CN111929239A - 一种pcb板零件缺陷的aoi检测装置及检测方法 - Google Patents
一种pcb板零件缺陷的aoi检测装置及检测方法 Download PDFInfo
- Publication number
- CN111929239A CN111929239A CN202010701447.7A CN202010701447A CN111929239A CN 111929239 A CN111929239 A CN 111929239A CN 202010701447 A CN202010701447 A CN 202010701447A CN 111929239 A CN111929239 A CN 111929239A
- Authority
- CN
- China
- Prior art keywords
- pcb
- detected
- area
- detection
- template
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 106
- 230000007547 defect Effects 0.000 title claims abstract description 11
- 238000004519 manufacturing process Methods 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 24
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 230000002950 deficient Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000012797 qualification Methods 0.000 claims description 7
- 238000005286 illumination Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 description 24
- 238000005476 soldering Methods 0.000 description 12
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical group [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 229910000679 solder Inorganic materials 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 150000003071 polychlorinated biphenyls Chemical class 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
Abstract
本发明公开了一种PCB板零件缺陷的AOI检测装置及检测方法，AOI检测装置包含PCB板平台、位于PCB板平台上的传送带、位于传送带一侧的光电传感器等，步骤包括制作模板、获取待测板待检区域、图像配准、获取零件区域、缺陷位置查找、标记并显示不合格区域步骤；本发明采用双面相机采图，依次对两面打光、拍摄，无需对PCB板进行翻面，针对现有技术检测缺乏通用性的问题，在对某一种PCB板检测之前，用户可自行进行模板制作，不同的PCB板检测用户只需进行不同的模板制作即可，使得一台设备具有通用性。
Description
技术领域
本发明涉及机器视觉领域，机器视觉软硬件在PCB板检测方面的应用，具体地说，是一种PCB板零件缺陷的AOI检测装置及检测方法。
背景技术
目前在PCB生产线上被用来检测PCB质量的过程检测工具AOI(Automatic OpticInspection，自动光学检测)设备，其在速度、准确性、重复性、可靠性等方面的优势是无可替代的。
针对需要双面检测的PCB板，市面上许多的检测方法需要先进料再翻转，此方法硬件机构设置复杂，且耗时长。另外，现有检测技术多直接将相机定位到已知区域对特定区域的特定原件进行查找并检测，只能针对特定的某种型号PCB板，用户无法自行设定，没有通用性。现有较多的检测技术只能针对性检测一定范围面积或一定密集度的零件，尤其是在高密度的零件缺陷查找上少有有效的解决办法。
