CN114943738A - 一种基于视觉识别的传感器封装固化胶缺陷识别方法 - Google Patents

一种基于视觉识别的传感器封装固化胶缺陷识别方法 Download PDF

Info

Publication number
CN114943738A
CN114943738A CN202210877519.2A CN202210877519A CN114943738A CN 114943738 A CN114943738 A CN 114943738A CN 202210877519 A CN202210877519 A CN 202210877519A CN 114943738 A CN114943738 A CN 114943738A
Authority
CN
China
Prior art keywords
image
curing adhesive
defect
sample
sensor
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
Application number
CN202210877519.2A
Other languages
English (en)
Inventor
王小平
曹万
梁世豪
熊波
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.)
Wuhan Finemems Inc
Original Assignee
Wuhan Finemems Inc
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 Wuhan Finemems Inc filed Critical Wuhan Finemems Inc
Priority to CN202210877519.2A priority Critical patent/CN114943738A/zh
Publication of CN114943738A publication Critical patent/CN114943738A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • G06T7/001Industrial image inspection using an image reference approach
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10048Infrared image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20024Filtering details
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于视觉识别的传感器封装固化胶缺陷识别方法,具体涉及图像数据处理技术领域,通过对红外成像设备获取传感器芯片配件图像进行预处理,对识别的图像进行分割及灰度值计算,得到封装固化胶的位置范围,并且将传感器芯片配件图像与封装固化胶的位置范围进行叠合,通过红外成像设备预处理后的传感器芯片配件图像和封装固化胶图像与标准样片进行对比判断,确定可疑区域,从全幅面标准样板中提取出与待检样片对应的子模板,并且获取待检样片的缺陷区域,相较于传统识别方式而言,该方案对可疑区域的图像特征作进一步分析,最后确定是否为缺陷,提高对可疑区域中缺陷判断的准确性。

