CN115035522B - 一种元器件字符缺陷的智能识别方法及装置 - Google Patents

一种元器件字符缺陷的智能识别方法及装置 Download PDF

Info

Publication number
CN115035522B
CN115035522B CN202210958335.9A CN202210958335A CN115035522B CN 115035522 B CN115035522 B CN 115035522B CN 202210958335 A CN202210958335 A CN 202210958335A CN 115035522 B CN115035522 B CN 115035522B
Authority
CN
China
Prior art keywords
engraving
character
standard
component
depth
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.)
Active
Application number
CN202210958335.9A
Other languages
English (en)
Other versions
CN115035522A (zh
Inventor
韩旭
颜聪
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.)
Dongsheng Suzhou Intelligent Technology Co ltd
Original Assignee
Dongsheng Suzhou Intelligent Technology Co ltd
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 Dongsheng Suzhou Intelligent Technology Co ltd filed Critical Dongsheng Suzhou Intelligent Technology Co ltd
Priority to CN202210958335.9A priority Critical patent/CN115035522B/zh
Publication of CN115035522A publication Critical patent/CN115035522A/zh
Application granted granted Critical
Publication of CN115035522B publication Critical patent/CN115035522B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/19007—Matching; Proximity measures
    • G06V30/19093—Proximity measures, i.e. similarity or distance measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19173—Classification techniques
    • 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

Abstract

本申请提供了一种元器件字符缺陷的智能识别方法及装置，包括：采用测距模组获取元器件上字符的实际刻印深度和刻印轮廓；将字符的实际刻印深度与标准刻印深度进行比较，若元器件上任一字符的二者的差值大于第一阈值，则将该元器件识别为第一类瑕疵件；若元器件上字符的二者的差值均不超过第一阈值，则基于刻印轮廓生成刻印轮廓图片，并计算刻印轮廓图片与标准轮廓图片的相似度，若相似度不小于第二阈值，则将元器件识别为无瑕疵件；若相似度小于第二阈值，则将元器件识别为第二类瑕疵件并将第二类瑕疵件的刻印轮廓图片输入字符缺陷识别模型进行表面字符缺陷种类的识别。本申请可以提高元器件字符缺陷检测的效率。