发明内容
针对现有技术的技术问题，本发明公开了一种针对PCB板缺陷零件的AOI检测装置及检测方法，本发明是通过以下技术方案来实现的：
本发明公开了一种PCB板缺陷零件的AOI检测装置，AOI检测装置包含PCB板平台、位于PCB板平台上的传送带、位于传送带一侧的光电传感器，还包括两组相机和光源，分别位于传送带上下两侧，用于对双面的PCB板进行上下两面的照明和图像获取。光电传感器可用于检测是否有PCB板送入。
作为进一步地改进，本发明还包括位于传送带上下两侧对称设置的可移动支架和模组,每侧模组包括一根横杆和两根纵杆,横杆垂直于纵杆,并沿着纵杆来回移动,横杆上活动连接有可移动支架，相机和光源固定于可移动支架上，可移动支架和模组用于相机和光源沿着传送带上的PCB板上下左右移动。
作为进一步地改进，本发明所述的光源为同轴光源，相机的镜头穿过同轴光源形成的开孔，传送带与模组分别连有伺服电机。伺服电机连接模组可带动相机和光源移动到指定位置，伺服电机控制皮带运动带动PCB板的运动。
作为进一步地改进，本发明检测装置包括模板制作模块、检测模块和机器学习模块；
模板制作模块用于提供用户针对不同批次的PCB板分别制作不同的模板，其中模板确定了PCB板需要检测的区域模板可存于内存中，检测不同批次需选择调用相应模板；
所述检测模块用于对待测区域图像进行分析处理，显示不合格区域，并将零件的局部区域图按照是否合格自动分类存放于不同文件夹中；
所述机器学习模块用于提供一种检测合格不合格的手段，手段是用户通过该模块收集并添加样本至指定文件路径，样本由用户搜集，机器学习模块加载样本文件、训练并更新模型，供用户在后期使用过程中不断提高检测准确率。
本发明还公开了一种PCB板缺陷零件的AOI检测方法，其特征在于，包括如下步骤：
1)、制作模板，于模板制作模块执行，依次打开上下面的相机和光源，选定目标区域起始位置，自适应选择是否图像拼接，适用性的解决了大小区域通用性检测的问题。通过计算起始位置范围，范围较小情况时，相机一张局部图即可获取完整的待检区域；范围较大情况，采用图像拼接算法，控制相机采集起始位置到终点的局部图，拼接获取大图。获取检测区域图像，记定位MARK孔，检测出MARK孔的圆心位置，并在每块检测区域中继续选取待测的零件区域；
2)、获取待测板待检区域，于检测模块执行，包括检测模块的目标区域采集和自适应图像拼接，根据步骤1)中记录的目标区域起始位置，移动相机和光源至相应位置，自适应选择是否图像拼接，获取待测板与模板对应的待检区域；
3)、图像配准，于检测模块执行，具体包括MARK孔圆心检测和仿射变换，找出待测板与模板相应的待检区域后，进行MARK孔检测，利用模板的MARK孔圆心位置和待测板检测到MARK孔圆心位置，对待检区域图像进行仿射变换。MARK孔检测到的MARK孔位置的圆心坐标点为仿射变换提供计算数据。图像配准的主要目的是在待检区域图像中更加精确定位待测零件位置，因为设备通过控制相机和光源移动到相应位置使检测板采集到和模板相同的区域图，该过程可能存在误差，该误差会对小而密集的零件定位带来较大影响。
4)、获取零件区域，于检测模块执行，根据模板中确定的零件区域，在配准后的待检区域获取零件区域；
5)、缺陷位置查找，于检测模块执行，将待检零件区域输入机器学习模型中，机器学习模型判断每个零件区域是否合格；
6)、标记并显示不合格区域。
作为进一步地改进，本发明步骤1)中，自适应选择是否图像拼接，是指根据图像大小来判断是否要拼接，当图像过大，则图像由几张局部图拼接而成。小范围的局部图可对密集型零件有很好的分辨力
作为进一步地改进，本发明步骤2)中，在自动化批量处理过程中，PCB板流水线式运送到PCB板平台位置，通过光电传感器触发开始检测，实现自动化检测。
作为进一步地改进，本发明步骤3)中的图像配准的具体方法是找出模板图和测试板图上MARK孔的圆心，对获取的MARK孔的图进行降噪、灰度阈值、二值化、膨胀操作，根据圆度、紧度条件筛选出圆形轮廓，根据圆形轮廓计算出圆心坐标，再根据仿射变换，将待测区域配准至和模板区域相同位置。
