CN115018828A - 一种电子元器件的缺陷检测方法 - Google Patents

Abstract

本发明属于图像数据处理领域，具体涉及一种电子元器件的缺陷检测方法，获取待检测PCB板图像，并得到待检测PCB板灰度图像；对待检测PCB板灰度图像进行区域划分，得到不同的区域，获取各个区域的灰度直方图，并采用最大类间方差算法确定分割阈值，对待检测PCB板灰度图像进行图像分割，得到分割图像；将待检测PCB板图像的阈值分割图像与PCB板的标准二值图像进行匹配，对匹配后的两图像进行异或操作，得到异或图；获取异或图中的连通域，统计各连通域的面积；比较各连通域的面积与阈值的大小，若存在连通域的面积大于等于阈值，则该连通域所对应的区域存在缺陷；即本发明的方案通过进行局部阈值分割，能够精准地进行图像阈值分割。

Description

一种电子元器件的缺陷检测方法

技术领域

本发明涉及图像数据处理领域，具体为一种电子元器件的缺陷检测方法。

背景技术

现有针对电子元器件的缺陷检测方法，对电子元器件中的PCB板进行缺陷检测时，其是先将待检测PCB板图像与标准图像进行定位匹配做差，得到两张图像的差分图像，进而通过常规大津阈值算法对差分图像进行图像分割，完成PCB板缺陷检测。

其中，常规大津阈值算法属于全局阈值分割，其按照大津法求得的阈值进行图像二值化分割后，前景与背景图像的类间方差最大，被认为是图像分割中阈值选取的最佳算法；优点在于：计算简单，不受图像亮度和对比度的影响，因此在数字图像处理上得到了广泛的应用。

但是，由于其阈值仅与各个图像像素的本身特性有关，其通常在图像不太复杂、灰度分布较集中的情况下采用；而对于复杂的图像，其阈值分割有一定的局限性，可能导致PCB板进行缺陷检测时效果不佳。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种电子元器件的缺陷检测方法，所采用的技术方案具体如下：

本发明的一种电子元器件的缺陷检测方法，包括以下步骤：

获取待检测PCB板图像，并对所述待检测PCB板图像进行预处理，得到待检测PCB板灰度图像；

对待检测PCB板灰度图像进行区域划分，得到不同的区域，获取各个区域的灰度直方图，并采用最大类间方差算法确定分割阈值，对待检测PCB板灰度图像进行图像分割，得到分割图像；

将待检测PCB板图像的阈值分割图像与标准二值图像进行匹配，对匹配后的两图像进行异或操作，得到异或图；获取异或图中的连通域，统计各连通域的面积；比较各连通域的面积与阈值的大小，若存在连通域的面积大于等于阈值，则该连通域所对应的区域存在缺陷；

其中，对待检测PCB板灰度图像进行区域划分，得到不同的区域的过程为：

对待检测PCB板灰度图像进行等间隔的网格划分，对所有网格进行第一次聚类，得到若干网格类别；

基于各网格类别，分别获取任意两个网格类别的聚类中心的横、纵坐标值以及任意两个网格类别的散度，基于任意两个网格类别的横、纵坐标的差异的绝对值以及所述散度，确定DBSCAN算法的聚类距离，基于所述聚类距离，对所有网格类别进行再次分类，得到第二次聚类对应的不同区域。

进一步地，所述聚类距离为：

其中，

为第m个网格类别的聚类中心的横坐标，

为第m个网格类别的聚类中心的纵坐标，

为第j个网格类别的聚类中心的横坐标，

为第j个网格类别的聚类中心的纵坐标，

为第m个网格类别与第j个网格类别的散度。

进一步地，所述散度为获取任意两个网格类别的灰度直方图，对各灰度直方图进行高斯拟合，分别得到对应的单高斯模型，基于两单高斯模型的方差以及均值，得到两个网格类别的散度。