Description

一种元器件字符缺陷的智能识别方法及装置
技术领域
本申请涉及计算机技术领域，更具体地，涉及一种元器件字符缺陷的智能识别方法及装置。
背景技术
元器件上镭雕的字符由于镭雕质量不一，容易出现刻印深度不达标或偏移、多印、漏印等缺陷。现有技术中，工业产线上对镭雕后字符的缺陷检测，多采用传统OCR识别方法。而传统OCR识别由于需要同时对字符的多类缺陷进行检测，其存在计算量大、检测效率低的问题，难以满足产线的高检测速度的要求。
发明内容
有鉴于此，有必要提供一种元器件字符缺陷的智能识别方法及装置，以解决现有的元器件字符缺陷识别效率低的问题。
根据本申请的第一方面，提供了一种元器件字符缺陷的智能识别方法，所述方法包括：
采用测距模组获取元器件上字符的实际刻印深度和刻印轮廓；
将字符的实际刻印深度与标准刻印深度进行比较，若元器件上任一字符的实际刻印深度与标准刻印深度的差值大于第一阈值，则将所述元器件识别为第一类瑕疵件；
若元器件上字符的实际刻印深度与标准刻印深度的差值均不超过第一阈值，则基于获取到的元器件上字符的刻印轮廓生成刻印轮廓图片，并计算所述刻印轮廓图片与标准轮廓图片的相似度，若所述相似度不小于第二阈值，则将所述元器件识别为无瑕疵件；若所述相似度小于第二阈值，则将所述元器件识别为第二类瑕疵件；
将所述第二类瑕疵件的刻印轮廓图片输入字符缺陷识别模型进行表面字符缺陷种类的识别。
在其中一个实施例中，所述采用测距模组获取元器件上字符的实际刻印深度和刻印轮廓，包括：
采用激光测距模组中的阵列探头获取元器件上每一字符的实际刻印深度和刻印轮廓。
在其中一个实施例中，在字符的实际刻印深度与标准刻印深度的差值大于第一阈值时，若字符的实际刻印深度大于标准刻印深度，则按照字符的实际刻印深度与标准刻印深度的偏差大小，将所述第一类瑕疵件分为刻印很深、刻印深和刻印较深三个级别；若字符的实际刻印深度小于标准刻印深度，则按照字符的实际刻印深度与标准刻印深度的偏差大小，将所述第一类瑕疵件分为刻印很浅、刻印浅和刻印较浅三个级别。
在其中一个实施例中，所述计算所述刻印轮廓图片与标准轮廓图片的相似度，包括：
对所述刻印轮廓图片与标准轮廓图片进行二值化处理，生成分别对应于刻印轮廓图片的第一矩阵和对应于标准轮廓图片的第二矩阵；
对第一矩阵和第二矩阵向量化，生成分别对应于刻印轮廓图片的第一向量和对应于标准轮廓图片的第二向量；
计算所述第一向量和第二向量的欧式距离，并以计算得到的所述欧式距离作为所述刻印轮廓图片与标准轮廓图片的相似度。
进一步的，所述对所述刻印轮廓图片与标准轮廓图片进行二值化处理，并生成分别对应于刻印轮廓图片的第一矩阵和对应于标准轮廓图片的第二矩阵，包括：预设第三阈值，将所述刻印轮廓图片与标准轮廓图片中大于第三阈值的像素设置为1，小于等于第三阈值的像素设置为0，生成由0和1组成的第一矩阵和第二矩阵。
进一步的，所述对第一矩阵和第二矩阵向量化，生成分别对应于刻印轮廓图片的第一向量和对应于标准轮廓图片的第二向量，包括：将第一矩阵每一行或列中1的个数依次投影到一行或列上，生成第一向量，以及，将第二矩阵每一行或列中1的个数依次投影到一行或列上，生成第二向量。
在其中一个实施例中，所述方法还包括：采用Resnet50字符缺陷识别模型进行表面字符缺陷种类的识别。
根据本申请的第二方面，提供了一种元器件字符缺陷的智能识别装置，所述装置包括：
刻印深度获取单元，用于采用测距模组获取元器件上字符的实际刻印深度和刻印轮廓；
第一类瑕疵件检测单元，用于将字符的实际刻印深度与标准刻印深度进行比较，若元器件上任一字符的实际刻印深度与标准刻印深度的差值大于第一阈值，则将所述元器件识别为第一类瑕疵件；
第二类瑕疵件检测单元，用于在元器件上字符的实际刻印深度与标准刻印深度的差值均不超过第一阈值时，基于获取到的元器件上字符的刻印轮廓生成刻印轮廓图片，并计算所述刻印轮廓图片与标准轮廓图片的相似度，若所述相似度不小于第二阈值，则将所述元器件识别为无瑕疵件；若所述相似度小于第二阈值，则将所述元器件识别为第二类瑕疵件；
表面字符缺陷种类识别单元，用于将所述第二类瑕疵件的刻印轮廓图片输入字符缺陷识别模型进行表面字符缺陷种类的识别。
根据本申请的第三方面，提供了一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如本申请第一方面所述的方法。
根据本申请的第四方面，提供了一种计算机可读介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行如本申请第一方面所述的方法。
本申请提供的元器件字符缺陷的智能识别方法及装置，将字符刻印深度缺陷以及元器件表面的字符偏移、多印、漏印等缺陷区分为两种不同类型的瑕疵，先采用测距模组对字符刻印深度缺陷进行识别，之后针对无刻印深度缺陷的元器件，依次采用相似度算法和字符缺陷识别模型对字符偏移、多印、漏印等表面缺陷进行识别，通过分步骤对字符缺陷进行识别，有效解决了采用单一算法同时对不同缺陷进行识别时计算量过大导致的识别效率低的问题。
