CN115082478B - 一种集成电路板质量分选系统 - Google Patents
一种集成电路板质量分选系统 Download PDFInfo
- Publication number
- CN115082478B CN115082478B CN202211009267.8A CN202211009267A CN115082478B CN 115082478 B CN115082478 B CN 115082478B CN 202211009267 A CN202211009267 A CN 202211009267A CN 115082478 B CN115082478 B CN 115082478B
- Authority
- CN
- China
- Prior art keywords
- hole
- target
- sub
- image
- evaluation index
- 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
Links
- 238000011156 evaluation Methods 0.000 claims abstract description 128
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims abstract description 4
- 238000003708 edge detection Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 239000004020 conductor Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- MXWJVTOOROXGIU-UHFFFAOYSA-N atrazine Chemical compound CCNC1=NC(Cl)=NC(NC(C)C)=N1 MXWJVTOOROXGIU-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种集成电路板质量分选系统,该系统包括存储器和处理器,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:对目标正面图像的元件区域进行边缘检测,得到目标正面图像中的边缘像素点,进而利用霍夫圆检测得到目标正面图像中各孔洞对应的各初始圆心和对应的导线圆对应的各初始圆心,进而得到各孔洞的目标圆心;根据各孔洞的目标圆心,得到孔洞评价指标;根据各孔洞对的连接导线,得到导线评价指标;根据所述导线评价指标和所述孔洞评价指标,得到待检测集成电路板的质量指标,进而判断待检测集成电路板的质量等级。本发明实现了以较低的成本对集成电路板的质量进行更加可靠的分选。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种集成电路板质量分选系统。
背景技术
在集成电路板生产过程中由于生产现场和加工过程中各种因素的影响,可能会导致集成电路板产生各种各样的瑕疵;集成电路板的质量与其表面的导线质量和孔洞质量息息相关,导线质量的好坏直接影响着其性能,而孔洞质量好坏影响着元件的安装,因此对集成电路板的质量进行检测是十分重要的。
由于集成电路板上的孔洞近似圆形(即并非标准的圆形),因此采用传统的机器视觉算法(比如霍夫圆检测算法)对图像中的孔洞区域进行检测,难以得到的孔洞区域内最真实的圆心,可能会导致最终的检测结果可靠性较低;除此之外,采用现有神经网络的方法对集成电路板中的孔洞和导线的质量进行检测,需要大量的训练数据且硬件要求较高,即成本较高,因此如何采用较低的成本对集成电路板的质量进行更加可靠的分选是需要解决的问题。
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集成电路板质量分选系统,所采用的技术方案具体如下:
本发明提供了一种集成电路板质量分选系统,包括存储器和处理器,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目标正面图像和目标反面图像;利用大津阈值分割算法将所述目标正面图像和目标反面图像划分为背景区域和元件区域;所述元件区域包括孔洞和导线;
对目标正面图像的元件区域和目标反面图像的元件区域进行边缘检测,得到目标正面图像中的边缘像素点和目标反面图像中的边缘像素点;对目标正面图像中的边缘像素点进行霍夫圆检测,得到目标正面图像中各孔洞对应的各初始圆心和各孔洞对应的导线圆对应的各初始圆心;根据目标正面图像中各孔洞对应的各初始圆心和各孔洞对应的导线圆对应的各初始圆心,得到各孔洞的目标圆心以及各孔洞对应的初步评估指标;所述孔洞对应的导线圆为孔洞外围的导线的最外层边缘;
根据各孔洞的目标圆心和目标反面图像中的边缘像素点,得到各孔洞对应的孔洞评价指标;将目标正面图像中由两条边缘线相连的两个导线圆对应的两个孔洞记为孔洞对;根据各孔洞对对应的连接导线的边缘像素点,得到各孔洞对对应的连接导线的导线评价指标;所述连接导线为孔洞对之间的两条边缘线之间的区域;
根据各孔洞对对应的连接导线的导线评价指标以及各孔洞对应的初步评估指标和孔洞评价指标,得到待检测集成电路板的质量指标;根据所述质量指标,判断待检测集成电路板的质量等级。
优选的,根据目标正面图像中各孔洞对应的各初始圆心和各孔洞对应的导线圆对应的各初始圆心,得到各孔洞的目标圆心以及各孔洞对应的初步评估指标,包括:
对于任一孔洞:
对于该孔洞对应的初始圆心z:从该孔洞对应的导线圆对应的各初始圆心中选取与初始圆心z的欧氏距离最小的初始圆心,作为初始圆心z对应的第一匹配圆心;根据该孔洞对应的初始圆心z对应的半径与对应的第一匹配圆心对应的半径,得到该孔洞对应的初始圆心z的置信度;所述半径是通过霍夫圆检测得到的;
从该孔洞对应的各初始圆心中选取置信度最大的初始圆心,作为该孔洞对应的目标圆心;将该孔洞对应的除目标圆心以外的其他初始圆心删除,并统计删除的初始圆心的数量;
计算所述删除的初始圆心的数量与该孔洞对应的所有初始圆心的数量的比值,并计算1与所述比值的差值,作为该孔洞对应的初步评估指标。
优选的,所述得到该孔洞对应的初始圆心z的置信度的公式如下:
其中,为该孔洞对应的初始圆心z的置信度,为该孔洞对应的初始圆心z对应的半径,为该孔洞对应的初始圆心z对应的第一匹配圆心的半径,为该孔洞对应的初始圆心z与对应的第一匹配圆心之间的欧氏距离,L为标准生产规格上孔洞边缘与导线圆之间所形成的圆环的距离,为第一调节因子,e为自然常数。