进一步地，还包括对第二次聚类对应的不同区域进行验证的步骤：

获取各区域的灰度直方图，确定各灰度直方图的峰值点个数；

当各区域的峰值点个数大于等于3时，则对应区域为待调整区域，进而获取K个待调整区域；

随机选取K个待调整区域中的任意一个网格类别，以该网格类别为滑窗中心对所有网格类别进行滑窗操作，确定该网格类别的相邻网格类别；

判断所述相邻网格类别是否属于K个待调整区域中的网格类别，若否，则相邻网格类别对应的网格类别为待调整类别；若是，则将相邻网格类别以及对应的网格类别作为待调整类别，依次进行判断，得到若干个待调整类别；

采用DBSCAN聚类算法对若干个待调整类别进行重新分类，得到分类后的调整区域；

其中重新分类时的聚类距离为：

其中，

为若干个待调整类别中任意两个网格类别之间的聚类距离，

为调整值；

所述调整值的获取过程为：

以若干个待调整类别中所有网格类别为顶点，建立完全无向图；

判断任意两网格类别是否为相邻的类别，若不相邻，则将对应两个不相邻的顶点之间的聚类置为一个极大值；若相邻，则任意选取其中一顶点，获取该顶点与相邻顶点之间的聚类距离，按照从小到大的顺序对聚类距离进行排序，得到每个顶点的序号值，将对应两顶点的序号值的均值作为两顶点之间的调整值。

进一步地，确定该网格类别的相邻网格类别的过程为：获取任意一个网格类别边缘像素点，建立3*3的滑窗窗口，统计滑窗窗口沿着对应的网格类别边缘像素点滑动过程中所出现的其他类别标号，得到与该任意一个网格类别相邻的网格类别。

进一步地，所述第一次聚类为：获取任意两个网格的横、纵坐标值以及两个网格内所有像素点的平均灰度值，基于所述横、纵坐标值以及平均灰度值，计算该两个网格的欧式距离，基于所述欧式距离对所有网格进行第一次聚类。

进一步地，所述匹配采用ORB特征点的图像匹配算法。

本发明的有益效果：

本发明的方案，在得到待检测PCB板图像后，先对预先待检测PCB板图像，进行准确稳定的阈值分割；进而再进行异或操作，得到稳定差分图像，根据所得稳定差分图像，实现了PCB板缺陷检测；通过多次聚类算法，能够对待检测PCB板图像的进行自适应区域的划分，保证划分区域后局部灰度分割效果的稳定性，进而对划分区域后的局部图像进行局部灰度分割，从而实现了对预先待检测PCB板图像的准确稳定阈值分割图像，提高了PCB板缺陷检测的鲁棒性，进而实现PCB板缺陷的检测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本发明的一种电子元器件的缺陷检测方法的方法流程图；

图2是采集的待检测PCB板图像；

图3是利用常规大津阈值对PCB板图像进行全局阈值分割的效果图；

图4是采用本发明的电子元器件的缺陷检测方法进行阈值分割后的效果图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的方案，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本发明针对的是电子元器件为PCB板，即在PCB板生产过程中进行的PCB板的检测，即由传送带或者其他输送装置将待检测PCB输送至待检测区域。其中，在待检测区域中固定架设RGB相机一台，用于采集待检测PCB板图像；由待检测区域中的RGB相机，采集得到待检测区域中待检测PCB板图像后，发送至数据处理中心，用于分析当前待检测PCB板是否具有缺陷。

