CN111882547A - 一种基于神经网络的pcb漏件检测方法 - Google Patents

一种基于神经网络的pcb漏件检测方法 Download PDF

Info

Publication number
CN111882547A
CN111882547A CN202010754466.6A CN202010754466A CN111882547A CN 111882547 A CN111882547 A CN 111882547A CN 202010754466 A CN202010754466 A CN 202010754466A CN 111882547 A CN111882547 A CN 111882547A
Authority
CN
China
Prior art keywords
pcb
image
neural network
detection method
part detection
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.)
Pending
Application number
CN202010754466.6A
Other languages
English (en)
Inventor
王华龙
李泽辉
宋秋云
孙传碑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute
Foshan Guangdong University CNC Equipment Technology Development Co. Ltd
Original Assignee
Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute
Foshan Guangdong University CNC Equipment Technology Development Co. Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute, Foshan Guangdong University CNC Equipment Technology Development Co. Ltd filed Critical Foshan Nanhai Guangdong Technology University CNC Equipment Cooperative Innovation Institute
Priority to CN202010754466.6A priority Critical patent/CN111882547A/zh
Publication of CN111882547A publication Critical patent/CN111882547A/zh
Pending legal-status Critical Current

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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30141—Printed circuit board [PCB]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于神经网络的PCB漏件检测方法，包括S1，利用网络摄像头来获取一幅包含PCB的RGB图像；S2，进行图像分割；S3，将获取的PCB的RGB图像使用灰度阈值方法转化为二值图；S4，将获取的PCB图像和模板PCB图像对比提取不同点；S5，使用高斯滤波器函数移除干扰噪声；S6，对S4中提取后的图像上所有的对象进行特征提取，主要提取三个重要的特征包括：面积、周长、紧密度；最后运用BP神经网络根据PCB(印刷电路板)上缺失的类型对元件进行分类，同时使用MATLAB实现所提出的方法来开发代码，实现了印刷电路板的高精度自动检测系统。