附图说明
图1为根据本申请实施例提供的一种元器件字符缺陷的智能识别方法的流程示意图；
图2为根据本申请实施例提供的一种第一类瑕疵件的示例；
图3为根据本申请实施例提供的另一种第一类瑕疵件的示例；
图4为根据本申请实施例提供的一种Resnet50字符缺陷识别模型的网络结构图；
图5为根据本申请实施例提供的一种元器件字符缺陷的智能识别装置的系统结构图；
图6为根据本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下，将参照附图来描述本申请的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本申请的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本申请的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本申请。这里使用的词语“一”、“一个（种）”和“该”等也应包括“多个”、“多种”的意思，除非上下文另外明确指出。此外，在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
另外，本文中尽管多次采用术语“第一”、“第二”等来描述各种元件(或各种阈值或各种应用或各种指令或各种操作)等，不过这些元件(或阈值或应用或指令或操作)不应受这些术语的限制。这些术语只是用于区分一个元件(或阈值或应用或指令或操作)和另一个元件(或阈值或应用或指令或操作)。例如，第一位置可以被称为第二位置，第二位置也可以被称为第一位置，而不脱离本发明的范围，第一位置和第二位置二者并不是相同的位置而已。
在此使用的所有术语（包括技术和科学术语）具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
如图1所示，为本申请实施例提供的一种元器件字符缺陷的智能识别方法的流程示意图，所述方法具体包括：
步骤110，采用测距模组获取元器件上字符的实际刻印深度和刻印轮廓。
本申请实施例中，所述采用测距模组获取元器件上字符的实际刻印深度和刻印轮廓，可以是采用激光测距模组中的阵列探头获取元器件上每一字符的实际刻印深度和刻印轮廓。
在一个实施例中，将元器件放置于传送带上，激光测距模组设置于传送带某一位置的一侧，当待检测元器件到达激光测距模组的测距范围内时，激光测距模组的阵列探头快速获取元器件上每一字符的实际刻印深度和刻印轮廓。可选的，也可以是激光测距模组的阵列探头获取元器件上每一字符的实际刻印深度，并基于获取到的实际刻印深度进行分析来进一步获取到字符的刻印轮廓。
步骤120，将字符的实际刻印深度与标准刻印深度进行比较，若元器件上任一字符的实际刻印深度与标准刻印深度的差值大于第一阈值，则将所述元器件识别为第一类瑕疵件。
本申请实施例中，所述标准刻印深度为在元器件上镭雕字符时字符应该达到的深度，第一阈值表示标准刻印深度可以接受的误差范围；标准刻印深度以及第一阈值可以事先保存在系统处理器或存储器中。字符的实际刻印深度相较标准刻印深度过深或者过浅，都会使得元器件上字符的可视性较差、不清晰。
在一个实施例中，在将字符的实际刻印深度与标准刻印深度进行比较后，若元器件上任一字符的实际刻印深度与标准刻印深度的差值大于第一阈值，说明该字符的刻印深度出现了缺陷，则将该字符所在的元器件识别为第一类瑕疵件，这里的第一类瑕疵件主要是指字符的刻印深度不达标的元器件，图2及图3给出了根据本申请实施例提供的第一类瑕疵件的示例。
在一个实施例中，在字符的实际刻印深度与标准刻印深度的差值大于第一阈值时，若字符的实际刻印深度大于标准刻印深度，则按照字符的实际刻印深度与标准刻印深度的偏差大小，将所述第一类瑕疵件分为刻印很深、刻印深和刻印较深三个级别，如图2所示。例如，假设字符的标准刻印深度为1mm，第一阈值为0.3mm，当字符的实际刻印深度比该标准刻印深度大1mm以上时为刻印很深，当字符的实际刻印深度比该标准刻印深度大0.5mm以上且不超过1mm时为刻印深，当字符的实际刻印深度比该标准刻印深度大0.3mm以上且不超过0.5mm时为刻印较深。
在一个实施例中，在字符的实际刻印深度与标准刻印深度的差值大于第一阈值时，若字符的实际刻印深度小于标准刻印深度，则按照字符的实际刻印深度与标准刻印深度的偏差大小，将所述第一类瑕疵件分为刻印很浅、刻印浅和刻印较浅三个级别，如图3所示。例如，假设字符的标准刻印深度为1mm，第一阈值为0.3mm，当字符的实际刻印深度比该标准刻印深度小0.8mm以上时为刻印很浅，当字符的实际刻印深度比该标准刻印深度小0.5mm以上且不超过0.8mm时为刻印浅，当字符的实际刻印深度比该标准刻印深度小0.3mm以上且不超过0.5mm时为刻印较浅。