本发明的方案是基于上述检测到的PCB板图像进行的图像数据处理，用于待检测PCB板图像的准确稳定阈值分割图像，提高了PCB板缺陷检测时对光环境的鲁棒性。

具体地，以电子烟芯片的PCB板为例，对本发明提供的一种电子元器件的缺陷检测方法进行介绍，请参阅图1所示，包括以下步骤：

首先，获取待检测PCB板图像，并对所述待检测PCB板图像进行预处理，得到待检测PCB板灰度图像。

本实施例中通过设置的图像采集模块，进行待检测PCB板的图像采集，采集的待检测PCB板的图像如图2所示。同时，在对待检测PCB板图像进行阈值分割之前，需要进行先将待检测PCB板图像灰度化，并采用中值滤波去噪，实施者根据具体实施场景选择其他去噪算法；对去噪后的图像再采用直方图均衡化方法，实现对待检测PCB板的灰度图像的灰度增强。

其次，对待检测PCB板灰度图像进行区域划分，得到不同的区域，获取各个区域的灰度直方图，并采用最大类间方差算法确定分割阈值，对待检测PCB板灰度图像进行图像分割，得到分割图像。

需要说明的是，获取预处理后的待检测PCB板图像对应灰度直方图，常规的otus阈值分割算法是将整个灰度直方图分为两个部分，如果图像的灰度直方图为双峰类型，则能够得到较好的图像分割效果；但是待检测PCB板图像的复杂性，所得灰度直方图可能具有多个峰，进而通过单一阈值进行图像阈值分割并不能得到较好的分割效果，因此，本实施例中先通过区域划分，得到局部区域，再对局部区域进行阈值分割，具体如下：

对待检测PCB板的灰度图像进行区域划分，得到不同的区域的具体过程为：

1）将待检测PCB板灰度图像预先进行等间隔的网格大小划分，并获取第i个网格的中心像素点的横、纵坐标值

以及第i个网格内所有像素点的平均灰度值

，第l个网格的中心像素点的横、纵坐标值

以及第l个网格内所有像素点的平均灰度值

；

根据获取的第i个网格和第l个网格的网格信息，计算两网格的欧式距离，将其作为聚类距离

，采用DBSCAN密度聚类算法对所有网格进行第一次聚类，得到第一次网格分类。

上述中的等间隔是将PCB板灰度图像进行等分，得到均等的网格，至于等分的尺寸大小可以根据实际情况进行确定。

需要说明的是，两网格的欧式距离可以是对应维度信息的差值的绝对值之和，也可以是对应维度信息的差值的平方，再求和后开根号得到的距离，其中维度信息包括横坐标、纵坐标以及平均灰度值的三个维度信息。

在进行第一次网格分类时，DBSCAN密度聚类算法的邻域半径R=3，最少点数目minpoints=3；DBSCAN密度聚类算法在使用时，需要设定的经验值，实施者根据具体实施场景要求可进行调整。

其中在采用DBSCAN密度聚类算法对待检测PCB板灰度图像预先进行等间隔的网格进行聚类时，由于能够更好地将灰度值近似的网格点分为一类，需要对聚类时的聚类距离进行调整，本实施例中在第一次聚类中的横、纵坐标对应的欧式距离值上可以施加一个距离qq，其中qq为一个超参数，可由实施者根据具体实施场景进行调整，其中本实施例选取qq=0.7。

2）根据上述中网格分类的结果，分别获取第m个网格类别的聚类中心的横纵坐标值

，以及第j个网格类别对应的横、纵坐标和灰度值，以及第m个网格类别与第j个网格类别的散度，确定第二次聚类的聚类距离，并采用DBSCAN聚类算法进行分类，得到不同的区域。

