CN111640096A - 电子产品外观的检测方法、装置及终端 - Google Patents
电子产品外观的检测方法、装置及终端 Download PDFInfo
- Publication number
- CN111640096A CN111640096A CN202010449012.8A CN202010449012A CN111640096A CN 111640096 A CN111640096 A CN 111640096A CN 202010449012 A CN202010449012 A CN 202010449012A CN 111640096 A CN111640096 A CN 111640096A
- Authority
- CN
- China
- Prior art keywords
- electronic product
- appearance
- target
- detected
- data set
- 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
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Abstract
本发明适用于外观检测技术领域,提供了一种电子产品外观的检测方法、装置及终端。所述电子产品外观的检测方法包括:获取待检测电子产品的外观图像,外观图像中包括待检测电子产品的产品型号和几何形状;基于外观图像和预设的第一预测模型,确定待检测电子产品的封装类型;第一预测模型根据目标电子产品的产品型号与封装类型之间的第一对应关系、目标电子产品的几何形状与封装类型之间的第二对应关系建立;将待检测电子产品的封装类型输入至预设的第二预测模型,提取待检测电子产品的目标封装特征;将目标封装特征输入至预设的第三预测模型,得到待检测电子产品的外观检测结果。本发明能够提高电子产品外观的检测效率。
Description
技术领域
本发明属于外观检测技术领域,尤其涉及一种电子产品外观的检测方法、装置及终端。
背景技术
在电子产品的检测中,外观检测是一项最基础的检测项目,主要是为了检查并剔除外观存在缺陷的产品,由于电子产品表面可能存在的缺陷种类繁多,在产品外观检查标准手册中规定的外观检测条款、缺陷判据都十分复杂,试验人员很难全面掌握对外观检测的标准,有时需要边进行检查边查阅标准手册,导致对电子产品外观进行检测的效率低。
发明内容
有鉴于此,本发明提供了一种电子产品外观的检测方法、装置及终端,旨在解决电子产品外观的检测效率低的问题。
本发明实施例的第一方面提供了一种电子产品外观的检测方法,包括:
获取待检测电子产品的外观图像,所述外观图像中包括待检测电子产品的产品型号和几何形状;
基于所述外观图像和预设的第一预测模型,确定所述待检测电子产品的封装类型;其中,所述第一预测模型根据目标电子产品的产品型号与封装类型之间的第一对应关系、目标电子产品的几何形状与封装类型之间的第二对应关系建立;所述目标电子产品为各类待检测电子产品的统称;
将所述待检测电子产品的封装类型输入至预设的第二预测模型,提取所述待检测电子产品的目标封装特征;
将待检测电子产品的目标封装特征输入至预设的第三预测模型,得到所述待检测电子产品的外观检测结果。
本发明实施例的第二方面提供了一种电子产品外观的检测装置,包括:
外观图像获取模块,用于获取待检测电子产品的外观图像,所述外观图像中包括待检测电子产品的产品型号和几何形状;
封装类型确定模块,用于基于所述外观图像和预设的第一预测模型,确定所述待检测电子产品的封装类型;其中,所述第一预测模型根据目标电子产品的产品型号与封装类型之间的第一对应关系、目标电子产品的几何形状与封装类型之间的第二对应关系建立;所述目标电子产品为各类待检测电子产品的统称;
目标封装特征提取模块,用于将所述待检测电子产品的封装类型输入至预设的第二预测模型,提取所述待检测电子产品的目标封装特征;
外观检测结果确定模块,用于将待检测电子产品的目标封装特征输入至预设的第三预测模型,得到所述待检测电子产品的外观检测结果。
本发明实施例的第三方面提供了一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如任一项所述电子产品外观的检测方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如任一项所述电子产品外观的检测方法的步骤。
本发明与现有技术相比存在的有益效果是:
本发明通过待检测电子产品的外观图像的产品型号、几何形状和第一预设模型,确定待检测电子产品的封装类型、再根据封装类型和第二预测模型确定待检测电子产品的目标封装特征,根据目标封装特征和第三预测模型确定待检测电子产品外观的检测结果,可以逐步缩小待检测电子产品外观的检测范围,提高外观检测的效率和准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的电子产品外观的检测方法的实现流程图;
