CN113793323A - 一种元器件检测方法、系统、设备及介质 - Google Patents

一种元器件检测方法、系统、设备及介质 Download PDF

Info

Publication number
CN113793323A
CN113793323A CN202111089182.0A CN202111089182A CN113793323A CN 113793323 A CN113793323 A CN 113793323A CN 202111089182 A CN202111089182 A CN 202111089182A CN 113793323 A CN113793323 A CN 113793323A
Authority
CN
China
Prior art keywords
component
image
original image
component detection
segmented
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
CN202111089182.0A
Other languages
English (en)
Inventor
吴天舒
钟南昌
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.)
Yuncong Technology Group Co Ltd
Original Assignee
Yuncong Technology Group 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 Yuncong Technology Group Co Ltd filed Critical Yuncong Technology Group Co Ltd
Priority to CN202111089182.0A priority Critical patent/CN113793323A/zh
Publication of CN113793323A publication Critical patent/CN113793323A/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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V9/00—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06T7/0002—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
    • G06T7/70—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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Geophysics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种元器件检测方法、系统、设备及介质，包括：获取原始图像，对原始图像进行分割，获取多个分割图像以及每个分割图像在原始图像中的位置信息；将每个分割图像输入至元器件检测模型中进行元器件检测，获取元器件检测模型对每个分割图像的元器件标注信息；将每个分割图像的元器件标注信息以及每个分割图像在原始图像中的位置信息进行关联，并将关联结果还原至原始图像中，得到原始图像的元器件检测结果。本发明先对原始图像进行分割，然后通过元器件检测模型来识别分割图像中的元器件，可以识别出分割图像中是否存在元器件，以及存在元器件时元器件的类别和位置，所以，本发明可以解决像素值定位方法无法分辨相似定位点的问题。

Description

一种元器件检测方法、系统、设备及介质
技术领域
本发明涉及图像识别技术领域，特别是涉及一种元器件检测方法、系统、设备及介质。
背景技术
在电子回收、逆向工程、缺陷检测等应用场景中，需要对集成电路上的电子元器件进行分析和定位，现有方法分为人工标注或像素值定位两种方法。人工标注方法通常用于逆向工程等不了解电路设计的任务中，由经验丰富的技术人员对电路板上每个元器件进行标注，该方法实际效果取决于操作人员的个人经验，检测精度不够统一，并且这种检测方式需要耗费大量人力，难以进行大规模应用。而像素值定位方法通常用于缺陷检测中，AOI(Automated Optical Inspection，自动光学检测)设备通常通过预先编程，然后采集固定区域像素值的方式来定位目标位置；像素值定位方法初始设置过程繁琐，同时，当元器件出现严重歪斜或缺件等问题导致元器件形态发生变化时，利用像素值定位方法进行检测会存在难以避免的偏差，不利于元器件的准确检测。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种元器件检测方法、系统、设备及介质，用于解决现有技术在对集成电路上的电子元器件进行检测时不能准确检测的问题。
为实现上述目的及其他相关目的，本发明提供一种元器件检测方法，包括以下步骤：
获取需要进行元器件检测的原始图像；
对所述原始图像进行分割，获取多个分割图像以及每个分割图像在所述原始图像中的位置信息；
将每个分割图像输入至元器件检测模型中进行元器件检测，获取所述元器件检测模型对每个分割图像的元器件标注信息；
将每个分割图像的元器件标注信息以及每个分割图像在所述原始图像中的位置信息进行关联，并将关联结果还原至所述原始图像中，得到所述原始图像的元器件检测结果。
可选地，所述元器件标注信息包括：是否存在元器件、存在元器件时元器件的位置和类别；
所述原始图像的元器件检测结果包括：不存在元器件、存在元器件以及对应元器件的位置、存在元器件以及对应元器件的类别。
可选地，对所述原始图像进行分割前，还包括对所述原始图像进行预处理，所述预处理包括以下至少之一：调节所述原始图像的亮度、调整所述原始图像的白平衡、淡化所述原始图像的背景。
