CN113269773A - 一种柔性fpc缺陷检测方法 - Google Patents
一种柔性fpc缺陷检测方法 Download PDFInfo
- Publication number
- CN113269773A CN113269773A CN202110636943.3A CN202110636943A CN113269773A CN 113269773 A CN113269773 A CN 113269773A CN 202110636943 A CN202110636943 A CN 202110636943A CN 113269773 A CN113269773 A CN 113269773A
- Authority
- CN
- China
- Prior art keywords
- image
- fpc
- defects
- defect
- product
- 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- Withdrawn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
- 230000007547 defect Effects 0.000 title claims abstract description 153
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 238000004321 preservation Methods 0.000 claims abstract description 6
- 238000013209 evaluation strategy Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000002146 bilateral effect Effects 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 235000002566 Capsicum Nutrition 0.000 claims description 5
- 239000006002 Pepper Substances 0.000 claims description 5
- 235000016761 Piper aduncum Nutrition 0.000 claims description 5
- 235000017804 Piper guineense Nutrition 0.000 claims description 5
- 235000008184 Piper nigrum Nutrition 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 150000003839 salts Chemical class 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 239000003292 glue Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 244000203593 Piper nigrum Species 0.000 claims 1
- 238000009826 distribution Methods 0.000 abstract description 3
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 241000722363 Piper Species 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 208000019914 Mental Fatigue Diseases 0.000 description 1
- 239000004642 Polyimide Substances 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920006267 polyester film Polymers 0.000 description 1
- 229920001721 polyimide Polymers 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/21—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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及柔性电路板技术领域，尤其为一种柔性FPC缺陷检测方法，其方法包括如下步骤：根据FPC产品的结构区域拍摄柔性FPC产品图像，对采集的FPC图像进行降噪处理，对采集的FPC图像进行图像增强处理，突出FPC产品细节，避免过度增强和保亮度；本发明提出了用于对柔性FPC进行缺陷检测的方法，具有可以对产品图像进行增强处理，降低检测成本以及检测难度，同时能够对缺陷进行分类，从而有效增加FPC产品的缺陷检测精度的优点，解决了目前缺陷检测人工成本高、检测难度大，由于图像采集系统导致的图像光线分布不均、目标范围不清晰，从而会降低检测精度和检测效率的问题，进而能够提升FPC产品的缺陷检测效率。