需要注意的是，以上给出的标准刻印深度、实际刻印深度及第一阈值的数值仅为一种示例，本申请实施例不对其具体数值进行限制。
步骤130，若元器件上字符的实际刻印深度与标准刻印深度的差值均不超过第一阈值，则基于获取到的元器件上字符的刻印轮廓生成刻印轮廓图片，并计算所述刻印轮廓图片与标准轮廓图片的相似度，若所述相似度不小于第二阈值，则将所述元器件识别为无瑕疵件；若所述相似度小于第二阈值，则将所述元器件识别为第二类瑕疵件。
本申请实施例中，若元器件上任一字符的实际刻印深度与标准刻印深度的差值均不超过第一阈值，则说明该元器件上的字符均不存在刻印深度的瑕疵，接下来需要对元器件表面上可能存在的例如偏移、多印、漏印等字符缺陷进行识别。
为避免单独采用图像获取装置对元器件上的字符进行拍照带来的资源浪费，本申请实施例中，可以直接基于获取到的元器件上字符的刻印轮廓生成刻印轮廓图片，该刻印轮廓图片上能够准确反映元器件字符表面存在的偏移、多印、漏印等情况，因此具有较高的精确度。
在一些实施例中，在获取到元器件上字符的刻印轮廓图片后，计算所述刻印轮廓图片与标准轮廓图片的相似度，此处，所述标准轮廓图片为元器件上无缺陷字符的轮廓图片，可以将其提前保存在系统存储器中。
进一步的，在一些实施例中，计算所述刻印轮廓图片与标准轮廓图片的相似度，可以是：
对所述刻印轮廓图片与标准轮廓图片进行二值化处理，并生成分别对应于刻印轮廓图片的第一矩阵和对应于标准轮廓图片的第二矩阵
Figure F_220805105904758_758160002
，具体的：
预设第三阈值，将所述刻印轮廓图片与标准轮廓图片中大于第三阈值的像素设置为1，小于等于第三阈值的像素设置为0，从而生成由0和1组成的第一矩阵
Figure F_220805105904836_836289003
和第二矩阵
Figure F_220805105904932_932468004
，以下给出了第一矩阵
Figure F_220805105905026_026261005
和第二矩阵
Figure F_220805105905123_123399006
的一种示例：
Figure S_220805105907569_569688001
Figure S_220805105907616_616565002
对第一矩阵
Figure F_220805105905201_201528007
和第二矩阵
Figure F_220805105905283_283556008
向量化，生成分别对应于刻印轮廓图片的第一向量
Figure F_220805105905392_392938009
和对应于标准轮廓图片的第二向量
Figure F_220805105905472_472483010
，具体可以是：
将第一矩阵
Figure F_220805105905566_566773011
每一行或列中1的个数依次投影到一行或列上，生成第一向量
Figure F_220805105905669_669262012
，以及，将第二矩阵
Figure F_220805105905758_758675013
每一行或列中1的个数依次投影到一行或列上，生成第二向量
Figure F_220805105905852_852415014
。例如，上述示例中第一矩阵
Figure F_220805105905933_933491015
自上至下每一行中1的个数分别为3,3,3,3,3，则将这五个数值依次投影到同一行上，可以得到第一向量
Figure F_220805105906027_027225016
，其中第一矩阵
Figure F_220805105906125_125358017
自上至下每一行中1的个数分别为第一向量
Figure F_220805105906219_219099018
中自左向右的向量元素；上述示例中第二矩阵
Figure F_220805105906315_315771019
自上至下每一行中1的个数分别为2,3,3,3,2，则将这五个数值依次投影到同一行上，可以得到第二向量
Figure F_220805105906409_409529020
，其中第二矩阵
Figure F_220805105906505_505709021
自上至下每一行中1的个数分别为第二向量
Figure F_220805105906599_599480022
中自左向右的向量元素。
计算所述第一向量和第二向量的欧式距离，并以计算得到的所述欧式距离作为所述刻印轮廓图片与标准轮廓图片的相似度。本申请实施例中，例如，在第一向量为
Figure F_220805105906731_731292023
，第二向量为
Figure F_220805105906825_825060024
时，可以计算得到二者的欧式距离为
Figure F_220805105906922_922223025