Description

一种基于神经网络的PCB漏件检测方法
技术领域
本发明涉及自动视觉检测领域，具体涉及一种基于神经网络的PCB漏件检测方法。
背景技术
线路印刷板(PCB)使用者需要焊垫来寻找电子元件在印刷板上的位置。PCB板上缺少焊垫会导致电子元件的缺失。因此，裸露PCB板上任何一个缺失的焊垫元件会导致电路板的功能下降，所以检测裸露PCB的焊垫完整性有着重要作用。在过去，检查是依靠检查员使用传统的工具对产品进行检查的。基于人类的缺陷检查过程取决于检查员使用传统检测工具的经验，这种检测方法容易出错、枯燥并且速度慢。因此，本发明提供了一种自动缺失焊垫检测的PCB漏件检测方法，该方法能够快速精确地找到缺失的部件。
发明内容
针对现有技术的不足，本发明提供一种基于神经网络的PCB漏件检测方法以解决背景技术中所述的技术问题。
为实现上述目的，本发明采用如下技术方案：
一种基于神经网络的PCB漏件检测方法，包括以下具体步骤：
S1，利用网络摄像头来获取一幅包含PCB的RGB图像；
S2，进行图像分割
S3，将获取的PCB的RGB图像使用灰度阈值方法转化为二值图；
S4，将获取的PCB图像和模板PCB图像对比提取不同点；
S5，使用高斯滤波器函数移除干扰噪声；
S6，对提取的图像上所有的对象进行特征提取，主要提取三个重要的特征包括：面积、周长、紧密度；
S7，组件图像分类。
进一步的，所述步骤S2中的具体步骤包括：
S201，对获取的图像进行连通区域标记操作；
S202，将所有找到的连通区域进行排序，把他们中面积最大的一个作为PCB图像；
进一步的，所述步骤S4中的具体步骤包括：
S401，对待测PCB图像和模板PCB图像进行异或操作。
进一步的，所述步骤S6中的具体步骤包括：图像上所有的对象三个重要的特征定义如下所示：
面积(A)的定义如下所示：
Figure BDA0002611071380000021
周长(P)的定义如下所示：
Figure BDA0002611071380000022
紧密度(C)的定义如下所示：
Figure BDA0002611071380000023
其中，V表示连通区域图像M×N矩阵，i，j表示矩阵V的第几项。由此每个连通分量的图像可以表示为由上述几何特征的三个值组成的GF向量。
GF＝[A,P,C] (4)
进一步的，所述步骤S7中的具体步骤包括：BP(反向)传播神经网络时用于数据压缩的监督神经网络之一，BP神经网络包括学习步骤和检查步骤。在学习步骤中，将从连通区域中获取的特征数据集作为神经网络的输入。在训练数据集进行分类的同时通过方差公式评估性能。方差通过将实际输出与模型的估计输出进行比较来验证模型的正确性。
一种基于神经网络的PCB漏件检测方法有益效果在于：基于人工神经网络(ANN)的PCB漏件检测，通过提取元件的几何特征并且对提取出的几何特征运用神经网络进行训练，能够使检测的精度更高。
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1：
一种基于神经网络的PCB漏件检测方法，包括以下具体步骤：
S1，利用网络摄像头来获取一幅包含PCB的RGB图像；
S2，对获取的RGB图像进行图像分割，提取出只含有PCB的图像；
具体指，对获取的RGB图像进行连通区域标记操作；
随后将所有找到的连通区域进行排序，把它们中的面积最大的一个连通区域作为PCB图像；
S3，将获取的以上PCB的RGB彩色图像使用灰度阈值方法转化为只含有黑色和白色二值图；
S4，将获取的PCB图像和模板PCB图像作对比提取不同点；
具体指，对待测PCB图像和模板PCB图像进行异或操作以提取出像素不同的点；
S5，使用高斯滤波器函数滤除干扰噪声；
S6，对提取的图像上所有的对象进行特征提取，主要提取三个重要的特征包括：面积、周长、紧密度；
步骤S6中的具体步骤包括：图像上所有的对象三个重要的特征定义如下所示：
面积(A)的定义如下所示：
Figure BDA0002611071380000041
周长(P)的定义如下所示：
Figure BDA0002611071380000042
紧密度(C)的定义如下所示：
Figure BDA0002611071380000043
其中，V表示连通区域图像M×N矩阵，i，j表示矩阵V的第几项。由此每个连通分量的图像可以表示为由上述几何特征的三个值组成的GF向量。
GF＝[A,P,C] (4)
S7，运用神经网络根据提取出组件的几何特征进行图像分类。
步骤S7中的具体步骤包括：BP(反向)传播神经网络时用于数据压缩的监督神经网络之一，BP神经网络包括学习步骤和检查步骤。在学习步骤中，将从连通区域中获取的特征数据集作为神经网络的输入。在训练数据集进行分类的同时通过方差公式评估性能，方差通过将实际输出与模型的估计输出进行比较来验证模型的正确性。
由于焊垫的缺失会导致电子元件的缺失，因此，裸露PCB板上任何一个缺失的焊垫会导致电路板的功能下降。本发明提供了一种基于神经网络的PCB漏件检测方法，用于诊断裸露PCB板上缺失的焊垫。将焊垫分为五类，通过采集电路板的图像，并对采集的图像与模板图像进行异或操作，以确定PCB板上缺失的焊垫，同时从每个焊垫中提取三种类型的几何特征，并且评估了神经网络的训练阶段，最后实验结果表明该算法的正确率，最后运用BP神经网络根据PCB(印刷电路板)上缺失的类型对元件进行分类，同时使用MATLAB实现所提出的方法来开发代码，实现了印刷电路板的高精度自动检测系统。
以上所述为本发明的较佳实施例，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 (5)

