CN113421242B - 基于深度学习的焊点外观质量检测方法、装置及终端 - Google Patents
基于深度学习的焊点外观质量检测方法、装置及终端 Download PDFInfo
- Publication number
- CN113421242B CN113421242B CN202110700572.0A CN202110700572A CN113421242B CN 113421242 B CN113421242 B CN 113421242B CN 202110700572 A CN202110700572 A CN 202110700572A CN 113421242 B CN113421242 B CN 113421242B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- image
- layer
- circuit board
- point cloud
- 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.)
- Active
Links
- 238000003466 welding Methods 0.000 title claims abstract description 188
- 238000001514 detection method Methods 0.000 title claims abstract description 69
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 16
- 229910000679 solder Inorganic materials 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000280 densification Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000004377 microelectronic 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
- 238000011179 visual inspection Methods 0.000 description 1
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种深度学习的焊点外观质量检测方法、装置及终端,该方法包括:获取目标焊点的三维点云图;将目标焊点的三维点云图进行处理,得到目标焊点所对应的多张连续的二维图像;将目标焊点所对应的多张连续的二维图像输入预设置的基于三维卷积神经网络的检测模型中;通过检测模型对目标焊点所对应的多张连续的二维图像进行检测,检测结果为目标焊点合格或不合格。本发明能够精准、快速的判断焊点是否合格。
Description
技术领域
本发明属于图像识别技术领域,尤其涉及一种基于深度学习的焊点外观质量检测方法、装置及终端。
背景技术
随着工业生产技术水平的提高和电子产业的快速发展,电路板上的电子元件变得越来越精细。在一块电路板上,任何一个电子元件焊点的缺陷都有可能会导致整个电子设备出现异常。
因此,电子元件焊点的可靠性对整个电子产品而言非常重要。焊接结束后为保证焊接质量,要进行质量检查,由于焊接检查与其它生产工序不同,没有一种机械化、自动化的检查测量方法,因此主要是通过目视检查发现问题。随着微电子技术的不断发展,电子元件微小化、细密化的发展趋势,给焊点的质量检测提出了更高要求,传统的人工检查方法已经难以满足实际生产的需求。
如何提高焊点质量的检测速率和检测准确性,是急需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于深度学习的焊点外观质量检测方法、装置及终端,能够提高电路板焊点外观质量的检测速率和准确性。
本发明实施例的第一方面提供了一种基于深度学习的焊点外观质量检测方法,包括:
获取目标焊点的三维点云图;
将所述目标焊点的三维点云图进行处理,得到所述目标焊点所对应的多张连续的二维图像;
将所述目标焊点所对应的多张连续的二维图像输入预设置的基于三维卷积神经网络的检测模型中;
通过所述检测模型对所述目标焊点所对应的多张连续的二维图像进行检测,检测结果为所述目标焊点合格或不合格。
在一种可能的实现方式中,所述获取包含目标焊点的三维点云图包括:
将激光器按照预设角度投射到电路板上,其中,所述电路板包含所述目标焊点;
保持所述激光器不动,匀速移动所述电路板,得到所述电路板的激光扫描图像;
通过由双棱镜和摄像机组成的摄像系统获取所述电路板的立体图像;
根据所述电路板的激光扫描图像和立体图像,获取所述电路板的三维点云图,所述电路板的三维点云图中包含所述目标焊点的三维点云图。
