CN113870256B - Pcb板缺陷评估方法、装置、设备及介质 - Google Patents

Pcb板缺陷评估方法、装置、设备及介质 Download PDF

Info

Publication number
CN113870256B
CN113870256B CN202111450910.6A CN202111450910A CN113870256B CN 113870256 B CN113870256 B CN 113870256B CN 202111450910 A CN202111450910 A CN 202111450910A CN 113870256 B CN113870256 B CN 113870256B
Authority
CN
China
Prior art keywords
line region
image
outline
pixel point
frame
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
Application number
CN202111450910.6A
Other languages
English (en)
Other versions
CN113870256A (zh
Inventor
不公告发明人
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.)
Chengdu Shuzhilian Technology Co Ltd
Original Assignee
Chengdu Shuzhilian Technology 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 Chengdu Shuzhilian Technology Co Ltd filed Critical Chengdu Shuzhilian Technology Co Ltd
Priority to CN202111450910.6A priority Critical patent/CN113870256B/zh
Publication of CN113870256A publication Critical patent/CN113870256A/zh
Application granted granted Critical
Publication of CN113870256B publication Critical patent/CN113870256B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • G06T2207/20081—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
    • G06T2207/30—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)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (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)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本申请的实施例提供一种PCB板缺陷评估方法、装置、设备及介质，通过获取目标PCB板图像；基于所述目标PCB板图像，获得所述包围框内第一非线路区域轮廓；基于所述第一非线路区域轮廓，获得所述第一非线路区域轮廓的外接矩形框；从所述目标PCB板图像中获取所述外接矩形框内的第二非线路区域轮廓；将所述第二非线路区域轮廓内的像素点转换到坐标系，并通过遍历所述第二非线路区域轮廓内的像素点在所述坐标系中的坐标，获得所述第二非线路区域轮廓的最小宽度值；根据所述外接矩形框的矩形宽度值以及所述第二非线路区域轮廓的最小宽度值，评估所述缺陷的严重程度。解决了无法评估PCB板缺陷严重程度的技术问题。

Description

PCB板缺陷评估方法、装置、设备及介质
技术领域
本发明涉及PCB板缺陷检测技术领域，具体涉及一种PCB板缺陷评估方法、装置、设备及介质。
背景技术
PCB板生产工艺复杂，每一个生产环节都可能产生缺陷，缺陷板需要及时发现并阻止其进入后道制程产生不合格品。余铜缺陷是PCB生产过程中的一种常见缺陷，其是在PCB线路上产生了多余的铜，余铜突出太多可能造成线路相连、短路，导致整块PCB板报废，因此需要及时发现余铜缺陷并评估缺陷的严重性。
现有技术中，采用AOI、ADC等智能化缺陷检测系统，可以实现对线上生产的PCB板进行实时检测，及时发现生产过程中出现的缺陷。但是这些缺陷检测技术只能够将缺陷检出，无法评估缺陷严重程度。
发明内容
本申请的主要目的在于提供一种PCB板缺陷评估方法、装置、设备及介质，解决现有技术无法评估PCB板缺陷严重程度的技术问题。
为实现上述目的，本申请的实施例提供一种PCB板缺陷评估方法，包括：
此外，为实现上述目的，本申请的实施例还提供一种PCB板缺陷评估装置，包括：
获取目标PCB板图像，所述目标PCB板图像中的PCB板存在缺陷，所述目标PCB板图像中包括bbox包围框，所述缺陷位于所述包围框内；
基于所述目标PCB板图像，获得所述包围框内第一非线路区域轮廓；
