CN113822882A - 基于深度学习的电路板表面缺陷检测方法与检测装置 - Google Patents
基于深度学习的电路板表面缺陷检测方法与检测装置 Download PDFInfo
- Publication number
- CN113822882A CN113822882A CN202111383726.4A CN202111383726A CN113822882A CN 113822882 A CN113822882 A CN 113822882A CN 202111383726 A CN202111383726 A CN 202111383726A CN 113822882 A CN113822882 A CN 113822882A
- Authority
- CN
- China
- Prior art keywords
- circuit board
- deep learning
- image
- defect detection
- detecting
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 69
- 230000007547 defect Effects 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 claims description 26
- 238000013136 deep learning model Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 230000000007 visual effect Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 230000002950 deficient Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及电路板表面检测技术领域，公开了一种基于深度学习的电路板表面缺陷检测方法，使用了一种基于深度学习的电路板表面缺陷检测装置，该装置包括输送定位装置、图像采集装置、图像处理单元和深度学习分析处理单元，还包括深度学习分析处理单元，通过预置的深度学习算法对经由所述图像处理单元预处理后的印刷电路板表面图像进行分析处理，给出检测结果，以实现快速、准确地电路板表面缺陷检测。
Description
技术领域
本发明涉及电路板表面缺陷技术领域，尤其涉及一种基于深度学习的电路板表面缺陷检测方法与检测装置。
背景技术
印刷电路板(Printed Circuit Board)实现了电子元器件间的电气连接，是电子产品中不可缺少的重要部件。在生产过程中，电路板表面经常会由于生产过程中的设备故障或人为因素导致产生断路、脏污、划伤等缺陷，这些表面缺陷对电路板的美观度、舒适度和使用性能等带来不良影响，所以生产企业需要对电路板进行表面缺陷检测，以便及时发现缺陷产品并有效控制它的质量。
目前常用的一些检测方法如下：1）基于模板匹配算法的电路板缺陷检测方法，根据采集的器件模板构建器件库，将待检测的电路板与器件库中的图像进行匹配。为达到较高的检测准确率，必须保证待测电路板中所有元器件的种类、状态都与器件库中完全一致，难以适用于光线环境不同、元器件装配方式改变以及多种类电路板的缺陷检测。2）通过红外热成像的方法对电路板中元器件进行缺陷识别的方法，通过热成像技术提取元器件的温度特征，基于向量机进行模式分类，识别电路板中元器件工作时的异常状态。该方法在电路板通电的状态下具有适用性，无法在生产及调试过程中对缺陷进行早期检测。3）《电子质量》中的《基于亚像素的PCB表面质量检测》公开了一种基于深度学习的电路板缺陷检测方法，采集电路板光板中导线及焊盘的图像信息，训练人工神经网络模型，识别此类型的缺陷。此方法需要大量的数据监督学习，对于多种类、小批量生产或者特殊应用环境下的电路板而言，有效数量较少，某些种类样本缺失，无法获得有效的模型。
总而言之，上述方法均存在各自的缺陷。随着近几年深度学习的蓬勃发展，越来越多的深度学习算法被应用到各行各业中。其中深度学习算法中的实例分割对于工业中的应用具有重要的研究和应用价值，深度学习算法来进行表面检测已经渐渐成为主流。因此，申请人结合现有的各种表面检测方法，对《基于亚像素的PCB表面质量检测》中公开的一种基于深度学习的电路板缺陷检测方法作出针对性的改进，研发出了一种改进的基于深度学习的电路板缺陷检测方法，实现了以少量样本进行深度学习即可准确对电路板进行表面检测的方法，以期大幅提高电路板表面缺陷检的效率。
发明内容