。
本申请实施例中，还设置有第二阈值，在获取到的元器件的刻印轮廓图片与标准轮廓图片的相似度不小于第二阈值时，说明当前元器件与无缺陷的标准件相似度较高，不存在明显的表面缺陷，此时，可以将该元器件识别为无瑕疵件；在获取到的元器件的刻印轮廓图片与标准轮廓图片的相似度小于第二阈值时，说明当前元器件与无缺陷的标准件相似度较低，也即当前元器件存在偏移、多印、漏印等存在于元器件表面的字符缺陷，将上述表面存在偏移、多印、漏印等字符缺陷的元器件定义为第二类瑕疵件。需要注意的是，本申请实施例中，所述第二类瑕疵件并不局限于偏移、多印、漏印等情况，也可以是其他存在于元器件表面的字符缺陷。
本申请实施例中，在将元器件识别为第二类瑕疵件后，需要进一步对元器件表面的字符缺陷具体属于哪一种缺陷进行识别，因此需要继续进行步骤140。
步骤140：将第二类瑕疵件的刻印轮廓图片输入字符缺陷识别模型进行表面字符缺陷种类的识别。
本申请实施例中，可以采用Resnet50字符缺陷识别模型进行表面字符缺陷种类的识别。在采用Resnet50字符缺陷识别模型对表面字符缺陷种类进行识别之前，需要对该模型进行训练，具体训练方法如下：
获取一定数量的表面存在字符缺陷的元器件作为数据集，按照元器件上字符缺陷的类别（例如属于偏移、多印、漏印或其他瑕疵等）将数据集中的元器件分类并打上类别标签，将数据集按照8:2的比例分为训练数据集、测试数据集；
构建网络：Resnet50网络结构分为六个部分，第一部分为输入，之后的四个部分均为BottleNeck层组成，其中第二部分包括三个BottleNeck层，第三部分包括四个BottleNeck层，第四部分包括六个BottleNeck层，第五部分包括三个BottleNeck层，第六部分为输出，具体如图4所示；
建立模型损失函数：将预测值和真实值做交叉熵来评估预测值与真实值之间的不一致程度；
训练网络：设置迭代次数和学习率，将训练数据集输入网络对网络进行训练，利用随机梯度下降算法对网络参数进行多次迭代更新，根据多次迭代更新后得到的模型损失来选取最优模型；
使用测试数据集对经过训练的网络进行测试评估。
本申请实施例中，采用经过训练后的Resnet50字符缺陷识别模型对表面字符缺陷种类进行识别可以得到较为准确的字符缺陷识别结果。
如图5所示，本申请实施例还提供了一种元器件字符缺陷的智能识别装置，该装置包括：
刻印深度获取单元501，用于采用测距模组获取元器件上字符的实际刻印深度和刻印轮廓；
第一类瑕疵件检测单元502，用于将字符的实际刻印深度与标准刻印深度进行比较，若元器件上任一字符的实际刻印深度与标准刻印深度的差值大于第一阈值，则将所述元器件识别为第一类瑕疵件；
第二类瑕疵件检测单元503，用于在元器件上字符的实际刻印深度与标准刻印深度的差值均不超过第一阈值时，基于获取到的元器件上字符的刻印轮廓生成刻印轮廓图片，并计算所述刻印轮廓图片与标准轮廓图片的相似度，若所述相似度不小于第二阈值，则将所述元器件识别为无瑕疵件；若所述相似度小于第二阈值，则将所述元器件识别为第二类瑕疵件；
表面字符缺陷种类识别单元504，用于将第二类瑕疵件的刻印轮廓图片输入字符缺陷识别模型进行表面字符缺陷种类的识别。
本申请实施例还提出了一种计算机可读介质，其上存储有计算机可执行指令，该指令被处理器执行时，使得处理器执行上述任意实施例中的元器件字符缺陷的识别方法的步骤。
本申请实施例还提出了一种电子设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述任意实施例中的元器件字符缺陷的识别方法的步骤。
图6出了根据本申请实施例提供的电子设备600的结构示意图。如图6所示，电子设备600包括中央处理单元（CPU）601，其可以根据存储在只读存储器（ROM）602中的程序或者从存储部分608加载到随机访问存储器（RAM）603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备操作所需的各种程序和数据。CPU 601、ROM 602以及RAM603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，包括承载指令的在计算机可读介质，在这样的实施例中，该指令可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该指令被中央处理单元（CPU）601执行时，执行本发明中描述的各个方法步骤。
以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并非局限于此，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：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。