可选地，所述元器件检测模型包括：YOLO模型或区域卷积神经网络模型。
可选地，若所述分割图像中存在某元器件，则还包括：
获取该元器件在所述分割图像中的位置，并根据该元器件在所述分割图像中的长和宽确定该元器件在所述分割图像中的比例；
获取该元器件的类别，以及与该元器件类别对应的标准尺寸模板；
根据所述标准尺寸模板、该元器件在所述分割图像中的位置以及该元器件在所述分割图像中的比例来对该元器件进行缩放裁剪，获取仅包含该元器件的标准图像。
可选地，所述方法还包括：获取所有仅包含单个元器件的标准图像；
对这些标准图像进行无损压缩编码或有损压缩编码，并存储编码后的所有图像。
可选地，所述元器件检测模型包括主干网络和辅助网络；所述主干网络包括：跨阶段局部网络和Focus结构；所述辅助网络包括：基于特征金字塔网络的路径聚合网络结构。
本发明还提供一种元器件检测系统，包括有：
采集模块，用于获取需要进行元器件检测的原始图像；
分割模块，用于对所述原始图像进行分割，获取多个分割图像以及每个分割图像在所述原始图像中的位置信息；
检测标注模块，用于将每个分割图像输入至元器件检测模型中进行元器件检测，获取所述元器件检测模型对每个分割图像的元器件标注信息；
检测还原模块，用于将每个分割图像的元器件标注信息以及每个分割图像在所述原始图像中的位置信息进行关联，并将关联结果还原至所述原始图像中，得到所述原始图像的元器件检测结果。
可选地，所述元器件标注信息包括：是否存在元器件、存在元器件时元器件的位置和类别；
所述原始图像的元器件检测结果包括：不存在元器件、存在元器件以及对应元器件的位置、存在元器件以及对应元器件的类别。
可选地，所述元器件检测模型包括：YOLO模型或区域卷积神经网络模型；
所述元器件检测模型包括主干网络和辅助网络；所述主干网络包括：跨阶段局部网络和Focus结构；所述辅助网络包括：基于特征金字塔网络的路径聚合网络结构。
本发明还提供一种元器件识别设备，包括有：
一个或多个处理器；和
存储有指令的计算机可读介质，当所述一个或多个处理器执行所述指令时，使得所述设备执行如上述中任意一项所述的方法。
本发明还提供一种计算机可读介质，其上存储有指令，当由一个或多个处理器执行所述指令时，使得设备执行如上述中任意一项所述的方法。
如上所述，本发明提供一种元器件检测方法、系统、设备及介质，具有以下有益效果：本发明首先获取需要进行元器件检测的原始图像，然后对原始图像进行分割，获取多个分割图像以及每个分割图像在原始图像中的位置信息；同时再将每个分割图像输入至元器件检测模型中进行元器件检测，获取元器件检测模型对每个分割图像的元器件标注信息；最后将每个分割图像的元器件标注信息以及每个分割图像在原始图像中的位置信息进行关联，并将关联结果还原至原始图像中，得到原始图像的元器件检测结果。本发明针对目前存在的问题，提出了一种能通过机器视觉、目标检测等技术来自动定位集成电路板上目标元器件的技术方案，首先获取需要进行元器件检测的原始图像，然后对原始图像进行分割得到多个分割图像，再利用预先训练的元器件检测模型对分割图像进行元器件检测，再然后将每个分割图像在原始图像中的位置信息与每个分割图像的元器件标注信息进行关联，然后将关联结果还原至原始图像中，从而得到原始图像的元器件检测结果。本发明通过预先训练后的深度神经网络模型(例如元器件检测模型)来识别集成电路板上的元器件，可以识别出集成电路上是否存在元器件，以及存在元器件时元器件的类别和位置，从而使得本发明解决了像素值定位方法无法分辨相似定位点的问题。此外，本发明通过机器视觉、目标检测等技术来自动定位集成电路板上目标元器件，无需关注集成电路板上的元器件是否出现歪斜；同时，本发明通过元器件检测结果可以准确地确定原始图像中是否存在元器件缺失，从而解决了元器件缺失检测偏差问题。
附图说明
图1为一实施例提供的元器件检测方法的流程示意图；
图2为另一实施例提供的元器件检测方法的流程示意图；
图3为一实施例提供的待进行元器件检测的集成电路板原始图像；
图4为一实施例提供的对图3进行图像分割后得到的部分分割图像；
图5a、图5b和图5c为一实施例提供的仅包含单个元器件的标准图像；
图6为一实施例提供的元器件检测模型的结构示意图；
图7为一实施例提供的元器件检测系统的硬件结构示意图；
图8为一实施例提供的终端设备的硬件结构示意图；
图9为另一实施例提供的终端设备的硬件结构示意图。
元件标号说明
1100 输入设备
1101 第一处理器
1102 输出设备
1103 第一存储器
1104 通信总线
1200 处理组件
1201 第二处理器
1202 第二存储器
1203 通信组件
1204 电源组件
1205 多媒体组件
1206 音频组件
1207 输入/输出接口
1208 传感器组件
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
请参阅图1所示，本发明提供一种元器件检测方法，包括以下步骤：
S10，获取需要进行元器件检测的原始图像；作为示例，本实施例中需要进行元器件检测的原始图像如图3所示。
S20，对所述原始图像进行分割，获取多个分割图像以及每个分割图像在所述原始图像中的位置信息；作为示例，通过对图3进行分割后，可以得到多个分割图像，其中图4是这多个分割图像中的某个分割图像。
S30，将每个分割图像输入至元器件检测模型中进行元器件检测，获取所述元器件检测模型对每个分割图像的元器件标注信息；
S40，将每个分割图像的元器件标注信息以及每个分割图像在所述原始图像中的位置信息进行关联，并将关联结果还原至所述原始图像中，得到所述原始图像的元器件检测结果。
