CN115311262A - 一种印刷电路板缺陷识别方法 - Google Patents

一种印刷电路板缺陷识别方法 Download PDF

Info

Publication number
CN115311262A
CN115311262A CN202211223889.0A CN202211223889A CN115311262A CN 115311262 A CN115311262 A CN 115311262A CN 202211223889 A CN202211223889 A CN 202211223889A CN 115311262 A CN115311262 A CN 115311262A
Authority
CN
China
Prior art keywords
image
edge points
hole
edge
area
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
Application number
CN202211223889.0A
Other languages
English (en)
Inventor
李琪玲
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.)
Nantong Rudong Yihang Electronics R & D Co ltd
Original Assignee
Nantong Rudong Yihang Electronics R & D 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 Nantong Rudong Yihang Electronics R & D Co ltd filed Critical Nantong Rudong Yihang Electronics R & D Co ltd
Priority to CN202211223889.0A priority Critical patent/CN115311262A/zh
Publication of CN115311262A publication Critical patent/CN115311262A/zh
Pending legal-status Critical Current

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
    • 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
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种印刷电路板缺陷识别方法，该方法获取印刷电路板图像中的多个孔区域图像；检测得到当前孔区域图像中内部区域边缘点，对内部区域边缘点进行凸包检测，获取凸包的质心，基于质心以及每个内部区域边缘点与质心之间的距离计算每个内部区域边缘点的突出概率；当前孔区域图像中的所有内部区域边缘点划分为多个类簇，以得到每一类簇的异常程度值，由异常程度值得到对应类簇的自适应结构元大小，以当前孔区域图像进行形态学膨胀操作；对每个孔区域图像进行所述形态学膨胀操作，得到处理后的孔区域图像，并对处理后的孔区域图像进行缺陷检测。本方案通过更加准确的估计结构元，提高了缺陷检测结果。