Description

一种基于视觉识别的传感器封装固化胶缺陷识别方法
技术领域
本发明涉及图像数据处理技术领域,更具体地说,本发明涉及一种基于视觉识别的传感器封装固化胶缺陷识别方法。
背景技术
进气压力传感器种类较多,有压敏电阻式、电容式等,由于压敏电阻式具有响应时间快、检测精度高、尺寸小且安装灵活等优点,因而被广泛用于D型喷射系统中,压力传感器对于压力的测量采用的是压力芯片,而压力芯片在可发生压力形变的硅膜片上集成的惠斯通电桥,压力芯片是压力传感器的核心,各大生产压力传感器的厂商都有各自的压力芯片,有的是传感器厂商直接生产,有的是委外生产的专用芯片(ASC),再者就是直接购买芯片专业厂家的通用芯片。
目前基于传感器封装固化胶缺陷识别技术中,部分缺陷识别仍然需要依靠人工检查,工作效率低,漏检概率高,也部分存在基于机器视觉对工件等物体进行缺陷识别,主要针对固化胶的封装的量及外形框架进行图像数据处理,并且进行权限识别验证,然而这种方式效率低下,难以对传感器芯片的构架与封胶形态进行差异化对比,且传感器芯片及封胶构造体型小,针对细小的缺陷难以进行图像数据的准确识别,极大限制了其扩展性,因此需一种基于视觉识别的传感器封装固化胶缺陷识别方法来解决上述问题。
发明内容
为了克服现有技术的上述缺陷,本发明提供了一种基于视觉识别的传感器封装固化胶缺陷识别方法,本发明所要解决的技术问题是:针对固化胶的封装的量及外形框架进行图像数据处理,并且进行权限识别验证,然而这种方式效率低下,难以对传感器芯片的构架与封胶形态进行差异化对比,且传感器芯片及封胶构造体型小,针对细小的缺陷难以进行图像数据的准确识别,极大限制了其扩展性的问题。
为实现上述目的,本发明提供如下技术方案:一种基于视觉识别的传感器封装固化胶缺陷识别方法,包括以下步骤:
S1、通过红外成像设备获取传感器芯片配件图像,根据获取的传感器芯片配件图像判断是否创建模板库,若是,则设定传感器芯片配件图像中各个检测点的坐标值,截取对应检测对象的图像,并且对图像进行预处理操作,作为传感器封装的检测模板库;
S2、在对检测的图像进行预处理完成后,提取传感器封装固化胶的识别图像,通过对识别的图像进行分割及灰度值计算,得到封装固化胶的位置范围,并且将传感器芯片配件图像与封装固化胶的位置范围进行叠合;
S3、建立标准样片的全幅画模板,用于通过红外成像设备预处理后的传感器芯片配件图像和封装固化胶图像与标准样片进行对比判断,确定可疑区域,并且对可疑区域进行识别;
S4、在对可疑区域进行识别结束后进行缺陷样本的制作,将待检样片分为多个区域拍摄清晰图像,依次对各部分待检样片的图像进行模板匹配,从全幅面标准样板中提取出与待检样片对应的子模板,并且获取待检样片的缺陷区域。
作为本发明的进一步方案:所述S1中对图像预处理的具体操作步骤如下:
S101、通过对红外成像设备获取的配件图像进行伽马校正,调整图像的光照条件;
S102、其次对直方图均衡化后的图像进行同态滤波,剔除不必要的背景干扰,通过使用矩阵模板法,将检测的区域进行标记显露,未检测的区域进行覆盖。
作为本发明的进一步方案:所述S2中对传感器封装固化胶的识别中,识别结果以图像识别结果或文字识别结果的形式进行输出。
作为本发明的进一步方案:所述S3中具体实施步骤如下:
S301、首先获取合格传感器封装固化胶的图像,且分为多个区域依次获取,通过图像拼接的方式制作标准样片的全幅模板,在进行图像拼接的过程中,首先对图像进行角点提取,通过Foerstner特征点检测法来提取两幅待拼接图像中的角点,设计平滑矩阵Q:
Figure 155409DEST_PATH_IMAGE001
其中,
Figure 71413DEST_PATH_IMAGE002
分别为图像在X,Y方向上的梯度,E为高斯模板,*为卷积符号, c为图像上所有像素点总和,i表示遍历每个像素点。
通过在矩阵Q的基础上,从图像上计算各向同性的非均匀区域,设定不均匀度H和同向性K分别为:
Figure 792244DEST_PATH_IMAGE003
提取出图像中H及K大于设定阈值的点作为候选点P,进行优化处理,角点响应函数模块CRF定义为:
Figure 488804DEST_PATH_IMAGE004
其中,R为高斯均值滤波器,该公式用于平均边缘角点至边缘方向的距离和局部角点到梯度方向的距离,角点响应函数模块CRF的局部极小值所在的点即为角点。
S302、其次进行标准样片区域图像的配准工作,使传感器芯片配件图像和封装固化胶图像之间相互重叠的部分坐标点对准,随机抽样单一像素点通过角点匹配算法得到两幅图像中角点之间的关系,所述匹配算法包括以下步骤:
首先确定两幅图像角点附近的灰度值相关性,并且通过归一化互关方式使角点匹配完成角点之间的初始匹配。
其次通过
Figure 789336DEST_PATH_IMAGE005
角点匹配法,获得的初始匹配点集中,采用不断迭代的方法寻 找出最优参数模型对于两幅图像中以单个角点为中心的矩阵窗口H1和H2,定义其中角点的 相关度C-NCC为:
Figure 622163DEST_PATH_IMAGE006
其中,
Figure 779474DEST_PATH_IMAGE007
为各窗口中位于坐标
Figure 432173DEST_PATH_IMAGE008
处的灰度值,窗口大小为u×v;
Figure 598712DEST_PATH_IMAGE009
为窗口内 部灰度均值,计算角点的相关度 C-NCC大于设定阈值时,确定单组候选匹配角点,依次代入 多个坐标样本,得到单应性矩阵T。
S303、针对S303计算所得到的单应性矩阵,形成多个样片区域位置及区域的分布并且进行图像融合,去除图像中的冗余信息,通过加权平均法对图像重叠区域中的像素值进行计算,其次通过分配权值来计算拼接后图像重叠区域的像素值,让图像重叠部分的像素值逐渐过渡,使图像中的拼接缝隙被消除。
作为本发明的进一步方案:所述S4中获取待检样片的可疑区域具体实施步骤如下:
S401通过归一化互关方式将模板图像在目标图像中逐行逐列移动,通过计算两幅图像中邻域像素灰度值的相似性来完成匹配;
S402、设单应性矩阵T为检样片中的模板,大小为m×n,I为模板移动时标准样片中被覆盖的区域,归一化互关匹配度量R为:
Figure 223728DEST_PATH_IMAGE010
S403、当完成匹配后,将模板T与在标准样片中匹配到的对应区域I作差分,获取待 检样片的可疑区域,并且用以
Figure 551941DEST_PATH_IMAGE007
来表示缺陷区域图像中像素点灰度值,确定当前位置为 传感器封装固化胶缺陷点。
作为本发明的进一步方案:所述S403中获取待检样片的可疑区域,表示缺陷区域 图像中像素点灰度值,
Figure 957515DEST_PATH_IMAGE011
为归一化后的可疑区域图像中像素点灰度值。
作为本发明的进一步方案:所述
Figure 662166DEST_PATH_IMAGE007
的具体计算方式如下:
Figure 407268DEST_PATH_IMAGE012
作为本发明的进一步方案:所述
Figure 906382DEST_PATH_IMAGE011
中分为六类可疑区域图像特征值,且分别 为的图像均值、图像灰度标准差、邻域梯度、Zernike矩、最小外接矩形长与体态比。
作为本发明的进一步方案:所述
Figure 533673DEST_PATH_IMAGE011
中的六类可疑区域图像特征值作为训练集 输入至SVM分类器进行训练,通过决策树分类法,且具体分类项包含引线污染、金属缺失、虚 焊、划伤、引线弯曲和合格,SVM用于分类缺陷的决策函数定义为:
Figure 42014DEST_PATH_IMAGE013
式中,yi为第i个训练样本xi的分类标签,αi和b分别为拉格朗日系数和阈值,N为训练样本数量。
作为本发明的进一步方案:所述分类缺陷的决策函数定义后,通过高斯核函数作为核函数,对原数据进行映射,使其在高维空间中线性可分,设定Q(α)为分类器模型,K(xi,xj)为高斯核函数,则分类器整体与约束条件为:
Figure 641623DEST_PATH_IMAGE014
式中C为惩罚因子,通过求解上式的最优问题,得到各项参数最优值,进而进一步降低误检率。