图2是本发明实施例提供的电子产品外观的检测装置的结构示意图;
图3是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
参见图1,其示出了本发明实施例提供的电子产品外观的检测方法的实现流程图,详述如下:
S110:获取待检测电子产品的外观图像,外观图像中包括待检测电子产品的产品型号和几何形状。
在本发明实施例中,可以通过摄像头拍摄待检测电子产品的外观,并在通过摄像头拍摄待检测电子产品的外观时,利用光源进行照明,以满足进行拍摄的光线要求,摄像头可以通过USB将拍摄的外观图像输入至计算机,以使计算机获取待检测电子产品的外观图像。
S210:基于外观图像和预设的第一预测模型,确定待检测电子产品的封装类型。
其中,第一预测模型根据目标电子产品的产品型号与封装类型之间的第一对应关系、目标电子产品的几何形状与封装类型之间的第二对应关系建立。目标电子产品为各类待检测电子产品的的统称。
在本发明实施例中,目标电子产品为各类待检测电子产品的对应产品的统称,示例性的,目标电子产品包括e,f,g三类目标电子产品,待检测电子产品可以为e类目标电子产品、f类目标电子产品或g类目标电子产品。
将待检测电子产品的外观图像输入至第一预测模型,确定待检测电子产品的封装类型。
可选的,第一预测模型的建立过程包括:
S1:获取多个目标电子产品的第一外观图像,得到第一数据集。
获取多个目标电子产品的第二外观图像,得到第二数据集。
第一外观图像中携带有第一标记,第一标记用于标识目标电子产品外观的封装类型。
S21:将第一数据集作为第一训练集和第二训练集。
S22:根据第一对应关系对第一训练集进行训练,得到第一分类器。
基于第一分类器,选取第二数据集中的第二外观图像作为第一目标图像,为第一目标图像添加第一伪标记,其中,第一伪标记用于标识第一目标图像的封装类型。
根据第二对应关系对第二训练集进行训练,得到第二分类器。
基于第二分类器,选取第二数据集中的第二外观图像作为第二目标图像,为第二目标图像添加第二伪标记,其中,第二伪标记用于标识第二目标图像的封装类型。
将第一数据集和添加了第二伪标记的第二目标图像作为第一训练集。
将第一数据集和添加了第一伪标记的第一目标图像作为第二训练集。
S23:重复执行S22,直到S22的执行次数达到预设次数。
S3:将第一分类器和第二分类器作为第一预测模型输出。
在本发明实施例中,重复执行S22,可以重复的更新第一训练集和第二训练集,从而重复的得到第一分类器和第二分类器。
示例性的,第一数据集为A,第一训练集为D1和第二训练集D2均包括第一数据集A,根据第一对应关系对第一训练集D1进行第一次训练后,得到第一分类器A1,根据第二对应关系对第二训练集D2进行第一次训练后,得到第二分类器B1。
基于第一分类器A1,对第二目标图像第一伪标记,得到添加了第一伪标记的第一目标图像C1,基于第二分类器B1,对第二目标图像添加第二伪标记,得到添加了第二伪标记的第二目标图像C2。
将第一数据集A和添加了第二伪标记的第二目标图像C2作为第一训练集D11。
将第一数据集A和添加了第一伪标记的第一目标图像C1作为第二训练集D21。
在进行第二次训练时,根据第一对应关系对第一训练集D11进行训练,得到第一分类器A2,根据第二对应关系对第二训练集D21进行训练,得到第二分类器B2,此时得到的第一分类器A2和第二分类器B2为第二次训练得到的,再基于第一分类器A2,对第一目标图像添加第一伪标记,基于第二分类器B2,对第一目标图像添加第二伪标记,直到S22的执行次数达到预设次数。
在S22中,第一目标图像可以包括N个第二外观图像,相应的,
基于第一分类器,选取第二数据集中的N个第二外观图像作为第一目标图像,为第一目标图像添加第一伪标记,包括:
基于第一分类器,分别对各第二外观图像中目标电子产品的封装类型进行预测,并对每个封装类型进行置信度评估。
从第二数据集中选取前N个高置信度的第二外观图像作为第一目标图像,为第一目标图像添加第一伪标记其中,N表示大于1的正整数。
第二目标图像可以包括M个第二外观图像,相应的,
基于第二分类器,选取第二数据集中的M个第二外观图像作为第二目标图像,为第二目标图像添加第二伪标记,包括:
基于第二分类器,分别对各第二外观图像中目标电子产品的封装类型进行预测,并对每个封装类型进行置信度评估。
从第二数据集中选取前M个高置信度的第二外观图像作为第二目标图像,为第二目标图像添加第二伪标记其中,M表示大于1的正整数。
S23中预设次数的确定:可以根据第一分类器和第二分类器在训练过程中,两者均不发生变化时确定预设次数,预设次数可以大于等于第一分类器和第二分类器均不发生变化时S22的执行次数,第一分类器和第二分类器均不发生变化时,可以为第一分类器和第二分类器对任一目标电子产品预测的封装类型相同的状态。
在将待检测电子产品的外观图像输入至第一预测模型时,可以根据第一分类器和第二分类器对待检测电子产品的封装类型进行预测。
在本发明实施例中,将添加了第二伪标记的第二目标图像添加至第一训练集,据第一预设对应关系对第一训练集进行训练,得到第一分类器。将添加了第一伪标记的第一目标图像添加至第二训练集,根据第二对应关系对第二训练集进行训练,得到第二分类器,可以使第一分类器和第二分类器相互学习,从而提升各自的预测性能。
S310:将待检测电子产品的封装类型输入至预设的第二预测模型,提取待检测电子产品的目标封装特征。
在本发明实施例中,第二预测模型可以根据待检测电子产品的封装类型提取待检测电子产品的目标封装特征。其中,每个封装类型对应一类目标封装特征,该目标封装特征可以为易产生缺陷的封装特征。
可选的,第二预测模型的建立过程包括:
获取目标电子产品各个封装类型的外观图像,得到第三数据集。
根据第三对应关系为第三数据集添加第二标记,得到第三训练集。
其中,第三对应关系为目标电子产品的封装类型与目标封装特征之间的对应关系,第二标记用于标识目标电子产品的目标封装特征。
对第三训练集进行训练,得到第二预测模型。
在本发明实施例中,每个封装类型的外观图像中的封装特征可以用其对应的特征值表示,因此可以通过每个封装特征的特征值确定各个封装特征,第三对应关系的建立过程包括:对每个封装类型的封装特征赋予一个特征值,并预设一个阈值,将超出该阈值的特征值对应的封装特征记为该封装类型的目标封装特征。
其中,目标封装特征包括但不限于引脚、镀层和绝缘子。
在本发明实施例中,可以根据封装类型和目标封装特征的对应关系为外观图像添加第二标记,得到第三训练集,并对第三训练集进行训练,得到第二预测模型,该模型可以根据封装类型,得到该封装类型下的目标封装特征。
S410:将待检测电子产品的目标封装特征输入至预设的第三预测模型,得到待检测电子产品的外观检测结果。
在本发明实施例中,第三预测模型可以根据目标封装特征,得到待检测电子产品的外观检测结果。
可选的,第三预测模型的建立过程包括:
获取多个目标电子产品的第三外观图像,得到第四数据集。
获取多个目标电子产品的第四外观图像,得到第五数据集。
其中,第三外观图像携带有第三标记,第三标记用于标识目标电子产品外观的缺陷类型。
对第四数据集和第五数据集进行训练,得到第三预测模型。
在本发明实时例中,可以根据第四外观图像和携带有第三标记的第三外观图像,得到第三预测模型。
可选的,对第四数据集和第五数据集进行训练,得到第三预测模型包括:
S101:将第四数据集作为第四训练集。
S201:对第四训练集进行训练,得到支持向量机。
基于支持向量机,为第五数据集中的第四外观图像添加第三伪标记,并为各个第三伪标记标定松弛向量,其中,第三伪标记用于标识第四外观图像中目标电子产品外观的缺陷类型。
根据松弛向量,选取第五数据集中的两个第四外观图像,并交换两个第四外观图像的第三伪标记,得到交换了第三伪标记的第五数据集。
将第四数据集以及交换了第三伪标记的第五数据集作为第四训练集。
S301:重复执行S201,直至S201中各松弛向量均大于预设的松弛向量。
S401:将支持向量机作为第三预测模型输出。
在本发明实施例中,可以重复的得到第四训练集,并根据第四训练集重复的得到支持向量机。示例性的,第四数据集为a,第五数据集为b,在进行第一次训练时,第四训练集为a,训练得到支持向量机c1,基于支持向量机c1向第五数据集b添加第三伪标记,根据添加了第三伪标记的第五数据集b,得到交换了第三伪标记的第五数据集为b1,将第四数据集a以及交换了第三伪标记的第五数据集b1作为第四训练集。
在进行第二次训练时,第四训练集包括a和b1,训练后得到支持向量机c2,基于支持向量机c2向第五数据集b添加第三伪标记,根据添加了第三伪标记的第五数据集b,得到交换了第三伪标记的第五数据集为b2,将第四数据集a以及交换了第三伪标记的第五数据集b2作为第四训练集,在进行第三次训练时,第四训练集包括a和b2。如此循环的计算支持向量机。
根据松弛向量,选取第五数据集中的两个第四外观图像,包括:
根据松弛向量,选取第五数据集中前两个小的松弛向量对应的第四外观图像。其中,松弛向量可以表示第三伪标记的准确度,松弛向量越大,第三伪标记的准确度越高。可以根据松弛向量调整支持向量机,在各松弛向量均大于预设的松弛向量时,停止计算支持向量机,此时的支持向量机作为第三预测模型。通过交换较小的两个松弛向量对应的伪标记,可以根据划分平面最大的误差,进行逐步调整,并根据调整的支持向量机确定新的各松弛向量,直到各松弛向量均大于预设的松弛向量。利用从划分平面划分的最大误差,逐步进行调整,可以提高第三预测模型的准确度。
在本发明实施例中,本发明通过待检测电子产品的外观图像的产品型号、几何形状和第一预设模型,确定待检测电子产品的封装类型、再根据封装类型和第二预测模型确定待检测电子产品的目标封装特征,根据目标封装特征和第三预测模型确定待检测电子产品外观的检测结果,可以逐步缩小待检测电子产品外观的检测范围,提高外观检测的效率和准确率。
可选的,在将待检测电子产品的目标封装特征输入至预设的第三预测模型,得到待检测电子产品的外观检测结果之后,还包括:
若外观检测结果显示待检测电子产品的外观存在某个缺陷,则向检测人员发送第一信号,其中,第一信号用于指示检测人员对该缺陷进行二次确认,并在确认待检测电子产品的外观确实存在该缺陷时返回第二信号。
若接收到第二信号,则对该缺陷的几何特征进行测量,并根据该缺陷几何特征的测量值确定该缺陷是否为影响性缺陷。
在本发明实施例中,可以在第三预测模型得到待检测电子产品的外观检测结果后,在外观检测结果显示待检测电子产品外观存在某个缺陷,检测人员对存在某个缺陷进行二次确认,以保证对电子产品外观进行检测的准确性。在确认待检测电子产品的外观确实存在该缺陷时返回第二信号。若接收到第二信号,则对该缺陷的几何特征进行测量,并根据该缺陷几何特征的测量值确定该缺陷是否为影响性缺陷。
可选的,根据该缺陷几何特征的测量值确定该缺陷是否为影响性缺陷包括:
若测量值大于该缺陷对应的预设失效值,则判定该缺陷为影响性缺陷。
若测量值不大于该缺陷对应的预设失效值,则判定该缺陷不为影响性缺陷。
在本发明实时例中,其中,目标封装特征包括但不限于引脚、镀层和绝缘子,缺陷的几何特征包括但不限于划痕的长度、引线偏离原位置的角度。每个缺陷的几何特征对应一个预设失效值,在任一目标封装特征的缺陷的几何特征的测量值大于该缺陷的预设失效值时,判定该缺陷为影响性缺陷,该影响性缺陷可以对该待检测电子产品外观的性能产生影响。而在测量值不大于该缺陷对应的预设失效值时,判定该缺陷不为影响性缺陷,既,待检测电子产品的外观不存在影响性缺陷,该缺陷不会对该待检测电子产品外观的性能产生影响。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图2示出了本发明实施例提供的电子产品外观的检测装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图2所示,电子产品外观的检测装置2包括:
外观图像获取模块21,用于获取待检测电子产品的外观图像,外观图像中包括待检测电子产品的产品型号和几何形状。
封装类型确定模块22,用于基于外观图像和预设的第一预测模型,确定待检测电子产品的封装类型。其中,第一预测模型根据目标电子产品的产品型号与封装类型之间的第一对应关系、目标电子产品的几何形状与封装类型之间的第二对应关系建立。目标电子产品为各类待检测电子产品的统称。
目标封装特征提取模块23,用于将待检测电子产品的封装类型输入至预设的第二预测模型,提取待检测电子产品的目标封装特征。
外观检测结果确定模块24,用于将待检测电子产品的目标封装特征输入至预设的第三预测模型,得到待检测电子产品的外观检测结果。
可选的,封装类型确定模块22,还用于建立第一预测模型,建立第一预测模型的过程可以详述为:
S1:获取多个目标电子产品的第一外观图像,得到第一数据集。
获取多个目标电子产品的第二外观图像,得到第二数据集。
第一外观图像中携带有第一标记,第一标记用于标识目标电子产品外观的封装类型。
S21:将第一数据集作为第一训练集和第二训练集。
S22:根据第一对应关系对第一训练集进行训练,得到第一分类器。
基于第一分类器,选取第二数据集中的第二外观图像作为第一目标图像,为第一目标图像添加第一伪标记,其中,第一伪标记用于标识第一目标图像的封装类型。
根据第二对应关系对第二训练集进行训练,得到第二分类器。
基于第二分类器,选取第二数据集中的第二外观图像作为第二目标图像,为第二目标图像添加第二伪标记,其中,第二伪标记用于标识第二目标图像的封装类型。
将第一数据集和添加了第二伪标记的第二目标图像作为第一训练集。
将第一数据集和添加了第一伪标记的第一目标图像作为第二训练集。
S23:重复执行S22,直到S22的执行次数达到预设次数。
S3:将第一分类器和第二分类器作为第一预测模型输出。
可选的,目标封装特征提取模块23,还用于建立第二预测模型,建立第二预测模型的过程可以详述为:
获取目标电子产品各个封装类型的外观图像,得到第三数据集。
根据第三对应关系为第三数据集添加第二标记,得到第三训练集。
其中,第三对应关系为目标电子产品的封装类型与目标封装特征之间的对应关系,第二标记用于标识目标电子产品的目标封装特征。
对第三训练集进行训练,得到第二预测模型。
可选的,外观检测结果确定模块24,还用于建立第三预测模型,建立第三预测模型的过程可以详述为:
获取多个目标电子产品的第三外观图像,得到第四数据集。
获取多个目标电子产品的第四外观图像,得到第五数据集。
其中,第三外观图像携带有第三标记,第三标记用于标识目标电子产品外观的缺陷类型。
对第四数据集和第五数据集进行训练,得到第三预测模型。
可选的,外观检测结果确定模块24,还用于对第四数据集和第五数据集进行训练,得到第三预测模型,对第四数据集和第五数据集进行训练,得到第三预测模型的过程可以详述为:
S101:将第四数据集作为第四训练集。
S201:对第四训练集进行训练,得到支持向量机。
基于支持向量机,为第五数据集中的第四外观图像添加第三伪标记,并为各个第三伪标记标定松弛向量,其中,第三伪标记用于标识第四外观图像中目标电子产品外观的缺陷类型。
根据松弛向量,选取第五数据集中的两个第四外观图像,并交换两个第四外观图像的第三伪标记,得到交换了第三伪标记的第五数据集。
将第四数据集以及交换了第三伪标记的第五数据集作为第四训练集。
S301:重复执行S201,直至S201中各松弛向量均大于预设的松弛向量。
S401:将支持向量机作为第三预测模型输出。
可选的,电子产品外观的检测装置3,还包括:
第一信号发送模块25,用于若外观检测结果显示待检测电子产品的外观存在某个缺陷,则向检测人员发送第一信号,其中,第一信号用于指示检测人员对该缺陷进行二次确认,并在确认待检测电子产品的外观确实存在该缺陷时返回第二信号。
测量模块26,用于若接收到第二信号,则对该缺陷的几何特征进行测量,并根据该缺陷几何特征的测量值确定该缺陷是否为影响性缺陷。
可选的,测量模块26,还用于根据该缺陷几何特征的测量值确定该缺陷是否为影响性缺陷,根据缺陷几何特征的测量值确定该缺陷是否为影响性缺陷的过程可以详述为:
若测量值大于该缺陷对应的预设失效值,则判定该缺陷为影响性缺陷。
若测量值不大于该缺陷对应的预设失效值,则判定该缺陷不为影响性缺陷。
本发明通过外观图像获取模块21,封装类型确定模块22,目标封装特征提取模块23,外观检测结果确定模块24,可以根据待检测电子产品的外观图像的产品型号、几何形状和第一预设模型,确定待检测电子产品的封装类型、再根据封装类型和第二预测模型确定待检测电子产品的目标封装特征,根据目标封装特征和第三预测模型确定待检测电子产品外观的检测结果,可以逐步缩小待检测电子产品的检测范围,提高外观检测的效率和准确率。
图3是本发明一实施例提供的终端的示意图。如图3所示,该实施例的终端3包括:处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个电子产品外观的检测方法实施例中的步骤,例如图1所示的步骤110至步骤410。或者,所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能,例如图2所示单元21至26的功能。
示例性的,所述计算机程序32可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器31中,并由所述处理器30执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序32在所述终端3中的执行过程。例如,所述计算机程序32可以被分割成外观图像获取模块21,封装类型确定模块22,目标封装特征提取模块23,外观检测结果确定模块24,各单元具体功能如下:
外观图像获取模块21,用于获取待检测电子产品的外观图像,所述外观图像中包括待检测电子产品的产品型号和几何形状;
封装类型确定模块22,用于基于所述外观图像和预设的第一预测模型,确定所述待检测电子产品的封装类型;其中,所述第一预测模型根据目标电子产品的产品型号与封装类型之间的第一对应关系、目标电子产品的几何形状与封装类型之间的第二对应关系建立;所述目标电子产品为各类待检测电子产品的统称;
目标封装特征提取模块23,用于将所述待检测电子产品的封装类型输入至预设的第二预测模型,提取所述待检测电子产品的目标封装特征;
外观检测结果确定模块24,用于将待检测电子产品的目标封装特征输入至预设的第三预测模型,得到所述待检测电子产品的外观检测结果。
所述终端3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是终端3的示例,并不构成对终端3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述终端3的内部存储单元,例如终端3的硬盘或内存。所述存储器31也可以是所述终端3的外部存储设备,例如所述终端3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器31还可以既包括所述终端3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述各个电子产品外观的检测方法实施例中的步骤。
计算机可读存储介质存储有计算机程序32,计算机程序32包括程序指令,程序指令被处理器30执行时实现上述实施例方法中的全部或部分流程,也可以通过计算机程序32来指令相关的硬件来完成,计算机程序32可存储于一计算机可读存储介质中,该计算机程序32在被处理器30执行时,可实现上述各个方法实施例的步骤。其中,计算机程序32包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元,例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备,例如终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电子产品外观的检测方法,其特征在于,包括:
获取待检测电子产品的外观图像,所述外观图像中包括待检测电子产品的产品型号和几何形状;
基于所述外观图像和预设的第一预测模型,确定所述待检测电子产品的封装类型;其中,所述第一预测模型根据目标电子产品的产品型号与封装类型之间的第一对应关系、目标电子产品的几何形状与封装类型之间的第二对应关系建立;所述目标电子产品为各类待检测电子产品的统称;
将所述待检测电子产品的封装类型输入至预设的第二预测模型,提取所述待检测电子产品的目标封装特征;
将待检测电子产品的目标封装特征输入至预设的第三预测模型,得到所述待检测电子产品的外观检测结果。
2.根据权利要求1所述的电子产品外观的检测方法,其特征在于,在所述将待检测电子产品的目标封装特征输入至预设的第三预测模型,得到所述待检测电子产品的外观检测结果之后,还包括:
若所述外观检测结果显示所述待检测电子产品的外观存在某个缺陷,则向检测人员发送第一信号,其中,所述第一信号用于指示所述检测人员对该缺陷进行二次确认,并在确认所述待检测电子产品的外观确实存在该缺陷时返回第二信号;
若接收到所述第二信号,则对该缺陷的几何特征进行测量,并根据该缺陷几何特征的测量值确定该缺陷是否为影响性缺陷。
3.根据权利要求2所述的电子产品外观的检测方法,其特征在于,所述根据该缺陷几何特征的测量值确定该缺陷是否为影响性缺陷包括:
若所述测量值大于该缺陷对应的预设失效值,则判定该缺陷为影响性缺陷;
若所述测量值不大于该缺陷对应的预设失效值,则判定该缺陷不为影响性缺陷。
4.根据权利要求1至3任一项所述的电子产品外观的检测方法,其特征在于,所述第一预测模型的建立过程包括:
S1:获取多个目标电子产品的第一外观图像,得到第一数据集;
获取多个目标电子产品的第二外观图像,得到第二数据集;
所述第一外观图像中携带有第一标记,所述第一标记用于标识所述目标电子产品外观的封装类型;
S21:将所述第一数据集作为第一训练集和第二训练集;
S22:根据第一对应关系对第一训练集进行训练,得到第一分类器;
基于第一分类器,选取第二数据集中的第二外观图像作为第一目标图像,为所述第一目标图像添加第一伪标记,其中,所述第一伪标记用于标识所述第一目标图像的封装类型;
根据第二对应关系对第二训练集进行训练,得到第二分类器;
基于第二分类器,选取第二数据集中的第二外观图像作为第二目标图像,为所述第二目标图像添加第二伪标记,其中,所述第二伪标记用于标识所述第二目标图像的封装类型;
将所述第一数据集和添加了第二伪标记的第二目标图像作为第一训练集;
将所述第一数据集和添加了第一伪标记的第一目标图像作为第二训练集;
S23:重复执行S22,直到S22的执行次数达到预设次数;
S3:将所述第一分类器和所述第二分类器作为所述第一预测模型输出。
5.根据权利要求4所述的电子产品外观的检测方法,其特征在于,所述第二预测模型的建立过程包括:
获取目标电子产品各个封装类型的外观图像,得到第三数据集;
根据第三对应关系为所述第三数据集添加第二标记,得到第三训练集;
其中,所述第三对应关系为所述目标电子产品的封装类型与目标封装特征之间的对应关系,所述第二标记用于标识所述目标电子产品的目标封装特征;
对所述第三训练集进行训练,得到所述第二预测模型。
6.根据权利要求4所述的电子产品外观的检测方法,其特征在于,所述第三预测模型的建立过程包括:
获取多个目标电子产品的第三外观图像,得到第四数据集;
获取多个目标电子产品的第四外观图像,得到第五数据集;
其中,所述第三外观图像携带有第三标记,所述第三标记用于标识所述目标电子产品外观的缺陷类型;
对所述第四数据集和所述第五数据集进行训练,得到所述第三预测模型。
7.根据权利要求6所述的电子产品外观的检测方法,其特征在于,所述对所述第四数据集和所述第五数据集进行训练,得到所述第三预测模型包括:
S101:将所述第四数据集作为第四训练集;
S201:对第四训练集进行训练,得到支持向量机;
基于所述支持向量机,为第五数据集中的第四外观图像添加第三伪标记,并为各个第三伪标记标定松弛向量,其中,所述第三伪标记用于标识所述第四外观图像中目标电子产品外观的缺陷类型;
根据所述松弛向量,选取第五数据集中的两个第四外观图像,并交换所述两个第四外观图像的第三伪标记,得到交换了第三伪标记的第五数据集;
将第四数据集以及交换了第三伪标记的第五数据集作为第四训练集;
S301:重复执行S201,直至S201中各松弛向量均大于预设的松弛向量;
S401:将所述支持向量机作为所述第三预测模型输出。
8.一种电子产品外观的检测装置,其特征在于,包括:
外观图像获取模块,用于获取待检测电子产品的外观图像,所述外观图像中包括待检测电子产品的产品型号和几何形状;
封装类型确定模块,用于基于所述外观图像和预设的第一预测模型,确定所述待检测电子产品的封装类型;其中,所述第一预测模型根据目标电子产品的产品型号与封装类型之间的第一对应关系、目标电子产品的几何形状与封装类型之间的第二对应关系建立;所述目标电子产品为各类待检测电子产品的统称;
目标封装特征提取模块,用于将所述待检测电子产品的封装类型输入至预设的第二预测模型,提取所述待检测电子产品的目标封装特征;
外观检测结果确定模块,用于将待检测电子产品的目标封装特征输入至预设的第三预测模型,得到所述待检测电子产品的外观检测结果。
9.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010449012.8A CN111640096B (zh) | 2020-05-25 | 2020-05-25 | 电子产品外观的检测方法、装置及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010449012.8A CN111640096B (zh) | 2020-05-25 | 2020-05-25 | 电子产品外观的检测方法、装置及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111640096A true CN111640096A (zh) | 2020-09-08 |
CN111640096B CN111640096B (zh) | 2023-04-21 |
Family
ID=72332945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010449012.8A Active CN111640096B (zh) | 2020-05-25 | 2020-05-25 | 电子产品外观的检测方法、装置及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111640096B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114689975A (zh) * | 2022-04-01 | 2022-07-01 | 深圳市华检测试技术服务有限公司 | 基于谐波电流的产品测试方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101189527A (zh) * | 2005-06-07 | 2008-05-28 | 英泰克普拉斯有限公司 | 半导体封装的盘内检查设备和方法 |
CN102103658A (zh) * | 2010-12-03 | 2011-06-22 | 北京航空航天大学 | 一种实用的电子产品寿命评估模型参数高精度萃取方法 |
CN102359758A (zh) * | 2011-07-21 | 2012-02-22 | 华中科技大学 | 一种半导体芯片的外观检测装置 |
CN102374993A (zh) * | 2010-08-20 | 2012-03-14 | 吴华 | 集成电路封装片三维引脚外观检测单元及其检测方法 |
CN104458754A (zh) * | 2014-11-19 | 2015-03-25 | 湖北三江航天红峰控制有限公司 | 一种aoi检测英制0603封装器件的焊锡检测阈值的获取方法 |
CN107179494A (zh) * | 2017-05-27 | 2017-09-19 | 浙江万里学院 | 一种通用电路板板上器件故障检测方法及系统 |
CN206773147U (zh) * | 2017-05-27 | 2017-12-19 | 浙江万里学院 | 一种通用电路板板上器件故障检测系统 |
CN108509958A (zh) * | 2018-03-30 | 2018-09-07 | 北京金山安全软件有限公司 | 缺陷类型检测方法、装置、电子设备及介质 |
CN109886590A (zh) * | 2019-02-28 | 2019-06-14 | 燊赛(上海)智能科技有限公司 | 一种基于深度学习的产品封装质量检测系统 |
-
2020
- 2020-05-25 CN CN202010449012.8A patent/CN111640096B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101189527A (zh) * | 2005-06-07 | 2008-05-28 | 英泰克普拉斯有限公司 | 半导体封装的盘内检查设备和方法 |
CN102374993A (zh) * | 2010-08-20 | 2012-03-14 | 吴华 | 集成电路封装片三维引脚外观检测单元及其检测方法 |
CN102103658A (zh) * | 2010-12-03 | 2011-06-22 | 北京航空航天大学 | 一种实用的电子产品寿命评估模型参数高精度萃取方法 |
CN102359758A (zh) * | 2011-07-21 | 2012-02-22 | 华中科技大学 | 一种半导体芯片的外观检测装置 |
CN104458754A (zh) * | 2014-11-19 | 2015-03-25 | 湖北三江航天红峰控制有限公司 | 一种aoi检测英制0603封装器件的焊锡检测阈值的获取方法 |
CN107179494A (zh) * | 2017-05-27 | 2017-09-19 | 浙江万里学院 | 一种通用电路板板上器件故障检测方法及系统 |
CN206773147U (zh) * | 2017-05-27 | 2017-12-19 | 浙江万里学院 | 一种通用电路板板上器件故障检测系统 |
CN108509958A (zh) * | 2018-03-30 | 2018-09-07 | 北京金山安全软件有限公司 | 缺陷类型检测方法、装置、电子设备及介质 |
CN109886590A (zh) * | 2019-02-28 | 2019-06-14 | 燊赛(上海)智能科技有限公司 | 一种基于深度学习的产品封装质量检测系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114689975A (zh) * | 2022-04-01 | 2022-07-01 | 深圳市华检测试技术服务有限公司 | 基于谐波电流的产品测试方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111640096B (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109166156B (zh) | 一种摄像头标定图像的生成方法、移动终端及存储介质 | |
CN111310775A (zh) | 数据训练方法、装置、终端设备及计算机可读存储介质 | |
CN111667448A (zh) | 一种图像处理方法、装置及设备 | |
CN111179261A (zh) | 缺陷检测方法、系统、终端设备及存储介质 | |
CN113191353A (zh) | 一种车速确定方法、装置、设备和介质 | |
CN111311671B (zh) | 一种工件测量方法、装置、电子设备及存储介质 | |
CN111640096A (zh) | 电子产品外观的检测方法、装置及终端 | |
CN114443483A (zh) | 人工智能系统的测试方法、装置、电子设备及介质 | |
US20210264612A1 (en) | Hardware Accelerator for Histogram of Oriented Gradients Computation | |
WO2021017796A1 (en) | Object recognition apparatus, system and method | |
CN116563841B (zh) | 配电网设备标识牌的检测方法、检测装置和电子设备 | |
CN111222558B (zh) | 图像处理方法及存储介质 | |
CN110673099B (zh) | 一种多雷达点迹关联方法及装置 | |
CN108564571B (zh) | 图像区域选取方法及终端设备 | |
CN111336938A (zh) | 一种机器人及其物体距离检测方法和装置 | |
CN116229211A (zh) | 样本生成方法、模型训练方法、对象检测方法及装置 | |
CN113635299B (zh) | 一种机械臂的校正方法、终端设备及存储介质 | |
CN116958021A (zh) | 基于人工智能的产品缺陷识别方法、相关装置和介质 | |
CN112819953B (zh) | 三维重建方法、网络模型训练方法、装置及电子设备 | |
CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 | |
CN110335219B (zh) | 一种像素畸变的校正方法、校正装置及终端 | |
CN107493471B (zh) | 一种视频传输质量的计算方法和装置 | |
CN108234729B (zh) | 一种调整验证模型的方法、验证方法、服务器以及存储介质 | |
CN108665020B (zh) | 一种基板的标记方法及装置 | |
CN111080694A (zh) | 定位模型的训练和定位方法、装置、设备以及存储介质 |
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 |