Description

一种印刷电路板缺陷识别方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种印刷电路板缺陷识别方法。
背景技术
印刷电路板又称做PCB板，印刷电路板的出现，在电子工业中已经占据了绝对统治的地位。随着印刷电路板的需要越来越多，随之使得印刷电路板中的生产缺陷也越来越重要。其中印刷电路板内每个孔区域中毛刺的检测愈发重要。
传统的印刷电路板孔内毛刺缺陷检测过程中，使用形态学运算进行检测处理。在传统的形态学操作过程中，需要设置一定大小和形状的结构元，并根据该结构元对每个孔区域进行膨胀操作。然而形态学处理的结果与结构元的选取对于图像处理效果极为重要，若设置的结构元大小不合适，会得到错误的图像处理结果，进而使得缺陷检测的结果产生较大的误差。
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印刷电路板缺陷识别方法，所采用的技术方案具体如下：
采集印刷电路板图像，以得到印刷电路板图像中的多个孔区域图像；
对当前孔区域图像进行灰度化处理，以得到当前孔区域图像中内部区域边缘点；对内部区域边缘点进行凸包检测，获取当前孔区域图像对应凸包的质心，分别计算每个内部区域边缘点与质心之间的距离，得到距离均值；以质心的圆心、距离均值为半径获取当前孔区域图像对应圆的曲线方程；基于曲线方程，分别获取每个内部区域边缘点的突出概率；
将内部区域边缘点的坐标和对应的突出概率组成一个三维坐标，基于三维坐标，利用DBSCAN聚类算法将当前孔区域图像中的所有内部区域边缘点划分为多个类簇，将每个类簇中所包含内部区域边缘点的突出概率的最大值作为对应类簇的异常程度值；根据每一类簇的异常程度值，得到对应类簇的自适应结构元大小，利用自适应结构元大小对当前孔区域图像进行形态学膨胀操作；
对每个孔区域图像进行所述形态学膨胀操作，得到处理后的孔区域图像，并对处理后的孔区域图像进行缺陷检测。
进一步的，所述突出概率的获取方法，包括：
以当前内部区域边缘点为中心像素点建立窗口，利用曲线方向获取窗口内每个点的切向方向，分别获取中心像素点与邻域窗口内边缘的点的第一连线方向，以及中心像素点与圆心的第二连线方向的垂直方向，根据第一连线方向与垂直方向之间的差值、窗口内内部区域边缘点的数量得到当前内部区域边缘点的突出概率，则突出概率的计算公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure 41281DEST_PATH_IMAGE002
为第
Figure 839472DEST_PATH_IMAGE003
个孔区域图像中第
Figure 569531DEST_PATH_IMAGE004
个内部区域边缘点的突出概率；
Figure 769568DEST_PATH_IMAGE005
为第
Figure 28511DEST_PATH_IMAGE003
个孔 区域图像中第
Figure 313999DEST_PATH_IMAGE004
个内部区域边缘点对应窗口内含有内部区域边缘点的数量；
Figure 582169DEST_PATH_IMAGE006
为中心像素 点与对应窗口内第L个边缘点的第一连线方向；
Figure 636713DEST_PATH_IMAGE007
为中心像素点与圆心的第二连线方向的 垂直方向。
进一步的，所述自适应结构元大小的计算公式为：
Figure 597716DEST_PATH_IMAGE008
其中，
Figure DEST_PATH_IMAGE009
为第
Figure 901658DEST_PATH_IMAGE003
个孔区域图像中的第
Figure 707940DEST_PATH_IMAGE010
类簇的自适应结构元大小；
Figure 882569DEST_PATH_IMAGE011
为第
Figure 748894DEST_PATH_IMAGE003
个孔 区域图像中的第
Figure 8974DEST_PATH_IMAGE010
类簇的异常程度值；
Figure 884526DEST_PATH_IMAGE012
为超参数值；
Figure 648083DEST_PATH_IMAGE013
为最小的结构元大小。
进一步的，所述对处理后的孔区域图像进行缺陷检测的方法，包括：
获取处理后的孔区域图像的二值图像，通过对二值图进行连通域分析，分析计算每个连通域的圆形度，设置圆形度阈值，若圆形度小于圆形度阈值，则表明对应孔区域图像中含有毛刺。
本发明实施例至少具有如下有益效果：
（1）通过每个孔区域图像中内部区域边缘像素点的突出概率值，表征每个内部区域边缘点相对于正常的边缘的突出程度。结合相较于正常内部边缘整体趋势的偏差，表征了每个像素点可能为毛刺的概率，充分考虑了印刷电路板的毛刺特征的特性，将不同的像素点根据其位置的相似性以及突出概率的相似性进行聚类，并计算每个类簇的异常程度值。在进行形态学结构元自适应过程中，更好的结合了不同像素点本身的特征，使得估计结构元更加准确。