在一种可能的实现方式中,所述获取所述电路板的立体图像包括:
对所述摄像系统中的摄像机进行标定,获取所述摄像机的内部参数和外部参数,得到所述电路板的左图像和右图像;
对所述左图像和右图像进行立体校正;
所述根据所述电路板的激光扫描图像和立体图像,获取所述电路板的三维点云图包括:
将校正后的左图像和右图像与所述电路板的激光扫描图像进行匹配,得到对应的匹配点对;
采用区域立体匹配SSD算法得到视差图,计算得到三维数据,生成所述电路板的三维点云图。
在一种可能的实现方式中,该方法还包括:
建立训练集,所述训练集中包含多个图组,每个图组包含一个焊点所对应的多张连续的二维图像,根据训练集中每个焊点的三维点云图中的三维数据,将符合预设条件的焊点设置为合格焊点,将不符合预设条件的焊点设置为不合格焊点;
构建三维卷积神经网络模型,对所述训练集进行深度学习;
得到所述检测模型。
在一种可能的实现方式中,所述根据训练集中每个焊点的三维点云图中的三维数据,将符合预设条件的焊点设置为合格焊点,将不符合预设条件的焊点设置为不合格焊点包括:
若所述焊点的焊料连接面形状为预设形状,所述焊料的焊接带宽度与所述焊点对应的电子元件的宽度的比例大于等于第一预设值,所述焊料的焊接带高度与所述焊点对应的电子元件的高度的比例大于等于第二预设值,则判断所述焊点为合格焊点,否则为不合格焊点。
在一种可能的实现方式中,所述检测模型包括五层网络,第一层网络包括硬线层,第二层网络包括三维卷积层和最大池化层,第三层网络包括三维卷积层和最大池化层,第四层网络为二维卷积层,第五层网络为输出层。
在一种可能的实现方式中,所述通过所述检测模型对所述目标焊点所对应的多张连续的二维图像进行检测包括:
以所述目标焊点所对应的多张连续的二维图像作为输入,通过硬线层提取包括灰度、横坐标梯度、纵坐标梯度、x光流、y光流在内的五个通道的特征;
通过第二层网络对所述五个通道的特征进行第一次进行卷积操作和降采样操作;
通过第三层网络对所述硬线层的五个通道的特征进行第二次进行卷积操作和降采样操作;
通过所述二维卷积层和所述输出层获取对所述目标焊点所对应的多张连续的二维图像的检测结果。
本发明实施例的第二方面提供了一种基于深度学习的焊点外观质量检测装置,包括:目标焊点三维点云图获取模块,三维点云图处理模块和检测模块;
所述目标焊点三维点云图获取模块,用于获取目标焊点的三维点云图;
所述三维点云图处理模块,用于将所述目标焊点的三维点云图进行处理,得到所述目标焊点所对应的多张连续的二维图像;
所述检测模块,用于将所述目标焊点所对应的多张连续的二维图像输入预设置的基于三维卷积神经网络的检测模型中;通过所述检测模型对所述目标焊点所对应的多张连续的二维图像进行检测,检测结果为所述目标焊点合格或不合格。
第三方面,本发明实施例提供了一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种基于深度学习的焊点外观质量检测方法、装置及终端,通过目标焊点的三维点云图对应的多张连续的二维图像,和预设置的基于三维卷积神经网络的检测模型,判断焊点是否合格,提高了焊点检测的效率和准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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是本发明实施例提供的一种基于深度学习的焊点外观质量检测方法的实现流程图;
图2是本发明实施例提供的一种获取目标焊点的三维点云图的装置的示意图;
图3是本发明实施例提供的另一种基于深度学习的焊点外观质量检测方法的实现流程图;
图4是本发明实施例提供的另一种基于深度学习的焊点外观质量检测方法的实现流程图;
图5是本发明实施例提供的一种基于深度学习的焊点外观质量检测装置的结构示意图;
图6是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
参见图1,其示出了本发明实施例提供的一种基于深度学习的焊点外观质量检测方法的实现流程图,详述如下:
S101,获取目标焊点的三维点云图。
可选的,结合图2,本发明实施例通过如图2所示的装置获取目标焊点的三维点云图。其中,图2中的各个标号代表如下:
1:激光器,可选的,为小功率激光器;
2:激光扫描线;
3:行走平台;
4:焊点;
5:电路板;
6:双棱镜;
7:滤光片;
8:摄像机,可选的,CCD(Charge-coupled Device,电荷耦合元件)摄像机;
9:图像采集卡;
10:工控机。
基于图2所示的装置,结合图3,可选的,通过如下方式获取目标焊点的三维点云图:
S1011,将激光器按照预设角度投射到电路板上,其中,电路板包含目标焊点。
S1012,保持激光器不动,匀速移动电路板,得到电路板的激光扫描图像。
S1013,通过由双棱镜和摄像机组成的摄像系统获取电路板的立体图像。
