CN114549512A - 一种电路板缺陷检测方法、装置、设备及介质 - Google Patents
一种电路板缺陷检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114549512A CN114549512A CN202210196179.7A CN202210196179A CN114549512A CN 114549512 A CN114549512 A CN 114549512A CN 202210196179 A CN202210196179 A CN 202210196179A CN 114549512 A CN114549512 A CN 114549512A
- Authority
- CN
- China
- Prior art keywords
- defect
- information
- target image
- defect information
- circuit board
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 317
- 238000001514 detection method Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 claims abstract description 92
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 238000013461 design Methods 0.000 claims abstract description 48
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 abstract description 29
- 238000011179 visual inspection Methods 0.000 abstract description 7
- 238000012423 maintenance Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000003466 welding Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000005476 soldering Methods 0.000 description 1
- 230000000576 supplementary effect Effects 0.000 description 1
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
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
- G01N2021/95638—Inspecting patterns on the surface of objects for PCB's
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请公开了一种电路板缺陷检测方法、装置、设备及介质,包括获取待检测电路板的目标图像以及与目标图像对应的设计图;基于计算机视觉算法,根据目标图像以及设计图,获得目标图像的第一缺陷信息;将目标图像输入已训练的检测模型,获得目标图像的第二缺陷信息;根据第二缺陷信息和第一缺陷信息,获得检测结果。本申请的方案基于计算机视觉算法,获得目标图像的第一缺陷信息,并基于已训练的检测模型,将需要检测的待检测电路板的目标图像直接输入在检测模型中,以直接识别待检测电路板的第二缺陷信息,相比于现有过程中的人工目检直接检测时不同检测人员的检测准确性低,提供了一个标准的检测模型实现待检测电路板的缺陷检测过程,准确性高。
Description
技术领域
本申请涉及产品检测技术领域,具体涉及一种电路板缺陷检测方法、装置、设备及介质。
背景技术
随着电子行业蓬勃发展,电路设计愈加复杂化、细致化,作为电子产品电路的主要载体,印制电路板行业对制造工艺的要求也越来越严格。印制电路板涉及多道生产工艺,在生产过程中,不同的制程都可能会造成板面缺损。
目前的电路板板面缺损检测过程,通过AOI机台拍摄图片,再通过人工目视定位缺陷,并进行分类。然而人工目检准确性低。
发明内容
本申请针对现有的电路板板面缺损检测过程通过人工目检存在较大不稳定性的问题,提出了一种电路板缺陷检测方法、装置、设备及介质,具体技术方案如下:
一种电路板缺陷检测方法,包括以下步骤:
获取待检测电路板的目标图像以及与所述目标图像对应的设计图;
基于计算机视觉算法,根据所述目标图像以及所述设计图,获得所述目标图像的第一缺陷信息;
将所述目标图像输入已训练的检测模型,获得所述目标图像的第二缺陷信息;
根据所述第二缺陷信息和所述第一缺陷信息,获得检测结果。
可选的,所述第一缺陷信息包括第一缺陷位置信息,所述第二缺陷信息包括第二缺陷位置信息;
所述根据所述第二缺陷信息和所述第一缺陷信息,获得检测结果的步骤,包括:
判断所述第一缺陷位置信息与所述第二缺陷位置信息是否相同;
若否,则输出所述第一缺陷信息以及所述第二缺陷信息。
在该实施方式中,增加了判断过程,通过比对第一缺陷位置信息以及第二缺陷位置信息来输出输出结果,避免直接输出第一缺陷信息和第二缺陷信息作为输出结果时出现第一缺陷信息和第二缺陷信息重复的情况,在第一缺陷信息和第二缺陷信息重复的情况下,还需人工进一步核对是否出现两次相同的缺陷,因此本方案直接采用电子设备判断并输出输出结果,节省了人力,减少了人工成本,同时相比于人工判断筛选还增加了效率。
可选的,所述第一缺陷信息还包括第一缺陷类别信息,所述第二缺陷信息还包括第二缺陷类别信息;所述判断所述第一缺陷位置信息与所述第二缺陷位置信息是否相同的步骤之后,还包括:
若所述第一缺陷位置信息与所述第二缺陷位置信息相同,判断所述第一缺陷类别信息与所述第二缺陷类别信息是否相同;
若是,则输出所述第二缺陷信息。
在该实施方式中,由于在电路板上的同一处位置仍可能存在不同类别的缺陷,因此在两个缺陷信息位置相同的情况下还需判断两个缺陷位置信息的类别是否相同,以保证输出结果的完整性,在上述判断过程中判断为第一缺陷信息和第二缺陷信息为相同的两个缺陷,因此仅输出其中一个缺陷信息,避免后续过程中重复录入的缺陷过程,还需人工筛选重复的缺陷过程,造成人力资源的浪费。
可选的,所述判断所述第一缺陷类别信息与所述第二缺陷类别信息是否相同的步骤之后,还包括:
若所述第一缺陷类别信息与所述第二缺陷类别信息不相同,输出所述第一缺陷信息以及所述第二缺陷信息。
在该实施方式中,计算机视觉算法和检测模型检测的是同一位置且类别不同的缺陷,即在电路板面上同一个位置上存在两种缺陷,对后续维修人员确定维修还是报废起到了辅助的作用,避免因在维修过程中维修人员未修复到缺陷处的另一种缺陷而造成电路板报废,不仅浪费了人工成本,同时也浪费材料资源,本方案能检测到同一处的不同类别的缺陷,使得输出结果更完善、准确,使得维修人员能准确判断是否能维修,从而能直接决定需要维修还是报废的过程,因此本方案能节省人工成本和减少不必要的材料浪费。
可选的,所述基于计算机视觉算法,根据所述目标图像以及所述设计图,获得所述目标图像的第一缺陷信息的步骤,包括:
将所述目标图像以及所述设计图进行灰度化处理,获得目标灰度图像以及设计灰度图;
对所述目标灰度图像以及所述设计灰度图进行二值化处理,获得二值化目标图像以及二值化设计图;
将所述二值化目标图像以及所述二值化设计图进行对比,以获得所述目标图像的第一缺陷信息。
在该实施方式中,通过将目标图像以及设计图灰度化处理和二值化处理后再进行比对,此种方式不再涉及像素的多级值,使处理变得简单,而且数据的处理和压缩量小,增加了数据传输的速率,缩短了电路板缺陷检测的时间,进一步提高了电路板缺陷检测的效率。
可选的,在所述将所述目标图像输入已训练的检测模型,获得所述目标图像的第二缺陷信息的步骤之前,所述方法还包括:
获取样本图像集,其中,所述样本图像集包括多个样本图像;
分别对多个所述样本图像的缺陷信息进行标注,获得标注后的样本图像集;
采用标注后的样本图像集,对初始检测模型进行训练,获得所述检测模型。
在该实施方式中,具体描写了对检测模型的训练方法,基于上述方法获得的检测模型能快速准确地识别待检测电路板的目标图像,在向检测模型输入待检测电路板的目标图像后,可以直接通过检测模型输出缺陷信息,缺陷信息包含了缺陷位置以及缺陷类型,通过本方法训练出的检测模型能提高了检测电路板缺陷的效率,并且通过与计算机视觉算法检测出的缺陷信息相结合,使得最终检测的输出结果更加完整准确。
可选的,所述检测模型为Faster RCNN算法模型。
在该实施方式中,Faster RCNN算法模型的性能优越,实现了精度较高的物体检测性能。Faster RCNN通过两阶网络与RPN,实现检测相比起其他一阶网络,两阶更为精准,尤其是针对高精度、多尺度以及小物体问题上,两阶网络优势更为明显。Faster RCNN在多个数据集及物体任务上效果都很好,对于个人的数据集,往往Fine-tune(微调)后就能达到较好的效果。Faster RCNN的整个算法框架中可以进行优化的点很多,提供了广阔的算法优化空间。
一种检测模型训练方法,包括以下步骤:
获取样本图像集,其中,所述样本图像集包括多个样本图像;
分别对多个所述样本图像的缺陷信息进行标注,获得标注后的样本图像集;
采用标注后的样本图像集,对初始检测模型进行训练,获得所述检测模型。
一种电路板缺陷检测装置,所述装置包括:
获取模块,用于获取待检测电路板的目标图像以及与所述目标图像对应的设计图;
第一获得模块,用于基于计算机视觉算法,根据所述目标图像以及所述设计图,获得所述目标图像的第一缺陷信息;
第二获得模块,用于将所述目标图像输入已训练的检测模型,获得所述目标图像的第二缺陷信息;
输出模块,用于根据所述第二缺陷信息和所述第一缺陷信息,获得检测结果。
一种检测模型训练装置,包括:
样本获取模块,用于获取样本图像集,其中,所述样本图像集包括多个样本图像;
样本标注模块,用于分别对多个所述样本图像的缺陷信息进行标注,获得标注后的样本图像集;
模型训练模块,用于采用标注后的样本图像集,对初始检测模型进行训练,获得所述检测模型。
一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行所述电路板缺陷检测方法或所述检测模型训练方法。
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实现所述电路板缺陷检测方法或所述检测模型训练方法。
一种计算机程序产品,所述计算机程序产品在被处理器时,实现所述电路板缺陷检测方法或所述检测模型训练方法。
本申请具有以下有益效果:
本申请的实施例提供了一种电路板缺陷检测方法、装置、设备及介质,通过获取待检测电路板的目标图像以及设计图;基于计算机视觉算法,根据所述目标图像以及所述设计图,获得所述目标图像的第一缺陷信息;将所述目标图像输入已训练的检测模型,获得所述目标图像的第二缺陷信息;根据所述第二缺陷信息和所述第一缺陷信息,获得检测结果。本申请的方案基于计算机视觉算法,获得所述目标图像的第一缺陷信息,并基于已训练的检测模型,将需要检测的待检测电路板的目标图像直接输入在检测模型中,以直接识别待检测电路板的第二缺陷信息。一方面,相比于现有过程中的人工目检直接检测,该方法采用人工智能的方法进行缺陷识别,准确性和效率明显提高;另一方面,其采用计算机视觉算法和检测模型获得的信息进行综合分析,可以同时规避计算机视觉算法检测结果和检测模型检测结果的不足,进一步提升检测精度。
附图说明
图1为本申请实施例涉及的硬件运行环境的电子设备结构示意图;
图2为本申请实施例提供的一种电路板缺陷检测方法的流程示意图;
图3为本申请实施例提供的一种检测模型训练方法的流程示意图;
图4为本申请实施例中根据第二缺陷信息和第一缺陷信息,获得检测结果的步骤的流程示意图;
图5为本申请实施例提供的一种电路板缺陷检测装置的功能模块示意图;
图6为本申请实施例提供的一种检测模型训练装置的功能模块示意图。
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。
本实施例针对现有的电路板板面缺损检测过程通过人工目检存在较大不稳定性的问题,提出的一种电路板缺陷检测方法,具体思路如下:
通过获取待检测电路板的目标图像以及与所述目标图像对应的设计图;基于计算机视觉算法,根据所述目标图像以及所述设计图,获得所述目标图像的第一缺陷信息;将所述目标图像输入已训练的检测模型,获得所述目标图像的第二缺陷信息;最后根据所述第二缺陷信息和所述第一缺陷信息,获得检测结果。
在现有技术中,检测电路板缺陷通常是使用自动光学检测(Automated OpticalInspection,简称AOI)机,AOI基于光学原理来对焊接生产中遇到的常见缺陷进行检测。在生产过程中,AOI运用高速高精度视觉处理技术自动检测PCB板上各种不同贴装错误及焊接缺陷。PCB板的范围可从细间距高密度板到低密度大尺寸板,并可提供在线检测方案,以提高生产效率及焊接质量。通过使用AOI作为减少缺陷的工具,在装配工艺过程的早期查找和消除错误,以实现良好的过程控制。早期发现缺陷将避免将有缺陷的电路板送到随后的装配阶段,AOI将减少修理成本将避免报废不可修理的电路板。
当采用AOI自动检测时,机器通过摄像头自动扫描PCB电路板,采集图像,用测试的焊点与数据库中的合格的参数进行比较,经过图像处理,检查出PCB电路板上缺陷,并通过显示器或自动标志把缺陷显示/标示出来,在通过检测人员目视定位缺陷并进行分类,但由于人工目视定位缺陷存在不稳定性,不同的检测人员的检测标准难以统一,且在检测人员的长时间工作的疲劳状态下同样可能导致目测分类结果不准确,最终导致检测的结果不符合需求。
为此,本申请提供一种解决方案,将计算机视觉算法和已训练好的检测模型相结合,以检测电路板的缺陷,基于计算机视觉算法获取待检测电路板的目标图像的第一缺陷信息,并通过已训练的检测模型获取第二缺陷信息,最后根据第一缺陷信息以及第二缺陷信息获得最终的检测结果。相比于通过人工目视定位缺陷以及人工对定位的缺陷进行分类,本方案采用电子设备执行上述逻辑过程,不仅统一了电路板缺陷检测的工艺流程,减少了人工检测电路板缺陷的分类不准确的问题,相比于人工检测也增加了检测的精度,提高了电路板缺陷检测的效率,降低了检测人员的劳动强度。
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中存储的电路板缺陷检测装置,并执行本申请实施例提供的电路板缺陷检测方法。
参照图2,基于前述硬件运行环境,本申请的实施例提供了一种电路板缺陷检测方法,包括以下步骤:
S10、获取待检测电路板的目标图像以及与目标图像对应的设计图;
在具体的应用中,待检测电路板是指需要检测是否具有缺陷的电路板,目标图像是指待检测电路板的图像,可通过人工拍照或AOI获得,本方案通过AOI直接扫描获取待检测电路板的目标图像,设计图是与目标图像对应的CAM图,CAM即计算机辅助制造。
S20、基于计算机视觉算法,根据目标图像以及设计图,获得目标图像的第一缺陷信息;
在具体的应用中,计算机视觉算法是用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像;第一缺陷信息包括第一缺陷位置信息以及第一缺陷类别信息。
如上方案,本方案中的获得目标图像的第一缺陷信息的具体步骤参照如下S201-S203步骤。
S30、将目标图像输入已训练的检测模型,获得目标图像的第二缺陷信息;
在具体的应用中,检测模型用于检测第二缺陷信息,第二缺陷信息包括第二缺陷位置信息以及第二缺陷类别信息;在实行本方案之前,预先通过对多个样本图像的缺陷信息进行标注,获得标注后的样本图像集,并采用标注后的样本图像集,对初始检测模型进行训练,最终获得检测模型,将待检测电路板的目标图像输入已训练的模型即能直接、快速地获得第二缺陷信息,使得电路板缺陷检测的过程更简便、快捷。
S40、根据第二缺陷信息和第一缺陷信息,获得检测结果。
在具体的应用中,根据第二缺陷信息和第一缺陷信息输出检测结果的过程具体参照如下S401-S405步骤的判断过程,输出结果包括两种情况,第一种情况是仅输出第一缺陷信息或第二缺陷信息作为输出结果,第二种情况是输出第一缺陷信息和第二缺陷信息作为输出结果。
如上方案,通过获取待检测电路板的目标图像以及设计图;基于计算机视觉算法,根据目标图像以及设计图,获得目标图像的第一缺陷信息;将目标图像输入已训练的检测模型,获得目标图像的第二缺陷信息;根据第二缺陷信息和第一缺陷信息,获得检测结果。本申请的方案基于计算机视觉算法,获得目标图像的第一缺陷信息,并基于已训练的检测模型,将需要检测的待检测电路板的目标图像直接输入在检测模型中,以直接识别待检测电路板的第二缺陷信息。相比于现有过程中的人工目检直接检测,该方法采用人工智能的方法进行缺陷识别,准确性和效率明显提高。
进一步的,由于基于计算机视觉算法获得的第一缺陷信息与根据检测模型直接得出的第二缺陷信息不完全相同,基于计算机视觉算法能检测到较为特殊的第一缺陷信息,此类第一缺陷信息不与第二缺陷信息包含的类别相同,即第一缺陷信息包含了检测模型检测不到的信息,同样的,采用检测模型检测出的第一缺陷信息也可能包含计算机视觉算法检测不到的缺陷信息,因此采用检测模型用于检测常规的缺陷类型,采用计算机视觉算法检测检测模型不能检测到的缺陷类型,且采用检测模型能直接输出检测出的第二缺陷信息,会使得第二缺陷信息的检测效率更快。因此采用计算机视觉算法和检测模型获得的信息进行综合分析,可以同时规避计算机视觉算法检测结果和检测模型检测结果的不足,进一步提升检测精度。
在一些实施例中,第一缺陷信息包括第一缺陷位置信息,第二缺陷信息包括第二缺陷位置信息;
参照图4,S40步骤,包括:
S401、判断第一缺陷位置信息与第二缺陷位置信息是否相同;
S402、若否,则输出第一缺陷信息以及第二缺陷信息。
在具体的应用中,本方案优先判断检测到的两个缺陷信息的位置是否相同,如果判断两个位置信息不同的情况下,即说明计算机视觉算法和检测模型检测到了两处不同位置的缺陷,此时无需判断两个缺陷信息的类别信息,即能直接判断输出结果为第一种情况,即第一缺陷信息和第二缺陷信息作为输出结果。
如上方案,增加了一个判断过程,通过比对第一缺陷位置信息以及第二缺陷位置信息来输出输出结果,避免直接输出第一缺陷信息和第二缺陷信息作为输出结果时出现第一缺陷信息和第二缺陷信息重复的情况,在第一缺陷信息和第二缺陷信息重复的情况下,还需人工进一步核对是否出现两次相同的缺陷,因此本方案直接采用电子设备判断并输出输出结果,节省了人力,减少了人工成本,同时相比于人工判断筛选还增加了效率。
在一些实施例中,第一缺陷信息还包括第一缺陷类别信息,第二缺陷信息还包括第二缺陷类别信息;
S402步骤之后,还包括:
S403、若第一缺陷位置信息与第二缺陷位置信息相同,判断第一缺陷类别信息与第二缺陷类别信息是否相同;
S404、若是,则输出第二缺陷信息。
在具体的应用中,本方案在判断检测到的两个位置信息相同的情况下,即说明计算机视觉算法和检测模型检测到了两处相同位置的缺陷,此时需要进一步判断两个缺陷信息的类别信息是否相同,在两个缺陷信息和类别信息都相同的情况下,则说明计算机视觉算法和检测模型检测到的是同一处的同一个类别的缺陷,即是说计算机视觉算法和检测模型检测到的是同一个缺陷,此时输出结果为第二种情况,即输出第一缺陷信息或第二缺陷信息作为输出结果。
如上方案,由于在电路板上的同一处位置仍可能存在不同类别的缺陷,因此在两个缺陷信息位置相同的情况下还需判断两个缺陷位置信息的类别是否相同,以保证输出结果的完整性,在上述判断过程中判断为第一缺陷信息和第二缺陷信息为相同的两个缺陷,因此仅输出其中一个缺陷信息,避免后续过程中重复录入的缺陷过程,还需人工筛选重复的缺陷过程,造成人力资源的浪费。
在一些实施例中,S404步骤之后,还包括:
S405、若第一缺陷类别信息与第二缺陷类别信息不相同,输出第一缺陷信息以及第二缺陷信息。
在具体的应用中,本方案在判断检测到的两个位置信息相同,进一步判断两个缺陷信息的类别信息不相同,此时说明计算机视觉算法和检测模型检测到的是同一处的不同类别的缺陷,即是说计算机视觉算法和检测模型检测到的是两种缺陷,此时输出结果为第一种情况,输出第一缺陷信息或第二缺陷信息作为输出结果。
如上方案,计算机视觉算法和检测模型检测的是同一位置且类别不同的缺陷,即在电路板面上同一个位置上存在两种缺陷,对后续维修人员确定维修还是报废起到了辅助的作用,避免因在维修过程中维修人员未修复到缺陷处的另一种缺陷而造成电路板报废,不仅浪费了人工成本,同时也浪费材料资源,本方案能检测到同一处的不同类别的缺陷,使得输出结果更完善、准确,使得维修人员能准确判断是否能维修,从而能直接决定需要维修还是报废的过程,因此本方案能节省人工成本和减少不必要的材料浪费。
在一些实施例中,S20步骤,包括:
S201、将目标图像以及设计图进行灰度化处理,获得目标灰度图像以及设计灰度图;
在具体的应用中,目标灰度图像是目标图像进行灰度化处理后的图像,设计灰度图是设计图经过灰度处理后的图像。
S202、对目标灰度图像以及设计灰度图进行二值化处理,获得二值化目标图像以及二值化设计图;
在具体的应用中,二值化目标图像是目标灰度图像进行二值化处理后的图像,二值化设计图是设计灰度图经过二值化处理后的图像。
如上方案,二值化处理就是将图像上的点的灰度值设置为0或255,也就是将整个图像呈现出明显的黑白效果,即将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。要进行二值图像的处理与分析,首先要把灰度图像二值化,得到二值化图像,这样子有利于在对图像做进一步处理时,图像的集合性质只与像素值为0或255的点的位置有关,不再涉及像素的多级值,使处理变得简单,而且数据的处理和压缩量小。为了得到理想的二值图像,一般采用封闭、连通的边界定义不交叠的区域。所有灰度大于或等于阈值的像素被判定为属于特定物体,其灰度值为255表示,否则这些像素点被排除在物体区域以外,灰度值为0,表示背景或者例外的物体区域。
S203、将二值化目标图像以及二值化设计图进行对比,以获得目标图像的第一缺陷信息。
在具体的应用中,将二值化目标图像以及二值化设计图进行对比的过程,可以采用阈值法进行对比,即特定物体在内部有均匀一致的灰度值,并且其处在一个具有其他等级灰度值的均匀背景下,如果物体同背景的差别表现不在灰度值上,比如纹理不同,可以将这个差别特征转换为灰度的差别,然后利用阈值选取技术来分割该图像,通过将二值化目标图像以及二值化设计图进行对比即能使电子设备直观地判断二值化目标图像以及二值化设计图的区别。
如上方案,本方案通过将目标图像以及设计图灰度化处理和二值化处理后再进行比对,此种方式不再涉及像素的多级值,使处理变得简单,而且数据的处理和压缩量小,增加了数据传输的速率,缩短了电路板缺陷检测的时间,进一步提高了电路板缺陷检测的效率。
在一些实施例中,在S30步骤之前,方法还包括:
获取样本图像集,其中,样本图像集包括多个样本图像;
在具体的应用中,样本图像同样是采用AOI机台扫描获得的、专用于训练初始模型的图像,样本图像中会含有多种常见的缺陷,第二缺陷信息也包含在多种常见的缺陷内。
分别对多个样本图像的缺陷信息进行标注,获得标注后的样本图像集;
在具体的应用中,需要通过人工对样本图像对缺陷信息进行标注。
采用标注后的样本图像集,对初始检测模型进行训练,获得检测模型。
在具体的应用中,获得标注后的样本图像集后,需要通过初始模型对标注的位置和类别进行学习,得到训练后的检测模型,采用的检测模型包括RCNN算法模型、Fast RCNN算法模型以及Faster RCNN算法模型算法中的一种。
如上方案,本方案具体描写了对检测模型的训练方法,基于上述方法获得的检测模型能快速准确地识别待检测电路板的目标图像,在向检测模型输入待检测电路板的目标图像后,可以直接通过检测模型输出缺陷信息,缺陷信息包含了缺陷位置以及缺陷类型,通过本方法训练出的检测模型能提高了检测电路板缺陷的效率,并且通过与计算机视觉算法检测出的缺陷信息相结合,使得最终检测的输出结果更加完整准确。
在一些实施例中,检测模型为Faster RCNN算法模型。
在具体的应用中,采用Faster RCNN算法模型作为检测模型的训练过程为现有技术,在此不作赘述。
如上方案,Faster RCNN算法模型的性能优越,实现了精度较高的物体检测性能。Faster RCNN通过两阶网络与RPN,实现检测相比起其他一阶网络,两阶更为精准,尤其是针对高精度、多尺度以及小物体问题上,两阶网络优势更为明显。Faster RCNN在多个数据集及物体任务上效果都很好,对于个人的数据集,往往Fine-tune(微调)后就能达到较好的效果。Faster RCNN的整个算法框架中可以进行优化的点很多,提供了广阔的算法优化空间。
参照图3,基于同一发明构思,本申请的实施例还提供一种检测模型训练方法,包括以下步骤:
S1、获取样本图像集,其中,样本图像集包括多个样本图像;
在具体的应用中,样本图像同样是采用AOI机台扫描获得的、专用于训练初始模型的图像,样本图像中会含有多种常见的缺陷,第二缺陷信息也包含在多种常见的缺陷内。
S2、分别对多个样本图像的缺陷信息进行标注,获得标注后的样本图像集;
在具体的应用中,通过人工对样本图像对缺陷信息进行标注。
S3、采用标注后的样本图像集,对初始检测模型进行训练,获得检测模型。
在具体的应用中,获得标注后的样本图像集后,需要通过初始模型对标注的位置和类别进行学习,得到训练后的检测模型,采用的检测模型包括RCNN算法模型、Fast RCNN算法模型以及Faster RCNN算法模型算法中的一种。
如上方案,本方案具体描写了对检测模型的训练方法,基于上述方法获得的检测模型能快速准确地识别待检测电路板的目标图像,在向检测模型输入待检测电路板的目标图像后,可以直接通过检测模型输出缺陷信息,缺陷信息包含了缺陷位置以及缺陷类型,通过本方法训练出的检测模型能提高了检测电路板缺陷的效率,并且通过与计算机视觉算法检测出的缺陷信息相结合,使得最终检测的输出结果更加完整准确。
参照图5,基于同一发明构思,本申请的实施例还提供一种电路板缺陷检测装置,装置包括:
获取模块,用于获取待检测电路板的目标图像以及与目标图像对应的设计图;
第一获得模块,用于基于计算机视觉算法,根据目标图像以及设计图,获得目标图像的第一缺陷信息;
第二获得模块,用于将目标图像输入已训练的检测模型,获得目标图像的第二缺陷信息;
输出模块,用于根据第二缺陷信息和第一缺陷信息,获得检测结果。
需要说明的是,本实施例中电路板缺陷检测装置中各模块是与前述实施例中的电路板缺陷检测方法中的各步骤一一对应,因此,本实施例的具体实施方式可参照前述电路板缺陷检测方法的实施方式,这里不再赘述。
参照图6,基于同一发明构思,本申请的实施例还提供一种检测模型训练装置,包括:
样本获取模块,用于获取样本图像集,其中,样本图像集包括多个样本图像;
样本标注模块,用于分别对多个样本图像的缺陷信息进行标注,获得标注后的样本图像集;
模型训练模块,用于采用标注后的样本图像集,对初始检测模型进行训练,获得检测模型。
需要说明的是,本实施例中检测模型训练装置中各模块是与前述实施例中的检测模型训练方法中的各步骤一一对应,因此,本实施例的具体实施方式可参照前述检测模型训练方法的实施方式,这里不再赘述。
基于同一发明构思,本申请的实施例还提供一种电子设备,电子设备包括:
至少一个处理器;以及,
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行电路板缺陷检测方法或检测模型训练方法。
基于同一发明构思,本申请的实施例还提供一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现电路板缺陷检测方法或检测模型训练方法。
基于同一发明构思,本申请的实施例还提供一种计算机程序产品,计算机程序产品在被处理器时,实现电路板缺陷检测方法或检测模型训练方法。
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物品或者设备不仅包括那些要素,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物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (13)
1.一种电路板缺陷检测方法,其特征在于,包括以下步骤:
获取待检测电路板的目标图像以及与所述目标图像对应的设计图;
基于计算机视觉算法,根据所述目标图像以及所述设计图,获得所述目标图像的第一缺陷信息;
将所述目标图像输入已训练的检测模型,获得所述目标图像的第二缺陷信息;
根据所述第二缺陷信息和所述第一缺陷信息,获得检测结果。
2.根据权利要求1所述的方法,其特征在于,所述第一缺陷信息包括第一缺陷位置信息,所述第二缺陷信息包括第二缺陷位置信息;
所述根据所述第二缺陷信息和所述第一缺陷信息,获得检测结果的步骤,包括:
判断所述第一缺陷位置信息与所述第二缺陷位置信息是否相同;
若否,则输出所述第一缺陷信息以及所述第二缺陷信息。
3.根据权利要求2所述的方法,其特征在于,所述第一缺陷信息还包括第一缺陷类别信息,所述第二缺陷信息还包括第二缺陷类别信息;所述判断所述第一缺陷位置信息与所述第二缺陷位置信息是否相同的步骤之后,还包括:
若所述第一缺陷位置信息与所述第二缺陷位置信息相同,判断所述第一缺陷类别信息与所述第二缺陷类别信息是否相同;
若是,则输出所述第二缺陷信息。
4.根据权利要求3所述的方法,其特征在于,所述判断所述第一缺陷类别信息与所述第二缺陷类别信息是否相同的步骤之后,还包括:
若所述第一缺陷类别信息与所述第二缺陷类别信息不相同,输出所述第一缺陷信息以及所述第二缺陷信息。
5.根据权利要求1所述的方法,其特征在于,所述基于计算机视觉算法,根据所述目标图像以及所述设计图,获得所述目标图像的第一缺陷信息的步骤,包括:
将所述目标图像以及所述设计图进行灰度化处理,获得目标灰度图像以及设计灰度图;
对所述目标灰度图像以及所述设计灰度图进行二值化处理,获得二值化目标图像以及二值化设计图;
将所述二值化目标图像以及所述二值化设计图进行对比,以获得所述目标图像的第一缺陷信息。
6.根据权利要求1所述的方法,其特征在于,在所述将所述目标图像输入已训练的检测模型,获得所述目标图像的第二缺陷信息的步骤之前,所述方法还包括:
获取样本图像集,其中,所述样本图像集包括多个样本图像;
分别对多个所述样本图像的缺陷信息进行标注,获得标注后的样本图像集;
采用标注后的样本图像集,对初始检测模型进行训练,获得所述检测模型。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述检测模型为Faster RCNN算法模型。
8.一种检测模型训练方法,其特征在于,包括以下步骤:
获取样本图像集,其中,所述样本图像集包括多个样本图像;
分别对多个所述样本图像的缺陷信息进行标注,获得标注后的样本图像集;
采用标注后的样本图像集,对初始检测模型进行训练,获得所述检测模型。
9.一种电路板缺陷检测装置,其特征在于,所述装置包括:
获取模块,用于获取待检测电路板的目标图像以及与所述目标图像对应的设计图;
第一获得模块,用于基于计算机视觉算法,根据所述目标图像以及所述设计图,获得所述目标图像的第一缺陷信息;
第二获得模块,用于将所述目标图像输入已训练的检测模型,获得所述目标图像的第二缺陷信息;
输出模块,用于根据所述第二缺陷信息和所述第一缺陷信息,获得检测结果。
10.一种检测模型训练装置,其特征在于,包括:
样本获取模块,用于获取样本图像集,其中,所述样本图像集包括多个样本图像;
样本标注模块,用于分别对多个所述样本图像的缺陷信息进行标注,获得标注后的样本图像集;
模型训练模块,用于采用标注后的样本图像集,对初始检测模型进行训练,获得所述检测模型。
11.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-7或8中任意一项所述的方法。
12.一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实现如权利要求1-7或8中任意一项所述的方法。
13.一种计算机程序产品,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1-7或8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210196179.7A CN114549512A (zh) | 2022-03-01 | 2022-03-01 | 一种电路板缺陷检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210196179.7A CN114549512A (zh) | 2022-03-01 | 2022-03-01 | 一种电路板缺陷检测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114549512A true CN114549512A (zh) | 2022-05-27 |
Family
ID=81662038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210196179.7A Pending CN114549512A (zh) | 2022-03-01 | 2022-03-01 | 一种电路板缺陷检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114549512A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677377A (zh) * | 2022-05-30 | 2022-06-28 | 成都数之联科技股份有限公司 | 显示屏缺陷检测方法、训练方法、装置、设备及介质 |
