CN114354491A - 一种基于机器视觉的dcb陶瓷基板缺陷检测方法 - Google Patents
一种基于机器视觉的dcb陶瓷基板缺陷检测方法 Download PDFInfo
- Publication number
- CN114354491A CN114354491A CN202111643639.8A CN202111643639A CN114354491A CN 114354491 A CN114354491 A CN 114354491A CN 202111643639 A CN202111643639 A CN 202111643639A CN 114354491 A CN114354491 A CN 114354491A
- Authority
- CN
- China
- Prior art keywords
- image
- detection
- template
- detected
- ceramic substrate
- 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 77
- 230000007547 defect Effects 0.000 title claims abstract description 49
- 239000000758 substrate Substances 0.000 title claims abstract description 28
- 239000000919 ceramic Substances 0.000 title claims abstract description 26
- 239000003086 colorant Substances 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 8
- 230000003647 oxidation Effects 0.000 claims description 5
- 238000007254 oxidation reaction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000003702 image correction Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 description 9
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 8
- 238000001914 filtration Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011895 specific detection Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000004021 metal welding Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Abstract
本发明提供一种基于机器视觉的DCB陶瓷基板缺陷检测方法，包括获取基板标准图像，建立图像模板：通过线扫相机扫描标准无缺陷DCB陶瓷基板图像，以此建立图像模板并保存，并设置模板对比模块区域数量；待测产品图像采集：用线扫相机采集待检测的DCB陶瓷基板的检测图像；图像预处理：提取检测图像，以待检测的部分中心坐标及角度为基准，将图像校正至水平位置；模板匹配：用图像模板与检测图像进行模板匹配，定位需要检测的模块区域；缺陷检测：根据模板匹配定位到的检测模块的数量及位置，依次检测单个检测模块的图像；标记、显示缺陷：将缺陷按种类对应的不同颜色标出，并显示每种缺陷的个数。本发明检测方法可精准找到缺陷位置，并对不同缺陷分类。
Description
技术领域
本发明应用于机器视觉检测领域，具体涉及一种基于机器视觉的DCB陶瓷基板缺陷检测方法。
背景技术
覆铜陶瓷又叫覆铜陶瓷产品，根据制备原理和工艺的不同，目前主流产品可以分为厚膜印刷陶瓷基板(Thick Printing Ceramic Substrate,TPC)、直接键合铜陶瓷基板(Direct Copper Bonded Ceramic Substrate,DCB)、活性金属焊接陶瓷基板(ActiveMetal Brazing Ceramic Substrate,AMB)等。DCB在生产过程中会有一系列复杂的工艺流程，在任何一处工艺流程中发生异常都会导致DCB产生缺陷，带有某些缺陷的DCB产品若直接用于实际生产中，则会导致不可预计的严重后果，因此，对DCB进行缺陷检测是必不可少的。目前国内检测DCB缺陷主要还是依靠人工检测，DCB的缺陷种类繁多，每种缺陷的形状、大小、重要程度等不尽相同，对人工检测要求较高，而且这种检测方式效率低、产品质量无法数据化，并且很容易受情绪等的主观因素影响，因此在线机器视觉检测方式已逐步成为一种必然趋势。
发明内容
鉴于以上问题，本发明提供一种基于机器视觉的DCB陶瓷基板缺陷检测方法，具体技术方案如下：
一种基于机器视觉的DCB陶瓷基板缺陷检测方法，其特征在于：包括
步骤一，获取基板标准图像，建立图像模板：通过线扫相机扫描标准无缺陷DCB陶瓷基板图像，以此建立图像模板并保存，并设置模板对比模块区域数量；
步骤二，待测产品图像采集：用线扫相机采集待检测的DCB陶瓷基板的检测图像；