可选的,对摄像系统中的摄像机进行标定,获取所述摄像机的内部参数和外部参数,得到电路板的左图像和右图像;对左图像和右图像进行立体校正,得到立体图像。
S1014,根据电路板的激光扫描图像和立体图像,获取电路板的三维点云图,电路板的三维点云图中包含目标焊点的三维点云图。
可选的,将校正后的左图像和右图像与电路板的激光扫描图像进行匹配,得到对应的匹配点对;采用区域立体匹配SSD算法得到视差图,计算得到三维数据,生成电路板的三维点云图。
S102,将目标焊点的三维点云图进行处理,得到目标焊点所对应的多张连续的二维图像。
可选的,将目标焊点的三维点云图进行处理,映射至二维平面,得到目标焊点对应的多张连续的二维图像。
S103,将目标焊点所对应的多张连续的二维图像输入预设置的基于三维卷积神经网络的检测模型中。
针对焊点外观的特点,本申请采用三维卷积神经网络3DNN模型,由于激光对焊点扫描过程是一个动态的过程,3DCNN可以更好的获取时间和空间信息。权值的3D卷积核可对连续的帧进行卷积操作,捕获运动信息,在运动实现特征的提取,由于每一个位置特征是由卷积核对连续帧的同一位置的局部感受野得到的,所以提取的特征更加稳定,这一过程中可通过采取多种3D卷积核实现多种特征的提取。3D卷积的一个很重要的特点就是利用了X和Y轴的光流信息特征。
可选的,检测模型包括五层网络,第一层网络包括硬线层,第二层网络包括三维卷积层和最大池化层,第三层网络包括三维卷积层和最大池化层,第四层网络为二维卷积层,第五层网络包括输出层,即全连接层。
可选的,通过训练获取该检测模型,具体的,结合图4,包括:
S1031,建立训练集,训练集中包含多个图组,每个图组包含一个焊点所对应的多张连续的二维图像,根据训练集中每个焊点的三维点云图中的三维数据,将符合预设条件的焊点设置为合格焊点,将不符合预设条件的焊点设置为不合格焊点。
可选的,若所述焊点的焊料连接面形状为预设形状,所述焊料的焊接带宽度与所述焊点对应的电子元件的宽度的比例大于等于第一预设值,所述焊料的焊接带高度与所述焊点对应的电子元件的高度的比例大于等于第二预设值,则判断所述焊点为合格焊点,否则为不合格焊点。
可选的,若焊点的焊料连接面形状为凹型,焊带宽度与其对应的电子元件的宽度的比例大于等于50%,即第一预设值为50%,焊带高度与其对应的电子元件的高度的比例大于等于25%,即第二预设值为25%,则该焊点为合格的焊点,否则为不合格焊点。
可选的,通过BP算法,选用Aadm优化器对模型进行训练和优化。
S1032,构建三维卷积神经网络模型,对训练集进行深度学习,得到检测模型。
S104,通过检测模型对目标焊点所对应的多张连续的二维图像进行检测,检测结果为目标焊点合格或不合格。
可选的,检测过程如下:
第一步,以目标焊点所对应的多张连续的二维图像作为输入,通过硬线层提取包括灰度、横坐标梯度、纵坐标梯度、x光流、y光流在内的五个通道的特征;
第二步,通过第二层网络充分利用时间和空间维度对五个通道的特征进行第一次进行卷积操作和降采样操作。通过卷积操作,增加特征图数量,减小特征尺寸,获取深度特征,通过最大池化层降采样,进一步减小特征图尺寸,减小参数数量的同时增强图像特征及鲁棒性,降低过拟合风险。
第二层网络能够充分利用时间和空间维度对五个通道的特征进行卷积操作和降采样操作。
第三步,通过第三层网络对硬线层的五个通道的特征进行第二次进行卷积操作和降采样操作。通过本步骤,进一步获取图像更高层次特征,增强图像的语义特征。
第四步,通过二维卷积层和输出层获取对目标焊点所对应的多张连续的二维图像的检测结果。判断目标焊点是否合格。
此时时间维度已经降低到较低水平,只在空间上进行卷积做特征提取即可,可以加快模型训练速度及检测效率。
由上可知,本发明通过获取目标焊点的三维点云图,将其映射到二维平面上,获取焊点对应的多张连续的图像,输入预训练完成的三维卷积神经网络模型中,对目标焊点进行分类,判断其是否合格。由于获取目标焊点的三维点云图的过程是一个动态的过程,且焊点本身是立体结构,三维卷积神经网络模型能更好的获取时间和空间信息,能更加准确的判断焊点是否合格,提高了焊点外观质量检测的速率和准确性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图5示出了本发明实施例提供的一种基于深度学习的焊点外观质量检测装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图5所示,基于深度学习的焊点外观质量检测装置5包括:目标焊点三维点云图获取模块51,三维点云图处理模块52和检测模块53;
目标焊点三维点云图获取模块51,用于获取目标焊点的三维点云图;
三维点云图处理模块52,用于将目标焊点的三维点云图进行处理,得到目标焊点所对应的多张连续的二维图像;