基于所述第一非线路区域轮廓，获得所述第一非线路区域轮廓的外接矩形框；
从所述目标PCB板图像中获取所述外接矩形框内的第二非线路区域轮廓；
将所述第二非线路区域轮廓内的像素点转换到坐标系，并通过遍历所述第二非线路区域轮廓内的像素点在所述坐标系中的坐标，获得所述第二非线路区域轮廓的最小宽度值；
根据所述外接矩形框的矩形宽度值以及所述第二非线路区域轮廓的最小宽度值，评估所述缺陷的严重程度。
可选地，所述坐标系中还包括所述第二非线路区域轮廓的所述外接矩形框；所述通过遍历所述第二非线路区域轮廓内的像素点在所述坐标系中的坐标，获得所述第二非线路区域轮廓的最小宽度值的步骤，包括：
在所述坐标系中，取若干条垂线；其中，所述垂线垂直于所述外接矩形框的长边，所述外接矩形框的长边为第二非线路区域轮廓中长度方向所在的边；
在每条垂线上遍历像素点，分别获得若干条垂线上的所述第二非线路区域轮廓的宽度值；
从所述若干条垂线上的宽度值中确定出所述最小宽度值。
可选地，所述垂线的条数满足如下关系式：
Figure 936718DEST_PATH_IMAGE001
其中，n为垂线的条数，K为所述外接矩形框的长边上的像素宽度，
Figure 605597DEST_PATH_IMAGE002
为所有垂线的截距宽度差的绝对值。
可选地，所述基于所述目标PCB板图像，获得所述包围框内第一非线路区域轮廓的步骤，包括：
对所述目标PCB板图像进行二值化处理，获得黑白图像；
从所述黑白图像中提取出所述包围框内的第一像素点；
基于所述包围框，构造所述包围框内的第一全白像素点；
基于所述第一像素点和所述第一全白像素点，获得所述第一非线路区域轮廓。
可选地，所述基于所述第一像素点和所述第一全白像素点，获得所述第一非线路区域轮廓的步骤，包括：
利用所述第一全白像素点减去所述第一像素点，获得所述第一非线路区域轮廓。
可选地，所述从所述目标PCB板图像中获取所述外接矩形框内的第二非线路区域轮廓的步骤，包括：
从所述黑白图像中提取出所述外接矩形框内的第二像素点；
基于所述外接矩形框，构造所述外接矩形框内的第二全白像素点；
基于所述第二像素点和所述第二全白像素点，获得所述第二非线路区域轮廓。
可选地，所述基于所述第二像素点和所述第二全白像素点，获得所述第二非线路区域轮廓的步骤，包括：
利用所述第二全白像素点减去所述第二像素点，获得所述第二非线路区域轮廓。
可选地，所述根据所述外接矩形框的矩形宽度值以及所述第二非线路区域轮廓的最小宽度值，评估所述缺陷的严重程度的步骤，包括：
获得所述最小宽度值与所述矩形宽度值的比值；
根据所述比值与阈值的大小关系，获得所述目标PCB板图像中缺陷的严重程度值。
可选地，所述根据所述外接矩形框的矩形宽度值以及所述第二非线路区域轮廓的最小宽度值，评估所述缺陷的严重程度的步骤之后，还包括：
根据所述严重程度的评估结果，对所述目标PCB板图像对应的目标PCB板进行处置。
可选地，所述缺陷为余铜缺陷。
可选地，所述目标PCB板图像基于AOI智能缺陷检测系统或ADC智能缺陷检测系统获得。
此外，为实现上述目的，本申请还提供一种PCB板缺陷评估装置，包括：
图像获取模块，用于获取目标PCB板图像，所述目标PCB板图像中的PCB板存在缺陷，所述目标PCB板图像中包括bbox包围框，所述缺陷位于所述包围框内；
第一获得模块，用于基于所述目标PCB板图像，获得所述包围框内第一非线路区域轮廓；
第二获得模块，用于基于所述第一非线路区域轮廓，获得所述第一非线路区域轮廓的外接矩形框；
像素获取模块，用于从所述目标PCB板图像中获取所述外接矩形框内的第二非线路区域轮廓；
第三获得模块，用于将所述第二非线路区域轮廓内的像素点转换到坐标系，并通过遍历所述第二非线路区域轮廓内的像素点在所述坐标系中的坐标，获得所述第二非线路区域轮廓的最小宽度值；
第四获得模块，用于根据所述外接矩形框的矩形宽度值以及所述第二非线路区域轮廓的最小宽度值，评估所述缺陷的严重程度。
此外，为实现上述目的，本申请的实施例还提供一种电子设备，该电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现前述的方法。
此外，为实现上述目的，本申请的实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现前述的方法。
此外，为实现上述目的，本申请的实施例还提供一种计算机程序产品，所述计算机程序产品在被处理器时，实现前述的方法。
与现有技术相比，本发明的有益效果在于：
本申请的实施例提供一种PCB板缺陷评估方法、装置、设备及介质，该方法包括：获取目标PCB板图像，所述目标PCB板图像中的PCB板存在缺陷，所述目标PCB板图像中包括bbox包围框，所述缺陷位于所述包围框内；基于所述目标PCB板图像，获得所述包围框内第一非线路区域轮廓；基于所述第一非线路区域轮廓，获得所述第一非线路区域轮廓的外接矩形框；从所述目标PCB板图像中获取所述外接矩形框内的第二非线路区域轮廓；将所述第二非线路区域轮廓内的像素点转换到坐标系，并通过遍历所述第二非线路区域轮廓内的像素点在所述坐标系中的坐标，获得所述第二非线路区域轮廓的最小宽度值；根据所述外接矩形框的矩形宽度值以及所述第二非线路区域轮廓的最小宽度值，评估所述缺陷的严重程度。也即，通过在坐标系中进行像素级的遍历计算，精确的获得缺陷位置的最小宽度值与正常的非线路区域宽度的比值，来评估缺陷的严重程度，相对于现有的AOI、ADC等智能化缺陷检测系统，解决了无法评估PCB板缺陷严重程度的技术问题，提高了检测效率和检测精度。