由此可知，本实施例首先获取需要进行元器件检测的原始图像，然后对原始图像进行分割得到多个分割图像，再利用预先训练的元器件检测模型对分割图像进行元器件检测，再然后将每个分割图像在原始图像中的位置信息与每个分割图像的元器件标注信息进行关联，然后将关联结果还原至原始图像中，从而得到原始图像的元器件检测结果。本实施例通过预先训练后的深度神经网络模型(即元器件检测模型)来识别集成电路板上的元器件，可以识别出集成电路上是否存在元器件，以及存在元器件时元器件的类别和位置，从而使得本实施例解决了像素值定位方法无法分辨相似定位点的问题。此外，本实施例通过机器视觉、目标检测等技术来自动定位集成电路板上目标元器件，无需关注集成电路板上的元器件是否出现歪斜；同时，本实施例通过元器件检测结果可以准确地确定原始图像中是否存在元器件缺失，从而解决了元器件缺失检测偏差问题。
根据上述记载，在一示例性实施例中，分割图像的元器件标注信息包括：是否存在元器件、存在元器件时元器件的位置和类别；原始图像的元器件检测结果包括：不存在元器件、存在元器件以及对应元器件的位置、存在元器件以及对应元器件的类别。作为示例，本实施例中的元器件检测模型包括但不限于：YOLO模型或区域卷积神经网络模型。其中，YOLO模型由训练图像训练YOLO算法(You Only Look Once，简称YOLO)生成，区域卷积神经网络模型由训练图像训练区域卷积神经网络(Region Convolutional Neural Networks，简称RCNN)。本方法中的训练图像由包含有元器件的图像和不包含元器件的图像构成。在利用训练图像进行模型训练时，还包括通过Mosaic数据增强方法来对训练图像进行增强，按照随机缩放、随机裁剪和随机排布的方式将多张图像组合成一张图像。通过图像组合后，可以提高模型的训练速度，增强模型的泛化能力，同时降低模型对内存的需求。训练过程中可以通过先预设一组不同尺度不同位置的固定参考框，然后自适应地迭代调整的来获得检测所需要的锚框anchor。本方法中的元器件检测模型的结构示意图如图6所示，本方法中的元器件检测模型包括主干网络(即图6中的特征提取网络)和辅助网络；所述主干网络包括：跨阶段局部网络和Focus结构；所述辅助网络包括：基于特征金字塔网络的路径聚合网络结构。即在特征提取模块，本方法采用了CSP Darknet(Cross Stage Partial Darknet，跨阶段局部网络)和Focus结构作为检测模型的主干网络backbone，由此可知，本方法通过将CSPDarknet和Focus结构作为检测模型的backbone，可以加强网络特征融合能力，从而在不同图像上细粒度聚合并形成图像特征的卷积神经网络。同时，本方法中的辅助网络Neck部分采用了FPN(Feature Pyramid Networks，特征金字塔网络)的PANet(Path AggregationNetwork，路径聚合网络)结构，辅助网络Neck用于对主干网络backbone提取的特征继续进行特征分析，使得本方法可以加强信息传播，具有准确保留空间信息的能力。而在目标检测模块，本方法采用GIOU Loss作为目标框的损失函数，可以让不同输出层分别对应不同降采样的倍率，从而在每个输出层的每个特征点上能够预测多个目标框，完成对每个目标框进行预测分类。其中，每个输出层包括一个检测器、定位器和分类器。经过处理后，采用加权的非最大抑制操作来对目标框进行筛选，输出最终的元器件所在的目标框以及对应的预测元器件类别。
在一示例性实施例中，对所述原始图像进行分割前，还包括对所述原始图像进行预处理，所述预处理包括以下至少之一：调节所述原始图像的亮度、调整所述原始图像的白平衡、淡化所述原始图像的背景。作为示例，本方法可以通过数字图像处理中的亮度调整算法来调节原始图像的亮度，通过白平衡算法来调整原始图像的白平衡，通过边缘增强算法来淡化原始图像的背景，从而使得整体图片在处理后不会存在明显的偏色、暗区和亮区杂糅不清、目标和背景无法区分的问题。
在一示例性实施例中，若所述分割图像中存在某元器件，则还包括：获取该元器件在所述分割图像中的位置，并根据该元器件在所述分割图像中的长和宽确定该元器件在所述分割图像中的比例；获取该元器件的类别，以及与该元器件类别对应的标准尺寸模板；根据所述标准尺寸模板、该元器件在所述分割图像中的位置以及该元器件在所述分割图像中的比例来对该元器件进行缩放裁剪，获取仅包含该元器件的标准图像。作为示例，以图4这个分割图像为例，按照预设的标准尺寸模板对图4进行缩放裁剪后，分别可以得到图5a、图5b和图5c这3个仅包含单个元器件的标准图像。其中，图5a为仅包含按键开关这个元器件的标准图像，图5b为仅包含电阻这个元器件的标准图像，图5c为仅包含电容这个元器件的标准图像。
根据上述记载，在一示例性实施例中，本方法还包括：获取所有仅包含单个元器件的标准图像；对这些标准图像进行无损压缩编码或有损压缩编码，并存储编码后的所有图像。作为示例，例如对于这些仅包含单个元器件的标准图像，若对标准图像存在无损压缩的应用需求，则可以对标准图像进行png编码；若对标准图像存在有损压缩的应用需求，则可以对标准图像进行jpeg编码。在进行png编码或jpeg编码时，编码高级参数中的编码质量为100％。
如图2所示，本发明还提供一种元器件检测方法，包括有以下步骤：
S101，图片预处理。本方法可以通过数字图像处理中的亮度调整算法来调节原始图像的亮度，通过白平衡算法来调整原始图像的白平衡，通过边缘增强算法来淡化原始图像的背景，从而使得整体图片在处理后不会存在明显的偏色、暗区和亮区杂糅不清、目标和背景无法区分的问题。
S102，图像分割。为了对元器件进行更精准的检测，本方法可以采用滑动窗口方法来对PCB的原始大图进行分割，将高分辨率的PCB原始图片按区域分割为多个分割图像。本实施例中的PCB是指印制电路板，其中，在PCB空板上进行元器件焊接的制程称为PCBA。
S103，元器件检测。本方法通过预先训练元器件检测算法，生成用于进行元器件检测的元器件检测模型。通过元器件检测模型来检测PCB原始大图或分割图像中是否存在元器件，以及存在元器件时的元器件类别和位置。其中，本方法中的元器件检测算法包括但不限于YOLO，R-CNN等算法。
