CN115272320A - 一种电子产品表面印刷质量检测方法 - Google Patents

一种电子产品表面印刷质量检测方法 Download PDF

Info

Publication number
CN115272320A
CN115272320A CN202211182669.8A CN202211182669A CN115272320A CN 115272320 A CN115272320 A CN 115272320A CN 202211182669 A CN202211182669 A CN 202211182669A CN 115272320 A CN115272320 A CN 115272320A
Authority
CN
China
Prior art keywords
topological structure
node
connected domain
vector
edge
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.)
Granted
Application number
CN202211182669.8A
Other languages
English (en)
Other versions
CN115272320B (zh
Inventor
储春琴
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.)
Jiangsu Yuheng Electric Co ltd
Original Assignee
Jiangsu Yuheng Electric 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 Jiangsu Yuheng Electric Co ltd filed Critical Jiangsu Yuheng Electric Co ltd
Priority to CN202211182669.8A priority Critical patent/CN115272320B/zh
Publication of CN115272320A publication Critical patent/CN115272320A/zh
Application granted granted Critical
Publication of CN115272320B publication Critical patent/CN115272320B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30144—Printing quality

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种电子产品表面印刷质量检测方法，属于图像识别技术领域；包括以下步骤：获取待检测电子产品上的印刷区域图像；获取每个连通域的方向向量；构建树形第一拓扑结构；获取标准电子产品上的印刷区域图像对应的树形第二拓扑结构；获取修正后的第一拓扑结构与第二拓扑结构的相似度；根据修正后的第一拓扑结构与第二拓扑结构的相似度判断待检测电子产品是否为合格产品。本发明通过比较待检测的实际图像和标准图像拓扑结构的相似度，来评价电子产品的表面印刷质量，避免了传统检测方法中电子产品的姿态参数的干扰，同时不需要计算图像匹配就可以得到电子产品表面的印刷质量。