本发明的发明目的在于提供一种基于深度学习的电路板表面缺陷检测方法，用以解决现有的电路板表面缺陷检测存在的检测难度大、精度低的问题，以实现快速、准确地表面缺陷检测。
为实现上述目的，本发明提供如下技术方案：一种基于深度学习的电路板表面缺陷检测装置，其特征在于，包括：
输送定位装置，具有用于传送印刷电路板的传送平台和固定在所述传送平台上以用于检测电路板是否传送到位及电路板尺寸的光电传感模块；
图像采集装置，包括多个用于采集印刷电路板表面图像的工业相机、光源单元、分束装置和探测装置，所述多个工业相机分别设置于所述输送定位装置的传送平台的上方，且所述多个工业相机分别间隔一定角度设置，以获取不同角度的印刷电路板的表面图像；
图像处理单元，用于对所述图像采集装置所采集到的印刷电路板表面图像进行预处理；
还包括深度学习分析处理单元，通过预置的深度学习算法对经由所述图像处理单元预处理后的印刷电路板表面图像进行分析处理，给出检测结果。
优选的，传送平台上以用于检测印刷电路板是否传送到位及电路板尺寸的光电传感模块，还包括辅助光源，所述辅助光源环绕所述固定支架，且辅助光源的中心轴线与所述图像采集装置的中心轴线重合。
一种基于深度学习的电路板表面缺陷检测装置，其特征在于，包括以下步骤：
步骤一：表面图像采集；通过传送平台带动探测装置或者检测台使二者之间产生相对运动，期间运动台通过其内部的编码尺或控制器触发光源单元、分束装置和探测装置形成的成像系统拍照，触发拍照位置X1，X2，X3，…，Xn，沿扫描方向取像系统的视场FOVX，焦深为DOF，设为γ个焦深范围，采集过程相同区域需要保证有M(M≥3)个图像叠加，即形貌测量系统运行需要满足如下关系：
θ为分束装置与传送平台水平面之间的夹角，i为正整数；
步骤二：图像预处理；通过图像平移获得图像间相同ROI区域；穷变换方法为：
其中Px为像素在物理空间的等效尺寸；i，j为正整数；
步骤三：确定图像的清晰度量度，通过以使用拉普拉斯算子能量方法来计算清晰度，公式如下：
其中，x,y为图像中特征点的横纵坐标值；
步骤四：计算得到第j个ROI的超景深图像：
步骤五：建立深度学习模型；使用labelImg标注预处理后的图像并建立电路板缺陷图像数据集；搭建基于Tensorflow改进的Faster R-CNN目标检测模型；
步骤六：设定参数来训练深度学习模型；设计损失函数，取损失函数
其中，p(x)为类别的真值，q(x)为类别的预测值,则适用于多标签分类的累积二元交叉熵损失如下：
步骤七：测试深度学习模型；
步骤八：用深度学习模型对电路板表面缺陷进行检测，并给出检测结论。
优选的，步骤六中的深度学习模型可以选取Faster RCNN，SSD，YOLO vn及其改进版本中的任意一种。
优选的，深度学习分析处理单元根据深度学习模型的结果给出“合格”或“不合格”的检测结果。
优选的，选取FL（pt）损失函数为作为损失函数，FL（pt）是在标准交叉熵损失基础上修改得到的，
其中，
当于交叉熵损失的调制因子，（pt）为模型的预测概率，具体定义如下：
其中，
为输入图片的真实类别，
为模型预测的输入图片属于该类别
的概率。
优选的，在步骤一之后，为获取数据图像分配标签；将需要进行分类的全部数据划分成训练集、验证集和测试集，并对各个集合的样本采用一致的多标签图像标注方法来分配标签；在步骤七中利用测试集进行测试，从而减少冗余数据。
优选的，设定验证集上的精度连续若干个训练周期均不上升为停止训练条件，对深度学习模型进行测试。
优选的，所述深度学习模型为基于层数自适应卷积神经网络，且基础网络须为具有3个或以上卷积块的网络。
优选的，基础网络为ResNet101或DenseNet121，且卷积层的特征图数目n=256或512。
与现有技术相比，本发明的有益效果是：
本发明实施例提供的基于深度学习的电路板表面缺陷检测方法，使用了一种基于深度学习的电路板表面缺陷检测装置，该装置包括输送定位装置、图像采集装置、图像处理单元和深度学习分析处理单元，还包括深度学习分析处理单元，通过预置的深度学习算法对经由所述图像处理单元预处理后的印刷电路板表面图像进行分析处理，给出检测结果，以实现快速、准确地电路板表面缺陷检测。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“第一”“第二”“第三”是为了清楚说明产品部件进行的编号，不代表任何实质性区别。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明实施例中的具体含义。
需要说明的是，除非另有明确的规定和限定，术语“连接”应做广义理解，例如，可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在发明实施例中的具体含义。
