CN115311275B - 一种电子元器件表面缺陷检测方法及系统 - Google Patents

一种电子元器件表面缺陷检测方法及系统 Download PDF

Info

Publication number
CN115311275B
CN115311275B CN202211239593.8A CN202211239593A CN115311275B CN 115311275 B CN115311275 B CN 115311275B CN 202211239593 A CN202211239593 A CN 202211239593A CN 115311275 B CN115311275 B CN 115311275B
Authority
CN
China
Prior art keywords
edge
warping
electronic component
point
points
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
Application number
CN202211239593.8A
Other languages
English (en)
Other versions
CN115311275A (zh
Inventor
徐秋凤
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 Baishiling New Energy Technology Co ltd
Original Assignee
Nantong Baishiling New Energy Technology 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 Baishiling New Energy Technology Co ltd filed Critical Nantong Baishiling New Energy Technology Co ltd
Priority to CN202211239593.8A priority Critical patent/CN115311275B/zh
Publication of CN115311275A publication Critical patent/CN115311275A/zh
Application granted granted Critical
Publication of CN115311275B publication Critical patent/CN115311275B/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种电子元器件表面缺陷检测方法及系统。该方法是一种应用电子设备进行识别的方法，利用生产领域人工智能系统完成电子元器件表面的缺陷检测。该方法首先利用相机获取电子元器件表面图像，对电子元器件表面图像进行数据处理得到初始翘边区间；进一步的，对初始翘边区间进行数据处理得到起翘区域，根据起翘区域的面积占比，得到电子元器件的起翘程度。本发明充分结合电容套管的形状，先识别圆率判断是否有起翘的可能性，大大降低了无效分析的概率，减少了冗余计算量。

Description

一种电子元器件表面缺陷检测方法及系统
技术领域
本发明涉及数据处理技术领域，具体涉及一种电子元器件表面缺陷检测方法及系统。
背景技术
电容属于电子元器件的一种，随着电子元器件的迅速发展，电容在出厂前总会有质量问题没有过滤好，例如电容皮头套管起翘，电容外层皮套的主要原因是赋予标识，由于不能再铝管上印标识，会增加被击穿的风险，故使用皮套来印标识，其实皮套的作用是为了更好的绝缘，电容本身是导体，直接裸露安装在线路板上容易被击穿，故使用皮套能够增加绝缘效果。
常规的图像处理技术使用阈值分割提取起翘区域，但是皮套是黑色，电容皮头也是黑色，二者颜色相差不大，使用阈值分割无法提取准确区域。并且皮套表面印刷了各种字符，阈值分割处理起来会使得计算量增大，失去了阈值分割简单高效的意义，并且分割结果也不准确。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种电子元器件表面缺陷检测方法及系统，所采用的技术方案具体如下：
第一方面，本发明一个实施例提供了一种电子元器件表面缺陷检测方法，该方法包括以下步骤：
采集电子元器件表面图像，对所述电子元器件表面图像进行预处理得到目标分析图像；