优选的,利用大津阈值分割算法将所述目标正面图像和目标反面图像划分为背景区域和元件区域,包括:
获取待检测集成电路板的初始正面图像和初始反面图像,所述初始正面图像和初始反面图像为RGB图像;所述目标正面图像为灰度化后的初始正面图像,所述目标反面图像为灰度化后的初始反面图像;
分别对初始正面图像和初始反面图像进行HSV空间转化,得到初始正面图像中各像素点对应的H通道的值和初始反面图像中各像素点对应的H通道的值;将初始正面图像中各像素点对应的H通道的值作为对应像素点的像素值,构建正面色调图;将初始反面图像中各像素点对应的H通道的值作为对应像素点的像素值,构建反面色调图;
利用大津阈值分割算法对正面色调图进行处理,将正面色调图像划分成背景区域和元件区域;利用大津阈值分割算法对反面色调图进行处理,将反面色调图像划分成背景区域和元件区域;
根据正面色调图像中的背景区域和元件区域,得到目标正面图像中的背景区域和元件区域;根据反面色调图像中的背景区域和元件区域,得到目标反面图像中的背景区域和元件区域。
优选的,根据各孔洞的目标圆心和目标反面图像中的边缘像素点,得到各孔洞对应的孔洞评价指标,包括:
对目标反面图像中的各边缘像素点使用霍夫圆检测算法,得到目标反面图像中各孔洞对应的各圆心,记为反面圆心;
对于目标正面图像中的任一孔洞:
获取目标反面图像中与该孔洞对应的目标圆心相对应的像素点,记为该孔洞对应的目标圆心对应的反面像素点;
在目标反面图像中以该孔洞对应的目标圆心的反面像素点为中心,以预设长度为半径的圆形区域内寻找是否存在反面圆心,若不存在,则令目标正面图像中该孔洞对应的孔洞评价指标为0;
若存在,则获取所述圆形区域内与该孔洞对应的目标圆心的反面像素点的欧氏距离最小的反面圆心,记为该孔洞对应的目标圆心对应的第二匹配圆心;将目标反面图像中该第二匹配圆心所在的孔洞记为该孔洞对应的反面孔洞;
获取该孔洞中像素点的数量和对应的反面孔洞中像素点的数量;使用形状上下文算法对目标正面图像中该孔洞的边缘和目标反面图像中对应的反面孔洞的边缘进行边缘相似性计算,得到该孔洞对应的轮廓相似性;
根据该孔洞对应的轮廓相似性、该孔洞中像素点的数量和对应的反面孔洞中像素点的数量,计算该孔洞对应的孔洞评价指标;
所述计算该孔洞对应的孔洞评价指标的公式如下:
其中,为目标正面图像中第Q个孔洞对应的孔洞评价指标,为目标正面图像中第Q个孔洞对应的轮廓相似性,为目标正面图像中第Q个孔洞中像素点的数量,为目标正面图像中第Q个孔洞对应的反面孔洞中像素点的数量,为取最大值函数,为该孔洞和对应的反面孔洞中像素点数量最大的孔洞内第i个像素点的灰度值,为该孔洞和对应的反面孔洞中像素点数量最大的孔洞内第i个像素点在另一面图像中相对应的位置处像素点的灰度值,为第二调节因子,e为自然常数。
优选的,根据各孔洞对对应的连接导线的边缘像素点,得到各孔洞对对应的连接导线的导线评价指标,包括:
对于任一孔洞对对应的连接导线:
获取该孔洞对对应的连接导线的两条边缘线,将该孔洞对对应的连接导线的两条边缘线上的像素点记为连接导线像素点,将两条边缘线记为第一边缘线和第二边缘线;
将第一边缘线和第二边缘线同侧的端点相连,得到的区域作为该孔洞对对应的连接导线的区域;
根据所述第一边缘线和所述第二边缘线上的各连接导线像素点,将该孔洞对对应的连接导线的区域进行划分,得到该孔洞对对应的连接导线的各子区域以及各子区域对应的角度特征值和第一评价指标;
根据目标正面图像中各孔洞对对应的连接导线的各子区域对应的角度特征值和第一评价指标,得到该孔洞对对应的连接导线的导线评价指标。
优选的,所述得到该孔洞对对应的连接导线的各子区域以及各子区域对应的角度特征值和第一评价指标,包括:
对于所述第一边缘线上的任一连接导线像素点:计算所述第一边缘线上该连接导线像素点与8邻域内的各连接导线像素点所成的直线与水平直线的顺时针夹角的平均值,作为第一边缘线上该连接导线像素点对应的角度特征值;
计算第一边缘线上任意连接导线像素点与前一个连接导线像素点对应的角度特征值的差值的绝对值,将第一边缘线上绝对值大于差异阈值的连接导线像素点标记为拐点;
对于所述第二边缘线上的任一连接导线像素点:计算所述第二边缘线上该连接导线像素点与8邻域内的各连接导线像素点所成的直线与水平直线的顺时针夹角的均值,作为第二边缘线上该连接导线像素点对应的角度特征值;
计算第二边缘线上任意连接导线像素点与前一个连接导线像素点对应的角度特征值的差值的绝对值,将第二边缘线上绝对值大于差异阈值的连接导线像素点标记为拐点;
分别统计第一边缘线和第二边缘线上的拐点数量,以拐点数量多的边缘线为基准,通过拐点数量多的边缘线中拐点的位置将该孔洞对对应的连接导线划分为多个区域,记为子区域;
对于任一子区域:
将构成该子区域的边缘线中属于第一边缘线的边缘线记为第一子边缘线,将构成该子区域的边缘线中属于第二边缘线的边缘线记为第二子边缘线;
将第一子边缘线中各连接导线像素点对应的角度特征值中出现的次数最多的角度特征值记为第一子边缘线对应的角度特征值;将第二子边缘线中各连接导线像素点对应的角度特征值中出现的次数最多的角度特征值记为第二子边缘线对应的角度特征值;
将第一子边缘线对应的角度特征值和第二子边缘线对应的角度特征值的均值作为该子区域对应的角度特征值;
对于第一子边缘线和第二子边缘线中的任意子边缘线:统计该子边缘线上相邻的连接导线像素点对应的角度特征值的不相同的数量,记为该子边缘线对应的异常数量;计算所述异常数量与该子边缘线上各连接导线像素点数量的比值,计算1与所述比值的差值,作为该子边缘线对应的异常指标;
将第二子边缘线对应的异常指标和第一子边缘线对应的异常指标的均值,作为该子区域的第一评价指标。
优选的,根据目标正面图像中各孔洞对对应的连接导线的各子区域对应的角度特征值和第一评价指标,得到该孔洞对对应的连接导线的导线评价指标,包括:
对于该孔洞对对应的连接导线的任一子区域:从目标正面图像中各孔洞对对应的连接导线的各子区域中选取与该子区域对应的角度特征值相同的子区域,记为相关子区域;根据该子区域和对应的各相关子区域内像素点的灰度值以及子区域的宽度,计算该子区域与每一个相关子区域的相关性;根据该子区域对应的第一评价指标、该子区域与每一个相关子区域的相关性,得到该子区域对应的目标导线评价指标;
将该孔洞对对应的连接导线的各子区域对应的目标评价指标的均值,作为该孔洞对对应的连接导线的导线评价指标;
所述得到该子区域对应的目标导线评价指标的公式如下:
其中,为该子区域对应的目标评价指标,为该子区域与对应的第u个相关子区域的相关性,为该子区域对应的第一评价指标,为该子区域内各像素点的灰度值的平均值,为该子区域对应的第u个相关子区域内各像素点的灰度值的平均值,D为该子区域的宽度,为该子区域对应的第u个相关子区域的宽度,e为自然常数,U为该子区域对应的相关子区域的数量。