本实施例提供的本发明实施例提供一种基于深度学习的电路板表面缺陷检测装置，其特征在于，包括输送定位装置，具有用于传送印刷电路板的传送平台和固定在所述传送平台上以用于检测电路板是否传送到位及电路板尺寸的光电传感模块；图像采集装置，包括多个用于采集印刷电路板表面图像的工业相机、光源单元、分束装置和探测装置，所述多个工业相机分别设置于所述输送定位装置的传送平台的上方，且所述多个工业相机分别间隔一定角度设置，以获取不同角度的印刷电路板的表面图像；
图像处理单元，用于对所述图像采集装置所采集到的印刷电路板表面图像进行预处理；还包括深度学习分析处理单元，通过预置的深度学习算法对经由所述图像处理单元预处理后的印刷电路板表面图像进行分析处理，给出检测结果。
采用上述检测装置，根据以下算法来实现检测：
步骤一：表面图像采集；通过传送平台带动探测装置或者检测台使二者之间产生相对运动，期间运动台通过其内部的编码尺或控制器触发光源单元、分束装置和探测装置形成的成像系统拍照，触发拍照位置X1，X2，X3，…，Xn，沿扫描方向取像系统的视场FOVX，焦深为DOF，设为γ个焦深范围，采集过程相同区域需要保证有M(M≥3)个图像叠加，即形貌测量系统运行需要满足如下关系：
θ为分束装置与传送平台水平面之间的夹角，
步骤二：图像预处理；通过图像平移获得图像间相同ROI区域；穷变换方法为：
其中Px为像素在物理空间的等效尺寸；
步骤三：确定图像的清晰度量度，通过以使用拉普拉斯算子能量方法来计算清晰度，公式如下：
步骤四：计算得到第j个ROI的超景深图像：
步骤五：建立深度学习模型；使用labelImg标注预处理后的图像并建立电路板缺陷图像数据集；搭建基于Tensorflow改进的Faster R-CNN目标检测模型；深度学习模型也可以选取Faster RCNN，SSD，YOLO vn及其改进版本中的任意一种。
步骤六：设定参数来训练深度学习模型；设计损失函数，取损失函数
其中，p(x)为类别的真值，q(x)为类别的预测值,则适用于多标签分类的累积二元交叉熵损失如下：
步骤七：测试深度学习模型；
步骤八：用深度学习模型对电路板表面缺陷进行检测，并给出检测结论。深度学习分析处理单元根据深度学习模型的结果给出“合格”或“不合格”的检测结果。
优选的，选取FL（pt）损失函数为作为损失函数，FL（pt）是在标准交叉熵损失基础上修改得到的，
其中，
当于交叉熵损失的调制因子，（pt）为模型的预测概率，具体定义如下：
其中，
为输入图片的真实类别，
为模型预测的输入图片属于该类别
的概率。
优选的，在步骤一之后，为获取数据图像分配标签；将需要进行分类的全部数据划分成训练集、验证集和测试集，并对各个集合的样本采用一致的多标签图像标注方法来分配标签；在步骤七中利用测试集进行测试，从而减少冗余数据。
优选的，设定验证集上的精度连续若干个训练周期均不上升为停止训练条件，对深度学习模型进行测试。
优选的，所述深度学习模型为基于层数自适应卷积神经网络，且基础网络须为具有3个或以上卷积块的网络。
优选的，基础网络为ResNet101或DenseNet121，且卷积层的特征图数目n=256或512，根据卷积层特征图的数目已经模型训练需要达到的精度与训练时间来确定训练图片大小，本实施例中选取了包含224x224特征点的训练图片，该训练图片的大小可以根据实际需要进行选取与调整。
通过上述方法，可以实现快速、准确地电路板表面缺陷检测，大大提高了电路板的表面检测工作效率。
最后应说明的是：以上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。
Claims (10)
1.基于深度学习的电路板表面缺陷检测装置，其特征在于，包括：
输送定位装置，具有用于传送印刷电路板的传送平台和固定在所述传送平台上以用于检测电路板是否传送到位及电路板尺寸的光电传感模块；
图像采集装置，包括多个用于采集印刷电路板表面图像的工业相机、光源单元、分束装置和探测装置，所述多个工业相机分别设置于所述输送定位装置的传送平台的上方，且所述多个工业相机分别间隔一定角度设置，以获取不同角度的印刷电路板的表面图像；
图像处理单元，用于对所述图像采集装置所采集到的印刷电路板表面图像进行预处理；
还包括深度学习分析处理单元，通过预置的深度学习算法对经由所述图像处理单元预处理后的印刷电路板表面图像进行分析处理，给出检测结果。
2.根据权利要求1所述的基于深度学习的电路板表面缺陷检测装置，其特征在于，所述传送平台上用于检测印刷电路板是否传送到位及电路板尺寸的光电传感模块，还包括辅助光源和固定支架，所述辅助光源环绕所述固定支架，且辅助光源的中心轴线与所述图像采集装置的中心轴线重合。