S104，智能裁剪。通过步骤S103中检测出的元器件位置后，还可以将每个元器件单独裁剪为合适的尺寸，既统一了图片尺寸及图片排版，又保留了图片细节信息。作为示例，智能裁剪的具体步骤包括：获取步骤S103分割出来的元器件区域，并计算元器件的长、宽以及比例；根据预先定义的不同类型元器件的标准尺寸模板，按照元器件类型选择对应的尺寸模板；按照标准模板中定义的尺寸及位置进行智能裁剪，包括对元器件进行缩放、裁剪。
S105，标注合并。根据步骤S103中检测出的元器件位置，本方法再将从分割图像中检测出的元器件的位置信息和元器件类别信息返回到PCB原始大图中，生成合并的标注信息。作为示例，标注合并的步骤包括：获取步骤S102对PCB原始大图分割后形成的每个分割图像的位置信息，以及获取步骤S103中利用元器件检测模型从每个分割图像中得到的元器件位置和标注信息。对步骤S103中的元器件位置坐标进行转换，生成在原始大图的标注信息。
S106，统一编码。通过步骤S104处理后的图片，需要按照统一的编码模式进行编码及存储。其中，对于无损压缩的应用需求，可以使用png编码；对于有损压缩的应用需求，可以使用jpeg编码，并且编码高级参数中的编码质量为100％。
由此可知，本发明提供一种元器件检测方法，首先获取需要进行元器件检测的原始图像，然后对原始图像进行分割，获取多个分割图像以及每个分割图像在原始图像中的位置信息；同时再将每个分割图像输入至元器件检测模型中进行元器件检测，获取元器件检测模型对每个分割图像的元器件标注信息；最后将每个分割图像的元器件标注信息以及每个分割图像在原始图像中的位置信息进行关联，并将关联结果还原至原始图像中，得到原始图像的元器件检测结果。本方法针对目前存在的问题，提出了一种能通过机器视觉、目标检测等技术来自动定位集成电路板上目标元器件的技术方案，本方法首先通过对集成电路板图像预处理，可以消除亮度与背景电路的影响，再通过预先训练后的深度神经网络模型(即元器件检测模型)来识别集成电路板上的元器件，可以识别出集成电路上是否存在元器件，以及存在元器件时元器件的类别和位置，从而使得本方法解决了像素值定位方法无法分辨相似定位点的问题。此外，本方法通过机器视觉、目标检测等技术来自动定位集成电路板上目标元器件，无需关注集成电路板上的元器件是否出现歪斜；同时，本方法通过元器件检测结果可以准确地确定原始图像中是否存在元器件缺失，从而解决了元器件缺失检测偏差问题。此外，本方法通过调节亮度、调整白平衡，淡化电路板背景等图像预处理方法，对原始图片进行处理，使得背景与元器件边界更加清晰，物体更易辨认。本方法通过图像分割算法，可以将集成电路板图片划分为不同的子图，再通过元器件检测模型，可以识别出目标元器件的位置及类别。本方法根据识别到的元器件类别，通过智能算法将元器件图片裁剪为标准格式，可以将标准图像按照统一的编码方式编码后再保存。此外，本方法通过将从分割图像检测出的元器件类别和标注信息还原至原始大图中，可以输出PCB电路板原始图像中的元器件信息。并且，本申请能够将可能存在图像质量差、光照弱、背景杂乱、文件编码格式不统一等问题的PCB原始图像通过预处理、图像分割、目标检测、智能裁剪等操作后，再对PCB原始图像上的元器件进行识别，从而有利于生产人员分析PCB原始图像上的元器件组装情况，同时裁剪出标准的元器件图片后，并生成元器件在电路板上的位置标注，可以快速定位特定元器件，并能够在不同平台利用不同的图片查看器进行查看。
如图7所示，本发明还提供一种元器件检测系统，包括有：
采集模块M10，用于获取需要进行元器件检测的原始图像；作为示例，本实施例中需要进行元器件检测的原始图像如图3所示。
分割模块M20，用于对所述原始图像进行分割，获取多个分割图像以及每个分割图像在所述原始图像中的位置信息；作为示例，通过对图3进行分割后，可以得到多个分割图像，其中图4是这多个分割图像中的某个分割图像。
检测标注模块M30，用于将每个分割图像输入至元器件检测模型中进行元器件检测，获取所述元器件检测模型对每个分割图像的元器件标注信息；
检测还原模块M40，用于将每个分割图像的元器件标注信息以及每个分割图像在所述原始图像中的位置信息进行关联，并将关联结果还原至所述原始图像中，得到所述原始图像的元器件检测结果。
由此可知，本实施例首先获取需要进行元器件检测的原始图像，然后对原始图像进行分割得到多个分割图像，再利用预先训练的元器件检测模型对分割图像进行元器件检测，再然后将每个分割图像在原始图像中的位置信息与每个分割图像的元器件标注信息进行关联，然后将关联结果还原至原始图像中，从而得到原始图像的元器件检测结果。本实施例通过预先训练后的深度神经网络模型(即元器件检测模型)来识别集成电路板上的元器件，可以识别出集成电路上是否存在元器件，以及存在元器件时元器件的类别和位置，从而使得本实施例解决了像素值定位方法无法分辨相似定位点的问题。此外，本实施例通过机器视觉、目标检测等技术来自动定位集成电路板上目标元器件，无需关注集成电路板上的元器件是否出现歪斜；同时，本实施例通过元器件检测结果可以准确地确定原始图像中是否存在元器件缺失，从而解决了元器件缺失检测偏差问题。
根据上述记载，在一示例性实施例中，分割图像的元器件标注信息包括：是否存在元器件、存在元器件时元器件的位置和类别；原始图像的元器件检测结果包括：不存在元器件、存在元器件以及对应元器件的位置、存在元器件以及对应元器件的类别。作为示例，本实施例中的元器件检测模型包括但不限于：YOLO模型或区域卷积神经网络模型。其中，YOLO模型由训练图像训练YOLO算法(You Only Look Once，简称YOLO)生成，区域卷积神经网络模型由训练图像训练区域卷积神经网络(Region Convolutional Neural Networks，简称RCNN)。本系统中的训练图像由包含有元器件的图像和不包含元器件的图像构成。在利用训练图像进行模型训练时，还包括通过Mosaic数据增强方法来对训练图像进行增强，按照随机缩放、随机裁剪和随机排布的方式将多张图像组合成一张图像。通过图像组合后，可以提高模型的训练速度，增强模型的泛化能力，同时降低模型对内存的需求。