检测模块53,用于将目标焊点所对应的多张连续的二维图像输入预设置的基于三维卷积神经网络的检测模型中;通过检测模型对目标焊点所对应的多张连续的二维图像进行检测,检测结果为目标焊点合格或不合格。
可选的,目标焊点三维点云图获取模块51还用于:
将激光器按照预设角度投射到电路板上,其中,电路板包含目标焊点;
保持激光器不动,匀速移动电路板,得到电路板的激光扫描图像;
通过由双棱镜和摄像机组成的摄像系统获取电路板的立体图像;
根据电路板的激光扫描图像和立体图像,获取电路板的三维点云图,电路板的三维点云图中包含目标焊点的三维点云图。
可选的,目标焊点三维点云图获取模块51还用于:
对摄像系统中的摄像机进行标定,获取所述摄像机的内部参数和外部参数,得到电路板的左图像和右图像;
对左图像和右图像进行立体校正;
将校正后的左图像和右图像与电路板的激光扫描图像进行匹配,得到对应的匹配点对;
采用区域立体匹配SSD算法得到视差图,计算得到三维数据,生成电路板的三维点云图。
可选的,检测模块53还用于:
建立训练集,训练集中包含多个图组,每个图组包含一个焊点所对应的多张连续的二维图像,根据训练集中每个焊点的三维点云图中的三维数据,将符合预设条件的焊点设置为合格焊点,将不符合预设条件的焊点设置为不合格焊点;
构建三维卷积神经网络模型,对训练集进行深度学习,得到检测模型。
可选的,检测模块53还用于:若焊点的焊料连接面形状为预设形状,焊料的焊接带宽度与焊点对应的电子元件的宽度的比例大于等于第一预设值,焊料的焊接带高度与焊点对应的电子元件的高度的比例大于等于第二预设值,则判断焊点为合格焊点,否则为不合格焊点。
可选的,检测模型包括五层网络,第一层网络包括硬线层,第二层网络包括三维卷积层和最大池化层,第三层网络包括三维卷积层和最大池化层,第四层网络为二维卷积层,第五层网络包括输出层,即全连接层。
可选的,检测模块53还用于:
以目标焊点所对应的多张连续的二维图像作为输入,通过硬线层提取包括灰度、横坐标梯度、纵坐标梯度、x光流、y光流在内的五个通道的特征;
通过第二层网络对五个通道的特征进行第一次进行卷积操作和降采样操作;
通过第三层网络对硬线层的五个通道的特征进行第二次进行卷积操作和降采样操作;
可选的,通过第三层网络对硬线层的五个通道的特征在时间和空间维度进一步进行卷积操作和降采样操作;
通过二维卷积层和输出层获取对目标焊点所对应的多张连续的二维图像的检测结果。
由上可知,本发明提供的装置通过获取目标焊点的三维点云图,将其映射到二维平面上,获取焊点对应的多张连续的图像,输入预训练完成的三维卷积神经网络模型中,对目标焊点进行分类,判断其是否合格。由于获取目标焊点的三维点云图的过程是一个动态的过程,且焊点本身是立体结构,三维卷积神经网络模型能更好的获取时间和空间信息,能更加准确的判断焊点是否合格,提高了焊点外观质量检测的速率和准确性。
图6是本发明实施例提供的终端的示意图。如图6所示,该实施例的终端6包括:处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62。所述处理器60执行所述计算机程序62时实现上述各个基于深度学习的焊点外观质量检测方法实施例中的步骤,例如图1所示的步骤101至步骤104。或者,所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能,例如图5所示模块/单元51至53的功能。
示例性的,所述计算机程序62可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器61中,并由所述处理器60执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序62在所述终端6中的执行过程。例如,所述计算机程序62可以被分割成图5所示的模块/单元51至53。
所述终端6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端6可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是终端6的示例,并不构成对终端6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述终端6的内部存储单元,例如终端6的硬盘或内存。所述存储器61也可以是所述终端6的外部存储设备,例如所述终端6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述终端6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个基于深度学习的焊点外观质量检测方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于深度学习的焊点外观质量检测方法,其特征在于,包括:
获取目标焊点的三维点云图;