其中，本实施例中的DBSCAN密度聚类算法在第二次聚类时采用的聚类距离为

其中，

为第m个网格类别的聚类中心的横坐标，

为第m个网格类别的聚类中心的纵坐标，

为第j个网格类别的聚类中心的横坐标，

为第j个网格类别的聚类中心的纵坐标，

为第m个网格类别与第j个网格类别的散度。

上述中

的计算方式为：分别获取第m个和第j个的网格类别的灰度直方图，将第m个和第j个的网格类别的灰度直方图通过高斯拟合算法，得到对应的单高斯模型

和

，进而由KL散度的计算公式，得到

与

的散度值。

其中，KL散度的计算公式为：

其中，

为单高斯模型𝑓(𝑚)所对应的均值与方差，

为单高斯模型

所对应的均值与方差，进而可根据KL散度公式计算

与f(m)之间灰度分布差异。

其中，单高斯模型的获取方法，可以采用通过获取图像的灰度的均值与方差，构建单高斯模型，由于为现有技术，此处不再过多赘述。

需要说明的是，

表示第m个网格类别对应聚类中心坐标与第j个网格类别对应聚类中心坐标值差值绝对值，其值越小，则表明第m个网格类别与第j个网格类别的横、纵坐标相近；这样在对待检测PCB板图像进行区域划分时，能够尽可能地大面积划分，防止所划分待检测PCB板图像面积过小，从而使得局部无法准确区分前景背景，导致分割效果差。

其中，

表示第m个网格类别与第j个网格类别之间的灰度值分布概率密度的差异；其值越大，表明如果将第m个网格类别与第j个网格类别分类在一起更容易出现双峰的结果；这样在对待检测PCB板图像进行区域划分时，能够尽可能地将具有较大灰度差异的区域分为一类，从而对其采用负相关映射函数，

为递减函数，使得

小，使得聚类结果中的灰度直方图具有双峰类型，有利于提高局部分割效果精度和稳定性，从而得到在对待检测PCB板图像进行缺陷检测时，具有更强的鲁棒性，提高缺陷检测结果稳定性。

需要说明的是，上述由DBSCAN聚类算法所得的，共得到n个不同区域，每个区域中的第任意两个网格类别的坐标相近，并且区域对应的灰度值直方图近似呈现为双峰类型，这样就能够实现待检测PCB板灰度图像的自适应区域划分。

本实施例中，在得到待检测PCB板灰度图像中所有网格的分类结果后，实现图像区域分区后每个区内部的灰度直方图是双峰类型；所以需要对待检测PCB板灰度图像中所有网格的分类结果再次分类进行区域划分，为了让区域的灰度直方图出现双峰。

需要说明的是，由于在采用DBSCAN密度聚类算法进行分类时，加入坐标信息，并且PCB板存在同灰度值可出现在不同区域，因此需要进行第二次聚类。

3）根据得到的不同的区域，采用otus（最大类间方差）算法，获取对应的灰度阈值，由所有聚类结果中所对应的灰度阈值，对待检测PCB板灰度图像的局部灰度分割。

本实施例中，对当前次DBSCAN聚类算法所得的所有区域，采用otus算法，获取对应灰度阈值，由所有聚类结果中所对应的灰度阈值，实现待检测PCB板灰度图像的局部灰度分割；将所有网格类别对应的灰度分割图像进行拼接，得到最终待检测PCB板图像的阈值分割图像。

本实施例中，为了保证otus算法对待检测PCB板灰度图像的分割效果稳定性，选择通过预先对待检测PCB板灰度图像进行自适应的区域划分，通过对待检测PCB板灰度图像的区域自适应划分，从而使得在同一个区域内的灰度直方图近似于双峰类型，在对单一区域内的待检测PCB板局部灰度图像采用otus算法，得到待检测PCB板局部灰度图像较好的阈值分割结果，进而将所有自适应分区所对应的待检测PCB板局部灰度图像的阈值分割结果进行拼接，得到分割效果稳定精准得到图像分割结果。

进一步地，由于采用当前次DBSCAN聚类算法得到近似双峰类型的过程中，聚类中虽然通过权值可以将灰度值差异较大类别，并且坐标连续的第一次分类结果聚为一类，但是在聚类中无法保证是将可能更多的类别聚类为一类，进而会导致在聚类结果中出现多个峰值的情况。因此，需要对第当前次聚类算法的聚类效果进行评价，若没存在聚类效果差的，则需要对聚类效果差的区域中的网格类别进行重新调整，以促使当前次DBSCAN聚类算法中，聚类效果不好的聚类结果也能够得到灰度值直方图近似呈现为双峰类型。

