发明公开了一种基于红外图像处理的电路板短路自动识别方法,根据电路板的红外图片,识别出电路板上的器件并将器件温度值随通电时间的动态分布与正常器件的温度动态分布进行比对,然后自动判断出该器件是否发生短路。通过比较待测电路板上的元器件从开始通电到进入正常工作的温度变化趋势与正常电路板的变化趋势,将每个时间点的温度数据进行差分计算,相比传统的仅仅比较两幅图片同一个位置的温度值大小的方法更加精确。
Description
技术领域
本发明涉及电路板短路自动识别领域,具体涉及一种基于红外图像处理的电路板短路自动识别方法。
背景技术
随着电子技术的不断发展,集成电路的规模越来越大、体积越来越小,电路板的集成度越来越高、层数越来越多,板上的器件密集,电路原理复杂。当电路板发生故障时,通过人力定位故障位置,不仅耗时耗力,而且对人员的技术经验要求越来越高。红外热成像技术在测试领域有着非常广泛的应用,其最大的优势在于快速灵活的实现无损检测,即在电路板材料或者元器件的有效性和可靠性造成损坏的前提下,对其缺陷或者损伤进行探测、定位、识别以及测量。
电源对地短路有三种情况:1)焊接时,元器件的电源端对地连锡造成短路;2)使用时,由于瞬时电压的冲击或者长时间使用,导致电容或其他元器件损坏对地短路;3)电源芯片故障导致电源对地短路。当电源出现对地短路时,会导致电路板上与之相关的元器件温度在短时间内升高,超过正常状态下的温度值。红外热成像的原理是通过接收被测物体的辐射能量进行成像,因此我们看到的红外图像实际反映的就是物体表面温度的分布信息,电路板短路故障会引起温度不正常的升高,通过红外成像,工作人员可以直观的看到这种变化,以此判断电路板的短路位置。
目前常用的电路板短路检测方法有:1)人工检测。使用万用表检查电路板,如果发现短路情况,则进行割线,将电路板的每部分通电进行排查;2)使用短路定位分析仪器。该仪器通过雷达波注入电路来定位短路的位置;3)使用红外热像仪进行判断。通过红外热像仪照射可以看见电路板内部的辐射温度信息,工作人员根据温度变化判断故障位置和电路板性能等。
常用的电路板短路检测方法主要有三种:第一种为人工通过万用表进行判断,缺点在于费时费力,而且对人员的技术经验要求很高;第二种为通过短路定位分析仪进行分析判断,缺点在于许多电路板的故障缺陷无法使用这种常规方法,例如电源接地、低电阻、线路短路、散热故障等,给工程师带来很大困难并且浪费时间;第三种为红外热成像技术,主要使用红外热像仪采集电路板的温度信息,工作人员根据温度信息判断故障的位置,主要缺点为人眼难以分辨细微的红外图像灰度变化,难以客观判断电路板的缺陷程度。目前,现有的电路板短路检测主要方法还是工作人员根据经验或者相关设备提供的数据信息进行故障的判断,人眼易疲劳的弱点和人工判断的主观性,影响了电路板设备运行状态下进行检测的自动化程度进一步的提高。
发明内容
针对上述现有技术的不足,本发明提供一种基于红外图像处理的电路板短路自动识别方法,通过本发明提出的方法,对红外图片进行分析,可以快速智能的定位出短路的位置。
本发明采用如下方法来实现:
一种基于红外图像处理的电路板短路自动识别方法,其特征在于,包括:对电路板上的元器件进行识别以及判断关键元器件是否发生故障,并给出基于时间维度的动态分析结果;
所述对电路板上的元器件进行识别还包括:
步骤1-1,采集电路板关键器件的红外图片,对所采集的电路板关键元器件进行图像处理并抑制红外图像中的背景信息,突出元器件的细节信息,并统一样本的长度;对处理后的红外图片进行标记和归类,令X={x1,x2,...,xm}代表实例空间,L={l1,l2,...lq}代表所有的标记的集合,Y={y1,y2,...,ym}表示标记空间,其中xi∈X表示一个实例,yi∈Y表示实例xi所含有的类别标记,且yi为标记集合L的一个子集,T={(xi,yi)|1≤i≤m}为训练集;
步骤1-2,搭建学习网络;所述搭建学习网络包括:将步骤1-1中已经进行标记和归类完成的训练集T输入到卷积神经网络模型中进行电路板所有元器件图像特征提取,建立所有元器件红外图像识别模型,使模型学习得到函数f:X→Y;输入层为处理好的元器件图片,卷积网络复合多个卷积层和采样层,对输入的数据进行加工;连接层实现输出目标之间的多个映射,每个卷积层都包含多个特征图谱,每一层的输入对应上一层的输出,对输入层数据进行逐层加工,完成特征学习与提取;一般每个卷积层都会对应多个卷积核,具体的计算公式为:
其中,表示第j个特征图谱,ω表示对应的卷积核,表示上层第i个特征图谱作为当前的输入,表示偏置量,表示每个特征图谱的数量,M表示每个卷积层的特征图谱数,f表示激活函数;连接层为前一层的每个神经元与后一层的每个神经元相连,具体公式为:
其中,hw,b(x)表示全连接层的输出,xi表示上一层神经元的输出即全连接层的输入, Wi表示神经元之间连接的权值,b表示偏置量,f表示激活函数;
通过训练可得到的标签值与真实的标签比较,使用损失函数计算出两者的差值,使用的损失函数为:
其中y为最终预测的标签值,θ为神经元之间的权值,l为示性函数,当上式中中括号内的表达式为真则取1,否则取0,加号后面的表达式为权重衰减项,每次训练迭代的过程中根据loss值调整模型参数达到损失函数的最小值,使得神经网络的预测标签值最接近真实的标签值;
所述判断关键元器件是否发生故障具体包括:步骤2-1:采集电路板的红外图像集合,根据步骤1-2中训练出的损失函数模型识别出每一帧红外图像中对应的关键元器件,得到关键元器件对应的温度值,统计电路板关键元器件位置温度变化;用来判断关键元器件是否出现故障。
进一步地,所述统计电路板关键元器件位置温度变化;用来判断关键元器件是否出现故障,还可替换为将电路板关键元器件位置温度分布同标准温度值做差分计算,得到的值与门限值进行比较,超过门限值,判断该器件出现故障。
进一步地,所述元器件的细节信息包括:芯片标识信息、结构以及元器件的温度信息。
进一步地,判断关键元器件是否出现故障具体为:根据所述关键元器件对应的温度值统计每个关键元器件的温度平均值,并进行数据存储,若关键元器件的温度平均值超过预设阈值范围,则判断关键元器件出现故障。
进一步地,所述采集电路板的红外图像集合是从电路板通电的一刻开始采集,设置时间间隔为t,每隔t秒采集一帧图像,一共采集n帧电路板红外图像,该集合包含正常电路板从通电到进入工作状态的温度变化信息图像。
进一步地,所述突出细节信息包括目标元器件的像素信息,具体提取方法为对图像进行基于边缘信息的阈值分割,将采集的电路板图像中的背景信息去掉,保留目标元器件的像素信息。
综上所述,本发明公开的一种基于红外图像处理的电路板短路自动识别方法,根据电路板的红外图片,识别出电路板上的器件并将器件温度值随通电时间的动态分布与正常器件的温度动态分布进行比对,然后自动判断出该器件是否发生短路。
通过比较待测电路板上的元器件从开始通电到进入正常工作的温度变化趋势与正常电路板的变化趋势,将每个时间点的温度数据进行差分计算,相比传统的仅仅比较两幅图片同一个位置的温度值大小的方法更加精确。
有益效果为:
1、根据拍摄的图片实现按照时间分布的动态比对,自动判断电路板上的元器件是否发生短路;
2、通过比较待测电路板从开始通电到进入正常工作的温度变化趋势与正常电路板的变化趋势,对两者进行差分计算,相比较传统的方法仅仅比较两幅图片同一个位置的温度值大小更加精确;
3、解决了因仅仅拍摄一幅电路板的红外图像与原有数据库进行数据比对,与电路板的工作时间不同的最大漏洞,其温度值也是在变化的,这一变化的值会造成故障判断的干扰。本发明是一种自动识别方法;
4、提高了电路板故障寻找的时间,节省了人力开支。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于红外图像处理的电路板短路自动识别方法中的元器件识别模型流程图;
图2为本发明提供的一种基于红外图像处理的电路板短路自动识别方法中的卷积神经网络模型示意图;
图3为本发明提供的一种基于红外图像处理的电路板短路自动识别方法中的电路板短路位置定位流程图。
图4为本发明提供的一种基于红外图像处理的电路板短路自动识别方法中的某器件温度变化曲线图与正常器件温度曲线图;
具体实施方式
本发明给出了一种基于红外图像处理的电路板短路自动识别方法及测试平台的实施例,为了使本技术领域的人员更好地理解本发明实施例中的技术方案,并使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明中技术方案作进一步详细的说明:
本发明首先提供了一种基于红外图像处理的电路板短路自动识别方法实施例,如图1所示:
本发明采用如下方法来实现:
一种基于红外图像处理的电路板短路自动识别方法,其特征在于,包括:对电路板上的元器件进行识别以及判断关键元器件是否发生故障,并给出基于时间维度的动态分析结果;
所述对电路板上的元器件进行识别还包括:
