CN115239683A - 电路板的检测方法、模型训练方法、装置和电子设备 - Google Patents
电路板的检测方法、模型训练方法、装置和电子设备 Download PDFInfo
- Publication number
- CN115239683A CN115239683A CN202210934782.0A CN202210934782A CN115239683A CN 115239683 A CN115239683 A CN 115239683A CN 202210934782 A CN202210934782 A CN 202210934782A CN 115239683 A CN115239683 A CN 115239683A
- Authority
- CN
- China
- Prior art keywords
- circuit board
- image
- component
- configuration file
- components
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012549 training Methods 0.000 title claims abstract description 58
- 239000000758 substrate Substances 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 12
- 238000007667 floating Methods 0.000 claims description 10
- 238000013145 classification model Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 239000003990 capacitor Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/759—Region-based matching
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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]
Abstract
本公开提供一种电路板的检测方法、模型训练方法、装置和电子设备,该电路板的检测方法包括:获取电路板图像,电路板图像中包括多个元器件对象;根据预设的配置文件,在电路板图像中截取预设位置的多个子图像,配置文件包括:多个预设位置;基于每个子图像,将子图像输入预先训练的识别模型进行检测处理,输出检测结果,比对检测结果和配置文件,确定预设位置的元器件是否贴装错误,配置文件还包括:预设位置处是否设置元器件和/或预设位置处应设置的元器件的目标掩膜图像,能够采用简单方便的方法,准确的确定在基板上的预设位置是否存在漏件的问题。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种电路板的检测方法、模型训练方法、装置和电子设备。
背景技术
在电路板制作过程中,会采用机器或者人工按照预先设计好的电路板设计图,在基板上贴装多个元器件,如端子,电容器、二极管等。但是在贴装过程中,会存在元器件贴装错误的问题,因此需要对电路板是否存在贴装错误进行检测。
基于上述问题,相关技术中采用自动光学检测系统(AOI)对电路板中的元器件进行检测,该技术具体是采用高精度视觉处理技术自动检测元器件的贴装错误,但是该技术对自动光学检测系统的设备精度和质量要求较高,加大的电路板的检测难度。
发明内容
本公开的多个方面提供一种电路板的检测方法、模型训练方法、装置和电子设备,以解决目前对电路板的检测存在难度大的问题。
本公开实施例第一方面提供一种电路板的检测方法,电路板包括:基板和设置在基板上的多个元器件,电路板的检测方法包括:获取电路板图像,电路板图像中包括多个元器件对象;根据预设的配置文件,在电路板图像中截取预设位置的多个子图像,配置文件包括:多个预设位置;基于每个子图像,将子图像输入预先训练的识别模型进行检测处理,输出检测结果,比对检测结果和配置文件,确定预设位置的元器件是否贴装错误,配置文件还包括:预设位置处是否设置元器件和/或预设位置处应设置的元器件的目标掩膜图像。
本公开实施例第二方面提供一种模型训练方法,包括:获取训练样本和样本标签,训练样本包括:多个包括元器件的图像和多个不包括元器件的图像,其中,包括元器件的图像的样本标签为元器件类型和掩膜图像,不包括元器件的图像的样本标签指示漏件;基于训练样本和样本标签训练识别模型,得到训练完成的识别模型,训练完成的识别模型用于识别图像元器件类型、掩膜图像、是否存在漏件中的至少一项。
本公开实施例第三方面提供电路板的检测装置,用于执行第一方面的电路板的检测方法,电路板包括:基板和设置在基板上的多个元器件,电路板的检测装置包括:
获取模块,用于获取电路板图像,电路板图像中包括多个元器件对象;
截取模块,用于根据预设的配置文件,在电路板图像中截取预设位置的多个子图像,配置文件包括:多个预设位置;
处理模块,用于基于每个子图像,将子图像输入预先训练的识别模型进行检测处理,输出检测结果;
比对模块,用于比对检测结果和配置文件,确定预设位置的元器件是否贴装错误。