具体地，本实施例的方案还包括对第二次聚类对应的不同区域进行验证的步骤：

获取各区域的灰度直方图，确定各灰度直方图的峰值点个数；

当各区域的峰值点个数大于等于3时，则对应区域为待调整区域，进而获取K个待调整区域；由于经过第一次聚类能够得到k个网格类别，经过第二次聚类得到M个区域，获取每个区域的灰度直方图，对其灰度直方图曲线采用数据平滑处理，滤去灰度图变化较强的部分，进而通过峰值点检测法，得到当前灰度直方图曲线的峰值点个数，如果不是二，则表示当前区域的聚类结果并不理想，至此统计不满足条件的区域，作为待调整区域。

随机选取K个待调整区域中的任意一个网格类别，以该网格类别为滑窗中心对所有网格类别进行滑窗操作，确定该网格类别的相邻网格类别；本实施例中采用滑窗的操作，确定该网格类别的相邻网格类别的过程为：获取任意一个网格类别边缘像素点，建立3*3的滑窗窗口，统计滑窗窗口沿着对应的网格类别边缘像素点滑动过程中所出现的其他类别标号，得到与该任意一个网格类别相邻的网格类别。

判断所述相邻网格类别是否属于K个待调整区域中的网格类别，若否，则相邻网格类别对应的网格类别为待调整类别；若是，则将相邻网格类别以及对应的网格类别作为待调整类别，依次进行判断，得到若干个待调整类别；需要说明的是，如果其中一个网格类别中相邻网格类别中没有属于K个待调整区域的，则说明该网格类别聚类效果不好，则将该网格类别作为一个待调整类别。如果在某个局部区域中除了该网格类别的相邻网格类别也是聚类效果不理想的类别时，将该网格类别及其相邻网格类别作为一个待调整区域。

采用DBSCAN聚类算法对若干个待调整类别进行第三次聚类，得到分类后的调整区域。本实施例中进行第三次聚类是为了保证再次重分类结果中每个类别只包含两类或者只有一个1类的情况，得到更为理想的双峰类型。

其中第三次聚类时的聚类距离为：

其中，

为若干个待调整类别中任意两个网格类别之间的聚类距离，

为调整值。

其中，由于在采用

进行聚类时，会导致存在多峰值（大于2）的聚类结果，所以为了扩大这个待调整区域中所有网格类别之间聚类距离,使得聚类结果更加贴近灰度双峰类型，获取

；其中tz表示

对应两个类别之间的聚类距离

的调整值，tz的值越大，则说明两个类别之间不应该分为一类。tz的值越小，则说明两个类别之间应该被分为一类。

具体地，上述中的调整值的获取过程为：

以若干个待调整类别中所有网格类别为顶点，建立完全无向图；

判断任意两网格类别是否为相邻的类别，若不相邻，则将对应两个不相邻的顶点之间的聚类置为一个极大值；若相邻，则任意选取其中一顶点，获取该顶点与所有相邻顶点之间的聚类距离，按照从小到大的顺序对该顶点的聚类距离进行排序，得到每个顶点的各聚类距离的序号值，选取两顶点的相同聚类距离的两序号值，将两序号值的均值作为两顶点之间的调整值。

需要说明的是，上述中的极大值是取值为10000，实施者可根据具体实施场景进行调整，其目的是为了将两个网格类别不分为一类。同时，对于序号值的获取过程，本实施例通过以下简单的实施方式进行介绍：

