CN112036484A - 一种基于高光原理进行pcb元件提取的方法 - Google Patents
一种基于高光原理进行pcb元件提取的方法 Download PDFInfo
- Publication number
- CN112036484A CN112036484A CN202010897763.6A CN202010897763A CN112036484A CN 112036484 A CN112036484 A CN 112036484A CN 202010897763 A CN202010897763 A CN 202010897763A CN 112036484 A CN112036484 A CN 112036484A
- Authority
- CN
- China
- Prior art keywords
- highlight
- pcb
- pixels
- image
- highlight pixels
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003466 welding Methods 0.000 claims abstract description 28
- 239000011253 protective coating Substances 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims description 36
- 229910000679 solder Inorganic materials 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical group [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于高光原理进行PCB元件提取的方法,包括如下步骤:S01:获取PCB电路板图像,提取所述图像中高光像素,并通过邻域搜索法聚类高光像素;S02:识别和移除聚类高光像素中的标记;S03:剩余的高光像素根据距离进行合并聚类;S04:识别和移除高光像素中的通孔,此时高光像素的位置即为焊点;并根据高光像素之间的距离建立连通图;S05:分离PCB电路板图像中的灰度级,判断连通图中连接的有效性;S06:根据连通图中焊点位置提取防护涂层区域,输出PCB元件提取结果。本发明可以方便快捷地识别出PCB电路板中的焊点,并根据焊点准确识别出防护涂层的位置,可以广泛应用在PCB电路板的组件识别领域。
Description
技术领域
本发明涉及检测设备技术领域,具体涉及一种基于高光原理进行PCB元件提取的方法。
背景技术
随着表面贴装技术的发展,对自动检测的需求不断增长,印刷电路板(PCB)表面缺陷检测的一部分涉及到对PCB上焊点的检测,并且已经开发出许多不同的检测方法。由于电路板表面的复杂性,焊点位置的识别比较困难,基于直方图的方法被广泛应用于焊点的提取,Kim等人(1999年)拍摄三帧图像,当三层LED依次打开时,焊点被依次捕获,从这些图像中,通过使用x/y投影和阈值分割焊接区域,这种方法适用于焊点集中的地方,但不适用于复杂的PCB结构,因为仅根据直方图很难区分焊点、标记、导通孔和其他高光组件。
另一种焊点提取技术是基于模板匹配方法,该方法专注于定位多个对象的自动对象识别技术。该方法使用灰色模型拟合为一组组件生成通用模板,这项工作使用归一化互相关(NCC)模板匹配方法,并研究了一种利弊训练搜索空间以减少计算量的方法。Wuetal(2008)还着重研究了基于NCC的多模板匹配(MTM)方法的自动对象搜索技术,搜索过程是通过使用基于加速物种的粒子群优化算法(ASPSO)和遗传算法(GA)进行的。基于模板匹配的方法需要为目标组件的每种类别定义一个或多个相应模板。此外,模板的方向必须与目标组件一致,否则,将不能识别旋转到位置的组件,由于这些原因,它们的应用受到了限制。
jiangetal开发了一种特殊的方法,为了降低未来分析的复杂性,使用了一个未加载的PCB作为“背景移除器”(BR)从背景中分离焊点,铜信号线的位置将是以后工艺中焊点的位置,通过阈值和分割操作可以检测到它们,这种方法计算效率高,但只适用于元件未放在板上的PCB。
发明内容
针对现有技术的不足,本发明的目的旨在提供一种基于高光原理进行PCB元件提取的方法,以解决背景技术中存在的PCB元件提取问题。
为实现上述目的,本发明采用如下技术方案:一种基于高光原理进行PCB元件提取的方法,包括如下步骤:
S01:获取PCB电路板图像,提取所述图像中高光像素,并通过邻域搜索法聚类高光像素;
S02:识别和移除聚类高光像素中的标记;
S03:剩余的高光像素根据距离进行合并聚类;
S04:识别和移除高光像素中的通孔,此时高光像素的位置即为焊点;并根据高光像素之间的距离建立连通图;
S05:分离PCB电路板图像中的灰度级,判断连通图中连接的有效性;
S06:根据连通图中焊点位置提取防护涂层区域,输出PCB元件提取结果。
进一步的,所述步骤S01具体包括:
S011:对所述图像进行预处理,建立通道直方图,并采用自动多级阈值确定图像中高光像素所在的类别;
S012:在U-V色度坐标系下模拟所述高光像素的颜色分布;
S013:根据所述高光像素的颜色分布提取其对应的分布特征;
S014:通过所述分布特征识别出目标对象;
S015:通过八个邻域搜索对目标对象进行聚类。
进一步的,所述步骤S011具体包括:
S0111:降低所述图像的亮度和对比度;
S0112:将所述图像的颜色空间从RGB转换为GMYK;
S0113:在GMYK颜色空间构建K通道的直方图,采用自动多级阈值法对边界区间进行估值,确定高光像素所在的类别。
进一步的,所述步骤S013中分布特征包括:高光像素的平均分布概率;高光像素和U-V色度坐标系原点之间的平均距离;U-V色度坐标系中三个区域像素数的比值。
进一步的,所述步骤S02包括:
S021:计算每个高光聚类的特征值,所述特征值包括均值特征Mprob、偏差特征Mdist、概率分布特征Vratio;
S022:将标记聚类作为参照对象,并且计算参照对象的均值特征M′prob、偏差特征M′dist、概率分布特征V′ratio;
S023:将每一个高光聚类作为目标对象,并且计算目标对象和参考对象的总的差异λ,如果λ<0.5,那么该高光聚类为标记聚类,把该高光聚类从高光像素所在的类别中移除。
进一步的,所述步骤S04具体包括:
S041:计算每个高光聚类的的特征值,所述特征值包括均值特征Mprob、偏差特征Mdist、概率分布特征Vratio;
S042:将通孔聚类作为参照对象,并且计算参照对象的均值特征M′prob、偏差特征M′dist、概率分布特征V′ratio;
S043:将每一个高光聚类作为目标对象,并且计算目标对象和参考对象的总的差异λ,如果λ<0.5,那么该高光聚类为通孔聚类,把该高光聚类从高光像素所在的类别中移除;
S044:建立连通图。
进一步的,所述步骤S05具体包括:
S051:获取PCB电路板图像的灰度直方图,根据灰度直方图自动确定多层灰度阈值,去除PCB电路板图像中的背景层;
S052:在去除背景层之后的PCB电路板图像中确定连通图中焊点连接的有效性。
进一步的,所述步骤S06中对连通图中有效连接的焊点进行聚类,每个聚类包含对应元件的所有焊点,焊点之间区域即为该元件的防护涂层。
本发明的有益效果在于:本发明采用多级阈值法及其高光特性检测焊点,该方法非常具有鲁棒性,可以有效克服背景干扰。本发明根据高光像素在U-V色度坐标系的颜色分布特征来识别有效的焊点,去除无用的高光区域,有效提高了焊点识别的准确性;本发明根据焊点之间的距离建立连通图,每个有效的连通图对应一个PCB元件,进而根据焊点能够准确识别出防护涂层的位置;综上所述,本发明可以方便快捷地识别出PCB电路板中的焊点,并根据焊点准确识别出防护涂层的位置,可以广泛应用在PCB电路板的组件识别领域。
附图说明
附图1为本发明方法的流程图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述:
如附图1所示,本发明提供的一种基于高光原理进行PCB元件提取的方法,包括如下步骤:
S01:获取PCB电路板图像,提取图像中高光像素,并通过邻域搜索法聚类高光像素;其中,本发明可以通过三层环形LED照明系统获取PCB电路板图像;由于焊点是一种镜面材料,所以焊点上的光会完全反射到相机,因此,焊点位置在图像中必然为高光像素,而图像中的高光像素除了焊点以外,可能还会有标记、通孔之类的,因此需要对标记和通孔进行去除。本步骤具体包括:
S011:对图像进行预处理,建立通道直方图,并采用自动多级阈值确定图像中高光像素所在的类别;具体的方法为:
S0111:降低图像的亮度和对比度;可以采用如下方法进行降低:
p’=[(p+(b+100)×1.27)-127]×[(c+100)×0.01]+127;
其中p是原始像素,亮度系数b∈(-100,100),对比度系数c∈(0,100),这种操作有利于减少来自背景的干扰,并使高光区域更加明显。
S0112:将图像的颜色空间从RGB转换为GMYK;这是因为CMYK产生的颜色细节优先级低于RGB,这有助于减少高光区域的不连续性。
S0113:在GMYK颜色空间构建K通道的直方图,采用自动多级阈值法对边界区间进行估值,确定高光像素所在的类别,阈值的数量和阈值可以由新的准则自动确定。函数公式为:
C(l)=ρ(Dis(l))1/2+(log2(l))2;
式中,l为分类号,Dis(l)为阈值图像与原始图像的差值;参数导入是一个正加权常数。考虑一幅用K个通道的m个灰度级表示的图像,设Gm≡{0,1……,m}为灰度层集合,Dis(l)量化为:
式中Pj为观测到的灰度频率;l为灰度层分类的分类号;Sl,i为K通道灰度级分为l类时的第i个非零阈值;Cl,i是l类中K通道灰度级从Sl,i-1到(Sl,i)-1的第i类;Prob(Cl,i)为类Cl,i的概率;Pl,i为经Prob(Cl,j)归一化后由Cl,j导出的分布;其中,μl,i为Pl,i的平均值,而为Pl,i的方差。差异Dis(l)应随着分类数的增加而减小。确定最佳分类号当:
最后一个分类属于高光。设Ii表示图像I的第i个像素,Ii(k)表示其k个通道的值。定义符号{S}为高光点的集合。当满足以下规则时,Ii属于{S}:
If Ii(k)∈(Sl,l-1,Sl,l],then Ii∈{S};
由此确定出图像中高光像素所在的类别。
S012:在U-V色度坐标系下模拟高光像素的颜色分布;
S013:根据高光像素的颜色分布提取其对应的分布特征;分布特征包括:高光像素的平均分布概率(高光像素在整个图像中的平均分布概率);高光像素和U-V色度坐标系原点之间的平均距离;U-V色度坐标系中三个区域像素数的比值。
S014:通过分布特征识别出目标对象;
S015:通过八个邻域搜索对目标对象进行聚类。
S02:识别和移除聚类高光像素中的标记;具体包括:
S021:计算每个高光聚类的特征值,特征值包括均值特征Mprob、偏差特征Mdist、概率分布特征Vratio;
S022:将标记聚类作为参照对象,并且计算参照对象的均值特征M′prob、偏差特征M′dist、概率分布特征V′ratio;
S023:将每一个高光聚类作为目标对象,并且计算目标对象和参考对象的总的差异λ,如果λ<0.5,那么该高光聚类为标记聚类,把该高光聚类从高光像素所在的类别中移除。
S03:剩余的高光像素根据距离进行合并聚类;将剩下的高光聚类根据距离进行合并,由于表面法线和光源位置的变化,焊点的高光区域可能不是连续的,它使得焊点的高光像素通常被分成多个高光聚类,从而导致识别错误。有的分离的聚类的颜色分布近似于孔洞的颜色分布,我们通过在移除导通孔之前合并相邻的聚类来缓解这个问题。那么合并之后的高光聚类的颜色分布与导通孔的颜色分布有很大的不同。
S04:识别和移除高光像素中的通孔,此时高光像素的位置即为焊点;并根据高光像素之间的距离建立连通图;具体包括:
S041:计算每个高光聚类的的特征值,特征值包括均值特征Mprob、偏差特征Mdist、概率分布特征Vratio;
S042:将通孔聚类作为参照对象,并且计算参照对象的均值特征M′prob、偏差特征M′dist、概率分布特征V′ratio;
S043:将每一个高光聚类作为目标对象,并且计算目标对象和参考对象的总的差异λ,如果λ<0.5,那么该高光聚类为通孔聚类,把该高光聚类从高光像素所在的类别中移除;
S044:建立连通图;上述移除了标记聚类和通孔聚类之后的高光聚类即为焊点,根据焊点的位置建立连通图。
S05:分离PCB电路板图像中的灰度级,判断连通图中连接的有效性;具体包括:
S051:获取PCB电路板图像的灰度直方图,根据灰度直方图自动确定多层灰度阈值,去除PCB电路板图像中的背景层;这是因为防护涂层的灰度间隔与PCB的背景层和其他元件有很大的不同,为了分离防护涂层,需要先将背景层去除。
S052:在去除背景层之后的PCB电路板图像中确定连通图中焊点连接的有效性。通过判断连接的有效性将连通图分为许多子图。每个子图包含单个PCB元件的所有焊点,并且通过这些焊点的位置评估防护涂层的大致位置。这意味着防护涂层与其连接的焊点之间的几何关系也是已知的,这为进一步的应用提供参考,例如识别组件的类型。
S06:根据连通图中焊点位置提取防护涂层区域,输出PCB元件提取结果。对连通图中有效连接的焊点进行聚类,每个聚类包含对应元件的所有焊点,焊点之间区域即为该元件的防护涂层。
对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (8)
1.一种基于高光原理进行PCB元件提取的方法,其特征在于,包括如下步骤:
S01:获取PCB电路板图像,提取所述图像中高光像素,并通过邻域搜索法聚类高光像素;
S02:识别和移除聚类高光像素中的标记;
S03:剩余的高光像素根据距离进行合并聚类;
S04:识别和移除高光像素中的通孔,此时高光像素的位置即为焊点;并根据高光像素之间的距离建立连通图;
S05:分离PCB电路板图像中的灰度级,判断连通图中连接的有效性;
S06:根据连通图中焊点位置提取防护涂层区域,输出PCB元件提取结果。
2.根据权利要求1所述的一种基于高光原理进行PCB元件提取的方法,其特征在于,所述步骤S01具体包括:
S011:对所述图像进行预处理,建立通道直方图,并采用自动多级阈值确定图像中高光像素所在的类别;
S012:在U-V色度坐标系下模拟所述高光像素的颜色分布;
S013:根据所述高光像素的颜色分布提取其对应的分布特征;
S014:通过所述分布特征识别出目标对象;
S015:通过八个邻域搜索对目标对象进行聚类。
3.根据权利要求2所述的一种基于高光原理进行PCB元件提取的方法,其特征在于,所述步骤S011具体包括:
S0111:降低所述图像的亮度和对比度;
S0112:将所述图像的颜色空间从RGB转换为GMYK;
S0113:在GMYK颜色空间构建K通道的直方图,采用自动多级阈值法对边界区间进行估值,确定高光像素所在的类别。
4.根据权利要求2所述的一种基于高光原理进行PCB元件提取的方法,其特征在于,所述步骤S013中分布特征包括:高光像素的平均分布概率;高光像素和U-V色度坐标系原点之间的平均距离;U-V色度坐标系中三个区域像素数的比值。