作为进一步地改进，本发明步骤5)中通过机器学习模块自动加载样本文件、训练并更新模型。机器学习模型的评判准确率易受外界光照条件、PCB板零件氧化情况等影响，且训练样本覆盖情况越多模型的判别准确率越高。该模块可提供使用者，在后期添加更多样本更新模型，从而可不断提高检测准确率。此外若用户想要对新型零件进行分类，也可放入新类别的样本进行训练，提高了设备检测的通用性。
其包括模板制作模块、检测模块、机器学习模块。所述模板制作模块用于提供用户针对不同批次的PCB板分别制作不同的模板；其中模板确定了PCB板需要检测的区域模板可存于内存中，检测不同批次只需选择调用相应模板。所述检测模块用于对待测区域图像进行分析处理，并显示不合格区域。所述机器学习模块，提供一种检测合格不合格的技术手段，可提供用户更新检测模型，提高检测准确率。
流程如下：
1.制作模板，依次打开上下面的相机和光源，选定区域起始位置，自适应选择是否图像拼接，获取检测区域图像，在每块检测区域中继续选取待测的零件区域，并标记定位MARK孔。
2.获取待测板待检区域，根据模板制作过程中记录的区域起始位置获取待测板与模板对应的待检区域。
3.图像配准，对模板和待测板相应的待检区域，进行MARK孔检测，利用检测到MARK孔圆心位置，通过仿射变换进行图像配准。
4.获取零件区域，根据模板中确定的零件区域，在配准后的待检区域获取零件区域。
5.缺陷位置查找，将待检零件区域输入机器学习模型中，机器学习模型判断每个零件区域是否合格
6.标记并显示不合格区域
具体地，步骤1中，获取检测区域图像，该图像可由几张局部图拼接而成。小范围的局部图可对密集型零件有很好的分辨力。
具体地，步骤1中自适应的选择是否图像拼接，适用性的解决了大小区域通用性检测的问题。通过计算起始位置范围，范围较小情况时，相机一张局部图即可获取完整的待检区域；范围较大情况，采用图像拼接算法，控制相机采集起始位置到终点的局部图，拼接获取大图。
具体地，步骤2中获取待测板待检区域，在自动化批量处理过程中，PCB板流水线式运送到工件位置，通过光电传感器触发开始检测，实现自动化检测。
具体地，步骤3中的图像配准，其主要方法是找出模板图和测试板图上MARK孔的圆心，对获取的MARK孔的图进行降噪、灰度阈值、二值化、膨胀操作，根据圆度、紧度等条件筛选出圆形轮廓，根据轮廓计算出圆心坐标，再根据仿射变换，将待测区域配准至和模板区域相同位置。
具体地，步骤5中机器学习模型，可通过机器学习模块收集零件区域样本，将样本通过旧模型进行分类，将分类后的样本图放于不同文件中，再由人工检查确认确保分类的正确性，最后通过网络的训练得到新的机器学习模型文件。其中，机器学习模块零件区域样本的收集方式和待测板获取零件区域的方式相同。
本发明的有益效果如下：
1.针对PCB板的双面都需要检测的情况检测的问题，本发明采用双面相机采图，依次对两面打光、拍摄，无需对PCB板进行翻面。
2.针对现有技术检测缺乏通用性的问题，本发明在对某一种PCB板检测之前，用户可自行进行模板制作，不同的PCB板检测用户只需进行不同的模板制作即可，使得一台设备具有通用性。若需要对不同的零件进行分类，只需要在模板中选择该零件的检测区域，利用机器学习模块添加新类型样本即可通过训练得到分类该类零件的模型，实现对其他不同类型的零件检测的要求。
3.针对大区域高密度的检测区域，本发明采用了局部小视场的拼接技术。
4.针对缺陷零件检测的准确性，本发明采用了机器学习的方法，对每个零件区域进行分类。
5.针对机器学习需要大量样本，且样本越多准确性越好的特点，本发明提供的机器学习模块可供用户持续添加样本并训练模型，后续可通过不断添加训练样本来提高模型的准确率。
附图说明
图1是功能模块图；
图2是功能模块流程图；
图3是模板制作模块的流程图；
图4是检测模块的流程图；
图5是机器学习模块的流程图；
图6.模型训练过程在训练集上损失-训练代数折线图；
图7.模型训练过程在验证集上损失-训练代数折线图；
图8是本发明检测装置的结构示意图；
其中：1-PCB板平台，2-传送带，3-伺服电机，4-相机，5-同轴光源，6-可移动装置，7-光电传感器，9-横杆，10-纵杆。
具体实施方式