本发明的有益效果在于:通过红外成像设备获取传感器芯片配件图像,并且针对图像进行预处理,提取传感器封装固化胶的识别图像,对识别的图像进行分割及灰度值计算,得到封装固化胶的位置范围,并且将传感器芯片配件图像与封装固化胶的位置范围进行叠合,通过红外成像设备预处理后的传感器芯片配件图像和封装固化胶图像与标准样片进行对比判断,确定可疑区域,对样片全幅图像的融合结束后进行缺陷样本的制作,将待检样片分为多个区域拍摄清晰图像,依次对各部分待检样片的图像进行模板匹配,从全幅面标准样板中提取出与待检样片对应的子模板,并且获取待检样片的缺陷区域,相较于传统识别方式而言,该方案对可疑区域的图像特征作进一步分析,最后确定是否为缺陷,提高对可疑区域中缺陷判断的准确性。
具体实施方式
下面将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。基于本发明中的实施例,本领域普通技术人员在没有做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:
一种基于视觉识别的传感器封装固化胶缺陷识别方法,包括以下步骤:
S1、通过红外成像设备获取传感器芯片配件图像,根据获取的传感器芯片配件图像判断是否创建模板库,若是,则设定传感器芯片配件图像中各个检测点的坐标值,截取对应检测对象的图像,并且对图像进行预处理操作,作为传感器封装的检测模板库;
S2、在对检测的图像进行预处理完成后,提取传感器封装固化胶的识别图像,通过对识别的图像进行分割及灰度值计算,得到封装固化胶的位置范围,并且将传感器芯片配件图像与封装固化胶的位置范围进行叠合;
S3、建立标准样片的全幅画模板,用于通过红外成像设备预处理后的传感器芯片配件图像和封装固化胶图像与标准样片进行对比判断,确定可疑区域,并且对可疑区域进行识别;
S4、在对可疑区域进行识别结束后进行缺陷样本的制作,将待检样片分为多个区域拍摄清晰图像,依次对各部分待检样片的图像进行模板匹配,从全幅面标准样板中提取出与待检样片对应的子模板,并且获取待检样片的缺陷区域。
S1中对图像预处理的具体操作步骤如下:
S101、通过对红外成像设备获取的配件图像进行伽马校正,调整图像的光照条件;
S102、其次对直方图均衡化后的图像进行同态滤波,剔除不必要的背景干扰,通过使用矩阵模板法,将检测的区域进行标记显露,未检测的区域进行覆盖。
S2中对传感器封装固化胶的识别中,识别结果以图像识别结果或文字识别结果的形式进行输出。
S3中具体实施步骤如下:
S301、首先获取合格传感器封装固化胶的图像,且分为多个区域依次获取,通过图像拼接的方式制作标准样片的全幅模板,在进行图像拼接的过程中,首先对图像进行角点提取,通过Foerstner特征点检测法来提取两幅待拼接图像中的角点,设计平滑矩阵Q:
Figure 311639DEST_PATH_IMAGE015
其中,
Figure 691804DEST_PATH_IMAGE016
分别为图像在X,Y方向上的梯度,E为高斯模板,*为卷积符号,c 为图像上所有像素点总和,i表示遍历每个像素点。
通过在矩阵Q的基础上,从图像上计算各向同性的非均匀区域,设定不均匀度H和同向性K分别为:
Figure 472679DEST_PATH_IMAGE017
提取出图像中H及K大于设定阈值的点作为候选点P,进行优化处理,角点响应函数模块CRF定义为:
Figure 989111DEST_PATH_IMAGE018
其中,R为高斯均值滤波器,该公式用于平均边缘角点至边缘方向的距离和局部角点到梯度方向的距离,角点响应函数模块CRF的局部极小值所在的点即为角点。
S302、其次进行标准样片区域图像的配准工作,使传感器芯片配件图像和封装固化胶图像之间相互重叠的部分坐标点对准,随机抽样单一像素点通过角点匹配算法得到两幅图像中角点之间的关系,匹配算法包括以下步骤:
首先确定两幅图像角点附近的灰度值相关性,并且通过归一化互关方式使角点匹配完成角点之间的初始匹配。
其次通过
Figure 33290DEST_PATH_IMAGE005
角点匹配法,获得的初始匹配点集中,采用不断迭代的方法寻 找出最优参数模型对于两幅图像中以单个角点为中心的矩阵窗口H1和H2,定义其中角点的 相关度C-NCC为:
Figure 635173DEST_PATH_IMAGE019
其中,
Figure 485317DEST_PATH_IMAGE007
为各窗口中位于坐标
Figure 59518DEST_PATH_IMAGE008
处的灰度值,窗口大小为u×v;
Figure 71336DEST_PATH_IMAGE009
为窗口内 部灰度均值,计算角点的相关度 C-NCC大于设定阈值时,确定单组候选匹配角点,依次代入 多个坐标样本,得到单应性矩阵T。
S303、针对S303计算所得到的单应性矩阵,形成多个样片区域位置及区域的分布并且进行图像融合,去除图像中的冗余信息,通过加权平均法对图像重叠区域中的像素值进行计算,其次通过分配权值来计算拼接后图像重叠区域的像素值,让图像重叠部分的像素值逐渐过渡,使图像中的拼接缝隙被消除。
S4中获取待检样片的可疑区域具体实施步骤如下:
S401通过归一化互关方式将模板图像在目标图像中逐行逐列移动,通过计算两幅图像中邻域像素灰度值的相似性来完成匹配;
S402、设单应性矩阵T为检样片中的模板,大小为m×n,I为模板移动时标准样片中被覆盖的区域,归一化互关匹配度量R为:
Figure 160515DEST_PATH_IMAGE020
S403、当完成匹配后,将模板T与在标准样片中匹配到的对应区域I作差分,获取待 检样片的可疑区域,并且用以
Figure 548771DEST_PATH_IMAGE007
来表示缺陷区域图像中像素点灰度值,确定当前位置 为传感器封装固化胶缺陷点。
S403中获取待检样片的可疑区域,表示缺陷区域图像中像素点灰度值,
Figure 977478DEST_PATH_IMAGE011
为 归一化后的可疑区域图像中像素点灰度值。
Figure 160198DEST_PATH_IMAGE007
的具体计算方式如下:
Figure 2252DEST_PATH_IMAGE021
Figure 928620DEST_PATH_IMAGE011
中分为六类可疑区域图像特征值,且分别为的图像均值、图像灰度标准差、 邻域梯度、Zernike矩、最小外接矩形长与体态比。
Figure 211833DEST_PATH_IMAGE011
中的六类可疑区域图像特征值作为训练集输入至SVM分类器进行训练,通 过决策树分类法,且具体分类项包含引线污染、金属缺失、虚焊、划伤、引线弯曲和合格,SVM 用于分类缺陷的决策函数定义为:
Figure 96613DEST_PATH_IMAGE022
式中,yi为第i个训练样本xi的分类标签,αi和b分别为拉格朗日系数和阈值,N为训练样本数量。
分类缺陷的决策函数定义后,通过高斯核函数作为核函数,对原数据进行映射,使其在高维空间中线性可分,设定Q(α)为分类器模型,K(xi,xj)为高斯核函数,则分类器整体与约束条件为:
Figure 894805DEST_PATH_IMAGE023
式中C为惩罚因子,通过求解上式的最优问题,得到各项参数最优值,进而进一步降低误检率。
综上可知,本发明:通过红外成像设备获取传感器芯片配件图像,并且针对图像进行预处理,提取传感器封装固化胶的识别图像,对识别的图像进行分割及灰度值计算,得到封装固化胶的位置范围,并且将传感器芯片配件图像与封装固化胶的位置范围进行叠合,通过红外成像设备预处理后的传感器芯片配件图像和封装固化胶图像与标准样片进行对比判断,确定可疑区域,对样片全幅图像的融合结束后进行缺陷样本的制作,将待检样片分为多个区域拍摄清晰图像,依次对各部分待检样片的图像进行模板匹配,从全幅面标准样板中提取出与待检样片对应的子模板,并且获取待检样片的缺陷区域,相较于传统识别方式而言,该方案对可疑区域的图像特征作进一步分析,最后确定是否为缺陷,提高对可疑区域中缺陷判断的准确性。
最后应说明的几点是:虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明的基础上,以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。

