CN113781486A - Ic卡图像缺陷检测方法 - Google Patents
Ic卡图像缺陷检测方法 Download PDFInfo
- Publication number
- CN113781486A CN113781486A CN202111344512.6A CN202111344512A CN113781486A CN 113781486 A CN113781486 A CN 113781486A CN 202111344512 A CN202111344512 A CN 202111344512A CN 113781486 A CN113781486 A CN 113781486A
- Authority
- CN
- China
- Prior art keywords
- area
- image
- hole
- antenna
- chip
- 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
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06T7/10—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
-
- 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
- G06T2207/20—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
-
- 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
- G06T2207/30152—Solder
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及IC卡外观图像采集处理技术领域,具体涉及一种IC卡图像缺陷检测方法。该IC卡图像缺陷检测方法包括以下步骤:步骤一:标记芯片ID,接收存储载带上芯片的位置信息,位置信息对应到相应的芯片ID中;步骤二:接收载带上对应位置芯片的正反面图像信息进行分析判断;步骤二中图像分析判断,包括以下子步骤:2‑1:正面图像分析;2‑2:背面图像分析;步骤三:芯片的数据信息及分析检测信息汇总在对应ID下,写入数据库存储。提供一种提高检测效率及准确率的IC卡图像缺陷检测方法。
Description
技术领域
本发明涉及IC卡外观图像采集处理技术领域,具体涉及一种IC卡图像缺陷检测方法。
背景技术
目前IC卡封装载带是IC卡模块封装用的关键专用基础材料,其功能是保护芯片、并作为集成电路芯片和外界接口。广泛应用于金融、移动支付、社保、电信、卫生、教育、交通、公共安全等领域。
载带成品检验是载带生产的最终工序,质检是一个产品保证质量好坏直接保障。目前,国内外对于IC卡封装载带的缺陷检测依旧停留在人工人眼判定是否合格的阶段,由于产品贴片速度快、待检测项目繁多,要求人工每分钟对1800个载带模块进行目视检验,在大批量工业生产过程中,用人工目视检查产品外观质量效率低、劳动强度大、检验精度差,且受人员技能水平等客观因素影响较大,极易造成载带产品外观质量的波动,人工成本高,影响检测准确性及工作效率。
发明内容
本发明要解决的技术问题是:克服现有技术的不足,提供一种提高检测效率及准确率的IC卡图像缺陷检测方法。
本发明为解决其技术问题所采用的技术方案为:IC卡图像缺陷检测方法,驱动机构驱动载带沿载带通道移动,载带通道一侧沿所述载带通道设置有依次设置有定位组件及图像采集组件,所述图像采集组件包括位于载带通道上方朝向载带设置的正面拍摄相机、位于载带通道下方朝向载带设置的背面拍摄相机,所述驱动机构、传感器组及相机组均连接控制系统;
包括以下步骤:
步骤一:标记芯片ID,接收存储载带上芯片的位置信息,位置信息对应到相应的芯片ID中;
步骤二:接收载带上对应位置芯片的正反面图像信息进行分析判断;
步骤二中图像分析判断,包括以下子步骤:
2-1:正面图像分析:主要针对芯片正面进行图像采集,分析检测是否脏污、PIN数量以及是否短路;
2-2:背面图像分析:主要针对芯片背面进行图像采集,分析检测焊接孔、天线及腔孔的情况;
步骤三:芯片的数据信息及分析检测信息汇总在对应ID下,写入数据库存储。
控制器内预先加载存储训练模板及差异模型;
所述步骤2-1:包括以下子步骤:
2-1-1:接收芯片正面图像信息,进行模板匹配后与差异模型对比,判断是否存在缺陷,若存在则进行缺陷分类,进入步骤2-1-2,否则将芯片正面图像信息存入对应芯片位置信息后,接收下一芯片的正面图像信息;
2-1-2:脏污分析检测;
2-1-3:模块数量判定及短路识别。
所述步骤2-1-1中,包括以下子步骤:
2-1-1-1:所述模板匹配中在获取的图像上通过匹配形状接近的图形图案确定待检测芯片,产生匹配分值以及匹配旋转角度和平移偏差值,根据匹配旋转角度和平移偏差值对图像进行旋转和平移,与差异模型图像严格对齐;
