CN115049653B - 基于计算机视觉的集成电路板质量检测系统 - Google Patents

基于计算机视觉的集成电路板质量检测系统 Download PDF

Info

Publication number
CN115049653B
CN115049653B CN202210971123.4A CN202210971123A CN115049653B CN 115049653 B CN115049653 B CN 115049653B CN 202210971123 A CN202210971123 A CN 202210971123A CN 115049653 B CN115049653 B CN 115049653B
Authority
CN
China
Prior art keywords
target
welding spot
point
spot area
analyzed
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
CN202210971123.4A
Other languages
English (en)
Other versions
CN115049653A (zh
Inventor
赵佳琦
刘轶男
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.)
Fengxin Microelectronics Technology Liaocheng Co ltd
Original Assignee
Fengxin Microelectronics Technology Liaocheng 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 Fengxin Microelectronics Technology Liaocheng Co ltd filed Critical Fengxin Microelectronics Technology Liaocheng Co ltd
Priority to CN202210971123.4A priority Critical patent/CN115049653B/zh
Publication of CN115049653A publication Critical patent/CN115049653A/zh
Application granted granted Critical
Publication of CN115049653B publication Critical patent/CN115049653B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及基于计算机视觉的集成电路板质量检测系统，属于图像处理技术领域。该系统包括处理器和存储器，处理器执行存储器存储的计算机程序以实现如下步骤：根据最优分割阈值，得到焊点区域图像；对焊点区域图像进行边缘提取，得到各初始焊点区域边缘轮廓；根据各初始焊点区域边缘轮廓上的各初始边缘点，得到各聚类中心点；获取各待分析像素点，根据各待分析像素点和各聚类中心点，得到各待分析像素点与各聚类中心点之间的修正隶属度；根据修正隶属度，得到各目标焊点区域；根据各目标焊点区域对应的异常像素点数量和近圆率，得到待检测集成电路板的质量指标。本发明能提高焊点区域质量检测的精度。