本公开实施例第四方面提供一种模型训练装置,用于执行第二方面的模型训练方法,模型训练装置包括:
获取模块,用于获取训练样本和样本标签,训练样本包括:多个包括元器件的图像和多个不包括元器件的图像,其中,包括元器件的图像的样本标签为元器件类型和掩膜图像,不包括元器件的图像的样本标签指示漏件;
训练模块,用于基于训练样本和样本标签训练识别模型,得到训练完成的识别模型,训练完成的识别模型用于识别图像元器件类型、掩膜图像、是否存在漏件中的至少一项。
本公开实施例第五方面提供一种电子设备,包括:处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现第一方面的电路板的检测方法或第二方面的模型训练方法。
本公开实施例第六方面提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现第一方面的电路板的检测方法或第二方面的模型训练方法。
本公开实施例第七方面提供了一种计算机程序产品,程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行第一方面的电路板的检测方法或第二方面的模型训练方法。
本公开实施例应用对基板上元器件的贴装检测场景中,通过获取电路板图像,电路板图像中包括多个元器件对象;根据预设的配置文件,在电路板图像中截取预设位置的多个子图像,配置文件包括:多个预设位置;基于每个子图像,将子图像输入预先训练的识别模型进行检测处理,输出检测结果,比对检测结果和配置文件,确定预设位置的元器件是否贴装错误,能够采用简单方便的方法,准确的确定在基板上的预设位置是否存在贴装错误的问题,进一步地,本公开通过识别模型对图像的识别,得到检测结果,能够使用户方便快捷的识别出电路板中元器件的贴装错误,减少检测人员数量,降低成本并且提高检测效率。
附图说明
此处所说明的附图用来提供对本公开的进一步理解,构成本公开的一部分,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。在附图中:
图1为本公开示例性实施例提供的一种电路板的检测方法的应用场景图;
图2为本公开示例性实施例提供的一种电路板的检测方法的步骤流程图;
图3为本公开示例性实施例提供的一种电路板图像的示意图;
图4为本公开示例性实施例提供的一种子图像的示意图;
图5为本公开示例性实施例提供的另一种电路板的检测方法的步骤流程图;
图6为本公开示例性实施例提供的一种子图像的示意图;
图7为本公开示例性实施例提供的一种电路板的检测方法的示意图;
图8为本公开示例性实施例提供的一种目标图像的示意图;
图9为本公开示例性实施例提供的一种模型训练方法的步骤流程图;
图10为本公开示例性实施例提供的电路板的检测装置的结构框图;
图11为本公开示例性实施例提供的模型训练装置的结构框图;
图12为本公开示例性实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚,下面将结合本公开具体实施例及相应的附图对本公开技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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,都属于本公开保护的范围。
随着集成电路的迅猛发展及特殊电子元器件的不断出新,促使PCB(Printedcircuit boards,印刷电路板)产品也向着高密度、小元器件方向发展。在相关技术中对于PCB板上的元器件的检测采用AOI系统。其中,AOI系统具有强大的功能,不止能用于元器件贴装错误的检测,还可以用于封装线、玻璃模板、胶片模板、陶瓷封装、晶元封装等检测,具有这些功能要求AOI系统是集精密器械、自动控制、光学图像处理、软件系统等多学科的自动化设备,进而导致了AOI系统仅对于元器件贴装错误的检测,存在成本较高,并且操作难度大的问题。
基于上述问题,本公开实施例提供的电路板的检测方法,本公开实施例应用对基板上元器件的贴装检测场景中,通过获取电路板图像,电路板图像中包括多个元器件对象;根据预设的配置文件,在电路板图像中截取预设位置的多个子图像,配置文件包括:多个预设位置;基于每个子图像,将子图像输入预先训练的识别模型进行检测处理,输出检测结果,比对检测结果和配置文件,确定预设位置的元器件是否贴装错误,能够采用简单方便的方法,准确的确定在基板上的预设位置是否存在贴装错误的问题。
在本实施例中,电路板的检测方法可以是借助云计算系统实现整体的电路板的检测方法。此外,执行电路板的检测方法的服务器可以为云服务器,以便借助于云上资源的优势运行各种算法;相对于云端,电路板的检测方法也可以应用于常规服务器或服务器阵列等服务端设备,在此不加以限定。
此外,本公开实施例的一种应用场景如图1,图1中的电路板包括基板11和设置在基板11上的多个元器件(A1至A8),基板11的元器件具有各种器件类型,如电阻、电容、二级管、端子,每种器件类型的元器器具有自身的属性特征,如颜色、形状、尺寸以及元器件上的文本信息等。此外,基板11上的元器件是人工或者机器贴装在基板11上的,基板11上的每个元器件都有标准的贴装要求,若贴装错误会影响电路板的质量,因此本公开是对基板11上的元器件贴装准确度进行检测,以保证电路板的质量。