优选的,所述得到待检测集成电路板的质量指标的公式如下:
其中,为待检测集成电路板的质量指标,M为目标正面图像中孔洞对的数量,为目标正面图像中第m个孔洞对对应的连接导线的导线评价指标,为目标正面图像中第m个孔洞对对应的第1个孔洞对应的孔洞评价指标,为目标正面图像中第m个孔洞对对应的第2个孔洞对应的孔洞评价指标,为目标正面图像中第m个孔洞对对应的第1个孔洞对应的初步评估指标,为目标正面图像中第m个孔洞对对应的第2个孔洞对应的初步评估指标。
优选的,根据所述质量指标,判断待检测集成电路板的质量等级,包括:
若所述质量等级小于第一质量阈值,则判定待检测集成电路板的质量等级为一级;若所述质量大于等于第一质量阈值小于第二质量阈值,则判定待检测集成电路板的质量等级为二级;若所述质量大于等于第二质量阈值,则判定待检测集成电路板的质量等级为三级。
本发明具有如下有益效果:
考虑到集成电路板的质量与集成电路板中的孔洞和导线的质量有关,因此本发明通过对图像中的孔洞和导线的质量进行分析;由于图像中孔洞可能并不是标准的圆,可能会存在一定的变形,当仅采用霍夫圆检测对图像中的孔洞进行检测时,一个孔洞可能会得到多个圆心,进而难以确定图像中孔洞最真实的圆心,因此本发明结合目标正面图像中各孔洞对应的各初始圆心和各孔洞对应的导线圆对应的各初始圆心,对各孔洞对应的各初始圆心进行筛选,得到各孔洞的目标圆心,所述目标圆心即为孔洞对应的最真实的圆心,该方法提高了霍夫圆检测的效果,进而可以提高后续对孔洞质量检测的可靠性。考虑到质量好的集成电路板的孔洞在正面和反面应该是对应的,其大小和形状也应是相同,因此本发明根据各孔洞的目标圆心和目标反面图像中的边缘像素点,得到各孔洞对应的孔洞评价指标,所述孔洞评价指标用来反映对应的孔洞的质量;图像中的连接导线会连接两个孔洞,因此本发明基于正常情况下连接导线的特点,根据各孔洞对对应的连接导线的边缘像素点,得到各孔洞对对应的连接导线的导线评价指标,所述导线评价指标用来反映对应连接导线的质量。最后本发明综合导线评价指标以及孔洞的孔洞评价指标,对待检测集成电路板的质量进行评估,得到对应的质量指标,进而能够更好的对待检测集成电路板进行质量分选。本发明通过图像处理的方法对图像中孔洞和导线的质量进行分析,实现了以较低的成本对集成电路板的质量进行更加可靠的分选。
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为本发明提供的一种集成电路板质量分选方法的流程图;
图2为孔洞对与对应的连接导线示意图。
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能效果,以下结合附图及较佳实施例,对依据本发明提出的一种集成电路板质量分选系统进行详细说明如下。
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集成电路板质量分选系统的具体方案。
一种集成电路板质量分选系统实施例:
如图1所示,本实施例的一种集成电路板质量分选系统,包括存储器和处理器,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:
步骤S1,获取待检测集成电路板的目标正面图像和目标反面图像;利用大津阈值分割算法将所述目标正面图像和目标反面图像划分为背景区域和元件区域;所述元件区域包括孔洞和导线。
集成电路板是电子工业的重要部件之一,是任何集成电路等电子元器件必不可少的承载器件。在集成电路板生产过程中由于生产现场和加工过程中各种因素的影响,可能会导致集成电路板产生各种各样的瑕疵;集成电路板的质量与其表面的导线质量和孔洞质量息息相关,导线质量的好坏直接影响着其性能,而孔洞质量好坏影响着元件的安装;因此为了对集成电路板的质量进行分析,本实施例提供了一种集成电路板质量分选系统,通过对孔洞区域与导线区域的特征进行分析,判断集成电路板中的孔洞与导线的质量,进而对集成电路板的质量进行评估。
本实施例利用工业相机,固定光源,采集俯视视角下的待检测集成电路板的初始正面图像和初始反面图像,所述初始正面图像和初始反面图像为RGB图像;然后分别对初始正面图像和初始反面图像进行加权灰度化处理,将灰度化处理后的初始正面图像记为目标正面图像,将灰度化处理后的初始反面图像记为目标反面图像。
分别对初始正面图像和初始反面图像进行HSV空间转化,得到初始正面图像中各像素点对应的H通道的值和初始反面图像中各像素点对应的H通道的值;然后将初始正面图像中各像素点对应的H通道的值作为对应像素点的像素值,构建正面色调图(初始正面图像、目标正面图像和正面色调图像的像素点是一一对应的);将初始反面图像中各像素点对应的H通道的值作为对应像素点的像素值,构建反面色调图(初始反面图像、目标反面图像和反面色调图像的像素点是一一对应的)。本实施例中加权灰度化和HSV空间转化为现有技术,就不再赘述。
接着,本实施例根据图像中像素点的颜色信息,将目标正面图像和目标反面图像进行分割,分割为背景区域与元件区域,然后对图像中的元件区域内的像素点进行分析,以实现对集成电路板质量的评价;具体的:考虑到集成电路板的背景往往是绿色的(即与其他区域的颜色不同),因此本实施例利用大津阈值分割算法对正面色调图进行处理,将正面色调图像中的像素点分为两类,一类为背景像素点(色调值接近绿色),构成背景区域,另一类像素点为元件像素点,构成元件区域(所述元件区域包括集成电路板中的孔洞和导线的像素点);同理,利用大津阈值分割算法对反面色调图进行处理,将反面色调图像划分成背景区域和元件区域。由于目标反面图像和反面色调图像的像素点是一一对应的,目标正面图像和正面色调图像的像素点是一一对应的,因此对应的可以将目标反面图像和目标正面图像划分为背景区域和元件区域。本实施例中大津阈值分割算法为现有技术,此处不再赘述。
步骤S2,对目标正面图像的元件区域和目标反面图像的元件区域进行边缘检测,得到目标正面图像中的边缘像素点和目标反面图像中的边缘像素点;对目标正面图像中的边缘像素点进行霍夫圆检测,得到目标正面图像中各孔洞对应的各初始圆心和各孔洞对应的导线圆对应的各初始圆心;根据目标正面图像中各孔洞对应的各初始圆心和各孔洞对应的导线圆对应的各初始圆心,得到各孔洞的目标圆心以及各孔洞对应的初步评估指标;所述孔洞对应的导线圆为孔洞外围的导线的最外层边缘。
根据步骤S1得到了目标反面图像的背景区域和元件区域以及目标正面图像的背景区域和元件区域;接下来本实施例对元件区域中的孔洞和导线进行分析,来判断集成电路板的质量。