步骤1-1,采集电路板关键器件的红外图片,对所采集的电路板关键元器件进行图像处理并抑制红外图像中的背景信息,突出元器件的细节信息,并统一样本的长度;对处理后的红外图片进行标记和归类,令X={x1,x2,...,xm}代表实例空间,L={l1,l2,...lq}代表所有的标记的集合,Y={y1,y2,...,ym}表示标记空间,其中xi∈X表示一个实例,yi∈Y表示实例xi所含有的类别标记,且yi为标记集合L的一个子集,T={(xi,yi)|1≤i≤m}为训练集;
步骤1-2,搭建学习网络;所述搭建学习网络包括:将步骤1-1中已经进行标记和归类完成的训练集T输入到卷积神经网络模型中进行电路板所有元器件图像特征提取,建立所有元器件红外图像识别模型,使模型学习得到函数f:X→Y;图2为卷积神经网络示例模型。输入层为处理好的元器件图片,卷积网络复合多个卷积层和采样层,对输入的数据进行加工;连接层实现输出目标之间的多个映射,每个卷积层都包含多个特征图谱,每一层的输入对应上一层的输出,对输入层数据进行逐层加工,完成特征学习与提取;一般每个卷积层都会对应多个卷积核,具体的计算公式为:
其中,表示第j个特征图谱,ω表示对应的卷积核,表示上层第i个特征图谱作为当前的输入,表示偏置量,表示每个特征图谱的数量,M表示每个卷积层的特征图谱数,f表示激活函数;连接层为前一层的每个神经元与后一层的每个神经元相连,具体公式为:
其中,hw,b(x)表示全连接层的输出,xi表示上一层神经元的输出即全连接层的输入, Wi表示神经元之间连接的权值,b表示偏置量,f表示激活函数;
通过训练可得到的标签值与真实的标签比较,使用损失函数计算出两者的差值,使用的损失函数为:
其中y为最终预测的标签值,θ为神经元之间的权值,l为示性函数,当上式中中括号内的表达式为真则取1,否则取0,加号后面的表达式为权重衰减项,每次训练迭代的过程中根据loss值调整模型参数达到损失函数的最小值,使得神经网络的预测标签值最接近真实的标签值;
所述判断关键元器件是否发生故障具体包括:步骤2-1:采集电路板的红外图像集合,根据步骤1-2中训练出的损失函数模型识别出每一帧红外图像中对应的所有元器件,得到关键元器件对应的温度值,统计电路板所有元器件位置温度变化;用来判断关键元器件是否出现故障。图4为待测电路板上的某器件与正常电路板比较的曲线图,从图中我们可以明显地看出该器件发生短路。其中,若时间以t秒为间隔,通电的一刻记为1,如表1示例所示:
表1器件x标准温度值部分
优选地,所述统计电路板关键元器件位置温度变化;用来判断关键元器件是否出现故障,还可替换为将电路板关键元器件位置温度分布同标准温度值做差分计算,得到的值与门限值进行比较,超过门限值,判断该器件出现故障。
优选地,所述元器件的细节信息包括:芯片标识信息、结构以及元器件的温度信息。
优选地,判断关键元器件是否出现故障具体为:根据所述关键元器件对应的温度值统计每个关键元器件的温度平均值,并进行数据存储,若关键元器件的温度平均值超过预设阈值范围,则判断关键元器件出现故障。
优选地,所述采集电路板的红外图像集合是从电路板通电的一刻开始采集,设置时间间隔为t,每隔t秒采集一帧图像,一共采集n帧电路板红外图像,该集合包含正常电路板从通电到进入工作状态的温度变化信息图像。
优选地,所述突出细节信息包括目标元器件的像素信息,具体提取方法为对图像进行基于边缘信息的阈值分割,将采集的电路板图像中的背景信息去掉,保留目标元器件的像素信息。
综上所述,本发明公开的一种基于红外图像处理的电路板短路自动识别方法,根据电路板的红外图片,识别出电路板上的器件并将器件温度值随通电时间的动态分布与正常器件的温度动态分布进行比对,然后自动判断出该器件是否发生短路。通过比较待测电路板上的元器件从开始通电到进入正常工作的温度变化趋势与正常电路板的变化趋势,将每个时间点的温度数据进行差分计算,相比传统的仅仅比较两幅图片同一个位置的温度值大小的方法更加精确
以上实施例用以说明而非限制本发明的技术方案。不脱离本发明精神和范围的任何修改或局部替换,均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于红外图像处理的电路板短路自动识别方法,其特征在于,包括:对电路板上的元器件进行识别以及判断关键元器件是否发生故障,并给出基于时间维度的动态分析结果;
所述对电路板上的元器件进行识别还包括:
步骤1-1,采集电路板关键器件的红外图片,对所采集的电路板关键元器件进行图像处理并抑制红外图像中的背景信息,突出元器件的细节信息,并统一样本的长度;对处理后的红外图片进行标记和归类,令X={x1,x2,...,xm}代表实例空间,L={l1,l2,...lq}代表所有的标记的集合,Y={y1,y2,...,ym}表示标记空间,其中xi∈X表示一个实例,yi∈Y表示实例xi所含有的类别标记,且yi为标记集合L的一个子集,T={(xi,yi)|1≤i≤m}为训练集;
步骤1-2,搭建学习网络;所述搭建学习网络包括:将步骤1-1中已经进行标记和归类完成的训练集T输入到卷积神经网络模型中进行电路板所有元器件图像特征提取,建立所有元器件红外图像识别模型,使模型学习得到函数f:X→Y;输入层为处理好的元器件图片,卷积网络复合多个卷积层和采样层,对输入的数据进行加工;连接层实现输出目标之间的多个映射,每个卷积层都包含多个特征图谱,每一层的输入对应上一层的输出,对输入层数据进行逐层加工,完成特征学习与提取;一般每个卷积层都会对应多个卷积核,具体的计算公式为:
其中,表示第j个特征图谱,ω表示对应的卷积核,表示上层第i个特征图谱作为当前的输入,表示偏置量,表示每个特征图谱的数量,M表示每个卷积层的特征图谱数,f表示激活函数;连接层为前一层的每个神经元与后一层的每个神经元相连,具体公式为:
其中,hw,b(x)表示全连接层的输出,xi表示上一层神经元的输出即全连接层的输入,Wi表示神经元之间连接的权值,b表示偏置量,f表示激活函数;
通过训练可得到的标签值与真实的标签比较,使用损失函数计算出两者的差值,使用的损失函数为:
其中y为最终预测的标签值,θ为神经元之间的权值,l为示性函数,当上式中中括号内的表达式为真则取1,否则取0,加号后面的表达式为权重衰减项,每次训练迭代的过程中根据loss值调整模型参数达到损失函数的最小值,使得神经网络的预测标签值最接近真实的标签值;
所述判断关键元器件是否发生故障具体包括:步骤2-1:采集电路板的红外图像集合,根据步骤1-2中训练出的损失函数模型识别出每一帧红外图像中对应的所有元器件,得到关键元器件对应的温度值,统计电路板所有元器件位置温度变化;用来判断关键元器件是否出现故障。
2.如权利要求1所述的一种基于红外图像处理的电路板短路自动识别方法,其特征在于,所述统计电路板关键元器件位置温度变化;用来判断关键元器件是否出现故障,还可替换为将电路板关键元器件位置温度分布同标准温度值做差分计算,得到的值与门限值进行比较,超过门限值,判断该器件出现故障。
3.如权利要求1或2所述的一种基于红外图像处理的电路板短路自动识别方法,其特征在于,所述元器件的细节信息包括芯片标识信息、结构以及元器件的温度信息。
4.如权利要求1或2所述的一种基于红外图像处理的电路板短路自动识别方法,其特征在于,判断关键元器件是否出现故障具体为:根据所述关键元器件对应的温度值统计每个关键元器件的温度平均值,并进行数据存储,若关键元器件的温度平均值超过预设阈值范围,则判断关键元器件出现故障。
5.如权利要求1或2所述的一种基于红外图像处理的电路板短路自动识别方法,其特征在于,所述采集电路板的红外图像集合是从电路板通电的一刻开始采集,设置时间间隔为t,每隔t秒采集一帧图像,一共采集n帧电路板红外图像,该集合包含正常电路板从通电到进入工作状态的温度变化信息图像。
6.如权利要求1所述的一种基于红外图像处理的电路板短路自动识别方法,其特征在于,所述突出细节信息包括目标元器件的像素信息,具体提取方法为对图像进行基于边缘信息的阈值分割,将采集的电路板图像中的背景信息去掉,保留目标元器件的像素信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910168034.4A CN109975686B (zh) | 2019-03-06 | 2019-03-06 | 一种基于红外图像处理的电路板短路自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910168034.4A CN109975686B (zh) | 2019-03-06 | 2019-03-06 | 一种基于红外图像处理的电路板短路自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109975686A true CN109975686A (zh) | 2019-07-05 |
CN109975686B CN109975686B (zh) | 2021-04-06 |
Family