本发明公开了一种PCB板缺陷零件的AOI检测装置，图8是本发明检测装置的结构示意图，AOI检测装置包含PCB板平台1、位于PCB板平台1上的传送带2，位于传送带2一侧的光电传感器7，还包括两组相机4和光源，分别位于传送带2上下两侧，用于对双面的PCB板进行上下两面的照明和图像获取，装置还包括位于传送带2上下两侧对称设置的可移动装置6和模组,每侧模组包括一根横杆9和两根纵杆10,横杆9垂直于纵杆10,并沿着纵杆10来回移动,横杆9上活动连接有可移动装置6，相机4和光源固定于可移动装置6上，可移动装置6和模组用于相机4和光源沿着传送带2上的PCB板上下左右移动，光源为同轴光源5，相机4的镜头穿过同轴光源5形成的开孔，传送带2与模组分别连有伺服电机3，伺服电机3连接模组可带动相机4和光源移动到指定位置，伺服电机3控制皮带运动带动pcb板的运动。
图1是功能模块图；检测装置包括模板制作模块、检测模块和机器学习模块；
模板制作模块用于提供用户针对不同批次的PCB板分别制作不同的模板，其中模板确定了PCB板需要检测的区域模板可存于内存中，检测不同批次需选择调用相应模板；
检测模块用于对待测区域图像进行分析处理，显示不合格区域，并将零件的局部区域图按照是否合格自动分类存放于不同文件夹中；
机器学习模块用于提供一种检测合格不合格的手段，手段是用户通过该模块收集并添加样本至指定文件路径，样本由用户搜集，机器学习模块加载样本文件、训练并更新模型，供用户在后期使用过程中不断提高检测准确率。
图2是功能模块流程图，包括如下步骤：
1)、制作模板，于模板制作模块执行，依次打开上下面的相机4和光源，选定目标区域起始位置，自适应选择是否图像拼接，获取检测区域图像，记定位MARK孔，检测出MARK孔的圆心位置，并在每块检测区域中继续选取待测的零件区域；
2)、获取待测板待检区域，于检测模块执行，包括检测模块的目标区域采集和自适应图像拼接，根据步骤1)中记录的目标区域起始位置，移动相机4和光源至相应位置，自适应选择是否图像拼接，获取待测板与模板对应的待检区域；
3)、图像配准，于检测模块执行，具体包括MARK孔圆心检测和仿射变换，找出待测板与模板相应的待检区域后，进行MARK孔检测，利用模板的MARK孔圆心位置和待测板检测到MARK孔圆心位置，对待检区域图像进行仿射变换；
4)、获取零件区域，于检测模块执行，根据模板中确定的零件区域，在配准后的待检区域获取零件区域；
5)、缺陷位置查找，于检测模块执行，将待检零件区域输入机器学习模型中，机器学习模型判断每个零件区域是否合格；
6)、标记并显示不合格区域。
下面结合具体实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
模板制作模块：图3是模板制作模块的流程图；
(1)进板。本发明共使用了两台相机4和两副光源，在PCB板的两面分别放有一台相机4和一副光源，光源为同轴光源5，是中心圆形通孔的LED面光源，相机4镜头穿过LED面光源形成的通孔。首先打开一面光源，对其中一面PCB板进行检测区域的标定。移动相机4和光源至区域的起始位置，保存待检测区域的起点和终点位置。可在软件上修改曝光时间与增益调节相机4采图质量。
(2)区域图像拼接。设置相机4扫描的步进距离，对需要进行图像拼接的区域，沿x、y轴方向采集具有重叠区域的子图，对子图进行重叠区域的裁剪和拼接获待检区域图。当然，目标区域范围较小情况时，相机4一张局部图即可获取完整的待检区域，则不需要区域图像拼接。
(3)MARK孔圆心检测。在拼接好的大图上框出至少两个MARK孔，需要MARK孔之间的间距尽量大。寻找圆心的方法为：对框出的MARK孔区域图片进行HSV通道分离,选取H通道进行阈值得到二值图并寻找连通域，膨胀并筛选面积，再筛选合适的圆度、紧度的区域，对筛选得到的区域寻找最小外接圆，并计算出圆心。圆心坐标的作用为：计算模板与测试板之间的仿射矩阵。仿射变换的主要目的在于，修正测试板与模板的微小位置偏差，使得找到更精确的焊锡位置。
(4)选取焊锡待测区域。在拼接好的大图上框定需要检测的焊锡区域，由于焊锡点的密集排布且排布具有规则性，根据预先设定的焊锡点区域的宽度和间距，选择焊锡头尾焊锡点，即可根据宽度间隔自动生成全部焊锡点位置。
(5)若一面的检测区域已设定完成，则关闭当前光源，开启另一面光源和相机4按照上述相同步骤操作。
检测模块：图4是检测模块的流程图；
(1)进料，进料到指定位置触发光电传感器7，开启检测。相机4会同时扫描PCB板正反两面与模板相应的位置，并形成图或者拼图。
(2)仿射变换。针对进料板的位置会稍有偏差，为了更精确的找到寻找待检零件区域，对测试板区域仿射变换到模板图相应位置。因此寻找到和模板位置相应的MARK孔的圆心坐标，寻找圆心的方法与上述制作模板过程时相同，与模板图的圆心计算变换矩阵，并对图片进行仿射变换。
