CN110349129A - 一种高密度柔性ic基板外观缺陷检测方法 - Google Patents
一种高密度柔性ic基板外观缺陷检测方法 Download PDFInfo
- Publication number
- CN110349129A CN110349129A CN201910548161.7A CN201910548161A CN110349129A CN 110349129 A CN110349129 A CN 110349129A CN 201910548161 A CN201910548161 A CN 201910548161A CN 110349129 A CN110349129 A CN 110349129A
- Authority
- CN
- China
- Prior art keywords
- image
- substrate
- high density
- defect
- density flexible
- 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
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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种高密度柔性IC基板外观缺陷检测方法,包括采集高密度柔性IC基板各部分的高分辨率数字图像;将采集的多张IC基板的高分辨率数字图像拼接成一张完整的柔性IC基板图像;对拼接成完整的柔性IC基板图像进行外观缺陷检测,得到柔性IC基板的外观缺陷检测结果。本发明解决了高密度柔性IC基板生产过程中的外观参数检测难题。
Description
技术领域
本发明涉及高密度柔性IC基板检测领域,具体涉及一种高密度柔性IC基板外观缺陷检测方法。
背景技术
高密度柔性IC基板在许多行业有着广泛的应用,其中包括汽车、军用、宇航、计算机、电信、医疗以及消费产品等。世界各地的高密度柔性IC基板使用需求在逐年增长,尤其在手机或其他手持通信及计算机设备(如PDA等)上非常重要。基板的外观缺陷直接影响基板的后续封装,不良基板在后续的生产过程中将造成不可估量的损失。而我国对柔性IC基板的研究较少,现阶段并未查阅到有关柔性IC基板外观检测的相关文献。所以我国对高密度柔性IC基板的研究还处于初始阶段。
发明内容
为了克服现有技术存在的不足,本发明提供一种高密度柔性IC基板外观缺陷检测方法。
本发明采用如下技术方案:
一种高密度柔性IC基板外观缺陷检测方法,包括
采集高密度柔性IC基板各部分的高分辨率数字图像;
将采集的多张IC基板的高分辨率数字图像拼接成一张完整的柔性IC基板图像;
对拼接成完整的柔性IC基板图像进行外观缺陷检测,得到柔性IC基板的外观缺陷检测结果。
所述对拼接成完整的柔性IC基板图像进行外观缺陷检测,得到柔性IC基板的外观缺陷检测结果,包括:
划痕类和表面不均匀类缺陷检测步骤,具体为:
将所拼接的柔性IC基板图像进行平滑预处理;
将预处理后的RGB彩色空间图像转换为HSV彩色空间图像,获取亮度V分量的彩色空间图像,利用V分量值描述图像的明暗程度,判断是否存在划痕类及表面不均匀类缺陷,如果存在则输出检测结果,否则进入颜色类缺陷检测步骤;
所述颜色类缺陷检测步骤具体为:
采集正常的高密度柔性IC基板作为图像样本,正常基板存在黄色线路背景和黑色背景;
计算上述两类背景中“有代表性”的点;
通过面拟合模型,进一步建立样本拟合模型;
计算待测图像与样本拟合模型的相似度,通过相似度判断待测图像是否存在颜色类缺陷,如果存在则输出检测结果,否则进入线路不齐类缺陷检测步骤;
所述线路不齐类缺陷检测步骤包括:
对拼接完整的高密度柔性IC基板图像进行高斯-拉普拉斯变换,高斯-拉普拉斯算子是把高斯平滑滤波器和拉普拉斯锐化滤波器相结合的算子;
高斯-拉普拉斯算子与拼接完整图像做卷积,得到去噪后的图像;
对去噪后的图像进行过零处理,提取边缘;
对边缘进行锐化,判断是否存在线路不齐类缺陷。
所述建立面拟合模型,具体是利用平面模型、坡面模型、立方面模型和双二次面模型拟合图像的像素强度,进一步得到面模型拟合的误差函数,将得到的最小误差相对应的面模型作为最终的样本拟合模型。
所述过零处理采用下述任一方法:
方法一:当像素值小于0时视为0,大于255时视为255,该方法可获得类似浮雕的效果;
