CN113744247A - 一种pcb焊点缺陷识别方法和系统 - Google Patents
一种pcb焊点缺陷识别方法和系统 Download PDFInfo
- Publication number
- CN113744247A CN113744247A CN202111034501.8A CN202111034501A CN113744247A CN 113744247 A CN113744247 A CN 113744247A CN 202111034501 A CN202111034501 A CN 202111034501A CN 113744247 A CN113744247 A CN 113744247A
- Authority
- CN
- China
- Prior art keywords
- pcb
- detected
- information
- welding spot
- detection
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 60
- 238000003466 welding Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 65
- 238000012545 processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 229910000679 solder Inorganic materials 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 150000003071 polychlorinated biphenyls Chemical group 0.000 description 7
- 230000002950 deficient Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000004907 flux Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000009736 wetting Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000005493 welding type 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/20—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
- G06T2207/30—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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Manipulator (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种PCB焊点缺陷识别方法和系统，属于人工智能与机器人技术领域。采集PCB正面图像，提取PCB特征，得到PCB约束条件，用于识别待检测的图像中是否含有目标PCB，然后获取待检测的PCB图像，对待检测的PCB图像信息进行轮廓检测，得到待检测的PCB的位置信息和角度信息；最后对待检测的PCB进行抓取，对抓取的待检测的PCB进行检测，根据检测结果将PCB移动至目标位置。本发明算法具有检测精度高、可移植性强等特点，系统检测效率高，对PCB无损伤，满足工业检测的实际需求。本文所采用的焊点缺陷检测算法具有检测精度高、可移植性强等特点，系统检测效率高，对PCB无损伤，满足工业检测的实际需求。
Description
技术领域
本发明属于人工智能与机器人技术领域，涉及一种PCB焊点缺陷识别方法和系统。
背景技术
在工业领域中，缺陷检测是一个必不可少的环节，其检测性能决定了产品的整体品质，并将直接影响产品的效益。绝大多数工厂还是依靠人工手段即通过人眼结合放大设备如放大镜、显微镜等实现对PCB缺陷和焊点缺陷的检测功能。人工检测存在诸多缺点，如成本较高、检测速度慢，由于工人主观差异以及工人疲劳导致检测误差甚至检测错误等。再者电学检测是通过对PCB进行电性能的检测找出制造缺陷，一般不能直接给出缺陷位置和类别，且缺陷单一，使用难度较高；此外，传统机器视觉缺陷大多都是参考法，做差找位置，特征找类别，所采用的定量测量方式难以找到合适的特征用来进行检测，因此其实际的检测表现较差，受到外界条件如光照的影响较大，识别效果鲁棒性较差。
发明内容
本发明的目的在于克服上述现有技术中，传统机器视觉所采用的定量测量方式难以找到合适的特征用来进行检测的缺点，提供一种PCB焊点缺陷识别方法和系统。
为了达到上述目的，本发明采用以下技术方案予以实现：
一种PCB焊点缺陷识别方法，包括如下步骤：