其中,图1只是示例性的一种应用场景,本公开实施例可以应用在任意对电路板的检测场景中。本公开实施例不对具体的应用场景进行限定。
图2为本公开示例性实施例提供的一种电路板的检测方法的步骤流程图。电路板包括:基板和设置在基板上的多个元器件;具体包括以下步骤:
S201,获取电路板图像。
其中,电路板图像中包括多个元器件对象。示例性地,电路板图像如图3所示,其中31为基板对应的对象,a1至a8分别为图1中元器件A1至A8对应的元器件对象。
进一步地,电路板图像可以是相机对电路板设置有元器件的一面进行拍摄得到的。电路板图像中,每个元器件对象具有位置信息。
S202,根据预设的配置文件,在电路板图像中截取预设位置的多个子图像。
其中,配置文件包括:多个预设位置;具体地,配置文件是预先配置的文件,配置文件中配置了需要检测的预设位置,具体为需要检测的预设位置是否存在漏件问题。
进一步地,多个预设位置可以是电路板图像中的部分位置或者全部位置,每个预设位置可以是电路板图像中的一个区域。预设位置以像素位置表示。例如,电路板图像的长*宽为9000个像素*9000个像素,则一个预设位置可以采用多个角点的像素坐标表示,参照图3,对于预设位置(B7)可以表示为(0,0)、(0,3500)、(3500,0)和(3500,3500),对于预设位置(B8)可以表示为(0,3500)、(3500,0)、(3500,6000)和(6000,0)。
在本公开中,参照图3,电路板图像对应有9个区域(B1至B9)。若配置文件中的预设位置为B4、B7和B8所对应的位置,则基于预设位置在电路板图像中截取预设位置对应的子图像,每个预设位置对应截取一个子图像。
示例性地,参照图4,分别对B4、B7和B8进行截取,得到对应的三个子图像分别为子图像41、子图像42和子图像43。其中,子图像41中包括元器件对象a4、子图像42中无元器件对象、子图像43中包括元器件对象a7。
在实际使用中,电路板上的元器件的数量庞大,预设位置的数量也非常庞大。在图1、图3和图4中只是示例性的说明。
S203,基于每个子图像,将子图像输入预先训练的识别模型进行检测处理,输出检测结果。
在本公开中,识别模型可以采用但不限于Mask R-CNN(实例分割网络)、U-Net(语义分割网络)、FCN(全卷积神经网络)中的一种或者多种技术。识别模型是预先训练好的,可以对输入至该识别模型的子图像进行识别处理,得到检测结果。
此外,是将各个子图像依次输入识别模型进行识别处理,得到每个子图像的检测结果。示例性地,参照图4,可以先将子图像41输入识别模型,得到子图像41的检测结果,然后将子图像42输入识别模型,得到子图像42的检测结果,接着将子图像43输入识别模型,得到子图像43的检测结果。
S204,比对检测结果和配置文件,确定预设位置的元器件是否贴装错误。
其中,配置文件还包括:预设位置处是否设置元器件和/或预设位置处应设置的元器件的目标掩膜图像。
具体地,若检测结果与配置文件不同,则确定预设位置的元器件是否贴装错误。贴装错误包括:漏件、错件、反件以及浮高中的任意一项。具体地,漏件是指配置文件指示预设位置处应当贴装元器件,但是检测结果指示预设位置实际没有贴装元器件,则确定存在漏件。错件是指配置文件指示预设位置处应当贴装元器件A,但是检测结果指示预设位置实际贴装元器件B,则确定存在错件。反件是指配置文件指示预设位置处元器件A应当正方向贴装,但是元器件A的实际贴装方式是反方向贴装,则确定存在反件。浮高是指元器件贴装存在插歪的情况。
本公开实施例应用对基板上元器件的贴装检测场景中,通过获取电路板图像,电路板图像中包括多个元器件对象;根据预设的配置文件,在电路板图像中截取预设位置的多个子图像,配置文件包括:多个预设位置;基于每个子图像,将子图像输入预先训练的识别模型进行检测处理,输出检测结果,比对检测结果和配置文件,确定预设位置的元器件是否贴装错误,能够采用简单方便的方法,准确的确定在基板上的预设位置是否存在贴装错误的问题。
图5为本公开示例性实施例提供的另一种电路板的检测方法的步骤流程图,具体包括以下步骤:
S501,控制相机对电路板设置元器件的一面进行图像采集,得到初始图像。
其中,相机为具有一定拍摄像素的二维相机。例如,相机的像素可以是500万像素。此外,相机以一定拍摄角度对电路板进行图像采集,得到的初始图像可以是包括电路板背景的图像,也可以是像素值低于预设像素的图像,或者是具有一定倾斜角度的图像。
示例性地,参照图6,初始图像60具有一定的倾斜角度,并且初始图像60包括背景61和电路板对应的图像62。
S502,对初始图像进行校正,得到电路板图像。
其中,对初始图像进行校正,包括:对初始图像进行裁剪、角度调整以及像素调整中的至少一项,得到的电路板图像如图3。
进一步地,像素调整是指调整后的电路板图像的像素为预设像素。在本公开中,配置文件中还包括预设像素。
示例性地,预设像素为9000*9000,初始图像在裁剪和角度调整后的像素为8000*8000,则对初始图像校正后得到的电路板图像的像素为9000*9000。
在本公开中,由于配置文件中的预设位置是以像素坐标的形式保存的,因此,将电路板图像调整为预设像素,可以保证采用预设像素对子图像截取的准确性。
S503,根据预设的配置文件,在电路板图像中截取预设位置的多个子图像。
其中,配置文件包括:多个预设位置、预设位置处应设置的元器件的目标器件类型、预设位置处应设置的元器件的目标颜色值、预设位置处应设置的元器件的目标掩膜图像等。
示例性地,参照图3,预设位置如B4、B7和B8。其中,预设位置B4处应设置的元器件的目标器件类型为端子,预设位置B7处应设置的元器件的目标器件类型为二极管,预设位置B8处应设置的元器件的目标器件类型为电容。预设位置B4处应设置的元器件的目标颜色值蓝色,预设位置B7和预设位置B8处无对应的目标颜色值。预设位置B4处应设置的元器件的目标掩膜图像为2000(像素)*1000(像素),预设位置B7处应设置的元器件的目标掩膜图像为1800(像素)*800(像素),预设位置B8处应设置的元器件的目标掩膜图像为400(像素)*400(像素)。
进一步地,目标掩膜图像的形状可以设置为矩形。
此外,该步骤的具体实现过程,参照S202,在此不再赘述。
S504,基于每个子图像,将子图像输入预先训练的识别模型进行检测处理,输出检测结果。
此外,该步骤的具体实现过程,参照S203,在此不再赘述。
S505,若检测结果与预设位置处设置元器件不同,则确定预设位置的元器件的贴装错误为漏件错误。
其中,配置文件还包括:预设位置处设置元器件,检测结果用于指示子图像对应的预设位置是否设置元器件。具体为,若配置文件中包括在预设位置处设置元器件,但是检测结果指示在该预设位置处不设置元器件,则确定在预设位置处存在漏件错误。
进一步地,漏件是指在人工或者机器在对预设位置贴装元器件时,漏掉该预设位置,对该预设位置未贴装任何元器件。对于检测结果,若检测结果为0,则表示对应的预设位置存在漏件,若检测结果非0,则表示对应的预设位置不存在漏件。
示例性地,参照图4,子图像41的检测结果为1,则表示子图像41对应的预设位置B4不存在漏件问题。子图像42的检测结果为0,且配置文件指示预设位置B7具有元器件,则表示子图像42对应的预设位置B7存在漏件问题。子图像43的检测结果为2,则表示子图像43对应的预设位置B8不存在漏件问题。
进一步地,若检测结果与预设位置处设置元器件相同,则确定预设位置的元器件不存在贴装错误。
此外,识别模型可以配置在服务器中,在服务器中通过识别模型得到预设位置是否存在漏件的问题,若存在,则可以将存在漏件和存在漏件的预设位置的提示信息发送给目标终端,以提醒相关工作人员对存在漏件的预设位置进行补贴装元器件,进而能够保证电路板的质量。
S506,比对检测器件类型和目标器件类型是否相同。
其中,检测结果用于指示子图像对应的预设位置是否存在漏件。在预设位置不存在漏件的情况下,检测结果还用于指示子图像中元器件对象的检测器件类型。
进一步地,在本公开中,是对基板的预设位置先进行是否漏件的检测,若存在漏件,则将预设位置和存在漏件的结果发送给终端,以提示工作人员对预设位置进行补贴装元器件。若不存在漏件,则对该预设位置进行器件类型的检测。其中,检测器件类型可以由识别模型输出的检测结果表示,例如,子图像41的检测结果为1,则表示子图像41对应的预设位置B4的检测器件类型为端子。子图像43的检测结果为2,则表示子图像43对应的预设位置B8的检测器件类型为电阻。
一种实施例中,检测结果还包括:子图像中元器件对象的检测掩膜图像。其中,检测掩膜图像为可以覆盖对应的元器件对象的最小矩形。在本公开中,将子图像输入识别模型后,可以输出该子图像对应的检测结果,检测结果包括用于指示该子图像中元器件对象对应的检测器件类型的数值以及检测掩膜图像。
例如,参照图7,将子图像41输入识别模型后,输出的检测结果71包括数值1和检测掩膜图像C1,数值1用于指示元器件对象a4(元器件A4)的检测器件类型为端子,检测掩膜图像C1是可以覆盖元器件对象a4的最小掩膜图像。将子图像42输入识别模型后,输出的检测结果72包括数值0,并且无检测掩膜图像,数值0用于指示子图像42中无元器件对象,为漏件问题。将子图像43输入识别模型后,输出的检测结果73包括数值2和检测掩膜图像C3,数值2用于指示元器件对象a7(元器件A7)的检测器件类型为电阻,检测掩膜图像C3是可以覆盖元器件对象a7的最小掩膜图像。
S507,若不同,则确定基板的预设位置的贴装错误为错件。
其中,若不存在漏件问题,则确定是否存在错件。具体为确定检测器件类型与目标器件类型是否相同。示例性地,参照图7,对于子图像41的检测器件类型为端子,配置文件中子图像41的目标器件类型也为端子,则确定子图像41的检测器件类型与目标器件类型相同。对于子图像43的检测器件类型为电阻,配置文件中子图像43的目标器件类型也为电容,则确定子图像43的检测器件类型与目标器件类型不同。
进一步地,对于检测器件类型与目标器件类型相同的子图像进行后续的检测。对于检测器件类型与目标器件类型不同的子图像,确定该子图像对应的预设位置处存在错件问题,即实际贴装的元器件和应当贴装的元器件不同。则可以将存在错件和存在错件的预设位置(子图像43对应的预设位置)发送给终端,以提醒在该预设位置贴装正确的元器件。
进一步地,若检测器件类型和目标器件类型相同,则确定检测器件类型是否为端子,若是端子执行S508。
S508,在目标器件类型为端子时,确定子图像的检测颜色值。
其中,端子是蓄电池与外部导体连接的部件,不同颜色的端子具有不同的用处,例如,绿色端子用于连接旋转电机,黄色端子用于连接变压器。因此,在检测器件类型与目标器件类型均为端子时,通过比较颜色值,确定贴装的端子是否正确。在检测器件类型和目标器件类型相同时。
