CN113379721A - 一种基于云平台的电子元器件质量检测装置 - Google Patents
一种基于云平台的电子元器件质量检测装置 Download PDFInfo
- Publication number
- CN113379721A CN113379721A CN202110724112.1A CN202110724112A CN113379721A CN 113379721 A CN113379721 A CN 113379721A CN 202110724112 A CN202110724112 A CN 202110724112A CN 113379721 A CN113379721 A CN 113379721A
- Authority
- CN
- China
- Prior art keywords
- image
- appearance image
- electronic component
- appearance
- cloud platform
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 62
- 230000009467 reduction Effects 0.000 claims description 60
- 238000004891 communication Methods 0.000 claims description 23
- 238000003709 image segmentation Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 abstract description 3
- 238000005520 cutting process Methods 0.000 description 13
- 238000000034 method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G06T5/70—
-
- 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
- G06T7/90—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
- G06T2207/10024—Color 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
Abstract
本发明提供了一种基于云平台的电子元器件质量检测装置,包括摄像头、支撑架、传送带和基于云平台的图像处理设备;支撑架包括支撑底座、支撑竖杆和支撑横杆;支撑竖杆的数量为两根,两根支撑竖杆的下端分别设置在支撑底座的上表面,上端分别与支撑横杆连接;摄像头设置在支撑横杆的中央;传送带设置在两根支撑竖杆的内侧;传送带用于带动电子元器件到达摄像头的下方;摄像头用于获取电子元器件的外观图像;基于云平台的图像处理设备用于根据外观图像判断电子元器件的质量是否预设的要求。本发明能够很好地减少折旧费用的支出,以及能够根据生产线的产能变化来方便地对购买的云服务器的性能进行调节,从而进一步节省生产成本。
Description
技术领域
本发明涉及检测领域,尤其涉及一种基于云平台的电子元器件质量检测装置。
背景技术
传统的电子元器件质量检测一般是通过人工的方式来进行,但是,这种处理方式并不能满足大规模生产的需求,因为人工检测的方式效率比较低,而且成本比较高。因此,诞生了通过图像进行质量检测的方式,但是这种检测方式一般是通过设置在本地的图像处理装置来进行对图像进行运算,判断电子元器件是否满足质量要求,但是,这种方式需要购买大量的设备来搭建本地图像处理装置,设备的折旧费用非常高。
发明内容
鉴于上述问题,本发明的目的在于提供一种基于云平台的电子元器件质量检测装置,包括摄像头、支撑架、传送带和基于云平台的图像处理设备;
所述支撑架包括支撑底座、支撑竖杆和支撑横杆;
所述支撑竖杆的数量为两根,两根支撑竖杆的下端分别设置在所述支撑底座的上表面,上端分别与支撑横杆连接;
所述摄像头设置在所述支撑横杆的中央;
所述传送带设置在两根支撑竖杆的内侧;所述传送带用于带动电子元器件到达所述摄像头的下方;
所述摄像头用于获取电子元器件的外观图像;
所述基于云平台的图像处理设备用于根据所述外观图像判断所述电子元器件的质量是否预设的要求。
作为优选,所述基于云平台的图像处理设备包括数据连接线、无线通信装置和云服务器;
所述数据连接线用于连接所述摄像头和所述无线通信装置;
所述摄像头用于通过所述数据连接线将所述外观图像传输至所述无线通信装置;
所述无线通信装置用于判断所述外观图像是否符合预设的判断条件,若是,则将所述外观图像传输至所述云服务器,若否,则将所述外观图像对应的电子元器件标记为待复检元器件;
所述云服务器用于通过所述无线通信装置传输过来的外观图像判断所述电子元器件是否满足设定的质量要求,获得判断结果。
作为优选,所述判断所述外观图像是否符合预设的判断条件,包括:
计算所述外观图像的判断系数:
式中,pdx表示所述外观图像的判断系数,U表示所述外观图像中的前景像素点的集合,fi表示U中的像素点i的像素值,nU表示U中包含的元素的总数,ntl表示所述外观图像中包含的像素点的总数,zf表示预设的像素值的方差的标准值,hi表示U中的像素点i的水平梯度值,zh表示预设的水平梯度值的方差的标准值;α、β、δ表示设定的比例系数,α+β+δ=1;
若pdx大于设定的判断系数阈值,则表示所述外观图像符合预设的判断条件,若pdx小于等于设定的判断系数阈值,则表示所述外观图像不符合预设的判断条件。
作为优选,所述通过所述无线通信装置传输过来的外观图像判断所述电子元器件是否满足设定的质量要求,获得判断结果,包括:
对所述外观图像进行降维处理,获得降维图像;
对所述降维图像进行降噪处理,获得降噪图像;
使用预设的图像分割算法对所述降噪图像进行图像分割处理,获取所述降噪图像中的感兴趣区域;
使用预设的特征提取算法获取所述感兴趣区域的图像特征;
将所述图像特征输入到预先训练完成的神经网络模型中进行识别,判断所述电子元器件是否满足设定的质量要求,获得判断结果。
作为优选,所述对所述外观图像进行降维处理,获得降维图像,包括:
使用下述公式对外观图像进行降维处理,获得降维图像:
lwd(x)=w1×img1(x)+w2×img2(x)+w3×img3(x)
式中,lwd(x)表示外观图像中的像素点x在降维图像中的像素值,w1、w2、w3表示设定的权重系数,img1(x)表示外观图像中的像素点x在外观图像在RGB颜色模型中对应的红色分量图像中的像素值,img2(x)表示外观图像中的像素点x在外观图像在RGB颜色模型中对应的绿色分量图像中的像素值,img3(x)表示外观图像中的像素点x在外观图像在RGB颜色模型中对应的蓝色分量图像中的像素值。
本发明通过将电子元器件的外观图像传输至基于云平台的图像处理设备进行图像识别处理,从而判断电子元器件是否满足设定的质量要求,这种设置方式,能够避免在本地设置过多的设备来搭建本地图像处理装置,从而能够很好地减少折旧费用的支出。同时,能够根据生产线的产能变化来方便地对购买的云服务器的性能进行调节,从而进一步节省生产成本。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1,为本发明一种基于云平台的电子元器件质量检测装置的一种示例性实施例图。
图2,为本发明的基于云平台的图像处理设备一种示例性实施例图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
如图1所示的一种实施例,本发明提供了一种基于云平台的电子元器件质量检测装置,包括摄像头1、支撑架2、传送带3和基于云平台的图像处理设备(图中未画出);
所述支撑架2包括支撑底座4、支撑横杆5和支撑横杆6;
所述支撑横杆5的数量为两根,两根支撑横杆5的下端分别设置在所述支撑底座4的上表面,上端分别与支撑横杆6连接;
所述摄像头1设置在所述支撑横杆6的中央;
所述传送带3设置在两根支撑横杆5的内侧;所述传送带3用于带动电子元器件到达所述摄像头1的下方;
所述摄像头1用于获取电子元器件的外观图像;
所述基于云平台的图像处理设备用于根据所述外观图像判断所述电子元器件的质量是否预设的要求。
具体的,在支撑横杆6上设置有固定装置,通过固定装置将所述摄像头1固定在支撑横杆6上。
传送带3的设置能够实现快速地对电子元器件获取外观图像,生产人员可以根据摄像机的快门速度对传送带3的移动速度进行调节。
另外,还可以根据现场的光线条件判断是否在支撑横杆5上安装闪光灯等能够提供光照的设备,方便在光线不足时也能获得清晰的外观图像。
作为优选,如图2所示,所述基于云平台的图像处理设备包括数据连接线7、无线通信装置8和云服务器9;
所述数据连接线7用于连接所述摄像头1和所述无线通信装置8;
所述摄像头1用于通过所述数据连接线7将所述外观图像传输至所述无线通信装置8;
所述无线通信装置8用于判断所述外观图像是否符合预设的判断条件,若是,则将所述外观图像传输至所述云服务器9,若否,则将所述外观图像对应的电子元器件标记为待复检元器件;
所述云服务器9用于通过所述无线通信装置8传输过来的外观图像判断所述电子元器件是否满足设定的质量要求,获得判断结果。
具体的,所述无线通信装置8可以是树莓派等带有无线通信功能的微型计算机,也可以是普通的笔记本电脑。
待复检元器件会被重新放入所述传送带3中进行表面图像的拍摄,因为如果要等无线通信装置8的判断结果出来后再移动传送带3的话,显然这是一种效率非常低的方式。
无线通信装置8通过WiFi网络或者是5G通信网络将所述外观图像传输至所述云服务器9。
作为优选,所述判断所述外观图像是否符合预设的判断条件,包括:
计算所述外观图像的判断系数:
式中,pdx表示所述外观图像的判断系数,U表示所述外观图像中的前景像素点的集合,fi表示U中的像素点i的像素值,nU表示U中包含的元素的总数,ntl表示所述外观图像中包含的像素点的总数,zf表示预设的像素值的方差的标准值,hi表示U中的像素点i的水平梯度值,zh表示预设的水平梯度值的方差的标准值;α、β、δ表示设定的比例系数,α+β+δ=1;