具体地，以三个顶点为例，顶点a、顶点b和顶点c，顶点a的相邻顶点为顶点b和顶点c，那么聚类距离为Qab、Qac，若Qab>Qac，Qac的序号值为1，Qab的序号值为2；同理，顶点b的聚类距离Qba>Qbc，则Qbc的序号值为1，Qba的序号值为2；由于为完全无向图，那么顶点a和顶点b的聚类距离Qab=Qba，其调整值为Qab的序号值与Qba的序号值的均值。需要说明的是，上述具体实施例仅仅是为了解释说明，而本发明的完全无向图的顶点的个数是远远多于三个。

上述实施例中获取序号值作为调整值是，为了将具有

值较小的两个顶点被分为一类，进而可采用升序排序，使得序号值在作为调整值时，能够使得相互之间具有相对都较小的序号值的两类被分为一类，因为序号值越小，两者之间的

越小，则在通过tz*

调整后的权值更小；进而使得不想分为类别的序号值偏大，则更应该不被分为一类；并且采用两个顶点序号值的平均值可以表示两个顶点在聚类时相互之间重要性差异，tz就是综合两个顶点相互之间重要性的最中调整权值。

所以对于待调整区域中所有网格类别的区域进行调整时，Qt作为新的聚类距离，替换

，起的作用更好，并且先通过当前次DBSCAN聚类算法进行分类，在进行准确调整，保证得到获取最终聚类结果中灰度双峰类型的具有较高稳定性，和较低的计算量。因为如果直接建立无向图，排序需要很大的计算量。

然后，将待检测PCB板图像的阈值分割图像与PCB板的标准二值图像进行匹配，对匹配后的两图像进行异或操作，得到异或图；获取异或图中的连通域，统计各连通域的面积；比较各连通域的面积与阈值的大小，若存在连通域的面积大于等于阈值，则该连通域所对应的区域存在缺陷并进行位置标记。

本实施例中的标准二值图像为获取预先已知的PCB板的标准二值图像，其是无缺陷的正常PCB板的模板图像，作为一个标准的模板，将其与待检测PCB板进行比对，从而确定待检测PCB板是否存在缺陷。其中PCB板的标准二值图像由相关经验人员预先制作。

上述中的图像匹配算法选用现有的基于相关性的图像匹配算法，比如基于ORB特征点的图像匹配算法。

本实施例中，在得到两张二值图像之间的异或图后，通过连通域提取算法，提取得到两张图像之间的变化部分，统计各连通域的面积大小，设定阈值r，将各连通域的面积与阈值r进行比较，如果存在连通域的面积大于等于阈值r，则认为该连通域所对应的区域表示缺陷，从而将面积大于等于阈值r的连通域所对应位置，在待检测PCB板图像中标记出来，从而PCB板缺陷检测。

上述中的图像异或操作实际为图像处理中的异或运算，目的是为了找到图像与标准图像的差异之处，进而得到仅包含差异之处的二值图像，根据该二值图像的大小确定待检测PCB板图像对应位置的缺陷，完成电子元器件的缺陷的检测，从而判断生产的PCB板的质量是否合格，从而在对PCB板生产质量检测时具有更高的精度。

本实施例中，阈值r为一个超参数，可由实施者根据具体实施检测场景要求进行调整，本方案设r=3。

为了更清楚地比较本发明的方案与现有的全局阈值分割方法的区别，本发明对现有的全局阈值分割以及本发明的缺陷检测方法进行了验证，其中图3为现有的全局阈值分割的效果，图4为本发明的缺陷检测方法，从图3和图4中可知，本发明的缺陷检测方法较现有的全局阈值分割方法更准确。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (7)

1.一种电子元器件的缺陷检测方法，其特征在于，包括以下步骤：

获取待检测PCB板图像，并对所述待检测PCB板图像进行预处理，得到待检测PCB板灰度图像；

对待检测PCB板灰度图像进行区域划分，得到不同的区域，获取各个区域的灰度直方图，并采用最大类间方差算法确定分割阈值，对待检测PCB板灰度图像进行图像分割，得到分割图像；