（2）为了尽可能的放大毛刺特征，使得检测结果更加准确，通过自适应形态学的膨胀操作对图像进行处理。根据每个类簇的异常程度值进行结构元自适应，避免了传统的形态学运算中，对不同的像素点使用相同的结构元，进而使得形态学处理后的图像的效果较差。
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印刷电路板缺陷识别方法的步骤流程图。
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印刷电路板缺陷识别方法，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。
本发明所针对的情景为：本案中对印刷电路板孔内毛刺特征进行检测，通过放大孔区域内毛刺特征，进行缺陷检测。
下面结合附图具体的说明本发明所提供的一种印刷电路板缺陷识别方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种印刷电路板缺陷识别方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集印刷电路板图像，以得到印刷电路板图像中的多个孔区域图像。
具体的，本案中通过布置高分辨率相机进行印刷电路板图像的采集。由于采集印刷电路板图像中会存在非印刷电路板图像的区域，因此通过语义分割技术提取印刷电路板图像区域，并且提取印刷电路板图像中的所有孔区域图像。其中语义分割网络采用DNN语义分割网络，具体内容为：使用的数据集为采集的印刷电路板图像；以人工标注的方式，将印刷电路板中每个孔区域图像标注为1，其他的作为背景类，标注为2；本网络的损失函数为交叉熵函数。
步骤S002，对当前孔区域图像进行灰度化处理，以得到当前孔区域图像中内部区域边缘点；对内部区域边缘点进行凸包检测，获取当前孔区域图像对应凸包的质心，分别计算每个内部区域边缘点与质心之间的距离，得到距离均值；以质心的圆心、距离均值为半径获取当前孔区域图像对应圆的曲线方程；基于曲线方程，分别获取每个内部区域边缘点的突出概率。
具体的，由于采集的图像分辨率不高，并且每个孔区域内毛刺相对较小，会使得图像中每个孔区域内部的毛刺特征表现不明显，因此本案通过对印刷电路板的每个孔区域的图像进行形态学操作，在不改变图像本身特征情况下，尽可能的放大每个孔区域内部毛刺与正常孔边缘的差异，进而提高毛刺缺陷的检测效果。在传统的形态学操作过程中，需要设置一定大小和形状的结构元，并根据该结构元对每个孔区域进行膨胀操作。然而形态学处理的结果与结构元的选取，对于图像处理效果极为重要。因此本案中根据印刷电路板的每个孔区域特征进行自适应结构元的选取，尽可能的放大毛刺特征。
本案中印刷电路板中孔内毛刺缺陷仅与每个孔区域内部边缘点的特征有关，因此本案仅对每个孔区域的内部边缘点进行分析，通过分析每个孔区域的内部边缘点的异常概率值进行自适应形态学操作。其中提取每个孔区域内部边缘点的可通过简单现有的技术进行提取，以一个孔区域图像为例，具体过程为：对提取的孔区域图像进行灰度化预处理，并进行去噪，然后通过Canny边缘检测算法检测孔区域图像的边缘点，而这些边缘点中含有孔区域外部区域边缘点和内部区域边缘点，需要对这些边缘点进行进一步判断。由于每个孔区域呈现同心圆结构，则通过分析每一行图像中边缘点的个数，若每行检测出来的边缘点数量大于2，则表明当前行中存在内部区域边缘点，并且除了每行第一个边缘点和最后一个边缘点，其余的都为内部边缘点，若孔区域内部存在毛刺缺陷，则当前行检测出来的边缘点较多。
通过对每个孔区域图像中内部区域边缘点进行分析，计算每个孔区域图像中内部区域边缘点的突出概率，用于表征每个内部区域边缘点相对于正常的边缘的突出程度。每个孔区域图像中内部区域边缘点的突出概率越大，则该像素点相较于正常内部边缘偏差越大，其中所述偏差包括与正常曲率之间的角度偏差以及在该偏差方向延伸的多少，即数量的偏差。
首先，以第
Figure 950889DEST_PATH_IMAGE003
个孔区域图像为例，确定当前孔区域图像中内部区域边缘点的整体趋 势，即孔内毛刺特征的边缘点对于整体的内部区域边缘点属于部分的特征点，所有点的整 体趋势都呈现一个类圆形的分布趋势，部分毛刺特征的边缘点会产生偏差。
由于毛刺特征点主要呈现朝向孔内方向，因此正常的边缘点大多分布在最外端， 为了表征整体趋势，通过对上一步获取的内部区域边缘点进行凸包检测，以外区域的像素 点构成的凸包，其中该凸包中的绝大部分所用的像素点为正常区域的像素点，即该凸包可 以代表当前孔区域图像的整体特征，获取该凸包的质心坐标，记作第
Figure 432685DEST_PATH_IMAGE003
个孔区域图像中内部 区域边缘点所构成的凸包的质心坐标为
Figure 846349DEST_PATH_IMAGE014
，构成该凸包的内部区域边缘点中第
Figure 729992DEST_PATH_IMAGE015