ID=67078040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910168034.4A Expired - Fee Related CN109975686B (zh) | 2019-03-06 | 2019-03-06 | 一种基于红外图像处理的电路板短路自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109975686B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881786A (zh) * | 2021-01-08 | 2021-06-01 | 觉芯电子(无锡)有限公司 | 一种漏电检测方法、装置和系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399248A (zh) * | 2013-07-18 | 2013-11-20 | 江苏物联网研究发展中心 | Pcb电路板缺陷批量检测系统和方法 |
CN103630791A (zh) * | 2012-08-24 | 2014-03-12 | 海洋王(东莞)照明科技有限公司 | 一种红外线控制电池短路测试装置 |
CN103675595A (zh) * | 2013-12-11 | 2014-03-26 | 广州兴森快捷电路科技有限公司 | 线路板内外层线路的短路探测方法 |
CN103748455A (zh) * | 2011-09-27 | 2014-04-23 | 夏普株式会社 | 配线检查方法、配线检查装置、配线检查程序以及记录介质 |
CN107632251A (zh) * | 2017-08-08 | 2018-01-26 | 上海交通大学 | Pcb单板故障检测方法 |
CN107765162A (zh) * | 2016-08-18 | 2018-03-06 | 华为机器有限公司 | 一种微电流漏电图像检测方法及其系统 |
CN108181952A (zh) * | 2017-12-11 | 2018-06-19 | 浙江工业大学 | 一种基于卷积神经网络的光照度测量及光照度智能控制方法 |
CN108693462A (zh) * | 2018-06-13 | 2018-10-23 | 奇酷互联网络科技(深圳)有限公司 | 电路板检测方法、系统、可读存储介质、设备及电路板 |
CN109029734A (zh) * | 2018-06-28 | 2018-12-18 | 电子科技大学 | 红外焦平面探测器多芯测试装置及测试方法 |
-
2019
- 2019-03-06 CN CN201910168034.4A patent/CN109975686B/zh not_active Expired - Fee Related
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103748455A (zh) * | 2011-09-27 | 2014-04-23 | 夏普株式会社 | 配线检查方法、配线检查装置、配线检查程序以及记录介质 |
CN103630791A (zh) * | 2012-08-24 | 2014-03-12 | 海洋王(东莞)照明科技有限公司 | 一种红外线控制电池短路测试装置 |
CN103399248A (zh) * | 2013-07-18 | 2013-11-20 | 江苏物联网研究发展中心 | Pcb电路板缺陷批量检测系统和方法 |
CN103675595A (zh) * | 2013-12-11 | 2014-03-26 | 广州兴森快捷电路科技有限公司 | 线路板内外层线路的短路探测方法 |
CN107765162A (zh) * | 2016-08-18 | 2018-03-06 | 华为机器有限公司 | 一种微电流漏电图像检测方法及其系统 |
CN107632251A (zh) * | 2017-08-08 | 2018-01-26 | 上海交通大学 | Pcb单板故障检测方法 |
CN108181952A (zh) * | 2017-12-11 | 2018-06-19 | 浙江工业大学 | 一种基于卷积神经网络的光照度测量及光照度智能控制方法 |
CN108693462A (zh) * | 2018-06-13 | 2018-10-23 | 奇酷互联网络科技(深圳)有限公司 | 电路板检测方法、系统、可读存储介质、设备及电路板 |
