CN113379678A - 一种电路板检测方法、装置、电子设备及存储介质 - Google Patents

一种电路板检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN113379678A
CN113379678A CN202110529090.3A CN202110529090A CN113379678A CN 113379678 A CN113379678 A CN 113379678A CN 202110529090 A CN202110529090 A CN 202110529090A CN 113379678 A CN113379678 A CN 113379678A
Authority
CN
China
Prior art keywords
image
circuit board
features
image data
defect type
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
CN202110529090.3A
Other languages
English (en)
Inventor
施清清
文辉
眭敏
高颜芳
林春贤
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.)
Gree Electric Appliances Inc of Zhuhai
Zhuhai Gree Intelligent Equipment Co Ltd
Original Assignee
Gree Electric Appliances Inc of Zhuhai
Zhuhai Gree Intelligent Equipment 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 Gree Electric Appliances Inc of Zhuhai, Zhuhai Gree Intelligent Equipment Co Ltd filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN202110529090.3A priority Critical patent/CN113379678A/zh
Publication of CN113379678A publication Critical patent/CN113379678A/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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06T7/40—Analysis of texture
    • 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
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本申请提供了一种电路板检测方法、装置、电子设备及存储介质，属于电路板检测技术领域。本申请通过获取电路板对应的图像数据；从所述图像数据提取所述电路板对应的图像特征，所述图像特征包括底层特征和多层特征；根据所述图像特征确定所述电路板对应的缺陷类型。以实现自动检测，避免人工目测导致的疲劳及主观感觉等因素对检测过程的影响，提高检测效率。

Description

一种电路板检测方法、装置、电子设备及存储介质
技术领域
本申请涉及电路板检测技术领域，尤其涉及一种电路板检测方法、装置、电子设备及存储介质。
背景技术
随着电子技术的发展和广泛应用，对电子产品制作工艺的要求越来越高。如何对电子产品生产过程中出现的质量问题进行准确、高效的检测和及时的修正，从而保证出厂产品的质量，对于众多电子产品的生产企业来说十分重要。其中，电路板生产质量的检测，特别是电路板元件安装/焊接质量的检测，是电子产品生产质量控制中的关键步骤之一。
目前，电路板元件安装/焊接质量的检测常用的方法是人工目测，人工目测利用操作人员的视觉检查来确定生产的电路板上的元件是否正确安装及焊接。
然而，由于人工目测受到视觉精度、视觉疲劳、判断速度及主观感觉等因素的影响，存在检测效率低的问题。
发明内容
本申请实施例的目的在于提供一种电路板检测方法、装置、电子设备及存储介质，以解决利用人工目测检测电路板存在检测效率低的问题。具体技术方案如下：
第一方面，提供了一种电路板检测方法，所述方法包括：
获取电路板对应的图像数据；
从所述图像数据提取所述电路板对应的图像特征，所述图像特征包括底层特征和多层特征；
根据所述图像特征确定所述电路板对应的缺陷类型。
可选地，所述从所述图像数据提取所述电路板对应的图像特征，包括：
基于所述图像数据中的焊点对所述图像数据进行分割，得到与所述图像数据对应的多个焊点分割图；
提取每个所述焊点分割图对应的底层特征和多层特征；