Description
技术领域
本发明涉及柔性电路板技术领域，具体为一种柔性FPC缺陷检测方法。
背景技术
柔性电路板(Flexible Printed Circuit，简称FPC)是以聚酰亚胺或聚酯薄膜为基材制成的一种具有高度可靠性，绝佳的可挠性印刷电路板。具有配线密度高、重量轻、厚度薄、弯折性好的特点。随着电子产品不断朝着轻、薄、便携的方向发展，FPC目前已被广泛应用于各类电子产品中。
在工业生产过程中，产品外观表面缺陷是影响产品质量的最重要因素之一，材料的品质问题、刀具磨损、加工人员错误操作和环境变化等因素都可能造成产品的表面制造缺陷，这些缺陷产品如若不进行检测、剔除就被装载到相应的产品中，会造成超过其本身价值的损失。传统产品表面缺陷的质量检测主要有人工目视检测和线上仪器检测两种方式。
随着企业的产业结构升级，以机器视觉代替人工目视和线上仪器进行表面缺陷检测是发展的必然趋势，而图像处理算法则是视觉检测的核心，尽管目前针对表面缺陷检测的研究很多，国内外对于表面缺陷检测已经取得了很多成果，但由于产品的种类不同，形状各异，缺陷的种类更是难以统一，针对人工成本高、准确率低、检测难度大等问题而进行特定表面缺陷检测算法的研究很有必要。
目前FPC的自动检测仍主要依靠人眼辅助光学设备来检测产品质量，但长时间、高度集中观察图像给检测人员带来了极大的精神疲劳，难以保证产品质量，且人工检测FPC缺陷的效率低，从而导致缺陷检测难度较大，为此我们提出一种可以对产品图像进行增强处理，降低检测成本以及检测难度，同时能够对缺陷进行分类，从而有效增加FPC产品的缺陷检测精度的缺陷检测方法来解决此问题。
发明内容
本发明的目的在于提供一种柔性FPC缺陷检测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种柔性FPC缺陷检测方法，其方法包括如下步骤：
S1：根据FPC产品的结构区域拍摄柔性FPC产品图像，对采集的FPC图像进行降噪处理；
S2：对采集的FPC图像进行图像增强处理，突出FPC产品细节，避免过度增强和保亮度；
S3：根据产品的结构对图像进行分割，提取图像的特征信息，找出图像中的缺陷，然后将图像中的缺陷图像切割下来形成缺陷样本；
S4：搭建训练样本库，添加缺陷样本，对样本数据进行训练，使训练后的数据的分类性能评价指标达到预设值，导出分类模型；
S5：使用分类模型对缺陷图像中的缺陷进行分类，根据缺陷程度设置缺陷等级分类评价策略，根据缺陷等级分类评价策略进行缺陷等级排序；
S6：使用卷积神经网络对FPC产品进行自动识别，判断缺陷存在的可能性，并确定缺陷的种类。
优选的，所述步骤S1中，FPC产品图像使用CCD面阵相机拍摄图像，且对于不同的结构区域使用不同的亮度进行拍摄。
优选的，所述步骤S1中，降噪处理采用基于中值滤波的自适应滤波器，对椒盐噪声具有良好的滤波效果，同时保留图像的细节信息。
优选的，所述步骤S2中，在图像增强过程中，采用双边伽马校正曲线同时改善输入图像中的过暗区域和过亮区域视觉效果，其中决定图像的亮度信息主要集中在低频，细节信息主要集中在高频。
优选的，所述步骤S2中，对双边伽马校正所生成的两幅图像进行多尺度图像融合，其中在低频子带图像采用加权平均融合规则以保图像亮度，在高频子带图像采用平均选择融合规则以突出细节。
优选的，所述步骤S4中，使用有监督的卷积神经网络对缺陷图像中的缺陷进行训练。
优选的，所述步骤S5中，FPC产品的缺陷种类包括溢胶、划伤、断路、短路和线宽不符。
优选的，所述步骤S5中，缺陷等级分类评价策略为将各种类型的缺陷按照严格程度由高到低依次排序，其中排位低的缺陷可分类成排位高的缺陷，但排位高的缺陷不能分类成排位低的缺陷。
优选的，所述步骤S6中，卷积神经网络主要由卷积层和池化层两种特殊结构构成，卷积层用于提取输入数据的局部特征，池化层用于对上一层提取的特征信息进行缩放映射。
优选的，所述步骤S6中，按照不同缺陷的检测标准识别缺陷，并设置检测阈值，缺陷未达到检测阈值要求的产品判断成为良品。
与现有技术相比，本发明的有益效果如下：
本发明提出了用于对柔性FPC进行缺陷检测的方法，具有可以对产品图像进行增强处理，降低检测成本以及检测难度，同时能够对缺陷进行分类，从而有效增加FPC产品的缺陷检测精度的优点，解决了目前缺陷检测人工成本高、检测难度大，由于图像采集系统导致的图像光线分布不均、目标范围不清晰，从而会降低检测精度和检测效率的问题，进而能够提升FPC产品的缺陷检测效率。
附图说明
图1为本发明缺陷检测方法流程图。
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、完整地描述，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。基于本发明中的实施例，本领域普通技术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，都属于本发明保护的范围。
实施例一：
一种柔性FPC缺陷检测方法，其方法包括如下步骤：