附图说明
图1为本申请的实施例涉及的硬件运行环境的电子设备结构示意图；
图2为本申请的实施例提供的一种PCB板缺陷评估方法的流程示意图；
图3为本申请的实施例中的一张目标PCB板图像；
图4为图2中步骤S20一种具体实现方法的流程示意图；
图5为本申请的实施例中的一张包含第一像素点的第一图像；
图6为本申请的实施例中的一张包含第一全白像素点的第二图像；
图7为本申请的实施例中的一张包含第一非线路区域轮廓的图像；
图8为本申请的实施例中的一张包含外接矩形框以及第一非线路区域轮廓的图像；
图9为图2中步骤S40一种具体实现方法的流程示意图；
图10为本申请的实施例中的一张包含外接矩形框的目标PCB板图像；
图11为本申请的实施例中的一张包含第二非线路区域轮廓的图像；
图12为本申请的实施例中第二非线路区域轮廓内的像素点转换到坐标系后的示意图；
图13为图12翻转后的示意图；
图14为图2中步骤S50一种具体实现方法的流程示意图；
图15为图13中在第二非线路区域轮廓上添加若干垂线后的示意图；
图16为本申请的实施例提供的一种PCB板缺陷评估装置的功能模块示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例的主要解决方案是：提供一种PCB板缺陷评估方法、装置、设备及介质，通过获取目标PCB板图像，所述目标PCB板图像中的PCB板存在缺陷，所述目标PCB板图像中包括bbox包围框，所述缺陷位于所述包围框内；基于所述目标PCB板图像，获得所述包围框内第一非线路区域轮廓；基于所述第一非线路区域轮廓，获得所述第一非线路区域轮廓的外接矩形框；从所述目标PCB板图像中获取所述外接矩形框内的第二非线路区域轮廓；将所述第二非线路区域轮廓内的像素点转换到坐标系，并通过遍历所述第二非线路区域轮廓内的像素点在所述坐标系中的坐标，获得所述第二非线路区域轮廓的最小宽度值；根据所述外接矩形框的矩形宽度值以及所述第二非线路区域轮廓的最小宽度值，评估所述缺陷的严重程度。
由于现有技术PCB板生产工艺复杂，每一个生产环节都可能产生缺陷，其中，余铜缺陷是PCB生产过程中的一种常见缺陷，是在PCB线路上产生了多余的铜，余铜突出太多可能造成线路相连、短路，导致整块PCB板报废。目前很多PCB生产厂商已经引入了AOI、ADC等智能化缺陷检测系统，这些系统能够通过对历史的缺陷板特征学习，实现对线上生产的PCB板进行实时检测，及时发现生产过程中出现的缺陷。但是这些缺陷检测系统常常只能够将缺陷检出，但是无法评估缺陷的严重性。由于部分缺陷可以根据其缺陷的严重性决定PCB板报废与否或者返修与否，因此，如果能够准确评估缺陷严重程度有利于工厂节约成本。
本申请提供一种解决方案，通过在坐标系中进行像素级的遍历计算，精确的获得缺陷位置的最小宽度值与正常的非线路区域宽度的比值，来评估缺陷的严重程度，相对于现有的AOI、ADC等智能化缺陷检测系统，解决了无法评估PCB板缺陷严重程度的技术问题，提高了检测效率和检测精度。
参照图1，图1为本申请实施例方案涉及的硬件运行环境的电子设备结构示意图。
如图1所示，该电子设备可以包括：处理器1001，例如中央处理器（CentralProcessing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（WIreless-FIdelity，WI-FI）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。
在图1所示的电子设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明电子设备中的处理器1001、存储器1005可以设置在电子设备中，所述电子设备通过处理器1001调用存储器1005中存储的PCB板缺陷评估装置，并执行本申请实施例提供的PCB板缺陷评估方法。
参照图2，本申请的实施例提供一种PCB板缺陷评估方法，包括：
S10、获取目标PCB板图像。
在具体实施过程中，目标PCB板图像为存在缺陷的PCB板的图像，其可以通过现有的智能检测方法获得，举例来说，可以基于AOI智能缺陷检测系统或ADC智能缺陷检测系统获得。因此，在本实施例中，所述目标PCB板图像中的PCB板存在缺陷，所述目标PCB板图像中包括bbox包围框，所述缺陷位于所述包围框内。其中，ADC（Automatic DefectClassification）系统可采用faster rcnn等深度学习算法建立缺陷自动检测与分类模型，实现缺陷检测与定位。
在本实施例中，缺陷为场景的余铜缺陷。
具体的，bbox（Bounding Box，缺陷位置区域框）框是智能缺陷检测系统输出自带的，可以框出缺陷位置。参见图3，基于ADC智能缺陷检测与分类系统识别到出现余铜缺陷的目标PCB板，并返回包含缺陷位置坐标的bbox框的目标PCB板图像，bbox框坐标信息如下：
其存储了缺陷位置框的左上角点坐标
Figure DEST_PATH_IMAGE003
和右下角点坐标
Figure 598961DEST_PATH_IMAGE004
，两对角点可唯一确定一个矩形框，即
Figure 166340DEST_PATH_IMAGE005