针对每个焊点分割图，基于所述焊点分割图的底层特征和多层特征确定所述焊点分割图的特征集合，得到多个所述焊点分割图对应的特征集合；
根据所述特征集合确定所述电路板对应的所述图像特征。
可选地，所述基于所述焊点分割图的底层特征和多层特征确定所述焊点分割图的特征集合，包括：
针对所述焊点分割图的每种特征，将所述特征的值与预设权重的乘积作为目标特征值，得到所述焊点分割图的目标特征值集合，其中，所述预设权重是通过合格样本的特征的值和不合格样本的特征的值之间的差异度确定的，其中，所述差异度与所述预设权重成正相关；
将所述目标特征值的集合作为所述焊点分割图的特征集合。
可选地，所述基于所述图像数据中的焊点对所述图像数据进行分割之前，还包括：
对所述图像数据进行灰度化处理，得到所述图像数据对应的灰度图像；
根据所述灰度图像中灰度值大于设定阈值的像素点得到所述图像数据中的焊点。
可选地，所述根据所述图像特征确定所述电路板对应的缺陷类型，包括：
将所述图像特征输入预设检测模型，得到所述预设检测模型输出的所述电路板对应的缺陷类型。
可选地，所述检测模型通过以下方式进行训练：
获取样本图像集合，以及所述样本图像集合中每个样本图像对应的目标缺陷类型；
针对所述样本图像集合中的任一所述样本图像，从所述样本图像中提取电路板对应的样本图像特征，所述样本图像特征包括底层特征和多层特征，得到所述样本图像集合对应的样本图像特征集合；
将所述样本图像特征输入至初始模型中，以使初始模型将所述样本图像特征与预设的标准图像特征进行比对，根据所述比对结果输出所述电路板对应的缺陷类型；
在所述缺陷类型与所述目标缺陷类型的相似度大于设定阈值时，则确定所述初始模型训练成功，将训练好的所述初始模型作为检测模型；
在所述缺陷类型与所述目标缺陷类型的相似度小于等于设定阈值时，通过调节所述初始模型中的参数重新执行模型的训练步骤，直至所述缺陷类型与所述目标缺陷类型的相似度大于设定阈值。
可选地，所述从所述图像数据提取所述电路板对应的图像特征之前，还包括：
对所述图像数据进行降噪处理。
第二方面，提供了一种电路板检测装置，所述装置包括：
获取模块，用于获取电路板对应的图像数据；
提取模块，用于从所述图像数据提取所述电路板对应的图像特征，所述图像特征包括底层特征和多层特征；
确定模块，用于根据所述图像特征确定所述电路板对应的缺陷类型。
可选地，所述提取模块，用于：
基于所述图像数据中的焊点对所述图像数据进行分割，得到与所述图像数据对应的多个焊点分割图；
提取每个所述焊点分割图对应的底层特征和多层特征；
针对每个焊点分割图，基于所述焊点分割图的底层特征和多层特征确定所述焊点分割图的特征集合，得到多个所述焊点分割图对应的特征集合；
根据所述特征集合确定所述电路板对应的所述图像特征。
可选地，所述提取模块，还用于：
针对所述焊点分割图的每种特征，将所述特征的值与预设权重的乘积作为目标特征值，得到所述焊点分割图的目标特征值集合，其中，所述预设权重是通过合格样本的特征的值和不合格样本的特征的值之间的差异度确定的，其中，所述差异度与所述预设权重成正相关；
将所述目标特征值的集合作为所述焊点分割图的特征集合。
可选地，所述装置，还包括：
处理模块，用于对所述图像数据进行灰度化处理，得到所述图像数据对应的灰度图像；根据所述灰度图像中灰度值大于设定阈值的像素点得到所述图像数据中的焊点。
可选地，所述确定模块，用于：
将所述图像特征输入预设检测模型，得到所述预设检测模型输出的所述电路板对应的缺陷类型。
可选地，所述装置还包括训练模块，所述训练模块用于：
获取样本图像集合，以及所述样本图像集合中每个样本图像对应的目标缺陷类型；
针对所述样本图像集合中的任一所述样本图像，从所述样本图像中提取电路板对应的样本图像特征，所述样本图像特征包括底层特征和多层特征，得到所述样本图像集合对应的样本图像特征集合；
将所述样本图像特征输入至初始模型中，以使初始模型将所述样本图像特征与预设的标准图像特征进行比对，根据所述比对结果输出所述电路板对应的缺陷类型；
在所述缺陷类型与所述目标缺陷类型的相似度大于设定阈值时，则确定所述初始模型训练成功，将训练好的所述初始模型作为检测模型；
在所述缺陷类型与所述目标缺陷类型的相似度小于等于设定阈值时，通过调节所述初始模型中的参数重新执行模型的训练步骤，直至所述缺陷类型与所述目标缺陷类型的相似度大于设定阈值。
可选地，所述装置，还包括：
降噪模块，用于对所述图像数据进行降噪处理。
第三方面，提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现第一方面任一所述的方法步骤。
第四方面，提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任一所述的方法步骤。
第五方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一所述的电路板检测方法。
本申请实施例有益效果：