训练过程中可以通过先预设一组不同尺度不同位置的固定参考框，然后自适应地迭代调整的来获得检测所需要的锚框anchor。本系统中的元器件检测模型的结构示意图如图6所示，本系统中的元器件检测模型包括主干网络(即图6中的特征提取网络)和辅助网络；所述主干网络包括：跨阶段局部网络和Focus结构；所述辅助网络包括：基于特征金字塔网络的路径聚合网络结构。即在特征提取模块，本系统采用了CSP Darknet(Cross Stage Partial Darknet，跨阶段局部网络)和Focus结构作为检测模型的主干网络backbone，由此可知，本系统通过将CSPDarknet和Focus结构作为检测模型的backbone，可以加强网络特征融合能力，从而在不同图像上细粒度聚合并形成图像特征的卷积神经网络。同时，本系统中的辅助网络Neck部分采用了FPN(Feature Pyramid Networks，特征金字塔网络)的PANet(Path AggregationNetwork，路径聚合网络)结构，辅助网络Neck用于对主干网络backbone提取的特征继续进行特征分析，使得本系统可以加强信息传播，具有准确保留空间信息的能力。而在目标检测模块，本系统采用GIOU Loss作为目标框的损失函数，可以让不同输出层分别对应不同降采样的倍率，从而在每个输出层的每个特征点上能够预测多个目标框，完成对每个目标框进行预测分类。其中，每个输出层包括一个检测器、定位器和分类器。经过处理后，采用加权的非最大抑制操作来对目标框进行筛选，输出最终的元器件所在的目标框以及对应的预测元器件类别。
在一示例性实施例中，对所述原始图像进行分割前，还包括对所述原始图像进行预处理，所述预处理包括以下至少之一：调节所述原始图像的亮度、调整所述原始图像的白平衡、淡化所述原始图像的背景。作为示例，本系统可以通过数字图像处理中的亮度调整算法来调节原始图像的亮度，通过白平衡算法来调整原始图像的白平衡，通过边缘增强算法来淡化原始图像的背景，从而使得整体图片在处理后不会存在明显的偏色、暗区和亮区杂糅不清、目标和背景无法区分的问题。
在一示例性实施例中，若所述分割图像中存在某元器件，则还包括：获取该元器件在所述分割图像中的位置，并根据该元器件在所述分割图像中的长和宽确定该元器件在所述分割图像中的比例；获取该元器件的类别，以及与该元器件类别对应的标准尺寸模板；根据所述标准尺寸模板、该元器件在所述分割图像中的位置以及该元器件在所述分割图像中的比例来对该元器件进行缩放裁剪，获取仅包含该元器件的标准图像。作为示例，以图4这个分割图像为例，按照预设的标准尺寸模板对图4进行缩放裁剪后，分别可以得到图5a、图5b和图5c这3个仅包含单个元器件的标准图像。其中，图5a为仅包含按键开关这个元器件的标准图像，图5b为仅包含电阻这个元器件的标准图像，图5c为仅包含电容这个元器件的标准图像。
根据上述记载，在一示例性实施例中，本系统还包括：获取所有仅包含单个元器件的标准图像；对这些标准图像进行无损压缩编码或有损压缩编码，并存储编码后的所有图像。作为示例，例如对于这些仅包含单个元器件的标准图像，若对标准图像存在无损压缩的应用需求，则可以对标准图像进行png编码；若对标准图像存在有损压缩的应用需求，则可以对标准图像进行jpeg编码。在进行png编码或jpeg编码时，编码高级参数中的编码质量为100％。
如图2所示，本发明还提供一种元器件检测系统，具体识别过程参见上述方法对应的实施例，此处不再进行赘述。
由此可知，本发明提供一种元器件检测系统，首先获取需要进行元器件检测的原始图像，然后对原始图像进行分割，获取多个分割图像以及每个分割图像在原始图像中的位置信息；同时再将每个分割图像输入至元器件检测模型中进行元器件检测，获取元器件检测模型对每个分割图像的元器件标注信息；最后将每个分割图像的元器件标注信息以及每个分割图像在原始图像中的位置信息进行关联，并将关联结果还原至原始图像中，得到原始图像的元器件检测结果。本系统针对目前存在的问题，提出了一种能通过机器视觉、目标检测等技术来自动定位集成电路板上目标元器件的技术方案，本系统首先通过对集成电路板图像预处理，可以消除亮度与背景电路的影响，再通过预先训练后的深度神经网络模型(即元器件检测模型)来识别集成电路板上的元器件，可以识别出集成电路上是否存在元器件，以及存在元器件时元器件的类别和位置，从而使得本系统解决了像素值定位系统无法分辨相似定位点的问题。此外，本系统通过机器视觉、目标检测等技术来自动定位集成电路板上目标元器件，无需关注集成电路板上的元器件是否出现歪斜；同时，本系统通过元器件检测结果可以准确地确定原始图像中是否存在元器件缺失，从而解决了元器件缺失检测偏差问题。此外，本系统通过调节亮度、调整白平衡，淡化电路板背景等图像预处理系统，对原始图片进行处理，使得背景与元器件边界更加清晰，物体更易辨认。本系统通过图像分割算法，可以将集成电路板图片划分为不同的子图，再通过元器件检测模型，可以识别出目标元器件的位置及类别。本系统根据识别到的元器件类别，通过智能算法将元器件图片裁剪为标准格式，可以将标准图像按照统一的编码方式编码后再保存。此外，本系统通过将从分割图像检测出的元器件类别和标注信息还原至原始大图中，可以输出PCB电路板原始图像中的元器件信息。并且，本申请能够将可能存在图像质量差、光照弱、背景杂乱、文件编码格式不统一等问题的PCB原始图像通过预处理、图像分割、目标检测、智能裁剪等操作后，再对PCB原始图像上的元器件进行识别，从而有利于生产人员分析PCB原始图像上的元器件组装情况，同时裁剪出标准的元器件图片后，并生成元器件在电路板上的位置标注，可以快速定位特定元器件，并能够在不同平台利用不同的图片查看器进行查看。