步骤1)采集PCB正面图像，提取PCB特征，得到PCB约束条件，用于识别待检测的图像中是否含有目标PCB；
步骤2)获取待检测的PCB图像信息，对待检测的PCB图像信息进行轮廓检测，得到待检测的PCB的位置信息和角度信息；
步骤3)基于待检测的PCB的位置信息和角度信息，对待检测的PCB进行抓取，对抓取的待检测的PCB进行检测，根据检测结果将PCB移动至目标位置。
优选地，步骤1)中，PCB约束条件的获取过程具体为：
采集PCB正面图像，对PCB正面图像进行RGB分离、中值滤波和阈值分割，得到PCB正面区域与传送带区域的色彩差异，并提取颜色特征、形状特征和大小特征，形成识别PCB的约束条件。
优选地，步骤2)中，PCB的角度信息指的是PCB相对于水平直线的倾斜角度；
PCB的角度信息的获取过程具体为：采用轮廓检测算法提取PCB的轮廓信息，基于轮廓信息获取PCB的四个角点坐标，进一步计算得到PCB的中心坐标位置和PCB相对于水平直线的倾斜角度。
优选地，PCB约束条件包括9种焊点缺陷类型对应的PCB特征；
基于9种焊点缺陷类型对应的PCB特征，基于轮廓检测算法制作标签文件，获取每种焊点缺陷类型的真实框和类别信息；
9类焊点缺陷类型包括漏焊、桥接、冷焊、拉尖、无引脚、空焊盘、不湿润、焊料不足、焊料过量。
将每种焊点缺陷类型的真实框和类别信息输入特征提取网络中，训练网络参数，获取待检测的PCB图像信息，对待检测的PCB图像信息进行轮廓检测，根据训练得到的特征层解析出特征提取网络的预测结果；
预测包括待检测的PCB对应的预测框和缺陷类别信息。
一种PCB焊点缺陷识别系统，包括：
图像信息采集模块，用于采集PCB的图像信息；
识别模块，与图像信息采集模块相交互，用于将采集到的待检测的PCB图像信息根据约束条件进行图像处理，判断是否含有目标PCB；
定位模块，与识别模块相交互，用于将识别到的图像信息进行图像处理，得到待检测的PCB特征和PCB的位置信息；
检测模块，与定位模块相交互，用于对待测PCB进行缺陷检测，获得待测PCB的缺陷检测结果；
抓取机器人，分别与定位模块和检测模块相交互，基于待测PCB特征和位置信息对待测PCB进行抓取；对检测后的PCB进行抓取并转移至所属类别的目标位置。
优选地，图像信息采集模块通过工业相机进行。
优选地，抓取机器人包括抓取模块和归类模块，抓取模块用于对PCB进行抓取；归类模块用于对检测后的PCB进行归类。
优选地，抓取机器人末端安装有快换架；
抓取机器人与检测模块之间安装有气泵。
优选地，系统还包括用于输送PCB的传送装置.
与现有技术相比，本发明具有以下有益效果：
本发明公开了一种PCB焊点缺陷识别方法，采集PCB正面图像，提取PCB特征，得到PCB约束条件，用于识别待检测的图像中是否含有目标PCB，然后获取待检测的PCB图像，对待检测的PCB图像信息进行轮廓检测，得到待检测的PCB的位置信息和角度信息；最后对待检测的PCB进行抓取，对抓取的待检测的PCB进行检测，根据检测结果将PCB移动至目标位置。本发明算法具有检测精度高、可移植性强等特点，系统检测效率高，对PCB无损伤，满足工业检测的实际需求。本文所采用的焊点缺陷检测算法具有检测精度高、可移植性强等特点，系统检测效率高，对PCB无损伤，满足工业检测的实际需求。所述九类缺陷焊点包括漏焊、桥接、冷焊、拉尖、无引脚、空焊盘、不湿润、焊料不足、焊料过量。
本发明还提供了一种PCB焊点缺陷识别系统，不仅可以实现PCB焊点缺陷的智能检测，自主识别出九类缺陷的焊点，具有一键启动和一键停止检测的功能，而且在不同光照条件下的分捡识别鲁棒性好，系统占用空间较小，可作为智能自动化系统的模型系统进行深入研究，充分体现了机器人的自主智能的概念以及机器智能代替人工作业的概念，是一种人工智能技术与机器人技术结合的典型应用，为进一步研究机器人智能自动化系统提供了基础。本发明系统可以一键启动停止，自主智能作业，具有速度快、准确率高、鲁棒性强等特点，能够解决工作人员无法长时间对焊点进行缺陷检测的问题，为后续工作提供便利。
附图说明
图1为本发明系统的结构示意图；
图2为本发明机器人智动化系统的架构图；
图3为本发明方法的流程图；
其中：1-监控计算机；2-智能检测区；3-抓取机器人；4-传送装置；5-PCB；6-桌面相机；7-快换架；8-PCB存放区；9-末端相机。
具体实施方式
下面结合附图对本发明做进一步详细描述：
实施例1
一种PCB焊点缺陷识别方法，包括如下步骤：
步骤1)采集PCB正面图像，提取PCB特征，得到PCB约束条件，用于识别待检测的图像中是否含有目标PCB；
步骤2)获取待检测的PCB图像信息，对待检测的PCB图像信息进行轮廓检测，得到待检测的PCB的位置信息和角度信息；
步骤3)基于待检测的PCB的位置信息和角度信息，对待检测的PCB进行抓取，对抓取的待检测的PCB进行检测，根据检测结果将PCB移动至目标位置。
实施例2
一种PCB焊点缺陷识别方法，如图3所示，包括如下步骤：