Description

基于计算机视觉的集成电路板质量检测系统
技术领域
本发明涉及图像处理技术领域，具体涉及基于计算机视觉的集成电路板质量检测系统。
背景技术
集成电路板是采用半导体制作工艺，在一块较小的单晶硅片上制作上许多晶体管及电阻器、电容器等元器件，并按照多层布线或遂道布线的方法将元器件组合成完整的电子电路；并且在集成电路板加工时，是利用焊接将电器元件连接起来，焊接会在集成电路板上形成焊点凸起，而焊点的质量状况或者异常状况直接影响着集成电路板的质量，如当焊点存在破损缺陷时，可能会造成集成电路板的损坏，影响集成电路板的使用，因此对集成电路板上的焊点质量进行检测至关重要。
现有技术中一般利用传统的阈值分割算法对集成电路板上的焊点区域进行分割，然后再对分割出来的焊点区域进行质量检测，或者直接通过神经网络模型实现对焊点区域的质量检测；但是由于集成电路板上一些焊点距离较近、焊点区域和背景区域之间灰度相差不大以及焊点区域和背景区域的对比度动态范围较小等因素，会导致传统的阈值分割算法对集成电路板上的焊点区域进行分割时，可能存在分割不准确或者分割不可靠的问题，进而后续对分割出来的焊点区域进行质量检测时也会存在检测精度较低的问题；而直接通过神经网络模型实现对焊点区域的质量检测方法需要对神经网络进行训练，但是神经网络的训练过程比较复杂且计算量也很大；因此如何在计算量较小的基础上还能提高焊点区域质量检测的精度是需要解决的问题。
发明内容
为解决上述问题，本发明的目的在于提供基于计算机视觉的集成电路板质量检测系统，包括处理器和存储器，所述处理器执行所述存储器存储的计算机程序以实现如下步骤：
获取待检测集成电路板的表面灰度图像；
获得最优分割阈值；根据所述最优分割阈值，得到所述表面灰度图像对应的焊点区域图像以及焊点区域图像上的各待分析像素点；利用边缘检测算子对所述焊点区域图像进行边缘提取，得到所述焊点区域图像对应的各初始焊点区域边缘轮廓以及各初始焊点区域边缘轮廓上的各初始边缘点；
根据所述各初始焊点区域边缘轮廓上的各初始边缘点，得到所述焊点区域图像上的各聚类中心点；
获取焊点区域图像上除各聚类中心点之外的各待分析像素点，记为待分析目标像素点；根据各待分析目标像素点和所述焊点区域图像上的各聚类中心点，得到所述各待分析目标像素点与所述各聚类中心点之间的修正隶属度；
根据所述修正隶属度，得到各目标焊点区域；获得各目标焊点区域对应的目标边缘轮廓以及各目标边缘轮廓上的目标边缘点；根据所述目标边缘点，得到各目标焊点区域对应的异常像素点数量；根据各目标焊点区域的周长和面积，得到各目标焊点区域对应的近圆率；
根据所述异常像素点数量和近圆率，得到待检测集成电路板的质量指标。
优选的，获得最优分割阈值的方法，包括：
获取第一分割阈值以及第一分割阈值的分割效果评价指标；
判断第一分割阈值的分割效果评价指标是否小于预设评价阈值，若是，则判定第一分割阈值对表面灰度图像进行分割的效果不好，并根据第一分割阈值的分割效果评价指标和第一分割阈值，得到第二分割阈值，获得第二分割阈值的分割效果评价指标，判断第二分割阈值的分割效果评价指标是否小于预设评价阈值，若是，则判定第二分割阈值对表面灰度图像进行分割的效果不好，则根据第二分割阈值的分割效果评价指标和第二分割阈值，得到第三分割阈值；以此类推，直至首次出现分割阈值的分割效果评价指标大于等于预设评价阈值时停止判断，并将对应分割阈值记为最优分割阈值。
优选的，获取第一分割阈值的分割效果评价指标的方法，包括：
将所述表面灰度图像上灰度值大于等于第一分割阈值的像素点记为第一焊点区域像素点，将所述表面灰度图像上灰度值小于第一分割阈值的像素点记为第一背景区域像素点，将所述表面灰度图像上的各第一焊点区域像素点记为第一焊点区域像素点类别中的各第一焊点区域像素点，将所述表面灰度图像上的各第一背景区域像素点记为第一背景区域像素点类别中的各第一背景区域像素点；
计算得到第一焊点区域像素点类别对应的熵值以及第一背景区域像素点类别对应的熵值；
根据第一焊点区域像素点类别对应的熵值以及第一背景区域像素点类别对应的熵值，得到第一分割阈值的分割效果评价指标；
根据如下公式计算第一分割阈值的分割效果评价指标：
Figure DEST_PATH_IMAGE001
其中，
Figure 775417DEST_PATH_IMAGE002
为第一分割阈值的分割效果评价指标，
Figure 189081DEST_PATH_IMAGE003
为第一焊点区域像素点类别对应的熵值，
Figure DEST_PATH_IMAGE005
为第一背景区域像素点类别对应的熵值，e为自然常数；
根据如下公式计算第二分割阈值：
Figure 213669DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
为第二分割阈值，
Figure 766004DEST_PATH_IMAGE008
为第一分割阈值，
Figure 735097DEST_PATH_IMAGE009
为第一分割阈值的分割效果评价指标。
优选的，得到所述表面灰度图像对应的焊点区域图像以及焊点区域图像上的各待分析像素点以及得到所述焊点区域图像对应的各初始焊点区域边缘轮廓以及各初始焊点区域边缘轮廓上的各初始边缘点的方法，包括：
将表面灰度图像上灰度值大于等于最优分割阈值的像素点记为待分析像素点；
根据各待分析像素点，得到所述表面灰度图像对应的焊点区域图像；所述焊点区域图像中仅含有待分析像素点；
利用canny算子对焊点区域图像进行边缘提取，得到焊点区域图像上的各边缘轮廓，记为各初始焊点区域边缘轮廓；将所述初始焊点区域边缘轮廓上的各待分析像素点记为初始边缘点。
优选的，得到所述焊点区域图像上的各聚类中心点的方法，包括：
对各初始焊点区域边缘轮廓进行霍夫圆检测，得到各初始焊点区域边缘轮廓对应的各霍夫圆；
对于任一初始焊点区域边缘轮廓对应的任一霍夫圆：
从该初始焊点区域边缘轮廓上的各初始边缘点中选取预设数量的初始边缘点，记为采样点；
过该初始焊点区域边缘线上的各采样点与该霍夫圆的圆心作一条直线，记为该霍夫圆对应的特征直线，所述该霍夫圆对应的特征直线的数量为该初始焊点区域边缘线上的采样点的数量；
所述各特征直线与该初始焊点区域边缘轮廓存在两个交点，分别记为各特征直线的第一交点和各特征直线的第二交点；
获取该霍夫圆对应的各特征直线的第一交点到该霍夫圆圆心的线段，并记为该霍夫圆对应的各特征直线的第一特征线段；获取该霍夫圆对应的各特征直线的第二交点到该霍夫圆圆心的线段，并记为该霍夫圆对应的各特征直线的第二特征线段；
统计得到该霍夫圆对应的各特征直线的第一特征线段上的待分析像素点数量、对应的各特征直线的第二特征线段上的待分析像素点数量、对应的各特征直线的第一特征线段上的各待分析像素点的灰度值以及对应的各特征直线的第二特征线段上的各待分析像素点的灰度值；
根据该霍夫圆对应的各特征直线的第一特征线段上的待分析像素点数量、对应的各特征直线的第二特征线段上的待分析像素点数量、对应的各特征直线的第一特征线段上的各待分析像素点的灰度值以及对应的各特征直线的第二特征线段上的各待分析像素点的灰度值，得到该霍夫圆的优选度；
将所述各初始焊点区域边缘轮廓对应的各霍夫圆的优选度中的最大优选度对应的霍夫圆记为各初始焊点区域边缘轮廓对应的目标霍夫圆；将目标霍夫圆的圆心记为聚类中心点。
优选的，根据如下公式计算该霍夫圆的优选度：
Figure 562238DEST_PATH_IMAGE010
Figure 300387DEST_PATH_IMAGE011
其中，
Figure 554782DEST_PATH_IMAGE012
为该霍夫圆的优选度，e为自然常数，C为该霍夫圆对应的特征直线的数量，
Figure 683275DEST_PATH_IMAGE013
为该霍夫圆对应的第c条特征直线的特征值，
Figure 438742DEST_PATH_IMAGE014
为该霍夫圆对应的第c条特征直线的第一特征线段上的待分析像素点数量，
