CN114298996A - 基于图像处理的电路板划痕检测方法和系统 - Google Patents
基于图像处理的电路板划痕检测方法和系统 Download PDFInfo
- Publication number
- CN114298996A CN114298996A CN202111592209.8A CN202111592209A CN114298996A CN 114298996 A CN114298996 A CN 114298996A CN 202111592209 A CN202111592209 A CN 202111592209A CN 114298996 A CN114298996 A CN 114298996A
- Authority
- CN
- China
- Prior art keywords
- image
- scratch
- circuit board
- gray
- gray value
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明提供了一种基于图像处理的电路板划痕检测方法,包括,获取电路板表面图像;对图像进行灰度化和滤波处理,得到灰度图像;对灰度图像进行高斯滤波去噪,然后进行高斯平滑处理;利用电路元器件制作背景模板,将模板与图像进行匹配,定位出图像中的电路元器件位置;将图像中的电路元器件去除,并通过区域填充得到屏蔽电路元件的图像;对无电路元件的图像进行划痕提取。本发明的优点在于:通过对电路板图像先进行灰度处理降低数据量,然后进行高斯滤波处理,去除干扰信息,并通过模板匹配去除了电路元器件对划痕识别的影响,能够对电路板表面所有的划痕进行识别提取,降低漏检,而且处理的数据量较小,能够满足实时性要求。
Description
技术领域
本发明涉及电路板检测技术领域,尤其涉及基于图像处理的电路板划痕检测方法和系统。
背景技术
印刷电路板(Printed Circuit Board,简称PCB)是电子产品的基础部件,其质量的好坏对电子产品性能的影响很大。随着电子产品的小型化,PCB也越来越高精化、微细化和高密度化,PCB在锡膏印刷、回流焊接、波峰焊接以及自动贴片后可能产生各种缺陷。市场上现有对电路板划痕的检测基本采用人眼观测,不仅工作效率低,而且受个人思维、外部环境等不确定因素的影响,导致检测的结果没有统一的标准。以基于数字图像处理的机器视觉技术能够解决这些问题。但是由于待测图像数据量较大,无法满足工业生产的实时性要求。
文献“李云峰,李晟阳.基于梯度方向信息熵的印刷电路板缺陷检测[J].中国机械工程,2017,28(06):695-701.”中公开了通过图像处理-敷铜区域分割-缺陷提取-梯度方向检测,最终通过SVM分类器实现缺陷检测的方法,但是该方法仅关注敷铜区域的伤痕,即只关注可能对电路功能产生影响的伤痕,然而在电路板生产中,也需要关注电路板表面不影响功能的伤痕,因此该方法并不能满足工业生产的需求。
发明内容
本发明所要解决的技术问题在于提供一种兼顾高准确率和高灵敏性的量子点免疫层析信号检测方法,以克服现有技术的问题。
本发明是通过以下技术方案解决上述技术问题的,一种基于图像处理的电路板划痕检测方法,包括,
步骤A:获取电路板表面图像;
步骤B:对图像进行灰度化和滤波处理,得到灰度图像;
步骤C:对灰度图像进行高斯滤波去噪,然后进行高斯平滑处理;
步骤D:利用电路元器件制作背景模板,将模板与图像进行匹配,定位出图像中的电路元器件位置;
步骤E:将图像中的电路元器件去除,并通过区域填充得到屏蔽电路元件的图像;
步骤F:对无电路元件的图像进行划痕提取。
本发明通过对电路板图像先进行灰度处理降低数据量,然后进行高斯滤波处理,去除干扰信息,并通过模板匹配去除了电路元器件对划痕识别的影响,能够对电路板表面所有的划痕进行识别提取,降低漏检,而且处理的数据量较小,能够满足实时性要求。
优选的,所述高斯滤波的平滑处理算子为:
其中,σ为高斯分布参数。
优选的,所述的将模板与图像进行匹配的方法为:构建三层金字塔,从底层开始,每增加一层,图像边长缩小1/2,像素点数量变为1/4,先通过顶层金字塔扫描图像,每次移动一个像素,对每次扫描的区域与模板进行匹配。
优选的,所述划痕提取的方法为:
步骤1:统计图像中像素点的总数和各灰度值的像素点总数,计算图像中每个灰度值的概率值;
步骤2:分别计算图像中的划痕和背景分布概率;