Description

一种电子产品表面印刷质量检测方法
技术领域
本发明涉及图像识别技术领域，具体涉及一种电子产品表面印刷质量检测方法。
背景技术
电子、工业产品一般都会根据公司设计需要在产品表面印刷上相应的标识或字符、LOGO等特征，例如：充电器等手机配件上的印刷信息。可充电器等手机配件上的印刷信息往往在印刷过程中会出现字符缺失现象，如字符印刷不全，字符印刷错误，字体歪斜等缺陷，往往是由于制版曲线设计不佳、分色片密度较低、晒版不实印迹过浅、印刷压力不足、印刷机老化等原因导致的，同时，当电子产品表面存在缺陷时，也会影响印刷质量，在印刷阶段，表现为印刷缺陷，这些缺陷的存在会严重影响消费者对此产品的质量担忧及信任度，另外对这些印刷缺陷的质量检测也是电子产品表面印刷质量的一部分，若一旦印刷有缺陷，则不能完整描述电子产品相关参数的展示，影响电子产品的销量，因此电子行业厂商对其要求极为严格。
现有技术通常采用字符识别匹配的方法对标准图像与实际图像进行比较，但由于标准图像与实际图像在检测时，需要计算实际图像与标准图像的匹配程度，通过匹配程度检测电子产品上的印刷质量，由于在采集印刷图像时，电子产品与摄像头的相对姿态信息不同，相对姿态信息是由电子产品的姿态信息和摄像头的姿态信息共同决定的，这样采集的实际图像与标准图像的相对姿态信息就不可能完全一样，另外，字体的大小也会影响匹配程度，这样很难通过匹配程度对印刷质量精准的检测。
发明内容
为了解决传统方法对电子产品表面的印刷标识或图案、字符等的印刷缺陷进行检测时，受到电子产品姿态信息影响匹配精度的技术问题；本发明提供一种电子产品表面印刷质量检测方法，该方法通过比较待检测的实际图像和标准图像拓扑结构的相似度，来评价电子产品的表面印刷质量，避免了传统检测方法中电子产品的姿态参数的干扰，同时不需要计算图像匹配就可以得到电子产品表面的印刷质量。
本发明的目的是提供一种电子产品表面印刷质量检测方法，包括以下步骤：
获取待检测电子产品上的印刷区域图像；并获取待检测印刷区域图像中的多个连通域以及多个连通域形成的整体连通区域；
根据每个连通域内像素点的坐标通过PCA算法获取每个连通域的主方向和次方向；依次类比获取整体连通区域的主方向和次方向；根据每个连通域的主方向和次方向，及整体连通区域的主方向和次方向获取每个连通域的方向向量；
在印刷区域图像上设置整体连通区域的拓扑中心点；将距所述拓扑中心点最近的连通域中心点对应的连通域作为拓扑中心连通域；将每个连通域作为节点，并以拓扑中心连通域为初始层节点构建树形第一拓扑结构；所述第一拓扑结构中，相邻下一层节点是与其相邻上一层节点对应连通域距离最近的连通域；
将每个连通域的方向向量作为第一拓扑结构中对应节点的第一节点向量；
将任意两个相连节点对应的两个连通域间的距离作为该两个相连节点之间连接边的第一元素值；根据任意两个相连节点对应的两个连通域的中心点连线方向，和/或整体连通区域的主方向获取该两个相连节点之间连接边的第二元素值；依次将每个连接边的第一元素值和第二元素值作为第一拓扑结构中每个连接边的第一边向量；
依次类比获取标准电子产品上的印刷区域图像对应的树形第二拓扑结构，并获取第二拓扑结构中每个节点的第二节点向量和每个连接边的第二边向量；
根据第二拓扑结构中任一连接边的第二边向量中的第二元素值，对第一拓扑结构中对应的连接边的第一边向量中的第二元素值进行修正，获取修正后的第一拓扑结构；
根据修正后的第一拓扑结构中每个节点的第一节点向量和每个连接边的第一边向量，以及第二拓扑结构中对应节点的第二节点向量和对应连接边的第二边向量，获取修正后的第一拓扑结构与第二拓扑结构的相似度；
根据修正后的第一拓扑结构与第二拓扑结构的相似度判断待检测电子产品是否为合格产品。
在一实施例中，所述第一拓扑结构是按照以下步骤构建：
以拓扑中心连通域为初始层节点，并对每个连通域进行遍历，将与拓扑中心连通域距离最近的至少两个第一连通域作为第一拓扑结构中的第二层节点；将与每个第一连通域距离最近的至少两个第二连通域作为第一拓扑结构中的第三层节点；
依此类推将与相邻上一层每个连通域距离最近的至少两个连通域作为第一拓扑结构中的相邻下一层节点，直至所有的连通域遍历完成获取树形第一拓扑结构。
在一实施例中，所述修正后的第一拓扑结构与第二拓扑结构的相似度是按照以下步骤获取：
根据修正后的第一拓扑结构中每个节点的第一节点向量和第二拓扑结构中对应节点的第二节点向量的获取第一拓扑结构中每个节点的余弦相似度；
根据修正后的第一拓扑结构中每个连接边的第一边向量和第二拓扑结构中对应连接边的第二边向量获取第一拓扑结构中每个连接边的余弦相似度；
根据第一拓扑结构中每个节点的余弦相似度和第一拓扑结构中每个连接边的余弦相似度获取修正后的第一拓扑结构与第二拓扑结构的相似度。
在一实施例中，所述修正后的第一拓扑结构与第二拓扑结构的相似度是通过计算所有节点的余弦相似度及所有连接边的余弦相似度的均值而获取的。
在一实施例中，所述两个相连节点之间连接边为第一拓扑结构中第二层节点和初始层节点之间的连接边时，其第二层节点和初始层节点之间的连接边的第二元素值是按照以下步骤获取：
根据第二层节点与初始层节点对应的两个连通域的中心点连线方向，和整体连通区域的主方向的方向角差值获取第二层节点与初始层节点之间连接边的第二元素值。
在一实施例中，所述两个相连节点之间连接边为第一拓扑结构中第二层节点及以下层级节点的连接边时，其两个相连节点之间连接边的第二元素值是按照以下步骤获取：
根据两个相连节点对应的两个连通域的中心点连线方向，和该两个相连节点中的上一层节点与其父节点对应的两个连通域的中心点连线方向的方向角差值，获取两个相连节点之间连接边的第二元素值。
在一实施例中，每个连通域的方向向量是按照以下步骤获取：
根据每个连通域的主方向和整体连通区域的主方向获取每个连通域的主方向元素值；
根据每个连通域的次方向和整体连通区域的次方向获取每个连通域的次方向元素值；
根据每个连通域的主方向元素值和次方向元素值获取每个连通域的方向向量。
在一实施例中，每个连通域的主方向和次方向是按照以下步骤获取：
根据每个连通域内所有像素点的坐标利用PCA算法获取每个连通域内所有像素点坐标的多个主成分方向；根据每个主成分方向获取每个主成分方向的特征值，将特征值最大的主成分方向作为对应连通域的主方向；将特征值最小的主成分方向作为对应连通域的次方向。
在一实施例中，所述第一拓扑结构对应在印刷区域图像的拓扑中心点与第二拓扑结构中的对应在印刷区域图像的拓扑中心点为同一位置点。
在一实施例中，所述连通域距离是指沿着两个连通域的中心点连线方向的两个连通域上点的最小欧式距离。
本发明的有益效果是：
本发明提供的一种电子产品表面印刷质量检测方法，该方法通过对待检测的印刷区域图像中不同连通域之间的关联信息构建一个具有不变性的拓扑结构，并采用同样的方式对标准的印刷区域图像中不同连通域之间的关联信息也构建一个具有不变性的拓扑结构，即如果待检测的印刷区域图像和标准的印刷区域图像完全相同，则两者的拓扑结构也完全相同，表明待检测的电子产品表面印刷质量合格；则当需要对该类电子产品的质量进行检测时，只需通过该方法计算得到待检测实际图像对应的拓扑结构与标准图像的拓扑结构相比较，一致性越大，该电子产品存在的瑕疵或问题越少，即质量越好。该方法避免了传统检测方法中环境因素的干扰，同时不需要计算图像匹配就可以得到电子产品表面的印刷质量。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种电子产品表面印刷质量检测方法的实施例总体步骤的流程示意图。
图2为拓扑结构示意图。
图3为标准拓扑结构和实际拓扑结构的边值对比图。
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。
本发明的主要目的是：针对传统方法对电子产品表面的印刷标识或图案、字符等的印刷缺陷进行检测时，受到电子产品姿态信息的影响较大，则通过图像匹配时会遇到精度较低的问题，严重影响电子产品表面的印刷缺陷的检测结果，而提出了一种电子产品表面印刷质量检测方法，该方法通过对待检测的印刷区域图像中不同连通域之间的关联信息构建一个具有不变性的拓扑结构，并采用同样的方式对标准的印刷区域图像中不同连通域之间的关联信息也构建一个具有不变性的拓扑结构，即如果待检测的印刷区域图像和标准的印刷区域图像完全相同，则两者的拓扑结构也完全相同，该方法避免了传统检测方法中环境因素的干扰，同时不需要计算图像匹配就可以得到电子产品表面的印刷质量。
本发明提供的一种电子产品表面印刷质量检测方法，参见图1所示，包括以下步骤：
S1、获取待检测电子产品上的印刷区域图像；并获取待检测印刷区域图像中的多个连通域以及多个连通域形成的整体连通区域；
在本实施例中，首先获取待检测电子产品含有印刷区域的表面图像，其次对表面图像进行语义分割处理获取印刷区域图像；需要说明的是，在本实施例中采用DNN语义分割的方式来识别分割图像中的目标。
该DNN网络的相关内容如下：
（1）使用的数据集为俯视采集的电子产品图像数据集，电子产品的样式为多种多样的。
（2）需要分割的像素共分为两类，即训练集对应标签标注过程为：单通道的语义标签，属于电子产品上印刷区域的像素标注为1，其它像素标注为0。
（3）本实施例使用Deeplabv3网络，网络的任务是分语义分割，所有使用的loss函数为交叉熵损失函数。
通过语义分割得到的0-1掩膜图像与原图像相乘，得到的图像中只含有电子产品上的印刷区域图像，去除了背景的干扰。
另外，本实施例采用的语义分割的方式获取的印刷区域图像中的多个连通域以及多个连通域形成的整体连通区域。需要说明的是，印刷区域图像表示电子产品上还有印刷标识或图案、字符等的图像。需要说明的是，整体连通区域指的是所有的连通域所在的区域。
S2、获取每个连通域的方向向量；
根据每个连通域内像素点的坐标通过PCA算法获取每个连通域的主方向和次方向；依次类比获取整体连通区域的主方向和次方向；根据每个连通域的主方向和次方向，及整体连通区域的主方向和次方向获取每个连通域的方向向量；
需要说明的是，由于无法保证拍摄待检测电子产品的实际图像时，电子元器件的姿态信息和电子产品的标准图像中的姿态信息完全相同，因此常规方法需要计算两个图像的匹配来对异常进行检测，因此对匹配精度的要求较高。基于此，本实施例中通过单独的图像即可计算得到一个方向树形拓扑结构，通过相同的方法分别得到标准图像和实际图像中的方向树形拓扑结构，根据两者的比较，即可得到电子产品的质量参数，如果两个拓扑结构的相似度越大，电子产品的质量越好，否则越差。
本实施例中的拓扑结构相当于是每张图像的唯一标识码一样性质的结构，如果该结构改变，且改变程度越大，说明该电子产品的质量越差，由于实际图像和标准图像中电子产品的姿态信息大概率不同，因此树形拓扑结构需要具有不随电子产品的姿态信息的改变而改变的性质，称之为不变性。所述不变性，本实施例从两方面进行描述，一方面是每个连通域个体和整体连通区域的相对不变性，另一方面是连通域之间的拓扑关系和距离信息。
所述每个连通域个体和整体连通区域的相对不变性，是指当某个连通域存在异常时，该连通域的某种信息和该连通域作为整体一部分形成的整体信息，两种信息之间的关联特征与该连通域不存在异常时的对应信息，和不存在异常的该连通域作为整体一部分形成的整体信息之间的关联特征的不同，通过关联特征的不同可以检测得到异常。将该关联特征称之为方向向量。所述相对不变性，例如：在一个平面空间上有两条线，当坐标系改变时，两条线的坐标描述就会改变，但两条线之间的夹角在不同的直角坐标系中都是相同的。
其中，每个连通域的方向向量是按照以下步骤获取：
根据每个连通域的主方向和整体连通区域的主方向获取每个连通域的主方向元素值；
根据每个连通域的次方向和整体连通区域的次方向获取每个连通域的次方向元素值；
根据每个连通域的主方向元素值和次方向元素值获取每个连通域的方向向量。
每个连通域的主方向和次方向是按照以下步骤获取：
根据每个连通域内所有像素点的坐标利用PCA算法获取每个连通域内所有像素点坐标的多个主成分方向；根据每个主成分方向获取每个主成分方向的特征值，将特征值最大的主成分方向作为对应连通域的主方向；将特征值最小的主成分方向作为对应连通域的次方向。
在本实施例中，每个连通域的主方向和次方向的获取过程如下：
获取每个连通域内所有像素点的坐标，利用PCA算法获得每个连通域内所有像素点坐标数据的主成分方向，可获得多个主成分方向，每个主成分方向都是一个2维的单位向量，每个主成分方向对应一个特征值；本实施例中获取特征值最大的主成分方向，将其称为连通域主方向，表示所有像素点坐标数据投影方差最大的方向，即所有像素点坐标数据的主要分布方向；本实施例获取特征值最小的主成分方向，将其称为连通域次方向，表示所有像素点坐标数据投影方差最小的方向。另外，整体连通区域的主方向和次方向的获取过程同上，只是变成了对整体连通区域的所有像素点进行分析。
在本实施例中，将每个连通域的主方向与整体连通区域的主方向的方向角差值获取每个连通域的主方向元素值，将主方向元素值作为方向向量的第一个元素，用v1表示；将每个连通域的次方向与整体连通区域的次方向的方向差值获取每个连通域的次方向元素值，将次方向元素值作为方向向量的第二个元素，用v2表示。这两个元素就构成了每个连通域的方向向量，记为[v1，v2]。
需要说明的是，方向向量可以表示该图像中不同连通域所表示的局部信息与所有连通域表示的整体信息的相对情况，当其中某个连通域发生变化，例如：某个连通域在印刷过程中存在问题时，会导致该连通域的方向向量的变化，变化越大，该连通域由于印刷问题改变的程度越大。
为此，通过对每个连通域和整体连通区域内的所有连通域进行主成分分析，根据得到的主方向和次方向计算得到了每个连通域的方向向量。
上述计算得到的方向向量只能表示每个连通域是否发生了变化，不能表示每个连通域的大小信息，即大小是否发生变化和所有连通域之间的邻接关系也没有表示，例如：当某个连通域成比例放大时，该连通域的方向向量是不变的，即无法通过方向向量对这种情况的异常进行检测，因此后续步骤的处理过程，主要是针对以下技术问题：缺陷处理主要体现在连通域大小上，除此之外，连通域之间的邻接关系对缺陷准确识别也很重要。因此还需要一种可以表示这些信息的结构，在本实施例中用拓扑结构来表示；具体如下：
S3、构建树形第一拓扑结构；
在印刷区域图像上设置整体连通区域的拓扑中心点；将距所述拓扑中心点最近的连通域中心点对应的连通域作为拓扑中心连通域；将每个连通域作为节点，并以拓扑中心连通域为初始层节点构建树形第一拓扑结构；所述第一拓扑结构中，相邻下一层节点是与其相邻上一层节点对应连通域距离最近的连通域；其中，所述连通域距离是指沿着两个连通域的中心点连线方向的两个连通域上点的最小欧式距离。
所述第一拓扑结构是按照以下步骤构建：
以拓扑中心连通域为初始层节点，并对每个连通域进行遍历，将与拓扑中心连通域距离最近的至少两个第一连通域作为第一拓扑结构中的第二层节点；将与每个第一连通域距离最近的至少两个第二连通域作为第一拓扑结构中的第三层节点；
依此类推将与相邻上一层每个连通域距离最近的至少两个连通域作为第一拓扑结构中的相邻下一层节点，直至所有的连通域遍历完成获取树形第一拓扑结构。
在本实施例中，树形第一拓扑结构的构建过程如下：
首先找一个拓扑中心，所述拓扑中心是指在标准图像和实际图像上均可以通过相同的方法计算得到，且一定是同一个点，因此将该拓扑中心作为整体连通区域的拓扑中心点，选择距离所述拓扑中心点的欧式距离最近的连通域中心点对应的连通域作为拓扑中心连通域；需要说明的是，拓扑中心的获得方法和连通域中心点的获得方法相同；其中，连通域中心点的获取是根据连通域内所有像素点的横坐标均值和纵坐标均值作为中心点的横坐标和纵坐标，横坐标均值作为中心点横坐标；纵坐标均值作为中心点纵坐标。