CN114782431A (zh) * | 2022-06-20 | 2022-07-22 | 苏州康代智能科技股份有限公司 | 一种印刷电路板缺陷检测模型训练方法及缺陷检测方法 |
CN114842275A (zh) * | 2022-07-06 | 2022-08-02 | 成都数之联科技股份有限公司 | 电路板缺陷判别方法、训练方法、装置、设备及存储介质 |
CN115239734A (zh) * | 2022-09-23 | 2022-10-25 | 成都数之联科技股份有限公司 | 模型训练方法、装置、存储介质、设备及计算机程序产品 |
CN116152251A (zh) * | 2023-04-20 | 2023-05-23 | 成都数之联科技股份有限公司 | 电视机背板检测方法、模型训练方法、装置、设备和介质 |
CN116542975A (zh) * | 2023-07-05 | 2023-08-04 | 成都数之联科技股份有限公司 | 一种玻璃面板的缺陷分类方法、装置、设备和介质 |
CN116703914A (zh) * | 2023-08-07 | 2023-09-05 | 浪潮云洲工业互联网有限公司 | 基于生成式人工智能的焊接缺陷检测方法、设备及介质 |
CN116805298A (zh) * | 2022-11-30 | 2023-09-26 | 慧之安信息技术股份有限公司 | 一种基于边缘计算的电路板缺陷检测方法 |
CN117333441A (zh) * | 2023-09-27 | 2024-01-02 | 威海天拓合创电子工程有限公司 | 一种基于图像数据的pcb板缺陷检测方法及系统 |
CN118169547A (zh) * | 2024-05-13 | 2024-06-11 | 常州忆隆信息科技有限公司 | 一种电动吻合器单次使用电路检测方法及系统 |
WO2024124496A1 (zh) * | 2022-12-15 | 2024-06-20 | 西门子股份公司 | 检测焊点缺陷的方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109142371A (zh) * | 2018-07-31 | 2019-01-04 | 华南理工大学 | 基于深度学习的高密度柔性基板外观缺陷检测系统与方法 |
CN111353413A (zh) * | 2020-02-25 | 2020-06-30 | 武汉大学 | 一种输电设备低漏报率缺陷识别方法 |
CN112396599A (zh) * | 2020-12-04 | 2021-02-23 | 惠州高视科技有限公司 | 一种透明封装ic缺陷的视觉检测方法 |
CN113554067A (zh) * | 2021-07-01 | 2021-10-26 | 清华大学深圳国际研究生院 | 基于集成学习的光纤缠绕缺陷检测方法与装置 |
CN113935979A (zh) * | 2021-10-26 | 2022-01-14 | 昆山万洲特种焊接有限公司 | 缺陷识别方法、装置、存储介质及电子设备 |
CN114066848A (zh) * | 2021-11-16 | 2022-02-18 | 苏州俪濠智能科技有限公司 | 一种fpca外观缺陷视觉检测系统 |
-
2022
- 2022-03-01 CN CN202210196179.7A patent/CN114549512A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109142371A (zh) * | 2018-07-31 | 2019-01-04 | 华南理工大学 | 基于深度学习的高密度柔性基板外观缺陷检测系统与方法 |
CN111353413A (zh) * | 2020-02-25 | 2020-06-30 | 武汉大学 | 一种输电设备低漏报率缺陷识别方法 |
CN112396599A (zh) * | 2020-12-04 | 2021-02-23 | 惠州高视科技有限公司 | 一种透明封装ic缺陷的视觉检测方法 |
CN113554067A (zh) * | 2021-07-01 | 2021-10-26 | 清华大学深圳国际研究生院 | 基于集成学习的光纤缠绕缺陷检测方法与装置 |
CN113935979A (zh) * | 2021-10-26 | 2022-01-14 | 昆山万洲特种焊接有限公司 | 缺陷识别方法、装置、存储介质及电子设备 |
CN114066848A (zh) * | 2021-11-16 | 2022-02-18 | 苏州俪濠智能科技有限公司 | 一种fpca外观缺陷视觉检测系统 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677377A (zh) * | 2022-05-30 | 2022-06-28 | 成都数之联科技股份有限公司 | 显示屏缺陷检测方法、训练方法、装置、设备及介质 |
CN114782431A (zh) * | 2022-06-20 | 2022-07-22 | 苏州康代智能科技股份有限公司 | 一种印刷电路板缺陷检测模型训练方法及缺陷检测方法 |
CN114782431B (zh) * | 2022-06-20 | 2022-10-14 | 苏州康代智能科技股份有限公司 | 一种印刷电路板缺陷检测模型训练方法及缺陷检测方法 |
TWI840006B (zh) * | 2022-06-20 | 2024-04-21 | 大陸商蘇州康代智能科技股份有限公司 | 印刷電路板缺陷檢測模型訓練方法及缺陷檢測方法 |