步骤3:计算背景和划痕的平均灰度值;
步骤4:计算每个灰度值的类间差;
步骤5:以类间差最大值所对应的灰度值作为划痕和背景灰度值的阈值。
优选的,所述计算划痕和背景分布概率的方法为,
将图像根据灰度值划分为L个灰度值等级,划痕的灰度值为[0,k],背景的灰度值范围为[k+1,L-1];划痕和背景的分布概率分别为:
ρ2(k)=1-ρ1(k)
其中,Pi是灰度值为i的像素点的分布概率。
优选的,所述背景和划痕的平均灰度值为
则每个灰度值的类间差为,
优选的,还包括对划痕基于方向梯度进行区域生长操作的步骤,计算灰度梯度的方法为:
对像素点(a,b),在图像的x和y方向上的梯度表示为
gx(a,b)=f(a,b)-f(a-1,b)
gy(a,b)=f(a,b)-f(a,b-1)
其中,f(a,b)为像素点(a,b)的灰度值,gx(a,b)为像素点(a,b)沿坐标轴x和y方向上的梯度,则像素点(a,b)的梯度方向角和梯度模值分别为
其中,θ为梯度方向与y轴的夹角,|g(a,b)|为梯度模值,即梯度数值的绝对值;通过统计各划痕灰度值的梯度数据,以最小梯度方向为划痕的生长方向;
当两段划痕满足判断条件时,将两段划痕归属于同一条划痕,将两个端点加入种子点;其中,判断条件为
其中,tanθ1和tanθ2分别为两端划痕区域的梯度方向,n为方向准确度;(a1,b1),(a2,b2)分别为2个划痕区域端点;两端点间的距离为D;
划痕生长的方法为:
对种子点的邻域进行搜索,如果邻域点满足判断条件,则将邻域点加入种子点继续进行生长,直到找不到同时满足两个判断条件的邻域点,划痕生长操作结束。
本发明还提供了一种基于图像处理的电路板划痕检测系统,包括,
图像获取模块,获取电路板表面图像;
灰度处理模块,对图像进行灰度化和滤波处理,得到灰度图像;
去噪模块,对灰度图像进行高斯滤波去噪,然后进行高斯平滑处理;
元器件识别模块,利用电路元器件制作背景模板,将模板与图像进行匹配,定位出图像中的电路元器件位置;
元器件去除模块,将图像中的电路元器件去除,并通过区域填充得到屏蔽电路元件的图像;
划痕提取模块,对无电路元件的图像进行划痕提取。
本发明还提供了一种电子处理设备,包括至少一个处理器和存储有至少一个执行程序的存储装置,当所述至少一个执行程序被所述至少一个处理器执行,所述至少一个处理器实现所述的电路板划痕检测方法。
本发明还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时能够实现所述的电路板划痕检测方法。
本发明提供的基于图像处理的电路板划痕检测方法的优点在于:通过对电路板图像先进行灰度处理降低数据量,然后进行高斯滤波处理,去除干扰信息,并通过模板匹配去除了电路元器件对划痕识别的影响,能够对电路板表面所有的划痕进行识别提取,降低漏检,而且处理的数据量较小,能够满足实时性要求。并基于梯度生长扩展划痕区域,确保能够检出所有划痕,提高精确性。
附图说明
图1为本发明的实施例提供的基于图像处理的电路板划痕检测方法的流程图;
图2为本发明的实施例提供的基于图像处理的电路板划痕检测方法处理的图片的示意图;
图3为本发明的实施例提供的基于图像处理的电路板划痕检测系统的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明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作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。
实施例1
如图1所示,本实施例提供了一种基于图像增强进行量子点免疫层析信号检测的方法,包括,
步骤A:获取电路板表面图像;
步骤B:对图像进行灰度化和滤波处理,得到灰度图像;
步骤C:对灰度图像进行高斯滤波去噪,然后进行高斯平滑处理;
步骤D:利用电路元器件制作背景模板,将模板与图像进行匹配,定位出图像中的电路元器件位置;
步骤E:将图像中的电路元器件去除,并通过区域填充得到屏蔽电路元件的图像;
步骤F:对无电路元件的图像进行划痕提取。
本实施例通过对电路板图像先进行灰度处理降低数据量,然后进行高斯滤波处理,去除干扰信息,并通过模板匹配去除了电路元器件对划痕识别的影响,能够对电路板表面所有的划痕进行识别提取,降低漏检,而且处理的数据量较小,能够满足实时性要求。