若pdx大于设定的判断系数阈值,则表示所述外观图像符合预设的判断条件,若pdx小于等于设定的判断系数阈值,则表示所述外观图像不符合预设的判断条件。
本发明上述实施方式,在计算判断系数时,不仅考虑了前景像素点的像素值、水平梯度等参数,同时也考虑了前景像素点的比例情况。若判断系数偏小,则表示外观图像中前景像素点的比例较少或者是外观图像中的细节信息携带不足。因此,通过本发明的上述实施例,能够保证发送至云服务器9的外观图像为高质量的外观图像,从而能够避免云服务器9做无用的运算,影响计算结果的准确度以及影响对电子元器件的质量检测的效率。
作为优选,所述通过所述无线通信装置8传输过来的外观图像判断所述电子元器件是否满足设定的质量要求,获得判断结果,包括:
对所述外观图像进行降维处理,获得降维图像;
对所述降维图像进行降噪处理,获得降噪图像;
使用预设的图像分割算法对所述降噪图像进行图像分割处理,获取所述降噪图像中的感兴趣区域;
使用预设的特征提取算法获取所述感兴趣区域的图像特征;
将所述图像特征输入到预先训练完成的神经网络模型中进行识别,判断所述电子元器件是否满足设定的质量要求,获得判断结果。
具体的,对外观图像进行降维处理,能够降低后续的计算量,从而加快判断的速度。图像分割算法可以是otsu算法、分水岭算法等。特征提取算法可以是HOG算法、harri算法等。
具体的,判断所述电子元器件是否满足设定的质量要求可以是,通过图像特征判感兴趣区域中是否存在预设类型的缺陷,例如大于预设的长度阈值的裂纹、大于预设的面积阈值的凹坑等,如果不存在预设类型的缺陷,则判断结果为该电子元器件满足设定的质量要求。
作为优选,所述对所述外观图像进行降维处理,获得降维图像,包括:
使用下述公式对外观图像进行降维处理,获得降维图像:
lwd(x)=w1×img1(x)+w2×img2(x)+w3×img3(x)
式中,lwd(x)表示外观图像中的像素点x在降维图像中的像素值,w1、w2、w3表示设定的权重系数,img1(x)表示外观图像中的像素点x在外观图像在RGB颜色模型中对应的红色分量图像中的像素值,img2(x)表示外观图像中的像素点x在外观图像在RGB颜色模型中对应的绿色分量图像中的像素值,img3(x)表示外观图像中的像素点x在外观图像在RGB颜色模型中对应的蓝色分量图像中的像素值。
通过对外观图像进行降维处理,能够地将彩色的外观图像从RGB颜色模型的三种信息量降低到一种信息量。
作为优选,所述对所述降维图像进行降噪处理,获得降噪图像,包括:
使用自适应的切割算法对所述降维图像进行切割处理,将所述降维图像分成多个子图像;
计算所述子图像的区别系数,根据所述区别系数为所述子图像选择相应的降噪处理算法进行降噪处理,获得降噪处理后的子图像;
将所有降噪处理后的子图像组成降噪图像。
现有的降噪算法一般是采用全局降噪的方式进行降噪处理,即对所有的像素点都采用同一种降噪处理函数,显然这种处理方式是不合理的,若局部区域的像素点之间的差异过大,容易导致降噪结果不够准确。因此,本发明通过将降维图像分成多个子图像的方式来进行降噪处理,能够在兼顾降噪效率的同时,提高降噪处理的针对性。
具体的,使用自适应的切割算法对所述降维图像进行切割处理,将所述降维图像分成多个子图像,包括:
采用多轮切割的方式对将所述降维图像分成多个子图像:
将第m轮切割获得的需要再次进行切割处理的子图像存入集合uSm中,
第m+1轮切割的方式如下:
对于uSm中的第k个元素usm,k,将其分成面积相同的Q个子图像,将Q个子图像存入集合dSk中,k∈[1,Q];
对于dSk中的第q个元素dsk,q,
判断dsk,q中包含的像素值的数量是否小于预设的数量阈值,若否,则将dsk,q存入集合uSm+1中,uSm+1表示第m+1轮切割获得的需要再次进行切割处理的子图像的集合,若是,则对dsk,q进行再次判断:
所述再次判断包括:
计算dsk,q中的像素点的梯度幅值的标准差bc(dsk,q),判断bc(dsk,q)是否大于设定的标准差阈值,若是,则将dsk,q存入集合uSm+1中,若否,将dsk,q存入集合finU中,finU表示不需要再次进行切割的子图像的集合;
若m+1的值大于设定的切割轮数总数或集合uSm+1为空集,则结束对所述降维图像的切割处理;
若m+1的值大于设定的切割轮数总数时,uSm+1不为空集,则将uSm+1中的元素存入集合finU中。
本发明上述实施方式,并不是简单地直接将降维图像分成多个面积相等的子图像,而是采用多轮切割的方式将降维图像分成多个子图像,这种分割方式有利于使得最终获得的子图像的像素点的差异程度较为一致,从而有利于后续的根据区别系数来选择降噪算法的实现。而现有的获取子图像的方式一般是直接将图像分成多个面积相同的子图像,这种划分方式最后获得的子图像中像素点的差异程度相差较大,从而无法实现本发明的后续计算。而且在计算的过程中,如果若发现像素点数量较多的子图像,则将其存入需要再次进行切割处理的子图像的集合中,而当子图像的像素点的数量较少时,则进入“再次判断”的计算过程之中,通过对该子图像中的像素点的梯度幅值的标准差进行判断,若标准差较大,则表示子图像中的像素点的差异较大,因此需要再次进行切割,以保证最后获得的子图像的差异程度较为一致。