个内部区域边缘点为
Figure 203698DEST_PATH_IMAGE016
。计算该质心与所有构成凸包的内部区域边缘点的距离 均值
Figure 172791DEST_PATH_IMAGE017
，其中第
Figure 124567DEST_PATH_IMAGE003
个孔区域图像中内部区域边缘点的构成的凸包质心与所有构成凸包的内 部区域边缘点的距离均值
Figure 128295DEST_PATH_IMAGE017
的计算表达式为：
Figure 772903DEST_PATH_IMAGE018
其中，
Figure 229292DEST_PATH_IMAGE019
表示第
Figure 984758DEST_PATH_IMAGE003
个孔区域图像中内部区域边缘点的构成的凸包的质心坐 标；
Figure 311835DEST_PATH_IMAGE020
表示第
Figure 127344DEST_PATH_IMAGE003
个孔区域图像中内部区域边缘点的构成的凸包中第
Figure 71029DEST_PATH_IMAGE015
个内部区域边 缘点的坐标；
Figure 630186DEST_PATH_IMAGE021
表示第
Figure 342927DEST_PATH_IMAGE003
个孔区域图像中构成凸包的内部区域边缘点的数量。
对于第
Figure 63759DEST_PATH_IMAGE003
个孔区域图像中的凸包的质心
Figure 494740DEST_PATH_IMAGE022
为圆心，半径为
Figure 592009DEST_PATH_IMAGE017
作圆，则该圆的曲线表 达式为：
Figure 424836DEST_PATH_IMAGE023
其中，
Figure 328287DEST_PATH_IMAGE019
表示第
Figure 246565DEST_PATH_IMAGE003
个孔区域图像中内部区域边缘点所构成的凸包的质心坐 标；
Figure 147525DEST_PATH_IMAGE017
表示第
Figure 569279DEST_PATH_IMAGE003
个孔区域图像中内部区域边缘点的构成的凸包质心与所有构成凸包的内部 区域边缘点的距离均值。
根据获取的圆的曲线方程，内部区域正常边缘点大部分分布在此圆的曲线方程上。设置滑窗，以此圆上的某一点作为滑窗起始点进行滑窗操作。通过分析以每个内部区域边缘点为中心像素点的窗口内边缘点的分布，即根据每个窗口内点数量，以及窗口内的点连线的角度偏差就可以计算出每个内部区域边缘点的突出概率。窗口内边缘点的数量越多，则对应的当前窗口内中心像素点的突出概率越大。窗口内内中心像素点与邻域窗口内边缘的点的连线角度与正常圆趋势的角度偏差越大，则对应的当前窗口内中心像素点的突出概率越大。
以第
Figure 897492DEST_PATH_IMAGE003
个孔区域图像中第
Figure 771907DEST_PATH_IMAGE004
个内部区域边缘点
Figure 742137DEST_PATH_IMAGE024
为例：以该点为中心像素点建立
Figure DEST_PATH_IMAGE025
窗口，分析窗口内边缘点的分布。其中窗口内边缘点的分布包括点的数量，以及窗口 内中心像素点与邻域窗口内边缘的点的连线角度与正常圆趋势的角度偏差。其中，在计算 窗口内中心像素点与邻域窗口内边缘的点的连线角度与正常圆趋势的角度偏差时，通过圆 上各个点的圆的切线方向来表征正常圆的趋势角度，而各个点的圆的切线方向通过连接圆 曲线上的点与圆心的连线的垂直方向，即窗口内中心像素点
Figure 815135DEST_PATH_IMAGE024
与圆心
Figure 48670DEST_PATH_IMAGE022
的连线方向的垂 直方向
Figure 675961DEST_PATH_IMAGE007
，即连线的垂线方向，本案设定垂线方向在0-180°范围内，则第
Figure 184303DEST_PATH_IMAGE003
个孔区域图像中 第
Figure 315070DEST_PATH_IMAGE004
个内部区域边缘点
Figure 985085DEST_PATH_IMAGE024
的突出概率
Figure 99672DEST_PATH_IMAGE002
的计算表达式为：
Figure 880546DEST_PATH_IMAGE001
其中，
Figure 396978DEST_PATH_IMAGE005
表示以第
Figure 237895DEST_PATH_IMAGE003
个孔区域图像中第
Figure 839778DEST_PATH_IMAGE004
个内部区域边缘点
Figure 424343DEST_PATH_IMAGE024
为中心像素点的窗 口内含有内部区域边缘点的数量；
Figure 795281DEST_PATH_IMAGE006
表示第