方法二:将所有的像素值取绝对值,该方法可提取有方向的边缘。
本发明采用摄像机获取柔性IC基板各部分的高分辨率数字图像。
所述将多张柔性IC基板的高分辨率数字图像拼接成一张完整的柔性IC基板图像,具体为:
将采集的图像进行校正处理,将处理后的图像进行拼接,得到完整的柔性IC基板图像。
所述计算样本拟合模型与待测图像的相似度,通过相似度判断待测图像是否存在缺陷,计算方法为:
将待测图像进行池化操作,池化块为J1,J2,…,JL,选取l×l大小的窗口,进行编码可完成池化块的特征提取;
计算编码后的池化函数f(Jn)中L邻域与样本拟合模型的相似度,若相似度大于设定的阈值,则判为背景;
否则对池化块内的小邻域分别求取其隶属度,进行精确划分像素值,若隶属度大于阈值判为背景,否则判为缺陷。
本发明的有益效果:
(1)本发明采用RGB-HSV彩色空间变换,仅使用V分量判断是否存在划痕类或表面不均匀类缺陷,同时去除高分辨率彩色图像的冗余信息,加快了外观缺陷的检测速度;
(2)本发明建立正常基板的样本拟合模型,在环境相同的情况下,模型的参数可直接后续使用,大大降低了检测时间。样本拟合模型的建立,在一定程度上提高了高密度柔性IC基板的检测精度;
(3)本发明检测线路不齐类缺陷时,采用高斯-拉普拉斯算子,先平滑噪声,再进行边缘检测,其检测效果更好,通过边缘细节的纹理即可更精确的判断是否存在线路不齐类缺陷。
(4)本发明提高了高密度柔性IC基板的生产效率。
附图说明
图1是本发明的图像采集流程图;
图2是本发明的拼接柔性IC基板图像的流程图;
图3是本发明的工作流程图。
具体实施方式
下面结合实施例及附图,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
如图1-图3所示,一种高密度柔性IC基板外观缺陷检测方法,包括如下步骤:
S1采用金相显微成像装置对待检测高密度柔性IC基板各个部分进行高分辨率数字图像采集。所述金相显微成像装置包括摄像机,设置好摄像机的位置及相关参数,规划载物平台的采集路径,保证图像采集完整,待载物平台移动到指定路径后,摄像机开始采集,直至按照预定规划的路线,采集完毕。
S2将采集的多张柔性IC基板的高分辨率数字图像拼接成一张完整的柔性IC基板图像;
对采集过程中出现模糊运动、畸变或折叠情况的图像先进行校正处理;
将处理后的图像进行拼接,直到获得最终的完整的柔性IC基板图像。
因为图像由高分辨率金相显微成像系统采集而成,所以柔性IC基板的整张图像可分多张图像拍摄之后融合而成。其目的是为检测该柔性IC基板有何种缺陷做铺垫。
S3对拼接成完整的柔性IC基板图像进行外观缺陷检测,得到柔性IC基板的外观缺陷检测结果。
柔性IC基板图像的外观缺陷检测主要包括划痕类(压痕、划伤、压痕/针孔、折裂、撕裂)和表面不均匀类(毛边、冲切变形)的缺陷部分;其次建立样本拟合模型检测基板中颜色类(异物、异物附着、镀层缺陷、变色/发黑/泛白、表面附着物)的缺陷部分;最后采用边缘锐化技术检测基板中线路不齐类(段差/台阶、偏位、MARK点不良、SMT孔不良、边间距)的缺陷部分。
具体如下:
S3.1将所拼接的柔性IC基板图像进行平滑预处理,具体为:包括图像去噪预处理,采用高斯平滑低通滤波器去除图像噪声,具有降噪功能,使得图像更平滑。且图像的像素值在后续的外观缺陷检测步骤中更为精确,从而减少像素值误判的概率,使得检测精度更高。
S3.2划痕类和表面不均匀类缺陷检测步骤,具体为:
将预处理后的RGB彩色空间图像转换为HSV彩色空间图像,获取亮度V分量彩色空间图像,利用V分量值描述图像的明暗程度,判断是否存在划痕类及表面不均匀类缺陷,如果是则输出检测结果,否则进入颜色类缺陷检测步骤;
色调H和饱和度S分量不受亮度V分量的影响,且色调H和饱和度S分量对柔性IC基板划痕类和表面不均匀类缺陷的影响程度不大,从而去除了彩色空间的冗余信息。当出现划痕类或表面不均匀类缺陷时,柔性IC基板的表面将表现出凹凸不平的特征,使得在采集过程中使用HSV空间会出现亮度不均匀,利用V分量值描述图像的明暗程度,判断基板中是否存在漏铜,从而可判断是否存在划痕类和表面不均匀类缺陷。
S3.3所述颜色类缺陷检测步骤具体为:
S3.3.1由于柔性IC基板的电路图背景为黑色,线路图采用铜线为黄色,色调比较简单,所以黑色和黄色作为背景,其他颜色类缺陷部分作为前景。去除背景后,剩余部分即为颜色类缺陷部分。