具体的,计算所述子图像的区别系数,包括:
通过下述方式计算区别系数:
dxq=c1×gd+c2×bld
式中,dxq表示区别系数,gd表示所述子图像在Lab颜色模型中的L分量图像的像素值的方差,bld表示所述子图像中包含的边缘像素点的总数,c1、c2表示预设的权重参数。
具体的,根据所述区别系数为所述子图像选择相应的降噪处理算法进行降噪处理,获得降噪处理后的子图像,包括:
若dxq<dxqthr,则选择第一降噪处理算法对所述子图像进行降噪处理,dxqthr表示预设的区别系数阈值;
若dxq≥dxqthr,则选择第二降噪处理算法对所述子图像进行降噪处理;
第一降噪处理算法包括:
对于子图像simg中的像素点si,采用下述方式对si进行降噪处理,获得降噪处理结果:
式中,bu(si)表示像素点si降噪处理后的像素值,u(v)表示usi中的像素点v的像素值,nusi表示usi中包含的元素的总数,usi表示以si为中心的,H×H大小的窗口中的所有像素点的集合;
第二降噪处理算法包括:
对于子图像simg中的像素点si,采用下述方式对si进行降噪处理,获得降噪处理结果:
式中,bu(si)表示像素点si降噪处理后的像素值,u(si)和u(v)分别表示simg的像素点si和v的像素值,sg表示使用二维Gaussian函数对simg时采用的方差参数,usi表示以si为中心的,H×H大小的窗口中的所有像素点的集合,v表示usi中包含的像素点,[a(si),b(si)]表示si的坐标,[a(v),b(v)]表示v的坐标,wds(si)表示以si为中心的,H×H大小的窗口中所有像素点的像素值的平均值,wds(v)表示以v为中心的,H×H大小的窗口中所有像素点的像素值的平均值,nusi表示usi中包含的元素的总数。
在上述实施例中,通过区别系数与dxqthr之间的关系为不同的子图像选择不同的降噪处理函数,从而使得对子图像进行降噪的过程中,采用的降噪处理函数更具有针对性,当区别系数小于dxqthr时,表示子图像中的像素点之间的差异比较小,因此可以采用均值降噪的方式进行快速降噪处理,而当区别系数大于等于dxqthr时,表示子图像中的像素点之间的差异比较大,因此采用第二降噪处理算法来对子图像进行降噪处理,在降噪处理时,不仅考虑了si和以si为中心的H×H大小的窗口中的像素点在像素值和坐标上的差异,而且还考虑了以si为中心的H×H大小的窗口像素点的平均值和以v为中心的H×H大小的窗口像素点的平均值之间的关系,能够更为全面地反应u对si的影响程度,通过不同的影响程度的u的像素值进行求和,得到si的降噪结果,能够在保留更多的边缘信息的同时,实现对子图像的有效降噪处理。
本发明通过将电子元器件的外观图像传输至基于云平台的图像处理设备进行图像识别处理,从而判断电子元器件是否满足设定的质量要求,这种设置方式,能够避免在本地设置过多的设备来搭建本地图像处理装置,从而能够很好地减少折旧费用的支出。同时,能够根据生产线的产能变化来方便地对购买的云服务器9的性能进行调节,从而进一步节省生产成本。
尽管已经示出和描述了本发明的实施例,本领域技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形,本发明的范围由权利要求及其等同物限定。
Claims (5)
1.一种基于云平台的电子元器件质量检测装置,其特征在于,包括摄像头、支撑架、传送带和基于云平台的图像处理设备;
所述支撑架包括支撑底座、支撑竖杆和支撑横杆;
所述支撑竖杆的数量为两根,两根支撑竖杆的下端分别设置在所述支撑底座的上表面,上端分别与支撑横杆连接;
所述摄像头设置在所述支撑横杆的中央;
所述传送带设置在两根支撑竖杆的内侧;所述传送带用于带动电子元器件到达所述摄像头的下方;
所述摄像头用于获取电子元器件的外观图像;
所述基于云平台的图像处理设备用于根据所述外观图像判断所述电子元器件的质量是否预设的要求。
2.根据权利要求1所述的一种基于云平台的电子元器件质量检测装置,其特征在于,所述基于云平台的图像处理设备包括数据连接线、无线通信装置和云服务器;
所述数据连接线用于连接所述摄像头和所述无线通信装置;
所述摄像头用于通过所述数据连接线将所述外观图像传输至所述无线通信装置;
所述无线通信装置用于判断所述外观图像是否符合预设的判断条件,若是,则将所述外观图像传输至所述云服务器,若否,则将所述外观图像对应的电子元器件标记为待复检元器件;
所述云服务器用于通过所述无线通信装置传输过来的外观图像判断所述电子元器件是否满足设定的质量要求,获得判断结果。
3.根据权利要求2所述的一种基于云平台的电子元器件质量检测装置,其特征在于,所述判断所述外观图像是否符合预设的判断条件,包括:
计算所述外观图像的判断系数:
式中,pdx表示所述外观图像的判断系数,U表示所述外观图像中的前景像素点的集合,fi表示U中的像素点i的像素值,nU表示U中包含的元素的总数,ntl表示所述外观图像中包含的像素点的总数,zf表示预设的像素值的方差的标准值,hi表示U中的像素点i的水平梯度值,zh表示预设的水平梯度值的方差的标准值;α、β、δ表示设定的比例系数,α+β+δ=1;
若pdx大于设定的判断系数阈值,则表示所述外观图像符合预设的判断条件,若pdx小于等于设定的判断系数阈值,则表示所述外观图像不符合预设的判断条件。
4.根据权利要求2所述的一种基于云平台的电子元器件质量检测装置,其特征在于,所述通过所述无线通信装置传输过来的外观图像判断所述电子元器件是否满足设定的质量要求,获得判断结果,包括:
对所述外观图像进行降维处理,获得降维图像;
对所述降维图像进行降噪处理,获得降噪图像;
使用预设的图像分割算法对所述降噪图像进行图像分割处理,获取所述降噪图像中的感兴趣区域;
使用预设的特征提取算法获取所述感兴趣区域的图像特征;
将所述图像特征输入到预先训练完成的神经网络模型中进行识别,判断所述电子元器件是否满足设定的质量要求,获得判断结果。
5.根据权利要求4所述的一种基于云平台的电子元器件质量检测装置,其特征在于,所述对所述外观图像进行降维处理,获得降维图像,包括:
使用下述公式对外观图像进行降维处理,获得降维图像:
lwd(x)=w1×img1(x)+w2×img2(x)+w3×img3(x)
式中,lwd(x)表示外观图像中的像素点x在降维图像中的像素值,w1、w2、w3表示设定的权重系数,img1(x)表示外观图像中的像素点x在外观图像在RGB颜色模型中对应的红色分量图像中的像素值,img2(x)表示外观图像中的像素点x在外观图像在RGB颜色模型中对应的绿色分量图像中的像素值,img3(x)表示外观图像中的像素点x在外观图像在RGB颜色模型中对应的蓝色分量图像中的像素值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110724112.1A CN113379721B (zh) | 2021-06-29 | 2021-06-29 | 一种基于云平台的电子元器件质量检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110724112.1A CN113379721B (zh) | 2021-06-29 | 2021-06-29 | 一种基于云平台的电子元器件质量检测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379721A true CN113379721A (zh) | 2021-09-10 |
CN113379721B CN113379721B (zh) | 2022-05-06 |
Family
ID=77579654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110724112.1A Active CN113379721B (zh) | 2021-06-29 | 2021-06-29 | 一种基于云平台的电子元器件质量检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379721B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114444940A (zh) * | 2022-01-27 | 2022-05-06 | 黑龙江邮政易通信息网络有限责任公司 | 一种基于大数据的企业数据采集分析系统 |
CN115239692A (zh) * | 2022-08-12 | 2022-10-25 | 广东科学技术职业学院 | 一种基于图像识别技术的电子元器件检测方法及系统 |
CN115511833A (zh) * | 2022-09-28 | 2022-12-23 | 广东百能家居有限公司 | 一种玻璃表面划痕检测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013217884A1 (de) * | 2013-05-27 | 2014-11-27 | Shenyang Neusoft Medical Systems Co., Ltd. | Verfahren zum Teilen medizinischer Bilddaten basierend auf einer Cloudplattform, Cloudplattform und System |
CN109946308A (zh) * | 2019-04-22 | 2019-06-28 | 深圳市阿赛姆电子有限公司 | 一种电子元器件外观检测装置 |
CN111028214A (zh) * | 2019-12-05 | 2020-04-17 | 北京美医医学技术研究院有限公司 | 一种基于云平台的皮肤检测装置 |