提取所述目标分析图像中圆环边缘上各像素点到圆心的距离，根据圆环边缘上各像素点到圆心的距离计算圆环边缘的圆率，根据所述圆率对圆环边缘进行初次筛选；获取所述目标分析图像中圆环边缘上各像素点的曲率，根据圆环上相邻像素点的曲率的差异程度，计算圆环的整体曲率差异程度；根据所述整体曲率差异程度筛选出异常边缘点，由所述异常边缘点构成初始翘边区间；
做每个初始翘边区间的边缘轮廓上的边缘点到圆心的连线，选取每条连线上梯度值最大的像素点；根据每条连线上梯度值最大的像素点的密集程度，对梯度值最大的像素点进行连线，得到起翘区域；根据所述起翘区域的面积占比，得到电子元器件的起翘程度。
优选的，所述对所述电子元器件表面图像进行预处理得到目标分析图像，包括：
对所述电子元器件表面图像进行语义分割，得到电容底部图像；对所述电容底部图像进行高斯滤波，得到滤波图像；灰度化所述滤波图像，得到目标分析图像。
优选的，所述根据圆环边缘上各像素点到圆心的距离计算圆环边缘的圆率，包括：
所述圆率的计算公式为：
Figure 203106DEST_PATH_IMAGE002
其中，
Figure 60859DEST_PATH_IMAGE004
为第/>
Figure DEST_PATH_IMAGE005
个圆环边缘的圆率；/>
Figure 981542DEST_PATH_IMAGE006
为第/>
Figure 580014DEST_PATH_IMAGE005
个圆环边缘上边缘点的数量；/>
Figure DEST_PATH_IMAGE007
为第
Figure 269752DEST_PATH_IMAGE005
个圆环边缘上第1个边缘点到圆心的距离；/>
Figure 295477DEST_PATH_IMAGE008
为第/>
Figure 234614DEST_PATH_IMAGE005
个圆环边缘上第i个边缘点到圆心的距离。
优选的，所述根据圆环上相邻像素点的曲率的差异程度，计算圆环的整体曲率差异程度，包括：
所述整体曲率差异程度的计算公式为：
Figure 368268DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE011
为第j+1个边缘点的整体曲率差异程度；/>
Figure 912512DEST_PATH_IMAGE012
为第j个边缘点的曲率；
Figure DEST_PATH_IMAGE013
为第j+1个边缘点的曲率；/>
Figure 781242DEST_PATH_IMAGE014
为初始点M的曲率；/>
Figure DEST_PATH_IMAGE015
为计算差异程度的边缘点的数量。
优选的，所述根据每条连线上梯度值最大的像素点的密集程度，对梯度值最大的像素点进行连线，得到起翘区域，包括：
从第一个梯度值最大的像素点开始，当八邻域内存在其他连线上梯度值最大的像素点，将两点连线，顺时针继续搜索下一个梯度值最大的像素点的邻域内的梯度值最大的像素点并进行连线；当八邻域内不存在其他连线上梯度值最大的像素点，则判断是否存在梯度值第二大的像素点，如果存在梯度值第二大的像素点，则与梯度值第二大的像素点连线；连线与初始翘边区间的边缘线之间的区域，为起翘区域。
第二方面，本发明一个实施例提供了一种电子元器件表面缺陷检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种电子元器件表面缺陷检测方法。
本发明实施例至少具有如下有益效果：
本发明涉及数据处理技术邻域。该方法首先采集电子元器件表面图像，对所述电子元器件表面图像进行预处理得到目标分析图像；提取所述目标分析图像中圆环边缘上各像素点到圆心的距离，根据圆环边缘上各像素点到圆心的距离计算圆环边缘的圆率，根据所述圆率对圆环边缘进行初次筛选；获取所述目标分析图像中圆环边缘上各像素点的曲率，根据圆环上相邻像素点的曲率的差异程度，计算圆环的整体曲率差异程度；根据所述整体曲率差异程度筛选出异常边缘点，由所述异常边缘点构成初始翘边区间；做每个初始翘边区间的边缘轮廓上的边缘点到圆心的连线，选取每条连线上梯度值最大的像素点；根据每条连线上梯度值最大的像素点的密集程度，对梯度值最大的像素点进行连线，得到起翘区域；根据所述起翘区域的面积占比，得到电子元器件的起翘程度。本发明能够将白色字体上的起翘区域分割出来，相对于阈值分割获得白色字体上的起翘区域更准确。充分结合电容套管的形状，先识别圆率判断是否有起翘的可能性，大大降低了无效分析的概率，减少了冗余计算量。
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所提供的一种电子元器件表面缺陷检测方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种电子元器件表面缺陷检测方法及系统，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。