Figure 172342DEST_PATH_IMAGE015
为该霍夫圆对应的第c条特征直线的第二特征线段上的待分析像素点数量，
Figure 722273DEST_PATH_IMAGE016
为该霍夫圆对应的第c条特征直线的第一特征线段上的第i个待分析像素点的灰度值，
Figure 541324DEST_PATH_IMAGE017
为该霍夫圆对应的第c条特征直线的第二特征线段上的第j个待分析像素点的灰度值。
优选的，得到所述各待分析目标像素点与所述各聚类中心点之间的修正隶属度的方法，包括：
根据焊点区域图像上的各待分析目标像素点与各聚类中心点之间的欧氏距离、各待分析目标像素点的灰度值以及各聚类中心点的灰度值，得到焊点区域图像上的各待分析目标像素点与各聚类中心点之间的初始隶属度；
对于任一聚类中心点和焊点区域图像上的任一待分析目标像素点：
将该聚类中心点与该待分析目标像素点进行连接，得到以该聚类中心点和该待分析目标像素点为端点的线段；
获取以该聚类中心点和该待分析目标像素点为端点的线段上初始隶属度大于预设隶属度阈值的待分析目标像素点，记为特征像素点；
根据各特征像素点与该聚类中心点之间的欧氏距离、各特征像素点与该聚类中心点之间的初始隶属度、该待分析目标像素点与该聚类中心点之间的欧氏距离以及该待分析目标像素点与该聚类中心点之间的初始隶属度，得到该待分析目标像素点与该聚类中心点之间的修正隶属度；
根据如下公式计算该待分析目标像素点与该聚类中心点之间的修正隶属度：
Figure 834902DEST_PATH_IMAGE018
其中，
Figure 219747DEST_PATH_IMAGE019
为焊点区域图像上的第s个待分析目标像素点与第v个聚类中心点之间的修正隶属度，
Figure 81524DEST_PATH_IMAGE020
为以该聚类中心点和该待分析目标像素点为端点的线段上的特征像素点数量，
Figure 246926DEST_PATH_IMAGE021
为焊点区域图像上的第s个待分析目标像素点与第v个聚类中心点之间的初始隶属度，
Figure 219561DEST_PATH_IMAGE022
为焊点区域图像上的第s个待分析目标像素点与第v个聚类中心点之间的欧氏距离，
Figure 786809DEST_PATH_IMAGE023
为以该聚类中心点和该待分析目标像素点为端点的线段上的第g个特征像素点与第v个聚类中心点之间的欧氏距离，
Figure 616224DEST_PATH_IMAGE024
为以该聚类中心点和该待分析目标像素点为端点的线段上的第g个特征像素点与第v个聚类中心点之间的初始隶属度。
优选的，对于任一聚类中心点，根据如下公式计算焊点区域图像上的各待分析目标像素点与该聚类中心点之间的初始隶属度：
Figure 404009DEST_PATH_IMAGE025
其中，
Figure 39389DEST_PATH_IMAGE021
为焊点区域图像上的第s个待分析目标像素点与第v个聚类中心点之间的初始隶属度，
Figure 602089DEST_PATH_IMAGE022
为焊点区域图像上的第s个待分析目标像素点与第v个聚类中心点之间的欧氏距离，
Figure 930302DEST_PATH_IMAGE026
为焊点区域图像上的第s个待分析目标像素点的灰度值，
Figure 680083DEST_PATH_IMAGE027
为第v个聚类中心点的灰度值，e为自然常数。
优选的，根据所述修正隶属度，得到各目标焊点区域；获得各目标焊点区域对应的目标边缘轮廓以及各目标边缘轮廓上的目标边缘点；根据所述目标边缘点，得到各目标焊点区域对应的异常像素点数量的方法，包括：
根据焊点区域图像上的各待分析目标像素点与各聚类中心点之间的修正隶属度和各聚类中心点进行聚类，得到各聚类中心点对应的聚类簇；将各聚类簇中的各待分析目标像素点进行连通域分析，得到各聚类簇对应的连通域，将各聚类簇对应的连通域记为目标焊点区域；
利用边缘检测算法获取各目标焊点区域的边缘轮廓，记为目标边缘轮廓；将各目标焊点区域的目标边缘轮廓上的边缘像素点记为目标边缘点；
在各目标焊点区域的目标边缘轮廓上选取目标数量的目标边缘点，记为目标采样点；
对于任一目标焊点区域的目标边缘轮廓上的各目标采样点：
获取该目标焊点区域的聚类中心点；将各目标采样点与该目标焊点区域的聚类中心点进行连接，得到以各目标采样点和该目标焊点区域的聚类中心点为端点的各目标线段；
统计各目标线段上的各待分析目标像素点，记为目标像素点；
获得各目标像素点与该目标焊点区域的聚类中心点之间的灰度差值的绝对值，记为各目标像素点对应的第一特征差异值；获得各目标像素点与该目标焊点区域的聚类中心点之间的欧氏距离，记为各目标像素点对应的第二特征差异值；
对于任一目标像素点：将该目标像素点对应的第一特征差异值与该目标像素点对应的第二特征差异值的比值，记为该目标像素点的特征指标；
利用离群点算法和各目标像素点的特征指标，得到各目标像素点中的离群像素点数量，将各目标像素点中的离群像素点数量记为该目标焊点区域内的异常像素点数量。
优选的，得到待检测集成电路板的质量指标的方法，包括：
根据各目标焊点区域的近圆率以及各目标焊点区域内的异常像素点数量，得到各目标焊点区域的质量指标；
对于任一目标焊点区域，根据如下公式计算该目标焊点区域的质量指标：
Figure 384734DEST_PATH_IMAGE028
其中，
Figure 801940DEST_PATH_IMAGE029
为该目标焊点区域的质量指标，
Figure 301055DEST_PATH_IMAGE030
为该目标焊点区域内的异常像素点数量，
Figure 600449DEST_PATH_IMAGE031
为目标焊点区域的近圆率，
Figure 780895DEST_PATH_IMAGE032
为该目标焊点区域内的目标焊点区域像素点数量；
将各目标焊点区域的质量指标的均值作为集成电路板的质量指标。
有益效果：本发明首先获取待检测集成电路板的表面灰度图像；利用最优分割阈值对表面灰度图像进行分割，得到表面灰度图像对应的焊点区域图像以及焊点区域图像上的各待分析像素点，本发明利用最优分割阈值能够较准确的将表面灰度图像上的背景区域和焊点区域分割开。紧接着获得焊点区域图像对应的各初始焊点区域边缘轮廓以及各初始焊点区域边缘轮廓上的各初始边缘点，基于各初始边缘点，得到焊点区域图像上的各聚类中心点，并获取焊点区域图像上的各待分析目标像素点，然后基于各待分析目标像素点和各聚类中心点，得到各待分析目标像素点与各聚类中心点之间的修正隶属度，又基于修正隶属度，得到各目标焊点区域；本发明利用各聚类中心点能够可靠的得到各待分析目标像素点与各聚类中心点之间的修正隶属度，然后基于修正隶属度，能够较准确的得到焊点区域图像上的各目标焊点区域，进而为后续进行质量检测提供了可靠的支撑。最后根据各目标焊点区域对应的异常像素点数量以及各目标焊点区域对应的近圆率，来确定集成电路板的质量。因此本发明提供的集成电路板质量检测方法，能够克服由于集成电路板上一些焊点距离较近、焊点区域和背景区域之间灰度相差不大以及焊点区域和背景区域的对比度动态范围较小等因素而导致的分割不准确以及检测精度较低的问题。
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为本发明基于计算机视觉的集成电路板质量检测方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，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，基于本发明实施例，本领域普通技术人员所获得的所有其它实施例，都属于本发明实施例保护的范围。
除非另有定义，本文所使用的所有的技术和科学技术术语与属于本发明的技术人员通常理解的含义相同。