S1：根据FPC产品的结构区域拍摄柔性FPC产品图像，对采集的FPC图像进行降噪处理，FPC产品图像使用CCD面阵相机拍摄图像，且对于不同的结构区域使用不同的亮度进行拍摄，降噪处理采用基于中值滤波的自适应滤波器，对椒盐噪声具有良好的滤波效果，同时保留图像的细节信息，主要目的是消除图像中因光照不均匀等原因产生的噪声，恢复有用的真实信息；
S2：对采集的FPC图像进行图像增强处理，突出FPC产品细节，避免过度增强和保亮度；
S3：根据产品的结构对图像进行分割，提取图像的特征信息，找出图像中的缺陷，然后将图像中的缺陷图像切割下来形成缺陷样本；
S4：搭建训练样本库，添加缺陷样本，对样本数据进行训练，使训练后的数据的分类性能评价指标达到预设值，导出分类模型；
S5：使用分类模型对缺陷图像中的缺陷进行分类，根据缺陷程度设置缺陷等级分类评价策略，根据缺陷等级分类评价策略进行缺陷等级排序；
S6：使用卷积神经网络对FPC产品进行自动识别，判断缺陷存在的可能性，并确定缺陷的种类。
实施例二：
一种柔性FPC缺陷检测方法，其方法包括如下步骤：
S1：根据FPC产品的结构区域拍摄柔性FPC产品图像，对采集的FPC图像进行降噪处理，FPC产品图像使用CCD面阵相机拍摄图像，且对于不同的结构区域使用不同的亮度进行拍摄，降噪处理采用基于中值滤波的自适应滤波器，对椒盐噪声具有良好的滤波效果，同时保留图像的细节信息，主要目的是消除图像中因光照不均匀等原因产生的噪声，恢复有用的真实信息；
S2：对采集的FPC图像进行图像增强处理，突出FPC产品细节，避免过度增强和保亮度，在图像增强过程中，采用双边伽马校正曲线同时改善输入图像中的过暗区域和过亮区域视觉效果，其中决定图像的亮度信息主要集中在低频，细节信息主要集中在高频，对双边伽马校正所生成的两幅图像进行多尺度图像融合，其中在低频子带图像采用加权平均融合规则以保图像亮度，在高频子带图像采用平均选择融合规则以突出细节，多尺度图像分解能够对图像亮度和细节单独处理，从而能够得到凸显缺陷细节的处理效果，提高后续检测的准确性；
S3：根据产品的结构对图像进行分割，提取图像的特征信息，找出图像中的缺陷，然后将图像中的缺陷图像切割下来形成缺陷样本；
S4：搭建训练样本库，添加缺陷样本，对样本数据进行训练，使训练后的数据的分类性能评价指标达到预设值，导出分类模型，使用有监督的卷积神经网络对缺陷图像中的缺陷进行训练，避免了人为因素的影响，可以自动地提取图像的特征信息，对产品进行自动地识别，判断缺陷是否存在；
S5：使用分类模型对缺陷图像中的缺陷进行分类，根据缺陷程度设置缺陷等级分类评价策略，根据缺陷等级分类评价策略进行缺陷等级排序；
S6：使用卷积神经网络对FPC产品进行自动识别，判断缺陷存在的可能性，并确定缺陷的种类。
实施例三：
一种柔性FPC缺陷检测方法，其方法包括如下步骤：
S1：根据FPC产品的结构区域拍摄柔性FPC产品图像，对采集的FPC图像进行降噪处理，FPC产品图像使用CCD面阵相机拍摄图像，且对于不同的结构区域使用不同的亮度进行拍摄，降噪处理采用基于中值滤波的自适应滤波器，对椒盐噪声具有良好的滤波效果，同时保留图像的细节信息，主要目的是消除图像中因光照不均匀等原因产生的噪声，恢复有用的真实信息；
S2：对采集的FPC图像进行图像增强处理，突出FPC产品细节，避免过度增强和保亮度，在图像增强过程中，采用双边伽马校正曲线同时改善输入图像中的过暗区域和过亮区域视觉效果，其中决定图像的亮度信息主要集中在低频，细节信息主要集中在高频，对双边伽马校正所生成的两幅图像进行多尺度图像融合，其中在低频子带图像采用加权平均融合规则以保图像亮度，在高频子带图像采用平均选择融合规则以突出细节，多尺度图像分解能够对图像亮度和细节单独处理，从而能够得到凸显缺陷细节的处理效果，提高后续检测的准确性；
S3：根据产品的结构对图像进行分割，提取图像的特征信息，找出图像中的缺陷，然后将图像中的缺陷图像切割下来形成缺陷样本；
S4：搭建训练样本库，添加缺陷样本，对样本数据进行训练，使训练后的数据的分类性能评价指标达到预设值，导出分类模型，使用有监督的卷积神经网络对缺陷图像中的缺陷进行训练，避免了人为因素的影响，可以自动地提取图像的特征信息，对产品进行自动地识别，判断缺陷是否存在；
S5：使用分类模型对缺陷图像中的缺陷进行分类，根据缺陷程度设置缺陷等级分类评价策略，根据缺陷等级分类评价策略进行缺陷等级排序，FPC产品的缺陷种类包括溢胶、划伤、断路、短路和线宽不符，缺陷等级分类评价策略为将各种类型的缺陷按照严格程度由高到低依次排序，其中排位低的缺陷可分类成排位高的缺陷，但排位高的缺陷不能分类成排位低的缺陷，可以提高FPC产品检测和分类的准确性，将不同的缺陷定性出来，有利于判断FPC产品的缺陷种类，提升FPC产品的缺陷检测效率；
S6：使用卷积神经网络对FPC产品进行自动识别，判断缺陷存在的可能性，并确定缺陷的种类，卷积神经网络主要由卷积层和池化层两种特殊结构构成，卷积层用于提取输入数据的局部特征，池化层用于对上一层提取的特征信息进行缩放映射，按照不同缺陷的检测标准识别缺陷，并设置检测阈值，缺陷未达到检测阈值要求的产品判断成为良品，可以起到减少计算量的作用，同时在一定程度上也能保证所提取的特征具有拉伸不变性，进而能够提升FPC产品的检测精度以及检测效率。