Figure 807100DEST_PATH_IMAGE003
个孔区域图像中的第
Figure 630699DEST_PATH_IMAGE004
个内部区域边缘点所 在窗口内，中心像素点
Figure 18955DEST_PATH_IMAGE024
与窗口内其他边缘点的连线方向，本案中为了计算方便，角度统 一的范围为0-180°；
Figure 244400DEST_PATH_IMAGE007
表示第
Figure 692699DEST_PATH_IMAGE003
个孔区域图像中的第
Figure 269174DEST_PATH_IMAGE004
个内部区域边缘点
Figure 195542DEST_PATH_IMAGE024
与圆心
Figure 275493DEST_PATH_IMAGE022
的连 线方向的垂直方向
Figure 629114DEST_PATH_IMAGE007
；
Figure 427306DEST_PATH_IMAGE026
表示第
Figure 157364DEST_PATH_IMAGE003
个孔区域图像中第
Figure 357402DEST_PATH_IMAGE004
个内部区域边缘点
Figure 147503DEST_PATH_IMAGE024
为中心像素点 的窗口内第
Figure 432991DEST_PATH_IMAGE026
个边缘点；
Figure 701161DEST_PATH_IMAGE027
表示双曲正切函数，用于归一化突出概率值。
需要说明的是，窗口内边缘点的数量越多，则对应的当前窗口内中心像素点的突出概率越大；窗口内内中心像素点与邻域窗口内边缘的点的连线角度与正常圆趋势的角度偏差越大，则对应的当前窗口内中心像素点的突出概率越大。对于正常的边缘点来说，窗口内边缘点的数量应该为2个，并且每个边缘点与中心像素点的连线所在方向与获取的整体趋势方向偏差较小；而对于非正常的边缘点来说，窗口内存在多个边缘点，即大于2，并且每个边缘点与中心像素点的连线所在方向与获取的整体趋势方向偏差较大。
利用上述突出概率的计算公式能够得到第
Figure 755705DEST_PATH_IMAGE003
个孔区域图像中每个内部区域边缘点 的突出概率。
需要说明的是，通过计算孔区域图像中每个内部区域边缘像素点的突出概率值，以表征每个内部区域边缘点相对于正常的边缘的突出程度。结合相较于正常内部边缘整体趋势的偏差，表征了每个像素点可能为毛刺的概率，在进行形态学结构元自适应过程中，更好的结合了不同像素点本身的特征，使得估计结构元更加准确。
步骤S003，将内部区域边缘点的坐标和对应的突出概率组成一个三维坐标，基于三维坐标，利用DBSCAN聚类算法将当前孔区域图像中的所有内部区域边缘点划分为多个类簇，将每个类簇中所包含内部区域边缘点的突出概率的最大值作为对应类簇的异常程度值；根据每一类簇的异常程度值，得到对应类簇的自适应结构元大小，利用自适应结构元大小对当前孔区域图像进行形态学膨胀操作。
具体的，根据先验知识得知，印刷电路板中的毛刺特征并不是仅由单个像素点构成，是多个像素点构成的一个区域，因此为了更好的表征毛刺特征，通过聚类算法，将距离较近且突出概率相似的边缘点归为一类，并计算每个类簇的异常程度值。其中具体的做法为：
1.将每个内部区域边缘点的坐标和对应的突出概率组成一个三维坐标，即第
Figure 716708DEST_PATH_IMAGE003
个 孔区域图像中第
Figure 223912DEST_PATH_IMAGE004
个内部区域边缘点
Figure 295774DEST_PATH_IMAGE024
的三维坐标为
Figure 470403DEST_PATH_IMAGE028
。
2.利用DBSCAN聚类算法将第i个孔区域图像中所有的内部区域边缘点进行分类， 每一类结果即表征毛刺区域或正常的边缘区域。其中DBSCAN为公知技术，在本案中不再赘 述，设置聚类算法参数
Figure 336728DEST_PATH_IMAGE029
，
Figure 596808DEST_PATH_IMAGE030
,其中DBSCAN聚类算法的参数可根据实施者具体 实施情况而定，本案仅给出经验值；DBSCAN聚类算法：输入数据：第
Figure 206781DEST_PATH_IMAGE003
个孔区域图像中所有的 内部区域边缘点，聚类算法参数，
Figure 235917DEST_PATH_IMAGE030
；输出数据：多个类簇。
3.为了获取第
Figure 273143DEST_PATH_IMAGE003
个孔区域图像中第
Figure 20519DEST_PATH_IMAGE010
类簇的异常程度值
Figure 168603DEST_PATH_IMAGE011
，通过获取构成该类簇 的所有内部区域边缘点的突出概率值集合
Figure 52246DEST_PATH_IMAGE031
的最大值，作为该类簇的异常程度值，即
Figure 525952DEST_PATH_IMAGE032