首先,利用canny算子对目标正面图像的元件区域中的边缘进行检测,得到目标正面图像的元件区域内的边缘,将边缘上的像素点记为边缘像素点,即得到了目标正面图像中的边缘像素点;同理,利用canny算子对目标反面图像的元件区域的边缘进行检测,得到目标反面图像中的边缘像素点。本实施例中canny算子为现有技术,在此就不再赘述。
由于孔洞的周围会有一圈导线,因此在图像中孔洞的边缘(即孔洞边缘)外侧会有一圈导线的边缘,接近圆形,将一圈导线最外层的边缘记为导线圆;除此之外,图像中会有许多连接两个孔洞的导线,记为连接导线,连接导线具有一定宽度的,因此在图像中两个相连的孔洞之间会存在两条边缘线;如图2所示,其中1为孔洞边缘,2为该孔洞对应的导线圆,3为连接导线的一个边缘,4为连接导线的另一个边缘,本实施例中所述的孔洞即为孔洞边缘内的区域。
考虑到孔洞质量的好坏影响着电路板元件的安装,而理想情况下孔洞是一个标准的圆与对应的导线圆是同一个圆心,即孔洞边缘与孔洞对应的导线圆可以组成一个圆环;因此本实施例首先对图像中孔洞的质量进行评价,具体的:
对目标正面图像中的各边缘像素点使用霍夫圆检测算法,得到目标正面图像中各孔洞对应的圆心和各孔洞对应的导线圆的圆心;当孔洞质量存在的问题时,孔洞和对应的导线圆并非标准的圆,因此采用霍夫圆检测得到的圆心可能不止一个,即可以得到各孔洞对应的各初始圆心和各孔洞对应的导线圆对应的各初始圆心,此外霍夫圆检测还可以得到各初始圆心对应的半径。接下来本实施例分别对目标正面图像中各孔洞进行分析,筛选出各孔洞对应的各初始圆心中的最佳的圆心(即最贴合实际的圆心)。对于任一孔洞:
对于该孔洞对应的初始圆心:从该孔洞对应的导线圆对应的各初始圆心中选取一个与初始圆心z的欧氏距离最小的初始圆心,作为初始圆心z对应的第一匹配圆心;然后本实施例将初始圆心z与对应的第一匹配圆心进行比较,若二者越相近,则说明初始圆心z为最佳圆心的可能性越大,接下来对该孔洞对应的初始圆心z与对应的第一匹配圆心进行分析,得到该孔洞对应的初始圆心z的置信度,即:
其中,为该孔洞对应的初始圆心z的置信度,为该孔洞对应的初始圆心z对应的半径,为该孔洞对应的初始圆心z对应的第一匹配圆心的半径,为该孔洞对应的初始圆心z与对应的第一匹配圆心之间的欧氏距离,L为标准生产规格上孔洞边缘与导线圆之间所形成的圆环的距离,e为自然常数,为第一调节因子,所述第一调节因子为一个较小的正数,为了防止分母为0,第一调节因子的大小实施者可根据实际需要进行设置。
当该孔洞对应的初始圆心z对应的半径与对应的第一匹配圆心的半径之间的差异与标准生产规格上孔洞边缘与导线圆之间所形成的圆环的距离越相近,说明初始圆心z越可能是该孔洞的最佳的圆心(即最接近真实的圆心),此时越大;当越小时,说明该孔洞对应的初始圆心z与对应的第一匹配圆心越相近,即初始圆心z越可能是该孔洞的最佳的圆心,此时越大。
根据上述过程可以得到该孔洞对应的各初始圆心对应的置信度;接着从该孔洞对应的各初始圆心中选取置信度最大的初始圆心,作为该孔洞对应的目标圆心,将所述目标圆心对应的第一匹配圆心作为对应的导线圆对应的目标圆心;孔洞对应的目标圆心为该孔洞对应的所有初始圆心中最符合该孔洞真实圆心的初始圆心(即最佳的初始圆心)。得到该孔洞对应的目标圆心后,将该孔洞对应的除目标圆心以外的其他初始圆心删除,并统计删除的初始圆心的数量,然后根据删除的初始圆心的数量对该孔洞进行初步分析,即计算所述删除的初始圆心的数量与该孔洞对应的所有初始圆心的数量的比值,然后计算1与所述比值的差值,作为该孔洞对应的初步评估指标;当初步评估指标越大时,说明该孔洞的质量越好,反之说明该孔洞的质量越差。
至此,本实施例根据上述过程能够得到目标正面图像中各孔洞对应的目标圆心以及各孔洞对应的初步评估指标。
步骤S3,根据各孔洞的目标圆心和目标反面图像中的边缘像素点,得到各孔洞对应的孔洞评价指标;将目标正面图像中由两条边缘线相连的两个导线圆对应的两个孔洞记为孔洞对;根据各孔洞对对应的连接导线的边缘像素点,得到各孔洞对对应的连接导线的导线评价指标;所述连接导线为孔洞对之间的两条边缘线之间的区域。
上述步骤对目标正面图像中的各孔洞进行了初步的分析,接下来,本实施例结合目标反面图像对目标正面图像中的各孔洞进行进一步的分析,进而得到目标正面图像中的各孔洞对应的孔洞评价指标,具体的:
首先对目标反面图像中的各边缘像素点使用霍夫圆检测算法,得到目标反面图像中各孔洞对应的各圆心,记为反面圆心。然后在目标反面图像中寻找与目标正面图像中的各孔洞对应的目标圆心相对应的反面圆心,对于目标正面图像中的任一孔洞:
获取目标反面图像中与该孔洞对应的目标圆心相对应的像素点(即将目标正面图像中该孔洞对应的目标圆心所在位置映射到反面后对应的位置的像素点,例如一张中的某一个点在正面图像和反面图像上的坐标可能是不同的),记为该孔洞对应的目标圆心对应的反面像素点;在目标反面图像中以该孔洞对应的目标圆心的反面像素点为中心,以预设长度为半径的圆形区域内寻找是否存在反面圆心,若不存在,则说明目标正面图像中该孔洞未被打穿,因此说明该孔洞的质量较差,此时令目标正面图像中该孔洞对应的孔洞评价指标等于0;若存在,则获取该圆形区域内与该孔洞对应的目标圆心的反面像素点的欧氏距离最小的反面圆心,将得到的反面圆心作为该孔洞对应的目标圆心对应的第二匹配圆心,将目标反面图像中该第二匹配圆心所在的孔洞记为该孔洞对应的反面孔洞;然后将该孔洞与对应的反面孔洞进行对比,得到该孔洞对应的孔洞评价指标,具体的:
理想情况下一个孔洞在正反两面应该是大小相同,边缘形状相同的,因此本实施例首先获取目标正面图像中该孔洞中像素点的数量(即该孔洞边缘内的像素点数量)和对应的反面孔洞中像素点的数量;然后使用形状上下文算法对目标正面图像中该孔洞的边缘和目标反面图像中对应的反面孔洞的边缘进行边缘相似性计算,得到该孔洞对应的轮廓相似性S,形状上下文算法为现有技术,在此就不再赘述;接着根据该孔洞对应的轮廓相似性、该孔洞中像素点的数量和对应的反面孔洞中像素点的数量,计算该孔洞对应的孔洞评价指标,即:
其中,为目标正面图像中第Q个孔洞对应的孔洞评价指标,为目标正面图像中第Q个孔洞对应的轮廓相似性,为目标正面图像中第Q个孔洞中像素点的数量,为目标正面图像中第Q个孔洞对应的反面孔洞中像素点的数量,为取最大值函数,为该孔洞和对应的反面孔洞中像素点数量最大的孔洞内第i个像素点的灰度值,为该孔洞和对应的反面孔洞中像素点数量最大的孔洞内第i个像素点在另一面图像中相对应的位置处像素点的灰度值,为第二调节因子,所述第二调节因子为一个较小的正数,为了防止分母为0,第二调节因子的大小实施者可根据实际需要进行设置。若目标正面图像中该孔洞中的像素点数量最大,则为该孔洞中第i个像素点的灰度值,为目标反面图像中与该孔洞中第i个像素点相对应的像素点的灰度值。