步骤三，图像预处理：提取检测图像，以待检测的部分中心坐标及角度为基准，将图像校正至水平位置；
步骤四，模板匹配：用图像模板与检测图像进行模板匹配，定位需要检测的模块区域；
步骤五，缺陷检测：根据模板匹配定位到的检测模块的数量及位置，依次检测单个检测模块的图像，检测的缺陷种类包含区域丢失、凸起、氧化；
步骤六，标记、显示缺陷：将缺陷按种类对应的不同颜色标出，并显示每种缺陷的个数。
进一步，步骤三中图像校正前，对检测图像进行彩图转灰度图像、阈值处理、图像增强、滤波提取图处理。
进一步，步骤四中，在检测图像中匹配到的检测模块区域数量若与模板对比模块区域数量相等，则继续对检测图像进行缺陷检测；若与模板对比模块区域数量不相等，则报警待检测图像输出存在匹配异常信息，停止检测过程。
进一步，步骤五中，根据模板匹配定位到的检测模块的数量及位置，分别对每个检测模块的图像进行裁剪，提取检测模块中检测的区域，再与图像模板中对应区域进行对比。
本发明基于机器视觉的DCB陶瓷基板缺陷检测方法能自动检测DCB缺陷，并将缺陷分类，提高了缺陷检测效率、准确性及精度，极大的节省人力和时间成本。
本发明附加的方面和优点将在下面的描述中进一步给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1所示为本发明DCB陶瓷基板缺陷检测方法的流程示意图；
图2所示为建立图像模板示意图，其中1-6为设置的模板对比模块区域；
图3所示为检测图像整体区域示意图；
图4所示为将图像模板置于检测图像上单个模块区域重叠匹配示意图；
图5所示为图像模板置与检测图像整体模板匹配情况示意图；
图6所示为区域丢失缺陷示意图；
图7所示为凸起缺陷示意图；
图8所示为氧化缺陷示意图。
具体实施方式
下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
结合图1示出的本发明基于机器视觉的DCB陶瓷基板缺陷检测方法的流程图，具体检测方法包括：
S1、获取基板标准图像，建立图像模板：
通过线扫相机扫描标准无缺陷DCB陶瓷基板图像，以此建立图像模板及所要用到的区域并保存，建立图像模板具体包括：（1）将一张无缺陷的彩色图像转为“R、G、B”3个通道的图像；（2）对R通道的图像进行均值滤波，均值滤波用的mask为3*3，使其更为平滑，降低噪点，对均值滤波后的图像手动选择单个模板对比模块区域，如图2中的标记为1的区域；（3）通过设置灰度值为90-255，对单个模板对比模块的区域进行分割；（4）提取出面积在20000-2e+005间的区域；（5）通过该区域建立模板，获取模板文件，并保存该区域，此处输入模板对比模块区域数量为6，即图2中所示的1、2、3、4、5、6的六个区域。
对已检测过的种类的DCB陶瓷基板产品，则只需加载原有模板文件及参数即可。
S2、待测产品图像采集：用线扫相机、镜头、光源在设备上通过移动的模组采集需要检测的DCB陶瓷基板的彩色检测图像。
S3、图像预处理：
将检测图像转为“R、G、B”3个通道的图像，将R通道的图像进行均值滤波，均值滤波用的mask为3*3，使其更为平滑，降低噪点。再通过灰度值为90-255，对整个产品的检测图像进行分割，提取出面积在20000-2e+005间的区域，即得到了需要检测的整体区域，如图3，将需要检测区域连接成一个连通域，提取检测区域的中心坐标及角度，通过仿射变换得到仿射变换矩阵，将要检测的区域及R\S图像通过仿射变换至水平位置。
S4、模板匹配：
用建立的模板文件与仿射变换后的R通道的检测图像进行模板匹配，如图4，顺次提取检测图像各个模块的中心坐标及角度，将得到的坐标和角度数据放到对应的数组中。
根据匹配到的检测模块的数量，即根据单个数组的长度，判断匹配到的检测模块的个数与模板对比模块区域数量是否相同，数量相等则将上述各个检测模块的中心坐标及角度与模板的中心坐标及角度分别通过仿射变换得到仿射变换矩阵，将模板通过仿射变换分别仿射到对应的待测图像上，如图5所示，总共有6个模块，并将仿射变换的区域储存在一个数组中。若检测模块的个数与模板对比模块区域数量不相等，报警待检测图像输出存在匹配异常信息，此种情况停止检测，人工介入，查看产品是否放置错误或者检测面放反，以至于无法正确检测到产品，排除该故障后重新进入检测过程。
S5、缺陷检测：
根据模板匹配定位到的检测模块的数量及位置，依次循环将上述存储在数组中的检测模块区域对应的R通道单个模块的图像裁剪出来，分别进行检测，检测的缺陷种类包含区域丢失、凸起、氧化。
具体检测模块的检测包括：将裁剪出的R通道的图像进行均值滤波，均值滤波用的mask为3*3，使其更为平滑。将平滑后的图像进行灰度变换，对图像上的高灰度区做线性拉伸，提高图像的对比度。再通过灰度值为90-255，对单个模块进行分割，提取出面积在20000-2e+005间的区域。将得到的区域转成xld轮廓，平滑得到的xld轮廓，再将平滑后的xld轮廓转为区域，则得到了更为准确的需要检测的单个检测模块区域。
其中可检测到的缺陷类型包括：1、检测区域丢失：提取对应的模板对比模块区域减去检测模块需要检测的区域，计算相减后，剩余区域的面积，若面积大于20000个像素，则为区域丢失，如图6所示。2、检测凸起：将得到的需要检测的区域膨胀2个像素，避免边缘干扰小凸起的检测，再用得到的模板区域减去膨胀后区域，计算相减后，剩余区域的面积，区域面积大于1000个像素且小于20000个像素，则为凸起，如图7所示。3、检测氧化：对R通道经过对比度提高处理后的图像提取灰度值在200-255间的区域，并将提取的区域腐蚀5个像素，避免边缘干扰缺陷检测，计算腐蚀后的区域的面积，若面积大于200个像素，则为氧化，如图8所示。