采集正常的高密度柔性IC基板作为图像样本,正常基板存在黄色线路背景和黑色背景,采集两类正常颜色的样本图像库。
计算上述两类背景中有代表性的点,先计算黄色线路背景和黑色背景中“有代表性”的点。
M张样本图像表示为I1(x,y),I2(x,y),…,IM(x,y),用向量I=(I1,I2,…,IM)’表示,则I的协方差矩阵表示为Cov(I),如公式(1)所示:
Cov(I)=(Cov(Ii,Ij)) (1)
D(I)=|Cov(I)| (2)
当M=1时,D(I)是I1的方差;当M=2时,用分别表示I1和I2的方差,ρ表示I1和I2的相关系数,有:
当所选的样本较多时,适合采用剔除法,用I(-l)表示在向量I(-l)=(I1,I2,…,IM)’中,剔除Ii后剩下M-1个值,此时I(-l)=(I1,I2,…,IM-1)’,所以I(-l)对Ii的条件广义方差如公式(4)所示:
D(I(-l))=D(I(-l)|Ii) (4)
D(I(-l)|Ii)反应了当已知Ii时,剩下的M-1个值的变化幅值情况。若D(I(-l)|Ii)很小,表示已知Ii后,剩下的M-1个点几乎无幅值波动,此时表明Ii是“有代表性”的点。若D(I(-l)|Ii)=D(I(-i)),表示已知的Ii与剩下的M-1个点无相关性,Ii只代表其本身,因此应选Ii使
选出i1后,Ii1即为“有代表性”的第一个点,对剩下的M-1个点按上述方法再选第二个设为Ii2,以此类推,直到选出预设的R个点为止。
S3.3.2建立面拟合模型,具体是利用平面模型、坡面模型、立方面模型和双二次面模型拟合图像的像素强度,
再通过公式(6)计算拟合系数获得拟合误差。
AK=B (6)
进一步得到面模型拟合误差函数,将得到最小误差相对应的面模型为最终的样本拟合模型。
四个面拟合模型的表达式如下:
(1)平面模型:
I(k,i,j)=k1+k2i+k3j (7)
通过公式(6)计算平面模型的拟合系数,
K=[k1 k2 k3]T (9)
B=[I1 I2 I3 … IN]T (10)
(2)坡面模型
I(k,i,j)=k1+k2i+k3j+k4ij+k5i2+k6j2 (11)
通过公式(6)计算坡面模型的拟合系数,
K=[k1 k2 k3 k4 k5 k6]T (14)
B=[I1 I2 I3 … IN]T (15)
(3)立方面模型
I(k,i,j)=k1+k2i+k3j+k4ij+k5i2+k6j2+k7i2j+k8ij2+k9i3+k10j3 (16)
通过公式(6)计算立方面模型的拟合系数,
K=[k1 k2 k3 … k9 k10]T (18)
B=[I1 I2 I3 … IN]T (19)
(4)双二次面模型
I(k,i,j)=k1+k2i+k3j+k4ij+k5i2+k6j2+k7i2j+k8ij2+k9i3+k10j3+k11i2j2+k12i3j+k13ij3+k14i4+k15j4 (20)
通过公式(6)计算双二次面模型的拟合系数,
K=[k1 k2 k3 … k14 k15]T (22)
B=[I1 I2 I3 … IN]T (23)
N是窗口内像素的总数,(it,jt)是图像的坐标,且t=1,2,3,…,N,I1,I2,…,IN分别是N个像素的像素强度;k是需要计算的系数。
得到4个面模型的拟合系数后,根据公式(24)建立面模型拟合误差函数,最后通过公式(25)得到最小误差相对应的面模型作为最终的拟合曲面模型。
T=min{error1,error2,error3,error4} (25)
采用相同的思路即可建立黄色线路背景和黑色背景的样本拟合模型。
S3.3.3建立缺陷检测模型。根据缺陷检测的模型,从而判断是否存在颜色类缺陷,包括:
S3.3.3.1待测图像池化操作。池化操作即可将池化块并行操作,大大加快了待测图像的检测速度;
S3.3.3.2缺陷判断。同一环境下采集样本图像和待测图像,先对采集的样本图像库建立样本拟合模型,再计算两者的相似度即可找出待测图像是否存在缺陷。计算方法具体为:
图像池化块为J1,J2,…,JL。其中L=l×l,选取l×l大小的窗口。基于此编码及之后的池化过程对局部点集形状进行提取。其编码方式为:
He=E(F2)-En2 (33)