其中，
Figure 495045DEST_PATH_IMAGE031
表示构成第
Figure 446821DEST_PATH_IMAGE003
个孔区域图像中第
Figure 450549DEST_PATH_IMAGE010
类簇的所有内部区域边缘点的突出概 率集合；
Figure 829578DEST_PATH_IMAGE033
表示最大值函数，用于获取集合中的最大值。
利用上述异常程度值的获取方法，能够得到第
Figure 285967DEST_PATH_IMAGE003
个孔区域图像中每个类簇的异常 程度值。
由于印刷电路板的每个孔的毛刺特征中，会存在部分可允许的毛刺，但该类的毛刺主要表现为较小的毛刺。因此为了尽可能的放大毛刺特征，使得检测结果更加准确，通过形态学的膨胀操作对图像进行处理。
本案中对每个孔区域图像中的内部区域进行形态学操作，通过判定每一个类簇的异常程度值的大小，进行每一个自适应结构元的选取。其中在所有类簇中存在正常的边缘区域、较小毛刺区域以及较大毛刺区域，因此对于正常边缘区域以较小毛刺区域，本案中采用较小的结构元进行膨胀操作，对于较大毛刺区域，案中采用较大的结构元进行膨胀操作。
由于本案的目的是为了检测印刷电路板中每个孔区域内的毛刺特征，因此根据每个孔区域图像中内部边缘的形态，即印刷电路板的每个孔内部区域为圆形特征，每个圆形边缘可以看作无数条细小的直线构成，设置结构元的形状，因此本案中所有的结构元的形状为线性结构元。
根据获取的第
Figure 41433DEST_PATH_IMAGE003
个孔区域图像中每个类簇的异常程度值，设置每一类簇的自适应 结构元大小。其中每一类簇的异常程度值越大，其对应的设置的结构元越大，进一步放大其 异常特征。则对应的第
Figure 899668DEST_PATH_IMAGE003
个孔区域图像中的第
Figure 715177DEST_PATH_IMAGE010
类簇的自适应结构元大小
Figure 393283DEST_PATH_IMAGE009
的计算表达式 为：
Figure 686861DEST_PATH_IMAGE034
其中，
Figure 399602DEST_PATH_IMAGE011
表示第
Figure 386013DEST_PATH_IMAGE003
个孔区域图像中的第
Figure 816994DEST_PATH_IMAGE010
类簇的异常程度值；
Figure 914263DEST_PATH_IMAGE012
表示超参数值，用 于调整结构元整体大小的值，可根据实施者具体实施情况而定，本案给出经验参考值
Figure DEST_PATH_IMAGE035
；
Figure 24388DEST_PATH_IMAGE013
表示最小的结构元大小，在最小结构元大小的基础上进行结构元调整。
根据上述自适应结构元大小的获取步骤，获取到第
Figure 181700DEST_PATH_IMAGE003
个孔区域图像中的所有类簇 的自适应结构元大小，根据该自适应结构元对第
Figure 99977DEST_PATH_IMAGE003
个孔区域图像进行形态学膨胀操作，放大 毛刺特征。
步骤S004，对每个孔区域图像进行形态学膨胀操作，得到处理后的孔区域图像，并对处理后的孔区域图像进行缺陷检测。
具体的，利用步骤S002和步骤S003的方法，对每个孔区域图像进行形态学膨胀操 作，得到处理后的孔区域图像。为了检测印刷电路板孔区域中是否含有影响使用的毛刺，对 获取处理后的孔区域图像的二值图像，通过对二值图进行连通域分析，分析计算每个连通 域的圆形度，设置圆形度阈值，若圆形度小于圆形度阈值，则表明对应孔区域图像中含有毛 刺。其中圆形度阈值
Figure 735358DEST_PATH_IMAGE036
可根据实施者具体实施情况而定，本案给出经验参考值圆形度阈值
Figure 422691DEST_PATH_IMAGE037
。
综上所述，本发明实施例提供了一种印刷电路板缺陷识别方法，该方法获取印刷电路板图像中的多个孔区域图像；检测得到当前孔区域图像中内部区域边缘点，对内部区域边缘点进行凸包检测，获取当前孔区域图像对应凸包的质心，基于质心以及每个内部区域边缘点与质心之间的距离计算每个内部区域边缘点的突出概率；当前孔区域图像中的所有内部区域边缘点划分为多个类簇，以得到每一类簇的异常程度值，由异常程度值得到对应类簇的自适应结构元大小，以当前孔区域图像进行形态学膨胀操作；对每个孔区域图像进行所述形态学膨胀操作，得到处理后的孔区域图像，并对处理后的孔区域图像进行缺陷检测。更好的结合了不同像素点本身的特征，使得估计结构元更加准确，提高了形态学处理后图像的效果。
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。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 (3)