步骤1)采集传送装置上的图像，根据PCB约束条件包括颜色特征、形状特征和大小特征判断传送装置上有无PCB；
步骤2)获取待检测的PCB图像信息，待检测的PCB图像信息进行轮廓检测，得到待检测的PCB特征位置信息；
PCB识别技术如下：
采集PCB正面图像，对其进行RGB分离、中值滤波、阈值分割等操作得到PCB正面区域与传送带区域的色彩差异，并提取颜色特征、形状特征和大小特征，形成识别PCB的约束条件用以识别PCB。
对于上述识别到的PCB目标，提取轮廓，获取PCB的四个角点坐标，得到图像中PCB的中心坐标位置和PCB对于水平直线的倾斜角度。
步骤3)基于待检测的PCB的位置信息和角度信息，对待检测的PCB进行抓取，对抓取的待检测的PCB进行检测，根据预测框和预测结果将PCB移动至目标位置。
焊点缺陷技术如下：
通过对9种焊点缺陷类型进行图像采集，并制作标签文件得到每种类型的真实框和类别信息。将其输入特征提取网络训练网络参数，根据得到的特征层解析出网络的预测结果，包括预测框和类别信息。
实施例3
一种PCB焊点缺陷识别系统，包括：
图像信息采集模块，用于采集PCB的图像信息；
识别模块，与图像信息采集模块相交互，用于将采集到的传送装置图像根据约束条件进行图像处理，判断是否含有目标PCB；
定位模块，与识别模块相交互，用于将识别到的图像信息进行图像处理，得到待测PCB特征和PCB的位置信息；
检测模块，与定位模块相交互，用于对待测PCB进行缺陷检测，获得待测PCB的缺陷检测结果；
抓取机器人，分别与识别模块和检测模块相交互，基于待测PCB特征和位置信息对待测PCB进行抓取；对检测后的PCB进行抓取并转移至所属类别的目标位置。
实施例4
一种PCB焊点缺陷识别系统，如图1和图2所示，包括监控计算机1、抓取机器人智能检测区2，其中所述，抓取机器人智能检测区包括PCB5、PCB存放区8、绕PCB存放区8设置有环形的传送装置4、沿传送装置4布置有执行智能检测的一个抓取机器人3、机器人末端使用的快换7、配套的一个气泵2。其中抓取机器人3布置有两个相机，分别为桌面相机6和机器人末端相机9，其中桌面相机6固定于桌面，用于采集PCB5背面的焊点的视觉图像，机器人末端相机9固定于机器人末端，用于采集传送装置4上的视觉图像；PCB存放区8分为a、b两个部分，a区存放合格的PCB，b区存放不合格的PCB；抓取机器人3本身的电磁阀与气泵2相连，通过控制抓取机器人3的I/O口控制电磁阀来调节快换7上的吸盘的吸气与放气。抓取机器人3执行PCB识别定位算法，将图像中PCB的坐标按照一定比例关系转换获取机器人坐标系下的运动坐标，结合工作台、机器人安装高度、识别出的PCB信息以及传送装置4的速度，利用配套的快换装置的吸盘7进行相应的吸取操作，吸取PCB后运动到固定于机器人所在桌面上的桌面相机6正上方，供其采集缺陷焊点图像，并由抓取机器人3执行智能检测技术进行识别。
抓取机器人3与监控计算机1之间布置有气泵2，并与机器人3末端安装的快换5相配套，配合完成抓取机器人3的吸取操作。
通过图像像素坐标和机器人坐标关系得出转换关系。调整相机拍摄位置、焦距和被拍摄位置，拍摄图像，并将末端执行器依次移动到所在位置，记录图像像素坐标和机器人坐标得出转换关系。
焊点缺陷智能检测部分，提前拍摄PCB背面焊点图像制作数据集，利用轻量级卷积神经网络方法设计PCB焊点缺陷智能检测网络。训练完毕后，将待识别的去除背景噪声的焊点图像输入已训练的检测网络，从而得到缺陷焊点的预测框和类别信息。
综上所述，本发明能够实现吸取操作至图像分析区，使用缺陷智能检测算法对焊点进行检测，并根据缺陷信息将处理后的PCB放置到所属位置。同时缺陷焊点信息发送给监控计算机，实时显示包含场景信息的虚拟分拣界面，分别为PCB定位识别图像、焊点原始图像和焊点分拣图像。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (9)
1.一种PCB焊点缺陷识别方法，其特征在于，包括如下步骤：
步骤1)采集PCB正面图像，提取PCB特征，得到PCB约束条件，用于识别待检测的图像中是否含有目标PCB；
步骤2)获取待检测的PCB图像信息，对待检测的PCB图像信息进行轮廓检测，得到待检测的PCB的位置信息和角度信息；
步骤3)基于待检测的PCB的位置信息和角度信息，对待检测的PCB进行抓取，对抓取的待检测的PCB进行检测，根据检测结果将PCB移动至目标位置。
2.根据权利要求1所述的PCB焊点缺陷识别方法，其特征在于，步骤1)中，PCB约束条件的获取过程具体为：
采集PCB正面图像，对PCB正面图像进行RGB分离、中值滤波和阈值分割，得到PCB正面区域与传送带区域的色彩差异，并提取颜色特征、形状特征和大小特征，形成识别PCB的约束条件。
3.根据权利要求1所述的PCB焊点缺陷识别方法，其特征在于，步骤2)中，PCB的角度信息指的是PCB相对于水平直线的倾斜角度；