本申请实施例还提供了一种元器件识别设备，该设备可以包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述设备执行图1所述的方法。在实际应用中，该设备可以作为终端设备，也可以作为服务器，终端设备的例子可以包括：智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准语音层面3，Moving Picture Experts Group Audio Layer III)播放器、MP4(动态影像专家压缩标准语音层面4，Moving Picture Experts Group Audio Layer IV)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等，本申请实施例对于具体的设备不加以限制。
本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例的图1中数据处理方法所包含步骤的指令(instructions)。
图8为本申请一实施例提供的终端设备的硬件结构示意图。如图所示，该终端设备可以包括：输入设备1100、第一处理器1101、输出设备1102、第一存储器1103和至少一个通信总线1104。通信总线1104用于实现元件之间的通信连接。第一存储器1103可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，第一存储器1103中可以存储各种程序，用于完成各种处理功能以及实现本实施例的方法步骤。
可选的，上述第一处理器1101例如可以为中央处理器(Central ProcessingUnit，简称CPU)、应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，该处理器1101通过有线或无线连接耦合到上述输入设备1100和输出设备1102。
可选的，上述输入设备1100可以包括多种输入设备，例如可以包括面向用户的用户接口、面向设备的设备接口、软件的可编程接口、摄像头、传感器中至少一种。可选的，该面向设备的设备接口可以是用于设备与设备之间进行数据传输的有线接口、还可以是用于设备与设备之间进行数据传输的硬件插入接口(例如USB接口、串口等)；可选的，该面向用户的用户接口例如可以是面向用户的控制按键、用于接收语音输入的语音输入设备以及用户接收用户触摸输入的触摸感知设备(例如具有触摸感应功能的触摸屏、触控板等)；可选的，上述软件的可编程接口例如可以是供用户编辑或者修改程序的入口，例如芯片的输入引脚接口或者输入接口等；输出设备1102可以包括显示器、音响等输出设备。
在本实施例中，该终端设备的处理器包括用于执行各设备中语音识别装置各模块的功能，具体功能和技术效果参照上述实施例即可，此处不再赘述。
图9为本申请的另一个实施例提供的终端设备的硬件结构示意图。图9是对图8在实现过程中的一个具体的实施例。如图所示，本实施例的终端设备可以包括第二处理器1201以及第二存储器1202。
第二处理器1201执行第二存储器1202所存放的计算机程序代码，实现上述实施例中图1所述方法。
第二存储器1202被配置为存储各种类型的数据以支持在终端设备的操作。这些数据的示例包括用于在终端设备上操作的任何应用程序或方法的指令，例如消息，图片，视频等。第二存储器1202可能包含随机存取存储器(random access memory，简称RAM)，也可能还包括非易失性存储器(non—volatile memory)，例如至少一个磁盘存储器。
可选地，第二处理器1201设置在处理组件1200中。该终端设备还可以包括：通信组件1203，电源组件1204，多媒体组件1205，音频组件1206，输入/输出接口1207和/或传感器组件1208。终端设备具体所包含的组件等依据实际需求设定，本实施例对此不作限定。
处理组件1200通常控制终端设备的整体操作。处理组件1200可以包括一个或多个第二处理器1201来执行指令，以完成上述图1所示方法的全部或部分步骤。此外，处理组件1200可以包括一个或多个模块，便于处理组件1200和其他组件之间的交互。例如，处理组件1200可以包括多媒体模块，以方便多媒体组件1205和处理组件1200之间的交互。
电源组件1204为终端设备的各种组件提供电力。电源组件1204可以包括电源管理系统，一个或多个电源，及其他与为终端设备生成、管理和分配电力相关联的组件。
多媒体组件1205包括在终端设备和用户之间的提供一个输出接口的显示屏。在一些实施例中，显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。如果显示屏包括触摸面板，显示屏可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。
音频组件1206被配置为输出和/或输入语音信号。例如，音频组件1206包括一个麦克风(MIC)，当终端设备处于操作模式，如语音识别模式时，麦克风被配置为接收外部语音信号。所接收的语音信号可以被进一步存储在第二存储器1202或经由通信组件1203发送。在一些实施例中，音频组件1206还包括一个扬声器，用于输出语音信号。
输入/输出接口1207为处理组件1200和外围接口模块之间提供接口，上述外围接口模块可以是点击轮，按钮等。这些按钮可包括但不限于：音量按钮、启动按钮和锁定按钮。
传感器组件1208包括一个或多个传感器，用于为终端设备提供各个方面的状态评估。例如，传感器组件1208可以检测到终端设备的打开/关闭状态，组件的相对定位，用户与终端设备接触的存在或不存在。传感器组件1208可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在，包括检测用户与终端设备间的距离。在一些实施例中，该传感器组件1208还可以包括摄像头等。
通信组件1203被配置为便于终端设备和其他设备之间有线或无线方式的通信。终端设备可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个实施例中，该终端设备中可以包括SIM卡插槽，该SIM卡插槽用于插入SIM卡，使得终端设备可以登录GPRS网络，通过互联网与服务器建立通信。