具体的,本实施例提供的划痕检测方法包括,
步骤A:获取电路板表面图像;
步骤B:对图像进行灰度化和均值滤波处理,得到灰度图像;
通过灰度处理,将彩色图像转换为灰度图像;
步骤C:对灰度图像进行高斯滤波去噪,然后进行高斯平滑处理,以对图像的像素值分布进行平滑处理,加工边缘模糊化;
在进行高斯滤波时,高斯滤波的平滑处理算子为,
其中,σ为高斯分布参数。
一维高斯分布的表达式为
二维高斯分布的表达式为
步骤D:利用电路元器件制作背景模板,将模板与图像进行匹配,定位出图像中的电路元器件位置;
将模板与图像进行匹配的方法为:构建三层金字塔,从底层开始,每增加一层,图像边长缩小1/2,像素点数量变为1/4,先通过顶层金字塔扫描图像,每次移动一个像素,对每次扫描的区域与模板进行匹配。
步骤E:将图像中的电路元器件去除,并通过区域填充得到屏蔽电路元件的图像;
在进行区域填充时,可以将电路元器件区域填充为与电路板背景一致,也可以通过其他灰度值进行填充。
步骤F:对无电路元件的图像进行划痕提取。
进行划痕提取的方法为,
步骤1:统计图像中像素点的总数和各灰度值的像素点总数,计算图像中每个灰度值的概率值;
步骤2:分别计算图像中的划痕和背景分布概率;
将图像根据灰度值划分为L个灰度值等级,划痕的灰度值为[0,k],背景的灰度值范围为[k+1,L-1];划痕和背景的分布概率分别为:
ρ2(k)=1-ρ1(k)
其中,Pi是灰度值为i的像素点的分布概率;
步骤3:计算背景和划痕的平均灰度值;
所述背景和划痕的平均灰度值为
步骤4:计算每个灰度值的类间差;
步骤5:以类间差最大值所对应的灰度值作为划痕和背景灰度值的阈值,即灰度值小于该阈值的为划痕区域,从而基于灰度值实现划痕区域的提取。
参考图2,本实施例提供的划痕检测方法还包括对划痕基于方向梯度进行区域生长操作的步骤,计算灰度梯度的方法为:
对像素点(a,b),在图像的x和y方向上的梯度表示为
gx(a,b)=f(a,b)-f(a-1,b)
gy(a,b)=f(a,b)-f(a,b-1)
其中,f(a,b)为像素点(a,b)的灰度值,gx(a,b)为像素点(a,b)沿坐标轴x和y方向上的梯度,则像素点(a,b)的梯度方向角和梯度模值分别为
其中,θ为梯度方向与y轴的夹角,|g(a,b)|为梯度模值,即梯度数值的绝对值;通过统计各划痕灰度值的梯度数据,以最小梯度方向为划痕的生长方向;
当两段划痕满足判断条件时,将两段划痕归属于同一条划痕,将两个端点加入种子点;其中,判断条件为
其中,tanθ1和tanθ2分别为两端划痕区域的梯度方向,n为方向准确度;(a1,b1),(a2,b2)分别为2个划痕区域端点;两端点间的距离为D;
划痕生长的方法为:
对种子点的邻域进行搜索,如果邻域点满足判断条件,则将邻域点加入种子点继续进行生长,直到找不到同时满足两个判断条件的邻域点,划痕生长操作结束,对划痕识别提取后的图像如图3所示。
实施例2
参考图3,本实施例还提供了一种基于图像处理的电路板划痕检测系统,包括,
图像获取模块,获取电路板表面图像;
灰度处理模块,对图像进行灰度化和滤波处理,得到灰度图像;
去噪模块,对灰度图像进行高斯滤波去噪,然后进行高斯平滑处理;
元器件识别模块,利用电路元器件制作背景模板,将模板与图像进行匹配,定位出图像中的电路元器件位置;
元器件去除模块,将图像中的电路元器件去除,并通过区域填充得到屏蔽电路元件的图像;
划痕提取模块,对无电路元件的图像进行划痕提取。
实施例3
本实施例还提供了一种电子处理设备,包括至少一个处理器和存储有至少一个执行程序的存储装置,当所述至少一个执行程序被所述至少一个处理器执行,所述至少一个处理器如下方法:
步骤A:获取电路板表面图像;
步骤B:对图像进行灰度化和滤波处理,得到灰度图像;
步骤C:对灰度图像进行高斯滤波去噪,然后进行高斯平滑处理;
步骤D:利用电路元器件制作背景模板,将模板与图像进行匹配,定位出图像中的电路元器件位置;
步骤E:将图像中的电路元器件去除,并通过区域填充得到屏蔽电路元件的图像;
步骤F:对无电路元件的图像进行划痕提取。
实施例4
本实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时能够实现如下方法:
步骤A:获取电路板表面图像;
步骤B:对图像进行灰度化和滤波处理,得到灰度图像;
步骤C:对灰度图像进行高斯滤波去噪,然后进行高斯平滑处理;