进一步地,确定子图像的检测颜色值,是通过获取子图像中每个像素的RGB值,然后确定子图像的像素的平均RGB值作为检测颜色值。
S509,若检测颜色值和目标颜色值的差值大于颜色阈值,则确定基板预设位置的贴装错误为错件。
其中,若检测颜色值和目标颜色值的差值大于颜色阈值,则确定检测颜色值和目标颜色值的差别较大,确定基板的预设位置存在错件。若检测颜色值和目标颜色值的差值不大于颜色阈值,则确定检测颜色值和目标颜色值的差别较小,则确定基板的预设位置不存在错件,执行S511和/或S512,进行其他问题的检测。
在本公开中,若目标器件类型不是端子时,则在确定检测器件类型与目标器件类型相同后,确定基板的预设位置不存在错件,执行S510和/或S512,进行其他问题的检测。
S510,确定检测掩膜图像和目标掩膜图像的尺寸差值。
其中,配置文件还包括:预设位置处应设置的元器件的目标掩膜图像,检测结果还包括:子图像中元器件对象的检测掩膜图像。
在本公开中,尺寸差值能够表示子图像对应的元器件是否存在浮高,即是否插歪。
S511,若尺寸差值大于尺寸差值阈值,则确定基板预设位置的贴装错误为元器件存在浮高。
其中,若元器件存在浮高,则确定对应元器件插歪。示例性地,参照图7,若子图像41的检测掩膜图像C1和目标掩膜图像的尺寸差值大于差值阈值,则确定对应元器件A4插歪。
进一步地,可以将存在浮高和存在浮高的预设位置发送给终端,以提醒该预设位置处的元器件插歪。若尺寸差值小于或等于尺寸差值阈值,则确定基板预设位置的元器件不存在浮高,则可以进行元器件是否为反件进行检测。
S512,将子图像输入预先训练的分类模型进行分类处理,得到分类结果。
其中,分类结果用于指示子图像对应的元器件是否为反件。在本公开中,分类模型也是预先训练好的。若分类结果为0,则指示子图像对应的元器件存在反件,若分类结果为1,则指示子图像对应的元器件不存在反件。
一种可选实施例中,配置文件还包括:元器件的目标图像,目标图像包含有正确贴装的元器件对象。则将子图像和目标图像进行比对,确定子图像中的元器件对象是否存在反件。其中,可以截取元器件对象的一半区域和目标图像的一半比对,若不同则确定存在反件问题。
示例性地,参照图8,在目标图像81中,为元器件A4应当贴装的方向,但是在子图像41中的元器件A4与目标图像81的云器件A4的贴装方向相反,因此元器件A4的实际贴装方式存在反件问题。
在本公开中,可以对元器件是否存在漏件、错件、浮高和反件多种问题进行准确的检测,能够提高电路板的质量。此外,本公开可以对漏件、错件、浮高和反件中的一种或者多种问题进行检测,上述S501至S512可以根据实际情况调换检测顺序。可选地,本公开先进行漏件的检测,在存在漏件后,结束对应子图像的检测。若不存在漏件,则进行错件的检测,在存在错件后,结束对应子图像的检测。若不存在错件,则进行浮高和/或反件的检测,这样循序渐进的检测,能够提高检测效率。进一步地,本公开通过识别模型对图像的识别,得到检测结果,能够使用户方便快捷的识别出电路板中元器件的错误,减少检测人员数量,降低成本并且提高检测效率。
参照图9,本公开实施例还提供一种模型训练方法,具体包括以下步骤:
S901,获取训练样本和样本标签。
其中,训练样本包括:多个包括元器件的图像和多个不包括元器件的图像,其中,包括元器件的图像的样本标签为元器件类型和掩膜图像,不包括元器件的图像的样本标签指示漏件。
在本公开中,可以对样本电路板进行图像采集,得到样本电路板图像,然后样本电路板图像进行分割,得到多个样本子图像,然后人工对每个样本子图像进行标注,得到该样本子图像表示漏件或者元器件类型,以及该样本子图像的掩膜图像。例如,若该样本子图像不包含元器件对象,则标注该样本子图像的元器件类型为0,表示漏件,掩膜图像为无。若该样本子图像包含为端子,则标注该样本子图像的元器件类型为1,表示端子,掩膜图像为覆盖该样本子图像中端子的最小矩形掩膜图像。
此外,在得到多个样本子图像和对应的标签数据时,可以对样本子图像进行数据增强,以扩充训练样本的数量,其中,数据增强的方式包括对样本子图像的尺寸外扩,以及对样本子图像的随机平移。
S902,基于训练样本和样本标签训练识别模型,得到训练完成的识别模型。
其中,训练完成的识别模型用于识别图像元器件类型、掩膜图像、是否存在漏件中的至少一项。
具体地,将训练样本输入识别模型中,输出预测器件类型和预测掩膜图像,计算该预测器件类型和样本标签的元器件类型的第一损失值,若第一损失值大于第一损失值阈值,则采用该第一损失值调整识别模型的模型参数,计算预测掩膜图像和样本标签的掩膜图像的第二损失值,若第二损失值大于第二损失值阈值,则采用该第二损失值调整识别模型的模型参数,直到第一损失值小于第一损失值阈值,第二损失值小于第二损失值阈值,则完成识别模型的训练。训练后的识别模型可以用于上述子图像的识别处理。
一种可选实施例中,还包括:对分类模型的训练,具体训练方式是,获取不是反件的图像样本和是反件的图像样本,作为训练样本,将是否为反件作为标签数据进行分类模型的训练。
在本公开中,训练得到的识别模型可以对子图像的元器件类型、掩膜图像、是否存在漏件中的至少一项进行准确的识别,得到的分类模型可以对子图像是否是反件能够准确的确定。
在本公开实施例中,参照图10,除了提供电路板的检测方法之外,还提供电路板的检测装置100,电路板包括:基板和设置在基板上的多个元器件,电路板的检测装置100包括:
获取模块101,用于获取电路板图像,电路板图像中包括多个元器件对象;