3.基于深度学习的电路板表面缺陷检测方法，使用如权利要求1或2所述的一种基于深度学习的电路板表面缺陷检测装置，其特征在于，包括以下步骤：
步骤一：表面图像采集；通过传送平台带动光电传感模块或者待检测的电路板使二者之间产生相对运动，期间光电传感模块通过其内部的编码尺或控制器触发光源单元、分束装置和探测装置形成的成像系统拍照，触发拍照位置X1，X2，X3，…，Xn，沿扫描方向取像系统的视场FOVX，焦深为DOF，设为γ个焦深范围，采集过程相同区域需要保证有M(M≥3)个图像叠加，即形貌测量系统运行需要满足如下关系：
θ为分束装置与传送平台水平面之间的夹角，i，为正整数；
步骤二：图像预处理；通过图像平移获得图像间相同ROI区域；穷变换方法为：
其中Px为像素在物理空间的等效尺寸；i，j为正整数；
步骤三：确定图像的清晰度量度，通过以使用拉普拉斯算子能量方法来计算清晰度，公式如下：
其中，x,y为图像中特征点的横纵坐标值；
步骤四：计算得到第j个ROI的超景深图像：
步骤五：建立深度学习模型；使用labelImg标注预处理后的图像并建立电路板缺陷图像数据集；搭建基于Tensorflow改进的Faster R-CNN目标检测模型；
步骤六：设定参数来训练深度学习模型；设计损失函数，取损失函数
其中，p(x)为类别的真值，q(x)为类别的预测值,则适用于多标签分类的累积二元交叉熵损失如下：
步骤七：测试深度学习模型；
步骤八：用深度学习模型对电路板表面缺陷进行检测，并给出检测结论。
4.根据权利要求3所述的基于深度学习的电路板表面缺陷检测方法，其特征在于，所述步骤六中的深度学习模型可以选取Faster RCNN，SSD，YOLOvn及其改进版本中的任意一种。
5.根据权利要求3所述的基于深度学习的电路板表面缺陷检测方法，其特征在于，所述深度学习分析处理单元根据深度学习模型的结果给出“合格”或“不合格”的检测结果。
6.根据权利要求3所述的基于深度学习的电路板表面缺陷检测方法，其特征在于，选取FL（pt）损失函数为作为损失函数，FL（pt）是在标准交叉熵损失基础上修改得到的，
其中，
相当于交叉熵损失的调制因子，（pt）为模型的预测概率，具体定义如下：
其中，
为输入图片的真实类别，
为模型预测的输入图片属于该类别
的概率。
7.根据权利要求3所述的基于深度学习的电路板表面缺陷检测方法，其特征在于，在步骤一之后，为获取数据图像分配标签；将需要进行分类的全部数据划分成训练集、验证集和测试集，并对各个集合的样本采用一致的多标签图像标注方法来分配标签；在步骤七中利用测试集进行测试，从而减少冗余数据。
8.根据权利要求7所述的基于深度学习的电路板表面缺陷检测方法，其特征在于，设定验证集上的精度连续若干个训练周期均不上升为停止训练条件，对深度学习模型进行测试。
9.根据权利要求3所述的基于深度学习的电路板表面缺陷检测方法，其特征在于，所述深度学习模型为基于层数自适应卷积神经网络，且基础网络须为具有3个或以上卷积块的网络。
10.根据权利要求9所述的基于深度学习的电路板表面缺陷检测方法，其特征在于，所述基础网络为ResNet101或DenseNet121，且卷积层的特征图数目n=256或512。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111383726.4A CN113822882A (zh) | 2021-11-22 | 2021-11-22 | 基于深度学习的电路板表面缺陷检测方法与检测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111383726.4A CN113822882A (zh) | 2021-11-22 | 2021-11-22 | 基于深度学习的电路板表面缺陷检测方法与检测装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113822882A true CN113822882A (zh) | 2021-12-21 |
Family
ID=78918029
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111383726.4A Pending CN113822882A (zh) | 2021-11-22 | 2021-11-22 | 基于深度学习的电路板表面缺陷检测方法与检测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113822882A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114474722A (zh) * | 2022-01-21 | 2022-05-13 | 芯体素(杭州)科技发展有限公司 | 基于3d打印的透明柔性薄膜表面精细线路加工方法及装置 |