PCB的角度信息的获取过程具体为：采用轮廓检测算法提取PCB的轮廓信息，基于轮廓信息获取PCB的四个角点坐标，进一步计算得到PCB的中心坐标位置和PCB相对于水平直线的倾斜角度。
4.根据权利要求3所述的PCB焊点缺陷识别方法，其特征在于，PCB约束条件包括9种焊点缺陷类型对应的PCB特征；
基于9种焊点缺陷类型对应的PCB特征，基于轮廓检测算法制作标签文件，获取每种焊点缺陷类型的真实框和类别信息；
将每种焊点缺陷类型的真实框和类别信息输入特征提取网络中，训练网络参数，获取待检测的PCB图像信息，对待检测的PCB图像信息进行轮廓检测，根据训练得到的特征层解析出特征提取网络的预测结果；
预测包括待检测的PCB对应的预测框和缺陷类别信息。
5.一种PCB焊点缺陷识别系统，其特征在于，包括：
图像信息采集模块，用于采集PCB的图像信息；
识别模块，与图像信息采集模块相交互，用于将采集到的待检测的PCB图像信息根据约束条件进行图像处理，判断是否含有目标PCB；
定位模块，与识别模块相交互，用于将识别到的图像信息进行图像处理，得到待检测的PCB特征和PCB的位置信息；
检测模块，与定位模块相交互，用于对待测PCB进行缺陷检测，获得待测PCB的缺陷检测结果；
抓取机器人，分别与定位模块和检测模块相交互，基于待测PCB特征和位置信息对待测PCB进行抓取；对检测后的PCB进行抓取并转移至所属类别的目标位置。
6.根据权利要求5所述的PCB焊点缺陷识别系统，其特征在于，图像信息采集模块通过工业相机进行。
7.根据权利要求5所述的PCB焊点缺陷识别系统，其特征在于，抓取机器人包括抓取模块和归类模块，抓取模块用于对PCB进行抓取；归类模块用于对检测后的PCB进行归类。
8.根据权利要求5所述的PCB焊点缺陷识别系统，其特征在于，抓取机器人末端安装有快换架；
抓取机器人与检测模块之间安装有气泵。
9.根据权利要求5所述的PCB焊点缺陷识别系统，其特征在于，系统还包括用于输送PCB的传送装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111034501.8A CN113744247A (zh) | 2021-09-03 | 2021-09-03 | 一种pcb焊点缺陷识别方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111034501.8A CN113744247A (zh) | 2021-09-03 | 2021-09-03 | 一种pcb焊点缺陷识别方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113744247A true CN113744247A (zh) | 2021-12-03 |
Family
ID=78735709
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111034501.8A Pending CN113744247A (zh) | 2021-09-03 | 2021-09-03 | 一种pcb焊点缺陷识别方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113744247A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114202526A (zh) * | 2021-12-10 | 2022-03-18 | 北京百度网讯科技有限公司 | 质量检测方法、系统、装置、电子设备和介质 |
| CN114384204A (zh) * | 2021-12-07 | 2022-04-22 | 广州兴森快捷电路科技有限公司 | Pcb拼板检测装置、系统、方法及存储介质 |
| CN114489914A (zh) * | 2022-02-17 | 2022-05-13 | 广州嘉普信息科技有限公司 | 一种pcb板智能检测系统的模板关键区的生成方法、电子设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010028732A1 (en) * | 2000-01-18 | 2001-10-11 | Alain Coulombe | Method and system for detecting defects on a printed circuit board |
| CN103728309A (zh) * | 2013-11-27 | 2014-04-16 | 周俊雄 | 一种电路板视觉检测设备 |
| CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测系统及方法 |
| CN108982544A (zh) * | 2018-06-20 | 2018-12-11 | 青岛联合创智科技有限公司 | 一种印制电路板瑕疵部件检测方法 |