步骤D:利用电路元器件制作背景模板,将模板与图像进行匹配,定位出图像中的电路元器件位置;
步骤E:将图像中的电路元器件去除,并通过区域填充得到屏蔽电路元件的图像;
步骤F:对无电路元件的图像进行划痕提取。
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)
1.一种基于图像处理的电路板划痕检测方法,其特征在于:包括,
步骤A:获取电路板表面图像;
步骤B:对图像进行灰度化和滤波处理,得到灰度图像;
步骤C:对灰度图像进行高斯滤波去噪,然后进行高斯平滑处理;
步骤D:利用电路元器件制作背景模板,将模板与图像进行匹配,定位出图像中的电路元器件位置;
步骤E:将图像中的电路元器件去除,并通过区域填充得到屏蔽电路元件的图像;
步骤F:对无电路元件的图像进行划痕提取。
3.根据权利要求1所述的一种基于图像处理的电路板划痕检测方法,其特征在于:所述的将模板与图像进行匹配的方法为:构建三层金字塔,从底层开始,每增加一层,图像边长缩小1/2,像素点数量变为1/4,先通过顶层金字塔扫描图像,每次移动一个像素,对每次扫描的区域与模板进行匹配。
4.根据权利要求1所述的一种基于图像处理的电路板划痕检测方法,其特征在于:所述划痕提取的方法为:
步骤1:统计图像中像素点的总数和各灰度值的像素点总数,计算图像中每个灰度值的概率值;
步骤2:分别计算图像中的划痕和背景分布概率;
步骤3:计算背景和划痕的平均灰度值;
步骤4:计算每个灰度值的类间差;
步骤5:以类间差最大值所对应的灰度值作为划痕和背景灰度值的阈值。
7.根据权利要求1所述的一种基于图像处理的电路板划痕检测方法,其特征在于:还包括对划痕基于方向梯度进行区域生长操作的步骤,计算灰度梯度的方法为:
对像素点(a,b),在图像的x和y方向上的梯度表示为
gx(a,b)=f(a,b)-f(a-1,b)
gy(a,b)=f(a,b)-f(a,b-1)
其中,f(a,b)为像素点(a,b)的灰度值,gx(a,b)为像素点(a,b)沿坐标轴x和y方向上的梯度,则像素点(a,b)的梯度方向角和梯度模值分别为
其中,θ为梯度方向与y轴的夹角,|g(a,b)|为梯度模值,即梯度数值的绝对值;通过统计各划痕灰度值的梯度数据,以最小梯度方向为划痕的生长方向;
当两段划痕满足判断条件时,将两段划痕归属于同一条划痕,将两个端点加入种子点;其中,判断条件为
其中,tanθ1和tanθ2分别为两端划痕区域的梯度方向,n为方向准确度;(a1,b1),(a2,b2)分别为2个划痕区域端点;两端点间的距离为D;
划痕生长的方法为:
对种子点的邻域进行搜索,如果邻域点满足判断条件,则将邻域点加入种子点继续进行生长,直到找不到同时满足两个判断条件的邻域点,划痕生长操作结束。
8.一种基于图像处理的电路板划痕检测系统,其特征在于:包括,
图像获取模块,获取电路板表面图像;
灰度处理模块,对图像进行灰度化和滤波处理,得到灰度图像;
去噪模块,对灰度图像进行高斯滤波去噪,然后进行高斯平滑处理;
元器件识别模块,利用电路元器件制作背景模板,将模板与图像进行匹配,定位出图像中的电路元器件位置;
元器件去除模块,将图像中的电路元器件去除,并通过区域填充得到屏蔽电路元件的图像;
划痕提取模块,对无电路元件的图像进行划痕提取。
9.一种电子处理设备,其特征在于:包括至少一个处理器和存储有至少一个执行程序的存储装置,当所述至少一个执行程序被所述至少一个处理器执行,所述至少一个处理器实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于:所述计算机程序被处理器执行时能够实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111592209.8A CN114298996A (zh) | 2021-12-23 | 2021-12-23 | 基于图像处理的电路板划痕检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111592209.8A CN114298996A (zh) | 2021-12-23 | 2021-12-23 | 基于图像处理的电路板划痕检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298996A true CN114298996A (zh) | 2022-04-08 |