CN109029734A (zh) * | 2018-06-28 | 2018-12-18 | 电子科技大学 | 红外焦平面探测器多芯测试装置及测试方法 |
Non-Patent Citations (1)
Title |
---|
刘冰 等: "512×6TDI长波红外探测器成像系统参数测试研究", 《半导体光电》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881786A (zh) * | 2021-01-08 | 2021-06-01 | 觉芯电子(无锡)有限公司 | 一种漏电检测方法、装置和系统 |
CN112881786B (zh) * | 2021-01-08 | 2024-03-26 | 觉芯电子(无锡)有限公司 | 一种漏电检测方法、装置和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109975686B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
Wang et al. | Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis | |
Davari et al. | Intelligent diagnosis of incipient fault in power distribution lines based on corona detection in UV-visible videos | |
CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN111242123B (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN112233073A (zh) | 一种变电设备红外热成像异常实时检测方法 | |
CN109977808A (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
CN108765373A (zh) | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 | |
CN108537154A (zh) | 基于hog特征和机器学习的输电线路鸟巢识别方法 | |
CN109344905A (zh) | 一种基于集成学习的输电设备自动故障识别方法 | |
CN112070134A (zh) | 电力设备图像分类方法、装置、电力设备及存储介质 | |
CN111852792B (zh) | 一种基于机器视觉的风机叶片缺陷自诊断定位方法 | |
CN111289854A (zh) | 基于紫外视频的3d-cnn和lstm的绝缘子绝缘状态评估方法 | |
CN103824092A (zh) | 一种用于输变电设备状态在线监测的图像分类方法 | |
CN110533654A (zh) | 零部件的异常检测方法及装置 | |
CN109781658A (zh) | 一种基于近红外光谱主成分分析的绝缘纸种类判别方法 | |
CN111382766A (zh) | 一种基于Faster R-CNN的设备故障检测方法 | |
CN115660262B (zh) | 一种基于数据库应用的工程智慧质检方法、系统及介质 | |
CN109684905A (zh) | 基于图像辨识的架空导线的覆冰质量检测的方法 | |
Wang et al. | Railway insulator detection based on adaptive cascaded convolutional neural network | |
CN111738156A (zh) | 一种高压开关设备状态智能巡检管理方法及系统 | |
CN113298178A (zh) | 基于热红外图像的变电站高压设备故障识别方法 | |
CN106548211A (zh) | 基于红外图像的变电站测温点自动识别方法和装置 | |
CN109975686A (zh) | 一种基于红外图像处理的电路板短路自动识别方法 | |
CN112419243B (zh) | 一种基于红外图像分析的配电房设备故障识别方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210406 |