CN115082449B - 一种电子元器件缺陷检测方法 - Google Patents

Abstract

本发明涉及图像识别技术领域，具体涉及一种电子元器件缺陷检测方法，该方法包括：采集每个电子元器件的X光结构图像，根据每两个邻近的边缘像素点之间的邻近距离获取窗口尺寸，进而以每个像素点为中心点划分窗口；获取每个窗口的梯度频率向量和距离频率向量，得到梯度分布和距离分布；根据梯度分布和距离分布获取每个像素点的区分度，获取每个像素点的关注权重，组成结构图像的关注矩阵；获取每个关注矩阵对应的稀疏向量，以异常稀疏向量对应的结构图像为缺陷图像。本发明实施例能够应用电子设备进行图像识别，在不影响生产效率的情况下，准确快速地完成元器件的缺陷检测，能够应用于工业生产领域人工智能系统等信息系统集成服务。

Description

一种电子元器件缺陷检测方法

技术领域

本发明涉及图像识别技术领域，具体涉及一种电子元器件缺陷检测方法。

背景技术

随着社会经济的发展、工业化社会的推进，工业生产领域人工智能系统飞速发展，电子产品应用随之提高，电子元器件作为电子产品的重要构件，其质量的好坏直接影响电子产品使用效果。

保险丝作为重要电子元器件，由很多部件构成，组装保险丝的部件的体积较小，在生产过程中容易出现组装漏装部件的现象，并且通过RGB相机很难获得保险丝内部的部件组装情况，因而需利用X光机采集保险的内部信息图像，由于X光机拍摄的图像清晰度相对小，同时其颜色信息丰富度也相对较少，因而检测时其很容易出现误检现象。

由于保险丝检测是一种精小、生产节拍较快的小部件，在进行检测时既要准确检测出漏装部件的保险丝产品，同时还需保证其检测效率，不然就会影响电子元器件生产效率。

检测效率较高的缺陷检测方法有采用阈值分割和边缘检测，但是由于X光图像为灰度图像，同时灰度间隔相对较小，缺陷区域相较于普通区域没有明显的灰度差异，因而通过阈值分割很难分割出缺陷区域；而边缘检测，由于保险丝图像中纹理结构复杂，而缺陷纹理相较于普通纹理差异度相对较小，单一的边缘纹理信息也相对较少，因此无法准确区分缺陷区域，通过边缘检测很难准确的定位出缺陷图像。

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缺陷检测方法，所采用的技术方案具体如下：

本发明一个实施例提供了一种电子元器件缺陷检测方法，该方法包括以下步骤：

采集每个电子元器件的X光结构图像，提取每张结构图像的边缘，根据每两个邻近的边缘像素点之间的邻近距离获取窗口尺寸，进而以每个像素点为中心点划分窗口；

获取每个窗口的梯度频率向量，计算目标窗口与邻接窗口的梯度频率向量的相似度作为目标窗口的梯度分布；获取每个窗口内所述邻近距离的距离频率向量，计算目标窗口与邻接窗口的距离频率向量的相似度作为目标窗口的距离分布；

根据所述梯度分布和所述距离分布获取每个窗口对应的像素点的区分度，结合所述区分度和该像素点的梯度获取每个像素点的关注权重，每张结构图像中所有像素点的关注权重组成关注矩阵；

将多个关注矩阵作为字典学习网络的输入，获取每个关注矩阵对应的稀疏向量，通过对所有稀疏向量进行分类，获取异常稀疏向量，对应的结构图像为缺陷图像。

优选的，所述窗口尺寸的获取方法为：

分别从水平方向和竖直方向统计邻近距离，生成对应方向的邻近距离的直方图，筛选出每个方向上最大频率对应的邻近距离作为备选尺寸，以更小的备选尺寸作为窗口尺寸。

优选的，所述梯度频率向量的获取方法为：

获取每个窗口内每个像素点的梯度值，统计窗口中每个梯度值对应的频率生成直方图，由所有的频率值组成梯度频率向量。

优选的，所述梯度分布的获取方法为：

分别计算目标窗口与每个邻接窗口的梯度频率向量的余弦相似度，所有邻接窗口对应的余弦相似度的平均值即为目标窗口的所述梯度分布。

优选的，所述距离频率向量的获取方法为：

获取每个窗口内每个边缘像素点对应的多个邻近距离，计算多个邻近距离的平均值作为该边缘像素点的距离关系，统计窗口中每个距离关系对应的频率生成直方图，由所有的频率值组成距离频率向量。