| CN109406533A (zh) * | 2018-10-25 | 2019-03-01 | 北京阿丘机器人科技有限公司 | 一种产品表面缺陷的检测系统及方法 |
| CN109711474A (zh) * | 2018-12-24 | 2019-05-03 | 中山大学 | 一种基于深度学习的铝材表面缺陷检测算法 |
| CN110646441A (zh) * | 2019-09-04 | 2020-01-03 | 深圳市智微智能科技开发有限公司 | 基于fpga的pcb板缺陷检测系统及方法 |
| CN110658202A (zh) * | 2019-09-30 | 2020-01-07 | 贵州航天云网科技有限公司 | 一种基于深度学习的工业元器件外观缺陷检测方法 |
| US20200049495A1 (en) * | 2018-08-10 | 2020-02-13 | Hongfujin Precision Electronics(Tianjin)Co.,Ltd. | Apparatus for identifying and assessing surface variations and defects in a product from multiple viewpoints |
| CN112150439A (zh) * | 2020-09-23 | 2020-12-29 | 创新奇智(青岛)科技有限公司 | 注塑件的自动分拣设备及分拣方法 |
| CN112184667A (zh) * | 2020-09-28 | 2021-01-05 | 京东方科技集团股份有限公司 | 缺陷检测、修复方法、装置以及存储介质 |
-
2021
- 2021-09-03 CN CN202111034501.8A patent/CN113744247A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20010028732A1 (en) * | 2000-01-18 | 2001-10-11 | Alain Coulombe | Method and system for detecting defects on a printed circuit board |
| CN1401107A (zh) * | 2000-01-18 | 2003-03-05 | 索威森公司 | 检测印刷电路板缺陷的方法和系统 |
| CN103728309A (zh) * | 2013-11-27 | 2014-04-16 | 周俊雄 | 一种电路板视觉检测设备 |
| CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测系统及方法 |
| CN108982544A (zh) * | 2018-06-20 | 2018-12-11 | 青岛联合创智科技有限公司 | 一种印制电路板瑕疵部件检测方法 |
| US20200049495A1 (en) * | 2018-08-10 | 2020-02-13 | Hongfujin Precision Electronics(Tianjin)Co.,Ltd. | Apparatus for identifying and assessing surface variations and defects in a product from multiple viewpoints |
| CN109406533A (zh) * | 2018-10-25 | 2019-03-01 | 北京阿丘机器人科技有限公司 | 一种产品表面缺陷的检测系统及方法 |
| CN109711474A (zh) * | 2018-12-24 | 2019-05-03 | 中山大学 | 一种基于深度学习的铝材表面缺陷检测算法 |
| CN110646441A (zh) * | 2019-09-04 | 2020-01-03 | 深圳市智微智能科技开发有限公司 | 基于fpga的pcb板缺陷检测系统及方法 |
| CN110658202A (zh) * | 2019-09-30 | 2020-01-07 | 贵州航天云网科技有限公司 | 一种基于深度学习的工业元器件外观缺陷检测方法 |
| CN112150439A (zh) * | 2020-09-23 | 2020-12-29 | 创新奇智(青岛)科技有限公司 | 注塑件的自动分拣设备及分拣方法 |
| CN112184667A (zh) * | 2020-09-28 | 2021-01-05 | 京东方科技集团股份有限公司 | 缺陷检测、修复方法、装置以及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| 周海;张奇志;周亚丽;刘俊;温招洋;刘志鹏;裴新权;: "基于MCGS的机械臂视觉分拣系统的设计", 机器人技术与应用, no. 06, 15 December 2016 (2016-12-15) * |