CN112083017A (zh) * | 2020-09-10 | 2020-12-15 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
-
2021
- 2021-06-29 CN CN202110724112.1A patent/CN113379721B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013217884A1 (de) * | 2013-05-27 | 2014-11-27 | Shenyang Neusoft Medical Systems Co., Ltd. | Verfahren zum Teilen medizinischer Bilddaten basierend auf einer Cloudplattform, Cloudplattform und System |
CN109946308A (zh) * | 2019-04-22 | 2019-06-28 | 深圳市阿赛姆电子有限公司 | 一种电子元器件外观检测装置 |
CN111028214A (zh) * | 2019-12-05 | 2020-04-17 | 北京美医医学技术研究院有限公司 | 一种基于云平台的皮肤检测装置 |
CN112083017A (zh) * | 2020-09-10 | 2020-12-15 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114444940A (zh) * | 2022-01-27 | 2022-05-06 | 黑龙江邮政易通信息网络有限责任公司 | 一种基于大数据的企业数据采集分析系统 |
CN114444940B (zh) * | 2022-01-27 | 2023-12-26 | 黑龙江邮政易通信息网络有限责任公司 | 一种基于大数据的企业数据采集分析系统 |
CN115239692A (zh) * | 2022-08-12 | 2022-10-25 | 广东科学技术职业学院 | 一种基于图像识别技术的电子元器件检测方法及系统 |
CN115511833A (zh) * | 2022-09-28 | 2022-12-23 | 广东百能家居有限公司 | 一种玻璃表面划痕检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113379721B (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113379721B (zh) | 一种基于云平台的电子元器件质量检测装置 | |
CN108596849B (zh) | 一种基于天空区域分割的单幅图像去雾方法 | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN109829876B (zh) | 基于机器视觉的链板缺陷在线检测装置及方法 | |
CN104408460B (zh) | 一种车道线检测及跟踪检测方法 | |
WO2015010451A1 (zh) | 一种从单幅图像检测道路的方法 | |
CN102202163B (zh) | 一种监控视频的自适应增强方法及其装置 | |
US20150339811A1 (en) | Systems and methods for haziness detection | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN111860439A (zh) | 一种无人机巡检图像缺陷检测方法、系统及设备 | |
CN108052904B (zh) | 车道线的获取方法及装置 | |
CN110570435B (zh) | 用于对车辆损伤图像进行损伤分割的方法及装置 | |
CN105139391B (zh) | 一种雾霾天气交通图像边缘检测方法 | |
CN110060221B (zh) | 一种基于无人机航拍图像的桥梁车辆检测方法 | |
CN108805826B (zh) | 改善去雾效果的方法 | |
CN111275727A (zh) | 细胞分割方法、装置及计算机可读存储介质 | |
WO2017120796A1 (zh) | 路面病害的检测方法及其装置、电子设备 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN110648330A (zh) | 摄像头玻璃的缺陷检测方法 | |
CN115953398A (zh) | 一种用于带钢表面的缺陷识别方法 | |
CN116524196A (zh) | 一种基于图像识别技术的输电线智能检测系统 | |
CN117094914A (zh) | 基于计算机视觉的智慧城市道路监控系统 | |
CN108765316B (zh) | 雾气浓度自适应判断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |