CN114581415A - Pcb缺陷的检测方法、装置、计算机设备及存储介质 - Google Patents
Pcb缺陷的检测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114581415A CN114581415A CN202210219122.4A CN202210219122A CN114581415A CN 114581415 A CN114581415 A CN 114581415A CN 202210219122 A CN202210219122 A CN 202210219122A CN 114581415 A CN114581415 A CN 114581415A
- Authority
- CN
- China
- Prior art keywords
- defect
- target
- picture
- pcb
- actual size
- 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 275
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000011158 quantitative evaluation Methods 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 description 10
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 9
- 229910052802 copper Inorganic materials 0.000 description 9
- 239000010949 copper Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000011179 visual inspection Methods 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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
- 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
- G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
- G01N2021/95615—Inspecting patterns on the surface of objects using a comparative method with stored comparision signal
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种PCB缺陷的检测方法、装置、计算机设备及存储介质,涉及图像处理技术领域。本申请通过缺陷检测模型对原始图片进行检测得到图中对应预估缺陷的目标缺陷框的像素特征,并截取出包含目标缺陷框的目标图片,提取目标缺陷框的边缘轮廓并计算该边缘轮廓的实际尺寸,判断该边缘轮廓的实际尺寸是否大于或者等于预设的缺陷标准值,若实际尺寸大于或者等于缺陷标准值则判定原始图片存在PCB缺陷,若实际尺寸小于缺陷标准值则判定原始图片不存在PCB缺陷。本发明能实现对PCB缺陷的准确定位与量化评估,提高了PCB检测的准确性和自动化程度。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种PCB缺陷的检测方法、装置、计算机设备及存储介质。
背景技术
印刷电路板(Printed Circuit Board,简称PCB)生产制造工艺流程由多个段别组成,在复杂且繁琐的制造过程中也容易引入各种各样的产品缺陷,例如游离铜缺陷。这些缺陷对于产品造成的影响程度各不相同,生产厂家在对缺陷进行评估时也会根据缺陷类型、缺陷大小、缺陷占比等信息将缺陷划分为合格和不合格类别,以此在保证成品无重大缺陷的同时提高产线的成品率,因此对印刷电路板上的缺陷进行准确分类以及量化评估显得十分必要。针对PCB行业缺陷的检测,传统方案采用人员目检的方式进行判别,这具有很大的主观性,易造成缺陷过检以及缺陷漏检,无法保证检测质量。
发明内容
为了解决上述技术问题,本申请实施例提供了一种PCB缺陷的检测方法、装置、计算机设备及存储介质。
第一方面,本申请实施例提供了一种PCB缺陷的检测方法,所述方法包括:
通过缺陷检测模型对待检测的原始图片进行检测,得到所述原始图片中对应预估缺陷的目标缺陷框的像素特征;
根据所述目标缺陷框的像素特征从所述原始图片上截取包含所述目标缺陷框的目标图片;
提取所述目标图片中对应所述目标缺陷框的边缘轮廓,并计算所述边缘轮廓的实际尺寸;
判断所述边缘轮廓的实际尺寸是否大于或者等于预设的缺陷标准值;
若所述边缘轮廓的实际尺寸大于或者等于预设的缺陷标准值,则判定所述原始图片存在PCB缺陷;
若所述边缘轮廓的实际尺寸小于预设的缺陷标准值,则判定所述原始图片不存在PCB缺陷。
根据本申请公开的一种具体实施方式,计算所述边缘轮廓的实际尺寸的步骤,包括:
确定所述目标缺陷框的边缘轮廓的最小外接矩形;
根据所述边缘轮廓的最小外接矩形的像素宽和像素高,计算所述边缘轮廓的实际宽和实际高;
将所述实际宽和所述实际高中的最大值作为所述边缘轮廓的实际尺寸。
根据本申请公开的一种具体实施方式,根据所述边缘轮廓的最小外接矩形的像素高和像素宽,计算所述边缘轮廓的实际高和实际宽的步骤,包括:
统计所述原始图片对应的图片像素量以及所述原始图片对应的实际尺寸;
根据所述原始图片对应的图片像素量以及所述原始图片对应的实际尺寸计算像素单位与实际尺寸的比例关系;
将所述像素宽与所述比例关系的乘积作为所述边缘轮廓的实际宽,以及,将所述像素高与所述比例关系的乘积作为所述边缘轮廓的实际高。
根据本申请公开的一种具体实施方式,所述目标缺陷框的像素特征包括所述目标缺陷框的第一顶角的坐标数据以及第二顶角的坐标数据,以及所述第一顶角和所述第二顶角围合成的矩形范围内的全部像素点的像素特征,其中,所述第一顶角和所述第二顶角为矩形的目标缺陷框的两个互不相邻的顶角。
根据本申请公开的一种具体实施方式,所述通过缺陷检测模型对待检测的原始图片进行检测,得到所述原始图片中对应预估缺陷的目标缺陷框的像素特征的步骤之前,所述方法还包括:
采集包含PCB缺陷的第一类样本图片和不包含PCB缺陷的第二类样本图片;
将包含PCB缺陷的所述第一类样本图片和不包含PCB缺陷的所述第二类样本图片输入神经网络并采用Faster RCNN算法进行训练,得到所述缺陷检测模型。
根据本申请公开的一种具体实施方式,提取所述目标图片中对应所述目标缺陷框的边缘轮廓的步骤,包括:
将所述目标图片进行灰度化和二值化处理;
将灰度值大于或者等于灰度阈值的像素点顺次连接,形成所述目标缺陷框的边缘轮廓。
第二方面,本申请实施例提供了一种PCB缺陷的检测装置,所述PCB缺陷的检测装置包括:
检测模块,用于通过缺陷检测模型对待检测的原始图片进行检测,得到所述原始图片中对应预估缺陷的目标缺陷框的像素特征;
截取模块,用于根据所述目标缺陷框的像素特征从所述原始图片上截取包含所述目标缺陷框的目标图片;
提取模块,用于提取所述目标图片中对应所述目标缺陷框的边缘轮廓,并计算所述边缘轮廓的实际尺寸;
判断模块,用于判断所述边缘轮廓的实际尺寸是否大于或者等于预设的缺陷标准值;
若所述边缘轮廓的实际尺寸大于或者等于预设的缺陷标准值,则判定所述原始图片存在PCB缺陷;
若所述边缘轮廓的实际尺寸小于预设的缺陷标准值,则判定所述原始图片不存在PCB缺陷。
根据本申请公开的一种具体实施方式,所述提取模块具体用于:
提取所述目标图片中对应所述目标缺陷框的边缘轮廓,并计算所述边缘轮廓;
将所述目标图片进行灰度化和二值化处理;
将灰度化大于或者等于灰度阈值的像素点顺次连接,形成所述目标缺陷框的边缘轮廓。
第三方面,本申请实施例提供了一种计算机设备,包括存储器以及处理器,所述存储器用于存储计算机程序,所述计算机程序在所述处理器运行时执行第一方面中任一实施方式提供的PCB缺陷的检测方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序在处理器上运行时执行第一方面中任一实施方式提供的PCB缺陷的检测方法。
相对于现有技术而言,本申请具有以下有益效果:
本申请通过缺陷检测模型对原始图片进行检测得到原始图片中对应预估缺陷的目标缺陷框的像素特征,根据像素特征截取包含目标缺陷框的目标图片,提取目标图片中目标缺陷框的边缘轮廓并计算边缘轮廓的实际尺寸,判断边缘轮廓的实际尺寸是否大于或者等于预设的缺陷标准值,若实际尺寸大于或者等于缺陷标准值则判定原始图片存在PCB缺陷,若实际尺寸小于缺陷标准值则判定原始图片不存在PCB缺陷。通过缺陷检测模型确定包含目标缺陷的目标图片并计算其实际尺寸与预设的缺陷标准值进行比较,以此来判断目标图片中是否存在PCB缺陷,本发明能实现对PCB缺陷的准确定位与量化评估,提高了PCB检测的准确性和自动化程度。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对本发明保护范围的限定。在各个附图中,类似的构成部分采用类似的编号。
图1为本申请实施例提供的一种PCB缺陷的检测方法的流程示意图;
图2为本申请实施例提供的一种PCB缺陷的检测方法的具体实施流程图之一;
图3为本申请实施例提供的一种PCB缺陷的检测方法的具体实施流程图之二;
图4为本申请实施例提供的一种PCB缺陷的检测装置的模块框图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
在下文中,可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本发明的各种实施例中被清楚地限定。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互结合。
参见图1,图1为本申请实施例提供的一种PCB缺陷的检测方法的流程示意图。如图1所示,所述方法包括:
步骤S101,通过缺陷检测模型对待检测的原始图片进行检测,得到所述原始图片中对应预估缺陷的目标缺陷框的像素特征。
具体实施时,PCB生产过程中由于工艺流程过多且复杂繁琐所以容易产生各种各样的产品缺陷,例如,游离铜缺陷、缺口、导线粗糙等,这些缺陷可能会影响印刷电路板的正常使用,需要在出厂前检测出电路板中可能存在的缺陷,定义为PCB缺陷。具体实施时,对于印刷电路板生产线而言,快速准确的定位缺陷和对缺陷进行量化评估尤为重要,可以通过深度学习目标检测与图像处理技术来实现对目标缺陷的定位和量化评估,避免了因缺检漏检而造成的损失,提高了检测质量和速度,提高了产线的生产效率。
本实施方式提供了一种通过深度学习结合图像处理的方式进行PCB缺陷的检测,即针对待检测的印刷电路板,采集其对应的表面电器元件等的图片,利用采集到的图片进行缺陷检测,可以将该待检测图片定义为原始图片。原始图片的获取途径可以包括对待检测的电路板直接拍摄采集得到或从网络获取的其他终端发送的待检测的电路板的图片。
具体的,预先训练一个具备目标检测及定位功能的神经网络,定义为缺陷检测模型,将采集的原始图片输入该神经网络模型,能够得到对应预估缺陷的目标缺陷框的像素特征。其中,预估缺陷为用户预估印刷电路板上可能存在的缺陷,目标缺陷框为缺陷检测模型对预估缺陷进行目标检测定位所产生的限定框。
具体的,如图2所示为本申请实施例提供的一种PCB缺陷的检测方法的具体实施过程之一,其中,预估缺陷在原始图片中的像素区域可以为图2中A所示。将包含预估缺陷的原始图片输入预先训练好的缺陷检测模型,由缺陷检测模型检测到该预估缺陷并进行框选,即可得到包含预估缺陷的缺陷框,如图2中B所示。具体实施时,可以限定目标缺陷框为一矩形,其中包含了预估缺陷可能对应的全部像素区域。
在具体进行本实施例所提供的缺陷检测之前,还可以增设缺陷检测模型的训练方案。具体的,所述通过缺陷检测模型对待检测的原始图片进行检测,得到所述原始图片中对应预估缺陷的目标缺陷框的像素特征的步骤之前,所述方法还可以包括:
采集包含PCB缺陷的第一类样本图片和不包含PCB缺陷的第二类样本图片;
将包含PCB缺陷的所述第一类样本图片和不包含PCB缺陷的所述第二类样本图片输入神经网络并采用Faster RCNN算法进行训练,得到所述缺陷检测模型。
本申请采用深度学习的方法,利用Faster RCNN算法对电路板缺陷数据集进行训练得到缺陷检测模型,使得缺陷检测模型能够在新输入的原始图片上识别出目标缺陷并给出目标缺陷的缺陷框的像素特征,采用Faster RCNN算法能够极大的提高缺陷检测模型的检测速度。具体的训练过程中,使用到的样本包括第一类样本图片和第二类样本图片,第一类样本图片为包含PCB缺陷的图片,第二类样本图片为不包含PCB缺陷的样本图片。其中,第一类样本图片可以通过实际采集历史检测过程中包含PCB缺陷的印刷电路板的实际图片得到,第二类样本图片可以为将第一类样本图片中的PCB缺陷对应的像素区域进行缺陷消除或者覆盖处理后得到。当然也可以反过来,即先得到不包含PCB缺陷的第二类样本图片,再分别在第二类样本图片上添加绘制PCB缺陷的像素特征得到第一类样本图片等,不作限定。需要说明的是,为了训练缺陷检测模型的框选功能,将第一类样本图片中的像素区域都进行标注框选。这样,通过对这两类样本图片的特征归纳总结,即可训练得到具备缺陷检测及框选功能的缺陷检测模型。
步骤S102,根据所述目标缺陷框的像素特征从所述原始图片上截取包含所述目标缺陷框的目标图片。
具体实施时,获取目标缺陷框的像素特征后,即可识别出目标缺陷并截取出仅包含目标缺陷框的图片,便于后续集中对该目标缺陷框区域的像素特征进行缺陷识别,以减少不必要的计算步骤。为便于区分,可以将截取出的仅包含目标缺陷框的图片定义为目标图片。
所述目标缺陷框的像素特征包括所述目标缺陷框的第一顶角的坐标数据以及第二顶角的坐标数据,以及所述第一顶角和所述第二顶角围合成的矩形范围内的全部像素点的像素特征,其中,所述第一顶角和所述第二顶角为矩形的目标缺陷框的两个互不相邻的顶角。
具体地,根据目标缺陷框的第一顶角和第二顶角的坐标数据即可定位到目标缺陷框的位置并且截取出包含目标缺陷框的矩形图片。
步骤S103,提取所述目标图片中对应所述目标缺陷框的边缘轮廓,并计算所述边缘轮廓的实际尺寸。
具体实施时,对目标图片进行图像处理后即可得到目标缺陷框的边缘轮廓,计算出边缘轮廓的实际尺寸。其中,目标缺陷框的边缘轮廓为预估缺陷的像素区域所占的轮廓形状,边缘轮廓的实际尺寸根据缺陷的类型相应的进行变化。例如,缺陷包括缺口、导线粗糙、游离铜缺陷等,相应的实际尺寸也包括边缘线长度、最大内径、外接矩形或者内接矩形的最大对角线长宽、矩形边框的长或者宽等。其中,预设缺陷标准值时应选择与实际尺寸为同一类数值,例如均是边缘线长度或者均是高宽值等。
优选的,目标缺陷框的边缘轮廓通常为一不规则形状,为了确定其是否符合生产标准,确定其边缘轮廓的最小外接矩形来计算边缘轮廓的实际尺寸,将最小外接矩形的实际宽,实际高中的最大值定义为边缘轮廓的实际尺寸。通过边缘轮廓的实际尺寸与预设的缺陷标准值进行比较即可判断其是否为合格品。
计算所述边缘轮廓的实际尺寸的步骤,包括:
确定所述目标缺陷框的边缘轮廓的最小外接矩形;
根据所述边缘轮廓的最小外接矩形的像素宽和像素高,计算所述边缘轮廓的实际宽和实际高;
将所述实际宽和所述实际高中的最大值作为所述边缘轮廓的实际尺寸。
具体实施时,参见图3,图3为本申请实施例提供的一种PCB缺陷的检测方法的具体实施流程图之二,使用OPENCV工具库对目标图片进行二值化处理后自动计算得到图内像素值为255,即白色区域,将像素点顺次连接即可得到目标缺陷框的边缘轮廓。计算完成后会得到该目标缺陷框的边缘轮廓的最小外接矩形再进行尺寸提取得到缺陷像素级宽高。计算得到边缘轮廓的实际宽、实际高并将实际宽、实际高中的最大值定义为边缘轮廓的实际尺寸。
根据所述边缘轮廓的最小外接矩形的像素高和像素宽,计算所述边缘轮廓的实际高和实际宽的步骤,包括:
统计所述原始图片对应的图片像素量以及所述原始图片对应的实际尺寸;
根据所述原始图片对应的图片像素量以及所述原始图片对应的实际尺寸计算像素单位与实际尺寸的比例关系;
将所述像素宽与所述比例关系的乘积作为所述边缘轮廓的实际宽,以及,将所述像素高与所述比例关系的乘积作为所述边缘轮廓的实际高。
具体实施时,拍摄原始图片时会设定焦距,读取拍摄时对实物的视野覆盖范围真实大小,再根据原始图片拍照覆盖区域对应的图片像素量即可计算出原始图片中像素单位与实际尺寸的比例关系。例如,一张原始图片大小为800*800个像素,拍摄时对实物的视野覆盖范围真实大小为8*8mil,那么该原始图片中像素单位与实际尺寸的比例关系为1:0.01。将得到的目标图片中目标缺陷框的边缘轮廓的最小外接矩形的像素宽与该比例关系相乘即可得到边缘轮廓的实际宽,将得到目标图片中目标缺陷框的边缘轮廓的最小外接矩形的像素高与该比例关系相乘即可得到边缘轮廓的实际高。
提取所述目标图片中对应所述目标缺陷框的边缘轮廓的步骤,包括:
将所述目标图片进行灰度化和二值化处理;
将灰度值大于或者等于灰度阈值的像素点顺次连接,形成所述目标缺陷框的边缘轮廓。
具体实施时,在图像处理中,用RGB三个分量(R:Red、G:Green、B:Blue),即红、绿、蓝三原色来表示真彩色,R分量、G分量、B分量的取值范围均为0-255,灰度化即为让像素点矩阵中的每一个像素点都满足R=G=B,此时的值为灰度值。二值化即为让图像的像素点矩阵中的每个像素点的灰度值为0或者255,在灰度化的图像中灰度值的范围为0-255,在二值化后的图像中的灰度值范围为0或者255。
步骤S104,判断所述边缘轮廓的实际尺寸是否大于或者等于预设的缺陷标准值。
具体实施时,缺陷标准值设定的标准包括:根据采集的训练数据来进行设定,根据人工核验的经验数据等来进行设定或者行业内允许的合格标准来进行设定。边缘轮廓的最大尺寸即可代表其的实际尺寸,通过边缘轮廓的实际尺寸与预设的缺陷标准值进行比较,即可判断出边缘轮廓是否在允收标准之内,这样即可完成对该PCB的评估,判断其是否为合格品。
步骤S105,若所述边缘轮廓的实际尺寸大于或者等于预设的缺陷标准值,则判定所述原始图片存在PCB缺陷。
步骤S106,若所述边缘轮廓的实际尺寸小于预设的缺陷标准值,则判定所述原始图片不存在PCB缺陷。
上述本申请提供的PCB缺陷的检测方法,通过缺陷检测模型提取目标图片中目标缺陷框的边缘轮廓并计算边缘轮廓的实际尺寸,判断边缘轮廓的实际尺寸是否大于或者等于预设的缺陷标准值来判定原始图片是否存在PCB缺陷。通过深度学习目标检测技术与图像处理技术实现对PCB缺陷的准确快速定位和精准量化评估,提高了生产线的工作效率,保证了检测质量。
在上述实施例的基础上,考虑到游离铜缺陷为PCB缺陷中最需要关注的缺陷类型,下面将对游离铜缺陷的缺陷检测过程进行具体说明。
采集可能包含游离铜缺陷的印刷电路板对应的原始图片,通过缺陷检测模型对待检测的原始图片进行检测,得到原始图片中对应游离铜缺陷的目标缺陷框的像素特征,根据目标缺陷框的像素特征从原始图片上截取包含目标缺陷框的目标图片,提取目标图片中对应目标缺陷框的边缘轮廓,并计算边缘轮廓的实际尺寸,判断边缘轮廓的实际尺寸是否大于或者等于预设的缺陷标准值,若边缘轮廓的实际尺寸大于或者等于预设的缺陷标准值,则判定原始图片中存在游离铜缺陷,若边缘轮廓的实际尺寸小于预设的缺陷标准值,则判定原始图片中不存在游离铜缺陷。
与上述方法实施例相对应,参见图4,本申请还提供一种PCB缺陷的检测装置400,所述PCB缺陷的检测装置400包括:
检测模块401,用于通过缺陷检测模型对待检测的原始图片进行检测,得到所述原始图片中对应预估缺陷的目标缺陷框的像素特征;
截取模块402,用于根据所述目标缺陷框的像素特征从所述原始图片上截取包含所述目标缺陷框的目标图片;
提取模块403,用于提取所述目标图片中对应所述目标缺陷框的边缘轮廓,并计算所述边缘轮廓的实际尺寸;
判断模块404,用于判断所述边缘轮廓的实际尺寸是否大于或者等于预设的缺陷标准值;
若所述边缘轮廓的实际尺寸大于或者等于预设的缺陷标准值,则判定所述原始图片存在PCB缺陷;
若所述边缘轮廓的实际尺寸小于预设的缺陷标准值,则判定所述原始图片不存在PCB缺陷。
具体地,所述提取模块403具体用于:
将所述目标图片进行灰度化和二值化处理;
将灰度值大于或者等于灰度阈值的像素点顺次连接,形成所述目标缺陷框的边缘轮廓;
确定所述目标缺陷框的边缘轮廓的最小外接矩形;
根据所述边缘轮廓的最小外接矩形的像素宽和像素高,计算所述边缘轮廓的实际宽和实际高;
将所述实际宽和所述实际高中的最大值作为所述边缘轮廓的实际尺寸;
统计所述原始图片对应的图片像素量以及所述原始图片对应的实际尺寸;
根据所述原始图片对应的图片像素量以及所述原始图片对应的实际尺寸计算像素单位与实际尺寸的比例关系;
将所述像素宽与所述比例关系的乘积作为所述边缘轮廓的实际宽,以及,将所述像素高与所述比例关系的乘积作为所述边缘轮廓的实际高。
此外,本申请实施例还提供一种计算机设备,包括处理器和存储器,存储器存储有计算机程序,计算机程序在处理器上执行时实现前述实施例中的PCB缺陷的检测方法。
此外,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序在处理器上执行时实现前述实施例中的PCB缺陷的检测方法。
本申请提供的PCB缺陷的检测装置、计算机设备及存储介质,通过缺陷检测模型提取目标图片中目标缺陷框的边缘轮廓并计算边缘轮廓的实际尺寸,判断边缘轮廓的实际尺寸是否大于或者等于预设的缺陷标准值来判定原始图片是否存在PCB缺陷。通过深度学习目标检测技术与图像处理技术实现对PCB缺陷的准确快速定位和精准量化评估,提高了生产线的工作效率,保证了检测质量。
本申请所提供的PCB缺陷的检测装置、计算机设备及存储介质的具体实施过程,可以参见上述实施例提供的PCB缺陷的检测方法的具体实施过程,在此不再一一赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构示意图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种PCB缺陷的检测方法,其特征在于,所述方法包括:
通过缺陷检测模型对待检测的原始图片进行检测,得到所述原始图片中对应预估缺陷的目标缺陷框的像素特征;
根据所述目标缺陷框的像素特征从所述原始图片上截取包含所述目标缺陷框的目标图片;
提取所述目标图片中对应所述目标缺陷框的边缘轮廓,并计算所述边缘轮廓的实际尺寸;
判断所述边缘轮廓的实际尺寸是否大于或者等于预设的缺陷标准值;
若所述边缘轮廓的实际尺寸大于或者等于预设的缺陷标准值,则判定所述原始图片存在PCB缺陷;
若所述边缘轮廓的实际尺寸小于预设的缺陷标准值,则判定所述原始图片不存在PCB缺陷。
2.根据权利要求1所述的方法,其特征在于,计算所述边缘轮廓的实际尺寸的步骤,包括:
确定所述目标缺陷框的边缘轮廓的最小外接矩形;
根据所述边缘轮廓的最小外接矩形的像素宽和像素高,计算所述边缘轮廓的实际宽和实际高;
将所述实际宽和所述实际高中的最大值作为所述边缘轮廓的实际尺寸。
3.根据权利要求2所述的方法,其特征在于,根据所述边缘轮廓的最小外接矩形的像素高和像素宽,计算所述边缘轮廓的实际高和实际宽的步骤,包括:
统计所述原始图片对应的图片像素量以及所述原始图片对应的实际尺寸;
根据所述原始图片对应的图片像素量以及所述原始图片对应的实际尺寸计算像素单位与实际尺寸的比例关系;
将所述像素宽与所述比例关系的乘积作为所述边缘轮廓的实际宽,以及,将所述像素高与所述比例关系的乘积作为所述边缘轮廓的实际高。
4.根据权利要求1所述的方法,其特征在于,所述目标缺陷框的像素特征包括所述目标缺陷框的第一顶角的坐标数据以及第二顶角的坐标数据,以及所述第一顶角和所述第二顶角围合成的矩形范围内的全部像素点的像素特征,其中,所述第一顶角和所述第二顶角为矩形的目标缺陷框的两个互不相邻的顶角。
5.根据权利要求1所述的方法,其特征在于,所述通过缺陷检测模型对待检测的原始图片进行检测,得到所述原始图片中对应预估缺陷的目标缺陷框的像素特征的步骤之前,所述方法还包括:
采集包含PCB缺陷的第一类样本图片和不包含PCB缺陷的第二类样本图片;
将包含PCB缺陷的所述第一类样本图片和不包含PCB缺陷的所述第二类样本图片输入神经网络并采用Faster RCNN算法进行训练,得到所述缺陷检测模型。
6.根据权利要求1所述的方法,其特征在于,提取所述目标图片中对应所述目标缺陷框的边缘轮廓的步骤,包括:
将所述目标图片进行灰度化和二值化处理;
将灰度值大于或者等于灰度阈值的像素点顺次连接,形成所述目标缺陷框的边缘轮廓。
7.一种PCB缺陷的检测装置,其特征在于,所述装置包括:
检测模块,用于通过缺陷检测模型对待检测的原始图片进行检测,得到所述原始图片中对应预估缺陷的目标缺陷框的像素特征;
截取模块,用于根据所述目标缺陷框的像素特征从所述原始图片上截取包含所述目标缺陷框的目标图片;
提取模块,用于提取所述目标图片中对应所述目标缺陷框的边缘轮廓,并计算所述边缘轮廓的实际尺寸;
判断模块,用于判断所述边缘轮廓的实际尺寸是否大于或者等于预设的缺陷标准值;
若所述边缘轮廓的实际尺寸大于或者等于预设的缺陷标准值,则判定所述原始图片存在PCB缺陷;
若所述边缘轮廓的实际尺寸小于预设的缺陷标准值,则判定所述原始图片不存在PCB缺陷。
8.根据权利要求7所述的装置,其特征在于,所述提取模块具体用于:
提取所述目标图片中对应所述目标缺陷框的边缘轮廓,并计算所述边缘轮廓;
将所述目标图片进行灰度化和二值化处理;
将灰度化大于或者等于灰度阈值的像素点顺次连接,形成所述目标缺陷框的边缘轮廓。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上执行时实现权利要求1至6中任一项所述的PCB缺陷的检测方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序在处理器上执行时实现权利要求1至6中任一项所述的PCB缺陷的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210219122.4A CN114581415A (zh) | 2022-03-08 | 2022-03-08 | Pcb缺陷的检测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210219122.4A CN114581415A (zh) | 2022-03-08 | 2022-03-08 | Pcb缺陷的检测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114581415A true CN114581415A (zh) | 2022-06-03 |
Family
ID=81778133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210219122.4A Pending CN114581415A (zh) | 2022-03-08 | 2022-03-08 | Pcb缺陷的检测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114581415A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782436A (zh) * | 2022-06-20 | 2022-07-22 | 苏州康代智能科技股份有限公司 | Pcb缺陷检测方法、电路板计量测量方法及制作方法 |
CN115035123A (zh) * | 2022-08-15 | 2022-09-09 | 成都三是汇科技有限公司 | 一种管瓶热端检测方法、系统、装置及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102297660A (zh) * | 2011-05-20 | 2011-12-28 | 同济大学 | 一种盾构隧道衬砌管片接缝张开宽度的测量方法及装置 |
CN105092607A (zh) * | 2015-08-27 | 2015-11-25 | 浙江大学 | 球面光学元件表面缺陷评价方法 |
CN106814083A (zh) * | 2015-11-30 | 2017-06-09 | 宁波舜宇光电信息有限公司 | 滤波片缺陷检测系统及其检测方法 |
CN107356608A (zh) * | 2017-07-21 | 2017-11-17 | 中国工程物理研究院激光聚变研究中心 | 大口径熔石英光学元件表面微缺陷快速暗场检测方法 |
CN107389688A (zh) * | 2017-07-21 | 2017-11-24 | 中国工程物理研究院激光聚变研究中心 | 大口径熔石英光学元件表面微缺陷多工位集成修复方法 |
CN109507192A (zh) * | 2018-11-02 | 2019-03-22 | 江苏理工学院 | 一种基于机器视觉的磁芯表面缺陷检测方法 |
CN110051069A (zh) * | 2019-03-13 | 2019-07-26 | 中山易裁剪网络科技有限公司 | 一种服装尺寸测量系统及其测量方法 |
CN111311542A (zh) * | 2020-01-15 | 2020-06-19 | 歌尔股份有限公司 | 一种产品质量检测方法及装置 |
CN114066808A (zh) * | 2021-10-11 | 2022-02-18 | 内蒙古科技大学 | 一种基于深度学习的路面缺陷检测方法及系统 |
-
2022
- 2022-03-08 CN CN202210219122.4A patent/CN114581415A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102297660A (zh) * | 2011-05-20 | 2011-12-28 | 同济大学 | 一种盾构隧道衬砌管片接缝张开宽度的测量方法及装置 |
CN105092607A (zh) * | 2015-08-27 | 2015-11-25 | 浙江大学 | 球面光学元件表面缺陷评价方法 |
CN106814083A (zh) * | 2015-11-30 | 2017-06-09 | 宁波舜宇光电信息有限公司 | 滤波片缺陷检测系统及其检测方法 |
CN107356608A (zh) * | 2017-07-21 | 2017-11-17 | 中国工程物理研究院激光聚变研究中心 | 大口径熔石英光学元件表面微缺陷快速暗场检测方法 |