S6．标记、显示缺陷：将缺陷按种类对应的不同颜色标出，并显示每种缺陷的个数。
尽管参照本发明的示意性实施例对本发明的具体实施方式进行了详细的描述，但是必须理解，本领域技术人员可以设计出多种其他的改进和实施例，这些改进和实施例将落在本发明原理的精神和范围之内。
Claims (4)
1.一种基于机器视觉的DCB陶瓷基板缺陷检测方法，其特征在于：包括
步骤一，获取基板标准图像，建立图像模板：通过线扫相机扫描标准无缺陷DCB陶瓷基板图像，以此建立图像模板并保存，并设置模板对比模块区域数量；
步骤二，待测产品图像采集：用线扫相机采集待检测的DCB陶瓷基板的检测图像；
步骤三，图像预处理：提取检测图像，以待检测的部分中心坐标及角度为基准，将图像校正至水平位置；
步骤四，模板匹配：用图像模板与检测图像进行模板匹配，定位需要检测的模块区域；
步骤五，缺陷检测：根据模板匹配定位到的检测模块的数量及位置，依次检测单个检测模块的图像，检测的缺陷种类包含区域丢失、凸起、氧化；
步骤六，标记、显示缺陷：将缺陷按种类对应的不同颜色标出，并显示每种缺陷的个数。
2.根据权利要求1所述的基于机器视觉的DCB陶瓷基板缺陷检测方法，其特征在于，步骤三中图像校正前，对检测图像进行彩图转灰度图像、阈值处理、图像增强、滤波提取图处理。
3.根据权利要求1所述的基于机器视觉的DCB陶瓷基板缺陷检测方法，其特征在于，步骤四中，在检测图像中匹配到的检测模块区域数量若与模板对比模块区域数量相等，则继续对检测图像进行缺陷检测；若与模板对比模块区域数量不相等，则报警待检测图像输出存在匹配异常信息，停止检测过程。
4.根据权利要求1所述的基于机器视觉的DCB陶瓷基板缺陷检测方法，其特征在于，步骤五中，根据模板匹配定位到的检测模块的数量及位置，分别对每个检测模块的图像进行裁剪，提取检测模块中检测的区域，再与图像模板中对应区域进行对比。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111643639.8A CN114354491A (zh) | 2021-12-30 | 2021-12-30 | 一种基于机器视觉的dcb陶瓷基板缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111643639.8A CN114354491A (zh) | 2021-12-30 | 2021-12-30 | 一种基于机器视觉的dcb陶瓷基板缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114354491A true CN114354491A (zh) | 2022-04-15 |
Family
ID=81104253
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111643639.8A Pending CN114354491A (zh) | 2021-12-30 | 2021-12-30 | 一种基于机器视觉的dcb陶瓷基板缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114354491A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116008295A (zh) * | 2023-02-21 | 2023-04-25 | 苏州精创光学仪器有限公司 | 一种覆铜陶瓷基板检测设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105548208A (zh) * | 2016-02-05 | 2016-05-04 | 湖北工业大学 | 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法 |
| CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测系统及方法 |
| CN108355981A (zh) * | 2018-01-08 | 2018-08-03 | 西安交通大学 | 一种基于机器视觉的电池连接器质量检测方法 |
| CN110220917A (zh) * | 2019-06-11 | 2019-09-10 | 江苏农林职业技术学院 | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 |
| CN110223296A (zh) * | 2019-07-08 | 2019-09-10 | 山东建筑大学 | 一种基于机器视觉的螺纹钢表面缺陷检测方法及系统 |
| CN110296997A (zh) * | 2019-07-03 | 2019-10-01 | 三峡大学 | 基于机器视觉的陶瓷瓦的缺陷检测方法及装置 |
| CN111474184A (zh) * | 2020-04-17 | 2020-07-31 | 河海大学常州校区 | 基于工业机器视觉的aoi字符缺陷检测方法和装置 |
| CN112630222A (zh) * | 2020-11-24 | 2021-04-09 | 河海大学常州校区 | 一种基于机器视觉的手机盖板玻璃缺陷检测方法 |