将所述目标焊点的三维点云图进行处理,得到所述目标焊点所对应的多张连续的二维图像;
将所述目标焊点所对应的多张连续的二维图像输入预设置的基于三维卷积神经网络的检测模型中;
通过所述检测模型对所述目标焊点所对应的多张连续的二维图像进行检测,检测结果为所述目标焊点合格或不合格;
所述检测模型包括五层网络,第一层网络包括硬线层,第二层网络包括三维卷积层和最大池化层,第三层网络包括三维卷积层和最大池化层,第四层网络为二维卷积层,第五层网络为输出层;
所述通过所述检测模型对所述目标焊点所对应的多张连续的二维图像进行检测包括:
以所述目标焊点所对应的多张连续的二维图像作为输入,通过硬线层提取包括灰度、横坐标梯度、纵坐标梯度、x光流、y光流在内的五个通道的特征;
通过第二层网络对所述五个通道的特征进行第一次进行卷积操作和降采样操作;
通过第三层网络对所述硬线层的五个通道的特征进行第二次进行卷积操作和降采样操作;
通过所述二维卷积层和所述输出层获取对所述目标焊点所对应的多张连续的二维图像的检测结果;
所述获取包含目标焊点的三维点云图包括:
将激光器按照预设角度投射到电路板上,其中,所述电路板包含所述目标焊点;
保持所述激光器不动,匀速移动所述电路板,得到所述电路板的激光扫描图像;
通过由双棱镜和摄像机组成的摄像系统获取所述电路板的立体图像;
根据所述电路板的激光扫描图像和立体图像,获取所述电路板的三维点云图,所述电路板的三维点云图中包含所述目标焊点的三维点云图;
所述获取所述电路板的立体图像包括:
对所述摄像系统中的摄像机进行标定,获取所述摄像机的内部参数和外部参数,得到所述电路板的左图像和右图像;
对所述左图像和右图像进行立体校正;
所述根据所述电路板的激光扫描图像和立体图像,获取所述电路板的三维点云图包括:
将校正后的左图像和右图像与所述电路板的激光扫描图像进行匹配,得到对应的匹配点对;
采用区域立体匹配SSD算法得到视差图,计算得到三维数据,生成所述电路板的三维点云图。
2.根据权利要求1所述的方法,其特征在于,该方法还包括:
建立训练集,所述训练集中包含多个图组,每个图组包含一个焊点所对应的多张连续的二维图像,根据训练集中每个焊点的三维点云图中的三维数据,将符合预设条件的焊点设置为合格焊点,将不符合预设条件的焊点设置为不合格焊点;
构建三维卷积神经网络模型,对所述训练集进行深度学习,得到所述检测模型。
3.根据权利要求2所述的方法,其特征在于,所述根据训练集中每个焊点的三维点云图中的三维数据,将符合预设条件的焊点设置为合格焊点,将不符合预设条件的焊点设置为不合格焊点包括:
若所述焊点的焊料连接面形状为预设形状,所述焊料的焊接带宽度与所述焊点对应的电子元件的宽度的比例大于等于第一预设值,所述焊料的焊接带高度与所述焊点对应的电子元件的高度的比例大于等于第二预设值,则判断所述焊点为合格焊点,否则为不合格焊点。
4.一种基于深度学习的焊点外观质量检测装置,其特征在于,包括:目标焊点三维点云图获取模块,三维点云图处理模块和检测模块;
所述目标焊点三维点云图获取模块,用于获取目标焊点的三维点云图;
所述三维点云图处理模块,用于将所述目标焊点的三维点云图进行处理,得到所述目标焊点所对应的多张连续的二维图像;
所述检测模块,用于将所述目标焊点所对应的多张连续的二维图像输入预设置的基于三维卷积神经网络的检测模型中;通过所述检测模型对所述目标焊点所对应的多张连续的二维图像进行检测,检测结果为所述目标焊点合格或不合格;
所述检测模型包括五层网络,第一层网络包括硬线层,第二层网络包括三维卷积层和最大池化层,第三层网络包括三维卷积层和最大池化层,第四层网络为二维卷积层,第五层网络为输出层;
所述所述检测模块包括:
以所述目标焊点所对应的多张连续的二维图像作为输入,通过硬线层提取包括灰度、横坐标梯度、纵坐标梯度、x光流、y光流在内的五个通道的特征;
通过第二层网络对所述五个通道的特征进行第一次进行卷积操作和降采样操作;
通过第三层网络对所述硬线层的五个通道的特征进行第二次进行卷积操作和降采样操作;
通过所述二维卷积层和所述输出层获取对所述目标焊点所对应的多张连续的二维图像的检测结果;
所述目标焊点三维点云图获取模块用于:
将激光器按照预设角度投射到电路板上,其中,所述电路板包含所述目标焊点;
保持所述激光器不动,匀速移动所述电路板,得到所述电路板的激光扫描图像;
通过由双棱镜和摄像机组成的摄像系统获取所述电路板的立体图像;
根据所述电路板的激光扫描图像和立体图像,获取所述电路板的三维点云图,所述电路板的三维点云图中包含所述目标焊点的三维点云图;
所述目标焊点三维点云图获取模块还用于:
对所述摄像系统中的摄像机进行标定,获取所述摄像机的内部参数和外部参数,得到所述电路板的左图像和右图像;
对所述左图像和右图像进行立体校正;
所述根据所述电路板的激光扫描图像和立体图像,获取所述电路板的三维点云图包括:
将校正后的左图像和右图像与所述电路板的激光扫描图像进行匹配,得到对应的匹配点对;