以该拓扑中心连通域为初始层节点构建树形第一拓扑结构，首先计算距离该初始层节点对应连通域的连通域距离最近的3个连通域，连通域距离是指沿着两个连通域的中心点连线方向的两个连通域上点的最小欧式距离；选择连通域距离而不是两个连通域的中心点欧式距离，是因为连通域距离更能表示两个连通域之间的距离信息是否异常，当其中一个连通域变大或变小时，两个连通域的中心点欧式距离可能不变，但连通域距离一定会变化。
计算得到距离该初始层节点对应连通域的连通域距离最近的3个连通域后，将这3个连通域当成第二层节点，这个初始节点和这3个第二层节点分别设置3个连接边，构成一个拓扑树；遍历树上的第二层节点，对于其中每个节点，计算该节点距离最近的下一层节点，连接该节点与对应的上一层节点，如果已在树上，就不连接了，遍历完之后，就获得一个新的树，然后一直遍历，直到所有的连通域遍历完成时，得到一个拓扑树，记为树形的第一拓扑结构；计算最近的连通域距离对应的连通域来进行连接是由于连通域距离越近的两个连通域之间的邻接关系越大。其中，初始层节点只有一个节点是拓扑中心连通域。
最终得到的第一拓扑结构，初始层节点为拓扑中心连通域，第二层的节点为：拓扑中心连通域连接的三个节点，第三层的节点为第二层的每个节点连接的2个节点，第四及以下层级的节点均为相邻上一层的节点连接的2个节点。
在本实施例中，每一层的节点按照与上一层连接节点的距离升序排序，例如，参见图2所示，节点a与节点o的连通域距离<节点b与节点o的连通域距离<节点c与节点o的距离。第一拓扑结构中每一层靠近左侧的节点与同一个父节点下的节点相比，比靠近右侧的节点与父节点的连通域距离小，这样设置的目的是后续比较的方便，直接把对应位置的数值进行比较即可，不需要计算第一拓扑结构中分支的相似性再进行比较，减少比较时所需的计算量。
在第一拓扑结构中，每个节点值，是将每个连通域的方向向量作为第一拓扑结构中对应节点的第一节点向量。
S4、获取第一拓扑结构中每个连接边的第一边向量；
将任意两个相连节点对应的两个连通域间的距离作为该两个相连节点之间连接边的第一元素值；根据任意两个相连节点对应的两个连通域的中心点连线方向，和/或整体连通区域的主方向获取该两个相连节点之间连接边的第二元素值；依次将每个连接边的第一元素值和第二元素值作为第一拓扑结构中每个连接边的第一边向量；
所述两个相连节点之间连接边为第一拓扑结构中第二层节点和初始层节点之间的连接边时，其第二层节点和初始层节点之间的连接边的第二元素值是按照以下步骤获取：
根据第二层节点与初始层节点对应的两个连通域的中心点连线方向，和整体连通区域的主方向的方向角差值获取第二层节点与初始层节点之间连接边的第二元素值。
所述两个相连节点之间连接边为第一拓扑结构中第二层节点及以下层级节点的连接边时，其两个相连节点之间连接边的第二元素值是按照以下步骤获取：
根据两个相连节点对应的两个连通域的中心点连线方向，和该两个相连节点中的上一层节点与其父节点对应的两个连通域的中心点连线方向的方向角差值，获取两个相连节点之间连接边的第二元素值。
在本实施例中，第一拓扑结构中的节点之间的连接边的设置如下：
第二层和初始层的边值设置采用一种方法：
第二层节点，参见图2所示，拓扑结构节点的3个子节点，对应节点a、b和c和初始层节点，对应拓扑结构节点o之间的连接边设置为：对应两个连通域的中心点连线方向与整体连通区域的主方向的方向角差值作为边值二元组的第二元素值，该边值可以表示这三个连通域与整体信息的偏离程度，偏离程度越大，则实际图像对应的第一拓扑结构与标准图像对应的第二拓扑结构的第二元素值的差值就越大；将对应两个连通域的连通域距离作为边值二元组的第一元素值。
第二层节点及以下层级节点之间的边值设置采用另一种方法：
由于对于第二层以下的节点来说，相邻层节点之间的联系比该层节点与初始层节点之间的联系更加紧密，可以更好地对整体结构信息进行更加细致和更高精度的描述，因此对于第二层节点及以下层级节点之间的边值通过另一种方法进行设置，具体的设置方法如下：
第三层节点和第二层节点之间的边设置方法如下：首先计算得到该节点与上一层父节点的连通域中点连线向量，然后计算第二层节点与初始层节点的连通域中心点连线向量，计算两个连线向量的方向角差值作为该节点的边值二元组的第二元素值，第一元素值为第三层该节点对应第二层父节点的连通域距离；依次类比每相邻两层节点之间的边值计算方法同上。
在本实施例中，边值指的是节点连接边的值，在第一拓扑结构的设置过程中，节点和边值均具有不变性，即当待检测的电子产品与摄像头的相对姿态信息与标准图像拍摄时的相对姿态信息不同时，也可以得到唯一的拓扑结构，节点值表示的是每个连通域与整体连通区域的主方向和次方向的方向，表示的是一种相对信息，不随着姿态信息的变化而变化，只有当某个连通域的像素点变化，例如：增加或减少时，该连通域的主方向和次方向的变化会导致所述相对信息的改变，即只对连通域异常存在响应；边值表示的是每个连通域之间的拓扑关系，拓扑关系也是不随着姿态信息的变化而变化，只有当拓扑关系变化时，边值才会变化。即通过节点和边值的设置，构造了一个不随着姿态信息的变化而变化的拓扑结构，且该拓扑结构只有当连通域变化时，才会产生相应，发生变化。