| CN114677326A (zh) * | 2022-02-15 | 2022-06-28 | 杭州印鸽科技有限公司 | 一种基于机器视觉和深度学习的印刷手机壳表面瑕疵检测装置、系统及方法 |
| CN116990468A (zh) * | 2023-09-28 | 2023-11-03 | 国网江苏省电力有限公司电力科学研究院 | 模拟六氟化硫电气设备的气体状态测试评价系统及方法 |
| CN117409261A (zh) * | 2023-12-14 | 2024-01-16 | 成都数之联科技股份有限公司 | 一种基于分类模型的元件角度分类方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110570396A (zh) * | 2019-08-07 | 2019-12-13 | 华中科技大学 | 一种基于深度学习的工业产品缺陷检测方法 |
| CN111709909A (zh) * | 2020-05-12 | 2020-09-25 | 安徽艾睿思智能科技有限公司 | 基于深度学习的通用印刷缺陷检测方法及其模型 |
| CN111768363A (zh) * | 2020-05-13 | 2020-10-13 | 华南农业大学 | 基于深度学习的电路板表面缺陷检测方法及检测系统 |
| CN113188473A (zh) * | 2021-04-30 | 2021-07-30 | 聚时科技(上海)有限公司 | 一种表面形貌测量装置及方法 |
| CN113298169A (zh) * | 2021-06-02 | 2021-08-24 | 浙江工业大学 | 一种基于卷积神经网络的旋转目标检测方法及装置 |
-
2021
- 2021-11-22 CN CN202111383726.4A patent/CN113822882A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110570396A (zh) * | 2019-08-07 | 2019-12-13 | 华中科技大学 | 一种基于深度学习的工业产品缺陷检测方法 |
| CN111709909A (zh) * | 2020-05-12 | 2020-09-25 | 安徽艾睿思智能科技有限公司 | 基于深度学习的通用印刷缺陷检测方法及其模型 |
| CN111768363A (zh) * | 2020-05-13 | 2020-10-13 | 华南农业大学 | 基于深度学习的电路板表面缺陷检测方法及检测系统 |
| CN113188473A (zh) * | 2021-04-30 | 2021-07-30 | 聚时科技(上海)有限公司 | 一种表面形貌测量装置及方法 |
| CN113298169A (zh) * | 2021-06-02 | 2021-08-24 | 浙江工业大学 | 一种基于卷积神经网络的旋转目标检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 耿朝晖 等: "基于改进Faster R-CNN的PCB板表面缺陷检测", 《现代计算机》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114474722A (zh) * | 2022-01-21 | 2022-05-13 | 芯体素(杭州)科技发展有限公司 | 基于3d打印的透明柔性薄膜表面精细线路加工方法及装置 |
| CN114474722B (zh) * | 2022-01-21 | 2023-12-01 | 芯体素(杭州)科技发展有限公司 | 基于3d打印的透明柔性薄膜表面精细线路加工方法及装置 |
| CN114677326A (zh) * | 2022-02-15 | 2022-06-28 | 杭州印鸽科技有限公司 | 一种基于机器视觉和深度学习的印刷手机壳表面瑕疵检测装置、系统及方法 |
| CN116990468A (zh) * | 2023-09-28 | 2023-11-03 | 国网江苏省电力有限公司电力科学研究院 | 模拟六氟化硫电气设备的气体状态测试评价系统及方法 |
| CN116990468B (zh) * | 2023-09-28 | 2023-12-05 | 国网江苏省电力有限公司电力科学研究院 | 模拟六氟化硫电气设备的气体状态测试评价系统及方法 |