(3)寻找待检零件区域。经仿射变换后的焊锡位置与模板图相同，找到与模板图相应的焊锡位置，并进行图片的分割。
(4)待检零件分类。由机器学习模型对分割得到的每张焊锡图进行分类打分，将每张焊锡的种类分为得分最高的类。
(5)检测结果输出。若每个焊锡点都为正常则显示该板为正常板，否则显示不正常以及显示焊锡分类结果数目等细节信息。
机器学习模块：图5是机器学习模块的流程图；
(1)采集焊锡样本。样本采集步骤与测试模块大致相同，经过样板进料、仿射变换、寻找待检零件区域，最后对所有寻找到的待检零件区域进行分类并保存到指定类别文件夹。样本的采集亦可从历次的检测结果中获取或者人工的通过其他方式加入。
(2)数据增强。若某种类别的样本较少可进行图像增强处理，即将一张图进行随机旋转平移等方式预处理生成多张，针对图像旋转平移过程中产生的边缘空缺的像素使用边缘像素填充。
(3)模型训练。将各种类别的图片喂入深度学习网络中，进行多轮迭代训练，根据训练最后输出的损失值LOSS或者正确率来选择合适的模型训练结果。
(4)结果说明
图6为模型训练过程在训练集上损失-训练代数折线图；图7为模型训练过程在验证集上损失-训练代数折线图；为模型训练过程中在训练集和验证集上的表现效果，曲线error值越低说明模型的分类能力越好，该实验结果是采集正负样本通过数据增强后得到1：1的正负样本共约12000张进行训练，其中划分百分之十的数据为验证集不参与训练，用于验证模型效果。从结果图中显示模型收敛效果好，在对所有训练样本训练至到第三轮模型便达到了所需的要求。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种PCB板缺陷零件的AOI检测装置，其特征在于，所述的AOI检测装置包含PCB板平台(1)、位于PCB板平台(1)上的传送带(2),位于传送带(2)一侧的光电传感器(7)，还包括两组相机(4)和光源，分别位于传送带(2)上下两侧，用于对双面的PCB板进行上下两面的照明和图像获取。
2.根据权利要求1所述的PCB板缺陷零件的AOI检测装置，其特征在于，还包括位于传送带(2)上下两侧对称设置的可移动装置(6)和模组,每侧模组包括一根横杆(9)和两根纵杆(10),所述的横杆(9)垂直于纵杆(10),并沿着纵杆(10)来回移动,所述的横杆(9)上活动连接有可移动装置(6),所述的相机(4)和光源固定于可移动装置(6)上，所述的可移动装置(6)和模组用于相机(4)和光源沿着传送带(2)上的PCB板上下左右移动。
3.根据权利要求1所述的PCB板缺陷零件的AOI检测装置，其特征在于，所述的光源为同轴光源(5)，相机(4)的镜头穿过同轴光源(5)形成的开孔，所述的传送带(2)与模组分别连有伺服电机(3)。
4.根据权利要求1或2或3所述的PCB板缺陷零件的AOI检测装置，其特征在于，所述的检测装置包括模板制作模块、检测模块和机器学习模块；
所述的模板制作模块用于提供用户针对不同批次的PCB板分别制作不同的模板，其中模板确定了PCB板需要检测的区域模板可存于内存中，检测不同批次需选择调用相应模板；
所述检测模块用于对待测区域图像进行分析处理，显示不合格区域，并将零件的局部区域图按照是否合格自动分类存放于不同文件夹中；
所述机器学习模块用于提供一种检测合格不合格的手段，所述的手段是用户通过该模块收集并添加样本至指定文件路径，所述的样本由用户搜集，所述的机器学习模块加载样本文件、训练并更新模型，供用户在后期使用过程中不断提高检测准确率。
5.一种如权利要求1或2或3或4所述的PCB板缺陷零件的AOI检测方法，其特征在于，包括如下步骤：
1)、制作模板，于模板制作模块执行，依次打开上下面的相机(4)和光源，选定目标区域起始位置，自适应选择是否图像拼接，获取检测区域图像，记定位MARK孔，检测出MARK孔的圆心位置，并在每块检测区域中继续选取待测的零件区域；
2)、获取待测板待检区域，于检测模块执行，包括检测模块的目标区域采集和自适应图像拼接，根据步骤1)中记录的目标区域起始位置，移动相机(4)和光源至相应位置，自适应选择是否图像拼接，获取待测板与模板对应的待检区域；