。在图3中，矩形框即为bbox框。
S20、基于所述目标PCB板图像，获得所述包围框内第一非线路区域轮廓。
在具体实施过程中，PCB板也称为印刷电路板，其上一般包括印刷形成的铜条（即电路，也称为线路），各铜条线路之间存在非线路区域。本实施例中的第一非线路区域即铜条之间形成的非线路区域。举例来说，图3中的深色部分即为非线路区域，
Figure 903352DEST_PATH_IMAGE007
框内的深色部分即为第一非线路区域，且
Figure 426737DEST_PATH_IMAGE007
框内铜条突出的部位即为余铜缺陷位置。
在本实施例中，获得所述包围框内第一非线路区域轮廓的目的是为了便于后续利用像素遍历进行非线路区域的宽度值测量，从而进行缺陷严重程度的评估。
在一个实施例中，参见图4，所述基于所述目标PCB板图像，获得所述包围框内第一非线路区域轮廓的步骤，包括：
S201、对所述目标PCB板图像进行二值化处理，获得黑白图像；
在具体实施过程中，由于原始图像（即目标PCB板图像）一般为彩色图像（RGB图像），为了后续按照统一的像素进行像素遍历，在本实施例中，可以首先将目标PCB板图像转换为黑白图像。
具体的，在本实施例中，利用OPENCV对图像进行二值化处理，将图像转化为仅取0和255两个像素值的黑白图。
S202、从所述黑白图像中提取出所述包围框内的第一像素点；
在具体实施过程中，可以通过抠图技术，基于的bbox框坐标信息，从黑白图像中提取出所述包围框内的像素，即第一像素点。具体的，在本实施例中，像素点是以图像为载体，参见图5，图5包含第一像素点的第一图像。
S203、基于所述包围框，构造所述包围框内的第一全白像素点；
在具体实施过程中，基于bbox框坐标信息，可以构造与bbox框尺寸相同的全白图像（即像素值255），具体参见图6，图6为包含第一全白像素点的第二图像。
S204、基于所述第一像素点和所述第一全白像素点，获得所述第一非线路区域轮廓。
在具体实施过程中，利用所述第一全白像素点减去所述第一像素点，获得所述第一非线路区域轮廓。可以理解的是，像素相减即像素值相减，相减后的像素值所呈现出的效果参见图7，图7中的白色部分即为所述第一非线路区域轮廓。
具体来说，获得第一非线路区域轮廓是为了后续获得第二非线路区域轮廓，以进行像素遍历计算非线路区域的宽度值。在上述实施方式中，一方面采用黑白像素处理，可以简化后续的像素遍历，提高计算效率；另一方面，通过黑白像素也更便于进行像素作差，从而准确的获得第一非线路区域轮廓，为后续的精确计算奠定基础。
S30、基于所述第一非线路区域轮廓，获得所述第一非线路区域轮廓的外接矩形框。
在具体实施过程中，为了后续可以构建矩形的第二非线路区域轮廓（即像素区域），从而便于按照规则图形进行像素遍历，在获得第一非线路区域轮廓后，获得所述第一非线路区域轮廓的外接矩形框。具体的，可以通过像素边界识别的方法构建外接矩形框，构造的外接矩形框参见图8。
S40、从所述目标PCB板图像中获取所述外接矩形框内的第二非线路区域轮廓。
在具体实施过程中，在获得外接矩形框后，需要从原始的目标PCB板图像中提取出外接矩形框内的第二非线路区域轮廓。可以通过前述实施方式类似的方法获得第二非线路区域轮廓，具体的，参见图9，所述从所述目标PCB板图像中获取所述外接矩形框内的第二非线路区域轮廓的步骤，包括：
S401、从所述黑白图像中提取出所述外接矩形框内的第二像素点；
在具体实施过程中，参见图10，同样可以先将目标PCB板图像进行二值化处理，然后直接从所述黑白图像中提取出所述外接矩形框内的第二像素点。在图10中，矩形框即为所述外接矩形框。
S402、基于所述外接矩形框，构造所述外接矩形框内的第二全白像素点；
在具体实施过程中，构造所述外接矩形框内的第二全白像素点的方法可参见前述步骤S203,这里不再赘述。
S403、基于所述第二像素点和所述第二全白像素点，获得所述第二非线路区域轮廓。
在具体实施过程中，利用所述第二全白像素点减去所述第二像素点，获得所述第二非线路区域轮廓。可以理解的是，像素相减即像素值相减，相减后的像素值所呈现出的效果参见图11，图11中的白色部分即为所述第二非线路区域轮廓。
S50、将所述第二非线路区域轮廓内的像素点转换到坐标系，并通过遍历所述第二非线路区域轮廓内的像素点在所述坐标系中的坐标，获得所述第二非线路区域轮廓的最小宽度值。
在具体实施过程中，在本实施例中，坐标系为笛卡尔坐标系，将所述第二非线路区域轮廓内的像素点转换到坐标系，相当于在包含第二非线路区域轮廓的图像上构建坐标系，使得第二非线路区域轮廓内的像素点处于坐标系中。参见图12，图12为第二非线路区域轮廓内的像素点转换到坐标系后的示意图，图中的矩形为第二非线路区域轮廓的外接矩形框，图像坐标系坐标原点在左上角。将其翻转即可得到图像在笛卡尔坐标系的表示结果，如图13。图13中，外接矩形框四个点的坐标P1、P2、P3、P4和外接矩形框与x轴的夹角
Figure 918898DEST_PATH_IMAGE009
。
在一种可选的实方式中，参见图14，所述通过遍历所述第二非线路区域轮廓内的像素点在所述坐标系中的坐标，获得所述第二非线路区域轮廓的最小宽度值的步骤，包括：
S501、在所述坐标系中，取若干条垂线；其中，所述垂线垂直于所述外接矩形框的长边，所述外接矩形框的长边为第二非线路区域轮廓中长度方向所在的边；