本申请实施例提供了一种电路板检测方法、装置、电子设备及存储介质，本申请通过获取电路板对应的图像数据；然后，基于电路板对应的图像数据提取图像特征，进而，通过图像特征确定电路板对应的缺陷类型，从而完成自动检测，避免了人工目测导致的疲劳及主观感觉等因素对检测过程的影响，提高了检测效率。且，本申请提取的图像特征除了包括底层特征，还包括多层特征，通过提取多层特征可以提高电路板缺陷检测的准确性。
当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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，对于本领域普通技术人员而言，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为本申请实施例提供的一种电路板检测方法的流程图；
图2为本申请另一实施例提供的一种电路板检测方法的流程图；
图3为本申请实施例提供的一种检测模型训练方法的流程图；
图4为本申请实施例提供的一种电路板检测装置的结构示意图；
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
由于目前，电路板元件安装/焊接质量的检测常用的方法是人工目测，人工目测利用操作人员的视觉检查来确定生产的电路板上的元件是否正确安装及焊接。然而，人工目测受到视觉精度、视觉疲劳、判断速度及主观感觉等因素的影响，存在检测效率低的问题。为此，本申请实施例提供了一种电路板检测方法，可以应用于服务器。
下面将结合具体实施方式，对本申请实施例提供的一种电路板检测方法进行详细的说明，如图1所示，具体步骤如下：
S101，获取电路板对应的图像数据。
在本申请实施例中，在电路板生产过程中要对电路板元件安装/焊接进行多次检测，从而保证生产过程中电路板元件安装/焊接质量，进而保证电路板的出厂质量。在对电路板元件安装/焊接质量进行检测时，可以通过摄像头等图像采集装置自动扫描电路板，采集图像数据。
S102，从所述图像数据提取所述电路板对应的图像特征，所述图像特征包括底层特征和多层特征。
在本申请实施例中，获取电路板的图像数据后，从图像数据提取电路板对应的图像特征，提取的图像特征包括底层特征和多层特征，底层特征指：几何特征、形状特征、颜色特征及纹理特征等基础特征，多层特征指：面积特征、重心特征、圆形度特征及几何矩特征等复杂特征。其中通过面积特征和重心特征可以分析图像的面积和重心，通过圆形度特征可以分析焊点的饱满度，通过几何矩特征可以分析图像平移、旋转、缩放特性，因此，通过提取多层特征可以提高检测精度。
S103，根据所述图像特征确定所述电路板对应的缺陷类型。
在本申请实施例中，预先根据各种缺陷类型对应的样本确定每种缺陷类型对应的各个特征的指标值或指标值区间，提取图像数据的图像特征，也即，得到了图像数据对应的每个底层特征的值和每个多层特征的值，将图像数据对应的各个特征的值与每种缺陷类型对应的各个指标值或指标值取间进行比对，依次确定图像数据对应的各个特征的值与每种缺陷类型的指标值或指标值取间的比对结果，最后确定电路板对应的缺陷类型。
例如，对电路板的图像数据提取的图像特征包括第一特征和第二特征，且第一特征的值为0.6，第二特征的值为0.7；预先确定缺陷类型一的第一特征指标值为0.6，第二特征指标值为0.7；缺陷类型二的第一特征指标值为0.8，第二特征指标值为0.9；由于，第一特征和第二特征与缺陷类型一的第一特征指标值和第二特征指标值的比对结果一致，因此确定该电路板的缺陷类型为缺陷类型一。
在本申请实施例的一种实施方式中，将所述图像特征输入预设检测模型，得到所述预设检测模型输出的所述电路板对应的缺陷类型。
在该实施方式中，检测模型是通过样本图像特征训练得到的，其中，样本图像特征是通过各种缺陷对应的样本图像数据提取得到的。将提取的图像特征输入检测模型，检测模型可以根据图像特征输出电路板对应的缺陷类型。
本申请实施例中，通过获取电路板对应的图像数据；然后，基于电路板对应的图像数据提取图像特征，进而，通过图像特征确定电路板对应的缺陷类型，从而完成自动检测，避免了人工目测导致的疲劳及主观感觉等因素对检测过程的影响，提高了检测效率。且，本申请提取的图像特征除了包括底层特征，还包括多层特征，通过提取多层特征可以提高电路板缺陷检测的准确性。
中本申请又一实施例中，所述S103之前，还可以包括以下步骤：
步骤一，根据所述图像特征确定所述电路板的封装类型。
在本申请实施例中，电路板的封装类型指电路板对应的器件类型(例如封装类型可以是二极管)，可以根据几何特征、形状特征、颜色特征及纹理特征等基础特征确定电路板的封装类型。通过先确定封装类型，再确定缺陷类型，从而可以提高缺陷检测的精度。
在本申请又一实施例，所述方法还可以包括以下步骤：
步骤一，确定所述缺陷类型对应的置信度；
步骤二，若所述置信度大于或等于预设置信度阈值，则结束对所述电路板的检测；
步骤三，若所述置信度小于预设置信度阈值，则利用预设方式继续检测所述电路板。