本发明提出了用于对柔性FPC进行缺陷检测的方法，具有可以对产品图像进行增强处理，降低检测成本以及检测难度，同时能够对缺陷进行分类，从而有效增加FPC产品的缺陷检测精度的优点，解决了目前缺陷检测人工成本高、检测难度大，由于图像采集系统导致的图像光线分布不均、目标范围不清晰，从而会降低检测精度和检测效率的问题，进而能够提升FPC产品的缺陷检测效率。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种柔性FPC缺陷检测方法，其特征在于：其方法包括如下步骤：
S1：根据FPC产品的结构区域拍摄柔性FPC产品图像，对采集的FPC图像进行降噪处理；
S2：对采集的FPC图像进行图像增强处理，突出FPC产品细节，避免过度增强和保亮度；
S3：根据产品的结构对图像进行分割，提取图像的特征信息，找出图像中的缺陷，然后将图像中的缺陷图像切割下来形成缺陷样本；
S4：搭建训练样本库，添加缺陷样本，对样本数据进行训练，使训练后的数据的分类性能评价指标达到预设值，导出分类模型；
S5：使用分类模型对缺陷图像中的缺陷进行分类，根据缺陷程度设置缺陷等级分类评价策略，根据缺陷等级分类评价策略进行缺陷等级排序；
S6：使用卷积神经网络对FPC产品进行自动识别，判断缺陷存在的可能性，并确定缺陷的种类。
2.根据权利要求1所述的一种柔性FPC缺陷检测方法，其特征在于：所述步骤S1中，FPC产品图像使用CCD面阵相机拍摄图像，且对于不同的结构区域使用不同的亮度进行拍摄。
3.根据权利要求1所述的一种柔性FPC缺陷检测方法，其特征在于：所述步骤S1中，降噪处理采用基于中值滤波的自适应滤波器，对椒盐噪声具有良好的滤波效果，同时保留图像的细节信息。
4.根据权利要求1所述的一种柔性FPC缺陷检测方法，其特征在于：所述步骤S2中，在图像增强过程中，采用双边伽马校正曲线同时改善输入图像中的过暗区域和过亮区域视觉效果，其中决定图像的亮度信息主要集中在低频，细节信息主要集中在高频。
5.根据权利要求1所述的一种柔性FPC缺陷检测方法，其特征在于：所述步骤S2中，对双边伽马校正所生成的两幅图像进行多尺度图像融合，其中在低频子带图像采用加权平均融合规则以保图像亮度，在高频子带图像采用平均选择融合规则以突出细节。
6.根据权利要求1所述的一种柔性FPC缺陷检测方法，其特征在于：所述步骤S4中，使用有监督的卷积神经网络对缺陷图像中的缺陷进行训练。
7.根据权利要求1所述的一种柔性FPC缺陷检测方法，其特征在于：所述步骤S5中，FPC产品的缺陷种类包括溢胶、划伤、断路、短路和线宽不符。
8.根据权利要求1所述的一种柔性FPC缺陷检测方法，其特征在于：所述步骤S5中，缺陷等级分类评价策略为将各种类型的缺陷按照严格程度由高到低依次排序，其中排位低的缺陷可分类成排位高的缺陷，但排位高的缺陷不能分类成排位低的缺陷。
9.根据权利要求1所述的一种柔性FPC缺陷检测方法，其特征在于：所述步骤S6中，卷积神经网络主要由卷积层和池化层两种特殊结构构成，卷积层用于提取输入数据的局部特征，池化层用于对上一层提取的特征信息进行缩放映射。
10.根据权利要求1所述的一种柔性FPC缺陷检测方法，其特征在于：所述步骤S6中，按照不同缺陷的检测标准识别缺陷，并设置检测阈值，缺陷未达到检测阈值要求的产品判断成为良品。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110636943.3A CN113269773A (zh) | 2021-06-08 | 2021-06-08 | 一种柔性fpc缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110636943.3A CN113269773A (zh) | 2021-06-08 | 2021-06-08 | 一种柔性fpc缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113269773A true CN113269773A (zh) | 2021-08-17 |
Family
ID=77234643
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110636943.3A Withdrawn CN113269773A (zh) | 2021-06-08 | 2021-06-08 | 一种柔性fpc缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113269773A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114022439A (zh) * | 2021-11-01 | 2022-02-08 | 苏州科德软体电路板有限公司 | 一种基于形态学图像处理的柔性电路板缺陷检测方法 |
| CN116503427A (zh) * | 2023-06-27 | 2023-07-28 | 深圳市合成快捷电子科技有限公司 | 一种基于计算机视觉的柔性电路板缺陷区域快速分割方法 |
| CN117890215A (zh) * | 2024-03-14 | 2024-04-16 | 苏州先准电子科技有限公司 | 用于可拉伸电路板的性能检测方法及系统 |
| CN118392834A (zh) * | 2024-06-27 | 2024-07-26 | 国鲸科技(广东横琴粤澳深度合作区)有限公司 | 一种用于集成电路透明柔性基板的检测方法 |