1.一种印刷电路板缺陷识别方法，其特征在于，该方法包括以下步骤：
采集印刷电路板图像，以得到印刷电路板图像中的多个孔区域图像；
对当前孔区域图像进行灰度化处理，以得到当前孔区域图像中内部区域边缘点；对内部区域边缘点进行凸包检测，获取当前孔区域图像对应凸包的质心，分别计算每个内部区域边缘点与质心之间的距离，得到距离均值；以质心的圆心、距离均值为半径获取当前孔区域图像对应圆的曲线方程；基于曲线方程，分别获取每个内部区域边缘点的突出概率；
将内部区域边缘点的坐标和对应的突出概率组成一个三维坐标，基于三维坐标，利用DBSCAN聚类算法将当前孔区域图像中的所有内部区域边缘点划分为多个类簇，将每个类簇中所包含内部区域边缘点的突出概率的最大值作为对应类簇的异常程度值；根据每一类簇的异常程度值，得到对应类簇的自适应结构元大小，利用自适应结构元大小对当前孔区域图像进行形态学膨胀操作；
对每个孔区域图像进行所述形态学膨胀操作，得到处理后的孔区域图像，并对处理后的孔区域图像进行缺陷检测；
所述突出概率的获取方法，包括：
以当前内部区域边缘点为中心像素点建立窗口，利用曲线方向获取窗口内每个点的切向方向，分别获取中心像素点与邻域窗口内边缘的点的第一连线方向，以及中心像素点与圆心的第二连线方向的垂直方向，根据第一连线方向与垂直方向之间的差值、窗口内内部区域边缘点的数量得到当前内部区域边缘点的突出概率，则突出概率的计算公式为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为第
Figure DEST_PATH_IMAGE006
个孔区域图像中第
Figure DEST_PATH_IMAGE008
个内部区域边缘点的突出概率；
Figure DEST_PATH_IMAGE010
为第
Figure 987469DEST_PATH_IMAGE006
个孔区域图像中第
Figure 435768DEST_PATH_IMAGE008
个内部区域边缘点对应窗口内含有内部区域边缘点的数量；
Figure DEST_PATH_IMAGE012
为中心像素点与对应窗口内第L个边缘点的第一连线方向；
Figure DEST_PATH_IMAGE014
为中心像素点与圆心的第二连线方向的垂直方向；
Figure DEST_PATH_IMAGE016
表示双曲正切函数。
2.如权利要求1所述的一种印刷电路板缺陷识别方法，其特征在于，所述自适应结构元大小的计算公式为：
Figure DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE020
为第
Figure 933614DEST_PATH_IMAGE006
个孔区域图像中的第
Figure DEST_PATH_IMAGE022
类簇的自适应结构元大小；
Figure DEST_PATH_IMAGE024
为第
Figure 922299DEST_PATH_IMAGE006
个孔区域图像中的第
Figure 267829DEST_PATH_IMAGE022
类簇的异常程度值；
Figure DEST_PATH_IMAGE026
为超参数值；
Figure DEST_PATH_IMAGE028
为最小的结构元大小。
3.如权利要求1所述的一种印刷电路板缺陷识别方法，其特征在于，所述对处理后的孔区域图像进行缺陷检测的方法，包括：
获取处理后的孔区域图像的二值图像，通过对二值图进行连通域分析，分析计算每个连通域的圆形度，设置圆形度阈值，若圆形度小于圆形度阈值，则表明对应孔区域图像中含有毛刺。
CN202211223889.0A 2022-10-09 2022-10-09 一种印刷电路板缺陷识别方法 Pending CN115311262A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211223889.0A CN115311262A (zh) 2022-10-09 2022-10-09 一种印刷电路板缺陷识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211223889.0A CN115311262A (zh) 2022-10-09 2022-10-09 一种印刷电路板缺陷识别方法