2-1-1-2:对齐后图像与差异模型即进行逐像素对比,提取出超出标准图像灰度值变化范围的像素点,各个相邻的像素点被划分到同一区域中,形成许多大小不一的灰度差异斑块区域;
2-1-1-3:将斑块区域根据面积和灰度值特征进行筛选后对缺陷分类。
所述步骤2-1-3包括以下子步骤:
2-1-3-1:通过阈值分割提取得到亮的区域,即为金属各PIN;
2-1-3-2::将该PIN区域分割为互相独立的6或8个区域,分别对应6PIN和8PIN,若分割后的区域数量将减少,则当出现模块PIN间短路,由此判定模块数量异常和短路。
所述步骤2-2包括以下子步骤:
2-2-1:孔定位识别检测,主要识别判断人工坏孔及焊接孔并进行缺陷检测;
2-2-2:天线定位识别检测,主要识别判断天线是否存在破碎以及天线外观是否断路;
2-2-3:腔孔定位识别检测。
步骤2-2-1包括以下子步骤:
2-2-1-1:人工坏孔识别:读取坏孔位置范围的ROI矩形;
截取图像,进行阈值分割;把分割后得到的区域断开连接,形成多个分散区域,分别判断对这些区域是否符合设定的阈值条件,如果符合,则认为识别到坏孔;
2-2-1-2:焊接孔定位识别:读取焊接孔的位置范围ROI 矩形;截取图像,进行阈值分割;把阈值分割得到的区域断开连接,形成多个分散区域,对这些区域,根据设定好的阈值条件进行选择并计数,如果焊接孔数量符合标准值则正常,否则NG;
2-2-1-3:焊接孔内缺陷识别:对识别到的每一个焊接孔,设置一个内部圆形区域ROI1;
在圆形区域ROI1内进行阈值分割,筛选灰度值异常点,对每一个圆形区域的ROI的面积周长比与设定的合格范围进行比较,如果不符合条件,则认为焊接孔内存在缺陷;
2-2-1-4:对识别到的每一个焊接孔,设置一个外部圆形区域ROI2;
在ROI2与ROI1的差集区域内进行阈值分割,筛选灰度值异常点,并对异常点进行面积的判断,如果符合条件,则认为焊接孔边缘存在缺陷;
2-2-1-5:对每个焊接孔内的ROI1区域求灰度平均值,然后对这些灰度平均值进行孔间色差判断,如果极差大于阈值,则认为存在焊接孔漏镀;
2-2-1-6:焊接孔特殊缺陷与焊接孔多铜,原理与2-2-1-3相同,在得到每个圆形区域的ROI后,对每个ROI进行LBP纹理特征提取算法处理,根据ROI从原图中进行筛选,重新根据设定的灰度值与面积值对该ROI进行二次筛选,看是否存在聚集面积和灰度值差异超过PIN的平均灰度值的区域,若存在该区域,则认为焊接孔存在特殊缺陷,ROI区域选定后会对灰度值进行转置,若转置的灰度值行列式的逆大于-1,则认为焊接孔存在多铜缺陷。
所述步骤2-2-2包括以下子步骤:
2-2-2-1:天线定位:预先制作天线模板,然后通过模板匹配搜索形状相同的天线,如果匹配分值大于设定阈值,则认为天线定位成功;
2-2-2-2:天线破损判断:使用天线模板与天线对齐,抠取天线区域,然后对区域图像进行阈值分割,提取异常点,如果异常点的区域面积或灰度超出范围,则认为天线破损;
2-2-2-3:天线外观断路判断:使用天线模板与天线对齐,扣取天线区域,然后进行阈值分割,对区域进行膨胀,如果区域断裂,则判定天线外观断路。
所述步骤2-2-3包括以下子步骤:
2-2-3-1::选定一个腔孔所在范围的ROI,对区域内进行阈值分割,分割为多个不相连的区域,对区域进行面积筛选,即可识别到腔孔区域;
2-2-3-2:对腔孔区域进行腐蚀,然后对腔孔内部进行阈值分割,筛选出灰度值大于PIN平均灰度2倍及灰度值小于PIN平均灰度2倍的聚集区域,若聚集区域的面积超过设定的规定值则认为腔孔存在漏镀,若聚集区域的面积小于设定的规定值则认为腔孔区域过蚀或脏污。
所述背面拍摄相机远离正面拍摄相机的一侧还设置有正面辅助相机,所述正面辅助相机位于载带的上方朝向载带设置;
所述步骤二中还包括子步骤2-3:正面辅助检测;
所述步骤2-3包括以下子步骤:
2-3-1:穿孔沙孔检测:框选模块区域范围的ROI,然后在ROI内使用阈值分割后进行填充,如果有沙孔穿孔亮点,它们的区域会被填充掉,对填充后的区域与填充前的区域求差,即可得到穿孔沙孔所在区域,然后根据沙孔穿孔的灰度和面积进行识别;
2-3-2:曝光偏移:求模块中心点到边缘齿孔中心的水平和垂直方向的差值,如果差值在允许范围内,即为合格,否则为不合格;
2-3-3:分切偏:通过求边缘三个齿孔外边拟合直线与基带边缘的距离进行判定;
2-3-4:识别划磨伤:在镀层表面表现为黑色或白色的微小细痕。
所述定位组件包括色标传感器及关于载带对称设置的两个对射传感器。
与现有技术相比,本发明具有以下有益效果:
1、实现机械自动检测,无须人为干预,自动化程度高,提高工作效率,节约劳动成本;
2、能够对载带上每一片IC芯片进行正反面的全面检测,保证检测的全面性;
3、保证了检测结果的准确性及检测质量。
附图说明
图1是本发明立体结构示意图。
图中:1、定位组件;2、载带;3、载带通道;4、正面拍摄相机;5、背面拍摄相机;6、正面辅助相机。
具体实施方式
下面结合附图对本发明实施例做进一步描述:
实施例:
如图1所示, 驱动机构驱动载带2沿载带通道3移动,载带通道3一侧沿载带通道3设置有依次设置有定位组件1及图像采集组件;定位组件1包括色标传感器及关于载带对称设置的两个对射传感器;图像采集组件包括位于载带通道3上方朝向载带2设置的正面拍摄相机4、位于载带通道3下方朝向载带2设置的背面拍摄相机5;驱动机构、传感器组及相机组均连接控制系统;驱动机构包括伺服电机传送连接的载带盘,通过载带盘释放或收取载带,驱动机构分设在载带通道3的两侧,控制系统通过控制伺服电机运动,实现载带2沿载带通道3移动。
包括以下步骤:
步骤一:标记芯片ID,对每一片芯片进行计数,标记ID,接收存储载带2上芯片的位置信息,位置信息对应到相应的芯片ID中;载带上的芯片经过定位组件1时,相应传感器对当前芯片的初始位置识别定位,发送到控制器,控制器接收芯片位置信息,进行计数,即标记对应的ID,控制器通过驱动机构驱动载带2前移,定位组件1识别下一张芯片的初始位置,以此类推,实现对载带2上每一张芯片的位置信息的掌握并对应到相应的ID。
步骤二:接收载带2上对应位置芯片的正反面图像信息进行分析判断;参照图1,定位组件1各传感器与图像采集组件各相机以及相机与相机之间的距离是固定的,传感器下的芯片通过驱动机构驱动行进传感器与正面拍摄相机4的距离,即行进至正面拍摄相机4进行图像采集,实现了芯片位置信息与图像信息的对应;背面拍摄相机5及正面辅助相机6的拍摄与上述图像采集远离相同;
控制器内预先加载存储训练模板及差异模型;对于训练模板及差异模型的获取采用现有技术,例如一张合格图像A,裁剪出模块区域,并对该区域制作形状模板。例如:采集50张以上的合格样品的正面图像,通过模板匹配算法准确匹配到每一张图像上的模块区域,得到旋转角和水平方向垂直方向的偏差,然后对每张图像进行旋转和平移,严格地与图像A对齐。然后使用这50多张严格对齐的图像,通过差异模型算法训练得到一个variationmodel,该模型包括一张标准图像和一张variation图像。variation图像中包含了图像中每个像素点灰度值允许变化的范围。将标准图像作为训练模板,variation图像作为差异模型加载到控制器中。
步骤二中图像分析判断,包括以下子步骤:
2-1:正面图像分析:主要针对芯片正面进行图像采集,分析检测是否脏污、PIN数量以及是否短路;步骤2-1:包括以下子步骤:
2-1-1:接收芯片正面图像信息,进行模板匹配后与差异模型对比,判断是否存在缺陷,若存在则进行缺陷分类,进入步骤2-1-2,否则将芯片正面图像信息存入对应芯片位置信息后,接收下一芯片的正面图像信息;
步骤2-1-1中,包括以下子步骤:
2-1-1-1:模板匹配中在获取的图像上通过匹配形状接近的图形图案确定待检测芯片,产生匹配分值以及匹配旋转角度和平移偏差值,根据匹配旋转角度和平移偏差值对图像进行旋转和平移,与差异模型图像严格对齐;
2-1-1-2:对齐后图像与差异模型即进行逐像素对比,提取出超出标准图像灰度值变化范围的像素点,各个相邻的像素点被划分到同一区域中,形成许多大小不一的灰度差异斑块区域;
2-1-1-3:将斑块区域根据面积和灰度值等特征进行筛选后对缺陷分类。
步骤2-1-1-3中,通过以下判断进行缺陷分类;
若轮廓形状筛选面积小于单pin面积的1/10时,并且轮廓周长面积比小于2:1则为点状缺陷,一般为小污点或者沙孔,随后根据其平均灰度值进行二次筛分,若灰度值大于100时的为沙孔缺陷,灰度值小于100大于10的为污点缺陷,若灰度值小于10时则为穿孔缺陷;
若筛选面积小于单pin面积的1/10,并且轮廓周长面积比大于2:1的为划伤、磨伤的条状缺陷;若轮廓形状面积大于pin面积的1/10,则该缺陷为脏污缺陷或者色差缺陷。
2-1-2:脏污分析检测;筛选轮廓形状的面积大于PIN面积的1/10小于1/2PIN面积时则判定为大面积脏污;筛选轮廓形状的面积大于PIN面积的1/2时的缺陷则认为是漏镀或断线;若缺陷面积额占据2个PIN 引脚面积的80%以上则判定为接带;
2-1-3:模块数量判定及短路识别。步骤2-1-3包括以下子步骤:
2-1-3-1:通过阈值分割提取得到较亮的区域,即为金属各PIN;
2-1-3-2::将该PIN区域分割为互相独立的6或8个区域,分别对应6PIN和8PIN,若分割后的区域数量将减少,则当出现模块PIN间短路,由此判定模块数量异常和短路。对于虚短的情况,可以进行一定程度的膨胀和腐蚀操作后再做判定。
2-2:背面图像分析: 主要针对芯片背面进行图像采集,分析检测焊接孔、天线及腔孔的情况;步骤2-2包括以下子步骤:
2-2-1:孔定位识别检测,主要识别判断人工坏孔及焊接孔并进行缺陷检测;步骤2-2-1包括以下子步骤:
2-2-1-1:人工坏孔识别:读取坏孔位置范围的ROI矩形;
截取图像,进行阈值分割,把分割后得到的区域断开连接,形成多个分散区域,分别判断对这些区域是否符合设定的阈值条件,如果符合,则认为识别到坏孔;坏孔的特征为灰度值较小且面积比较固定;因此可以通过面积固定且灰度值小于PIN整体平均灰度值的1/5作为识别坏孔的阈值条件;
2-2-1-2:焊接孔定位识别:读取焊接孔的位置范围ROI 矩形;
截取图像,进行阈值分割,焊接孔的特征为灰度值较大且面积比较固定;