本实施例提供了基于计算机视觉的集成电路板质量检测系统，包括处理器和存储器，所述处理器执行所述存储器存储的计算机程序以实现基于计算机视觉的集成电路板质量检测方法。如图1所示，该基于计算机视觉的集成电路板质量检测方法，包括以下步骤：
步骤S001，获取待检测集成电路板的表面灰度图像。
由于焊点的质量状况直接影响着集成电路板的质量，因此本实施例主要是对集成电路板上焊点区域的质量进行分析评估；由于集成电路板上一些焊点距离较近、焊接板的材质、焊点区域和背景区域之间灰度相差不大以及焊点区域和背景区域的对比度动态范围较小等因素，会导致传统的阈值分割算法对集成电路板上的背景区域和焊点区域进行分割时存在分割不准确或者分割不可靠的问题，本实施例首先获取最优分割阈值，利用最优分割阈值来获取焊点区域图像，然后对获取的焊点区域图像进行分析来获取确定焊点区域图像上的各焊点区域，紧接着对获取的各焊点区域进行质量分析；本实施例提供的基于计算机视觉的集成电路板质量检测方法能够克服由于集成电路板上一些焊点距离较近、焊点区域和背景区域之间灰度相差不大以及焊点区域和背景区域的对比度动态范围较小等因素而导致的分割不准确以及检测精度较低的问题。
本实施例首先将待检测集成电路板平放在检测平台上，将工业相机放置在待检测集成电路板的上方，并在工业相机周围布置光源，然后利用工业相机采集待检测集成电路板的RGB表面图像，并对RGB表面图像进行加权灰度化处理，得到待检测集成电路板的表面灰度图像。
步骤S002，获得最优分割阈值；根据所述最优分割阈值，得到所述表面灰度图像对应的焊点区域图像以及焊点区域图像上的各待分析像素点；利用边缘检测算子对所述焊点区域图像进行边缘提取，得到所述焊点区域图像对应的各初始焊点区域边缘轮廓以及各初始焊点区域边缘轮廓上的各初始边缘点。
本实施例上述步骤S002得到了待检测集成电路板的表面灰度图像，紧接着为了更加准确的将表面灰度图像上的背景区域与焊点区域分割开，需要获取最优分割阈值，即利用最优分割阈值对表面灰度图像进行分割，得到焊点区域图像，然后对焊点区域图像进行分析，得到焊点区域图像对应的各初始焊点区域边缘轮廓以及各初始焊点区域边缘轮廓上的各初始边缘点；具体过程为：
（a）获得最优分割阈值的具体过程为：
首先获取第一分割阈值，所述第一分割阈值可以通过专业人员进行设置，但是要求第一分割阈值的值较大，本实施例将第一分割阈值设置为200；由于集成电路板上的背景区域相对于焊点区域较暗，因此将待检测集成电路板的表面灰度图像上灰度值大于等于第一分割阈值的像素点记为第一焊点区域像素点，将表面灰度图像上灰度值小于第一分割阈值的像素点记为第一背景区域像素点，将表面灰度图像上的各第一焊点区域像素点记为第一焊点区域像素点类别中的各第一焊点区域像素点，将表面灰度图像上的各第一背景区域像素点记为第一背景区域像素点类别中的各第一背景区域像素点；然后统计第一焊点区域像素点类别中各灰度值出现的概率和第一背景区域像素点类别中各灰度值出现的概率，根据第一焊点区域像素点类别中各灰度值出现的概率以及第一背景区域像素点类别中各灰度值出现的概率，计算得到第一焊点区域像素点类别对应的熵值以及第一背景区域像素点类别对应的熵值；所述根据各灰度值出现的概率计算熵值的过程为公知技术，因此不再详细描述。
由于通常情况下，焊点区域的灰度值比较混乱，因此焊点区域的熵值较大，而背景区域的灰度值比较统一，因此背景区域的熵值较小；因此上述过程得到的第一焊点区域像素点类别对应的熵值以及第一背景区域像素点类别对应的熵值可以反映利用第一分割阈值对表面灰度图像进行分割的效果；因此本实施例根据第一焊点区域像素点类别对应的熵值以及第一背景区域像素点类别对应的熵值，计算得到第一分割阈值的分割效果评价指标；根据如下公式计算第一分割阈值的分割效果评价指标：
Figure 114924DEST_PATH_IMAGE033
其中，
Figure 660306DEST_PATH_IMAGE002
为第一分割阈值的分割效果评价指标，
Figure 774892DEST_PATH_IMAGE003
为第一焊点区域像素点类别对应的熵值，
Figure 431133DEST_PATH_IMAGE034
为第一背景区域像素点类别对应的熵值；
Figure 681986DEST_PATH_IMAGE002
越大，表明利用第一分割阈值能较准确的将表面灰度图像上的背景区域和焊点区域分割开；
Figure 398269DEST_PATH_IMAGE035
越大，表明
Figure 672255DEST_PATH_IMAGE002
越大。
紧接着判断第一分割阈值的分割效果评价指标是否小于预设评价阈值，若是，则判定第一分割阈值对表面灰度图像上的背景区域和焊点区域进行分割的效果不好，并根据第一分割阈值的分割效果评价指标和第一分割阈值，得到第二分割阈值，获得第二分割阈值的分割效果评价指标，判断第二分割阈值的分割效果评价指标是否小于预设评价阈值，若是，则判定第二分割阈值对表面灰度图像上的背景区域和焊点区域进行分割的效果不好，则根据第二分割阈值的分割效果评价指标和第二分割阈值，得到第三分割阈值；以此类推，直至首次出现分割阈值的分割效果评价指标大于等于预设评价阈值时停止判断，并将对应分割阈值记为最优分割阈值；并且本实施例为了防止一直循环下去，设置循环次数上限，即设置最大循环次数为20，当循环达到20次时还未出现分割阈值的分割效果评价指标大于预设评价阈值时，则停止循环，并将循环过程中最大分割效果评价指标对应的分割阈值记为最优分割阈值；作为其它的实施方式，也可以根据需求的不同设置不同的最大循环次数，例如可以设置最大循环次数为30。
本实施例将预设评价阈值设置为0.8；作为其它的实施方式，也可以根据实际情况的不同为预设评价阈值设置其它的值。
由于焊点区域的灰度值较混乱，背景区域灰度值较统一，而本实施例设置的第一分割阈值又较大，若判定第一分割阈值对第一分割阈值对表面灰度图像上的背景区域和焊点区域的分割效果不好，则表明利用第一阈值分割的背景区域中存在焊点区域的像素点，应该降低第一分割阈值；因此本实施例根据如下公式计算第二分割阈值：
Figure 256820DEST_PATH_IMAGE036
其中，
Figure 503125DEST_PATH_IMAGE007
为第二分割阈值，
Figure 514943DEST_PATH_IMAGE008
为第一分割阈值，本实施例
Figure 213909DEST_PATH_IMAGE037
，
Figure 602165DEST_PATH_IMAGE002
为第一分割阈值的分割效果评价指标；
Figure 437397DEST_PATH_IMAGE002
越大，表明第一分割阈值比较接近最优分割阈值，则对第一分割阈值调整的越少。
本实施例中获得第二分割阈值的分割效果评价指标的过程为：将待检测集成电路板的表面灰度图像上像素值大于等于第二分割阈值的像素点记为第二焊点区域像素点，将表面灰度图像上像素值小于第二分割阈值的像素点记为第二背景区域像素点，将表面灰度图像上的各第二焊点区域像素点记为第二焊点区域像素点类别中的各第二焊点区域像素点，将表面灰度图像上的各第二背景区域像素点记为第二背景区域像素点类别中的各第二背景区域像素点；然后计算得到第二焊点区域像素点类别对应的熵值以及第二背景区域像素点类别对应的熵值；根据第二焊点区域像素点类别对应的熵值以及第二背景区域像素点类别对应的熵值，计算得到第二分割阈值的分割效果评价指标。本实施例中获得第二分割阈值的分割效果评价指标的方法与上述获得第一分割阈值的分割效果评价指标的方法相同，因此不再对获得第二分割阈值的分割效果评价指标的详细过程进行描述；并且获得第三分割阈值的方法与获得第二分割阈值的方法也相同，因此不再对详细过程进行描述。
（b）得到各初始焊点区域边缘轮廓以及各初始焊点区域边缘轮廓上的各初始边缘像素点的具体过程为：