Claims (9)

1.一种元器件字符缺陷的智能识别方法，其特征在于，所述方法包括：
采用测距模组获取元器件上字符的实际刻印深度和刻印轮廓；
将字符的实际刻印深度与标准刻印深度进行比较，若元器件上任一字符的实际刻印深度与标准刻印深度的差值大于第一阈值，则将所述元器件识别为第一类瑕疵件，若字符的实际刻印深度大于标准刻印深度，则按照字符的实际刻印深度与标准刻印深度的偏差大小，将所述第一类瑕疵件分为刻印很深、刻印深和刻印较深三个级别；若字符的实际刻印深度小于标准刻印深度，则按照字符的实际刻印深度与标准刻印深度的偏差大小，将所述第一类瑕疵件分为刻印很浅、刻印浅和刻印较浅三个级别；
若元器件上字符的实际刻印深度与标准刻印深度的差值均不超过第一阈值，则基于获取到的元器件上字符的刻印轮廓生成刻印轮廓图片，并计算所述刻印轮廓图片与标准轮廓图片的相似度，若所述相似度不小于第二阈值，则将所述元器件识别为无瑕疵件；若所述相似度小于第二阈值，则将所述元器件识别为第二类瑕疵件；
将所述第二类瑕疵件的刻印轮廓图片输入字符缺陷识别模型进行表面字符缺陷种类的识别。
2.根据权利要求1所述的方法，其特征在于，所述采用测距模组获取元器件上字符的实际刻印深度和刻印轮廓，包括：
采用激光测距模组中的阵列探头获取元器件上每一字符的实际刻印深度和刻印轮廓。
3.根据权利要求1所述的方法，其特征在于，所述计算所述刻印轮廓图片与标准轮廓图片的相似度，包括：对所述刻印轮廓图片与标准轮廓图片进行二值化处理，生成分别对应于刻印轮廓图片的第一矩阵和对应于标准轮廓图片的第二矩阵；对第一矩阵和第二矩阵向量化，生成分别对应于刻印轮廓图片的第一向量和对应于标准轮廓图片的第二向量；计算所述第一向量和第二向量的欧式距离，并以计算得到的所述欧式距离作为所述刻印轮廓图片与标准轮廓图片的相似度。
4.根据权利要求3所述的方法，其特征在于，所述对所述刻印轮廓图片与标准轮廓图片进行二值化处理，生成分别对应于刻印轮廓图片的第一矩阵和对应于标准轮廓图片的第二矩阵，包括：预设第三阈值，将所述刻印轮廓图片与标准轮廓图片中大于第三阈值的像素设置为1，小于等于第三阈值的像素设置为0，生成由0和1组成的第一矩阵和第二矩阵。
5.根据权利要求4所述的方法，其特征在于，所述对第一矩阵和第二矩阵向量化，生成分别对应于刻印轮廓图片的第一向量和对应于标准轮廓图片的第二向量，包括：将第一矩阵每一行或列中1的个数依次投影到一行或列上，生成第一向量，以及，将第二矩阵每一行或列中1的个数依次投影到一行或列上，生成第二向量。
6.根据权利要求1所述的方法，其特征在于，采用Resnet50字符缺陷识别模型进行表面字符缺陷种类的识别。
7.一种元器件字符缺陷的智能识别装置，其特征在于，所述装置包括：
刻印深度获取单元，用于采用测距模组获取元器件上字符的实际刻印深度和刻印轮廓；
第一类瑕疵件检测单元，用于将字符的实际刻印深度与标准刻印深度进行比较，若元器件上任一字符的实际刻印深度与标准刻印深度的差值大于第一阈值，则将所述元器件识别为第一类瑕疵件，若字符的实际刻印深度大于标准刻印深度，则按照字符的实际刻印深度与标准刻印深度的偏差大小，将所述第一类瑕疵件分为刻印很深、刻印深和刻印较深三个级别；若字符的实际刻印深度小于标准刻印深度，则按照字符的实际刻印深度与标准刻印深度的偏差大小，将所述第一类瑕疵件分为刻印很浅、刻印浅和刻印较浅三个级别；
第二类瑕疵件检测单元，用于在元器件上字符的实际刻印深度与标准刻印深度的差值均不超过第一阈值时，基于获取到的元器件上字符的刻印轮廓生成刻印轮廓图片，并计算所述刻印轮廓图片与标准轮廓图片的相似度，若所述相似度不小于第二阈值，则将所述元器件识别为无瑕疵件；若所述相似度小于第二阈值，则将所述元器件识别为第二类瑕疵件；
表面字符缺陷种类识别单元，用于将第二类瑕疵件的刻印轮廓图片输入字符缺陷识别模型进行表面字符缺陷种类的识别。
8.一种电子设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如权利要求1至6中任一项所述的方法。
9.一种计算机可读介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行如权利要求1至6中任一项所述的方法。
CN202210958335.9A 2022-08-11 2022-08-11 一种元器件字符缺陷的智能识别方法及装置 Active CN115035522B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210958335.9A CN115035522B (zh) 2022-08-11 2022-08-11 一种元器件字符缺陷的智能识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210958335.9A CN115035522B (zh) 2022-08-11 2022-08-11 一种元器件字符缺陷的智能识别方法及装置