在具体实施过程中，外接矩形框的长边为第二非线路区域轮廓中长度方向所在的边，具体是指PCB板中非线路区域与线路区域的分界线所在的边。
具体的，对外接矩形框的四个角点，取其短边的两个角点P1、P4，采用直线的两点式计算方式如下，可以求得一条垂直于外接矩形框长边的垂线y = k1x+b1。同理对外接矩形框另一条短边上两点P2、P3可以求得另一条垂直于长边的垂线y = k2x+b2。由于外接矩形框为矩形，因此，上述两条垂线为两条平行线，两条垂线之间的截距宽度差为|b2- b1|，在两条垂线之间还可以取多条垂线，如图15所示。
S502、在每条垂线上遍历像素点，分别获得若干条垂线上的所述第二非线路区域轮廓的宽度值；
在具体实施过程中，由于外接矩形框内包含第二非线路区域轮廓的所有像素点，因此，沿前述得到的若干垂线上遍历像素点，可以得到每条垂线上的像素点的数量，从而通过不同垂线上的像素点数量，得出不同垂线上的第二非线路区域轮廓的宽度值（其中，存在余铜缺陷的位置的像素点越少，其宽度值就越低）。
在一种可选的实方式中，所述垂线的条数满足如下关系式：
Figure 160523DEST_PATH_IMAGE010
其中，n为垂线的条数，K为所述外接矩形框的长边上的像素宽度，
Figure 747231DEST_PATH_IMAGE011
为所有垂线的截距宽度差的绝对值。
这样的垂线条数刚好是每个长边像素点宽度一条垂线，能更精确的计算出每个长边像素点宽度上的第二非线路区域轮廓的宽度值。
S503、从所述若干条垂线上的宽度值中确定出所述最小宽度值。
在具体实施过程中，在每条垂线上遍历取255的像素点个数即可得到第二非线路区域轮廓的在垂线上的宽度值，遍历完所有垂线即可找到非线路区最窄处的宽度W2（即最小宽度值）。
可以理解的是，在本实施例中，在外接矩形框的长边方向上设置垂线，可以保证沿垂线上进行像素遍历获得的宽度值为目标PCB板上非线路区域的真实宽度值；且像素遍历的方法可以以像素级的精确度精确的获得该宽度值，使得对缺陷的严重程度的评价更准确。
S60、根据所述外接矩形框的矩形宽度值以及所述第二非线路区域轮廓的最小宽度值，评估所述缺陷的严重程度。
在具体实施过程中，外接矩形框的矩形宽度值表示目标PCB板上非线路区域的正常宽度值（无余铜缺陷），第二非线路区域轮廓的最小宽度值表示余铜最突出位置的突出程度，据此，可以判断该余铜缺陷的严重程度。
具体的，所述根据所述外接矩形框的矩形宽度值以及所述第二非线路区域轮廓的最小宽度值，评估所述缺陷的严重程度的步骤，包括：
获得所述最小宽度值与所述矩形宽度值的比值；
根据所述比值与阈值的大小关系，评估所述目标PCB板图像中缺陷的严重程度。
在具体实施过程中，最小宽度值与矩形宽度值的比值可以代表余铜缺陷的严重程度。在本实施例中，阈值可以根据需要进行设置，也可以通过历史数据得出，例如，根据历史数据中，比值达到多少，被评价为什么严重程度，来进行阈值的设置。在设置时可以考虑对缺陷的严重程度的接收度，来进行阈值设置
应当理解的是，以上仅为举例说明，对本申请的技术方案并不构成任何限制，本领域的技术人员在实际应用中可以基于需要进行设置，此处不做限制。
通过上述描述不难发现，将目标PCB板图像转换到笛卡尔坐标系，并利用CV（Computer Vision）计算机视觉方法对数字化/结构化的图像像素数据进行处理，实现了对余铜缺陷严重性的评估，基于评估结果可指导工厂对余铜缺陷PCB板的报废或者返修处理。具体的，本实施例的方法通过在坐标系中进行像素级的遍历计算，精确的获得缺陷位置的最小宽度值与正常的非线路区域宽度的比值，来评估缺陷的严重程度，相对于现有的AOI、ADC等智能化缺陷检测系统，解决了无法评估PCB板缺陷严重程度的技术问题，提高了检测效率和检测精度。
在一个实施例中，所述根据所述外接矩形框的矩形宽度值以及所述第二非线路区域轮廓的最小宽度值，评估所述缺陷的严重程度的步骤之后，还包括：
根据所述严重程度的评估结果，对所述目标PCB板图像对应的目标PCB板进行处置。
在具体实施过程中，上述外接矩形框宽度为W1（即矩形宽度值），而由于余铜缺陷导致缺陷部位的非线路区变窄，经求得最窄处宽度为W2（即最小宽度值）。因此，可以进一步计算非线路区最窄处的宽度占总宽度的比值R如下，通过控制R的可接受阈值，即，可实现基于余铜缺陷的宽度/严重性评估，来对PCB板是否报废、返修进行决策。
其中，
Figure 390702DEST_PATH_IMAGE012
。
参照图16，基于同样的发明原理，本申请的实施例还提供一种PCB板缺陷评估装置，包括：
图像获取模块，用于获取目标PCB板图像，所述目标PCB板图像中的PCB板存在缺陷，所述目标PCB板图像中包括bbox包围框，所述缺陷位于所述包围框内；
第一获得模块，用于基于所述目标PCB板图像，获得所述包围框内第一非线路区域轮廓；
第二获得模块，用于基于所述第一非线路区域轮廓，获得所述第一非线路区域轮廓的外接矩形框；
像素获取模块，用于从所述目标PCB板图像中获取所述外接矩形框内的第二非线路区域轮廓；
第三获得模块，用于将所述第二非线路区域轮廓内的像素点转换到坐标系，并通过遍历所述第二非线路区域轮廓内的像素点在所述坐标系中的坐标，获得所述第二非线路区域轮廓的最小宽度值；
第四获得模块，用于根据所述外接矩形框的矩形宽度值以及所述第二非线路区域轮廓的最小宽度值，评估所述缺陷的严重程度。