把阈值分割得到的区域断开连接,形成多个分散区域,对这些区域,根据设定好的阈值条件进行选择并计数,如果焊接孔数量符合标准值则正常,否则NG;焊接孔的特征为灰度值明显大于PIN整体平均灰度值的2倍的且面积为比较固定的面积值;由于焊接孔为冲压孔,冲压磨具在每一片形成的面积为固定值,因此在选取时以面积固定值上下浮动10%的范围进行对多个分散区域的筛选,筛选根据灰度判定优先,面积判定其次的原则,将焊接孔区域按照在图幅中自上而下的方式排序筛选,并统计筛选出的数量。
2-2-1-3:焊接孔内缺陷识别:对识别到的每一个焊接孔,设置一个内部圆形区域ROI1,其半径大小可以设置;
在圆形区域ROI1内进行阈值分割,筛选灰度值异常点,对每一个圆形区域的ROI的面积周长比与设定的合格范围进行比较,如果不符合条件,则认为焊接孔内存在缺陷;
2-2-1-4:对识别到的每一个焊接孔,设置一个外部圆形区域ROI2,其半径大小可以设置;
在ROI2与ROI1的差集区域内进行阈值分割,筛选灰度值异常点,异常点进行面积的判断,具体地说,判定筛选出的灰度异常点是否存在聚集关系并重新抓取其面积大小和灰度值,若聚集面积超过规定面积或者其灰度值超过PIN的平均灰度值,则认为焊接孔边缘存在缺陷;
2-2-1-5:对每个焊接孔内的ROI1区域求灰度平均值,然后对这些灰度平均值进行孔间色差判断,如果极差大于阈值,则认为存在焊接孔漏镀;
2-2-1-6:焊接孔特殊缺陷与焊接孔多铜,原理与步骤2-2-1-3相同,在得到每个圆形区域的ROI后,对每个ROI进行LBP纹理特征提取算法处理,根据ROI从原图中进行筛选,重新根据设定的灰度值与面积值对该ROI进行二次筛选,看是否存在聚集面积和灰度值差异超过PIN的平均灰度值的区域,若存在该区域,则认为焊接孔存在特殊缺陷。ROI区域选定后会对灰度值进行转置,若转置的灰度值行列式的逆大于-1,则认为焊接孔存在多铜缺陷。
2-2-2:天线定位识别检测,主要识别判断天线是否存在破碎以及天线外观是否断路;步骤2-2-2包括以下子步骤:
2-2-2-1:天线定位:预先制作天线模板原理同训练模板及差异模型,然后通过模板匹配搜索形状相同的天线,如果匹配分值大于设定阈值,则认为天线定位成功;
2-2-2-2:天线破损判断:使用天线模板与天线对齐,抠取天线区域,然后对区域图像进行阈值分割,提取异常点,如果异常点的区域面积或灰度超出范围,则认为天线破损;
2-2-2-3:天线外观断路判断:使用天线模板与天线对齐,扣取天线区域,然后进行阈值分割,对区域进行一定程度的腐蚀膨胀,如果区域断裂,则判定天线外观断路。
2-2-3:腔孔定位识别检测。腔孔是焊接孔中央的一个方孔,面积较焊接孔大,有时会出现漏镀、过蚀等缺陷。步骤2-2-3包括以下子步骤:
2-2-3-1::选定一个腔孔所在范围的ROI3,对区域内进行阈值分割,分割为多个不相连的区域,对区域进行面积筛选,具体地说,由于腔孔与环氧布存在明细色差,因此根据灰度变化梯度,筛选出在ROI3区域中最大面积的唯一区域,即可识别到腔孔区域;
2-2-3-2:对腔孔区域进行一定的腐蚀,以去除腔孔周边的干扰,然后对腔孔内部进行阈值分割,可以设置两个层次的分割阈值,筛选出灰度值大于PIN平均灰度2倍及灰度值小于PIN平均灰度2倍的聚集区域,若聚集区域的面积超过设定的规定值则认为腔孔存在漏镀,若聚集区域的面积小于设定的规定值则认为腔孔区域过蚀或脏污。
背面拍摄相机5远离正面拍摄相机4的一侧还设置有正面辅助相机6,正面辅助相机6位于载带2的上方朝向载带2设置;
步骤二中还包括子步骤2-3:正面辅助检测;
步骤2-3包括以下子步骤:
2-3-1:穿孔沙孔检测:在背光下,模块区域不透光为黑色,蚀刻线处透光为白色。模块区域上的穿孔和沙孔为白色亮点。首先框选模块区域范围的ROI,然后在ROI内使用阈值分割后进行填充,如果有沙孔穿孔亮点,它们的区域会被填充掉,对填充后的区域与填充前的区域求差,即可得到穿孔沙孔所在区域,然后根据沙孔穿孔的灰度和面积进行识别。穿孔和沙孔的区别,一是透光程度,二是所在位置。穿孔完全透光而沙孔不完全透光。穿孔都存在于焊接孔所在位置,即穿孔发生在焊接孔上,而沙孔发生于模块其他位置。为区分穿孔和沙孔,在模块区域内画框B,B框内为焊接孔集中区域,B框外为其他区域。B框内出现的小孔一律识别为穿孔,其他位置的小孔一律识别为沙孔。
2-3-2:曝光偏移:求模块中心点到边缘齿孔中心的水平和垂直方向的差值,如果差值在允许范围内,即为合格,否则为不合格。首先求模块中心点,首先对模块区域范围画ROI框A,在A框内对图像进行阈值分割,随后对分隔后的模块区域进行开运算,去除导线边角,这时模块区域基本转化为一个矩形,再对“矩形”做一次形状转化,转化为一个标准的矩形。这个矩形即对模块区域的最佳拟合。求这个矩形的中心点坐标,即为模块的中心点坐标。
同理求得边缘齿孔的中心点坐标。两个坐标点求差,即可得到结果。
2-3-3:分切偏:通过求边缘三个齿孔外边拟合直线与基带边缘的距离进行判定;首先画出三个齿孔的大致范围ROI区域,然后对ROI区域图像做亚像素精度的阈值分割,得到每个齿孔的亚像素轮廓,然后对轮廓进行分割,在得到的分割后的轮廓片段中根据长度和位置进行筛选,只得到长度较长且位置在外边缘的轮廓片段,再对这些片段进行直线拟合,即可得到三个齿孔外边缘的拟合直线line1。