当该孔洞的大小与对应的反面孔洞的大小越相近时(即像素点的数量相近时),说明该孔洞的质量越好,则越大;当越大时,说明该孔洞的边缘形状与对应的反面孔洞的边缘形状越相似,说明该孔洞的质量越好,此时越大;若越小,说明正面和反面的两个孔洞的差异越小,说明该孔洞的质量越好,此时越大。
至此,本实施例根据上述过程能够得到目标正面图像中各孔洞对应的孔洞评价指标。
考虑到集成电路板的质量还与导线的质量有关系,接下来,本实施例对目标正面图像中的连接导线进行分析,得到目标正面图像中每条连接导线对应的导线评价指标,具体的:
由于孔洞外侧有一圈导线,连接导线通过外圈的导线将两个孔洞相连,因此将目标正面图像中由两条边缘线相连的两个导线圆对应的两个孔洞记为孔洞对,如图2所示,进而得到目标正面图像中的多组孔洞对;一组孔洞对之间有两条边缘线,这两条边缘之间的区域为连接这两个孔洞的连接导线,即该孔洞对对应的连接导线。接下来,对于任一组孔洞对:
首先获取该孔洞对之间的两个边缘线(即对应的连接导线的两条边缘线),将该孔洞对对应的连接导线的两条边缘线上的像素点记为连接导线像素点,将两条边缘线记为第一边缘线和第二边缘线;第一边缘线的端点是与该孔洞对对应的两个导线圆的交点,同理第二边缘线的端点也是与该孔洞对对应的两个导线圆的交点,将第一边缘线和第二边缘线同侧的端点相连,得到的区域即为该连接导线的区域。接下来,本实施例以第一边缘线为例进行分析。
首先从第一边缘线的任意一端为起点对第一边缘线上的各连接导线像素点进行遍历,对于遍历到的任一连接导线像素点:获取该连接导线像素点的8邻域内存在的连接导线像素点,然后计算该连接导线像素点与8邻域内的第a个连接导线像素点所成的直线与水平直线的顺时针夹角,即,其中x为该连接导线像素点的横坐标,y为该连接导线像素点的纵坐标,为该连接导线像素点的8邻域内第a个连接导线像素点的横坐标,为所述第a个连接导线像素点的纵坐标;根据上述过程计算该连接导线像素点与8邻域内的每一个连接导线像素点所成的直线与水平直线的顺时针夹角的平均值,作为该连接导线像素点对应的角度特征值,即,n为该连接导线像素点的8邻域内连接导线像素点的数量,为该连接导线像素点的角度特征值。至此能够得到第一边缘线上各连接导线像素点对应的角度特征值,本实施例计算第一边缘线上任意连接导线像素点与前一个连接导线像素点对应的角度特征值的差值的绝对值,然后将第一边缘线上绝对值大于差异阈值的连接导线像素点标记为拐点(即导线拐弯处的连接导线像素点),得到第一边缘线上存在的各拐点;所述差异阈值用来判断边缘线上是否出现突变的情况,其大小由实施者自行设置。
根据上述过程,对该孔洞对对应的第二边缘线进行遍历,得到第二边缘线上各连接导线像素点对应的角度特征值,进而得到第二边缘线上的各拐点。分别统计第一边缘线和第二边缘线上的拐点数量,以拐点数量多的边缘线为基准,通过拐点数量多的边缘线中拐点的位置将该孔洞对对应的连接导线划分为多个区域;例如第一边缘线上的拐点数量多,那么分别过第一边缘线上的拐点向第二边缘线作垂线,进而将该孔洞对对应的连接导线对应的区域划分为多个子区域,对于任一子区域:
将构成该子区域的边缘线中属于第一边缘线的边缘线记为第一子边缘线,将构成该子区域的边缘线中属于第二边缘线的边缘线记为第二子边缘线;将第一子边缘线中各连接导线像素点对应的角度特征值中出现的次数最多的角度特征值记为第一子边缘线对应的角度特征值;同理将第二子边缘线中各连接导线像素点对应的角度特征值中出现的次数最多的角度特征值记为第二子边缘线对应的角度特征值;将第一子边缘线对应的角度特征值和第二子边缘线对应的角度特征值的均值作为该子区域对应的角度特征值;接着统计第一子边缘线上连接导线像素点与前一个连接导线像素点对应的角度特征值的不相同的连接导线像素点的数量(即相邻的连接导线像素点对应的角度特征值的不相同的数量),记为第一子边缘线对应的异常数量,然后计算所述异常数量与第一子边缘线上各连接导线像素点数量的比值,并计算1与所述比值的差值,作为第一子边缘线对应的异常指标,同理,采用同样的方法,得到第二子边缘线对应的异常指标,异常指标越小,说明对应的连接导线的质量越不好;将第二子边缘线对应的异常指标和第一子边缘线对应的异常指标的均值,作为该子区域的第一评价指标;当第一评价指标越小时,说明对应的连接导线的质量越不好,说明该子区域对应的第一子边缘线和第二子边缘线越不平滑。至此,本实施例根据上述过程可以得到该孔洞对对应的连接导线对应的各子区域,以及各子区域对应的角度特征值和第一评价指标。
至此,根据上述过程可以得到目标正面图像中所有孔洞对对应的连接导线对应的各子区域和各子区域对应的第一评价指标和角度特征值。本实施例中一个孔洞对对应的连接导线会对应多个子区域,一个子区域对应一个角度特征值和一个第一评价指标。
接下来,本实施例对每个孔洞对对应的连接导线的各子区域对应的角度特征值和第一评价指标,得到每个孔洞对对应的连接导线的各子区域的导线评价指标,具体的:
对于任一孔洞对对应的连接导线的任一子区域:
首先从目标正面图像中各孔洞对对应的连接导线的各子区域中选取与该子区域对应的角度特征值相同的子区域,记为相关子区域;然后根据该子区域和对应的各相关子区域内像素点的灰度值以及子区域的宽度,计算得到该子区域与每一个相关子区域的相关性;然后根据该子区域对应的第一评价指标、该子区域与每一个相关子区域的相关性,计算得到该子区域对应的目标导线评价指标,即:
其中,为该子区域对应的目标评价指标,为该子区域与对应的第u个相关子区域的相关性,为该子区域对应的第一评价指标,为该子区域内各像素点的灰度值的平均值,为该子区域对应的第u个相关子区域内各像素点的灰度值的平均值,D为该子区域的宽度,为该子区域对应的第u个相关子区域的宽度,e为自然常数,U为该子区域对应的相关子区域的数量。
当越大时,说明该子区域内各像素点的灰度值的平均值与对应的相关子区域内各像素点的灰度值的平均值相近,且该子区域的宽度与对应的相关子区域的宽度也相近,说明该子区域与对应的相关子区域相似,说明该子区域对应的连接导线质量越好,即越大。本实施例中获取子区域的宽度的方法为:计算对应的第一子边缘线中的各连接导线像素点到第二子边缘线的距离的平均值,作为该子区域的宽度(也可以计算对应的第二子边缘线中的各连接导线像素点到第一子边缘线的距离的平均值,作为该子区域的宽度)。除此之外,当越大时,说明该子区域对应的连接导线的质量越好,则越大。
至此能够得到该孔洞对对应的连接导线的各子区域对应的目标评价指标,本实施例将该孔洞对对应的连接导线的各子区域对应的目标评价指标的均值,作为该孔洞对对应的连接导线的导线评价指标。