截取模块102,用于根据预设的配置文件,在电路板图像中截取预设位置的多个子图像,配置文件包括:多个预设位置;
处理模块103,用于基于每个子图像,将子图像输入预先训练的识别模型进行检测处理,输出检测结果;
比对模块104,用于比对检测结果和配置文件,确定预设位置的元器件是否贴装错误,配置文件还包括:预设位置处是否设置元器件和/或预设位置处应设置的元器件的目标掩膜图像。
一种可选实施例中,获取模块101具体用于:控制相机对电路板设置元器件的一面进行图像采集,得到初始图像;对初始图像进行校正,得到电路板图像。
一种可选实施例中,配置文件还包括:预设位置处设置元器件,检测结果用于指示子图像对应的预设位置是否设置元器件,比对模块104具体用于:若检测结果与预设位置处设置元器件不同,则确定预设位置的元器件的贴装错误为漏件错误。
一种可选实施例中,配置文件还包括:预设位置处应设置的元器件的目标掩膜图像,检测结果还包括:子图像中元器件对象的检测掩膜图像,比对模块104具体用于:确定检测掩膜图像和目标掩膜图像的尺寸差值;若尺寸差值大于尺寸差值阈值,则确定基板预设位置的贴装错误为元器件存在浮高。
一种可选实施例中,电路板的检测装置100还包括分类处理模块(未示出),用于将子图像输入预先训练的分类模型进行分类处理,得到分类结果,分类结果用于指示子图像对应的元器件是否为反件。
一种可选实施例中,配置文件还包括:预设位置处应设置的元器件的目标器件类型,在预设位置不存在漏件的情况下,检测结果还用于指示子图像中元器件对象的检测器件类型,比对模块84具体用于比对检测器件类型和目标器件类型是否相同;若不同,则确定基板的预设位置的贴装错误为错件。
一种可选实施例中,配置文件还包括:预设位置处应设置的元器件的目标颜色值,比对模块84具体用于:若检测器件类型和目标器件类型相同,且目标器件类型为端子时,确定子图像的检测颜色值;若检测颜色值和目标颜色值的差值大于颜色阈值,则确定基板预设位置的贴装错误为错件。
本公开实施例提供的电路板的检测装置,通过获取电路板图像,电路板图像中包括多个元器件对象;根据预设的配置文件,在电路板图像中截取预设位置的多个子图像,配置文件包括:多个预设位置;基于每个子图像,将子图像输入预先训练的识别模型进行检测处理,输出检测结果;比对检测结果和配置文件,确定预设位置的元器件是否贴装错误,能够采用简单方便的方法,准确的确定在基板上的预设位置是否存在贴装错误的问题,进一步地,本公开通过识别模型对图像的识别,得到检测结果,能够使用户方便快捷的识别出电路板中元器件的贴装错误,减少检测人员数量,降低成本并且提高检测效率。
在本公开实施例中,参照图11,还提供一种模型训练装置110,用于执行上述的模型训练方法,包括:
获取模块111,用于获取训练样本和样本标签,训练样本包括:多个包括元器件的图像和多个不包括元器件的图像,其中,包括元器件的图像的样本标签为元器件类型和掩膜图像,不包括元器件的图像的样本标签指示漏件;
训练模块112,用于基于训练样本和样本标签训练识别模型,得到训练完成的识别模型,训练完成的识别模型用于识别图像元器件类型、掩膜图像、是否存在漏件中的至少一项。
本公开提供的模型训练装置能够训练得到的识别模型,该识别模型可以对子图像的元器件类型、掩膜图像、是否存在漏件中的至少一项进行准确的识别,得到的分类模型可以对子图像是否是反件能够准确的确定
另外,在上述实施例及附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
图12为本公开一示例实施例提供的电子设备的结构示意图。如图12所示,该电子设备120包括:处理器121,以及与处理器121通信连接的存储器122,存储器122存储计算机执行指令。
其中,处理器执行存储器存储的计算机执行指令,以实现上述任一方法实施例所提供的电路板的检测方法或模型训练方法,具体功能和所能实现的技术效果此处不再赘述。
本公开实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现上述任一方法实施例提供的电路板的检测方法或模型训练方法。
本公开实施例还提供了一种计算机程序产品,程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一方法实施例提供的电路板的检测方法或模型训练方法。
在本公开所提供的几个实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,系统或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本公开各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本公开各个实施例方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将系统的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的系统的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (11)
1.一种电路板的检测方法,其特征在于,所述电路板包括:基板和设置在所述基板上的多个元器件,所述电路板的检测方法包括:
获取电路板图像,所述电路板图像中包括多个元器件对象;