Publications (1)

Publication Number Publication Date
CN115311262A true CN115311262A (zh) 2022-11-08

Family

ID=83866177

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211223889.0A Pending CN115311262A (zh) 2022-10-09 2022-10-09 一种印刷电路板缺陷识别方法

Country Status (1)

Country Link
CN (1) CN115311262A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661146A (zh) * 2022-12-26 2023-01-31 乐比(广州)健康产业有限公司 一种液体挥发剂的生产质量检测方法
CN116612470A (zh) * 2023-07-17 2023-08-18 临沂农业科技职业学院(筹) 一种基于视觉特征的面包检测方法以及系统
CN116883402A (zh) * 2023-09-07 2023-10-13 山东大昌纸制品有限公司 基于计算机视觉的瓦楞纸生产质量实时检测方法
CN117372426A (zh) * 2023-12-05 2024-01-09 深圳市中络电子有限公司 一种刚性pcb金属孔嵌铜结构视觉检测系统
CN117557460A (zh) * 2024-01-12 2024-02-13 济南科汛智能科技有限公司 一种血管造影图像增强方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090202135A1 (en) * 2008-02-07 2009-08-13 Keyence Corporation Defect Detection Apparatus, Defect Detection Method and Computer Program
CN107545566A (zh) * 2017-07-27 2018-01-05 深圳市易飞扬通信技术有限公司 视觉检测方法及系统
CN109300102A (zh) * 2017-07-21 2019-02-01 凌云光技术集团有限责任公司 一种针对pcb的缺陷检测方法
CN113538375A (zh) * 2021-07-15 2021-10-22 合肥工业大学 一种基于YOLOv5的PCB缺陷检测方法
CN113610787A (zh) * 2021-07-27 2021-11-05 广东省科技基础条件平台中心 图像缺陷检测模型的训练方法、装置、计算机设备
CN114332084A (zh) * 2022-03-11 2022-04-12 齐鲁工业大学 一种基于深度学习的pcb表面缺陷检测方法
CN115018828A (zh) * 2022-08-03 2022-09-06 深圳市尹泰明电子有限公司 一种电子元器件的缺陷检测方法
CN115049653A (zh) * 2022-08-15 2022-09-13 凤芯微电子科技(聊城)有限公司 基于计算机视觉的集成电路板质量检测系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090202135A1 (en) * 2008-02-07 2009-08-13 Keyence Corporation Defect Detection Apparatus, Defect Detection Method and Computer Program
CN109300102A (zh) * 2017-07-21 2019-02-01 凌云光技术集团有限责任公司 一种针对pcb的缺陷检测方法
CN107545566A (zh) * 2017-07-27 2018-01-05 深圳市易飞扬通信技术有限公司 视觉检测方法及系统
CN113538375A (zh) * 2021-07-15 2021-10-22 合肥工业大学 一种基于YOLOv5的PCB缺陷检测方法
CN113610787A (zh) * 2021-07-27 2021-11-05 广东省科技基础条件平台中心 图像缺陷检测模型的训练方法、装置、计算机设备
CN114332084A (zh) * 2022-03-11 2022-04-12 齐鲁工业大学 一种基于深度学习的pcb表面缺陷检测方法
CN115018828A (zh) * 2022-08-03 2022-09-06 深圳市尹泰明电子有限公司 一种电子元器件的缺陷检测方法
CN115049653A (zh) * 2022-08-15 2022-09-13 凤芯微电子科技(聊城)有限公司 基于计算机视觉的集成电路板质量检测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄祥林等: "《数字图像处理应用研究》" *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661146A (zh) * 2022-12-26 2023-01-31 乐比(广州)健康产业有限公司 一种液体挥发剂的生产质量检测方法
CN116612470A (zh) * 2023-07-17 2023-08-18 临沂农业科技职业学院(筹) 一种基于视觉特征的面包检测方法以及系统
CN116612470B (zh) * 2023-07-17 2023-09-26 临沂农业科技职业学院(筹) 一种基于视觉特征的面包检测方法以及系统
CN116883402A (zh) * 2023-09-07 2023-10-13 山东大昌纸制品有限公司 基于计算机视觉的瓦楞纸生产质量实时检测方法
CN116883402B (zh) * 2023-09-07 2023-11-21 山东大昌纸制品有限公司 基于计算机视觉的瓦楞纸生产质量实时检测方法
CN117372426A (zh) * 2023-12-05 2024-01-09 深圳市中络电子有限公司 一种刚性pcb金属孔嵌铜结构视觉检测系统
CN117372426B (zh) * 2023-12-05 2024-03-29 深圳市中络电子有限公司 一种刚性pcb金属孔嵌铜结构视觉检测系统
CN117557460A (zh) * 2024-01-12 2024-02-13 济南科汛智能科技有限公司 一种血管造影图像增强方法
CN117557460B (zh) * 2024-01-12 2024-03-29 济南科汛智能科技有限公司 一种血管造影图像增强方法

Similar Documents

Publication Publication Date Title
CN115311262A (zh) 一种印刷电路板缺陷识别方法
CN109086714B (zh) 表格识别方法、识别系统及计算机装置
CN108596197B (zh) 一种印章匹配方法及装置
CN115330767B (zh) 一种腐蚀箔生产异常识别方法
CN114170228B (zh) 一种计算机图像边缘检测方法
US20070058856A1 (en) Character recoginition in video data
CN115082419A (zh) 一种吹塑箱包生产缺陷检测方法
CN106709500B (zh) 一种图像特征匹配的方法
CN115830022B (zh) 基于机器视觉的过滤机滤网缺陷检测方法
CN112288693B (zh) 圆孔检测方法、装置、电子设备及存储介质
CN117197140B (zh) 基于机器视觉的不规则金属扣成型检测方法
CN101114335A (zh) 全角度快速指纹识别方法
CN116468728B (zh) 一种五金冲压件模具生产质量检测方法
CN115272312B (zh) 基于机器视觉的塑料手机外壳缺陷检测方法
CN114897896B (zh) 基于灰度变换的建筑木材缺陷检测方法
CN117593295B (zh) 一种手机数据线生产缺陷无损检测方法
CN114937006A (zh) 一种基于图像增强的锤头精细化缺陷检测方法
CN114998341A (zh) 一种基于模板匹配的齿轮缺陷检测方法及系统
US20050271260A1 (en) Device, method and program for removing pores
CN115294314B (zh) 一种电子元器件表面缺陷识别方法
CN110287786B (zh) 基于人工智能防干扰的车辆信息识别方法及装置
US20060291726A1 (en) Object pattern detection method and its apparatus
WO2022137901A1 (ja) 情報処理装置及び情報処理方法
CN115082449A (zh) 一种电子元器件缺陷检测方法
JP2005250786A (ja) 画像認識方法

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