同理,对基带边缘画ROI,然后对ROI区域图像做亚像素精度的阈值分割,得到亚像素轮廓,再对轮廓分割筛选,只得到长度较长的轮廓片段,再对这些片段进行直线拟合,即可得到基带边缘的拟合直线line2。再在line1上取1点A,求A点到line2的距离即可。
2-3-4:识别划磨伤:在镀层表面表现为黑色或白色的微小细痕。镀层表面存在纹理和噪点,且有蚀刻线干扰,且表面光照不太均匀。在此情况下无法通过全区域的阈值分割得到缺陷位置。而局部阈值分割是非常合适的,即动态阈值分割。动态阈值分割首先是对图像进行滤波,一般使用均值滤波,也可以自定义卷积核进行高通滤波操作。作用是:1.去掉部分噪点和纹理影响2.使特征点与邻域像素点均值化。其次,就是使用原图像与滤波后的图像做像素点间的比较,如果原图像某像素点与均值滤波后的该点像素点灰度值之差的绝对值大于某偏差阈值,则认为该点存在较大的灰度变化,认为是目标点。目标点以一个整的区域的形式被筛选出来,对该区域进行分割,分割后再进行膨胀和腐蚀操作,即可将不连续的较近的点状分布连续起来。再通过形状筛选,即可排除绝大部分纹理和噪声干扰,而获取到真正的划痕区域。为了避免蚀刻线的干扰,把模块区域根据各PIN分割成互相独立的6个或8个部分,这也是通过全局阈值分割与区域分割来实现的,然后分别在各PIN上进行动态阈值分割,进行划磨伤的检测。
步骤三:芯片的数据信息及分析检测信息汇总在对应ID下,写入数据库存储。芯片的数据信息包括位置信息及对应的图像信息,数据信息及分析检测信息集中汇总在对应的ID下,存储在数据库中。
本实施例的阈值分割以单PIN面积,单PIN平均灰度值作为区域划分的划分参考值。
Claims (10)
1.一种IC卡图像缺陷检测方法,其特征在于,驱动机构驱动载带(2)沿载带通道(3)移动,载带通道(3)一侧沿所述载带通道(3)设置有依次设置有定位组件(1)及图像采集组件,所述图像采集组件包括位于载带通道(3)上方朝向载带(2)设置的正面拍摄相机(4)、位于载带通道(3)下方朝向载带(2)设置的背面拍摄相机(5),所述驱动机构、传感器组及相机组均连接控制系统;
包括以下步骤:
步骤一:标记芯片ID,接收存储载带(2)上芯片的位置信息,位置信息对应到相应的芯片ID中;
步骤二:接收载带(2)上对应位置芯片的正反面图像信息进行分析判断;
步骤二中图像分析判断,包括以下子步骤:
2-1:正面图像分析:主要针对芯片正面进行图像采集,分析检测是否脏污、PIN数量以及是否短路;
2-2:背面图像分析:主要针对芯片背面进行图像采集,分析检测焊接孔、天线及腔孔的情况;
步骤三:芯片的数据信息及分析检测信息汇总在对应ID下,写入数据库存储。
2.根据权利要求1所述的IC卡图像缺陷检测方法,其特征在于,控制器内预先加载存储训练模板及差异模型;
所述步骤2-1:包括以下子步骤:
2-1-1:接收芯片正面图像信息,进行模板匹配后与差异模型对比,判断是否存在缺陷,若存在则进行缺陷分类,进入步骤2-1-2,否则将芯片正面图像信息存入对应芯片位置信息后,接收下一芯片的正面图像信息;
2-1-2:脏污分析检测;
2-1-3:模块数量判定及短路识别。
3.根据权利要求2所述的IC卡图像缺陷检测方法,其特征在于,所述步骤2-1-1中,包括以下子步骤:
2-1-1-1:所述模板匹配中在获取的图像上通过匹配形状接近的图形图案确定待检测芯片,产生匹配分值以及匹配旋转角度和平移偏差值,根据匹配旋转角度和平移偏差值对图像进行旋转和平移,与差异模型图像严格对齐;
2-1-1-2:对齐后图像与差异模型即进行逐像素对比,提取出超出标准图像灰度值变化范围的像素点,各个相邻的像素点被划分到同一区域中,形成许多大小不一的灰度差异斑块区域;
2-1-1-3:将斑块区域根据面积和灰度值特征进行筛选后对缺陷分类。
4.根据权利要求3所述的IC卡图像缺陷检测方法,其特征在于,所述步骤2-1-3包括以下子步骤:
2-1-3-1:通过阈值分割提取得到亮的区域,即为金属各PIN;
2-1-3-2::将该PIN区域分割为互相独立的6或8个区域,分别对应6PIN和8PIN,若分割后的区域数量将减少,则当出现模块PIN间短路,由此判定模块数量异常和短路。
5.根据权利要求1所述的IC卡图像缺陷检测方法,其特征在于,所述步骤2-2包括以下子步骤:
2-2-1:孔定位识别检测,主要识别判断人工坏孔及焊接孔并进行缺陷检测;
2-2-2:天线定位识别检测,主要识别判断天线是否存在破碎以及天线外观是否断路;
2-2-3:腔孔定位识别检测。
6.根据权利要求5所述的IC卡图像缺陷检测方法,其特征在于,步骤2-2-1包括以下子步骤:
2-2-1-1:人工坏孔识别:读取坏孔位置范围的ROI矩形;
截取图像,进行阈值分割;把分割后得到的区域断开连接,形成多个分散区域,分别判断对这些区域是否符合设定的阈值条件,如果符合,则认为识别到坏孔;