需要说明的是，本实施例中PCB板缺陷评估装置中各模块是与前述实施例中的PCB板缺陷评估方法中的各步骤一一对应，因此，本实施例的具体实施方式和达到的技术效果可参照前述PCB板缺陷评估方法的实施方式，这里不再赘述。
此外，在一种实施例中，本申请的实施例还提供一种计算机程序产品，所述计算机程序产品在被处理器时，实现前述的方法。
此外，在一种实施例中，本申请的实施例还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现前述实施例中方法的步骤。
在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言（包括编译或解释语言，或者声明性或过程性语言）来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言（HTML，Hyper TextMarkup Language）文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件（例如，存储一个或多个模块、子程序或代码部分的文件）中。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如只读存储器/随机存取存储器、磁碟、光盘）中，包括若干指令用以使得一台多媒体终端设备(可以是手机，计算机，电视接收机，或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种PCB板缺陷评估方法，其特征在于，包括：
获取目标PCB板图像，所述目标PCB板图像中的PCB板存在缺陷，所述目标PCB板图像中包括bbox包围框，所述缺陷位于所述包围框内；
对所述目标PCB板图像进行二值化处理，获得黑白图像；所述黑白图像中，黑色像素区域为非线路区域，白色像素区域为线路区域；
从所述黑白图像中提取出所述包围框内的第一像素点；
基于所述包围框，构造所述包围框内的第一全白像素点；
利用所述第一全白像素点减去所述第一像素点，获得第一非线路区域轮廓；
基于所述第一非线路区域轮廓，获得所述第一非线路区域轮廓的外接矩形框；
从所述黑白图像中提取出所述外接矩形框内的第二像素点；
基于所述外接矩形框，构造所述外接矩形框内的第二全白像素点；
利用所述第二全白像素点减去所述第二像素点，获得第二非线路区域轮廓；
将所述第二非线路区域轮廓内的像素点转换到坐标系，并通过遍历所述第二非线路区域轮廓内的像素点在所述坐标系中的坐标，获得所述第二非线路区域轮廓的最小宽度值；
获得所述最小宽度值与所述外接矩形框的矩形宽度值的比值；
根据所述比值与阈值的大小关系，获得所述目标PCB板图像中缺陷的严重程度值。
2.根据权利要求1所述的方法，其特征在于，所述坐标系中还包括所述第二非线路区域轮廓的所述外接矩形框；所述通过遍历所述第二非线路区域轮廓内的像素点在所述坐标系中的坐标，获得所述第二非线路区域轮廓的最小宽度值的步骤，包括：
在所述坐标系中，取若干条垂线；其中，所述垂线垂直于所述外接矩形框的长边，所述外接矩形框的长边为第二非线路区域轮廓中长度方向所在的边；
在每条垂线上遍历像素点，分别获得若干条垂线上的所述第二非线路区域轮廓的宽度值；
从所述若干条垂线上的宽度值中确定出所述最小宽度值。
3.根据权利要求2所述的方法，其特征在于，所述垂线的条数满足如下关系式：
Figure 435310DEST_PATH_IMAGE001
其中，n为垂线的条数，K为所述外接矩形框的长边上的像素宽度，
Figure 887151DEST_PATH_IMAGE002
为所有垂线中间距最大的两条垂线的截距宽度差的绝对值。
4.根据权利要求1所述的方法，其特征在于，所述根据所述外接矩形框的矩形宽度值以及所述第二非线路区域轮廓的最小宽度值，评估所述缺陷的严重程度的步骤之后，还包括：
根据所述严重程度的评估结果，对所述目标PCB板图像对应的目标PCB板进行处置。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述缺陷为余铜缺陷。
6.根据权利要求5所述的方法，其特征在于，所述目标PCB板图像基于AOI智能缺陷检测系统或ADC智能缺陷检测系统获得。
7.一种PCB板缺陷评估装置，其特征在于，包括：
图像获取模块，用于获取目标PCB板图像，所述目标PCB板图像中的PCB板存在缺陷，所述目标PCB板图像中包括bbox包围框，所述缺陷位于所述包围框内；
第一获得模块，用于对所述目标PCB板图像进行二值化处理，获得黑白图像，所述黑白图像中，黑色像素区域为非线路区域，白色像素区域为线路区域；从所述黑白图像中提取出所述包围框内的第一像素点；基于所述包围框，构造所述包围框内的第一全白像素点；利用所述第一全白像素点减去所述第一像素点，获得第一非线路区域轮廓；
第二获得模块，用于基于所述第一非线路区域轮廓，获得所述第一非线路区域轮廓的外接矩形框；
像素获取模块，用于从所述黑白图像中提取出所述外接矩形框内的第二像素点；基于所述外接矩形框，构造所述外接矩形框内的第二全白像素点；利用所述第二全白像素点减去所述第二像素点，获得第二非线路区域轮廓；
第三获得模块，用于将所述第二非线路区域轮廓内的像素点转换到坐标系，并通过遍历所述第二非线路区域轮廓内的像素点在所述坐标系中的坐标，获得所述第二非线路区域轮廓的最小宽度值；