1.一种基于神经网络的PCB漏件检测方法，其特征在于，包括以下具体步骤：
S1，利用网络摄像头来获取一幅包含PCB的RGB图像；
S2，进行图像分割；
S3，将获取的PCB的RGB图像使用灰度阈值方法转化为二值图；
S4，将获取的PCB图像和模板PCB图像对比提取不同点；
S5，使用高斯滤波器函数移除干扰噪声；
S6，对S4中提取后的图像上所有的对象进行特征提取，主要提取三个重要的特征包括：面积、周长、紧密度；
S7，组件图像分类。
2.如权利要求1所述的基于神经网络的PCB漏件检测方法，其特征在于，所述步骤S2中的具体步骤包括：
S201，对获取的图像进行连通区域标记操作；
S202，将所有找到的连通区域进行排序，把它们中面积最大的一个作为PCB图像。
3.如权利要求1所述的基于神经网络的PCB漏件检测方法，其特征在于，所述步骤S4中的具体步骤包括：
S401，对待测PCB图像和模板PCB图像进行异或操作。
4.如权利要求1所述的基于神经网络的PCB漏件检测方法，其特征在于，所述步骤S6中的具体步骤包括：图像上所有的对象三个重要的特征定义如下所示：面积的定义如下所示：
Figure FDA0002611071370000011
周长的定义如下所示：
Figure FDA0002611071370000012
紧密度的定义如下所示：
Figure FDA0002611071370000021
其中，A为面积，P为周长，C为紧密度，V表示连通区域图像M×N矩阵，i，j表示矩阵V的第几项；由此每个连通分量的图像可以表示为由上述几何特征的三个值组成的GF向量；
GF＝[A,P,C] (4)。
5.如权利要求4所述的基于神经网络的PCB漏件检测方法，其特征在于，所述步骤S7中的具体步骤包括：使用BP传播神经网络用于数据压缩的监督神经网络，BP神经网络包括学习步骤和检查步骤，所述学习步骤中，将从连通区域中获取的特征数据集作为神经网络的输入，在训练数据集进行分类的同时通过方差公式评估性能，方差通过将实际输出与模型的估计输出进行比较来验证模型的正确性。
CN202010754466.6A 2020-07-30 2020-07-30 一种基于神经网络的pcb漏件检测方法 Pending CN111882547A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010754466.6A CN111882547A (zh) 2020-07-30 2020-07-30 一种基于神经网络的pcb漏件检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010754466.6A CN111882547A (zh) 2020-07-30 2020-07-30 一种基于神经网络的pcb漏件检测方法

Publications (1)

Publication Number Publication Date
CN111882547A true CN111882547A (zh) 2020-11-03

Family

ID=73204779

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010754466.6A Pending CN111882547A (zh) 2020-07-30 2020-07-30 一种基于神经网络的pcb漏件检测方法

Country Status (1)

Country Link
CN (1) CN111882547A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114166849A (zh) * 2021-11-29 2022-03-11 广州海谷电子科技有限公司 一种湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法
CN114202515A (zh) * 2021-11-29 2022-03-18 广州海谷电子科技有限公司 一种湿度传感器的印刷碳线缺陷的检测方法
EP4358020A1 (en) 2022-10-17 2024-04-24 Fitech sp. z o.o. Method of detecting errors in the placement of elements in the pcb