优选的，所述距离分布的获取方法为：

分别计算目标窗口与每个邻接窗口的距离频率向量的余弦相似度，所有邻接窗口对应的余弦相似度的平均值即为目标窗口的所述距离分布。

优选的，所述异常稀疏向量的获取方法为：

通过对所述稀疏向量聚类将所有的稀疏向量分为两个类别，计算每个类别中稀疏向量的相似性熵值，以相似性熵值较大的类别作为异常类别，该异常类别中的稀疏向量为异常稀疏向量。

本发明实施例至少具有如下有益效果：

以每个像素点为中心点在结构图像中划分窗口，通过计算窗口内像素点的梯度分布和距离分布得到每个像素点的区分度，结合区分度和梯度获取每个像素点的关注权重，组成结构图像的关注矩阵，对关注矩阵进行稀疏化得到稀疏向量，通过得到异常稀疏向量获取缺陷图像。本发明实施例能够应用电子设备进行图像识别，在不影响生产效率的情况下，准确快速地完成元器件的缺陷检测，能够应用于工业生产领域人工智能系统等信息系统集成服务。

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为本发明一个实施例提供的一种电子元器件缺陷检测方法的步骤流程图。

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，对依据本发明提出的一种电子元器件缺陷检测方法，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。

下面结合附图具体的说明本发明所提供的一种电子元器件缺陷检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种电子元器件缺陷检测方法的步骤流程图，该方法包括以下步骤：

步骤S001，采集每个电子元器件的X光结构图像，提取每张结构图像的边缘，根据每两个邻近的边缘像素点之间的邻近距离获取窗口尺寸，进而以每个像素点为中心点划分窗口。

具体的步骤包括：

1、采集每个电子元器件的X光结构图像，提取每张结构图像的边缘。

工人将保险丝组装完成后，利用传送带将保险丝传送至X光图像采集设备，X光图像采集设备将会采集到每个保险丝的结构图像，利用sobel算子处理图像得到各图像的边缘特征图，提取边缘特征图中的每条边缘，边缘上的像素点为边缘像素点。

2、分别从水平方向和竖直方向统计邻近距离，生成对应方向的邻近距离的直方图，筛选出每个方向上最大频率对应的邻近距离作为备选尺寸，以更小的备选尺寸作为窗口尺寸。

基于单个方向进行分析，以水平方向为例，获取该方向上每两个邻近的边缘像素点之间的邻近距离，统计每种邻近距离所对应的频率值生成邻近距离的直方图，获取直方图中频率最大值对应的邻近距离作为水平方向的备选尺寸，以同样的方法得到竖直方向上的频率最大值对应的邻近距离作为竖直方向的备选尺寸。以这两个备选尺寸中较小的那个邻近距离

作为窗口的尺寸，即窗口尺寸为

。

需要说明的是，邻接的边缘像素是指两个边缘像素点之间没有间隔边缘像素点，可以间隔非边缘像素点。

以这个尺寸作为窗口尺寸，在后续的窗口划分过程中，能够令每个窗口中包含大部分结构信息，不会因为窗口过大包含信息过多导致计算复杂，也不会因为窗口过小对于一些背景区域重复繁琐地计算，降低计算量。

3、以每个像素点为中心点划分窗口。

对于每张结构图像，分别以每个像素点作为中心点以

的尺寸划分窗口，每个像素点对应一个窗口。

步骤S002，获取每个窗口的梯度频率向量，计算目标窗口与邻接窗口的梯度频率向量的相似度作为目标窗口的梯度分布；获取每个窗口内邻近距离的距离频率向量，计算目标窗口与邻接窗口的距离频率向量的相似度作为目标窗口的距离分布。

具体的步骤包括：

1、获取每个窗口内每个像素点的梯度值，统计窗口中每个梯度值对应的频率生成直方图，由所有的频率值组成梯度频率向量。

获取每个窗口内每个像素点的梯度值，通过统计每种梯度值对应的频率值生成频率值直方图，进而生成频率值向量。

2、分别计算目标窗口与每个邻接窗口的梯度频率向量的余弦相似度，所有邻接窗口对应的余弦相似度的平均值即为目标窗口的梯度分布。

获取与目标窗口邻接的8个窗口，分别获取这些窗口的梯度频率向量，计算每个邻接窗口的梯度频率向量与目标窗口的梯度频率向量之间的余弦相似度，对所有余弦相似度求均值

即为目标窗口的梯度分布。

3、获取每个窗口内每个边缘像素点对应的多个邻近距离，计算多个邻近距离的平均值作为该边缘像素点的距离关系，统计窗口中每个距离关系对应的频率生成直方图，由所有的频率值组成距离频率向量。