根据预设的配置文件,在所述电路板图像中截取预设位置的多个子图像,所述配置文件包括:多个预设位置;
基于每个子图像,将所述子图像输入预先训练的识别模型进行检测处理,输出检测结果;
比对所述检测结果和所述配置文件,确定所述预设位置的元器件是否贴装错误,所述配置文件还包括:所述预设位置处是否设置元器件和/或所述预设位置处应设置的元器件的目标掩膜图像。
2.根据权利要求1所述的电路板的检测方法,其特征在于,所述获取电路板图像包括:
控制相机对所述电路板设置元器件的一面进行图像采集,得到初始图像;
对所述初始图像进行校正,得到所述电路板图像。
3.根据权利要求1所述的电路板的检测方法,其特征在于,所述配置文件还包括:所述预设位置处设置元器件,所述检测结果用于指示所述子图像对应的预设位置是否设置元器件,所述比对所述检测结果和所述配置文件,确定所述预设位置的元器件是否贴装错误,包括:
若所述检测结果与所述预设位置处设置元器件不同,则确定所述预设位置的元器件的贴装错误为漏件错误。
4.根据权利要求1所述的电路板的检测方法,其特征在于,所述配置文件还包括:所述预设位置处应设置的元器件的目标掩膜图像,所述检测结果还包括:所述子图像中元器件对象的检测掩膜图像,所述比对所述检测结果和所述配置文件,确定所述预设位置的元器件是否贴装错误包括:
确定所述检测掩膜图像和所述目标掩膜图像的尺寸差值;
若所述尺寸差值大于尺寸差值阈值,则确定所述基板预设位置的贴装错误为元器件存在浮高。
5.根据权利要求1至4任一项所述的电路板的检测方法,其特征在于,所述电路板的检测方法还包括:
将所述子图像输入预先训练的分类模型进行分类处理,得到分类结果,所述分类结果用于指示所述子图像对应的元器件是否为反件。
6.根据权利要求1至4任一项所述的电路板的检测方法,其特征在于,所述配置文件还包括:所述预设位置处应设置的元器件的目标器件类型,在所述预设位置不存在漏件的情况下,所述检测结果还用于指示所述子图像中元器件对象的检测器件类型,所述比对所述检测结果和所述配置文件,确定所述预设位置的元器件是否贴装错误,包括:
比对所述检测器件类型和所述目标器件类型是否相同;
若不同,则确定所述基板的预设位置的贴装错误为错件。
7.根据权利要求6所述的电路板的检测方法,其特征在于,所述配置文件还包括:所述预设位置处应设置的元器件的目标颜色值,所述比对所述检测结果和所述配置文件,确定所述预设位置的元器件是否贴装错误,包括:
若所述检测器件类型和所述目标器件类型相同,且所述目标器件类型为端子时,确定所述子图像的检测颜色值;
若所述检测颜色值和所述目标颜色值的差值大于颜色阈值,则确定所述基板预设位置的贴装错误为错件。
8.一种模型训练方法,其特征在于,包括:
获取训练样本和样本标签,所述训练样本包括:多个包括元器件的图像和多个不包括元器件的图像,其中,包括元器件的图像的样本标签为元器件类型和掩膜图像,不包括元器件的图像的样本标签指示漏件;
基于所述训练样本和所述样本标签训练识别模型,得到训练完成的识别模型,所述训练完成的识别模型用于识别图像元器件类型、掩膜图像、是否存在漏件中的至少一项。
9.一种电路板的检测装置,用于执行权利要求1至7中任一项所述的电路板的检测方法,其特征在于,所述电路板包括:基板和设置在所述基板上的多个元器件,所述电路板的检测装置包括:
获取模块,用于获取电路板图像,所述电路板图像中包括多个元器件对象;
截取模块,用于根据预设的配置文件,在所述电路板图像中截取预设位置的多个子图像,所述配置文件包括:多个预设位置;
处理模块,用于基于每个子图像,将所述子图像输入预先训练的识别模型进行检测处理,输出检测结果;
比对模块,用于比对所述检测结果和所述配置文件,确定所述预设位置的元器件是否贴装错误。
10.一种模型训练装置,用于执行权利要求8所述的模型训练方法,其特征在于,所述模型训练装置包括:
获取模块,用于获取训练样本和样本标签,所述训练样本包括:多个包括元器件的图像和多个不包括元器件的图像,其中,包括元器件的图像的样本标签为元器件类型和掩膜图像,不包括元器件的图像的样本标签指示漏件;
训练模块,用于基于所述训练样本和所述样本标签训练识别模型,得到训练完成的识别模型,所述训练完成的识别模型用于识别图像元器件类型、掩膜图像、是否存在漏件中的至少一项。
11.一种电子设备,其特征在于,包括:处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如权利要求1至7任一项所述电路板的检测方法或权利要求8所述的模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210934782.0A CN115239683A (zh) | 2022-08-04 | 2022-08-04 | 电路板的检测方法、模型训练方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210934782.0A CN115239683A (zh) | 2022-08-04 | 2022-08-04 | 电路板的检测方法、模型训练方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115239683A true CN115239683A (zh) | 2022-10-25 |
Family