2-2-1-2:焊接孔定位识别:读取焊接孔的位置范围ROI 矩形;截取图像,进行阈值分割;把阈值分割得到的区域断开连接,形成多个分散区域,对这些区域,根据设定好的阈值条件进行选择并计数,如果焊接孔数量符合标准值则正常,否则NG;
2-2-1-3:焊接孔内缺陷识别:对识别到的每一个焊接孔,设置一个内部圆形区域ROI1;
在圆形区域ROI1内进行阈值分割,筛选灰度值异常点,对每一个圆形区域的ROI的面积周长比与设定的合格范围进行比较,如果不符合条件,则认为焊接孔内存在缺陷;
2-2-1-4:对识别到的每一个焊接孔,设置一个外部圆形区域ROI2;
在ROI2与ROI1的差集区域内进行阈值分割,筛选灰度值异常点,并对异常点进行面积的判断,如果符合条件,则认为焊接孔边缘存在缺陷;
2-2-1-5:对每个焊接孔内的ROI1区域求灰度平均值,然后对这些灰度平均值进行孔间色差判断,如果极差大于阈值,则认为存在焊接孔漏镀;
2-2-1-6:焊接孔特殊缺陷与焊接孔多铜,原理与2-2-1-3相同,在得到每个圆形区域的ROI后,对每个ROI进行LBP纹理特征提取算法处理,根据ROI从原图中进行筛选,重新根据设定的灰度值与面积值对该ROI进行二次筛选,看是否存在聚集面积和灰度值差异超过PIN的平均灰度值的区域,若存在该区域,则认为焊接孔存在特殊缺陷,ROI区域选定后会对灰度值进行转置,若转置的灰度值行列式的逆大于-1,则认为焊接孔存在多铜缺陷。
7.根据权利要求5所述的IC卡图像缺陷检测方法,其特征在于,所述步骤2-2-2包括以下子步骤:
2-2-2-1:天线定位:预先制作天线模板,然后通过模板匹配搜索形状相同的天线,如果匹配分值大于设定阈值,则认为天线定位成功;
2-2-2-2:天线破损判断:使用天线模板与天线对齐,抠取天线区域,然后对区域图像进行阈值分割,提取异常点,如果异常点的区域面积或灰度超出范围,则认为天线破损;
2-2-2-3:天线外观断路判断:使用天线模板与天线对齐,扣取天线区域,然后进行阈值分割,对区域进行膨胀,如果区域断裂,则判定天线外观断路。
8.根据权利要求5所述的IC卡图像缺陷检测方法,其特征在于,所述步骤2-2-3包括以下子步骤:
2-2-3-1::选定一个腔孔所在范围的ROI,对区域内进行阈值分割,分割为多个不相连的区域,对区域进行面积筛选,即可识别到腔孔区域;
2-2-3-2:对腔孔区域进行腐蚀,然后对腔孔内部进行阈值分割,筛选出灰度值大于PIN平均灰度2倍及灰度值小于PIN平均灰度2倍的聚集区域,若聚集区域的面积超过设定的规定值则认为腔孔存在漏镀,若聚集区域的面积小于设定的规定值则认为腔孔区域过蚀或脏污。
9.根据权利要求1所述的IC卡图像缺陷检测方法,其特征在于,所述背面拍摄相机(5)远离正面拍摄相机(4)的一侧还设置有正面辅助相机(6),所述正面辅助相机(6)位于载带(2)的上方朝向载带(2)设置;
所述步骤二中还包括子步骤2-3:正面辅助检测;
所述步骤2-3包括以下子步骤:
2-3-1:穿孔沙孔检测:框选模块区域范围的ROI,然后在ROI内使用阈值分割后进行填充,如果有沙孔穿孔亮点,它们的区域会被填充掉,对填充后的区域与填充前的区域求差,即可得到穿孔沙孔所在区域,然后根据沙孔穿孔的灰度和面积进行识别;
2-3-2:曝光偏移:求模块中心点到边缘齿孔中心的水平和垂直方向的差值,如果差值在允许范围内,即为合格,否则为不合格;
2-3-3:分切偏:通过求边缘三个齿孔外边拟合直线与基带边缘的距离进行判定;
2-3-4:识别划磨伤:在镀层表面表现为黑色或白色的微小细痕。
10.根据权利要求1所述的IC卡图像缺陷检测方法,其特征在于,所述定位组件(1)包括色标传感器及关于载带对称设置的两个对射传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111344512.6A CN113781486B (zh) | 2021-11-15 | 2021-11-15 | Ic卡图像缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111344512.6A CN113781486B (zh) | 2021-11-15 | 2021-11-15 | Ic卡图像缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113781486A true CN113781486A (zh) | 2021-12-10 |
CN113781486B CN113781486B (zh) | 2022-03-15 |
Family
ID=78957098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111344512.6A Active CN113781486B (zh) | 2021-11-15 | 2021-11-15 | Ic卡图像缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781486B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842218A (zh) * | 2022-05-27 | 2022-08-02 | 北京华维国创电子科技有限公司 | 贴片机飞达取料方法、装置和贴片机 |