f(Jn)函数感知L邻域是否与样本拟合模型相似,编码后若两者相似度达到某阈值可判为背景,否则对L个小邻域分别求取其隶属度,以便更精确地划分像素值。若隶属度大于某阈值则判为背景,否则判为缺陷。两者相似度较高则说明L个小邻域属于黄色线路背景或黑色背景,否则说明L个小邻域处于边缘区域,对每个小邻域计算其隶属度可更精确地判断该小邻域是否属于缺陷。小邻域的隶属度如公式(34)和(35)所示:
其中,Enb和Heb表示对黑色背景样本拟合图像Inb的编码,Enf和Hef表示对线路背景样本拟合图像Inf的编码;ui1表示小邻域隶属于黑色背景的概率,ui2表示小邻域隶属于黄色线路背景的概率。若小邻域不属于背景,则判为缺陷。
本步骤是先把图像分成L个块,这L个块包含l*l个像素值。
L个块并行操作,首先对块进行编码,编码之后判断块和样本拟合模型的相似度,若两者的相似度大于某个阈值,则说明该块是背景,判为背景。否则,说明该块存在边缘或者缺陷,所以对小邻域求取其隶属度,若隶属度大于阈值则说明是背景,否则判为缺陷,小邻域理解为块内的像素值。
当池化块与样本拟合模型的相似度小于阈值时,该池化块可能存在边缘,也可能存在缺陷,所以需要对小邻域加以判断是否存在缺陷。
S3.4所述线路不齐类缺陷检测步骤包括:
S3.4.1对拼接完整的高密度柔性IC基板图像进行高斯-拉普拉斯变换,高斯-拉普拉斯算子是把高斯平滑滤波器和拉普拉斯锐化滤波器相结合的算子;
先平滑噪声,再进行边缘检测,其效果更好。常用高斯-拉普拉斯算子模板(5×5)如下表1及表2所示:
S3.4.2高斯-拉普拉斯算子与拼接完整图像做卷积,得到去噪后的图像;卷积可以简单的看成加权求和的过程。
S3.4.3对去噪后的图像进行过零处理,提取边缘;计算结果中,若出现像素值小于零或大于255时,将存在问题。本文有两种处理方法,具体为:
方法一:将小于0的像素值视为0,大于255的视为255,该方法可以获得类似浮雕的效果。
方法二:将所有的像素值取绝对值。该方法可提取有方向的边缘。
S3.4.4对边缘进行锐化,判断是否存在线路不齐类缺陷。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.一种高密度柔性IC基板外观缺陷检测方法,其特征在于,包括
采集高密度柔性IC基板各部分的高分辨率数字图像;
将采集的多张IC基板的高分辨率数字图像拼接成一张完整的柔性IC基板图像;
对拼接成完整的柔性IC基板图像进行外观缺陷检测,得到柔性IC基板的外观缺陷检测结果。
2.根据权利要求1所述的一种高密度柔性IC基板外观缺陷检测方法,其特征在于,包括:
划痕类和表面不均匀类缺陷检测步骤,具体为:
将所拼接的柔性IC基板图像进行平滑预处理;
将预处理后的RGB彩色空间图像转换为HSV彩色空间图像,获取亮度V分量的彩色空间图像,利用V分量值描述图像的明暗程度,判断是否存在划痕类及表面不均匀类缺陷,如果存在则输出检测结果,否则进入颜色类缺陷检测步骤;
所述颜色类缺陷检测步骤具体为:
采集正常的高密度柔性IC基板作为图像样本,正常基板存在黄色线路背景和黑色背景;
计算上述两类背景中有代表性的点;
建立面拟合模型,进一步建立样本拟合模型;
计算待测图像与样本拟合模型的相似度,通过相似度判断待测图像是否存在颜色类缺陷,如果存在则输出检测结果,否则进入线路不齐类缺陷检测步骤;
所述线路不齐类缺陷检测步骤包括:
对拼接完整的高密度柔性IC基板图像进行高斯-拉普拉斯变换,高斯-拉普拉斯算子是把高斯平滑滤波器和拉普拉斯锐化滤波器相结合的算子;
高斯-拉普拉斯算子与拼接完整图像做卷积,得到去噪后的图像;
对去噪后的图像进行过零处理,提取边缘;
对边缘进行锐化,判断是否存在线路不齐类缺陷。
3.根据权利要求2所述的一种高密度柔性IC基板外观缺陷检测方法,其特征在于,所述建立面拟合模型,具体是利用平面模型、坡面模型、立方面模型和双二次面模型拟合图像的像素强度,进一步得到面拟合模型的误差函数,将得到的最小误差相对应的面模型作为最终的样本拟合模型。
4.根据权利要求2所述的一种高密度柔性IC基板外观缺陷检测方法,其特征在于,所述过零处理采用下述任一方法:
方法一:当像素值小于0时视为0,大于255时视为255,该方法获得类似浮雕的效果;
方法二:将所有的像素值取绝对值,该方法提取有方向的边缘。
5.根据权利要求1所述的一种高密度柔性IC基板外观缺陷检测方法,其特征在于,采用摄像机获取柔性IC基板各部分的高分辨率数字图像。
6.根据权利要求1所述的一种高密度柔性IC基板外观缺陷检测方法,其特征在于,将多张柔性IC基板的高分辨率数字图像拼接成一张完整的柔性IC基板图像,具体为:
将采集的图像进行校正处理,将处理后的图像进行拼接,得到完整的柔性IC基板图像。
7.根据权利要求2所述的一种高密度柔性IC基板外观缺陷检测方法,其特征在于,
计算样本拟合模型与待测图像的相似度,通过相似度判断待测图像是否存在缺陷,计算方法为:
将待测图像进行池化操作,池化块为J1,J2,…,JL,选取l×l大小的窗口,进行编码可完成池化块的特征提取;
计算编码后的池化函数f(Jn)中L邻域与样本拟合模型的相似度,若相似度大于设定的阈值,则判为背景;
否则对池化块内的小邻域分别求取其隶属度,进行精确划分像素值,若隶属度大于阈值则判为背景,否则判为缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910548161.7A CN110349129B (zh) | 2019-06-24 | 2019-06-24 | 一种高密度柔性ic基板外观缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910548161.7A CN110349129B (zh) | 2019-06-24 | 2019-06-24 | 一种高密度柔性ic基板外观缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110349129A true CN110349129A (zh) | 2019-10-18 |
CN110349129B CN110349129B (zh) | 2023-06-16 |
Family
ID=68182845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910548161.7A Active CN110349129B (zh) | 2019-06-24 | 2019-06-24 | 一种高密度柔性ic基板外观缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110349129B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991302A (zh) * | 2021-03-22 | 2021-06-18 | 华南理工大学 | 基于超像素的柔性ic基板变色缺陷检测方法和装置 |
CN114926417A (zh) * | 2022-05-09 | 2022-08-19 | 华南理工大学 | 高密度柔性fpc表面弱划痕的显微成像检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070071304A1 (en) * | 2005-09-27 | 2007-03-29 | Sharp Kabushiki Kaisha | Defect detecting device, image sensor device, image sensor module, image processing device, digital image quality tester, and defect detecting method |
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
CN109003268A (zh) * | 2018-07-19 | 2018-12-14 | 华南理工大学 | 一种超薄柔性ic基板外观颜色检测方法 |
-
2019
- 2019-06-24 CN CN201910548161.7A patent/CN110349129B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070071304A1 (en) * | 2005-09-27 | 2007-03-29 | Sharp Kabushiki Kaisha | Defect detecting device, image sensor device, image sensor module, image processing device, digital image quality tester, and defect detecting method |