ID=83679026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210934782.0A Pending CN115239683A (zh) | 2022-08-04 | 2022-08-04 | 电路板的检测方法、模型训练方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115239683A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984244A (zh) * | 2023-02-08 | 2023-04-18 | 成都数之联科技股份有限公司 | 面板缺陷标注方法、装置、存储介质、设备及程序产品 |
CN116026859A (zh) * | 2023-01-30 | 2023-04-28 | 讯芸电子科技(中山)有限公司 | 一种光电子模块的安装检测方法、装置、设备及存储介质 |
CN116030047A (zh) * | 2023-03-24 | 2023-04-28 | 四川中星电子有限责任公司 | 一种电容器工艺过程中识别掩膜合格的方法 |
-
2022
- 2022-08-04 CN CN202210934782.0A patent/CN115239683A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116026859A (zh) * | 2023-01-30 | 2023-04-28 | 讯芸电子科技(中山)有限公司 | 一种光电子模块的安装检测方法、装置、设备及存储介质 |
CN116026859B (zh) * | 2023-01-30 | 2023-12-12 | 讯芸电子科技(中山)有限公司 | 一种光电子模块的安装检测方法、装置、设备及存储介质 |
CN115984244A (zh) * | 2023-02-08 | 2023-04-18 | 成都数之联科技股份有限公司 | 面板缺陷标注方法、装置、存储介质、设备及程序产品 |
CN116030047A (zh) * | 2023-03-24 | 2023-04-28 | 四川中星电子有限责任公司 | 一种电容器工艺过程中识别掩膜合格的方法 |
CN116030047B (zh) * | 2023-03-24 | 2023-05-30 | 四川中星电子有限责任公司 | 一种电容器工艺过程中识别掩膜合格的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115239683A (zh) | 电路板的检测方法、模型训练方法、装置和电子设备 | |
CN110189322B (zh) | 平整度检测方法、装置、设备、存储介质及系统 | |
KR101292916B1 (ko) | 화상 처리 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록 매체, 휴대 단말, 및 화상 처리 방법 | |
CN111872544B (zh) | 激光出光指示点的标定方法、装置和振镜同轴视觉系统 | |
JP2012068746A (ja) | 画像処理システムとそれに用いる撮像対象物 | |
CN111259891B (zh) | 一种自然场景下身份证识别方法、装置、设备和介质 | |
CN110346704B (zh) | 板卡测试中测试文件的确定方法、装置、设备及存储介质 | |
KR20120054689A (ko) | 검사방법 | |
CN112597940B (zh) | 证件图像识别方法、装置及存储介质 | |
KR101842535B1 (ko) | 부호의 광학적 검출 방법 | |
CN108780572A (zh) | 图像校正的方法及装置 | |
JP5651221B2 (ja) | シンボル片、画像処理プログラム、及び画像処理方法 | |
JP5602925B2 (ja) | 画像処理プログラム、及び画像処理方法 | |
CN110443322A (zh) | 图像处理方法、装置、服务器及可读存储介质 | |
CN112201118B (zh) | 一种逻辑板识别方法、装置及终端设备 | |
CN114324405B (zh) | 基于菲林检测的数据标注系统 | |
JP5140773B2 (ja) | 画像処理プログラム、携帯端末、及び画像処理方法 | |
CN211794627U (zh) | 一种足型扫描定位板及足型扫描系统 | |
JP5101740B2 (ja) | 撮像対象物 | |
JP5602927B2 (ja) | 撮像対象物、画像処理プログラム、及び画像処理方法 | |
JP5140772B2 (ja) | 画像処理プログラム、携帯端末、及び画像処理方法 | |
CN117809115A (zh) | Smt贴片错件检测方法、装置及视觉检测系统 | |
JP5140767B2 (ja) | 撮像対象物 | |
JP5140777B2 (ja) | 撮像対象物、画像処理プログラム、及び画像処理方法 | |
CN116934608A (zh) | 一种图像处理方法、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 |