本发明实施例提供了一种电子元器件表面缺陷检测方法及系统的具体实施方法，该方法适用于电子元器件表面缺陷检测场景。该场景下电容在生产完成后需要包装皮套，故在电容包装完皮套后识别皮头套管的包装质量，将皮头套管起翘的电容识别出来。为了解决皮套和电容皮头颜色相差不大，使得通过阈值分割无法提取准确区域的问题。本发明针对皮头套管生产造成套管起翘的缺陷进行缺陷识别，根据识别出的起翘区域的严重程度判断当前电容皮头套管是否合格。
下面结合附图具体的说明本发明所提供的一种电子元器件表面缺陷检测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种电子元器件表面缺陷检测方法的步骤流程图，该方法包括以下步骤：
步骤S100，采集电子元器件表面图像，对所述电子元器件表面图像进行预处理得到目标分析图像。
本发明针对皮头套管生产造成套管起翘的缺陷进行缺陷识别，根据识别出的起翘区域的严重程度判断当前电容皮头套管是否合格。电容在生产完成后需要包装皮套，故在电容包装完皮套后识别皮头套管的包装质量，将皮头套管起翘的电容识别出来。
利用相机采集电子元器件的电子元器件表面图像，对电子元器件表面图像进行预处理得到目标分析图像。预处理的过程具体的：对所述电子元器件表面图像进行语义分割，得到电容底部图像；对所述电容底部图像进行高斯滤波，得到滤波图像；灰度化所述滤波图像，得到目标分析图像。
采集电容没有引线一端的底部图像，由于采集到的图像包含非电容区域的背景图像，故对采集到的电子元器件表面图像进行语义分割，只保留电容底部图像。由于采集图像过程中会受到机械噪声，同时图像传输过程中会受到脉冲噪声，故对语义分割后的图像进行高斯滤波降噪。将滤波后的滤波图像转换为灰度图，得到目标分析图像。
步骤S200，提取所述目标分析图像中圆环边缘上各像素点到圆心的距离，根据圆环边缘上各像素点到圆心的距离计算圆环边缘的圆率，根据所述圆率对圆环边缘进行初次筛选；获取所述目标分析图像中圆环边缘上各像素点的曲率，根据圆环上相邻像素点的曲率的差异程度，计算圆环的整体曲率差异程度；根据所述整体曲率差异程度筛选出异常边缘点，由所述异常边缘点构成初始翘边区间。
电容皮头套管式圆形的区域，故根据圆形的圆率来判断有没有翘边的可能性，对于圆率不好的说明有翘边，需要进一步提取起翘区域。起翘其余一定发生在圆率异常的区间段内，故在这段区间内提取起翘区域。本发明识别过程为：（1）分析图像中的圆率，获得识别翘边的必要性。（2）提取起翘区域。
以下为分析图像中的圆率，获得识别翘边的必要性的具体展开：
电容底部皮套包装后呈现一个标准圆环，如果皮套起翘就一定是从边缘区域起翘，就会造成边缘不再是一个标准圆环，故分析皮套边缘的接近标准圆形的圆率，判断是否可能翘边，是否有必须进行后续分析。
由于电容自身也是圆柱形，故电容自身的底部也呈现圆形区域，做电容自身圆形底部的最小外接矩形，连接外接矩形的对角线，提取对角线的交点。由于电容自身呈现的圆形底部与皮套形成的圆环属于同心圆，所以对角线的角点也是皮套构成的圆环的圆心。
确定圆环的圆形O(x,y)，对目标分析图像进行边缘识别，获得边缘识别上的边缘点，提取所述目标分析图像中圆环边缘上各像素点到圆心的距离，根据圆环边缘上各像素点到圆心的距离计算圆环边缘的圆率。
该圆率的计算公式为：
Figure 410938DEST_PATH_IMAGE002
其中，
Figure 85633DEST_PATH_IMAGE016
为第/>
Figure 295771DEST_PATH_IMAGE005
个圆环边缘的圆率；/>
Figure 663298DEST_PATH_IMAGE006
为第/>
Figure 108186DEST_PATH_IMAGE005
个圆环边缘上边缘点的数量；/>
Figure 586572DEST_PATH_IMAGE007
为第
Figure 433305DEST_PATH_IMAGE005
个圆环边缘上第1个边缘点到圆心的距离；/>
Figure 706154DEST_PATH_IMAGE008
为第/>
Figure 372759DEST_PATH_IMAGE018
个圆环边缘上第i个边缘点到圆心的距离。
以第一个边缘点到圆心的距离作为基准，将其余各边缘点到圆心的距离与基准距离做差求平方和，相当于计算其方差，该方差反映了该圆环边缘上各边缘点到圆心距离的离散性。
在得到圆环边缘的圆率后，对圆环边缘进行初始筛选。由于皮套形成的圆环是绝对的圆形，认为圆率大于等于预设第一阈值的圆环边缘存在翘边情况，保留圆率大于等于预设第一阈值的圆环边缘。在本发明实施例中预设第一阈值的取值为0.02，在其他实施例中实施者可根据实际情况调整该取值。