-
2021
- 2021-12-30 CN CN202111643639.8A patent/CN114354491A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105548208A (zh) * | 2016-02-05 | 2016-05-04 | 湖北工业大学 | 一种基于机器视觉的陶瓷阀芯表面缺陷检测方法 |
| CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测系统及方法 |
| CN108355981A (zh) * | 2018-01-08 | 2018-08-03 | 西安交通大学 | 一种基于机器视觉的电池连接器质量检测方法 |
| CN110220917A (zh) * | 2019-06-11 | 2019-09-10 | 江苏农林职业技术学院 | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 |
| CN110296997A (zh) * | 2019-07-03 | 2019-10-01 | 三峡大学 | 基于机器视觉的陶瓷瓦的缺陷检测方法及装置 |
| CN110223296A (zh) * | 2019-07-08 | 2019-09-10 | 山东建筑大学 | 一种基于机器视觉的螺纹钢表面缺陷检测方法及系统 |
| CN111474184A (zh) * | 2020-04-17 | 2020-07-31 | 河海大学常州校区 | 基于工业机器视觉的aoi字符缺陷检测方法和装置 |
| CN112630222A (zh) * | 2020-11-24 | 2021-04-09 | 河海大学常州校区 | 一种基于机器视觉的手机盖板玻璃缺陷检测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116008295A (zh) * | 2023-02-21 | 2023-04-25 | 苏州精创光学仪器有限公司 | 一种覆铜陶瓷基板检测设备 |
| CN116008295B (zh) * | 2023-02-21 | 2023-07-04 | 苏州精创光学仪器有限公司 | 一种覆铜陶瓷基板检测设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107945184B (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 | |
| CN113724216B (zh) | 一种波峰焊点缺陷检测方法及系统 | |
| CN109767445B (zh) | 一种高精度的pcb缺陷智能检测方法 | |
| CN106934800A (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
| TWI669519B (zh) | 電路板瑕疵篩選方法及其裝置與電腦可讀取記錄媒體 | |
| JP3741672B2 (ja) | 画像特徴学習型欠陥検出方法、欠陥検出装置及び欠陥検出プログラム | |
| CN107490582A (zh) | 一种流水线工件检测系统 | |
| CN113034488A (zh) | 一种喷墨印刷品的视觉检测方法 | |
| CN108871185B (zh) | 零件检测的方法、装置、设备以及计算机可读存储介质 | |
| CN113077416A (zh) | 一种基于图像处理的焊点焊接缺陷检测方法与系统 | |
| JP2005265661A (ja) | 画像処理方法およびその装置 | |
| CN113470005A (zh) | 一种圆柱电池盖帽的焊点检测装置和焊点检测方法 | |
| CN114354491A (zh) | 一种基于机器视觉的dcb陶瓷基板缺陷检测方法 | |
| CN112014407A (zh) | 一种集成电路晶圆表面缺陷检测的方法 | |
| TW201024716A (en) | Wafer pattern inspection apparatus | |
| CN113762427B (zh) | 一种工业自动化检测场景中的上料异常检测方法 | |
| CN116168218A (zh) | 一种基于图像识别技术的电路板故障诊断方法 | |
| CN109870463B (zh) | 一种电子芯片故障检测装置 | |
| CN108346592B (zh) | 一种模拟晶圆背面缺陷的方法及装置 | |
| CN114463314A (zh) | 一种基于色彩差影模型的晶圆缺陷检测方法及系统 | |
| CN117589770A (zh) | Pcb贴片板检测方法、装置、设备及介质 | |
| WO2018068414A1 (zh) | 色环电阻的检测方法、装置和自动光学检测系统 | |
| CN115546140A (zh) | 一种显示面板检测方法、系统及电子装置 | |
| CN115471684A (zh) | 注塑工件模板匹配方法、电子设备及存储介质 | |
| CN110930380B (zh) | 一种缺陷观测机台及其的图像分析补偿方法 |
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 |