| 车尚岳: "基于机器视觉的电路板缺陷检测系统研究", 《中国优秀硕士论文电子期刊网》, 15 January 2019 (2019-01-15), pages 28 - 52 * |
| 马灿: "PCB缺陷智能视觉检测系统研究与设计", 《中国优秀硕士论文电子期刊网》, 15 February 2013 (2013-02-15), pages 13 - 44 * |
| 马灿;毛建旭;邵敏思;: "基于视觉传感器的PCB缺陷检测系统的研究与实现", 电子技术应用, no. 06, 6 June 2012 (2012-06-06) * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114384204A (zh) * | 2021-12-07 | 2022-04-22 | 广州兴森快捷电路科技有限公司 | Pcb拼板检测装置、系统、方法及存储介质 |
| CN114384204B (zh) * | 2021-12-07 | 2024-03-22 | 广州兴森快捷电路科技有限公司 | Pcb拼板检测装置、系统、方法及存储介质 |
| CN114202526A (zh) * | 2021-12-10 | 2022-03-18 | 北京百度网讯科技有限公司 | 质量检测方法、系统、装置、电子设备和介质 |
| CN114489914A (zh) * | 2022-02-17 | 2022-05-13 | 广州嘉普信息科技有限公司 | 一种pcb板智能检测系统的模板关键区的生成方法、电子设备 |
| CN114489914B (zh) * | 2022-02-17 | 2022-11-29 | 广州嘉普信息科技有限公司 | 一种pcb板智能检测系统的模板关键区的生成方法、电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110314854B (zh) | 一种基于视觉机器人的工件检测分拣的装置及方法 | |
| CN113744247A (zh) | 一种pcb焊点缺陷识别方法和系统 | |
| US11213860B2 (en) | Automatic magnetic core sorting system based on machine vision | |
| CN111951237B (zh) | 外观视觉检测方法 | |
| CN109821763B (zh) | 一种基于机器视觉的水果分拣系统及其图像识别方法 | |
| CN109693140B (zh) | 一种智能化柔性生产线及其工作方法 | |
| CN104574389A (zh) | 基于彩色机器视觉的电池片色差分选控制方法 | |
| CN112529858A (zh) | 一种基于机器视觉的焊缝图像处理方法 | |
| CN113146172A (zh) | 一种基于多视觉的检测与装配系统及方法 | |
| CN113643280B (zh) | 一种基于计算机视觉的板材分拣系统及方法 | |
| CN107590837A (zh) | 一种视觉定位智能精密装配机器人及其摄像机视觉标定方法 | |
| CN107301634A (zh) | 一种机器人自动分拣方法及系统 | |
| CN106824816A (zh) | 一种基于机器视觉的pe瓶检测与分拣方法 | |
| CN110728657A (zh) | 一种基于深度学习的环状轴承外表面缺陷检测方法 | |
| CN110108712A (zh) | 多功能视觉缺陷检测系统 | |
| CN112304957A (zh) | 一种基于机器视觉的外观缺陷智能检测方法及系统 | |
| WO2023134286A1 (zh) | 一种阴极铜在线质量自动检测分类方法 | |
| CN112497219A (zh) | 一种基于目标检测和机器视觉的柱状工件分类定位方法 | |
| CN208092786U (zh) | 一种以深度卷积神经网络为基础的零件分拣系统 | |
| CN112881427A (zh) | 可见光和红外热成像的电子元器件缺陷检测装置及方法 | |
| CN116337887A (zh) | 铸造缸体上表面缺陷检测方法及系统 | |
| CN113281115B (zh) | 一种烟叶智能剪切的控制方法 | |
| CN113319013A (zh) | 一种基于机器视觉的苹果智能分拣的方法 | |
| CN113160163B (zh) | 一种基于机器视觉的发动机缸体外观缺陷检测算法 | |
| CN116843631A (zh) | 一种轻钢行业非标零件叠料的3d视觉分料方法 |
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 |