进一步的，提取起翘区域，具体的：
由于起翘区域是从皮套边缘开始翘起的，故先提取圆环上边缘异常的区间段，该区间段对应的扇形区域是一定存在起翘区域的，但是具体多大程度的起翘需要进一步提取起翘区域的面积来判断。
提取可能翘边区间段，具体的：标准圆环各段的曲率都是相同的，当发生翘边后，翘边区域的圆环曲率会发生异常，与其余正常圆环区域的曲率不相同，并且翘边区域内部的圆环曲率也不相同。对上述边缘识别后的图像上分析的圆环区域像素点中任意选取一点M，以该点开始计算圆环的曲率。由于每三点可以确定一个圆，故从该点开始沿顺时针方向选取三个点，计算这三点构成的圆的曲率，即M点的曲率。需要说明的是，曲率的获取方法为本领域技术人员的公知技术，在此不再赘述。
提取初始点M的曲率后，按照顺时针的方向计算下一点的曲率，即M顺时针相邻的点，同样从该点开始，顺时针选取三个点，计算该点的曲率
Figure DEST_PATH_IMAGE019
，每次计算完一个边缘像素点的曲率时，再计算当前像素点与之前的边缘像素点曲率之间的差异程度：
Figure 592519DEST_PATH_IMAGE020
其中，
Figure 25250DEST_PATH_IMAGE011
为第j+1个边缘点的整体曲率差异程度；/>
Figure 734580DEST_PATH_IMAGE012
为第j个边缘点的曲率；
Figure 888481DEST_PATH_IMAGE013
为第j+1个边缘点的曲率；/>
Figure 708669DEST_PATH_IMAGE014
为初始点M的曲率；/>
Figure 264415DEST_PATH_IMAGE015
为计算差异程度的边缘点的数量。
其中，计算
Figure 410226DEST_PATH_IMAGE022
的目的是为了将每一个刚计算完曲率的边缘点都与前j个边缘点整体的曲率差异度进行比较，如果出现差异程度大于0时说明该点的曲率发生了变化，从该点开始出现翘边的情况。
其中，计算
Figure DEST_PATH_IMAGE023
的目的是计算当前点加入整体后，整体的差异程度，便于下一个边缘点使用该整体差异程度计算自身是否出现较大的差异程度。
Figure 723527DEST_PATH_IMAGE024
表示从第二点开始，每计算一点的曲率后，将其带入之前边缘点的曲率中计算整体的整体曲率差异程度，如果该点代入计算后整体曲率差异程度大于0，说明该点开始出现了翘边情况，需要标记该点为异常边缘点，如果差异程度等于0说明当前点依旧是标准圆环上的点，未出现翘边情况，完成根据整体曲率差异程度筛选出异常边缘点。
上述每次计算完一个点的曲率后都需要将其曲率代入公式计算一次整体曲率差异程度，并将整体曲率差异程度发生变化的点标记为翘边点，也即异常边缘点；其中每次计算完差异程度未改变时说明是正常点，将其计算结果作为目前所有正常点的整体曲率差异程度。便于下一个点带入前m个正常点的整体曲率差异程度进行计算。
由所述异常边缘点构成初始翘边区间。提取了所有异常的异常边缘点，这些边缘点都是由于翘边而产生的曲率异常。将异常边缘点构成的曲线段区间作为可能翘边区间，从这段边缘线到电容最外层的轮廓边缘的区域都是初始翘边区间。
步骤S300，做每个初始翘边区间的边缘轮廓上的边缘点到圆心的连线，选取每条连线上梯度值最大的像素点；根据每条连线上梯度值最大的像素点的密集程度，对梯度值最大的像素点进行连线，得到起翘区域；根据所述起翘区域的面积占比，得到电子元器件的起翘程度。
进一步的，提取起翘区域。
从初始翘边区间的外轮廓上边缘点开始，每个边缘点做从该点到圆心的连线，与翘边边缘产生交点，分析从轮廓边缘到翘边边缘连线上各点之间是否发生突变；因为电容套管属于黑色，套管上的字体属于白色，当套管翘边时，不论白色字体区域还是黑色区域都会由于翘边而发生灰度变化。
选取每条连线上梯度值最大的像素点，轮廓边缘上有M个点时会产生M条轮廓边缘与翘边边缘的连线，也即产生M个梯度值最大点，分析这M个梯度值最大点的连续性，该连续性是指位置紧邻。由于电容套管主要的灰度突变有两种情况，一种是由白色字体向黑色过渡的边缘梯度值最大，此时翘边区域与套管自身颜色之间的边缘是第二大梯度值；第二种是当不存在白色字体时，由于翘边区域边缘向黑色区域过渡的边缘梯度值最大。