通过计算每个连通域的方向向量，得到了第一拓扑结构中节点的第一节点向量，通过计算不同连通域之间的拓扑连接关系，得到了第一拓扑结构中连街边的第一边向量，进而得到了一个完整的拓扑结构，所述拓扑结构可以唯一地表示一个待检测电子产品表面的印刷情况。
上述步骤获得第一拓扑结构的计算方法之后，通过该方法计算得到标准图像对应的第二拓扑结构，当需要对该类电子产品的质量进行检测时，只需通过该方法计算得到实际图像对应的第一拓扑结构，与标准图像的第二拓扑结构相比较，一致性越大，该电子产品存在的瑕疵或问题越少，即质量越好。具体如下：
S5、依次类比获取标准电子产品上的印刷区域图像对应的树形第二拓扑结构，并获取第二拓扑结构中每个节点的第二节点向量和每个连接边的第二边向量；
在本实施例中，按照上述步骤，获取标准的电子产品上的印刷区域图像，作为标准图像，来获取对应的树形第二拓扑结构，其中第二拓扑结构获取的方法与第一拓扑结构完全相同，只是正对的图像不同，第一拓扑结构针对的是待检测的实际图像，而第二拓扑结构针对的是标准图像；另外，所述第一拓扑结构对应在印刷区域图像的拓扑中心点与第二拓扑结构中的对应在印刷区域图像的拓扑中心点为同一位置点；也就是第一拓扑结构对应的拓扑中心点的位置和第二拓扑结构对应的拓扑中心点的位置在各自的图像中位置相同。
为了加深相邻层节点之间的联系，对于拓扑结构中第二层以下的边值的第二元素值的设置中参考了上一层中对应父节点的信息，因此在实际中当某个父节点的信息变化较大时，会对该父节点下面的有关子节点的边值造成影响，导致检测结果的不准，基于此，通过计算误差传播节点和误差传播值对实际的误差进行修正，避免由于误差累计造成的比较时，使得实际情况与比较情况相差较大。具体如下：
S6、获取修正后的第一拓扑结构；
根据第二拓扑结构中任一连接边的第二边向量中的第二元素值，对第一拓扑结构中对应的连接边的第一边向量中的第二元素值进行修正，获取修正后的第一拓扑结构；
在本实施例中，修正后的具体步骤例如，参见图3所示，左图为标准拓扑结构，右图为实际拓扑结构，假设：实际中，只有节点a异常和节点d异常，节点c正常，节点a的异常值为10，节点d的异常值也为10。则节点a的异常会导致节点a所连接的下层节点的异常，例如：节点a对应的边oa原本的第二元素值为10，实际值为20，变化值为10，该变化值导致原本正常的节点c对应的边ac也存在变化值为10的异常，而节点d本身存在10的异常，再加上节点a异常的影响，使得边ad的实际值由70变为了80。
因此，在本实施例中，通过计算上层节点对应连接边的异常值，让第一拓扑结构中的下层节点的边值分别减去对应所有上层节点边值的异常值，参见图3所示，在实际拓扑结构中，边ac从原来的第二元素值60减去上层边oa的变化值为10，则将实际拓扑结构中，边ac从原来的第二元素值60修正为50；同理，将边ad从原来的第二元素值80修正为70，实际拓扑结构中边ad修正后的第二元素值为70，相对于标准拓扑结构中的边ad的第二元素值60来说，变化值为10，则说明节点d本身存在10的异常值。为此，通过逐级的修正，就可以得到不受误差累积影响的每条边的第二元素值，进而得到修正后的第一拓扑结构。
S7、获取修正后的第一拓扑结构与第二拓扑结构的相似度；
根据修正后的第一拓扑结构中每个节点的第一节点向量和每个连接边的第一边向量，以及第二拓扑结构中对应节点的第二节点向量和对应连接边的第二边向量，获取修正后的第一拓扑结构与第二拓扑结构的相似度；
所述修正后的第一拓扑结构与第二拓扑结构的相似度是按照以下步骤获取：
根据修正后的第一拓扑结构中每个节点的第一节点向量和第二拓扑结构中对应节点的第二节点向量的获取第一拓扑结构中每个节点的余弦相似度；
根据修正后的第一拓扑结构中每个连接边的第一边向量和第二拓扑结构中对应连接边的第二边向量获取第一拓扑结构中每个连接边的余弦相似度；
根据第一拓扑结构中每个节点的余弦相似度和第一拓扑结构中每个连接边的余弦相似度获取修正后的第一拓扑结构与第二拓扑结构的相似度。
所述修正后的第一拓扑结构与第二拓扑结构的相似度是通过计算所有节点的余弦相似度及所有连接边的余弦相似度的均值而获取的。
在本实施例中，通过计算的所有余弦相似度的均值作为修正后的第一拓扑结构与第二拓扑结构的相似度，其中相似度越大，产品表面印刷区域质量越好。
S8、根据修正后的第一拓扑结构与第二拓扑结构的相似度判断待检测电子产品是否为合格产品。
在本实施例中，将计算得到的相似度均值与预设的相似度阈值k=0.9进行比较，如果待检测的电子产品对应的相似度大于k，则产品合格；否则产品不合格。其中相似度阈值，用户可以根据具体情况自行设置。
综上，本发明提供的一种电子产品表面印刷质量检测方法，该方法通过对待检测的印刷区域图像中不同连通域之间的关联信息构建一个具有不变性的拓扑结构，并采用同样的方式对标准的印刷区域图像中不同连通域之间的关联信息也构建一个具有不变性的拓扑结构，即如果待检测的印刷区域图像和标准的印刷区域图像完全相同，则两者的拓扑结构也完全相同，该方法避免了传统检测方法中环境因素的干扰，同时不需要计算图像匹配就可以得到电子产品表面的印刷质量。
以上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)