-
2021
- 2021-06-08 CN CN202110636943.3A patent/CN113269773A/zh not_active Withdrawn
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114022439A (zh) * | 2021-11-01 | 2022-02-08 | 苏州科德软体电路板有限公司 | 一种基于形态学图像处理的柔性电路板缺陷检测方法 |
| CN116503427A (zh) * | 2023-06-27 | 2023-07-28 | 深圳市合成快捷电子科技有限公司 | 一种基于计算机视觉的柔性电路板缺陷区域快速分割方法 |
| CN116503427B (zh) * | 2023-06-27 | 2023-09-22 | 深圳市合成快捷电子科技有限公司 | 一种基于计算机视觉的柔性电路板缺陷区域快速分割方法 |
| CN117890215A (zh) * | 2024-03-14 | 2024-04-16 | 苏州先准电子科技有限公司 | 用于可拉伸电路板的性能检测方法及系统 |
| CN117890215B (zh) * | 2024-03-14 | 2024-05-24 | 苏州先准电子科技有限公司 | 用于可拉伸电路板的性能检测方法及系统 |
| CN118392834A (zh) * | 2024-06-27 | 2024-07-26 | 国鲸科技(广东横琴粤澳深度合作区)有限公司 | 一种用于集成电路透明柔性基板的检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113269773A (zh) | 一种柔性fpc缺陷检测方法 | |
| Li et al. | Computer vision based system for apple surface defect detection | |
| CN109615609A (zh) | 一种基于深度学习的焊点瑕疵检测方法 | |
| CN105445277A (zh) | 一种fpc表面质量视觉智能检测方法 | |
| CN110445921A (zh) | 一种基于机器视觉的手机屏背光异物缺陷诊断方法及装置 | |
| CN118150575A (zh) | 自动光学检测方法、设备、及其深度学习系统 | |
| CN108346141B (zh) | 单边侧入光式导光板缺陷提取方法 | |
| CN113554080A (zh) | 一种基于机器视觉的无纺布瑕疵检测分类方法及系统 | |
| CN117611583B (zh) | 基于人工智能的铝复合板缺陷检测方法及系统 | |
| KR101477665B1 (ko) | 불균일한 텍스쳐 표면의 불량 검출방법 | |
| CN114332026A (zh) | 一种铭牌表面划痕缺陷的视觉检测方法及装置 | |
| CN108986055B (zh) | 一种鸡蛋蛋壳表面细微裂纹的视觉检测方法 | |
| CN110020691B (zh) | 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法 | |
| CN109472783B (zh) | 一种泡沫镍表面缺陷提取及分类方法 | |
| CN113947598B (zh) | 基于图像处理的塑料餐盒缺陷检测方法、装置及系统 | |
| CN111415330A (zh) | 基于深度学习的铜箔外观缺陷检测方法 | |
| CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
| CN112070747A (zh) | Led灯珠缺陷检测方法和装置 | |
| CN109101976A (zh) | 一种灭弧栅片表面缺陷的检测方法 | |
| Chiu et al. | An innovative blemish detection system for curved LED lenses | |
| CN115359047A (zh) | 用于pcb板智能焊接的异常缺陷检测方法 | |
| CN109507193A (zh) | 一种基于局部对比度增强与二值模式的织物瑕疵检测方法 | |
| Lin | Tiny surface defect inspection of electronic passive components using discrete cosine transform decomposition and cumulative sum techniques | |
| CN112816487B (zh) | 一种基于机器视觉的皮蛋内部品质无损检测方法 | |
| CN117710286A (zh) | 工业视觉大模型的训练方法、装置、电子设备和存储介质 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210817 |
|
| WW01 | Invention patent application withdrawn after publication |