由上可知，在图9实施例中所涉及的通信组件1203、音频组件1206以及输入/输出接口1207、传感器组件1208均可以作为图8实施例中的输入设备的实现方式。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
应当理解的是，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。

Claims (12)

1.一种元器件检测方法，其特征在于，包括以下步骤：
获取需要进行元器件检测的原始图像；
对所述原始图像进行分割，获取多个分割图像以及每个分割图像在所述原始图像中的位置信息；
将每个分割图像输入至元器件检测模型中进行元器件检测，获取所述元器件检测模型对每个分割图像的元器件标注信息；
将每个分割图像的元器件标注信息以及每个分割图像在所述原始图像中的位置信息进行关联，并将关联结果还原至所述原始图像中，得到所述原始图像的元器件检测结果。
2.根据权利要求1所述的元器件检测方法，其特征在于，所述元器件标注信息包括：是否存在元器件、存在元器件时元器件的位置和类别；
所述原始图像的元器件检测结果包括：不存在元器件、存在元器件以及对应元器件的位置、存在元器件以及对应元器件的类别。
3.根据权利要求1所述的元器件检测方法，其特征在于，对所述原始图像进行分割前，还包括对所述原始图像进行预处理，所述预处理包括以下至少之一：调节所述原始图像的亮度、调整所述原始图像的白平衡、淡化所述原始图像的背景。
4.根据权利要求1所述的元器件检测方法，其特征在于，所述元器件检测模型包括：YOLO模型或区域卷积神经网络模型。
5.根据权利要求2所述的元器件检测方法，其特征在于，若所述分割图像中存在某元器件，则还包括：
获取该元器件在所述分割图像中的位置，并根据该元器件在所述分割图像中的长和宽确定该元器件在所述分割图像中的比例；
获取该元器件的类别，以及与该元器件类别对应的标准尺寸模板；
根据所述标准尺寸模板、该元器件在所述分割图像中的位置以及该元器件在所述分割图像中的比例来对该元器件进行缩放裁剪，获取仅包含该元器件的标准图像。
6.根据权利要求5所述的元器件检测方法，其特征在于，所述方法还包括：
获取所有仅包含单个元器件的标准图像；
对这些标准图像进行无损压缩编码或有损压缩编码，并存储编码后的所有图像。
7.根据权利要求1所述的元器件检测方法，其特征在于，所述元器件检测模型包括主干网络和辅助网络；所述主干网络包括：跨阶段局部网络和Focus结构；所述辅助网络包括：基于特征金字塔网络的路径聚合网络结构。
8.一种元器件检测系统，其特征在于，包括有：
采集模块，用于获取需要进行元器件检测的原始图像；
分割模块，用于对所述原始图像进行分割，获取多个分割图像以及每个分割图像在所述原始图像中的位置信息；
检测标注模块，用于将每个分割图像输入至元器件检测模型中进行元器件检测，获取所述元器件检测模型对每个分割图像的元器件标注信息；
检测还原模块，用于将每个分割图像的元器件标注信息以及每个分割图像在所述原始图像中的位置信息进行关联，并将关联结果还原至所述原始图像中，得到所述原始图像的元器件检测结果。
9.根据权利要求8所述的元器件检测系统，其特征在于，所述元器件标注信息包括：是否存在元器件、存在元器件时元器件的位置和类别；
所述原始图像的元器件检测结果包括：不存在元器件、存在元器件以及对应元器件的位置、存在元器件以及对应元器件的类别。
10.根据权利要求8所述的元器件检测系统，其特征在于，所述元器件检测模型包括：YOLO模型或区域卷积神经网络模型；
所述元器件检测模型包括主干网络和辅助网络；所述主干网络包括：跨阶段局部网络和Focus结构；所述辅助网络包括：基于特征金字塔网络的路径聚合网络结构。
11.一种元器件识别设备，其特征在于，包括有：
一个或多个处理器；和
存储有指令的计算机可读介质，当所述一个或多个处理器执行所述指令时，使得所述设备执行如权利要求1至7中任意一项所述的方法。
12.一种计算机可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行所述指令时，使得设备执行如权利要求1至7中任意一项所述的方法。
CN202111089182.0A 2021-09-16 2021-09-16 一种元器件检测方法、系统、设备及介质 Pending CN113793323A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111089182.0A CN113793323A (zh) 2021-09-16 2021-09-16 一种元器件检测方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111089182.0A CN113793323A (zh) 2021-09-16 2021-09-16 一种元器件检测方法、系统、设备及介质

Publications (1)

Publication Number Publication Date
CN113793323A true CN113793323A (zh) 2021-12-14

Family

ID=78878755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111089182.0A Pending CN113793323A (zh) 2021-09-16 2021-09-16 一种元器件检测方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN113793323A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114529561A (zh) * 2022-02-22 2022-05-24 成都数之联科技股份有限公司 线路图像与背景板图像的分割方法及系统及装置及介质