第四获得模块，用于获得所述最小宽度值与所述外接矩形框的矩形宽度值的比值；根据所述比值与阈值的大小关系，获得所述目标PCB板图像中缺陷的严重程度值。
8.一种电子设备，其特征在于，该电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现如权利要求1-6中任一项所述的方法。
10.一种计算机程序产品，其特征在于，所述计算机程序产品在被处理器时，实现如权利要求1-6中任一项所述的方法。
CN202111450910.6A 2021-12-01 2021-12-01 Pcb板缺陷评估方法、装置、设备及介质 Active CN113870256B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111450910.6A CN113870256B (zh) 2021-12-01 2021-12-01 Pcb板缺陷评估方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111450910.6A CN113870256B (zh) 2021-12-01 2021-12-01 Pcb板缺陷评估方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113870256A CN113870256A (zh) 2021-12-31
CN113870256B true CN113870256B (zh) 2022-02-11

Family

ID=78985559

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111450910.6A Active CN113870256B (zh) 2021-12-01 2021-12-01 Pcb板缺陷评估方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113870256B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114627114B (zh) * 2022-05-12 2022-08-09 成都数联云算科技有限公司 产品缺陷严重程度测量方法及系统及装置及介质
CN114627113B (zh) * 2022-05-12 2022-07-29 成都数之联科技股份有限公司 一种印制电路板缺陷检测方法及系统及装置及介质
CN116091503B (zh) * 2023-04-10 2023-06-13 成都数之联科技股份有限公司 一种面板异物缺陷的判别方法、装置、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002318253A (ja) * 2001-04-23 2002-10-31 Fujitsu Ten Ltd ノイズ可視化システム及びその表示方法
CN102500627A (zh) * 2011-10-19 2012-06-20 北京金自天正智能控制股份有限公司 一种板材的宽度、边部形状、边部缺陷测量仪及测量方法
CN107748200A (zh) * 2017-08-18 2018-03-02 江苏大学 一种基于特征导波的焊缝缺陷检测压电阵列式柔性传感器及检测方法
CN109164113A (zh) * 2018-11-14 2019-01-08 武汉万安智能技术有限公司 一种手机接口电路板视觉自动检测系统及其检测方法
CN109829911A (zh) * 2019-02-01 2019-05-31 佛山市南海区广工大数控装备协同创新研究院 一种基于轮廓超差算法的pcb板表面检测方法
CN111160432A (zh) * 2019-12-19 2020-05-15 成都数之联科技有限公司 一种面板生产制造缺陷的自动分类方法及系统
CN111627009A (zh) * 2020-05-27 2020-09-04 歌尔股份有限公司 一种屏幕检测方法、装置及头戴显示设备
CN112634251A (zh) * 2020-12-30 2021-04-09 重庆凯歌电子股份有限公司 一种印刷电路的检测系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5993691B2 (ja) * 2012-09-28 2016-09-14 株式会社日立ハイテクノロジーズ 欠陥検査装置及び欠陥検査方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002318253A (ja) * 2001-04-23 2002-10-31 Fujitsu Ten Ltd ノイズ可視化システム及びその表示方法
CN102500627A (zh) * 2011-10-19 2012-06-20 北京金自天正智能控制股份有限公司 一种板材的宽度、边部形状、边部缺陷测量仪及测量方法
CN107748200A (zh) * 2017-08-18 2018-03-02 江苏大学 一种基于特征导波的焊缝缺陷检测压电阵列式柔性传感器及检测方法
CN109164113A (zh) * 2018-11-14 2019-01-08 武汉万安智能技术有限公司 一种手机接口电路板视觉自动检测系统及其检测方法