采用区域立体匹配SSD算法得到视差图,计算得到三维数据,生成所述电路板的三维点云图。
5.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至3中任一项所述方法的步骤。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至3中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110700572.0A CN113421242B (zh) | 2021-06-23 | 2021-06-23 | 基于深度学习的焊点外观质量检测方法、装置及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110700572.0A CN113421242B (zh) | 2021-06-23 | 2021-06-23 | 基于深度学习的焊点外观质量检测方法、装置及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113421242A CN113421242A (zh) | 2021-09-21 |
CN113421242B true CN113421242B (zh) | 2023-10-27 |
Family
ID=77716407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110700572.0A Active CN113421242B (zh) | 2021-06-23 | 2021-06-23 | 基于深度学习的焊点外观质量检测方法、装置及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113421242B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114218628A (zh) * | 2021-11-23 | 2022-03-22 | 浙江蓝箭航天空间科技有限公司 | 一种焊点合理性校验方法及存储介质 |
CN114354618A (zh) * | 2021-12-16 | 2022-04-15 | 浙江大华技术股份有限公司 | 一种焊缝检测的方法及装置 |
CN114202224B (zh) * | 2021-12-16 | 2023-01-03 | 蕴硕物联技术(上海)有限公司 | 用于检测生产环境中焊接质量的方法、设备、介质 |
CN116203027B (zh) * | 2023-01-05 | 2024-01-26 | 惠州市德赛智储科技有限公司 | 一种焊点外观检测方法、检测系统和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108956653A (zh) * | 2018-05-31 | 2018-12-07 | 广东正业科技股份有限公司 | 一种焊点质量检测方法、系统、装置及可读存储介质 |
CN109635843A (zh) * | 2018-11-14 | 2019-04-16 | 浙江工业大学 | 一种基于多视角图像的三维物体模型分类方法 |
CN110136047A (zh) * | 2019-05-22 | 2019-08-16 | 长沙莫之比智能科技有限公司 | 一种车载单目图像中静止目标三维信息获取方法 |
CN110826389A (zh) * | 2019-09-02 | 2020-02-21 | 东华大学 | 基于注意力3d频率卷积神经网络的步态识别方法 |
CN111626217A (zh) * | 2020-05-28 | 2020-09-04 | 宁波博登智能科技有限责任公司 | 一种基于二维图片和三维点云融合的目标检测和追踪方法 |
-
2021
- 2021-06-23 CN CN202110700572.0A patent/CN113421242B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108956653A (zh) * | 2018-05-31 | 2018-12-07 | 广东正业科技股份有限公司 | 一种焊点质量检测方法、系统、装置及可读存储介质 |
CN109635843A (zh) * | 2018-11-14 | 2019-04-16 | 浙江工业大学 | 一种基于多视角图像的三维物体模型分类方法 |
CN110136047A (zh) * | 2019-05-22 | 2019-08-16 | 长沙莫之比智能科技有限公司 | 一种车载单目图像中静止目标三维信息获取方法 |