3)、图像配准，于检测模块执行，具体包括MARK孔圆心检测和仿射变换，找出待测板与模板相应的待检区域后，进行MARK孔检测，利用模板的MARK孔圆心位置和待测板检测到MARK孔圆心位置，对待检区域图像进行仿射变换；
4)、获取零件区域，于检测模块执行，根据模板中确定的零件区域，在配准后的待检区域获取零件区域；
5)、缺陷位置查找，于检测模块执行，将待检零件区域输入机器学习模型中，机器学习模型判断每个零件区域是否合格；
6)、标记并显示不合格区域。
6.根据权利要求5所述的PCB板缺陷零件的AOI检测方法，其特征在于，所述的步骤1)中，自适应选择是否图像拼接，是指根据图像大小来判断是否要拼接，当图像过大，则图像由几张局部图拼接而成。
7.根据权利要求5所述的PCB板缺陷零件的AOI检测方法，其特征在于，所述的步骤2)中，在自动化批量处理过程中，PCB板流水线式运送到PCB板平台(1)位置，通过光电传感器(7)触发开始检测，实现自动化检测。
8.根据权利要求5所述的PCB板缺陷零件的AOI检测方法，其特征在于，所述的步骤3)中的图像配准的具体方法是找出模板图和测试板图上mark孔的圆心，对获取的mark孔的图进行降噪、灰度阈值、二值化、膨胀操作，根据圆度、紧度条件筛选出圆形轮廓，根据圆形轮廓计算出圆心坐标，再根据仿射变换，将待测区域配准至和模板区域相同位置。
9.根据权利要求2所述的PCB板缺陷零件的AOI检测方法，其特征在于，所述的步骤5)中通过机器学习模块自动加载样本文件、训练并更新模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010701447.7A CN111929239A (zh) | 2020-07-20 | 2020-07-20 | 一种pcb板零件缺陷的aoi检测装置及检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010701447.7A CN111929239A (zh) | 2020-07-20 | 2020-07-20 | 一种pcb板零件缺陷的aoi检测装置及检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111929239A true CN111929239A (zh) | 2020-11-13 |
Family
ID=73313263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010701447.7A Pending CN111929239A (zh) | 2020-07-20 | 2020-07-20 | 一种pcb板零件缺陷的aoi检测装置及检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111929239A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112730458A (zh) * | 2021-01-27 | 2021-04-30 | 厦门怡视科技有限公司 | 一种电视背板内观自动检测装置及检测方法 |
| CN113138199A (zh) * | 2021-03-30 | 2021-07-20 | 宋志龙 | 圆形pcb电路板的视觉检测系统及其检测方法 |
| CN114638824A (zh) * | 2022-05-11 | 2022-06-17 | 成都数联云算科技有限公司 | 基于aoi设备采集图像的融合方法、装置、设备和介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000046749A (ja) * | 1998-07-31 | 2000-02-18 | Yamatake Corp | 部品の接続良否検査方法 |
| CN205015290U (zh) * | 2015-05-12 | 2016-02-03 | 廖怀宝 | 一种双面检测装置 |
| CN106897994A (zh) * | 2017-01-20 | 2017-06-27 | 北京京仪仪器仪表研究总院有限公司 | 一种基于分层图像的pcb板缺陷检测系统和方法 |
| CN107886500A (zh) * | 2017-10-13 | 2018-04-06 | 北京邮电大学 | 一种基于机器视觉和机器学习的产品生产监控方法及系统 |