CN109829911A (zh) * 2019-02-01 2019-05-31 佛山市南海区广工大数控装备协同创新研究院 一种基于轮廓超差算法的pcb板表面检测方法
CN111160432A (zh) * 2019-12-19 2020-05-15 成都数之联科技有限公司 一种面板生产制造缺陷的自动分类方法及系统
CN111627009A (zh) * 2020-05-27 2020-09-04 歌尔股份有限公司 一种屏幕检测方法、装置及头戴显示设备
CN112634251A (zh) * 2020-12-30 2021-04-09 重庆凯歌电子股份有限公司 一种印刷电路的检测系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《HCI-A3型PCB板缺陷检测系统设计与实现》;鹿亚琴 等;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200115(第01期);第I135-487页 *
《Real-Time Automatic Inspection System for the Classification of PCB Flux Defects》;Ang Teoh Ong等;《American Journal of Engineering and Applied Sciences》;20151231;第8卷(第4期);第504-518页 *
《基于深度学习的表面缺陷检测方法综述》;陶显 等;《自动化学报》;20210531;第47卷(第05期);第1017-1034页 *

Also Published As

Publication number Publication date
CN113870256A (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
CN113870256B (zh) Pcb板缺陷评估方法、装置、设备及介质
CN114266773B (zh) 显示面板缺陷定位方法、装置、设备及存储介质
CN110502985B (zh) 表格识别方法、装置及表格识别设备
CN114202543B (zh) Pcb板脏污缺陷检测方法、装置、设备及介质
CN109472271B (zh) 印刷电路板图像轮廓提取方法及装置
CN115578377B (zh) 一种面板缺陷的检测方法、训练方法、装置、设备及介质
CN115861327A (zh) 一种pcb颜色变化缺陷检测方法、装置、设备及介质
CN116542975B (zh) 一种玻璃面板的缺陷分类方法、装置、设备和介质
CN114677567B (zh) 模型训练方法、装置、存储介质及电子设备
CN115239734A (zh) 模型训练方法、装置、存储介质、设备及计算机程序产品
CN116091503B (zh) 一种面板异物缺陷的判别方法、装置、设备及介质
CN115661156B (zh) 图像生成方法、装置、存储介质、设备及计算机程序产品
CN117589770A (zh) Pcb贴片板检测方法、装置、设备及介质
CN115984244A (zh) 面板缺陷标注方法、装置、存储介质、设备及程序产品
CN114937037B (zh) 产品缺陷检测方法、装置、设备及可读存储介质
CN115984197A (zh) 基于标准pcb图像的缺陷检测方法及相关装置
CN114219806B (zh) 一种汽车雷达检测方法、装置、设备、介质及产品
CN111598832A (zh) 一种槽孔缺陷标注方法、装置和存储介质
CN115861293A (zh) 缺陷轮廓提取方法、装置、存储介质、设备及程序产品
CN116993654A (zh) 摄像头模组缺陷检测方法、装置、设备、存储介质及产品
CN116631003A (zh) 基于p&id图纸的设备识别方法、装置、存储介质及电子设备
CN115731208A (zh) 金属复杂面高精度缺陷检测方法、装置、设备及存储介质
CN113610801B (zh) 基于最小单元的缺陷分类方法、装置、设备和存储介质
CN114549465A (zh) 一种缺陷位置确定方法、装置、存储介质及电子设备
CN114627113A (zh) 一种印制电路板缺陷检测方法及系统及装置及介质

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
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 610000 No. 270, floor 2, No. 8, Jinxiu street, Wuhou District, Chengdu, Sichuan

Patentee after: Chengdu shuzhilian Technology Co.,Ltd.

Address before: 610000 No.2, 4th floor, building 1, Jule Road intersection, West 1st section of 1st ring road, Wuhou District, Chengdu City, Sichuan Province

Patentee before: CHENGDU SHUZHILIAN TECHNOLOGY Co.,Ltd.