对于每个边缘像素点，计算该边缘像素点所有邻近边缘像素点之间的邻近距离的平均值，以此平均值作为该边缘像素点的距离关系，统计生成各边缘像素的距离关系对应的频率值，进而得到距离关系的直方图，由所有的频率值组成距离频率向量。

4、分别计算目标窗口与每个邻接窗口的距离频率向量的余弦相似度，所有邻接窗口对应的余弦相似度的平均值即为目标窗口的距离分布。

同样的，获取与目标窗口邻接的8个窗口，分别获取这些窗口的距离频率向量，计算每个邻接窗口的距离频率向量与目标窗口的距离频率向量之间的余弦相似度，对所有余弦相似度求均值

即为目标窗口的距离分布。

步骤S003，根据梯度分布和距离分布获取每个窗口对应的像素点的区分度，结合区分度和该像素点的梯度获取每个像素点的关注权重，每张结构图像中所有像素点的关注权重组成关注矩阵。

具体的步骤包括：

1、根据梯度分布和距离分布获取每个窗口对应的像素点的区分度，梯度分布和距离分布均与区分度呈负相关关系。

作为一个示例，本发明实施例计算区分度的方法为：

其中，

表示第i个像素点的区分度，

表示第i个目标窗口，即第i个像素点的梯度分布，

表示第i个目标窗口，即第i个像素点的距离分布。

作为另一个示例，本发明实施例计算区分度的方法为：

其中，e表示自然数。

通过

来反映第i个像素点处的梯度信息与周围的像素梯度信息的相似性，该值越大说明该像素点的周围信息是重复的信息，该像素点的区分度较小；通过

来反映第i个像素点处边缘轮廓位置关系信息与周围像素的边缘轮廓位置关系的信息相似性，该值越大说明该像素处信息是结构重复信息，因而该像素处的信息的区分度较小。

2、获取每张结构图像的关注矩阵。

首先结合区分度和该像素点的梯度获取每个像素点的关注权重。

其中，

表示第i个像素点的关注权重，

表示第i个像素点的梯度值，e为自然数。

区分度

越大，说明此处越有可能是异常区域，越需要关注；梯度值

越大，说明该像素的相较于周围像素灰度对比度较大，越有可能是异常区域，越需要关注。

然后由所有像素点的关注权重组成整张结构图像的关注矩阵。

步骤S004，将多个关注矩阵作为字典学习网络的输入，获取每个关注矩阵对应的稀疏向量，通过对所有稀疏向量进行分类，获取异常稀疏向量，对应的结构图像为缺陷图像。

具体的步骤包括：

1、获取每个关注矩阵对应的稀疏向量。

关注矩阵反映了保险丝的结构图像的重要程度，而原图中由于包含很多噪声干扰导致直接利用原图进行稀疏化处理可能后导致很多重要信息丢失，同时又为了保证缺陷识别的效率，所以只对关注矩阵进行稀疏化处理，具体为：

对关注矩阵进行字典学习，字典学习网络的输入为多张结构图像的关注矩阵，其中每个关注矩阵对应一个输入向量，输出为字典矩阵和稀疏矩阵，其中稀疏矩阵中每个稀疏向量对应了每个关注矩阵，即对应了每张结构图像。

需要说明的是，输入矩阵通过将关注矩阵每行的向量依次连接起来获取。

2、获取异常稀疏向量，对应的结构图像为缺陷图像。

由于每个稀疏向量对应了每张结构图像的关注矩阵稀疏化处理后的结果，因而要区分哪些图像为缺陷图像只需对稀疏向量进行分类处理。在本发明实施例中将稀疏向量进行K-means聚类，其中，K取值为2，得到两个类别。

分别计算两个类别内稀疏向量的相似性熵值：

对于每个类别，计算每两个稀疏向量的余弦相似度，计算类别内的所有余弦相似度的熵值，以余弦相似度熵值较大的那个类别为异常类别，该异常类别中的稀疏向量为异常稀疏向量，对应的结构图像为缺陷图像，检测出缺陷元器件。

