CN115082431B - 一种pcb板表面缺陷检测方法 - Google Patents

一种pcb板表面缺陷检测方法 Download PDF

Info

Publication number
CN115082431B
CN115082431B CN202210854644.1A CN202210854644A CN115082431B CN 115082431 B CN115082431 B CN 115082431B CN 202210854644 A CN202210854644 A CN 202210854644A CN 115082431 B CN115082431 B CN 115082431B
Authority
CN
China
Prior art keywords
area
scratch
golden finger
light reflecting
value
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
CN202210854644.1A
Other languages
English (en)
Other versions
CN115082431A (zh
Inventor
陈星�
龙富强
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.)
Huizhou Welgao Electronics Co ltd
Original Assignee
Huizhou Welgao Electronics 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 Huizhou Welgao Electronics Co ltd filed Critical Huizhou Welgao Electronics Co ltd
Priority to CN202210854644.1A priority Critical patent/CN115082431B/zh
Publication of CN115082431A publication Critical patent/CN115082431A/zh
Application granted granted Critical
Publication of CN115082431B publication Critical patent/CN115082431B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • 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
    • 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
    • G06T2207/30141—Printed circuit board [PCB]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及一种PCB板表面缺陷检测方法，该方法包括：获取PCB板上的金手指区域并将其划分为反光区域和不反光区域，获取反光区域中的划痕预测的第一预测值、第二预测值、第三预测值，获取反光区域中的划痕预测的综合预测值，获取不反光区域内的划痕及划痕的主延伸方向、划痕宽度、划痕深度，根据划痕的主延伸方向、划痕宽度、划痕深度及反光区域中的划痕预测的综合预测值计算对应的反光区域中存在划痕的概率，根据概率及概率阈值确定目标反光区域并对其进行图像增强，根据增强后图像的划痕及该金手指区域的不反光区域的划痕确定最终划痕，本发明方法实现对划痕的精确检测，以便于对PCB板的质量进行精确判断。

Description

一种PCB板表面缺陷检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种PCB板表面缺陷检测方法。
背景技术
PCB板是电子工业的重要部件之一，主要用于对电子元器件的安装，电气连接的载体，而PCB板上的某些插口位置为保证良好的连接性选择镀金处理，如内存条和显卡的插口，镀金区域常被称为金手指区域，在生产的过程中由于设备以及PCB板自身之间的碰撞摩擦原因，往往会导致金手指区域上出现划痕，这些划痕会影响PCB板的导电性、耐磨性、抗氧化性和耐腐蚀性，所以需要对PCB板的金手指区域进行划痕检测。
现有的金手指区域划痕的检测方法为计算机视觉进行划痕检测，而往往由于金手指区域反光的特性导致金手指区域上出现反光区域，由于受反光区域的影响会使得位于反光区域的划痕图像模糊，进而影响划痕的检测，为避免反光区域影响划痕的检测，现有技术中通过给相机添加偏振片，而偏振片会影响进光量致使PCB板的某些图像特征无法有效收集，从而会影响划痕检测的精准性。
因此，需要提供一种PCB板表面缺陷检测方法，予以解决上述问题。
发明内容
本发明提供一种PCB板表面缺陷检测方法，以解决现有的问题。
本发明的一种PCB板表面缺陷检测方法采用如下技术方案：该方法包括：
获取PCB板上的所有金手指区域，将每个金手指区域划分为反光区域和不反光区域；
将所有反光区域与所有金手指区域的面积比值作为第一预测值，将每个反光区域的面积与其对应金手指区域的面积比值作为第二预测值，根据反光区域在同一个金手指区域的不同位置的面积比值计算第三预测值；
根据第一预测值、第二预测值及第三预测值计算每个金手指区域的反光区域中的划痕预测的综合预测值；
获取不反光区域内的划痕及划痕所在的金手指区域，根据划痕所在的不反光区域中划痕像素点的灰度值、正常像素点的灰度值获取该不反光区域中划痕深度；根据划痕所在的不反光区域中的划痕像素点坐标分别计算划痕的主延伸方向、划痕宽度；
根据每个金手指区域的不反光区域中划痕的主延伸方向、划痕深度、划痕宽度和对应的金手指区域中反光区域的综合预测值计算对应的反光区域中存在划痕的概率；
根据反光区域中存在划痕的概率及预设的概率阈值判断该反光区域是否为目标反光区域，对得到的目标反光区域进行图像增强，获取增强后的图像中的划痕，根据每个金手指区域的增强后的图像的划痕与不反光区域的划痕确定每个金手指区域中最终划痕。
优选的，根据反光区域在同一个金手指区域的不同位置的面积比值计算第三预测值的步骤包括：
根据每个金手指区域的长度将每个金手指区域均分为三个子区域；
根据金手指区域中每个子区域内反光区域的面积与对应子区域面积的比值计算第三预测值。
优选的，计算第三预测值的公式：
Figure DEST_PATH_IMAGE001
式中，
Figure 800076DEST_PATH_IMAGE002
表示第
Figure 346244DEST_PATH_IMAGE003
个金手指区域对应的第三预测值；
Figure 798086DEST_PATH_IMAGE004
表示第
Figure 662136DEST_PATH_IMAGE003
个金手指区域中的第1个子区域内反光区域的像素点个数；
Figure 194618DEST_PATH_IMAGE005
表示第
Figure 485922DEST_PATH_IMAGE003
个金手指区域中的第2个子区域内反光区域的像素点个数；
Figure 221797DEST_PATH_IMAGE006
表示第
Figure 889538DEST_PATH_IMAGE003
个金手指区域中的第3个子区域内反光区域的像素点个数；
Figure 777991DEST_PATH_IMAGE007
表示第
Figure 240196DEST_PATH_IMAGE003
个金手指区域中的第1个子区域的像素点个数；
Figure 728947DEST_PATH_IMAGE008
表示第
Figure 387330DEST_PATH_IMAGE003
个金手指区域中的第2个子区域的像素点个数；
Figure 379557DEST_PATH_IMAGE009
表示第
Figure 543822DEST_PATH_IMAGE003
个金手指区域中的第3个子区域的像素点个数；
Figure 988710DEST_PATH_IMAGE010
表示第
Figure 480477DEST_PATH_IMAGE003
个金手指区域中的第1个子区域的权重；
Figure 592790DEST_PATH_IMAGE011
表示第
Figure 396798DEST_PATH_IMAGE003
个金手指区域中的第2个子区域的权重；
Figure 594561DEST_PATH_IMAGE012
表示第
Figure 391484DEST_PATH_IMAGE003
个金手指区域中的第3个子区域的权重。
优选的，计算每个金手指区域中反光区域的划痕预测的综合预测值的公式：
Figure 358303DEST_PATH_IMAGE013
式中，
Figure 864371DEST_PATH_IMAGE014
表示第
Figure 283851DEST_PATH_IMAGE003
个金手指区域中反光区域中的划痕预测的综合预测值；
Figure 589193DEST_PATH_IMAGE015
表示反光区域中的划痕预测的第一预测值；
Figure 879360DEST_PATH_IMAGE016
表示第
Figure 540017DEST_PATH_IMAGE003
个金手指区域的反光区域中的划痕预测的第二预测值；
Figure 446793DEST_PATH_IMAGE002
表示第
Figure 601831DEST_PATH_IMAGE003
个金手指区域的反光区域中的划痕预测的第三预测值。
优选的，获取不反光区域内的划痕及划痕所在的金手指区域的步骤包括：
以不反光区域内每个像素点为中心点获取滑窗；
计算滑窗内每个像素点的灰度值与该滑窗内所有像素点的第一灰度平均值的差值，将所有差值的平均值作为该滑窗的灰度差异值；
根据滑窗的灰度差异值与预设的灰度差异值阈值确定滑窗中的目标滑窗及其余滑窗；
计算其余滑窗内所有像素点的第二灰度平均值；
根据第二灰度平均值与灰度差异值阈值获取灰度值范围；
根据灰度值范围及目标滑窗内每个像素点的灰度值确定划痕像素点；
获取划痕像素点的聚集区域并将其作为划痕，确定划痕所在的金手指区域。
优选的，根据划痕所在的不反光区域中划痕像素点的灰度值、正常像素点的灰度值获取该不反光区域中划痕深度的步骤包括：
计算金手指区域的不反光区域中所有划痕像素点的灰度均值；
并计算该金手指区域的不反光区域中所有正常像素点的灰度均值；
将金手指区域的不反光区域中所有划痕像素点的灰度均值与该金手指区域的不反光区域中所有正常像素点的灰度均值的差值的绝对值作为该金手指区域的不反光区域中划痕深度。
优选的，根据划痕所在的不反光区域中的划痕像素点坐标计算划痕的主延伸方向的步骤包括：
获取每个划痕所在的不反光区域中的划痕像素点坐标中的最大横坐标、最小横坐标、最大纵坐标及最小纵坐标；
根据每个划痕的划痕像素点坐标中的最大横坐标、最小横坐标、最大纵坐标及最小纵坐标计算对应划痕的斜率；
根据划痕的斜率获取不反光区域中划痕的主延伸方向。
优选的，根据划痕所在的不反光区域中的划痕像素点坐标计算划痕宽度的步骤包括：
获取每个划痕所在的不反光区域中同一纵坐标的划痕像素点中横坐标最大的第一划痕像素点、横坐标最小的第二划痕像素点；
计算划痕中同一纵坐标的划痕像素点中的第一划痕像素点与第二划痕像素点的横坐标差值，并计算划痕中所有横坐标差值的和值；
计算每个划痕中划痕像素点的最大纵坐标与最小纵坐标的纵坐标差值；
将横坐标差值的和值与纵坐标差值的比值作为该划痕的划痕宽度。
优选的，计算对应的反光区域中存在划痕的概率的公式：
Figure 324386DEST_PATH_IMAGE017
式中，
Figure 906677DEST_PATH_IMAGE018
表示第
Figure 300749DEST_PATH_IMAGE003
个金手指区域的反光区域存在划痕的概率；
Figure DEST_PATH_IMAGE019
表示第
Figure 197161DEST_PATH_IMAGE003
个金手指区域中反光区域中的划痕预测的综合预测值归一化后的综 合预测值；
Figure 196341DEST_PATH_IMAGE020
表示划痕的主延伸方向
Figure 900598DEST_PATH_IMAGE021
的判定系数，主延伸方向
Figure 781967DEST_PATH_IMAGE021
过反光区域时，判定系数
Figure 278807DEST_PATH_IMAGE022
；主延伸方向
Figure 178499DEST_PATH_IMAGE021
不过反光区域时，
Figure 837013DEST_PATH_IMAGE023
；
Figure 205678DEST_PATH_IMAGE024
表示第
Figure 240630DEST_PATH_IMAGE003
个金手指区域中像素点的平均灰度值；
Figure 761872DEST_PATH_IMAGE025
表示第
Figure 591288DEST_PATH_IMAGE003
个金手指区域中不反光区域的划痕深度；
Figure 447248DEST_PATH_IMAGE026
表示第
Figure 285891DEST_PATH_IMAGE003
个金手指区域中不反光区域的划痕宽度；
Figure 894596DEST_PATH_IMAGE027
表示第
Figure 160492DEST_PATH_IMAGE003
个金手指区域的宽度。
优选的，还包括根据最终划痕的总面积与所有金手指区域的总面积的比值确定PCB板的质量是否合格，当划痕的总面积与所有金手指区域的总面积的比值大于20%时，则判定该PCB板的质量不合格，反之，则合格。
本发明的有益效果是：本发明的一种PCB板表面缺陷检测方法，通过对PCB板的金手指区域内的不反光区域的划痕进行检测，然后根据不反光区域内划痕的主延伸方向、划痕宽度、划痕的宽度及每个金手指区域的反光区域中的划痕预测的综合预测值计算反光区域内存在划痕的概率，根据反光区域内存在划痕的概率确定目标反光区域，对目标反光区域进行增强，实现对目标反光区域内的划痕进行精确增强，从而便于反光区域内的划痕检测，根据金手指的不反光区域的划痕及增强后的目标反光区域的划痕确定最终划痕，从而实现对划痕的精确检测，以便于对PCB板的质量进行精确判断。
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，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地介绍，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他的附图。
图1为本发明的一种PCB板表面缺陷检测方法的实施例总体步骤的流程图。
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。
本发明的一种PCB板表面缺陷检测方法的实施例，本实施例式对内存条和显卡的PCB板检测的，本实施例的应用场景为在PCB板生产过程中，往往由于机器设备的碰撞或者PCB板之间的摩擦因素导致PCB板的金手指区域出现划痕缺陷，而在对金手指区域利用计算机视觉进行检测的过程中常常因为金手指区域内有反光现象，导致金手指划痕缺陷无法准确识别，故，如图1所示，本实施例提供如下PCB板表面缺陷检测方法，该方法包括：
S1、获取PCB板上的所有金手指区域，将每个金手指区域划分为反光区域和不反光区域；具体的，将PCB板通过传送带进行传输，高清摄像机正对传送带，拍照角度为俯视视角，从而先采集到PCB板图像，对采集道到的PCB板图像利用DNN神经网络进行语义分割，得到PCB板图像中的每个金手指区域，其中，PCB板图像为图像集，对图像集中的区域进行人工标注，金手指区域的灰度值标记为“1”，非金手指的其他PCB板图像区域标记为“0”，DNN网络任务为分类，故使用交叉熵函数为loss函数，然后对PCB板的金手指区域进行灰度化处理，获得PCB板的金手指区域。
其中，需要说明的是，由于反光区域中存在高灰度级的光斑遮掩，导致无法直接进行划痕检测，且由于金手指区域中的反光区域和不反光区域有较明显的区域特征，反光区域在整体灰度图上呈现为高亮区域，不反光区域较反光区域呈现出较低灰度值区域，故，利用区域增长算法对金手指区域的反光区域和不反光区域进行划分，得到反光区域和不反光区域，其中，区域增长算法为现有技术算法，本实施例不再进行赘述。
S2、将所有反光区域与所有金手指区域的面积比值作为第一预测值，将每个反光区域的面积与其对应金手指区域的面积比值作为第二预测值，根据反光区域在同一个金手指区域的不同位置的面积比值计算第三预测值。
具体的，首先对金手指区域的反光区域进行了特征分析：由于每个PCB板上有多个金手指，故由步骤S1得到的金手指区域数量也是与PCB板上的金手指数量匹配的，其同一个PCB板上相邻金手指之间是有间距的，故，当灯光角度、灯光亮度或者金手指大小的不同，其反光区域也不同的，具体的，在本实施例中，分为以下两种情况：整体反光，局部反光；局部反光又分为大面积反光，小面积反光，且依据反光区域的位置不同，分为上部分、下部分或者中间地带反光，对于整体反光一般分为横向反光和纵向反光，横向反光表现为每个或几个单独金手指区域都具有局部反光的现象，且整体处于同一光路，而纵向反光，为单独几个金手指区域整体反光或单独几个仅手指区域整体反光加局部反光。
具体的，根据金手指区域的反光区域的特征分析，当反光区域在整体金手指区域占比越大时，反光区域遮挡划痕的概率也就越大，即计算PCB板的所有反光区域与所有金手指区域的面积比值作为第一预测值的公式：
Figure 238170DEST_PATH_IMAGE028
式中，
Figure 880504DEST_PATH_IMAGE015
表示反光区域中的划痕预测的第一预测值，第一预测值
Figure 113689DEST_PATH_IMAGE015
越大，说明反 光区域在所有金手指区域中占比越大，根据概率论基础理论大数定理可知，当反光区域在 所有金手指区域占比越大时，反光区域遮挡划痕的概率也就越大；
Figure 550486DEST_PATH_IMAGE029
表示第
Figure 115460DEST_PATH_IMAGE003
个金手指区域中反光区域的像素点的个数，
Figure 295905DEST_PATH_IMAGE030
；
Figure DEST_PATH_IMAGE031
表示PCB板上有反光区域的金手指区域的个数；
Figure 144782DEST_PATH_IMAGE032
表示PCB板上的所有金手指区域的像素点的个数；
具体的，根据金手指区域的反光区域的特征分析，计算PCB板的单个金手指区域中的反光区域的面积比值作为第二预测值，第二预测值的计算公式：
Figure 752480DEST_PATH_IMAGE033
式中，
Figure 8012DEST_PATH_IMAGE016
表示第
Figure 477302DEST_PATH_IMAGE003
个金手指区域内的反光区域中的划痕预测的第二预测值，第二 预测值
Figure 931417DEST_PATH_IMAGE016
越大，说明该第
Figure 506755DEST_PATH_IMAGE003
个金手指区域内的反光区域在第
Figure 46321DEST_PATH_IMAGE003
个金手指区域中占比越大，根 据概率论基础理论大数定理可知，当反光区域在其对应的金手指区域占比越大时，该反光 区域遮挡划痕的概率也就越大；
Figure 568569DEST_PATH_IMAGE029
表示第
Figure 126458DEST_PATH_IMAGE003
个金手指区域中反光区域的像素点的个数；
Figure 75960DEST_PATH_IMAGE034
表示第
Figure 837242DEST_PATH_IMAGE003
个金手指区域中像素点的个数；
具体的，根据金手指区域的反光区域的特征分析，先根据每个金手指区域的长度将每个金手指区域均分为三个子区域，根据金手指区域中每个子区域内反光区域的面积与对应子区域面积的比值计算第三预测值，由于金手指上下两个子区域位置靠近边缘，则上下两个子区域出现划痕概率小于中间子区域出现划痕概率，故根据反光区域在单个金手指区域中不同子区域的面积与对应子区域的面积的比值进行加权得到第三预测值，其中，计算第三预测值的公式：
Figure 163181DEST_PATH_IMAGE001
式中，
Figure 74112DEST_PATH_IMAGE002
表示第
Figure 194515DEST_PATH_IMAGE003
个金手指区域对应的第三预测值；
Figure 708673DEST_PATH_IMAGE004
表示第
Figure 572724DEST_PATH_IMAGE003
个金手指区域中的第1个子区域内反光区域的像素点个数；
Figure 839626DEST_PATH_IMAGE005
表示第
Figure 396509DEST_PATH_IMAGE003
个金手指区域中的第2个子区域内反光区域的像素点个数；
Figure 132384DEST_PATH_IMAGE006
表示第
Figure 534546DEST_PATH_IMAGE003
个金手指区域中的第3个子区域内反光区域的像素点个数；
Figure 157420DEST_PATH_IMAGE007
表示第
Figure 885204DEST_PATH_IMAGE003
个金手指区域中的第1个子区域的像素点个数；
Figure 108375DEST_PATH_IMAGE008
表示第
Figure 314229DEST_PATH_IMAGE003
个金手指区域中的第2个子区域的像素点个数；
Figure 555723DEST_PATH_IMAGE009
表示第
Figure 454409DEST_PATH_IMAGE003
个金手指区域中的第3个子区域的像素点个数；
Figure 696034DEST_PATH_IMAGE010
表示第
Figure 705579DEST_PATH_IMAGE003
个金手指区域中的第1个子区域的权重，取经验值
Figure 817891DEST_PATH_IMAGE035
；
Figure 363843DEST_PATH_IMAGE011
表示第
Figure 561606DEST_PATH_IMAGE003
个金手指区域中的第2个子区域的权重，取经验值
Figure 109262DEST_PATH_IMAGE036
；
Figure 76081DEST_PATH_IMAGE012
表示第
Figure 34678DEST_PATH_IMAGE003
个金手指区域中的第3个子区域的权重，取经验值
Figure DEST_PATH_IMAGE037
。
S3、根据第一预测值、第二预测值及第三预测值计算每个金手指区域的反光区域中的划痕预测的综合预测值，具体的，当第一预测值、第二预测值及第三预测值越大，证明该反光区域对划痕的遮挡概率越大，计算每个金手指区域的反光区域中的划痕预测的综合预测值的公式：
Figure 188579DEST_PATH_IMAGE013
式中，
Figure 539926DEST_PATH_IMAGE014
表示第
Figure 111984DEST_PATH_IMAGE003
个金手指区域中反光区域中的划痕预测的综合预测值；
Figure 523374DEST_PATH_IMAGE015
表示反光区域中的划痕预测的第一预测值；
Figure 430150DEST_PATH_IMAGE016
表示第
Figure 319608DEST_PATH_IMAGE003
个金手指区域的反光区域中的划痕预测的第二预测值；
Figure 510287DEST_PATH_IMAGE002
表示第
Figure 826999DEST_PATH_IMAGE003
个金手指区域的反光区域中的划痕预测的第三预测值。
S4、获取不反光区域内的划痕及划痕所在的金手指区域，根据划痕所在的不反光区域中划痕像素点的灰度值、正常像素点的灰度值获取该不反光区域中划痕深度；根据划痕所在的不反光区域中的划痕像素点坐标分别计算划痕的主延伸方向、划痕宽度。
具体的，获取不反光区域内的划痕及划痕所在的金手指区域，获取不反光区域内的划痕可利用现有技术获取，本实施例，获取不反光区域内的划痕的步骤：以不反光区域内每个像素点为中心点获取5X5的滑窗；计算滑窗内每个像素点的灰度值与该滑窗内所有像素点的第一灰度平均值的差值，将所有差值的平均值作为该滑窗的灰度差异值，其中，计算每个滑窗的灰度差异值的公式：
Figure 17809DEST_PATH_IMAGE038
式中，
Figure 914221DEST_PATH_IMAGE039
表示第
Figure 457941DEST_PATH_IMAGE040
个滑窗的灰度差异值；
Figure 211134DEST_PATH_IMAGE041
表示第
Figure 92502DEST_PATH_IMAGE040
个滑窗内像素点
Figure 589342DEST_PATH_IMAGE042
的灰度值；
根据滑窗的灰度差异值与预设的灰度差异值阈值确定滑窗中的目标滑窗及其余 滑窗，本实施例设定灰度差异值阈值为
Figure DEST_PATH_IMAGE043
=1，当滑窗的灰度差异值大于预设的灰度差异值阈 值，则将该滑窗作为目标滑窗，滑窗的灰度差异值小于预设的灰度差异值阈值时，则该滑窗 作为其余滑窗，计算其余滑窗内所有像素点的第二灰度平均值；根据第二灰度平均值与灰 度差异值阈值获取灰度值范围，本实施例中灰度值范围为；
Figure 895559DEST_PATH_IMAGE044
，其中，
Figure 304806DEST_PATH_IMAGE045
表示其 余滑窗内所有像素点的第二灰度平均值；
Figure 673470DEST_PATH_IMAGE043
表示预设的灰度差异值阈值，根据灰度值范围及 目标滑窗内每个像素点的灰度值确定划痕像素点，即将目标滑窗内像素点的灰度值不在灰 度值范围为；
Figure 708422DEST_PATH_IMAGE044
的目标滑窗内像素点作为划痕像素点，具体的，以一个划痕像素 点为初始划痕像素点，搜寻初始划痕像素点的8邻域方向内的像素点是否为划痕像素点，若 为划痕像素点，则以该划痕像素点为基础继续搜寻，若非划痕像素点，则停止搜寻，直至所 有划痕像素点都被搜寻完毕，对划痕像素点进行位置聚类获取划痕像素点的聚集区域并将 其作为划痕，确定划痕所在的金手指区域。
具体的，根据划痕所在的不反光区域中划痕像素点的灰度值、正常像素点的灰度值获取该不反光区域中划痕深度的步骤：计算金手指区域的不反光区域中所有划痕像素点的灰度均值；并计算该金手指区域的不反光区域中所有正常像素点的灰度均值；将金手指区域的不反光区域中所有划痕像素点的灰度均值与该金手指区域的不反光区域中所有正常像素点的灰度均值的差值的绝对值作为该金手指区域的不反光区域中划痕深度，其中，计算每个金手指区域的不反光区域中的划痕深度的公式：
Figure 213353DEST_PATH_IMAGE046
式中，
Figure 557615DEST_PATH_IMAGE025
表示第
Figure 413576DEST_PATH_IMAGE003
个金手指区域的不反光区域中的划痕深度；
Figure 783377DEST_PATH_IMAGE032
表示第
Figure 408394DEST_PATH_IMAGE003
个金手指区域内不反光区域中所有划痕像素点的总数；
Figure 674290DEST_PATH_IMAGE047
表示第
Figure 505630DEST_PATH_IMAGE003
个金手指区域内不反光区域中所有正常像素点的总数；
Figure 147964DEST_PATH_IMAGE048
表示第
Figure 96328DEST_PATH_IMAGE003
个金手指区域内不反光区域中像素点
Figure 782393DEST_PATH_IMAGE049
的灰度值；
Figure 550629DEST_PATH_IMAGE050
表示第
Figure 262233DEST_PATH_IMAGE003
个金手指区域内不反光区域中第
Figure 861842DEST_PATH_IMAGE051
条划痕上的划痕像素点
Figure 220273DEST_PATH_IMAGE052
的灰度 值；
Figure 272543DEST_PATH_IMAGE053
表示第
Figure 991100DEST_PATH_IMAGE003
个金手指区域内不反光区域中的划痕总数；
Figure 445215DEST_PATH_IMAGE054
表示第
Figure 473083DEST_PATH_IMAGE003
个金手指区域内不反光区域中第
Figure 12648DEST_PATH_IMAGE051
条划痕上的划痕像素点的总数。
具体的，根据划痕所在的不反光区域中的划痕像素点坐标计算划痕的主延伸方向的步骤：获取每个划痕所在的不反光区域中的划痕像素点坐标中的最大横坐标、最小横坐标、最大纵坐标及最小纵坐标；根据每个划痕的划痕像素点坐标中的最大横坐标、最小横坐标、最大纵坐标及最小纵坐标计算对应划痕的斜率；根据划痕的斜率获取不反光区域中划痕的主延伸方向，计算划痕的斜率公式：
Figure 534897DEST_PATH_IMAGE055
式中，
Figure 577939DEST_PATH_IMAGE021
表示第
Figure 275243DEST_PATH_IMAGE003
个金手指区域内的不反光区域中划痕的斜率，即划痕的主延伸方 向；
Figure 36526DEST_PATH_IMAGE054
表示第
Figure 362465DEST_PATH_IMAGE003
个金手指区域的所有划痕像素点的数量；
Figure 525593DEST_PATH_IMAGE056
表示第
Figure 895263DEST_PATH_IMAGE003
个金手指区域的所有划痕像素点的横坐标中的最大横坐标；
Figure 409421DEST_PATH_IMAGE057
表示第
Figure 273472DEST_PATH_IMAGE003
个金手指区域的所有划痕像素点的横坐标中的最小横坐标；
Figure 291107DEST_PATH_IMAGE058
表示第
Figure 598722DEST_PATH_IMAGE003
个金手指区域的所有划痕像素点的纵坐标中的最大纵坐标；
Figure 334597DEST_PATH_IMAGE059
表示第
Figure 736760DEST_PATH_IMAGE003
个金手指区域的所有划痕像素点的纵坐标中的最小纵坐标。
具体的，在每个纵坐标相同的情况下的利用相距最远的两个划痕像素点的距离值的平均值作为划痕宽度，根据划痕所在的不反光区域中的划痕像素点坐标计算划痕宽度的步骤：获取每个划痕所在的不反光区域中同一纵坐标的划痕像素点中横坐标最大的第一划痕像素点、横坐标最小的第二划痕像素点；计算划痕中同一纵坐标的划痕像素点中的第一划痕像素点与第二划痕像素点的横坐标差值，并计算划痕中所有横坐标差值的和值；计算每个划痕中划痕像素点的最大纵坐标与最小纵坐标的纵坐标差值；将横坐标差值的和值与纵坐标差值的比值作为该划痕的划痕宽度，其中，计算划痕宽度的公式：
Figure 874480DEST_PATH_IMAGE060
式中，
Figure 54794DEST_PATH_IMAGE026
表示第
Figure 246609DEST_PATH_IMAGE003
个金手指区域内的不反光区域中划痕宽度；
Figure 718041DEST_PATH_IMAGE058
表示第
Figure 179110DEST_PATH_IMAGE003
个金手指区域的所有划痕像素点的纵坐标中的最大纵坐标；
Figure 264746DEST_PATH_IMAGE059
表示第
Figure 975213DEST_PATH_IMAGE003
个金手指区域的所有划痕像素点的纵坐标中的最小纵坐标；
Figure 250337DEST_PATH_IMAGE061
表示第
Figure 847802DEST_PATH_IMAGE003
个金手指区域的划痕中同一纵坐标的划痕像素点中横坐标最大的第 一划痕像素点的横坐标；
Figure 917390DEST_PATH_IMAGE062
表示第
Figure 52836DEST_PATH_IMAGE003
个金手指区域的划痕中同一纵坐标的划痕像素点中横坐标最小的第 二划痕像素点的横坐标；
Figure 380918DEST_PATH_IMAGE063
表示第
Figure 550999DEST_PATH_IMAGE003
个金手指区域的划痕中同一纵坐标的划痕像素点中横坐 标最大的第一划痕像素点与横坐标最小的第二划痕像素点的横坐标差值。
S5、根据每个金手指区域的不反光区域中划痕的主延伸方向、划痕深度、划痕宽度和对应的金手指区域中反光区域的综合预测值计算对应的反光区域中存在划痕的概率，其中，计算反光区域中存在划痕的概率的公式：
Figure 525908DEST_PATH_IMAGE017
式中，
Figure 958770DEST_PATH_IMAGE018
表示第
Figure 247800DEST_PATH_IMAGE003
个金手指区域的反光区域存在划痕的概率；
Figure 318393DEST_PATH_IMAGE019
表示第
Figure 260942DEST_PATH_IMAGE003
个金手指区域中反光区域中的划痕预测的综合预测值归一化后的综 合预测值；
Figure 167718DEST_PATH_IMAGE020
表示划痕的主延伸方向
Figure 322756DEST_PATH_IMAGE021
的判定系数，主延伸方向
Figure 998588DEST_PATH_IMAGE021
过反光区域时，判定系数
Figure 331611DEST_PATH_IMAGE022
；主延伸方向
Figure 725683DEST_PATH_IMAGE021
不过反光区域时，
Figure 622095DEST_PATH_IMAGE023
；
Figure 667280DEST_PATH_IMAGE024
表示第
Figure 420473DEST_PATH_IMAGE003
个金手指区域中像素点的平均灰度值；
Figure 770683DEST_PATH_IMAGE025
表示第
Figure 21185DEST_PATH_IMAGE003
个金手指区域中不反光区域的划痕深度；
Figure 343713DEST_PATH_IMAGE026
表示第
Figure 454758DEST_PATH_IMAGE003
个金手指区域中不反光区域的划痕宽度；
Figure 777417DEST_PATH_IMAGE027
表示第
Figure 15631DEST_PATH_IMAGE003
个金手指区域的宽度；
需要说明的是，该步骤具体过程，对金手指区域的不反光区域中划痕的主延伸方 向、划痕深度、划痕宽度和对应的金手指区域中反光区域的综合预测值进行加权概率化，以 划痕深度
Figure 769829DEST_PATH_IMAGE025
和金手指区域的平均灰度值的差异作为划痕深度的权值，划痕深度
Figure 130404DEST_PATH_IMAGE025
越大，划 痕深度的权值越大，以划痕宽度
Figure 720785DEST_PATH_IMAGE026
和金手指整体宽度
Figure 559428DEST_PATH_IMAGE027
作为划痕宽度的权值，划痕宽度
Figure 932247DEST_PATH_IMAGE026
越大，划痕宽度的权值越大，对划痕进行分析，深度越深，宽度越宽的不反光区域的划痕的 主延伸方向过反光区域的概率就大，并且该反光区域的划痕预测的预测值越大，则其存在 划痕的概率就越大。
S6、根据反光区域中存在划痕的概率及预设的概率阈值判断该反光区域是否为目 标反光区域，对得到的目标反光区域进行图像增强，获取增强后的图像中的划痕，其中，目 标反光区域进行图像增强后的图像中的划痕可以根据获取不反光区域的划痕的方法获取， 根据每个金手指区域的增强后的图像的划痕与不反光区域的划痕确定每个金手指区域中 最终划痕，具体的，由于步骤5中的计算划痕的概率的公式的
Figure 198143DEST_PATH_IMAGE064
函数为单调收敛函数，故，根据
Figure 275821DEST_PATH_IMAGE064
函数的取值范围设置概率阈 值
Figure 652575DEST_PATH_IMAGE065
，由于概率只能大于0，则概率阈值
Figure 381366DEST_PATH_IMAGE066
，根据经验值设定概率阈值为0.6，当反光 区域中存在划痕的概率大于等于概率阈值0.6时，则将该反光区域作为目标反光区域，并对 目标反光区域进行图像增强，当反光区域中存在划痕的概率小于概率阈值0.6时，该反光区 域不进行增强，故根据金手指区域内增强后的反光区域和不反光区域的划痕进行确定。
需要说明的是，本实施例为何对划痕概率大于概率阈值的反光区域进行图像增强，而不是对图像整体增强，具体的，对图像整体增强会使得计算量增大，其次，会使得原本的金手指区域的不反光区域的划痕放大，从而使得增强后的图像中检测的最终划痕的面积不准确，从而影响PCB板的质量的判断，故本实施例采用对反光区域存在划痕的概率大于概率阈值确定的目标反光区域，即目标反光区域里存在划痕的概率大，故仅对存在划痕的概率大的目标反光区域进行图像增强，一方面减少计算量，另一方面提高检测的精准性。
还包括根据最终划痕的总面积与所有金手指区域的总面积的比值确定PCB板的质量是否合格，当划痕的总面积与所有金手指区域的总面积的比值大于20%时，则判定该PCB板的质量不合格，反之，则合格。
综上所述，本发明提供一种PCB板表面缺陷检测方法，通过对PCB板的金手指区域内的不反光区域的划痕进行检测，然后根据不反光区域内划痕的主延伸方向、划痕宽度、划痕的宽度及每个金手指区域的反光区域中的划痕预测的综合预测值计算反光区域内存在划痕的概率，根据反光区域内存在划痕的概率确定目标反光区域，对目标反光区域进行增强，实现对目标反光区域内的划痕进行精确增强，从而便于反光区域内的划痕检测，根据金手指的不反光区域的划痕及增强后的目标反光区域的划痕确定最终划痕，从而实现对划痕的精确检测，以便于对PCB板的质量进行精确判断。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种PCB板表面缺陷检测方法，其特征在于，该方法包括：
获取PCB板上的所有金手指区域，将每个金手指区域划分为反光区域和不反光区域；
将所有反光区域与所有金手指区域的面积比值作为第一预测值，将每个反光区域的面积与其对应金手指区域的面积比值作为第二预测值，根据反光区域在同一个金手指区域的不同位置的面积比值计算第三预测值；
根据第一预测值、第二预测值及第三预测值计算每个金手指区域的反光区域中的划痕预测的综合预测值；
获取不反光区域内的划痕及划痕所在的金手指区域，根据划痕所在的不反光区域中划痕像素点的灰度值、正常像素点的灰度值获取该不反光区域中划痕深度；根据划痕所在的不反光区域中的划痕像素点坐标分别计算划痕的主延伸方向、划痕宽度；
根据每个金手指区域的不反光区域中划痕的主延伸方向、划痕深度、划痕宽度和对应的金手指区域中反光区域的综合预测值计算对应的反光区域中存在划痕的概率；
根据反光区域中存在划痕的概率及预设的概率阈值判断该反光区域是否为目标反光区域，对得到的目标反光区域进行图像增强，获取增强后的图像中的划痕，根据每个金手指区域的增强后的图像的划痕与不反光区域的划痕确定每个金手指区域中最终划痕。
2.根据权利要求1所述的一种PCB板表面缺陷检测方法，其特征在于，根据反光区域在同一个金手指区域的不同位置的面积比值计算第三预测值的步骤包括：
根据每个金手指区域的长度将每个金手指区域均分为三个子区域；
根据金手指区域中每个子区域内反光区域的面积与对应子区域面积的比值计算第三预测值。
3.根据权利要求1所述的一种PCB板表面缺陷检测方法，其特征在于，计算第三预测值的公式：
Figure FDA0003875617590000011
式中，Ai3表示第i个金手指区域对应的第三预测值；
ai1表示第i个金手指区域中的第1个子区域内反光区域的像素点个数；
ai2表示第i个金手指区域中的第2个子区域内反光区域的像素点个数；
ai3表示第i个金手指区域中的第3个子区域内反光区域的像素点个数；
bi1表示第i个金手指区域中的第1个子区域的像素点个数；
bi2表示第i个金手指区域中的第2个子区域的像素点个数；
bi3表示第i个金手指区域中的第3个子区域的像素点个数；
α表示第i个金手指区域中的第1个子区域的权重；
β表示第i个金手指区域中的第2个子区域的权重；
γ表示第i个金手指区域中的第3个子区域的权重。
4.根据权利要求1所述的一种PCB板表面缺陷检测方法，其特征在于，计算每个金手指区域中反光区域的划痕预测的综合预测值的公式：
Bi＝A1×(Ai2+Ai3)
式中，Bi表示第i个金手指区域中反光区域中的划痕预测的综合预测值；
A1表示第一预测值；
Ai2表示第i个金手指区域的第二预测值；
Ai3表示第i个金手指区域对应的第三预测值。
5.根据权利要求1所述的一种PCB板表面缺陷检测方法，其特征在于，获取不反光区域内的划痕及划痕所在的金手指区域的步骤包括：
以不反光区域内每个像素点为中心点获取滑窗；
计算滑窗内每个像素点的灰度值与该滑窗内所有像素点的第一灰度平均值的差值，将所有差值的平均值作为该滑窗的灰度差异值；
根据滑窗的灰度差异值与预设的灰度差异值阈值确定滑窗中的目标滑窗及其余滑窗；
计算其余滑窗内所有像素点的第二灰度平均值；
根据第二灰度平均值与灰度差异值阈值获取灰度值范围；
根据灰度值范围及目标滑窗内每个像素点的灰度值确定划痕像素点；
获取划痕像素点的聚集区域并将其作为划痕，确定划痕所在的金手指区域。
6.根据权利要求1所述的一种PCB板表面缺陷检测方法，其特征在于，根据划痕所在的不反光区域中划痕像素点的灰度值、正常像素点的灰度值获取该不反光区域中划痕深度的步骤包括：
计算金手指区域的不反光区域中所有划痕像素点的灰度均值；
并计算该金手指区域的不反光区域中所有正常像素点的灰度均值；
将金手指区域的不反光区域中所有划痕像素点的灰度均值与该金手指区域的不反光区域中所有正常像素点的灰度均值的差值的绝对值作为该金手指区域的不反光区域中划痕深度。
7.根据权利要求1所述的一种PCB板表面缺陷检测方法，其特征在于，根据划痕所在的不反光区域中的划痕像素点坐标计算划痕的主延伸方向的步骤包括：
获取每个划痕所在的不反光区域中的划痕像素点坐标中的最大横坐标、最小横坐标、最大纵坐标及最小纵坐标；
根据每个划痕的划痕像素点坐标中的最大横坐标、最小横坐标、最大纵坐标及最小纵坐标计算对应划痕的斜率；
根据划痕的斜率获取不反光区域中划痕的主延伸方向。
8.根据权利要求1所述的一种PCB板表面缺陷检测方法，其特征在于，根据划痕所在的不反光区域中的划痕像素点坐标计算划痕宽度的步骤包括：
获取每个划痕所在的不反光区域中同一纵坐标的划痕像素点中横坐标最大的第一划痕像素点、横坐标最小的第二划痕像素点；
计算划痕中同一纵坐标的划痕像素点中的第一划痕像素点与第二划痕像素点的横坐标差值，并计算划痕中所有横坐标差值的和值；
计算每个划痕中划痕像素点的最大纵坐标与最小纵坐标的纵坐标差值；
将横坐标差值的和值与纵坐标差值的比值作为该划痕的划痕宽度。
9.根据权利要求1所述的一种PCB板表面缺陷检测方法，其特征在于，计算对应的反光区域中存在划痕的概率的公式：
Figure FDA0003875617590000031
式中，Pi表示第i个金手指区域的反光区域存在划痕的概率；
B′i表示第i个金手指区域中反光区域中的划痕预测的综合预测值归一化后的综合预测值；
E′i表示划痕的主延伸方向Ei的判定系数，主延伸方向Ei过反光区域时，判定系数E′i＝0.8；主延伸方向Ei不过反光区域时，E′i＝0.2；
Figure FDA0003875617590000041
表示第i个金手指区域中像素点的平均灰度值；
Li表示第i个金手指区域中不反光区域的划痕深度；
Si表示第i个金手指区域中不反光区域的划痕宽度；
Wi表示第i个金手指区域的宽度。
10.根据权利要求1所述的一种PCB板表面缺陷检测方法，其特征在于，还包括根据最终划痕的总面积与所有金手指区域的总面积的比值确定PCB板的质量是否合格，当划痕的总面积与所有金手指区域的总面积的比值大于20％时，则判定该PCB板的质量不合格，反之，则合格。
CN202210854644.1A 2022-07-20 2022-07-20 一种pcb板表面缺陷检测方法 Active CN115082431B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210854644.1A CN115082431B (zh) 2022-07-20 2022-07-20 一种pcb板表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210854644.1A CN115082431B (zh) 2022-07-20 2022-07-20 一种pcb板表面缺陷检测方法

Publications (2)

Publication Number Publication Date
CN115082431A CN115082431A (zh) 2022-09-20
CN115082431B true CN115082431B (zh) 2023-01-06

Family

ID=83260406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210854644.1A Active CN115082431B (zh) 2022-07-20 2022-07-20 一种pcb板表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN115082431B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116758031B (zh) * 2023-06-16 2024-03-29 上海感图网络科技有限公司 金手指缺陷复核方法、装置、设备及存储介质
CN116952958B (zh) * 2023-09-18 2023-12-29 杭州百子尖科技股份有限公司 缺陷检测方法、装置、电子设备及存储介质
CN117314899B (zh) * 2023-11-28 2024-03-08 深圳市烯碳复合材料有限公司 基于图像特征的碳纤维板质量检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010048602A (ja) * 2008-08-20 2010-03-04 Shirai Electronics Industrial Co Ltd プリント基板検査装置及び検査方法
CN108985337A (zh) * 2018-06-20 2018-12-11 中科院广州电子技术有限公司 一种基于图像深度学习的产品表面划痕检测方法
CN112816484A (zh) * 2020-12-30 2021-05-18 重庆凯歌电子股份有限公司 用于pcb电路板的检测系统
CN113362288A (zh) * 2021-05-24 2021-09-07 深圳明锐理想科技有限公司 一种金手指划伤检测方法、装置以及电子设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6596188B2 (ja) * 2015-04-02 2019-10-23 マークテック株式会社 探傷装置、及び探傷装置による傷部検出方法
CN109934814B (zh) * 2019-03-15 2022-02-01 英业达科技有限公司 表面缺陷侦测系统及其方法
CN113781402B (zh) * 2021-08-19 2024-03-26 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 芯片表面划痕缺陷的检测方法、装置和计算机设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010048602A (ja) * 2008-08-20 2010-03-04 Shirai Electronics Industrial Co Ltd プリント基板検査装置及び検査方法
CN108985337A (zh) * 2018-06-20 2018-12-11 中科院广州电子技术有限公司 一种基于图像深度学习的产品表面划痕检测方法
CN112816484A (zh) * 2020-12-30 2021-05-18 重庆凯歌电子股份有限公司 用于pcb电路板的检测系统
CN113362288A (zh) * 2021-05-24 2021-09-07 深圳明锐理想科技有限公司 一种金手指划伤检测方法、装置以及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
激光在高反面轴类零件表面瑕疵检测的应用;杨莓等;《激光与红外》;20200720(第07期);第808-814页 *

Also Published As

Publication number Publication date
CN115082431A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN115082431B (zh) 一种pcb板表面缺陷检测方法
CN114018160B (zh) 一种极耳成像装置和极耳尺寸检测方法
CN112949398B (zh) 车道线检测方法、测距方法及对应装置
CN114862880B (zh) 一种基于异性石料的切割优化方法及系统
CN115082466B (zh) 一种pcb表面焊点缺陷检测方法及系统
CN112927283B (zh) 测距方法及装置、存储介质及电子设备
CN116703889B (zh) 一种柔性电路板贴片异常检测方法
CN110298860A (zh) 一种基于机器视觉的高杆绣球检测计数系统
CN116862910B (zh) 基于自动化裁切生产的视觉检测方法
CN116385430A (zh) 一种机器视觉瑕疵检测方法、装置、介质及设备
CN115471476A (zh) 一种部件缺陷检测方法、装置、设备及介质
CN117037103A (zh) 一种道路检测方法和装置
CN117557573B (zh) 基于计算机视觉的oca膜气泡检测方法
CN114004858A (zh) 基于机器视觉识别航空线缆表面编码的方法及装置
CN112446913A (zh) 一种通道闸行人数量统计与尾随判断方法、装置和设备
CN113362288B (zh) 一种金手指划伤检测方法、装置以及电子设备
CN115272134B (zh) 一种基于pcb干扰反光识别的pcb图像去反光方法
CN109657577B (zh) 一种基于熵和运动偏移量的动物检测方法
CN115909359A (zh) 一种基于智能视觉的电容字符检测方法
CN115311443A (zh) 一种液压泵漏油识别方法
CN114120343A (zh) 证件图像质量评估方法及终端
CN111563883A (zh) 屏幕视觉定位方法、定位设备及存储介质
CN117314905B (zh) 一种基于图像处理的预制楼梯智能检测方法及系统
CN117593780B (zh) 一种皱纹深度指数确定方法、装置、电子设备及存储介质
CN114581890B (zh) 确定车道线的方法、装置、电子设备和存储介质

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