1.一种电子产品表面印刷质量检测方法，其特征在于，包括以下步骤：
获取待检测电子产品上的印刷区域图像；并获取待检测印刷区域图像中的多个连通域以及多个连通域形成的整体连通区域；
根据每个连通域内像素点的坐标通过PCA算法获取每个连通域的主方向和次方向；依次类比获取整体连通区域的主方向和次方向；根据每个连通域的主方向和次方向，及整体连通区域的主方向和次方向获取每个连通域的方向向量；
在印刷区域图像上设置整体连通区域的拓扑中心点；将距所述拓扑中心点最近的连通域中心点对应的连通域作为拓扑中心连通域；将每个连通域作为节点，并以拓扑中心连通域为初始层节点构建树形第一拓扑结构；所述第一拓扑结构中，相邻下一层节点是与其相邻上一层节点对应连通域距离最近的连通域；
将每个连通域的方向向量作为第一拓扑结构中对应节点的第一节点向量；
将任意两个相连节点对应的两个连通域间的距离作为该两个相连节点之间连接边的第一元素值；根据任意两个相连节点对应的两个连通域的中心点连线方向，和/或整体连通区域的主方向获取该两个相连节点之间连接边的第二元素值；依次将每个连接边的第一元素值和第二元素值作为第一拓扑结构中每个连接边的第一边向量；
依次类比获取标准电子产品上的印刷区域图像对应的树形第二拓扑结构，并获取第二拓扑结构中每个节点的第二节点向量和每个连接边的第二边向量；
根据第二拓扑结构中任一连接边的第二边向量中的第二元素值，对第一拓扑结构中对应的连接边的第一边向量中的第二元素值进行修正，获取修正后的第一拓扑结构；
根据修正后的第一拓扑结构中每个节点的第一节点向量和每个连接边的第一边向量，以及第二拓扑结构中对应节点的第二节点向量和对应连接边的第二边向量，获取修正后的第一拓扑结构与第二拓扑结构的相似度；
根据修正后的第一拓扑结构与第二拓扑结构的相似度判断待检测电子产品是否为合格产品。
2.根据权利要求1所述的一种电子产品表面印刷质量检测方法，其特征在于，所述第一拓扑结构是按照以下步骤构建：
以拓扑中心连通域为初始层节点，并对每个连通域进行遍历，将与拓扑中心连通域距离最近的至少两个第一连通域作为第一拓扑结构中的第二层节点；将与每个第一连通域距离最近的至少两个第二连通域作为第一拓扑结构中的第三层节点；
依此类推将与相邻上一层每个连通域距离最近的至少两个连通域作为第一拓扑结构中的相邻下一层节点，直至所有的连通域遍历完成获取树形第一拓扑结构。
3.根据权利要求1所述的一种电子产品表面印刷质量检测方法，其特征在于，所述修正后的第一拓扑结构与第二拓扑结构的相似度是按照以下步骤获取：
根据修正后的第一拓扑结构中每个节点的第一节点向量和第二拓扑结构中对应节点的第二节点向量的获取第一拓扑结构中每个节点的余弦相似度；
根据修正后的第一拓扑结构中每个连接边的第一边向量和第二拓扑结构中对应连接边的第二边向量获取第一拓扑结构中每个连接边的余弦相似度；
根据第一拓扑结构中每个节点的余弦相似度和第一拓扑结构中每个连接边的余弦相似度获取修正后的第一拓扑结构与第二拓扑结构的相似度。
4.根据权利要求3所述的一种电子产品表面印刷质量检测方法，其特征在于，所述修正后的第一拓扑结构与第二拓扑结构的相似度是通过计算所有节点的余弦相似度及所有连接边的余弦相似度的均值而获取的。
5.根据权利要求1所述的一种电子产品表面印刷质量检测方法，其特征在于，所述两个相连节点之间连接边为第一拓扑结构中第二层节点和初始层节点之间的连接边时，其第二层节点和初始层节点之间的连接边的第二元素值是按照以下步骤获取：
根据第二层节点与初始层节点对应的两个连通域的中心点连线方向，和整体连通区域的主方向的方向角差值获取第二层节点与初始层节点之间连接边的第二元素值。
6.根据权利要求1所述的一种电子产品表面印刷质量检测方法，其特征在于，所述两个相连节点之间连接边为第一拓扑结构中第二层节点及以下层级节点的连接边时，其两个相连节点之间连接边的第二元素值是按照以下步骤获取：
根据两个相连节点对应的两个连通域的中心点连线方向，和该两个相连节点中的上一层节点与其父节点对应的两个连通域的中心点连线方向的方向角差值，获取两个相连节点之间连接边的第二元素值。
7.根据权利要求1所述的一种电子产品表面印刷质量检测方法，其特征在于，每个连通域的方向向量是按照以下步骤获取：
根据每个连通域的主方向和整体连通区域的主方向获取每个连通域的主方向元素值；
根据每个连通域的次方向和整体连通区域的次方向获取每个连通域的次方向元素值；
根据每个连通域的主方向元素值和次方向元素值获取每个连通域的方向向量。
8.根据权利要求7所述的一种电子产品表面印刷质量检测方法，其特征在于，每个连通域的主方向和次方向是按照以下步骤获取：
根据每个连通域内所有像素点的坐标利用PCA算法获取每个连通域内所有像素点坐标的多个主成分方向；根据每个主成分方向获取每个主成分方向的特征值，将特征值最大的主成分方向作为对应连通域的主方向；将特征值最小的主成分方向作为对应连通域的次方向。
9.根据权利要求1所述的一种电子产品表面印刷质量检测方法，其特征在于，所述第一拓扑结构对应在印刷区域图像的拓扑中心点与第二拓扑结构中的对应在印刷区域图像的拓扑中心点为同一位置点。
10.根据权利要求1所述的一种电子产品表面印刷质量检测方法，其特征在于，所述连通域距离是指沿着两个连通域的中心点连线方向的两个连通域上点的最小欧式距离。
CN202211182669.8A 2022-09-27 2022-09-27 一种电子产品表面印刷质量检测方法 Active CN115272320B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211182669.8A CN115272320B (zh) 2022-09-27 2022-09-27 一种电子产品表面印刷质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211182669.8A CN115272320B (zh) 2022-09-27 2022-09-27 一种电子产品表面印刷质量检测方法