根据上述过程,本实施例能够得到目标正面图像中各孔洞对对应的连接导线对应的导线评价指标。
步骤S4,根据各孔洞对对应的连接导线的导线评价指标以及各孔洞对应的初步评估指标和孔洞评价指标,得到待检测集成电路板的质量指标;根据所述质量指标,判断待检测集成电路板的质量等级。
本实施例根据步骤S3得到了目标正面图像中各孔洞对应的初步评估指标和孔洞评价指标以及各孔洞对对应的连接导线的导线评价指标;接下来,本实施例根据目标正面图像中各孔洞对应的初步评估指标和孔洞评价指标以及各孔洞对对应的连接导线的导线评价指标,得到待检测集成电路板的质量指标,即:
其中,为待检测集成电路板的质量指标,M为目标正面图像中孔洞对的数量,为目标正面图像中第m个孔洞对对应的连接导线的导线评价指标,为目标正面图像中第m个孔洞对对应的第1个孔洞对应的孔洞评价指标,为目标正面图像中第m个孔洞对对应的第2个孔洞对应的孔洞评价指标,为目标正面图像中第m个孔洞对对应的第1个孔洞对应的初步评估指标,为目标正面图像中第m个孔洞对对应的第2个孔洞对应的初步评估指标。
当各孔洞对对应的两个孔洞的初步评估指标和孔洞评价指标越大时,说明待检测集成电路板的质量越好,则Y越大;当各孔洞对对应的连接导线对应的导线评价指标越大时,说明待检测集成电路板的质量越好,则Y越大。
根据上述步骤,得到了待检测集成电路板的质量指标Y,当Y小于第一质量阈值时,认为待检测集成电路板的质量过差,将其分选到差品电路板区域中,并对其进行重新生产,此时待检测集成电路板的质量等级为一级;当Y大于等于第一质量阈值小于第二质量阈值时,将其分选到良好电路板区域内,此时待检测集成电路板的质量等级为二级;当Y大于等于第二质量阈值时,将其分选到优秀电路板区域中,此时待检测集成电路板的质量等级为三级。至此对待检测集成电路板完成了质量分选。本实施例中第一质量阈值和第二质量阈值需根据实际需要进行设置,其中第一质量阈值小于第二质量阈值。
考虑到集成电路板的质量与集成电路板中的孔洞和导线的质量有关,因此本实施例通过对图像中的孔洞和导线的质量进行分析;由于图像中孔洞可能并不是标准的圆,可能会存在一定的变形,当仅采用霍夫圆检测对图像中的孔洞进行检测时,一个孔洞可能会得到多个圆心,进而难以确定图像中孔洞最真实的圆心,因此本实施例结合目标正面图像中各孔洞对应的各初始圆心和各孔洞对应的导线圆对应的各初始圆心,对各孔洞对应的各初始圆心进行筛选,得到各孔洞的目标圆心,所述目标圆心即为孔洞对应的最真实的圆心,该方法提高了霍夫圆检测的效果,进而可以提高后续对孔洞质量检测的可靠性。考虑到质量好的集成电路板的孔洞在正面和反面应该是对应的,其大小和形状也应是相同,因此本实施例根据各孔洞的目标圆心和目标反面图像中的边缘像素点,得到各孔洞对应的孔洞评价指标,所述孔洞评价指标用来反映对应的孔洞的质量;图像中的连接导线会连接两个孔洞,因此本实施例基于正常情况下连接导线的特点,根据各孔洞对对应的连接导线的边缘像素点,得到各孔洞对对应的连接导线的导线评价指标,所述导线评价指标用来反映对应连接导线的质量。最后本实施例综合导线评价指标以及孔洞的孔洞评价指标,对待检测集成电路板的质量进行评估,得到对应的质量指标,进而能够更好的对待检测集成电路板进行质量分选。本实施例通过图像处理的方法对图像中孔洞和导线的质量进行分析,实现了以较低的成本对集成电路板的质量进行更加可靠的分选。
需要说明的是:以上所述仅为本发明的较佳实施例,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 (6)
1.一种集成电路板质量分选系统,包括存储器和处理器,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目标正面图像和目标反面图像;利用大津阈值分割算法将所述目标正面图像和目标反面图像划分为背景区域和元件区域;所述元件区域包括孔洞和导线;
对目标正面图像的元件区域和目标反面图像的元件区域进行边缘检测,得到目标正面图像中的边缘像素点和目标反面图像中的边缘像素点;对目标正面图像中的边缘像素点进行霍夫圆检测,得到目标正面图像中各孔洞对应的各初始圆心和各孔洞对应的导线圆对应的各初始圆心;根据目标正面图像中各孔洞对应的各初始圆心和各孔洞对应的导线圆对应的各初始圆心,得到各孔洞的目标圆心以及各孔洞对应的初步评估指标;所述孔洞对应的导线圆为孔洞外围的导线的最外层边缘;
根据各孔洞的目标圆心和目标反面图像中的边缘像素点,得到各孔洞对应的孔洞评价指标;将目标正面图像中由两条边缘线相连的两个导线圆对应的两个孔洞记为孔洞对;根据各孔洞对对应的连接导线的边缘像素点,得到各孔洞对对应的连接导线的导线评价指标;所述连接导线为孔洞对之间的两条边缘线之间的区域;
根据各孔洞对对应的连接导线的导线评价指标以及各孔洞对应的初步评估指标和孔洞评价指标,得到待检测集成电路板的质量指标;根据所述质量指标,判断待检测集成电路板的质量等级;
根据各孔洞的目标圆心和目标反面图像中的边缘像素点,得到各孔洞对应的孔洞评价指标,包括:
对目标反面图像中的各边缘像素点使用霍夫圆检测算法,得到目标反面图像中各孔洞对应的各圆心,记为反面圆心;
对于目标正面图像中的任一孔洞:
获取目标反面图像中与该孔洞对应的目标圆心相对应的像素点,记为该孔洞对应的目标圆心对应的反面像素点;
在目标反面图像中以该孔洞对应的目标圆心的反面像素点为中心,以预设长度为半径的圆形区域内寻找是否存在反面圆心,若不存在,则令目标正面图像中该孔洞对应的孔洞评价指标为0;
若存在,则获取所述圆形区域内与该孔洞对应的目标圆心的反面像素点的欧氏距离最小的反面圆心,记为该孔洞对应的目标圆心对应的第二匹配圆心;将目标反面图像中该第二匹配圆心所在的孔洞记为该孔洞对应的反面孔洞;
获取该孔洞中像素点的数量和对应的反面孔洞中像素点的数量;使用形状上下文算法对目标正面图像中该孔洞的边缘和目标反面图像中对应的反面孔洞的边缘进行边缘相似性计算,得到该孔洞对应的轮廓相似性;
根据该孔洞对应的轮廓相似性、该孔洞中像素点的数量和对应的反面孔洞中像素点的数量,计算该孔洞对应的孔洞评价指标;
所述计算该孔洞对应的孔洞评价指标的公式如下:
其中,为目标正面图像中第Q个孔洞对应的孔洞评价指标,为目标正面图像中第Q个孔洞对应的轮廓相似性,为目标正面图像中第Q个孔洞中像素点的数量,为目标正面图像中第Q个孔洞对应的反面孔洞中像素点的数量,为取最大值函数,为该孔洞和对应的反面孔洞中像素点数量最大的孔洞内第i个像素点的灰度值,为该孔洞和对应的反面孔洞中像素点数量最大的孔洞内第i个像素点在另一面图像中相对应的位置处像素点的灰度值,为第二调节因子,e为自然常数;