紧接着本实施例将表面灰度图像上灰度值小于最优分割阈值的像素点记为目标背景区域像素点，将表面灰度图像上灰度值大于等于最优分割阈值的像素点记为待分析像素点；根据各待分析像素点得所述表面灰度图像对应的焊点区域图像；所述焊点区域图像中仅含有待分析像素点；然后利用canny算子对焊点区域图像进行边缘提取，得到焊点区域图像上的各边缘轮廓，记为各初始焊点区域边缘轮廓；并将所述边缘轮廓上的各待分析像素点记为初始边缘点，并获取各初始焊点区域边缘轮廓内的各待分析像素点以及各初始焊点区域边缘轮廓对应的区域范围。
步骤S003，根据所述各初始焊点区域边缘轮廓上的各初始边缘点，得到所述焊点区域图像上的各聚类中心点。
本实施例步骤S002得到了各初始焊点区域边缘轮廓，由于集成电路板上存在距离比较近的焊点，因此上述得到的各初始焊点区域边缘轮廓的精度可能较低；后续过程主要是对各初始焊点区域边缘轮廓进行分析，来获取更加准确的焊点区域；具体过程为：
首先对各初始焊点区域边缘轮廓进行霍夫圆检测，得到各初始焊点区域边缘轮廓对应的各霍夫圆。
对于任一初始焊点区域边缘轮廓对应的任一霍夫圆：
从该初始焊点区域边缘轮廓上的各初始边缘点中选取预设数量的初始边缘点，记为采样点，该初始焊点区域边缘轮廓上的相邻采样点之间的初始边缘点的数量相等；所述预设数量需要根据实际情况进行设置。
过该初始焊点区域边缘线上的各采样点与该霍夫圆的圆心作一条直线，记为该霍夫圆对应的特征直线，且该霍夫圆对应的特征直线的数量为该初始焊点区域边缘线上的采样点的数量；各特征直线与该初始焊点区域边缘轮廓存在两个交点，分别记为各特征直线的第一交点和各特征直线的第二交点；然后获取该霍夫圆对应的各特征直线的第一交点到该霍夫圆圆心的线段，并记为该霍夫圆对应的各特征直线的第一特征线段；获取该霍夫圆对应的各特征直线的第二交点到该霍夫圆圆心的线段，并记为该霍夫圆对应的各特征直线的第二特征线段；紧接着统计得到该霍夫圆对应的各特征直线的第一特征线段上的待分析像素点数量、该霍夫圆对应的各特征直线的第二特征线段上的待分析像素点像素点数量、该霍夫圆对应的各特征直线的第一特征线段上的各待分析像素点像素点的灰度值以及该霍夫圆对应的各特征直线的第二特征线段上的各待分析像素点的灰度值。
通常情况下，标准焊点为圆形或者近似于圆形，标准焊点区域内的灰度值从中心点往边缘逐渐递减，并且与标准焊点区域内中心点距离相同的像素点的灰度值相近，标准焊点区域内中心点到对应边缘轮廓上的距离相等；本实施例主要依据标准焊点区域内的灰度值从中心点往边缘逐渐递减以及与标准焊点区域内中心点距离相同的像素点的灰度值相近这两个特征来确定焊点区域图像上的各聚类中心点，所述聚类中心点是接近真实焊点区域中心点的点，那么后续如果依据各聚类中心点进行聚类能够比较准确的来获取焊点区域；虽然当前并不能确定各初始焊点区域边缘轮廓对应的范围区域内是否存在异常区域，但是通常情况下在焊点区域内的异常区域只是占有较少区域，而且后续进行分析时是利用采样的方式进行分析的，因此各初始焊点区域边缘轮廓对应的区域范围是否存在异常区域不会对后续确定聚类中心点产生较大影响；因此本实施例根据该霍夫圆对应的各特征直线的第一特征线段上的待分析像素点数量、对应的各特征直线的第二特征线段上的待分析像素点数量、对应的各特征直线的第一特征线段上的各待分析像素点的灰度值以及对应的各特征直线的第二特征线段上的各待分析像素点的灰度值，得到该初始焊点区域边缘轮廓对应的该霍夫圆的优选度；且该霍夫圆的优选度越大，表明该霍夫圆圆心与真实焊点区域圆心的距离越近，则后续依据该霍夫圆的圆心能较准确的确定焊点区域；根据如下公式计算该霍夫圆的优选度：
Figure 620117DEST_PATH_IMAGE038
Figure 868696DEST_PATH_IMAGE039
其中，
Figure 404850DEST_PATH_IMAGE012
为该初始焊点区域边缘轮廓对应的该霍夫圆的优选度，e为自然常数，C为该霍夫圆对应的特征直线的数量，
Figure 484802DEST_PATH_IMAGE013
为该霍夫圆对应的第c条特征直线的特征值，
Figure 776106DEST_PATH_IMAGE014
为该霍夫圆对应的第c条特征直线的第一特征线段上的待分析像素点数量，
Figure 443804DEST_PATH_IMAGE015
为该霍夫圆对应的第c条特征直线的第二特征线段上的待分析像素点数量，
Figure 642704DEST_PATH_IMAGE016
为该霍夫圆对应的第c条特征直线的第一特征线段上的第i个待分析像素点的灰度值，
Figure 718108DEST_PATH_IMAGE017
为该霍夫圆对应的第c条特征直线的第二特征线段上的第j个待分析像素点的灰度值；
Figure 508209DEST_PATH_IMAGE012
越大，表明该霍夫圆的圆心距离真实焊点区域的圆心越近，后续依据该霍夫圆的圆心进行聚类的效果越好；
Figure 403484DEST_PATH_IMAGE013
越大，表明
Figure 937234DEST_PATH_IMAGE012
越大；
Figure 867144DEST_PATH_IMAGE040
与
Figure 562567DEST_PATH_IMAGE041
之间的差异越小，表明
Figure 210717DEST_PATH_IMAGE013
的值越大。
因此通过上述过程得到了各初始焊点区域边缘轮廓对应的各霍夫圆的优选度，将各初始焊点区域边缘轮廓对应的各霍夫圆的优选度中的最大优选度对应的霍夫圆记为各初始焊点区域边缘轮廓对应的目标霍夫圆；将目标霍夫圆的圆心记为聚类中心点。
步骤S004，获取焊点区域图像上除各聚类中心点之外的各待分析像素点，记为待分析目标像素点；根据各待分析目标像素点和所述焊点区域图像上的各聚类中心点，得到所述各待分析目标像素点与所述各聚类中心点之间的修正隶属度。
本实施例步骤S002和S003得到了焊点区域图像上的各待分析像素点以及各聚类中心点，由于正常焊点区域内靠近焊点区域中心点的像素点灰度值与焊点区域中心点的灰度值接近，因此待分析像素点与各聚类中心点之间的欧氏距离以及待分析像素点与各聚类中心点之间的灰度值差异能反映待分析像素点与各聚类中心点之间的初始隶属度；因此本实施例获取焊点区域图像上除各聚类中心点之外的各待分析像素点，记为待分析目标像素点；根据焊点区域图像上的各待分析目标像素点与各聚类中心点之间的欧氏距离、各待分析目标像素点的灰度值以及各聚类中心点的灰度值，得到焊点区域图像上的各待分析目标像素点与各聚类中心点之间的初始隶属度；所述初始隶属度用于后续的聚类；对于任一聚类中心点，根据如下公式计算焊点区域图像上的各待分析目标像素点与该聚类中心点之间的初始隶属度：
Figure 282578DEST_PATH_IMAGE042
其中，
Figure 863733DEST_PATH_IMAGE021
为焊点区域图像上的第s个待分析目标像素点与第v个聚类中心点之间的初始隶属度，
Figure 605424DEST_PATH_IMAGE022
为焊点区域图像上的第s个待分析目标像素点与第v个聚类中心点之间的欧氏距离，
Figure 599924DEST_PATH_IMAGE026
为焊点区域图像上的第s个待分析目标像素点的灰度值，
Figure 350843DEST_PATH_IMAGE027
为第v个聚类中心点的灰度值；
Figure 379979DEST_PATH_IMAGE021
越大，表明焊点区域图像上的第s个待分析目标像素点越可能属于第v个聚类中心点对应的聚类类别；
Figure 89309DEST_PATH_IMAGE022
越小，
Figure 712051DEST_PATH_IMAGE043
越小，表明
Figure 860136DEST_PATH_IMAGE021
越大。
因此通过上述过程计算得到了焊点区域图像上的各待分析目标像素点与各聚类中心点之间的初始隶属度；由于当焊点区域存在缺陷时，会使得上述计算的初始隶属度存在误差，进而会导致后续聚类的结果不准确，因此本实施例需要对上述得到的初始隶属度进行修正，具体过程为：
对于任一聚类中心点和焊点区域图像上的任一待分析目标像素点：
将该聚类中心点与该待分析目标像素点进行连接，得到以该聚类中心点和该焊点区域像素点为端点的线段；获取以该聚类中心点和该待分析目标像素点为端点的线段上初始隶属度大于预设隶属度阈值的目标焊点区域像素点，记为特征像素点；所述预设隶属度阈值需要根据实际情况设置；根据各特征像素点与该聚类中心点之间的欧氏距离、各特征像素点与该聚类中心点之间的初始隶属度、该待分析目标像素点与该聚类中心点之间的欧氏距离以及该待分析目标像素点与该聚类中心点之间的初始隶属度，得到该待分析目标像素点与该聚类中心点之间的修正隶属度；根据如下公式计算该待分析目标像素点与该聚类中心点之间的修正隶属度：
Figure 619144DEST_PATH_IMAGE018
其中，
Figure 827272DEST_PATH_IMAGE019
为焊点区域图像上的第s个待分析目标像素点与第v个聚类中心点之间的修正隶属度，
Figure 671731DEST_PATH_IMAGE020
为以该聚类中心点和该待分析目标像素点为端点的线段上的特征像素点数量，
Figure 561189DEST_PATH_IMAGE021
为焊点区域图像上的第s个待分析目标像素点与第v个聚类中心点之间的初始隶属度，
Figure 299338DEST_PATH_IMAGE022
为焊点区域图像上的第s个待分析目标像素点与第v个聚类中心点之间的欧氏距离，
Figure 819312DEST_PATH_IMAGE023
为以该聚类中心点和该待分析目标像素点为端点的线段上的第g个特征像素点与第v个聚类中心点之间的欧氏距离，
Figure 10122DEST_PATH_IMAGE024
为以该聚类中心点和该待分析目标像素点为端点的线段上的第g个特征像素点与第v个聚类中心点之间的初始隶属度；
Figure 640955DEST_PATH_IMAGE019
越大，表明焊点区域图像上的第s个待分析目标像素点越可能属于第v个聚类中心点对应的聚类类别；
Figure 499190DEST_PATH_IMAGE022
越小，
Figure 190065DEST_PATH_IMAGE044
越大，表明
Figure 868171DEST_PATH_IMAGE019
越大。
因此本实施例通过上述过程可以得到焊点区域图像上的各目标焊点区域像素点与各聚类中心点之间的修正隶属度。
步骤S005，根据所述修正隶属度，得到各目标焊点区域；获得各目标焊点区域对应的目标边缘轮廓以及各目标边缘轮廓上的目标边缘点；根据所述目标边缘点，得到各目标焊点区域对应的异常像素点数量；根据各目标焊点区域的周长和面积，得到各目标焊点区域对应的近圆率。
紧接着本实施例根据焊点区域图像上的各待分析目标像素点与各聚类中心点之间的修正隶属度和各聚类中心点进行聚类，得到各聚类中心点对应的聚类簇；将各聚类簇中的各待分析目标像素点进行连通域分析，得到各聚类簇对应的连通域，将各聚类簇对应的连通域记为目标焊点区域。
然后利用边缘检测算法获取各目标焊点区域的边缘轮廓，记为目标边缘轮廓，将各目标焊点区域的目标边缘轮廓上的边缘像素点记为目标边缘点；在各目标焊点区域的目标边缘轮廓上选取目标数量的目标边缘点，记为目标采样点，且各目标焊点区域的目标边缘轮廓上的相邻目标采样点之间的目标边缘点的数量相等；所述目标数量需要根据实际情况进行设置。
对于任一目标焊点区域的目标边缘轮廓上的各目标采样点：获取该目标焊点区域的聚类中心点；将各目标采样点与该目标焊点区域的聚类中心点进行连接，得到以各目标采样点和该目标焊点区域的聚类中心点为端点的各目标线段；统计各目标线段上的各目标焊点区域像素点，记为目标像素点；获得各目标像素点与该目标焊点区域的聚类中心点之间的灰度差值的绝对值，记为各目标像素点对应的第一特征差异值；获得各目标像素点与该目标焊点区域的聚类中心点之间的欧氏距离，记为各目标像素点对应的第二特征差异值；由于标准焊点区域内会呈现焊点区域中心点的灰度值向着该焊点区域的边轮廓逐渐递减的现象，因此各目标像素点对应的第一特征差异值以及各目标像素点对应的第二特征差异值能反映该目标焊点区域内的异常程度；因此对于任一目标像素点：将该目标像素点对应的第一特征差异值与该目标像素点对应的第二特征差异值的比值，记为该目标像素点的特征指标，记为该目标像素点的特征指标；然后基于各目标像素点的特征指标，得到各目标像素点中的离群像素点数量，将各目标像素点中的离群像素点数量记为该目标焊点区域内的异常像素点数量；所述基于各目标像素点的特征指标得到各目标像素点中的离群像素点的方法是利用离群点算法检测得到的，本实施例设置使用的离群点算法为LOF算法，且利用LOF算法和各目标像素点的特征指标得到离群像素点为公知技术，因此不再详细描述。
按照上述步骤得到了各目标焊点区域内的异常像素点数量，各目标焊点区域内的异常像素点数量越多，表明各目标焊点区域的质量越不好；然后获取各目标焊点区域的面积以及各目标焊点区域的周长，将各目标焊点区域的面积乘上4π比上对应目标焊点区域的周长的平方记为各目标焊点区域的近圆率；所述近圆率的计算过程为公知技术。
步骤S006，根据所述异常像素点数量和近圆率，得到待检测集成电路板的质量指标。
由于标准焊点区域为圆形或者近似于圆形，因此当近圆率越大，表明各目标焊点区域的质量越好；因此本实施例根据各目标焊点区域的近圆率以及各目标焊点区域内的异常像素点数量，得到各目标焊点区域的质量指标；对于任一目标焊点区域，根据如下公式计算该目标焊点区域的质量指标：
Figure DEST_PATH_IMAGE045
其中，
Figure 523535DEST_PATH_IMAGE029
为该目标焊点区域的质量指标，
Figure 970697DEST_PATH_IMAGE046
为该目标焊点区域内的异常像素点数量，
Figure 832474DEST_PATH_IMAGE031
为目标焊点区域的近圆率，
Figure 263455DEST_PATH_IMAGE032
为该目标焊点区域内的目标焊点区域像素点数量；
Figure 236090DEST_PATH_IMAGE029
越大，表明该目标焊点的质量越好；
Figure 803338DEST_PATH_IMAGE030
越小，
Figure 836016DEST_PATH_IMAGE031
越大，表明
Figure 488714DEST_PATH_IMAGE029
越大。
因此通过上述过程可以得到各目标焊点区域的质量指标，将各目标焊点区域的质量指标的均值作为集成电路板的质量指标；当集成电路板的质量指标小于预设质量阈值时，表明该集成电路板不能投入使用；所述预设质量阈值需要根据实际情况设置。
本实施例首先获取待检测集成电路板的表面灰度图像；利用最优分割阈值对表面灰度图像进行分割，得到表面灰度图像对应的焊点区域图像以及焊点区域图像上的各待分析像素点，本实施例利用最优分割阈值能够较准确的将表面灰度图像上的背景区域和焊点区域分割开。紧接着获得焊点区域图像对应的各初始焊点区域边缘轮廓以及各初始焊点区域边缘轮廓上的各初始边缘点，基于各初始边缘点，得到焊点区域图像上的各聚类中心点，并获取焊点区域图像上的各待分析目标像素点，然后基于各待分析目标像素点和各聚类中心点，得到各待分析目标像素点与各聚类中心点之间的修正隶属度，又基于修正隶属度，得到各目标焊点区域；本实施例利用各聚类中心点能够可靠的得到各待分析目标像素点与各聚类中心点之间的修正隶属度，然后基于修正隶属度，能够较准确的得到焊点区域图像上的各目标焊点区域，进而为后续进行质量检测提供了可靠的支撑。最后根据各目标焊点区域对应的异常像素点数量以及各目标焊点区域对应的近圆率，来确定集成电路板的质量。因此本实施例提供的集成电路板质量检测方法，能够克服由于集成电路板上一些焊点距离较近、焊点区域和背景区域之间灰度相差不大以及焊点区域和背景区域的对比度动态范围较小等因素而导致的分割不准确以及检测精度较低的问题。
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 (5)

1.一种基于计算机视觉的集成电路板质量检测系统，包括处理器和存储器，其特征在于，所述处理器执行所述存储器存储的计算机程序以实现如下步骤：
获取待检测集成电路板的表面灰度图像；
获得最优分割阈值；根据所述最优分割阈值，得到所述表面灰度图像对应的焊点区域图像以及焊点区域图像上的各待分析像素点；利用边缘检测算子对所述焊点区域图像进行边缘提取，得到所述焊点区域图像对应的各初始焊点区域边缘轮廓以及各初始焊点区域边缘轮廓上的各初始边缘点；
根据所述各初始焊点区域边缘轮廓上的各初始边缘点，得到所述焊点区域图像上的各聚类中心点；
获取焊点区域图像上除各聚类中心点之外的各待分析像素点，记为待分析目标像素点；根据各待分析目标像素点和所述焊点区域图像上的各聚类中心点，得到所述各待分析目标像素点与所述各聚类中心点之间的修正隶属度；
根据所述修正隶属度，得到各目标焊点区域；获得各目标焊点区域对应的目标边缘轮廓以及各目标边缘轮廓上的目标边缘点；根据所述目标边缘点，得到各目标焊点区域对应的异常像素点数量；根据各目标焊点区域的周长和面积，得到各目标焊点区域对应的近圆率；
根据所述异常像素点数量和近圆率，得到待检测集成电路板的质量指标；
所述得到所述各待分析目标像素点与所述各聚类中心点之间的修正隶属度的方法，包括：
根据焊点区域图像上的各待分析目标像素点与各聚类中心点之间的欧氏距离、各待分析目标像素点的灰度值以及各聚类中心点的灰度值，得到焊点区域图像上的各待分析目标像素点与各聚类中心点之间的初始隶属度；
对于任一聚类中心点和焊点区域图像上的任一待分析目标像素点：
将该聚类中心点与该待分析目标像素点进行连接，得到以该聚类中心点和该待分析目标像素点为端点的线段；
获取以该聚类中心点和该待分析目标像素点为端点的线段上初始隶属度大于预设隶属度阈值的待分析目标像素点，记为特征像素点；
根据各特征像素点与该聚类中心点之间的欧氏距离、各特征像素点与该聚类中心点之间的初始隶属度、该待分析目标像素点与该聚类中心点之间的欧氏距离以及该待分析目标像素点与该聚类中心点之间的初始隶属度，得到该待分析目标像素点与该聚类中心点之间的修正隶属度；
根据如下公式计算该待分析目标像素点与该聚类中心点之间的修正隶属度：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为焊点区域图像上的第s个待分析目标像素点与第v个聚类中心点之间的修正隶属度，
Figure DEST_PATH_IMAGE006
为以该聚类中心点和该待分析目标像素点为端点的线段上的特征像素点数量，
Figure DEST_PATH_IMAGE008
为焊点区域图像上的第s个待分析目标像素点与第v个聚类中心点之间的初始隶属度，
Figure DEST_PATH_IMAGE010
为焊点区域图像上的第s个待分析目标像素点与第v个聚类中心点之间的欧氏距离，
Figure DEST_PATH_IMAGE012
为以该聚类中心点和该待分析目标像素点为端点的线段上的第g个特征像素点与第v个聚类中心点之间的欧氏距离，
Figure DEST_PATH_IMAGE014
为以该聚类中心点和该待分析目标像素点为端点的线段上的第g个特征像素点与第v个聚类中心点之间的初始隶属度；
所述得到待检测集成电路板的质量指标的方法，包括：
根据各目标焊点区域的近圆率以及各目标焊点区域内的异常像素点数量，得到各目标焊点区域的质量指标；
对于任一目标焊点区域，根据如下公式计算该目标焊点区域的质量指标：
Figure DEST_PATH_IMAGE016
其中，
Figure DEST_PATH_IMAGE018
为该目标焊点区域的质量指标，
Figure DEST_PATH_IMAGE020
为该目标焊点区域内的异常像素点数量，
Figure DEST_PATH_IMAGE022
为目标焊点区域的近圆率，
Figure DEST_PATH_IMAGE024
为该目标焊点区域内的目标焊点区域像素点数量；
将各目标焊点区域的质量指标的均值作为集成电路板的质量指标；
所述得到所述表面灰度图像对应的焊点区域图像以及焊点区域图像上的各待分析像素点以及得到所述焊点区域图像对应的各初始焊点区域边缘轮廓以及各初始焊点区域边缘轮廓上的各初始边缘点的方法，包括：
将表面灰度图像上灰度值大于等于最优分割阈值的像素点记为待分析像素点；
根据各待分析像素点，得到所述表面灰度图像对应的焊点区域图像；所述焊点区域图像中仅含有待分析像素点；
利用canny算子对焊点区域图像进行边缘提取，得到焊点区域图像上的各边缘轮廓，记为各初始焊点区域边缘轮廓；将所述初始焊点区域边缘轮廓上的各待分析像素点记为初始边缘点；
对于任一聚类中心点，根据如下公式计算焊点区域图像上的各待分析目标像素点与该聚类中心点之间的初始隶属度：
Figure DEST_PATH_IMAGE026
其中，
Figure 717480DEST_PATH_IMAGE008
为焊点区域图像上的第s个待分析目标像素点与第v个聚类中心点之间的初始隶属度，
Figure 211784DEST_PATH_IMAGE010
为焊点区域图像上的第s个待分析目标像素点与第v个聚类中心点之间的欧氏距离，
Figure DEST_PATH_IMAGE028
为焊点区域图像上的第s个待分析目标像素点的灰度值，
Figure DEST_PATH_IMAGE030
为第v个聚类中心点的灰度值，e为自然常数。
2.如权利要求1所述的基于计算机视觉的集成电路板质量检测系统，其特征在于，所述获得最优分割阈值的方法，包括：
获取第一分割阈值以及第一分割阈值的分割效果评价指标；
判断第一分割阈值的分割效果评价指标是否小于预设评价阈值，若是，则判定第一分割阈值对表面灰度图像进行分割的效果不好，并根据第一分割阈值的分割效果评价指标和第一分割阈值，得到第二分割阈值，获得第二分割阈值的分割效果评价指标，判断第二分割阈值的分割效果评价指标是否小于预设评价阈值，若是，则判定第二分割阈值对表面灰度图像进行分割的效果不好，则根据第二分割阈值的分割效果评价指标和第二分割阈值，得到第三分割阈值；以此类推，直至首次出现分割阈值的分割效果评价指标大于等于预设评价阈值时停止判断，并将对应分割阈值记为最优分割阈值。
3.如权利要求2所述的基于计算机视觉的集成电路板质量检测系统，其特征在于，所述获取第一分割阈值的分割效果评价指标的方法，包括：
将所述表面灰度图像上灰度值大于等于第一分割阈值的像素点记为第一焊点区域像素点，将所述表面灰度图像上灰度值小于第一分割阈值的像素点记为第一背景区域像素点，将所述表面灰度图像上的各第一焊点区域像素点记为第一焊点区域像素点类别中的各第一焊点区域像素点，将所述表面灰度图像上的各第一背景区域像素点记为第一背景区域像素点类别中的各第一背景区域像素点；
计算得到第一焊点区域像素点类别对应的熵值以及第一背景区域像素点类别对应的熵值；
根据第一焊点区域像素点类别对应的熵值以及第一背景区域像素点类别对应的熵值，得到第一分割阈值的分割效果评价指标；
根据如下公式计算第一分割阈值的分割效果评价指标：
Figure DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE034
为第一分割阈值的分割效果评价指标，
Figure DEST_PATH_IMAGE036
为第一焊点区域像素点类别对应的熵值，
Figure DEST_PATH_IMAGE038
为第一背景区域像素点类别对应的熵值，e为自然常数；
根据如下公式计算第二分割阈值：
Figure DEST_PATH_IMAGE040
其中，
Figure DEST_PATH_IMAGE042
为第二分割阈值，
Figure DEST_PATH_IMAGE044
为第一分割阈值，
Figure DEST_PATH_IMAGE046
为第一分割阈值的分割效果评价指标。
4.如权利要求1所述的基于计算机视觉的集成电路板质量检测系统，其特征在于，所述得到所述焊点区域图像上的各聚类中心点的方法，包括：
对各初始焊点区域边缘轮廓进行霍夫圆检测，得到各初始焊点区域边缘轮廓对应的各霍夫圆；
对于任一初始焊点区域边缘轮廓对应的任一霍夫圆：
从该初始焊点区域边缘轮廓上的各初始边缘点中选取预设数量的初始边缘点，记为采样点；
过该初始焊点区域边缘线上的各采样点与该霍夫圆的圆心作一条直线，记为该霍夫圆对应的特征直线，所述该霍夫圆对应的特征直线的数量为该初始焊点区域边缘线上的采样点的数量；
所述各特征直线与该初始焊点区域边缘轮廓存在两个交点，分别记为各特征直线的第一交点和各特征直线的第二交点；
获取该霍夫圆对应的各特征直线的第一交点到该霍夫圆圆心的线段，并记为该霍夫圆对应的各特征直线的第一特征线段；获取该霍夫圆对应的各特征直线的第二交点到该霍夫圆圆心的线段，并记为该霍夫圆对应的各特征直线的第二特征线段；
统计得到该霍夫圆对应的各特征直线的第一特征线段上的待分析像素点数量、对应的各特征直线的第二特征线段上的待分析像素点数量、对应的各特征直线的第一特征线段上的各待分析像素点的灰度值以及对应的各特征直线的第二特征线段上的各待分析像素点的灰度值；
根据该霍夫圆对应的各特征直线的第一特征线段上的待分析像素点数量、对应的各特征直线的第二特征线段上的待分析像素点数量、对应的各特征直线的第一特征线段上的各待分析像素点的灰度值以及对应的各特征直线的第二特征线段上的各待分析像素点的灰度值，得到该霍夫圆的优选度；
将所述各初始焊点区域边缘轮廓对应的各霍夫圆的优选度中的最大优选度对应的霍夫圆记为各初始焊点区域边缘轮廓对应的目标霍夫圆；将目标霍夫圆的圆心记为聚类中心点；
根据如下公式计算该霍夫圆的优选度：
Figure DEST_PATH_IMAGE048
Figure DEST_PATH_IMAGE050
其中，
Figure DEST_PATH_IMAGE052
为该霍夫圆的优选度，e为自然常数，C为该霍夫圆对应的特征直线的数量，
Figure DEST_PATH_IMAGE054
为该霍夫圆对应的第c条特征直线的特征值，
Figure DEST_PATH_IMAGE056
为该霍夫圆对应的第c条特征直线的第一特征线段上的待分析像素点数量，
Figure DEST_PATH_IMAGE058
为该霍夫圆对应的第c条特征直线的第二特征线段上的待分析像素点数量，
Figure DEST_PATH_IMAGE060
为该霍夫圆对应的第c条特征直线的第一特征线段上的第i个待分析像素点的灰度值，
Figure DEST_PATH_IMAGE062
为该霍夫圆对应的第c条特征直线的第二特征线段上的第j个待分析像素点的灰度值。
5.如权利要求1所述的基于计算机视觉的集成电路板质量检测系统，其特征在于，根据所述修正隶属度，得到各目标焊点区域；获得各目标焊点区域对应的目标边缘轮廓以及各目标边缘轮廓上的目标边缘点；根据所述目标边缘点，得到各目标焊点区域对应的异常像素点数量的方法，包括：
根据焊点区域图像上的各待分析目标像素点与各聚类中心点之间的修正隶属度和各聚类中心点进行聚类，得到各聚类中心点对应的聚类簇；将各聚类簇中的各待分析目标像素点进行连通域分析，得到各聚类簇对应的连通域，将各聚类簇对应的连通域记为目标焊点区域；
利用边缘检测算法获取各目标焊点区域的边缘轮廓，记为目标边缘轮廓；将各目标焊点区域的目标边缘轮廓上的边缘像素点记为目标边缘点；
在各目标焊点区域的目标边缘轮廓上选取目标数量的目标边缘点，记为目标采样点；
对于任一目标焊点区域的目标边缘轮廓上的各目标采样点：
获取该目标焊点区域的聚类中心点；将各目标采样点与该目标焊点区域的聚类中心点进行连接，得到以各目标采样点和该目标焊点区域的聚类中心点为端点的各目标线段；
统计各目标线段上的各待分析目标像素点，记为目标像素点；
获得各目标像素点与该目标焊点区域的聚类中心点之间的灰度差值的绝对值，记为各目标像素点对应的第一特征差异值；获得各目标像素点与该目标焊点区域的聚类中心点之间的欧氏距离，记为各目标像素点对应的第二特征差异值；
对于任一目标像素点：将该目标像素点对应的第一特征差异值与该目标像素点对应的第二特征差异值的比值，记为该目标像素点的特征指标；
利用离群点算法和各目标像素点的特征指标，得到各目标像素点中的离群像素点数量，将各目标像素点中的离群像素点数量记为该目标焊点区域内的异常像素点数量。
CN202210971123.4A 2022-08-15 2022-08-15 基于计算机视觉的集成电路板质量检测系统 Active CN115049653B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210971123.4A CN115049653B (zh) 2022-08-15 2022-08-15 基于计算机视觉的集成电路板质量检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210971123.4A CN115049653B (zh) 2022-08-15 2022-08-15 基于计算机视觉的集成电路板质量检测系统