Publications (2)

Publication Number Publication Date
CN115272320A true CN115272320A (zh) 2022-11-01
CN115272320B CN115272320B (zh) 2022-12-13

Family

ID=83757518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211182669.8A Active CN115272320B (zh) 2022-09-27 2022-09-27 一种电子产品表面印刷质量检测方法

Country Status (1)

Country Link
CN (1) CN115272320B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049753A (zh) * 2012-06-04 2013-04-17 深圳市强华科技发展有限公司 基于骨架提取和距离变换来检测印刷电路板缺陷的方法
CN103500459A (zh) * 2013-09-24 2014-01-08 华南理工大学 一种基于规则化参数的印刷电路板缺陷检测方法
CN114842033A (zh) * 2022-06-29 2022-08-02 江西财经大学 一种用于智能ar设备的图像处理方法
CN115049638A (zh) * 2022-07-21 2022-09-13 启东晶尧光电科技有限公司 一种基于图像处理的丝网印刷玻璃缺陷检测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049753A (zh) * 2012-06-04 2013-04-17 深圳市强华科技发展有限公司 基于骨架提取和距离变换来检测印刷电路板缺陷的方法
CN103500459A (zh) * 2013-09-24 2014-01-08 华南理工大学 一种基于规则化参数的印刷电路板缺陷检测方法
CN114842033A (zh) * 2022-06-29 2022-08-02 江西财经大学 一种用于智能ar设备的图像处理方法
CN115049638A (zh) * 2022-07-21 2022-09-13 启东晶尧光电科技有限公司 一种基于图像处理的丝网印刷玻璃缺陷检测方法及装置

Also Published As

Publication number Publication date
CN115272320B (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
CN109190636B (zh) 一种遥感图像舰船目标信息提取方法
CN113077453B (zh) 一种基于深度学习的电路板元器件缺陷检测方法
CN115049638A (zh) 一种基于图像处理的丝网印刷玻璃缺陷检测方法及装置
CN111965197B (zh) 一种基于多特征融合的缺陷分类方法
CN112686264B (zh) 数字式仪表读数方法、装置、计算机设备和存储介质
CN112288724B (zh) 缺陷检测方法及装置、电子设备和存储介质
CN112489002A (zh) 一种缺陷检测方法、装置、设备及存储介质
CN112419260A (zh) 一种pcb文字区域缺陷检测方法
CN113505789A (zh) 一种基于crnn的电气设备铭牌文本识别方法
CN111626145B (zh) 一种简捷有效的残缺表格识别及跨页拼接方法
CN110415296A (zh) 一种有阴影光照下矩形状电器件的定位方法
CN116363573A (zh) 一种变电站设备状态异常识别方法和系统
CN110288040B (zh) 一种基于拓扑验证的图像相似评判方法及设备
CN115272320B (zh) 一种电子产品表面印刷质量检测方法
CN109087292B (zh) 一种基于机器视觉的热转印胶片胶水偏位检测方法
CN112802104A (zh) 一种基于rgb-d相机的回环检测方法
CN109726722B (zh) 一种字符分割方法及装置
CN107688812B (zh) 一种基于机器视觉的食品生产日期喷墨字体修复方法
CN115330765A (zh) 用于铝电解电容阳极箔生产的腐蚀缺陷识别方法
JPH11213091A (ja) 文字認識装置
CN106023181B (zh) 一种基于印刷品的局部线段偏离度特征匹配方法
CN113554591B (zh) 一种标签定位方法及设备
TWI786894B (zh) 檢測方法
CN113903018B (zh) 一种基于神经网络的集装箱号识别方法
CN116455070A (zh) 一种变电站设备变位告警的方法和系统

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