CN115578380A (zh) * | 2022-11-18 | 2023-01-06 | 菲特(天津)检测技术有限公司 | 一种基于机器视觉的泡罩缺陷通用检测方法 |
CN116343115A (zh) * | 2023-03-15 | 2023-06-27 | 杭州力为科技有限公司 | 一种pcb焊接缺陷检测方法 |
CN116726394A (zh) * | 2023-08-14 | 2023-09-12 | 北京领创医谷科技发展有限责任公司 | 一种感应天线定位方法及系统 |
CN116863175A (zh) * | 2023-08-31 | 2023-10-10 | 中江立江电子有限公司 | 一种直角连接器缺陷识别方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090136117A1 (en) * | 2004-10-26 | 2009-05-28 | May High-Tech Solutions Ltd. | Method and apparatus for residue detection on a polished wafer |
CN105092598A (zh) * | 2015-09-28 | 2015-11-25 | 深圳大学 | 一种基于连通域的大幅面pcb板缺陷快速识别方法及系统 |
CN107967681A (zh) * | 2017-11-24 | 2018-04-27 | 常熟理工学院 | 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法 |
CN108037138A (zh) * | 2017-12-23 | 2018-05-15 | 陕西科技大学 | 一种用于检测纸张双面缺陷的纸病检测系统及检测方法 |
CN109813718A (zh) * | 2018-12-30 | 2019-05-28 | 江苏四点灵机器人有限公司 | 一种led芯片模组缺陷检测装置及方法 |
CN110261391A (zh) * | 2019-06-17 | 2019-09-20 | 武汉大学 | 一种led芯片外观检测系统及方法 |
CN111429444A (zh) * | 2020-04-02 | 2020-07-17 | 苏州杰锐思智能科技股份有限公司 | 芯片外观的检测方法及装置、电子设备、存储介质 |
CN113218952A (zh) * | 2021-04-25 | 2021-08-06 | 华南理工大学 | Ic封装载板多尺度外观缺陷检测方法、装置、设备和介质 |
-
2021
- 2021-11-15 CN CN202111344512.6A patent/CN113781486B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090136117A1 (en) * | 2004-10-26 | 2009-05-28 | May High-Tech Solutions Ltd. | Method and apparatus for residue detection on a polished wafer |
CN105092598A (zh) * | 2015-09-28 | 2015-11-25 | 深圳大学 | 一种基于连通域的大幅面pcb板缺陷快速识别方法及系统 |
CN107967681A (zh) * | 2017-11-24 | 2018-04-27 | 常熟理工学院 | 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法 |
CN108037138A (zh) * | 2017-12-23 | 2018-05-15 | 陕西科技大学 | 一种用于检测纸张双面缺陷的纸病检测系统及检测方法 |
CN109813718A (zh) * | 2018-12-30 | 2019-05-28 | 江苏四点灵机器人有限公司 | 一种led芯片模组缺陷检测装置及方法 |
CN110261391A (zh) * | 2019-06-17 | 2019-09-20 | 武汉大学 | 一种led芯片外观检测系统及方法 |
CN111429444A (zh) * | 2020-04-02 | 2020-07-17 | 苏州杰锐思智能科技股份有限公司 | 芯片外观的检测方法及装置、电子设备、存储介质 |
CN113218952A (zh) * | 2021-04-25 | 2021-08-06 | 华南理工大学 | Ic封装载板多尺度外观缺陷检测方法、装置、设备和介质 |
Non-Patent Citations (2)
Title |
---|