CN110826389A (zh) * | 2019-09-02 | 2020-02-21 | 东华大学 | 基于注意力3d频率卷积神经网络的步态识别方法 |
CN111626217A (zh) * | 2020-05-28 | 2020-09-04 | 宁波博登智能科技有限责任公司 | 一种基于二维图片和三维点云融合的目标检测和追踪方法 |
Non-Patent Citations (4)
Title |
---|
"3D Reconstruction of Weld Pool Surface in Pulsed GMAW by Passive Biprism Stereo Vision";Zhimin Liang et al.;IEEE ROBOTICS AND AUTOMATION LETTERS;第4卷(第3期);3091-3097 * |
"3DSMDA-Net: An improved 3DCNN with separable structure and multi-dimensional attention for welding status recognition";Tianyuan Liu et al.;《 ELSEVIER》;第811-822页 * |
"3DSMDA-Net: An improved 3DCNN with separable structure and multi-dimensional attention for welding status recognition";Tianyuan Liu et al.;《ELSEVIER》;第811-822页 * |
"基于双目视觉的水下环境三维重建";王越;《中国优秀说书学位论文全文数据库 信息科技辑》(第第06期期);第53页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113421242A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113421242B (zh) | 基于深度学习的焊点外观质量检测方法、装置及终端 | |
CN110660066B (zh) | 网络的训练方法、图像处理方法、网络、终端设备及介质 | |
CN108154105B (zh) | 水下生物检测与识别方法、装置、服务器及终端设备 | |
CN111695421B (zh) | 图像识别方法、装置及电子设备 | |
CN109640066B (zh) | 高精度稠密深度图像的生成方法和装置 | |
CN106524909B (zh) | 三维图像采集方法及装置 | |
CN113012157B (zh) | 一种设备缺陷视觉检测方法及系统 | |
CN110287862B (zh) | 基于深度学习的防偷拍检测方法 | |
CN113628179B (zh) | 一种pcb表面缺陷实时检测方法、装置及可读介质 | |
US11348349B2 (en) | Training data increment method, electronic apparatus and computer-readable medium | |
CN107909554B (zh) | 图像降噪方法、装置、终端设备及介质 | |
CN112200057A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN114219855A (zh) | 点云法向量的估计方法、装置、计算机设备和存储介质 | |
CN111784658B (zh) | 一种用于人脸图像的质量分析方法和系统 | |
CN113706472A (zh) | 公路路面病害检测方法、装置、设备及存储介质 | |
CN114627244A (zh) | 三维重建方法及装置、电子设备、计算机可读介质 | |
CN110728692A (zh) | 一种基于Scharr算子改进的图像边缘检测方法 | |
CN112132797A (zh) | 一种短视频质量筛选方法 | |
CN113658196B (zh) | 红外图像中船舶的检测方法、装置、电子设备和介质 | |
CN115439875A (zh) | 姿势评估装置、方法及系统 | |
CN113706439A (zh) | 一种图像检测方法、装置、存储介质及计算机设备 | |
CN117173439A (zh) | 基于gpu的图像处理方法、装置、存储介质及电子设备 | |
CN114626118A (zh) | 建筑物室内模型生成方法及装置 | |
CN116012675B (zh) | 一种模型训练方法、图像处理方法及电子设备 | |
CN116993654B (zh) | 摄像头模组缺陷检测方法、装置、设备、存储介质及产品 |
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 |