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156136A (zh) * 2011-03-14 2011-08-17 浙江展邦电子科技有限公司 一种pcb底片检测方法
US20190012424A1 (en) * 2017-07-05 2019-01-10 Brookshire Software, LLC System and method for electronic automated printed circuit design
CN109241017A (zh) * 2018-10-23 2019-01-18 电子科技大学 一种pcb元器件封装库的创建与查询方法
WO2019190677A1 (en) * 2018-03-27 2019-10-03 Huron Valley Steel Corporation Vision and analog sensing scrap sorting system and method
CN110334433A (zh) * 2019-07-03 2019-10-15 电子科技大学 一种pcb封装文件自动生成方法
CN110582159A (zh) * 2019-08-30 2019-12-17 武汉科技大学 一种fpc焊盘表面缺陷处理系统和方法
CN110996547A (zh) * 2019-11-15 2020-04-10 河北科技大学 一种应用于锡浆涂抹设备的驱动参数计算方法和装置
CN110992317A (zh) * 2019-11-19 2020-04-10 佛山市南海区广工大数控装备协同创新研究院 一种基于语义分割的pcb板缺陷检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102156136A (zh) * 2011-03-14 2011-08-17 浙江展邦电子科技有限公司 一种pcb底片检测方法
US20190012424A1 (en) * 2017-07-05 2019-01-10 Brookshire Software, LLC System and method for electronic automated printed circuit design
WO2019190677A1 (en) * 2018-03-27 2019-10-03 Huron Valley Steel Corporation Vision and analog sensing scrap sorting system and method
CN109241017A (zh) * 2018-10-23 2019-01-18 电子科技大学 一种pcb元器件封装库的创建与查询方法
CN110334433A (zh) * 2019-07-03 2019-10-15 电子科技大学 一种pcb封装文件自动生成方法
CN110582159A (zh) * 2019-08-30 2019-12-17 武汉科技大学 一种fpc焊盘表面缺陷处理系统和方法
CN110996547A (zh) * 2019-11-15 2020-04-10 河北科技大学 一种应用于锡浆涂抹设备的驱动参数计算方法和装置
CN110992317A (zh) * 2019-11-19 2020-04-10 佛山市南海区广工大数控装备协同创新研究院 一种基于语义分割的pcb板缺陷检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡艺: "基于机器视觉的电路板缺陷检测技术的研究", 中国优秀硕士学位论文全文数据库 (信息科技辑), no. 2019, pages 138 - 2263 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114166849A (zh) * 2021-11-29 2022-03-11 广州海谷电子科技有限公司 一种湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法
CN114202515A (zh) * 2021-11-29 2022-03-18 广州海谷电子科技有限公司 一种湿度传感器的印刷碳线缺陷的检测方法
CN114166849B (zh) * 2021-11-29 2022-12-20 广州海谷电子科技有限公司 一种湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法
EP4358020A1 (en) 2022-10-17 2024-04-24 Fitech sp. z o.o. Method of detecting errors in the placement of elements in the pcb

Similar Documents

Publication Publication Date Title
CN110992317B (zh) 一种基于语义分割的pcb板缺陷检测方法
CN111882547A (zh) 一种基于神经网络的pcb漏件检测方法
CN111899241B (zh) 一种定量化的炉前pcb贴片缺陷在线检测方法及系统
Wang et al. Machine vision-based defect detection in IC images using the partial information correlation coefficient
CN114240939B (zh) 一种主板元器件外观缺陷检测方法、系统、设备及介质
WO2024002187A1 (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN112750113B (zh) 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置
CN113628179B (zh) 一种pcb表面缺陷实时检测方法、装置及可读介质
CN114998314A (zh) 一种基于计算机视觉的pcb电路板缺陷检测方法
CN112819756A (zh) Pcb板表面缺陷检测装置及方法
CN114266764A (zh) 一种印刷标签的字符完整性检测方法及其装置
CN116542975A (zh) 一种玻璃面板的缺陷分类方法、装置、设备和介质
CN117455917B (zh) 一种蚀刻引线框架误报库建立及误报在线判定筛选方法
CN115719326A (zh) Pcb板缺陷检测方法及装置
CN113822836A (zh) 标记图像的方法
Ray et al. A hybrid approach for detection and classification of the defects on printed circuit board
CN114627113B (zh) 一种印制电路板缺陷检测方法及系统及装置及介质
CN107123105A (zh) 基于fast算法的图像匹配缺陷检测方法
Nahar et al. Computer aided system for inspection of assembled PCB
CN116993654A (zh) 摄像头模组缺陷检测方法、装置、设备、存储介质及产品
CN115471684A (zh) 注塑工件模板匹配方法、电子设备及存储介质
KR102272745B1 (ko) 컴팩트 카메라 모듈 덮개 외관 검사 시스템 및 방법
CN113034432A (zh) 一种产品缺陷检测方法、系统、装置及存储介质
KR101383827B1 (ko) 인쇄회로기판의 솔더링 영역 자동검출 시스템 및 방법
CN111539933B (zh) 一种直插元件检测方法及系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201103