Claims (9)

1.一种基于视觉识别的传感器封装固化胶缺陷识别方法,其特征在于,包括以下步骤:
S1、通过红外成像设备获取传感器芯片配件图像,根据获取的传感器芯片配件图像判断是否创建模板库,若是,则设定传感器芯片配件图像中各个检测点的坐标值,截取对应检测对象的图像,并且对图像进行预处理操作,作为传感器封装的检测模板库;
S2、在对检测的图像进行预处理完成后,提取传感器封装固化胶的识别图像,通过对识别的图像进行分割及灰度值计算,得到封装固化胶的位置范围,并且将传感器芯片配件图像与封装固化胶的位置范围进行叠合;
S3、建立标准样片的全幅画模板,用于通过红外成像设备预处理后的传感器芯片配件图像和封装固化胶图像与标准样片进行对比判断,确定可疑区域,并且对可疑区域进行识别;
S4、在对可疑区域进行识别结束后进行缺陷样本的制作,将待检样片分为多个区域拍摄清晰图像,依次对各部分待检样片的图像进行模板匹配,从全幅面标准样板中提取出与待检样片对应的子模板,并且获取待检样片的缺陷区域。
2.根据权利要求1所述的一种基于视觉识别的传感器封装固化胶缺陷识别方法,其特征在于:所述S1中对图像预处理的具体操作步骤如下:
S101、通过对红外成像设备获取的配件图像进行伽马校正,调整图像的光照条件;
S102、其次对直方图均衡化后的图像进行同态滤波,剔除不必要的背景干扰,通过使用矩阵模板法,将检测的区域进行标记显露,未检测的区域进行覆盖。
3.根据权利要求1所述的一种基于视觉识别的传感器封装固化胶缺陷识别方法,其特征在于:所述S2中对传感器封装固化胶的识别中,识别结果以图像识别结果或文字识别结果的形式进行输出。
4.根据权利要求1所述的一种基于视觉识别的传感器封装固化胶缺陷识别方法,其特征在于:所述S4中获取待检样片的可疑区域具体实施步骤如下:
S401通过归一化互关方式将模板图像在目标图像中逐行逐列移动,通过计算两幅图像中邻域像素灰度值的相似性来完成匹配;
S402、设单应性矩阵T为检样片中的模板,大小为m×n,I为模板移动时标准样片中被覆盖的区域,归一化互关匹配度量R为:
Figure 740261DEST_PATH_IMAGE001
S403、当完成匹配后,将模板T与在标准样片中匹配到的对应区域I作差分,获取待检样 片的可疑区域,并且用以
Figure 912530DEST_PATH_IMAGE002
来表示缺陷区域图像中像素点灰度值,确定当前位置为传 感器封装固化胶缺陷点。
5.根据权利要求4所述的一种基于视觉识别的传感器封装固化胶缺陷识别方法,其特 征在于:所述S403中获取待检样片的可疑区域,表示缺陷区域图像中像素点灰度值,
Figure 862031DEST_PATH_IMAGE003
为归一化后的可疑区域图像中像素点灰度值。
6.根据权利要求5所述的一种基于视觉识别的传感器封装固化胶缺陷识别方法,其特 征在于:所述
Figure 747948DEST_PATH_IMAGE002
的具体计算方式如下:
Figure 73887DEST_PATH_IMAGE004
7.根据权利要求6所述的一种基于视觉识别的传感器封装固化胶缺陷识别方法,其特 征在于:所述
Figure 502594DEST_PATH_IMAGE003
中分为六类可疑区域图像特征值,且分别为的图像均值、图像灰度标 准差、邻域梯度、Zernike矩、最小外接矩形长与体态比。
8.根据权利要求7所述的一种基于视觉识别的传感器封装固化胶缺陷识别方法,其特 征在于:所述
Figure 498363DEST_PATH_IMAGE003
中的六类可疑区域图像特征值作为训练集输入至SVM分类器进行训 练,SVM用于分类缺陷的决策函数定义。
9.根据权利要求8所述的一种基于视觉识别的传感器封装固化胶缺陷识别方法,其特征在于:所述分类缺陷的决策函数定义后,通过高斯核函数作为核函数,对原数据进行映射。
CN202210877519.2A 2022-07-25 2022-07-25 一种基于视觉识别的传感器封装固化胶缺陷识别方法 Pending CN114943738A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210877519.2A CN114943738A (zh) 2022-07-25 2022-07-25 一种基于视觉识别的传感器封装固化胶缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210877519.2A CN114943738A (zh) 2022-07-25 2022-07-25 一种基于视觉识别的传感器封装固化胶缺陷识别方法