| CN207232037U (zh) * | 2017-08-16 | 2018-04-13 | 深圳明锐理想科技有限公司 | 一种双面视觉检查平台 |
| CN108257122A (zh) * | 2018-01-09 | 2018-07-06 | 北京百度网讯科技有限公司 | 基于机器视觉的纸张缺陷检测方法、装置及服务器 |
| CN109712114A (zh) * | 2018-11-30 | 2019-05-03 | 无锡维胜威信息科技有限公司 | 一种应用于拉链缺陷检测的系统及其检测方法 |
| CN109785294A (zh) * | 2018-12-24 | 2019-05-21 | 苏州江奥光电科技有限公司 | 一种pcb板缺陷位置检测系统和方法 |
| CN109859164A (zh) * | 2018-12-21 | 2019-06-07 | 苏州绿控传动科技股份有限公司 | 一种通过快速型卷积神经网络对pcba外观检验的方法 |
| CN110675376A (zh) * | 2019-09-20 | 2020-01-10 | 福建工程学院 | 一种基于模板匹配的pcb缺陷检测方法 |
| CN110930350A (zh) * | 2018-09-19 | 2020-03-27 | 鸿富锦精密电子(天津)有限公司 | 机器学习方法及应用机器学习方法的自动光学检测设备 |
| CN210604344U (zh) * | 2019-06-17 | 2020-05-22 | 深圳易科讯科技有限公司 | 一种ekt双面aoi检测设备 |
-
2020
- 2020-07-20 CN CN202010701447.7A patent/CN111929239A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000046749A (ja) * | 1998-07-31 | 2000-02-18 | Yamatake Corp | 部品の接続良否検査方法 |
| CN205015290U (zh) * | 2015-05-12 | 2016-02-03 | 廖怀宝 | 一种双面检测装置 |
| CN106897994A (zh) * | 2017-01-20 | 2017-06-27 | 北京京仪仪器仪表研究总院有限公司 | 一种基于分层图像的pcb板缺陷检测系统和方法 |
| CN207232037U (zh) * | 2017-08-16 | 2018-04-13 | 深圳明锐理想科技有限公司 | 一种双面视觉检查平台 |
| CN107886500A (zh) * | 2017-10-13 | 2018-04-06 | 北京邮电大学 | 一种基于机器视觉和机器学习的产品生产监控方法及系统 |
| CN108257122A (zh) * | 2018-01-09 | 2018-07-06 | 北京百度网讯科技有限公司 | 基于机器视觉的纸张缺陷检测方法、装置及服务器 |
| CN110930350A (zh) * | 2018-09-19 | 2020-03-27 | 鸿富锦精密电子(天津)有限公司 | 机器学习方法及应用机器学习方法的自动光学检测设备 |
| CN109712114A (zh) * | 2018-11-30 | 2019-05-03 | 无锡维胜威信息科技有限公司 | 一种应用于拉链缺陷检测的系统及其检测方法 |
| CN109859164A (zh) * | 2018-12-21 | 2019-06-07 | 苏州绿控传动科技股份有限公司 | 一种通过快速型卷积神经网络对pcba外观检验的方法 |
| CN109785294A (zh) * | 2018-12-24 | 2019-05-21 | 苏州江奥光电科技有限公司 | 一种pcb板缺陷位置检测系统和方法 |
| CN210604344U (zh) * | 2019-06-17 | 2020-05-22 | 深圳易科讯科技有限公司 | 一种ekt双面aoi检测设备 |