在本申请实施例中，在根据图像特征自动定电路板对应的缺陷类型后，通过统计学算法计算该缺陷类型对应的置信度，若该置信度大于或等于预设置信度阈值，表示确定出的缺陷类型较为准确，结束对电路板的检测，若该置信度小于预设置信度阈值，表示确定出的缺陷类型的准确度较低，需要进一步检测，因此利用预设方式继续检测该电路板的缺陷类型，预设方式可以是人工目测。通过本方案可以提高确定结果的准确度。
在本申请又一实施例中，所述S102，可以包括以下步骤：
S201，基于所述图像数据中的焊点对所述图像数据进行分割，得到与所述图像数据对应的多个焊点分割图。
在本申请实施例中，可以确定图像数据中的焊点，然后以焊点为分割线对图像数据进行自动分割，得到与图像数据对应的多个焊点分割图。
在本申请实施例的一种实施方式中，可以通过以下步骤确定焊点：
步骤一，对所述图像数据进行灰度化处理，得到所述图像数据对应的灰度图像；根据所述灰度图像中灰度值大于设定阈值的像素点得到所述图像数据中的焊点。
在该实施方式中，可以在一定的光源条件下对图像数据进行灰度化处理，得到与图像数据对应的灰度图像，由于焊点是高反光的，所以焊点对应的灰度值较大，因此可以将灰度图像中灰度值大于设定阈值的像素点确定为图像数据中的焊点。
在本申请实施例的一种实施方式中，可以通过以下步骤确定焊点：
步骤一，对所述图像数据进行二值化处理，得到图像数据对应的二值图像，将所述二值图像中与灰度极大值对应的像素点作为所述图像数据中的焊点。
在该实施方式中，灰度极大值对应的像素点表示高反光点，可以在一定的光源条件下对图像数据进行灰度化处理，得到与图像数据对应的灰度图像，然后对灰度图像进行二值化处理，得到二值图像，将二值图像中与灰度极大值对应的像素点作为图像数据中的焊点。
S202，提取每个所述焊点分割图对应的底层特征和多层特征。
在本申请实施例中，可以对各个焊点分割图进行唯一编号，并对每个编号的焊点分割图进行特征提取，提取的特征包括底层特征和多层特征，其中，多层特征可以通过以下公式计算得到。
其中，面积特征可以通过以下公式(一)计算：
Figure BDA0003066794190000101
其中，A为图像面积，x，y是图像中的坐标点，R是图像的坐标可达到范围全集。
重心特征为图像像素点重心，可以通过以下公式(二)和(三)计算：
Figure BDA0003066794190000111
Figure BDA0003066794190000112
其中，(Cx、Cy)为像素点重心，A为图像面积，x，y是图像中的坐标点，R是图像的坐标可达到范围全集。
圆形度特征通过以下公式(四)计算：
Figure BDA0003066794190000113
其中，R为焊点圆形度，Z为图像周长，A为图像面积。
几何矩特征包括以下至少一项特征：平移特征不变矩、旋转特征不变矩及缩放特征不变矩，通过以下公式(五)、(六)、(七)、(八)计算：
二维图像p+q阶几何矩mpq，其中p+q表示几何矩的阶；
Figure BDA0003066794190000114
对于二值化后图像，f(x，y)在图像区域取值为1，在背景区域取值为0。
图像中心矩μpq：
Figure BDA0003066794190000115
其中，(Cx、Cy)为像素点重心；
归一化中心距ξpq：
Figure BDA0003066794190000121
其中，
Figure BDA0003066794190000122
则，平移特征不变矩：B1＝ξ20+ξ02
旋转特征不变矩B2-B4：
Figure BDA0003066794190000123
B3＝(ξ30-3ξ12)2+(3ξ21-ξ03)2
B4＝(ξ30+ξ12)2+(ξ21+ξ03)2
缩放特征不变矩B5-B7：
Figure BDA0003066794190000124
B6＝(ξ20-ξ02)[(ξ30+ξ12)2-(ξ21+ξ03)2]+4ξ11(ξ30+ξ12)(ξ21+ξ03)
B7＝(3ξ21-ξ03)(ξ30+ξ12)[(ξ30+ξ12)2-3(ξ21+ξ03)2]-(ξ30-3ξ12)(ξ12+ξ03)[3(ξ30+ξ12)2-(ξ21+ξ03)2]
S203，针对每个焊点分割图，基于所述焊点分割图的底层特征和多层特征确定所述焊点分割图的特征集合，得到多个所述焊点分割图对应的特征集合。
在本申请实施例中，针对每个焊点分割图，可以将焊点分割图的底层特征和多层特征的集合确定为焊点分割图的特征集合，得到多个焊点分割图对应的特征集合。
S204，根据所述特征集合确定所述电路板对应的所述图像特征。
在本申请实施例中，得到每个焊点分割图对应的特征值集合后，将该电路板对应的所有焊点分割图对应的特征值集合作为电路板对应的图像特征。
本申请实施例中，通过将图像数据分割为多个焊点分割图；确定每个焊点分割图对应的多个特征值，得到每个焊点分割图对应的特征值集合；将电路板对应的焊点分割图的特征值集合作为电路板对应的所述图像特征，从而提高特征提取的精度。
在本申请又一实施例中，所述S203，可以包括以下步骤：