将待检测PCB板图像的阈值分割图像与标准二值图像进行匹配，对匹配后的两图像进行异或操作，得到异或图；获取异或图中的连通域，统计各连通域的面积；比较各连通域的面积与阈值的大小，若存在连通域的面积大于等于阈值，则该连通域所对应的区域存在缺陷；

其中，对待检测PCB板灰度图像进行区域划分，得到不同的区域的过程为：

对待检测PCB板灰度图像进行等间隔的网格划分，对所有网格进行第一次聚类，得到若干网格类别；

基于各网格类别，分别获取任意两个网格类别的聚类中心的横、纵坐标值以及任意两个网格类别的散度，基于任意两个网格类别的横、纵坐标的差异的绝对值以及所述散度，确定DBSCAN算法的聚类距离，基于所述聚类距离，对所有网格类别进行再次分类，得到第二次聚类对应的不同区域。

2.根据权利要求1所述的一种电子元器件的缺陷检测方法，其特征在于，所述聚类距离为：

其中，

为第m个网格类别的聚类中心的横坐标，为第m个网格类别的聚类中心的纵坐标，

为第j个网格类别的聚类中心的横坐标，

为第j个网格类别的聚类中心的纵坐标，

为第m个网格类别与第j个网格类别的散度。

3.根据权利要求2所述的一种电子元器件的缺陷检测方法，其特征在于，所述散度为获取任意两个网格类别的灰度直方图，对各灰度直方图进行高斯拟合，分别得到对应的单高斯模型，基于两单高斯模型的方差以及均值，得到两个网格类别的散度。

4.根据权利要求1所述的一种电子元器件的缺陷检测方法，其特征在于，还包括对第二次聚类对应的不同区域进行验证的步骤：

获取各区域的灰度直方图，确定各灰度直方图的峰值点个数；

当各区域的峰值点个数大于等于3时，则对应区域为待调整区域，进而获取K个待调整区域；

随机选取K个待调整区域中的任意一个网格类别，以该网格类别为滑窗中心对所有网格类别进行滑窗操作，确定该网格类别的相邻网格类别；

判断所述相邻网格类别是否属于K个待调整区域中的网格类别，若否，则相邻网格类别对应的网格类别为待调整类别；若是，则将相邻网格类别以及对应的网格类别作为待调整类别，依次进行判断，得到若干个待调整类别；

采用DBSCAN聚类算法对若干个待调整类别进行重新分类，得到分类后的调整区域；

其中重新分类时的聚类距离为：

其中，

为若干个待调整类别中任意两个网格类别之间的聚类距离，

为调整值；

所述调整值的获取过程为：

以若干个待调整类别中所有网格类别为顶点，建立完全无向图；

判断任意两网格类别是否为相邻的类别，若不相邻，则将对应两个不相邻的顶点之间的聚类置为一个极大值；若相邻，则任意选取其中一顶点，获取该顶点与相邻顶点之间的聚类距离，按照从小到大的顺序对聚类距离进行排序，得到每个顶点的序号值，将对应两顶点的序号值的均值作为两顶点之间的调整值。

5.根据权利要求1所述的一种电子元器件的缺陷检测方法，其特征在于，确定该网格类别的相邻网格类别的过程为：获取任意一个网格类别边缘像素点，建立3*3的滑窗窗口，统计滑窗窗口沿着对应的网格类别边缘像素点滑动过程中所出现的其他类别标号，得到与该任意一个网格类别相邻的网格类别。

6.根据权利要求1所述的一种电子元器件的缺陷检测方法，其特征在于，所述第一次聚类为：获取任意两个网格的横、纵坐标值以及两个网格内所有像素点的平均灰度值，基于所述横、纵坐标值以及平均灰度值，计算该两个网格的欧式距离，基于所述欧式距离对所有网格进行第一次聚类。

7.根据权利要求1所述的一种电子元器件的缺陷检测方法，其特征在于，所述匹配采用ORB特征点的图像匹配算法。

Images