Publications (1)

Publication Number Publication Date
CN114943738A true CN114943738A (zh) 2022-08-26

Family

ID=82910448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210877519.2A Pending CN114943738A (zh) 2022-07-25 2022-07-25 一种基于视觉识别的传感器封装固化胶缺陷识别方法

Country Status (1)

Country Link
CN (1) CN114943738A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116309597A (zh) * 2023-05-23 2023-06-23 成都工业学院 一种药盒混装缺陷的视觉在线检测方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109102500A (zh) * 2018-08-03 2018-12-28 深圳凯达通光电科技有限公司 一种芯片封装缺陷的自动识别系统
CN109801267A (zh) * 2018-12-27 2019-05-24 北京航天福道高技术股份有限公司 基于特征点检测与svm分类器的巡检目标缺陷检测方法
CN112419260A (zh) * 2020-11-19 2021-02-26 深圳虹星智能有限公司 一种pcb文字区域缺陷检测方法
CN112508826A (zh) * 2020-11-16 2021-03-16 哈尔滨工业大学(深圳) 一种基于特征配准及梯度形状匹配融合的印刷品缺陷检测方法
CN113834825A (zh) * 2021-11-29 2021-12-24 新恒汇电子股份有限公司 高精度uv固化胶封装质量自动检测设备及方法
CN113850809A (zh) * 2021-12-01 2021-12-28 武汉飞恩微电子有限公司 一种贴片电阻的保护膜外观缺陷检测方法
CN114136975A (zh) * 2021-11-04 2022-03-04 上海精密计量测试研究所 一种微波裸芯片表面缺陷智能检测系统和方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109102500A (zh) * 2018-08-03 2018-12-28 深圳凯达通光电科技有限公司 一种芯片封装缺陷的自动识别系统
CN109801267A (zh) * 2018-12-27 2019-05-24 北京航天福道高技术股份有限公司 基于特征点检测与svm分类器的巡检目标缺陷检测方法
CN112508826A (zh) * 2020-11-16 2021-03-16 哈尔滨工业大学(深圳) 一种基于特征配准及梯度形状匹配融合的印刷品缺陷检测方法
CN112419260A (zh) * 2020-11-19 2021-02-26 深圳虹星智能有限公司 一种pcb文字区域缺陷检测方法
CN114136975A (zh) * 2021-11-04 2022-03-04 上海精密计量测试研究所 一种微波裸芯片表面缺陷智能检测系统和方法
CN113834825A (zh) * 2021-11-29 2021-12-24 新恒汇电子股份有限公司 高精度uv固化胶封装质量自动检测设备及方法
CN113850809A (zh) * 2021-12-01 2021-12-28 武汉飞恩微电子有限公司 一种贴片电阻的保护膜外观缺陷检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116309597A (zh) * 2023-05-23 2023-06-23 成都工业学院 一种药盒混装缺陷的视觉在线检测方法及装置
CN116309597B (zh) * 2023-05-23 2023-08-01 成都工业学院 一种药盒混装缺陷的视觉在线检测方法及装置

Similar Documents

Publication Publication Date Title
CN108982508B (zh) 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法
CN107543828B (zh) 一种工件表面缺陷检测方法及系统
CN109993094A (zh) 基于机器视觉的材料缺陷智能检测系统及方法
CN111967498A (zh) 基于毫米波雷达和视觉融合的夜间目标检测和跟踪方法
CN110490842B (zh) 一种基于深度学习的带钢表面缺陷检测方法
CN113724231A (zh) 一种基于语义分割和目标检测融合模型的工业缺陷检测方法
CN111461113B (zh) 一种基于变形平面物体检测网络的大角度车牌检测方法
CN116228780B (zh) 基于计算机视觉的硅片缺陷检测方法及系统
CN112258490A (zh) 基于光学和红外图像融合的低发射率涂层智能探损方法
CN114708234B (zh) 一种识别自动卡口编码一体机上雷管数量的方法及装置
CN111242026A (zh) 一种基于空间层次感知模块和度量学习的遥感图像目标检测方法
CN115880683B (zh) 一种基于深度学习的城市内涝积水智能水位检测方法
CN111754502A (zh) 基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法
CN115639248A (zh) 一种用于建筑外墙质量检测的系统及方法
CN112766273A (zh) 一种车牌识别方法
CN113989604A (zh) 基于端到端深度学习的轮胎dot信息识别方法
CN115937518A (zh) 一种基于多源图像融合的路面病害识别方法及系统
CN115311250A (zh) 基于深度学习和时空特征融合的烟支外观检测方法
CN114943738A (zh) 一种基于视觉识别的传感器封装固化胶缺陷识别方法
CN116862910A (zh) 基于自动化裁切生产的视觉检测方法
CN117557565B (zh) 一种锂电池极片的检测方法及其装置
CN113538342B (zh) 一种基于卷积神经网络的铝质气雾罐涂层质量检测方法
CN113705564A (zh) 一种指针式仪表识别读数方法
CN117197682B (zh) 一种长波红外遥感影像进行盲元检测与去除的方法
CN112381747A (zh) 基于轮廓特征点的太赫兹与可见光图像配准方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220826

RJ01 Rejection of invention patent application after publication