根据各孔洞对对应的连接导线的边缘像素点,得到各孔洞对对应的连接导线的导线评价指标,包括:
对于任一孔洞对对应的连接导线:
获取该孔洞对对应的连接导线的两条边缘线,将该孔洞对对应的连接导线的两条边缘线上的像素点记为连接导线像素点,将两条边缘线记为第一边缘线和第二边缘线;
将第一边缘线和第二边缘线同侧的端点相连,得到的区域作为该孔洞对对应的连接导线的区域;
根据所述第一边缘线和所述第二边缘线上的各连接导线像素点,将该孔洞对对应的连接导线的区域进行划分,得到该孔洞对对应的连接导线的各子区域以及各子区域对应的角度特征值和第一评价指标;
根据目标正面图像中各孔洞对对应的连接导线的各子区域对应的角度特征值和第一评价指标,得到该孔洞对对应的连接导线的导线评价指标;
所述得到该孔洞对对应的连接导线的各子区域以及各子区域对应的角度特征值和第一评价指标,包括:
对于所述第一边缘线上的任一连接导线像素点:计算所述第一边缘线上该连接导线像素点与8邻域内的各连接导线像素点所成的直线与水平直线的顺时针夹角的平均值,作为第一边缘线上该连接导线像素点对应的角度特征值;
计算第一边缘线上任意连接导线像素点与前一个连接导线像素点对应的角度特征值的差值的绝对值,将第一边缘线上绝对值大于差异阈值的连接导线像素点标记为拐点;
对于所述第二边缘线上的任一连接导线像素点:计算所述第二边缘线上该连接导线像素点与8邻域内的各连接导线像素点所成的直线与水平直线的顺时针夹角的均值,作为第二边缘线上该连接导线像素点对应的角度特征值;
计算第二边缘线上任意连接导线像素点与前一个连接导线像素点对应的角度特征值的差值的绝对值,将第二边缘线上绝对值大于差异阈值的连接导线像素点标记为拐点;
分别统计第一边缘线和第二边缘线上的拐点数量,以拐点数量多的边缘线为基准,通过拐点数量多的边缘线中拐点的位置将该孔洞对对应的连接导线划分为多个区域,记为子区域;
对于任一子区域:
将构成该子区域的边缘线中属于第一边缘线的边缘线记为第一子边缘线,将构成该子区域的边缘线中属于第二边缘线的边缘线记为第二子边缘线;
将第一子边缘线中各连接导线像素点对应的角度特征值中出现的次数最多的角度特征值记为第一子边缘线对应的角度特征值;将第二子边缘线中各连接导线像素点对应的角度特征值中出现的次数最多的角度特征值记为第二子边缘线对应的角度特征值;
将第一子边缘线对应的角度特征值和第二子边缘线对应的角度特征值的均值作为该子区域对应的角度特征值;
对于第一子边缘线和第二子边缘线中的任意子边缘线:统计该子边缘线上相邻的连接导线像素点对应的角度特征值的不相同的数量,记为该子边缘线对应的异常数量;计算所述异常数量与该子边缘线上各连接导线像素点数量的比值,计算1与所述比值的差值,作为该子边缘线对应的异常指标;
将第二子边缘线对应的异常指标和第一子边缘线对应的异常指标的均值,作为该子区域的第一评价指标;
根据目标正面图像中各孔洞对对应的连接导线的各子区域对应的角度特征值和第一评价指标,得到该孔洞对对应的连接导线的导线评价指标,包括:
对于该孔洞对对应的连接导线的任一子区域:从目标正面图像中各孔洞对对应的连接导线的各子区域中选取与该子区域对应的角度特征值相同的子区域,记为相关子区域;根据该子区域和对应的各相关子区域内像素点的灰度值以及子区域的宽度,计算该子区域与每一个相关子区域的相关性;根据该子区域对应的第一评价指标、该子区域与每一个相关子区域的相关性,得到该子区域对应的目标导线评价指标;
将该孔洞对对应的连接导线的各子区域对应的目标评价指标的均值,作为该孔洞对对应的连接导线的导线评价指标;
所述得到该子区域对应的目标导线评价指标的公式如下:
2.根据权利要求1所述的一种集成电路板质量分选系统,其特征在于,根据目标正面图像中各孔洞对应的各初始圆心和各孔洞对应的导线圆对应的各初始圆心,得到各孔洞的目标圆心以及各孔洞对应的初步评估指标,包括:
对于任一孔洞:
对于该孔洞对应的初始圆心z:从该孔洞对应的导线圆对应的各初始圆心中选取与初始圆心z的欧氏距离最小的初始圆心,作为初始圆心z对应的第一匹配圆心;根据该孔洞对应的初始圆心z对应的半径与对应的第一匹配圆心对应的半径,得到该孔洞对应的初始圆心z的置信度;所述半径是通过霍夫圆检测得到的;
从该孔洞对应的各初始圆心中选取置信度最大的初始圆心,作为该孔洞对应的目标圆心;将该孔洞对应的除目标圆心以外的其他初始圆心删除,并统计删除的初始圆心的数量;
计算所述删除的初始圆心的数量与该孔洞对应的所有初始圆心的数量的比值,并计算1与所述比值的差值,作为该孔洞对应的初步评估指标。
4.根据权利要求1所述的一种集成电路板质量分选系统,其特征在于,利用大津阈值分割算法将所述目标正面图像和目标反面图像划分为背景区域和元件区域,包括:
获取待检测集成电路板的初始正面图像和初始反面图像,所述初始正面图像和初始反面图像为RGB图像;所述目标正面图像为灰度化后的初始正面图像,所述目标反面图像为灰度化后的初始反面图像;
分别对初始正面图像和初始反面图像进行HSV空间转化,得到初始正面图像中各像素点对应的H通道的值和初始反面图像中各像素点对应的H通道的值;将初始正面图像中各像素点对应的H通道的值作为对应像素点的像素值,构建正面色调图;将初始反面图像中各像素点对应的H通道的值作为对应像素点的像素值,构建反面色调图;
利用大津阈值分割算法对正面色调图进行处理,将正面色调图像划分成背景区域和元件区域;利用大津阈值分割算法对反面色调图进行处理,将反面色调图像划分成背景区域和元件区域;
根据正面色调图像中的背景区域和元件区域,得到目标正面图像中的背景区域和元件区域;根据反面色调图像中的背景区域和元件区域,得到目标反面图像中的背景区域和元件区域。
6.根据权利要求1所述的一种集成电路板质量分选系统,其特征在于,根据所述质量指标,判断待检测集成电路板的质量等级,包括:
若所述质量等级小于第一质量阈值,则判定待检测集成电路板的质量等级为一级;若所述质量大于等于第一质量阈值小于第二质量阈值,则判定待检测集成电路板的质量等级为二级;若所述质量大于等于第二质量阈值,则判定待检测集成电路板的质量等级为三级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211009267.8A CN115082478B (zh) | 2022-08-23 | 2022-08-23 | 一种集成电路板质量分选系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211009267.8A CN115082478B (zh) | 2022-08-23 | 2022-08-23 | 一种集成电路板质量分选系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082478A CN115082478A (zh) | 2022-09-20 |