CN106204614A (zh) * | 2016-07-21 | 2016-12-07 | 湘潭大学 | 一种基于机器视觉的工件外观缺陷检测方法 |
CN109003268A (zh) * | 2018-07-19 | 2018-12-14 | 华南理工大学 | 一种超薄柔性ic基板外观颜色检测方法 |
Non-Patent Citations (1)
Title |
---|
胡跃明 等: "高密度柔性集成电路基板的表面氧化缺陷检测", 计算机集成制造系统 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991302A (zh) * | 2021-03-22 | 2021-06-18 | 华南理工大学 | 基于超像素的柔性ic基板变色缺陷检测方法和装置 |
CN114926417A (zh) * | 2022-05-09 | 2022-08-19 | 华南理工大学 | 高密度柔性fpc表面弱划痕的显微成像检测方法及系统 |
CN114926417B (zh) * | 2022-05-09 | 2024-05-28 | 华南理工大学 | 高密度柔性fpc表面弱划痕的显微成像检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110349129B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543878B (zh) | 一种基于神经网络的指针仪表读数识别方法 | |
CN111833306B (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
CN110119680B (zh) | 一种基于图像识别的电气柜接线自动查错系统 | |
CN107945184B (zh) | 一种基于彩色图像分割和梯度投影定位的贴装元件检测方法 | |
CN109087274A (zh) | 基于多维融合及语义分割的电子器件缺陷检测方法及装置 | |
CN106340044B (zh) | 摄像机外参自动标定方法及标定装置 | |
CN108921176A (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN114897864B (zh) | 基于数模信息的工件检测及缺陷判断方法 | |
CN107369176B (zh) | 一种柔性ic基板氧化面积检测系统及方法 | |
JP2011238228A (ja) | スクリーン領域検知方法及びシステム | |
CN113554631B (zh) | 一种基于改进网络的芯片表面缺陷检测方法 | |
CN110207592A (zh) | 建筑裂缝测量方法、装置、计算机设备和存储介质 | |
CN110135438B (zh) | 一种基于梯度幅值预运算的改进surf算法 | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN113034474A (zh) | 一种oled显示器晶圆图的测试方法 | |
CN111695373B (zh) | 斑马线的定位方法、系统、介质及设备 | |
CN111080574A (zh) | 一种基于信息熵和视觉注意机制的织物疵点检测方法 | |
CN111861866A (zh) | 一种变电站设备巡检图像全景重建方法 | |
CN110349129A (zh) | 一种高密度柔性ic基板外观缺陷检测方法 | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN105354816B (zh) | 一种电子元件定位方法及装置 | |
US20110164129A1 (en) | Method and a system for creating a reference image using unknown quality patterns | |
CN112241964A (zh) | 一种用于线结构光非接触测量的光条中心提取方法 | |
CN112381751A (zh) | 一种基于图像处理算法的在线智能检测系统及方法 |
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 |