5.根据权利要求1所述的一种基于高光原理进行PCB元件提取的方法,其特征在于,所述步骤S02包括:
S021:计算每个高光聚类的特征值,所述特征值包括均值特征Mprob、偏差特征Mdist、概率分布特征Vratio;
S022:将标记聚类作为参照对象,并且计算参照对象的均值特征M′prob、偏差特征M′dist、概率分布特征V′ratio;
S023:将每一个高光聚类作为目标对象,并且计算目标对象和参考对象的总的差异λ,如果λ<0.5,那么该高光聚类为标记聚类,把该高光聚类从高光像素所在的类别中移除。
6.根据权利要求1所述的一种基于高光原理进行PCB元件提取的方法,其特征在于,所述步骤S04具体包括:
S041:计算每个高光聚类的的特征值,所述特征值包括均值特征Mprob、偏差特征Mdist、概率分布特征Vratio;
S042:将通孔聚类作为参照对象,并且计算参照对象的均值特征M′prob、偏差特征M′dist、概率分布特征V′ratio;
S043:将每一个高光聚类作为目标对象,并且计算目标对象和参考对象的总的差异λ,如果λ<0.5,那么该高光聚类为通孔聚类,把该高光聚类从高光像素所在的类别中移除;
S044:建立连通图。
7.根据权利要求1所述的一种基于高光原理进行PCB元件提取的方法,其特征在于,所述步骤S05具体包括:
S051:获取PCB电路板图像的灰度直方图,根据灰度直方图自动确定多层灰度阈值,去除PCB电路板图像中的背景层;
S052:在去除背景层之后的PCB电路板图像中确定连通图中焊点连接的有效性。
8.根据权利要求1所述的一种基于高光原理进行PCB元件提取的方法,其特征在于,所述步骤S06中对连通图中有效连接的焊点进行聚类,每个聚类包含对应元件的所有焊点,焊点之间区域即为该元件的防护涂层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010897763.6A CN112036484A (zh) | 2020-08-31 | 2020-08-31 | 一种基于高光原理进行pcb元件提取的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010897763.6A CN112036484A (zh) | 2020-08-31 | 2020-08-31 | 一种基于高光原理进行pcb元件提取的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112036484A true CN112036484A (zh) | 2020-12-04 |
Family
ID=73587239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010897763.6A Withdrawn CN112036484A (zh) | 2020-08-31 | 2020-08-31 | 一种基于高光原理进行pcb元件提取的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036484A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402820A (zh) * | 2023-06-07 | 2023-07-07 | 合肥联宝信息技术有限公司 | 一种检测方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101067871A (zh) * | 2007-06-29 | 2007-11-07 | 北京大学 | 一种用于视觉凸壳绘制的高光区域选取方法及其装置 |
WO2016033248A1 (en) * | 2014-08-26 | 2016-03-03 | Hzo, Inc. | Use of combined masking techniques and/or combined material removal techniques to protectively coat electronic devices |
CN108154502A (zh) * | 2017-12-22 | 2018-06-12 | 王华锋 | 一种基于卷积神经网络的通孔焊点识别方法 |
-
2020
- 2020-08-31 CN CN202010897763.6A patent/CN112036484A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101067871A (zh) * | 2007-06-29 | 2007-11-07 | 北京大学 | 一种用于视觉凸壳绘制的高光区域选取方法及其装置 |