Publications (2)

Publication Number Publication Date
CN115035522A CN115035522A (zh) 2022-09-09
CN115035522B true CN115035522B (zh) 2022-12-27

Family

ID=83130755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210958335.9A Active CN115035522B (zh) 2022-08-11 2022-08-11 一种元器件字符缺陷的智能识别方法及装置

Country Status (1)

Country Link
CN (1) CN115035522B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08315071A (ja) * 1995-05-16 1996-11-29 Suzuki Motor Corp 刻印文字の品質検査方法及び装置
CN110722769B (zh) * 2017-05-28 2021-07-09 浙江商业职业技术学院 一种膜厚测量辅助定位装置与测厚仪的同步方法
CN108416765B (zh) * 2018-01-30 2020-08-18 华南理工大学 一种字符缺陷自动检测方法和系统
CN113221889B (zh) * 2021-05-25 2023-09-22 中科芯集成电路有限公司 一种芯片字符抗干扰识别方法及装置

Also Published As

Publication number Publication date
CN115035522A (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
CN111179251B (zh) 基于孪生神经网络利用模板比对的缺陷检测系统及方法
Wang et al. Surface defect detection via entity sparsity pursuit with intrinsic priors
CN106952250B (zh) 一种基于Faster R-CNN网络的金属板带表面缺陷检测方法及装置
Zhou et al. Automated visual inspection of glass bottle bottom with saliency detection and template matching
CN103439348B (zh) 基于差影法的遥控器按键缺陷检测方法
CN106934800B (zh) 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置
KR930003403B1 (ko) 피드포워드 뉴럴 네트워크를 이용하는 객체 방향 검출방법 및 장치
CN114612469B (zh) 产品缺陷检测方法、装置、设备及可读存储介质
CN109142383B (zh) 一种基于形态学的字符缺陷检测方法
CN111080622A (zh) 神经网络训练方法、工件表面缺陷分类与检测方法及装置
CN111127417B (zh) 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法
CN113221889A (zh) 一种芯片字符抗干扰识别方法及装置
JP6575954B2 (ja) ダイ対データベースのフォトマスク検査のための自動的な較正サンプルの選択
CN109270079B (zh) 一种基于点云模型的工件表面缺陷精确检测方法
CN113850749A (zh) 训练缺陷侦测器的方法
CN114266764A (zh) 一种印刷标签的字符完整性检测方法及其装置
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
CN113063802B (zh) 一种印刷标签缺陷检测方法及其装置
CN113744252A (zh) 用于标记和检测缺陷的方法、设备、存储介质和程序产品
CN115035522B (zh) 一种元器件字符缺陷的智能识别方法及装置
JP5036637B2 (ja) 凹凸文字抽出のための画像処理方法及び画像処理装置
JP2000331120A (ja) 文字認識装置及びその文字認識方法並びにその制御プログラムを記録した記録媒体
CN112419244B (zh) 混凝土裂缝分割方法及装置
CN113469984B (zh) 一种基于yolo结构的显示面板外观检测方法
CN115457563A (zh) 一种零漏检兼低误识的船体水尺读取方法

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
GR01 Patent grant
GR01 Patent grant