Family
ID=80970217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111592209.8A Pending CN114298996A (zh) | 2021-12-23 | 2021-12-23 | 基于图像处理的电路板划痕检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298996A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115020267A (zh) * | 2022-08-05 | 2022-09-06 | 启东旺晟电子科技有限公司 | 一种半导体表面缺陷检测方法 |
-
2021
- 2021-12-23 CN CN202111592209.8A patent/CN114298996A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115020267A (zh) * | 2022-08-05 | 2022-09-06 | 启东旺晟电子科技有限公司 | 一种半导体表面缺陷检测方法 |
CN115020267B (zh) * | 2022-08-05 | 2022-10-11 | 启东旺晟电子科技有限公司 | 一种半导体表面缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416355B (zh) | 一种基于机器视觉的工业现场生产数据的采集方法 | |
CN109785317B (zh) | 自动码垛桁架机器人的视觉系统 | |
CN107045634B (zh) | 一种基于最大稳定极值区域与笔画宽度的文本定位方法 | |
CN108960011B (zh) | 部分遮挡的柑橘果实图像识别方法 | |
CN109190625B (zh) | 一种大角度透视变形的集装箱箱号识别方法 | |
CN116433666B (zh) | 板卡线路缺陷在线识别方法、系统、电子设备及存储介质 | |
CN108537772B (zh) | 贴片电阻正导体印刷缺陷的视觉检测方法 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN115497109B (zh) | 基于智能翻译的文字图像预处理方法 | |
CN108709500B (zh) | 一种电路板元件定位匹配方法 | |
CN116704516B (zh) | 一种用于水溶肥料包装的视觉检测方法 | |
CN113012059A (zh) | 一种文字图像的阴影消除方法、装置及电子设备 | |
CN114298996A (zh) | 基于图像处理的电路板划痕检测方法和系统 | |
CN113252103A (zh) | 一种基于matlab图像识别技术计算物料堆体积及质量的方法 | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
CN116071272A (zh) | 一种图像校正方法、装置、电子设备及其存储介质 | |
CN111754461B (zh) | 半导体芯片图像字符区域的定位方法、装置 | |
CN111126296A (zh) | 水果定位方法及装置 | |
CN113484867B (zh) | 一种基于成像声呐封闭空间下鱼群密度探测方法 | |
CN114998624A (zh) | 图像查找方法和装置 | |
CN115578594A (zh) | 基于计算机视觉的边缘定位方法、装置及相关设备 | |
Tao et al. | Measurement algorithm of notch length of plastic parts based on video | |
TWI824757B (zh) | 電子計算裝置、表格格線位置識別方法及其電腦程式產品 | |
CN113160181B (zh) | 一种基于图像识别的成堆型材计数方法 | |
CN113160182B (zh) | 一种基于图像识别的成堆型材计数系统 |
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 |