| CN117409261A (zh) * | 2023-12-14 | 2024-01-16 | 成都数之联科技股份有限公司 | 一种基于分类模型的元件角度分类方法及系统 |
| CN117409261B (zh) * | 2023-12-14 | 2024-02-20 | 成都数之联科技股份有限公司 | 一种基于分类模型的元件角度分类方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113822882A (zh) | 基于深度学习的电路板表面缺陷检测方法与检测装置 | |
| US20210390678A1 (en) | Method for monitoring manufacture of assembly units | |
| CN107229930B (zh) | 一种指针式仪表数值智能识别方法 | |
| CN111507976B (zh) | 基于多角度成像的缺陷检测方法及系统 | |
| CN107945184A (zh) | 一种基于彩色图像分割和梯度投影定位的贴装元件检测方法 | |
| CN106501272B (zh) | 机器视觉焊锡定位检测系统 | |
| CN109840900A (zh) | 一种应用于智能制造车间的故障在线检测系统及检测方法 | |
| CN110610199B (zh) | 基于svm和xgboost的印制电路板电阻元件焊点自动光学检测方法 | |
| CN110865077B (zh) | 用于rfid天线生产的外观缺陷视觉检测系统 | |
| CN110146017B (zh) | 工业机器人重复定位精度测量方法 | |
| Adamo et al. | Calibration of an inspection system for online quality control of satin glass | |
| CN114136975A (zh) | 一种微波裸芯片表面缺陷智能检测系统和方法 | |
| Wang et al. | Error analysis and improved calibration algorithm for LED chip localization system based on visual feedback | |
| CN105424721A (zh) | 一种金属应变计缺陷自动检测系统 | |
| CN116543247A (zh) | 基于光度立体表面重建的数据集制作方法及验证系统 | |
| Deng et al. | Vison-based 3D shape measurement system for transparent microdefect characterization | |
| CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
| CN111738971B (zh) | 一种基于线激光双目立体视觉的电路板立体扫描检测方法 | |
| CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
| Liu et al. | A novel subpixel industrial chip detection method based on the dual-edge model for surface mount equipment | |
| Susa et al. | Cap-Eye-citor: A machine vision inference approach of capacitor detection for pcb automatic optical inspection | |
| Lu et al. | Automatic Detection of Chip Pin Defect in Semiconductor Assembly Using Vision Measurement | |
| CN116071365A (zh) | 零件检测方法、装置、设备及存储介质 | |
| CN114392940B (zh) | 一种异型元器件的针脚检测方法及装置 | |
| CN109712115A (zh) | 一种pcb板自动检测方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211221 |
|
| RJ01 | Rejection of invention patent application after publication |