Publications (2)

Publication Number Publication Date
CN115049653A CN115049653A (zh) 2022-09-13
CN115049653B true CN115049653B (zh) 2022-12-06

Family

ID=83168257

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210971123.4A Active CN115049653B (zh) 2022-08-15 2022-08-15 基于计算机视觉的集成电路板质量检测系统

Country Status (1)

Country Link
CN (1) CN115049653B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272346A (zh) * 2022-09-30 2022-11-01 江苏炜盛光电科技有限公司 一种基于边缘检测的pcb板生产过程在线检测方法
CN115294130B (zh) * 2022-10-08 2023-12-26 中威泵业(江苏)有限公司 一种水泵叶轮异常识别方法
CN115311262A (zh) * 2022-10-09 2022-11-08 南通如东依航电子研发有限公司 一种印刷电路板缺陷识别方法
CN115496753B (zh) * 2022-11-16 2023-04-07 山东中烟工业有限责任公司青州卷烟厂 基于机器视觉的烟丝结构检测方法
CN115601364B (zh) * 2022-12-14 2023-04-07 惠州威尔高电子有限公司 基于图像分析的金手指电路板检测方法
CN115841488B (zh) * 2023-02-21 2023-06-09 聊城市飓风工业设计有限公司 一种基于计算机视觉的pcb板的检孔方法
CN115841491B (zh) * 2023-02-24 2023-05-05 杭州电子科技大学 一种多孔金属材料的质量检测方法
CN116091504B8 (zh) * 2023-04-11 2023-09-15 重庆大学 基于图像处理的连接管连接头质量检测方法
CN116128877B (zh) * 2023-04-12 2023-06-30 山东鸿安食品科技有限公司 一种基于温度检测的排汽回收智能监测系统
CN116309550B (zh) * 2023-05-11 2023-08-04 聊城市飓风工业设计有限公司 基于图像处理的集成电路贴片异常识别方法
CN116309575B (zh) * 2023-05-19 2023-07-28 济宁众达利电气设备有限公司 基于图像处理的电插头生产质量检测方法
CN116402815B (zh) * 2023-06-08 2023-08-22 岑科科技(深圳)集团有限公司 基于人工智能的电感线圈封装异常检测方法
CN116703889B (zh) * 2023-07-31 2023-10-03 深圳市普能达电子有限公司 一种柔性电路板贴片异常检测方法
CN116721102B (zh) * 2023-08-10 2023-10-20 山东淼珠生物科技有限公司 一种爆珠产品质量快速溯源方法
CN116862916B (zh) * 2023-09-05 2023-11-07 常熟理工学院 基于图像处理的生产检测方法及系统
CN116912250B (zh) * 2023-09-13 2023-11-28 山东众成菌业股份有限公司 基于机器视觉的菌包生产质量检测方法
CN117094046B (zh) * 2023-10-18 2023-12-19 天津华勘基础工程检测有限公司 一种水上桩基检测平台的管理方法及系统
CN117113156B (zh) * 2023-10-20 2024-01-09 浙江鸿昌铝业有限公司 一种用于铝型材的锯切断面质量分析方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114782562A (zh) * 2022-06-18 2022-07-22 南通寝尚纺织品有限公司 基于数据识别的服装布料浸染监测方法及人工智能系统
CN114850741A (zh) * 2022-06-10 2022-08-05 东南大学 一种适用于平板对接焊缝的焊缝识别装置及识别方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0810196B2 (ja) * 1989-11-17 1996-01-31 松下電器産業株式会社 はんだ外観検査装置
CN105588845B (zh) * 2016-01-04 2018-07-03 江苏科技大学 一种焊接缺陷特征参数提取方法
US11922613B2 (en) * 2019-12-30 2024-03-05 Micron Technology, Inc. Apparatuses and methods for determining wafer defects
CN113870235A (zh) * 2021-10-08 2021-12-31 福州大学 基于量子烟花圆弧边缘提取的圆形冲压件缺陷检测方法
CN114757903A (zh) * 2022-04-07 2022-07-15 华中科技大学 一种光器件芯片封装金线缺陷检测方法
CN114723758B (zh) * 2022-06-10 2022-11-15 惠州威尔高电子有限公司 一种MiniLED薄板全自动连线的生产质量检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114850741A (zh) * 2022-06-10 2022-08-05 东南大学 一种适用于平板对接焊缝的焊缝识别装置及识别方法
CN114782562A (zh) * 2022-06-18 2022-07-22 南通寝尚纺织品有限公司 基于数据识别的服装布料浸染监测方法及人工智能系统

Also Published As

Publication number Publication date
CN115049653A (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN115049653B (zh) 基于计算机视觉的集成电路板质量检测系统
CN115272346A (zh) 一种基于边缘检测的pcb板生产过程在线检测方法
US5949905A (en) Model-based adaptive segmentation
CN115908411B (zh) 基于视觉检测的混凝土养护质量分析方法
CN116740070B (zh) 基于机器视觉的塑料管道外观缺陷检测方法
CN112257676A (zh) 一种指针式仪表读数方法、系统以及巡检机器人
CN115018834B (zh) 一种半导体晶片图像对准方法
CN114723758B (zh) 一种MiniLED薄板全自动连线的生产质量检测方法
CN117152165B (zh) 感光芯片缺陷的检测方法、装置、存储介质及电子设备
CN115797361B (zh) 一种铝模板表面缺陷检测方法
CN115880280B (zh) 一种钢结构焊缝质量的检测方法
CN117437238B (zh) 一种封装ic表面缺陷视觉检测方法
TW202127372A (zh) 瑕疵等級判定的方法及存儲介質
CN115294114A (zh) 一种基于ecu电路焊接的质量检测方法
CN116503316A (zh) 一种基于图像处理的芯片缺陷量测方法及系统
CN114387223B (zh) 一种芯片缺陷视觉检测方法及设备
Liu et al. A novel subpixel industrial chip detection method based on the dual-edge model for surface mount equipment
CN116385440B (zh) 一种弧形刀片视觉检测方法
CN116152234B (zh) 基于图像处理的模板端面缺陷识别方法
CN111126371B (zh) 一种基于图像处理的粗指针表盘示数读取方法
CN115578390B (zh) 一种用于除氧器的焊接控制方法
CN113379678A (zh) 一种电路板检测方法、装置、电子设备及存储介质
CN111816579A (zh) 用于检测被助焊剂残留物污染的芯片的方法和装置
CN115254674B (zh) 一种轴承缺陷分选方法
CN113344823A (zh) 一种银线型触头烧蚀区域形貌三维粗糙度表征方法

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