CN114842275A (zh) * | 2022-07-06 | 2022-08-02 | 成都数之联科技股份有限公司 | 电路板缺陷判别方法、训练方法、装置、设备及存储介质 |
CN115239734A (zh) * | 2022-09-23 | 2022-10-25 | 成都数之联科技股份有限公司 | 模型训练方法、装置、存储介质、设备及计算机程序产品 |
CN116805298A (zh) * | 2022-11-30 | 2023-09-26 | 慧之安信息技术股份有限公司 | 一种基于边缘计算的电路板缺陷检测方法 |
WO2024124496A1 (zh) * | 2022-12-15 | 2024-06-20 | 西门子股份公司 | 检测焊点缺陷的方法、装置、电子设备及存储介质 |
CN116152251A (zh) * | 2023-04-20 | 2023-05-23 | 成都数之联科技股份有限公司 | 电视机背板检测方法、模型训练方法、装置、设备和介质 |
CN116542975B (zh) * | 2023-07-05 | 2023-09-12 | 成都数之联科技股份有限公司 | 一种玻璃面板的缺陷分类方法、装置、设备和介质 |
CN116542975A (zh) * | 2023-07-05 | 2023-08-04 | 成都数之联科技股份有限公司 | 一种玻璃面板的缺陷分类方法、装置、设备和介质 |
CN116703914B (zh) * | 2023-08-07 | 2023-12-22 | 浪潮云洲工业互联网有限公司 | 基于生成式人工智能的焊接缺陷检测方法、设备及介质 |
CN116703914A (zh) * | 2023-08-07 | 2023-09-05 | 浪潮云洲工业互联网有限公司 | 基于生成式人工智能的焊接缺陷检测方法、设备及介质 |
CN117333441A (zh) * | 2023-09-27 | 2024-01-02 | 威海天拓合创电子工程有限公司 | 一种基于图像数据的pcb板缺陷检测方法及系统 |
CN117333441B (zh) * | 2023-09-27 | 2024-04-02 | 威海天拓合创电子工程有限公司 | 一种基于图像数据的pcb板缺陷检测方法及系统 |
CN118169547A (zh) * | 2024-05-13 | 2024-06-11 | 常州忆隆信息科技有限公司 | 一种电动吻合器单次使用电路检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114549512A (zh) | 一种电路板缺陷检测方法、装置、设备及介质 | |
CN112053318B (zh) | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 | |
CN114266773B (zh) | 显示面板缺陷定位方法、装置、设备及存储介质 | |
CN111709948B (zh) | 容器瑕疵检测方法和装置 | |
US20080281548A1 (en) | Method and System for Automatic Defect Detection of Articles in Visual Inspection Machines | |
CN112651966A (zh) | 一种基于acyolov4_csp的印刷电路板微小缺陷检测方法 | |
CN114842275B (zh) | 电路板缺陷判别方法、训练方法、装置、设备及存储介质 | |
CN114677567B (zh) | 模型训练方法、装置、存储介质及电子设备 | |
CN115661160B (zh) | 一种面板缺陷检测方法及系统及装置及介质 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN115578377B (zh) | 一种面板缺陷的检测方法、训练方法、装置、设备及介质 | |
CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
CN113222913A (zh) | 一种电路板缺陷检测定位方法、装置和存储介质 | |
CN116542975A (zh) | 一种玻璃面板的缺陷分类方法、装置、设备和介质 | |
CN114226262A (zh) | 瑕疵检测方法、瑕疵分类方法及其系统 | |
CN115861327A (zh) | 一种pcb颜色变化缺陷检测方法、装置、设备及介质 | |
CN115719326A (zh) | Pcb板缺陷检测方法及装置 | |
CN117589770A (zh) | Pcb贴片板检测方法、装置、设备及介质 | |
CN117455887A (zh) | 基于机器视觉的pcb来料检测方法、装置、设备及介质 | |
CN116091503B (zh) | 一种面板异物缺陷的判别方法、装置、设备及介质 | |
CN115601341A (zh) | Pcba板缺陷检测方法、系统、设备、介质及产品 | |
JP2011232302A (ja) | 画像検査方法及び画像検査装置 | |
CN114897797A (zh) | 印刷电路板的缺陷检测方法、装置、设备及存储介质 | |
JP2008185395A (ja) | 実装基板外観検査方法 | |
JP2021067508A (ja) | 外観検査システム及び方法 |
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 |