CN114596294A (zh) * 2022-03-14 2022-06-07 国网黑龙江省电力有限公司供电服务中心 基于差值图像的电路元件缺失检测方法、电子设备及存储介质
CN116012825A (zh) * 2023-01-13 2023-04-25 上海赫立智能机器有限公司 基于多模态的电子元器件智能识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553372A (zh) * 2020-04-24 2020-08-18 北京搜狗科技发展有限公司 一种训练图像识别网络、图像识别搜索的方法及相关装置
CN112614144A (zh) * 2020-12-30 2021-04-06 深圳市联影高端医疗装备创新研究院 一种图像分割方法、装置、设备及存储介质
CN113159064A (zh) * 2021-04-06 2021-07-23 高书俊 基于精简的YOLOv3电路板电子元件目标检测的方法与装置
WO2021174739A1 (zh) * 2020-03-05 2021-09-10 上海商汤智能科技有限公司 神经网络训练方法及装置、电子设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021174739A1 (zh) * 2020-03-05 2021-09-10 上海商汤智能科技有限公司 神经网络训练方法及装置、电子设备和存储介质
CN111553372A (zh) * 2020-04-24 2020-08-18 北京搜狗科技发展有限公司 一种训练图像识别网络、图像识别搜索的方法及相关装置
CN112614144A (zh) * 2020-12-30 2021-04-06 深圳市联影高端医疗装备创新研究院 一种图像分割方法、装置、设备及存储介质
CN113159064A (zh) * 2021-04-06 2021-07-23 高书俊 基于精简的YOLOv3电路板电子元件目标检测的方法与装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘岩;: "卷积神经网络在光学元件损伤检测中的应用", 电脑知识与技术, no. 04, 28 February 2017 (2017-02-28) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114529561A (zh) * 2022-02-22 2022-05-24 成都数之联科技股份有限公司 线路图像与背景板图像的分割方法及系统及装置及介质
CN114596294A (zh) * 2022-03-14 2022-06-07 国网黑龙江省电力有限公司供电服务中心 基于差值图像的电路元件缺失检测方法、电子设备及存储介质
CN116012825A (zh) * 2023-01-13 2023-04-25 上海赫立智能机器有限公司 基于多模态的电子元器件智能识别方法

Similar Documents

Publication Publication Date Title
US11601630B2 (en) Video processing method, electronic device, and non-transitory computer-readable medium
CN113793323A (zh) 一种元器件检测方法、系统、设备及介质
CN113344901B (zh) 涂胶缺陷检测方法、装置、存储介质及电子设备
US20150358549A1 (en) Image capturing parameter adjustment in preview mode
TWI605712B (zh) 互動式媒體系統
CN112200187A (zh) 一种目标检测方法、装置、机器可读介质及设备
CN108090908B (zh) 图像分割方法、装置、终端及存储介质
US9846956B2 (en) Methods, systems and computer-readable mediums for efficient creation of image collages
CN111539412B (zh) 一种基于ocr的图像分析方法、系统、设备及介质
CN110796069B (zh) 一种行为检测方法、系统、设备及机器可读介质
CN108551552A (zh) 图像处理方法、装置、存储介质及移动终端
US20180197577A1 (en) Thumbnail generation for video
CN111062868B (zh) 一种图像处理方法、装置、机器可读介质及设备
CN112560649A (zh) 一种行为动作检测方法、系统、设备及介质
CN108494996A (zh) 图像处理方法、装置、存储介质及移动终端
CN104281258B (zh) 使用图像捕获设备调整透明显示器
CN108520263A (zh) 一种全景图像的识别方法、系统及计算机存储介质
CN109785439B (zh) 人脸素描图像生成方法及相关产品
CN113794831B (zh) 视频拍摄方法、装置、电子设备及介质
CN110751004A (zh) 二维码检测方法、装置、设备及存储介质
CN112950564B (zh) 一种图像检测方法、装置、存储介质及电子设备
CN110796071B (zh) 行为检测方法、系统、机器可读介质及设备
CN108540719A (zh) 拍摄照片的方法、装置、计算机设备及存储介质
CN110086921B (zh) 终端性能状态的检测方法、装置、便携式终端和存储介质
CN111629154A (zh) 一种激光器光心校准方法、系统、设备和介质

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