CHIH-WEN CHEN: "An automatic optical system for micro-defects inspection on 5 surfaces of a chip", 《2016 INTERNATIONAL CONFERENCE ON MANIPULATION, AUTOMATION AND ROBOTICS AT SMALL SCALES (MARSS)》 * |
魏鸿磊: "芯片载带缺陷的机器视觉检测方法", 《包装工程》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842218A (zh) * | 2022-05-27 | 2022-08-02 | 北京华维国创电子科技有限公司 | 贴片机飞达取料方法、装置和贴片机 |
CN115578380A (zh) * | 2022-11-18 | 2023-01-06 | 菲特(天津)检测技术有限公司 | 一种基于机器视觉的泡罩缺陷通用检测方法 |
CN116343115A (zh) * | 2023-03-15 | 2023-06-27 | 杭州力为科技有限公司 | 一种pcb焊接缺陷检测方法 |
CN116343115B (zh) * | 2023-03-15 | 2024-01-26 | 杭州力为科技有限公司 | 一种pcb焊接缺陷检测方法 |
CN116726394A (zh) * | 2023-08-14 | 2023-09-12 | 北京领创医谷科技发展有限责任公司 | 一种感应天线定位方法及系统 |
CN116726394B (zh) * | 2023-08-14 | 2023-11-03 | 北京领创医谷科技发展有限责任公司 | 一种感应天线定位方法及系统 |
CN116863175A (zh) * | 2023-08-31 | 2023-10-10 | 中江立江电子有限公司 | 一种直角连接器缺陷识别方法、装置、设备及介质 |
CN116863175B (zh) * | 2023-08-31 | 2023-12-26 | 中江立江电子有限公司 | 一种直角连接器缺陷识别方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113781486B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113781486B (zh) | Ic卡图像缺陷检测方法 | |
CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
CN105784713B (zh) | 基于机器视觉的密封圈表面缺陷检测方法 | |
CN108596166A (zh) | 一种基于卷积神经网络分类的集装箱箱号识别方法 | |
CN109685760B (zh) | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 | |
CN105069790A (zh) | 一种齿轮外观缺陷快速影像检测方法 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN112686858A (zh) | 一种手机充电器视觉缺陷检测方法、装置、介质及设备 | |
CN108256521B (zh) | 用于车身颜色识别的有效区域定位方法 | |
CN104597057B (zh) | 一种基于机器视觉的柱状二极管表面缺陷检测装置 | |
CN115115612B (zh) | 一种用于机械配件的表面缺陷检测方法及系统 | |
CN114913177B (zh) | 一种基于霍夫圆的汽车零部件缺陷检测方法 | |
CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
CN106501272B (zh) | 机器视觉焊锡定位检测系统 | |
CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
CN115619775B (zh) | 基于图像识别的物料计数方法及装置 | |
CN113034488A (zh) | 一种喷墨印刷品的视觉检测方法 | |
CN115931898A (zh) | 一种陶瓷基板表面缺陷视觉检测方法、装置及存储介质 | |
CN112581452A (zh) | 工业配件表面缺陷检测方法、系统、智能设备和存储介质 | |
CN109001213B (zh) | 一种卷到卷超薄柔性ic基板外观检测方法 | |
CN113916893A (zh) | 模切产品缺陷的检测方法 | |
CN113724322A (zh) | 一种用于无人叉车的货物托盘定位方法及系统 | |
CN111707672A (zh) | 风电回转支撑件表面缺陷检测方法 | |
CN115661110B (zh) | 一种透明工件识别与定位的方法 | |
CN109584212A (zh) | 一种基于matlab的slm粉床铺粉图像划痕缺陷识别方法 |
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 |