步骤一，针对所述焊点分割图的每种特征，将所述特征的值与预设权重的乘积作为目标特征值，得到所述焊点分割图的目标特征值集合，其中，所述预设权重是通过合格样本的特征的值和不合格样本的特征的值之间的差异度确定的，其中，所述差异度与所述预设权重成正相关；将所述目标特征值的集合作为所述焊点分割图的特征集合。
在本申请实施例中，合格样本为无缺陷的样本，不合格样本为有缺陷的样本，针对每种特征，确定合格样本的特征的值和不合格样本的特征的值之间的差值，根据差值大小确定权重，差值越大，权重越大。针对焊点分割图的每种特征，将该特征的值与预设权重的乘积作为目标特征值。然后将目标特征值的集合作为焊点分割图的特征集合。
本申请实施例中，通过焊点分割图对应的特征和预设权重确定目标特征值，将目标特征值的集合作为焊点分割图的特征集合，从而提高检测精度。
在本申请又一实施例中，可以通过以下步骤检测模型：
S301，获取样本图像集合，以及所述样本图像集合中每个样本图像对应的目标缺陷类型。
在本申请实施例中，样本图像为有缺陷的不合格样本的图像，目标缺陷类型为预先对样本图像标注的缺陷类型，缺陷类型如：偏移、脱焊、少锡、短路、立碑、虚焊等。所有标注了缺陷类型的样本图像组成样本图像集合。可以将样本图像集合按照一定比例划分为训练集和测试集两个数据集，并且保证每个数据集的样本均衡性，从而提高模型训练的精度。
S302，针对所述样本图像集合中的任一所述样本图像，从所述样本图像中提取电路板对应的样本图像特征，所述样本图像特征包括底层特征和多层特征，得到所述样本图像集合对应的样本图像特征集合。
在本申请实施例中，针对样本图像集合中的任一样本图像，从该样本图像中提取电路板对应的样本图像特征，提取的样本图像特征包括底层特征和多层特征。从而得到样本图像集合对应的样本图像特征集合。
S303，将所述样本图像特征输入至初始模型中，以使初始模型将所述样本图像特征与预设的标准图像特征进行比对，根据所述比对结果输出所述电路板对应的缺陷类型。
在本申请实施例中，利用样本图像特征集合对初始模型进行训练，初始模型中预先存储了合格样本的标准图像特征，针对样本图像特征集合中的任一样本图像特征，将该样本图像特征输入至初始模型中，初始模型将样本图像特征与预设的标准图像特征进行比对，然后，根据比对结果输出电路板对应的缺陷类型。
S304，在所述缺陷类型与所述目标缺陷类型的相似度大于设定阈值时，则确定所述初始模型训练成功，将训练好的所述初始模型作为检测模型。
在本申请实施例中，得到模型输出的缺陷类型后，确定该缺陷类型与预先标记的目标缺陷类型的相似度，在缺陷类型与目标缺陷类型的相似度大于设定阈值时，则确定初始模型训练成功，并将训练好的初始模型作为检测模型。
S305，在所述缺陷类型与所述目标缺陷类型的相似度小于等于设定阈值时，通过调节所述初始模型中的参数重新执行模型的训练步骤，直至所述缺陷类型与所述目标缺陷类型的相似度大于设定阈值。
在本申请实施例中，在模型输出的缺陷类型与目标缺陷类型的相似度小于等于设定阈值时，调节初始模型中的参数，然后重新执行模型的训练步骤，直至模型输出的缺陷类型与目标缺陷类型的相似度大于设定阈值。
本申请实施例中，利用标注了缺陷类型的样本图像训练初始模型从而得到检测模型，进而，可以利用检测模型通过图像特征确定电路板对应的缺陷类型，从而完成自动检测，避免了人工目测导致的疲劳及主观感觉等因素对检测过程的影响，提高了检测效率。
在本申请又一实施例中，所述方法还可以包括以下步骤：
步骤一，对所述图像数据进行降噪处理。
在本申请实施例中，在提取图像特征之前，还可以通过滤波等方式对图像数据进行降噪处理，减少图像干扰，从而使后续提取的图像特征更加准确，进而提高检测的精确度。
本申请实施例中，通过获取电路板对应的图像数据；然后，基于电路板对应的图像数据提取图像特征，进而，通过图像特征确定电路板对应的缺陷类型，从而完成自动检测，避免了人工目测导致的疲劳及主观感觉等因素对检测过程的影响，提高了检测效率。且，本申请提取的图像特征除了包括底层特征，还包括多层特征，通过提取多层特征可以提高电路板缺陷检测的准确性。
基于相同的技术构思，本申请实施例还提供了一种电路板检测装置，如图4所示，该装置包括：
获取模块401，用于获取电路板对应的图像数据；
提取模块402，用于从所述图像数据提取所述电路板对应的图像特征，所述图像特征包括底层特征和多层特征；
确定模块403，用于根据所述图像特征确定所述电路板对应的缺陷类型。
可选地，所述提取模块，用于：
基于所述图像数据中的焊点对所述图像数据进行分割，得到与所述图像数据对应的多个焊点分割图；
提取每个所述焊点分割图对应的底层特征和多层特征；
针对每个焊点分割图，基于所述焊点分割图的底层特征和多层特征确定所述焊点分割图的特征集合，得到多个所述焊点分割图对应的特征集合；
根据所述特征集合确定所述电路板对应的所述图像特征。
可选地，所述提取模块，还用于：
针对所述焊点分割图的每种特征，将所述特征的值与预设权重的乘积作为目标特征值，得到所述焊点分割图的目标特征值集合，其中，所述预设权重是通过合格样本的特征的值和不合格样本的特征的值之间的差异度确定的，其中，所述差异度与所述预设权重成正相关；
将所述目标特征值的集合作为所述焊点分割图的特征集合。
可选地，所述装置，还包括：
处理模块，用于对所述图像数据进行灰度化处理，得到所述图像数据对应的灰度图像；根据所述灰度图像中灰度值大于设定阈值的像素点得到所述图像数据中的焊点。
可选地，所述确定模块，用于：
将所述图像特征输入预设检测模型，得到所述预设检测模型输出的所述电路板对应的缺陷类型。
可选地，所述装置还包括训练模块，所述训练模块用于：
获取样本图像集合，以及所述样本图像集合中每个样本图像对应的目标缺陷类型；
针对所述样本图像集合中的任一所述样本图像，从所述样本图像中提取电路板对应的样本图像特征，所述样本图像特征包括底层特征和多层特征，得到所述样本图像集合对应的样本图像特征集合；
将所述样本图像特征输入至初始模型中，以使初始模型将所述样本图像特征与预设的标准图像特征进行比对，根据所述比对结果输出所述电路板对应的缺陷类型；
在所述缺陷类型与所述目标缺陷类型的相似度大于设定阈值时，则确定所述初始模型训练成功，将训练好的所述初始模型作为检测模型；
在所述缺陷类型与所述目标缺陷类型的相似度小于等于设定阈值时，通过调节所述初始模型中的参数重新执行模型的训练步骤，直至所述缺陷类型与所述目标缺陷类型的相似度大于设定阈值。
可选地，所述装置，还包括：
降噪模块，用于对所述图像数据进行降噪处理。
本申请实施例中，通过获取电路板对应的图像数据；然后，基于电路板对应的图像数据提取图像特征，进而，通过图像特征确定电路板对应的缺陷类型，从而完成自动检测，避免了人工目测导致的疲劳及主观感觉等因素对检测过程的影响，提高了检测效率。且，本申请提取的图像特征除了包括底层特征，还包括多层特征，通过提取多层特征可以提高电路板缺陷检测的准确性。
基于相同的技术构思，本申请实施例还提供了一种电子设备，如图5所示，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信，
存储器503，用于存放计算机程序；
处理器501，用于执行存储器503上所存放的程序时，实现如下步骤：
获取电路板对应的图像数据；
从所述图像数据提取所述电路板对应的图像特征，所述图像特征包括底层特征和多层特征；
根据所述图像特征确定所述电路板对应的缺陷类型。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，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。
在本申请提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一电路板检测方法的步骤。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一电路板检测方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
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。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种电路板检测方法，其特征在于，所述方法包括：
获取电路板对应的图像数据；
从所述图像数据提取所述电路板对应的图像特征，所述图像特征包括底层特征和多层特征；
根据所述图像特征确定所述电路板对应的缺陷类型。
2.根据权利要求1所述的方法，其特征在于，所述从所述图像数据提取所述电路板对应的图像特征，包括：
基于所述图像数据中的焊点对所述图像数据进行分割，得到所述图像数据对应的多个焊点分割图；
提取每个所述焊点分割图对应的底层特征和多层特征；
针对每个焊点分割图，基于所述焊点分割图的底层特征和多层特征确定所述焊点分割图的特征集合，得到多个所述焊点分割图对应的特征集合；
根据所述特征集合确定所述电路板对应的所述图像特征。
3.根据权利要求2所述的方法，其特征在于，所述基于所述焊点分割图的底层特征和多层特征确定所述焊点分割图的特征集合，包括：
针对所述焊点分割图的每种特征，将所述特征的值与预设权重的乘积作为目标特征值，得到所述焊点分割图的目标特征值集合，其中，所述预设权重是通过合格样本的特征的值和不合格样本的特征的值之间的差异度确定的，其中，所述差异度与所述预设权重成正相关；
将所述目标特征值的集合作为所述焊点分割图的特征集合。
4.根据权利要求2所述的方法，其特征在于，所述基于所述图像数据中的焊点对所述图像数据进行分割之前，还包括：
对所述图像数据进行灰度化处理，得到所述图像数据对应的灰度图像；
根据所述灰度图像中灰度值大于设定阈值的像素点得到所述图像数据中的焊点。
5.根据权利要求1所述的方法，其特征在于，所述根据所述图像特征确定所述电路板对应的缺陷类型，包括：
将所述图像特征输入预设检测模型，得到所述预设检测模型输出的所述电路板对应的缺陷类型。
6.根据权利要求5所述的方法，其特征在于，所述检测模型通过以下方式进行训练：
获取样本图像集合，以及所述样本图像集合中每个样本图像对应的目标缺陷类型；
针对所述样本图像集合中的任一所述样本图像，从所述样本图像中提取电路板对应的样本图像特征，所述样本图像特征包括底层特征和多层特征，得到所述样本图像集合对应的样本图像特征集合；
将所述样本图像特征输入至初始模型中，以使初始模型将所述样本图像特征与预设的标准图像特征进行比对，根据所述比对结果输出所述电路板对应的缺陷类型；
在所述缺陷类型与所述目标缺陷类型的相似度大于设定阈值时，则确定所述初始模型训练成功，将训练好的所述初始模型作为检测模型；
在所述缺陷类型与所述目标缺陷类型的相似度小于等于所述设定阈值时，通过调节所述初始模型中的参数重新执行模型的训练步骤，直至所述缺陷类型与所述目标缺陷类型的相似度大于设定阈值。
7.根据权利要求1所述的方法，其特征在于，所述从所述图像数据提取所述电路板对应的图像特征之前，还包括：
对所述图像数据进行降噪处理。
8.一种电路板检测装置，其特征在于，所述装置包括：
获取模块，用于获取电路板对应的图像数据；
提取模块，用于从所述图像数据提取所述电路板对应的图像特征，所述图像特征包括底层特征和多层特征；
确定模块，用于根据所述图像特征确定所述电路板对应的缺陷类型。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。
CN202110529090.3A 2021-05-14 2021-05-14 一种电路板检测方法、装置、电子设备及存储介质 Pending CN113379678A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110529090.3A CN113379678A (zh) 2021-05-14 2021-05-14 一种电路板检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110529090.3A CN113379678A (zh) 2021-05-14 2021-05-14 一种电路板检测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN113379678A true CN113379678A (zh) 2021-09-10

Family

ID=77570984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110529090.3A Pending CN113379678A (zh) 2021-05-14 2021-05-14 一种电路板检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113379678A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115880288A (zh) * 2023-02-21 2023-03-31 深圳市兆兴博拓科技股份有限公司 电子元件焊接的检测方法、系统及计算机设备
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
CN118196359A (zh) * 2024-05-15 2024-06-14 广州诺顶智能科技有限公司 Pcb多层板电路区域检测方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001343337A (ja) * 2000-06-05 2001-12-14 Nano System Kk 基板欠陥検出装置
JP2004164855A (ja) * 2002-09-18 2004-06-10 Kura Gijutsu Kenkyusho:Kk 電界発光素子及び電界発光素子を用いた検電器及び通電表示電力線及び回路基板欠陥検査装置
CN109859181A (zh) * 2019-01-29 2019-06-07 桂林电子科技大学 一种pcb焊点缺陷检测方法
CN109886950A (zh) * 2019-02-22 2019-06-14 北京百度网讯科技有限公司 电路板的缺陷检测方法和装置
CN110243937A (zh) * 2019-06-17 2019-09-17 江南大学 一种基于高频超声的倒装焊焊点缺失缺陷智能检测方法
CN110751225A (zh) * 2019-10-28 2020-02-04 普联技术有限公司 图像分类方法、装置及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001343337A (ja) * 2000-06-05 2001-12-14 Nano System Kk 基板欠陥検出装置
JP2004164855A (ja) * 2002-09-18 2004-06-10 Kura Gijutsu Kenkyusho:Kk 電界発光素子及び電界発光素子を用いた検電器及び通電表示電力線及び回路基板欠陥検査装置
CN109859181A (zh) * 2019-01-29 2019-06-07 桂林电子科技大学 一种pcb焊点缺陷检测方法
CN109886950A (zh) * 2019-02-22 2019-06-14 北京百度网讯科技有限公司 电路板的缺陷检测方法和装置
CN110243937A (zh) * 2019-06-17 2019-09-17 江南大学 一种基于高频超声的倒装焊焊点缺失缺陷智能检测方法
CN110751225A (zh) * 2019-10-28 2020-02-04 普联技术有限公司 图像分类方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
美国金属学会主编；王庆绥等译: "《金属手册 第11卷 无损检测与质量控制 第8版》", 31 January 1988, 机械工业出版社, pages: 583 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115880288A (zh) * 2023-02-21 2023-03-31 深圳市兆兴博拓科技股份有限公司 电子元件焊接的检测方法、系统及计算机设备
CN115880288B (zh) * 2023-02-21 2023-11-14 深圳市兆兴博拓科技股份有限公司 电子元件焊接的检测方法、系统及计算机设备
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
CN118196359A (zh) * 2024-05-15 2024-06-14 广州诺顶智能科技有限公司 Pcb多层板电路区域检测方法、装置、设备及存储介质
CN118196359B (zh) * 2024-05-15 2024-08-02 广州诺顶智能科技有限公司 Pcb多层板电路区域检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN113379678A (zh) 一种电路板检测方法、装置、电子设备及存储介质
CN113570605B (zh) 一种基于液晶显示面板的缺陷检测方法和系统
US11132786B2 (en) Board defect filtering method based on defect list and circuit layout image and device thereof and computer-readable recording medium
CN110880175B (zh) 一种焊点缺陷检测方法、系统以及设备
TWI765442B (zh) 瑕疵等級判定的方法及存儲介質
CN113160161A (zh) 目标边缘处缺陷的检测方法和装置
CN112669272B (zh) 一种aoi快速检测方法及快速检测系统
CN117152165B (zh) 感光芯片缺陷的检测方法、装置、存储介质及电子设备
CN112102254A (zh) 基于机器视觉的木材表面缺陷检测方法与系统
CN116309518A (zh) 一种基于计算机视觉的pcb电路板检测方法及系统
CN114998217A (zh) 确定玻璃基板缺陷等级的方法、计算机设备及存储介质
CN115631178A (zh) 自动晶圆缺陷检测方法、系统、设备及存储介质
CN110426395B (zh) 一种太阳能el电池硅片表面检测方法及装置
CN116468680A (zh) 一种元器件反极缺陷检测方法、系统、设备及存储介质
CN112419274A (zh) 一种锡膏检测方法、系统、电子设备及介质
CN112308816B (zh) 影像辨识装置、影像辨识方法及其存储介质
CN117589770A (zh) Pcb贴片板检测方法、装置、设备及介质
TWI748184B (zh) 瑕疵檢測方法、電子裝置及電腦可讀存儲介質
CN116993654B (zh) 摄像头模组缺陷检测方法、装置、设备、存储介质及产品
CN111816579A (zh) 用于检测被助焊剂残留物污染的芯片的方法和装置
CN113870754B (zh) 一种面板检测电子信号缺陷判定的方法和系统
CN115631190A (zh) 玻璃基板缺陷识别示警方法、系统、电子设备和存储介质
Nevliudov et al. Automated System Development for the Printed Circuit Boards Optical Inspection Using Machine Learning Methods
CN113218970A (zh) 一种基于x射线的bga封装质量自动检测方法
CN110874837A (zh) 一种基于局部特征分布的缺陷自动检测方法

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