WO2016033248A1 (en) * | 2014-08-26 | 2016-03-03 | Hzo, Inc. | Use of combined masking techniques and/or combined material removal techniques to protectively coat electronic devices |
CN108154502A (zh) * | 2017-12-22 | 2018-06-12 | 王华锋 | 一种基于卷积神经网络的通孔焊点识别方法 |
Non-Patent Citations (1)
Title |
---|
ZHOU ZENG 等: "Automated extraction of PCB components based on specularity using layered illumination", 《JOURNAL OF INTELLIGENT MANUFACTURING》, vol. 22, pages 919 - 932, XP019974076, DOI: 10.1007/s10845-009-0367-6 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116402820A (zh) * | 2023-06-07 | 2023-07-07 | 合肥联宝信息技术有限公司 | 一种检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nayak et al. | Identification of PCB faults using image processing | |
US20050254699A1 (en) | Apparatus and method for detecting defect and apparatus and method for extracting wire area | |
JP4966893B2 (ja) | 一致度計算装置及び方法、プログラム | |
CN113109348B (zh) | 一种基于机器视觉的桨影移印缺陷识别方法 | |
CN107610085A (zh) | 一种基于计算机视觉的焊点缺陷检测系统 | |
CN105447489B (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
CN111695373B (zh) | 斑马线的定位方法、系统、介质及设备 | |
KR101549495B1 (ko) | 문자 추출 장치 및 그 방법 | |
CN111583216A (zh) | Pcba电路板的缺陷检测方法 | |
CN115330757B (zh) | 一种电路板焊点缺陷检测方法及系统 | |
Szymanski et al. | Automated PCB inspection in small series production based on SIFT algorithm | |
CN111915509B (zh) | 基于图像处理去阴影优化的保护压板状态辨识方法 | |
KR20200086812A (ko) | 기포에 의한 기판불량 검사시스템 및 기포에 의한 기판불량 검사방법 | |
CN112036484A (zh) | 一种基于高光原理进行pcb元件提取的方法 | |
CN112288682A (zh) | 基于图像配准的电力设备缺陷定位方法 | |
CN114359251A (zh) | 一种混凝土表面破损的自动识别方法 | |
Zeng et al. | Automated extraction of PCB components based on specularity using layered illumination | |
CN113781413A (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
CN117274967A (zh) | 一种基于卷积神经网络多模态融合车牌识别算法 | |
CN108898584B (zh) | 一种基于图像分析的全自动贴面电容装焊极性判别方法 | |
CN115375679A (zh) | 一种缺陷芯片寻边寻点定位方法及装置 | |
Wu et al. | A visual inspection system for surface mounted components based on color features | |
CN112036489A (zh) | 一种基于焊点颜色分布的pcb元件定位方法 | |
WO2017091060A1 (en) | A system and method for detecting objects from image | |
JP2005250786A (ja) | 画像認識方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201204 |
|
WW01 | Invention patent application withdrawn after publication |