CN107389688A (zh) * | 2017-07-21 | 2017-11-24 | 中国工程物理研究院激光聚变研究中心 | 大口径熔石英光学元件表面微缺陷多工位集成修复方法 |
CN109507192A (zh) * | 2018-11-02 | 2019-03-22 | 江苏理工学院 | 一种基于机器视觉的磁芯表面缺陷检测方法 |
CN110051069A (zh) * | 2019-03-13 | 2019-07-26 | 中山易裁剪网络科技有限公司 | 一种服装尺寸测量系统及其测量方法 |
CN111311542A (zh) * | 2020-01-15 | 2020-06-19 | 歌尔股份有限公司 | 一种产品质量检测方法及装置 |
CN114066808A (zh) * | 2021-10-11 | 2022-02-18 | 内蒙古科技大学 | 一种基于深度学习的路面缺陷检测方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114782436A (zh) * | 2022-06-20 | 2022-07-22 | 苏州康代智能科技股份有限公司 | Pcb缺陷检测方法、电路板计量测量方法及制作方法 |
CN115035123A (zh) * | 2022-08-15 | 2022-09-09 | 成都三是汇科技有限公司 | 一种管瓶热端检测方法、系统、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109444169B (zh) | 一种轴承缺陷检测方法及系统 | |
CN114581415A (zh) | Pcb缺陷的检测方法、装置、计算机设备及存储介质 | |
JPWO2019188040A1 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
CN109472271B (zh) | 印刷电路板图像轮廓提取方法及装置 | |
CN113379680B (zh) | 缺陷检测方法、装置、电子设备和计算机可读存储介质 | |
CN111626249B (zh) | 题目图像中几何图形的识别方法、装置和计算机存储介质 | |
CN111259891B (zh) | 一种自然场景下身份证识别方法、装置、设备和介质 | |
CN115147409A (zh) | 基于机器视觉的手机壳生产品质检测方法 | |
CN115937203A (zh) | 一种基于模板匹配的视觉检测方法、装置、设备及介质 | |
CN112581452A (zh) | 工业配件表面缺陷检测方法、系统、智能设备和存储介质 | |
CN113781396B (zh) | 屏幕缺陷检测方法、装置、设备和存储介质 | |
CN111223078A (zh) | 瑕疵等级判定的方法及存储介质 | |
CN114428110A (zh) | 一种轴承套圈荧光磁粉探伤图像缺陷检测方法及系统 | |
CN115597494B (zh) | 一种基于点云的预制构件预留孔的精度检测方法、系统 | |
CN114627113B (zh) | 一种印制电路板缺陷检测方法及系统及装置及介质 | |
CN115761270A (zh) | 色卡的检测方法、装置、电子设备及存储介质 | |
CN111935480B (zh) | 一种用于图像获取装置的检测方法及相关装置 | |
CN115345848A (zh) | 一种基于大数据的显示屏的质检方法 | |
CN111507177B (zh) | 一种用于计量周转柜的识别方法及装置 | |
CN115719326A (zh) | Pcb板缺陷检测方法及装置 | |
CN114078109A (zh) | 图像处理方法、电子装置和存储介质 | |
CN113447381B (zh) | 一种布氏硬度检测方法及检测系统 | |
CN110751070A (zh) | 一种摄像头成品检测方法 | |
CN117495846B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN117798087B (zh) | 基于外观缺陷检测的锂电池视觉分拣系统及终端 |
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 |