保险丝缺陷会有各种结构形式，而非缺陷的保险丝的结构形式较为相近，因而缺陷类别的相似性熵值较大，非缺陷类别的相似性熵值较小。所以通过计算相似性熵值来区分缺陷类别和非缺陷类别。

综上所述，本发明实施例采集每个电子元器件的X光结构图像，提取每张结构图像的边缘，根据每两个邻近的边缘像素点之间的邻近距离获取窗口尺寸，进而以每个像素点为中心点划分窗口；获取每个窗口的梯度频率向量，计算目标窗口与邻接窗口的梯度频率向量的相似度作为目标窗口的梯度分布；获取每个窗口内邻近距离的距离频率向量，计算目标窗口与邻接窗口的距离频率向量的相似度作为目标窗口的距离分布；根据梯度分布和距离分布获取每个窗口对应的像素点的区分度，结合区分度和该像素点的梯度获取每个像素点的关注权重，每张结构图像中所有像素点的关注权重组成关注矩阵；将多个关注矩阵作为字典学习网络的输入，获取每个关注矩阵对应的稀疏向量，通过对所有稀疏向量进行分类，获取异常稀疏向量，对应的结构图像为缺陷图像。本发明实施例能够应用电子设备进行图像识别，在不影响生产效率的情况下，准确快速地完成元器件的缺陷检测。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

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)

1.一种电子元器件缺陷检测方法，其特征在于，该方法包括以下步骤：

采集每个电子元器件的X光结构图像，提取每张结构图像的边缘，根据每两个邻近的边缘像素点之间的邻近距离获取窗口尺寸，进而以每个像素点为中心点划分窗口；

获取每个窗口的梯度频率向量，计算目标窗口与邻接窗口的梯度频率向量的相似度作为目标窗口的梯度分布；获取每个窗口内所述邻近距离的距离频率向量，计算目标窗口与邻接窗口的距离频率向量的相似度作为目标窗口的距离分布；

根据所述梯度分布和所述距离分布获取每个窗口对应的像素点的区分度，结合所述区分度和该像素点的梯度获取每个像素点的关注权重，每张结构图像中所有像素点的关注权重组成关注矩阵；

将多个关注矩阵作为字典学习网络的输入，获取每个关注矩阵对应的稀疏向量，通过对所有稀疏向量进行分类，获取异常稀疏向量，对应的结构图像为缺陷图像。

2.根据权利要求1所述的一种电子元器件缺陷检测方法，其特征在于，所述窗口尺寸的获取方法为：

分别从水平方向和竖直方向统计邻近距离，生成对应方向的邻近距离的直方图，筛选出每个方向上最大频率对应的邻近距离作为备选尺寸，以更小的备选尺寸作为窗口尺寸。

3.根据权利要求1所述的一种电子元器件缺陷检测方法，其特征在于，所述梯度频率向量的获取方法为：

获取每个窗口内每个像素点的梯度值，统计窗口中每个梯度值对应的频率生成直方图，由所有的频率值组成梯度频率向量。

4.根据权利要求1所述的一种电子元器件缺陷检测方法，其特征在于，所述梯度分布的获取方法为：

分别计算目标窗口与每个邻接窗口的梯度频率向量的余弦相似度，所有邻接窗口对应的余弦相似度的平均值即为目标窗口的所述梯度分布。

5.根据权利要求1所述的一种电子元器件缺陷检测方法，其特征在于，所述距离频率向量的获取方法为：

获取每个窗口内每个边缘像素点对应的多个邻近距离，计算多个邻近距离的平均值作为该边缘像素点的距离关系，统计窗口中每个距离关系对应的频率生成直方图，由所有的频率值组成距离频率向量。

6.根据权利要求1所述的一种电子元器件缺陷检测方法，其特征在于，所述距离分布的获取方法为：

分别计算目标窗口与每个邻接窗口的距离频率向量的余弦相似度，所有邻接窗口对应的余弦相似度的平均值即为目标窗口的所述距离分布。

7.根据权利要求1所述的一种电子元器件缺陷检测方法，其特征在于，所述异常稀疏向量的获取方法为：

通过对所述稀疏向量聚类将所有的稀疏向量分为两个类别，计算每个类别中稀疏向量的相似性熵值，以相似性熵值较大的类别作为异常类别，该异常类别中的稀疏向量为异常稀疏向量。

Images