| CN110675376A (zh) * | 2019-09-20 | 2020-01-10 | 福建工程学院 | 一种基于模板匹配的pcb缺陷检测方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112730458A (zh) * | 2021-01-27 | 2021-04-30 | 厦门怡视科技有限公司 | 一种电视背板内观自动检测装置及检测方法 |
| CN113138199A (zh) * | 2021-03-30 | 2021-07-20 | 宋志龙 | 圆形pcb电路板的视觉检测系统及其检测方法 |
| CN114638824A (zh) * | 2022-05-11 | 2022-06-17 | 成都数联云算科技有限公司 | 基于aoi设备采集图像的融合方法、装置、设备和介质 |
| CN114638824B (zh) * | 2022-05-11 | 2022-08-23 | 成都数联云算科技有限公司 | 基于aoi设备采集图像的融合方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111650210B (zh) | 高速高精度锂离子电池极片的毛刺检测方法及检测系统 | |
| CN111929239A (zh) | 一种pcb板零件缺陷的aoi检测装置及检测方法 | |
| CN110659660B (zh) | 利用深度学习系统的自动光学检测分类设备及其训练设备 | |
| CN110659662B (zh) | 利用人工智能的瑕疵检测系统及其方法 | |
| US6246788B1 (en) | System and method of optically inspecting manufactured devices | |
| CN110889823B (zh) | 一种SiC缺陷的检测方法和系统 | |
| CN110044405B (zh) | 一种基于机器视觉的汽车仪表自动化检测装置及方法 | |
| CN112053318A (zh) | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 | |
| Mahalingam et al. | Pcb-metal: A pcb image dataset for advanced computer vision machine learning component analysis | |
| CN111340798A (zh) | 深度学习在产品外观瑕疵检测中的应用 | |
| CN107886131A (zh) | 一种基于卷积神经网络检测电路板元器件极性方法和装置 | |
| CN112884743B (zh) | 检测方法及装置、检测设备和存储介质 | |
| JP2007285880A (ja) | 基板検査における見本画像の登録方法および見本画像作成装置 | |
| CN114518526A (zh) | 一种适用于pcb板ict的自动测试机控制系统 | |
| CN111275674A (zh) | 一种芯片烧录检测方法、系统和计算机可读存储介质 | |
| CN111982933A (zh) | 一种涂覆缺陷检测系统及装置 | |
| CN116681677A (zh) | 一种锂电池缺陷检测方法、装置及系统 | |
| CN116342502A (zh) | 一种基于深度学习的工业视觉检测方法 | |
| CN115393291A (zh) | 一种YOLOv5和EfficientNet的PCB焊点缺陷检测方法 | |
| CN115601341A (zh) | Pcba板缺陷检测方法、系统、设备、介质及产品 | |
| CN112858341B (zh) | 一种检测方法、拍摄系统及检测系统 | |
| CN115060742A (zh) | 一种基于视觉边缘计算的印刷电路板缺陷检测系统及方法 | |
| CN114782431A (zh) | 一种印刷电路板缺陷检测模型训练方法及缺陷检测方法 | |
| CN114226289A (zh) | 基于机器视觉的自动化激光标记系统、标记方法及应用 | |
| CN114062391A (zh) | 自动光学检测设备的检测方法及系统 |
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 |
Application publication date: 20201113 |