CN115082478B true CN115082478B (zh) | 2022-11-18 |
Family
ID=83244270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211009267.8A Active CN115082478B (zh) | 2022-08-23 | 2022-08-23 | 一种集成电路板质量分选系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082478B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101256134A (zh) * | 2008-04-17 | 2008-09-03 | 电子科技大学 | 一种印制电路镀金层孔隙率测定方法 |
CN113570599A (zh) * | 2021-09-22 | 2021-10-29 | 江苏绿泉装饰工程有限公司 | 一种基于图像处理的实木颗粒板板材质量评价方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001308494A (ja) * | 2000-04-25 | 2001-11-02 | Nikkiso Co Ltd | プリント基板検査方法および装置 |
JP2003318509A (ja) * | 2002-04-25 | 2003-11-07 | Mitsubishi Electric Corp | プリント配線板の評価システムおよび評価装置 |
US20060091023A1 (en) * | 2004-10-28 | 2006-05-04 | Ahsan Bukhari | Assessing micro-via formation PCB substrate manufacturing process |
CN110567369B (zh) * | 2019-08-30 | 2021-01-08 | 苏州康代智能科技股份有限公司 | 一种基于上下钻孔电路板的孔位检测方法及检测设备 |
CN112260722A (zh) * | 2020-09-04 | 2021-01-22 | 国网湖北省电力有限公司电力科学研究院 | 载波模块质量评估分拣装置 |
CN114764790B (zh) * | 2022-03-31 | 2023-05-12 | 河北鹰眼智能科技有限公司 | 一种基于霍夫圆检测的齿轮断齿检测方法 |
CN114549530B (zh) * | 2022-04-26 | 2022-06-24 | 海门裕隆光电科技有限公司 | 一种基于图像处理的pcb板焊接质量评估方法 |
-
2022
- 2022-08-23 CN CN202211009267.8A patent/CN115082478B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101256134A (zh) * | 2008-04-17 | 2008-09-03 | 电子科技大学 | 一种印制电路镀金层孔隙率测定方法 |
CN113570599A (zh) * | 2021-09-22 | 2021-10-29 | 江苏绿泉装饰工程有限公司 | 一种基于图像处理的实木颗粒板板材质量评价方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115082478A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114842017B (zh) | 一种hdmi线缆表面质量检测方法及系统 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN115018828A (zh) | 一种电子元器件的缺陷检测方法 | |
CN115018850B (zh) | 基于图像处理的精密电子零部件冲压孔毛刺检测方法 | |
CN116092013B (zh) | 一种用于智慧监控的危险路况识别方法 | |
CN114926463A (zh) | 一种适用于芯片电路板的生产质量检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN115841488B (zh) | 一种基于计算机视觉的pcb板的检孔方法 | |
CN108846831B (zh) | 基于统计特征和图像特征相结合的带钢表面缺陷分类方法 | |
CN112419260A (zh) | 一种pcb文字区域缺陷检测方法 | |
CN107239792A (zh) | 一种基于二进制描述子的工件识别方法及装置 | |
CN115330767A (zh) | 一种腐蚀箔生产异常识别方法 | |
CN115272305B (zh) | 一种纽扣孔洞缺陷检测方法 | |
CN114581376B (zh) | 基于图像识别的纺织用蚕茧自动拣选方法及系统 | |
CN114897773A (zh) | 一种基于图像处理的扭曲木材检测方法及系统 | |
CN115294114A (zh) | 一种基于ecu电路焊接的质量检测方法 | |
CN114972575A (zh) | 一种基于轮廓边缘的直线拟合算法 | |
CN115311279A (zh) | 一种织物经纬瑕疵的机器视觉识别方法 | |
CN114119603A (zh) | 基于图像处理的快餐盒短射缺陷检测方法 | |
CN117808806B (zh) | 基于图像特征分析的饲料生产质量精细化检测方法 | |
CN118154586A (zh) | 基于机器视觉的连接器裂纹缺陷智能检测方法 | |
CN117237747B (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
CN116977230B (zh) | 一种扫描电子显微镜图像优化增强方法 | |
CN116703912B (zh) | 一种迷你主机网口完整性视觉检测方法 | |
CN115082478B (zh) | 一种集成电路板质量分选系统 |
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 |