从第一个梯度值最大的像素点开始，当八邻域内存在其他连线上梯度值最大的像素点，将两点连线，顺时针继续搜索下一个梯度值最大的像素点的邻域内的梯度值最大的像素点并进行连线；当八邻域内不存在其他连线上梯度值最大的像素点，则判断是否存在梯度值第二大的像素点，如果存在梯度值第二大的像素点，则与梯度值第二大的像素点连线；连线与初始翘边区间的边缘线之间的区域，即起翘区域。也即故从第一个梯度值最大点开始计算其八邻域内是否存在梯度最大点，如果存在将这两点连线，顺时针继续搜索下一个梯度最大点邻域内的梯度最大点并进行连线；如果不存在梯度最大点，则判断是否存在第二大梯度点，如果存在第二大梯度点则与第二大梯度点连线；如果两种点都不存在于其八邻域时，说明初始连线上应该选取第二大梯度值点，然后继续搜索上述两种情况。按照上述方式一次提取连续的灰度突变点并连线，连线与初始翘边区间的边缘线之间的区域，即为起翘区域。
通过识别圆环上曲率异常的曲线段定位出可能起翘区域，大大增加了缺陷识别的准确率，根据初始起翘区间的梯度特性回去取起翘区域边缘，解决了阈值分割无法提取白色字体上的起翘区域的问题。
提取准确的起翘区域后，统计当前起翘区域的面积，计算起翘区域的面积相对于电容皮头套管区域的面积占比S。根据所述起翘区域的面积占比，得到电子元器件的起翘程度。当起翘区域的面积占比大于等于预设第二阈值时，认为该起翘区域的起翘程度较严重，需要重新包装套管。在本发明实施例中预设第二阈值的取值为0.1，在其他实施例中实施者可根据实际情况调整该取值。
综上所述，本发明涉及数据处理技术邻域。该方法首先采集电子元器件表面图像，对所述电子元器件表面图像进行预处理得到目标分析图像；提取所述目标分析图像中圆环边缘上各像素点到圆心的距离，根据圆环边缘上各像素点到圆心的距离计算圆环边缘的圆率，根据所述圆率对圆环边缘进行初次筛选；获取所述目标分析图像中圆环边缘上各像素点的曲率，根据圆环上相邻像素点的曲率的差异程度，计算圆环的整体曲率差异程度；根据所述整体曲率差异程度筛选出异常边缘点，由所述异常边缘点构成初始翘边区间；做每个初始翘边区间的边缘轮廓上的边缘点到圆心的连线，选取每条连线上梯度值最大的像素点；根据每条连线上梯度值最大的像素点的密集程度，对梯度值最大的像素点进行连线，得到起翘区域；根据所述起翘区域的面积占比，得到电子元器件的起翘程度。
本发明实施例还提出了一种电子元器件表面缺陷检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。由于一种电子元器件表面缺陷检测方法在上述给出了详细描述，不再赘述。
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。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 (5)

1.一种电子元器件表面缺陷检测方法，其特征在于，该方法包括以下步骤：
采集电子元器件表面图像，所述电子元器件为圆柱形的电容；对所述电子元器件表面图像进行预处理得到目标分析图像；
提取所述目标分析图像中圆环边缘上各像素点到圆心的距离，根据圆环边缘上各像素点到圆心的距离计算圆环边缘的圆率，根据所述圆率对圆环边缘进行初次筛选；获取所述目标分析图像中圆环边缘上各像素点的曲率，根据圆环上相邻像素点的曲率的差异程度，计算圆环的整体曲率差异程度；根据所述整体曲率差异程度筛选出异常边缘点，由所述异常边缘点构成初始翘边区间；
做每个初始翘边区间的边缘轮廓上的边缘点到圆心的连线，选取每条连线上梯度值最大的像素点；根据每条连线上梯度值最大的像素点的密集程度，对梯度值最大的像素点进行连线，得到起翘区域；根据所述起翘区域的面积占比，得到电子元器件的起翘程度；
其中，圆环边缘的获取方法为：对目标分析图像进行边缘识别，获得边缘识别上的边缘点，所述边缘点为圆环边缘上各像素点，得到圆环边缘；
其中，圆心的获取方法为：做电容自身圆形底部对应的圆环边缘的最小外接矩形，连接外接矩形的对角线，提取对角线的交点为圆环的圆心；
其中，根据每条连线上梯度值最大的像素点的密集程度，对梯度值最大的像素点进行连线，得到起翘区域的方法为：从第一个梯度值最大的像素点开始，当八邻域内存在其他连线上梯度值最大的像素点，将两点连线，顺时针继续搜索下一个梯度值最大的像素点的邻域内的梯度值最大的像素点并进行连线；当八邻域内不存在其他连线上梯度值最大的像素点，则判断是否存在梯度值第二大的像素点，如果存在梯度值第二大的像素点，则与梯度值第二大的像素点连线；连线与初始翘边区间的边缘线之间的区域，为起翘区域。
2.根据权利要求1所述的一种电子元器件表面缺陷检测方法，其特征在于，所述对所述电子元器件表面图像进行预处理得到目标分析图像，包括：
对所述电子元器件表面图像进行语义分割，得到电容底部图像；对所述电容底部图像进行高斯滤波，得到滤波图像；灰度化所述滤波图像，得到目标分析图像。
3.根据权利要求1所述的一种电子元器件表面缺陷检测方法，其特征在于，所述根据圆环边缘上各像素点到圆心的距离计算圆环边缘的圆率，包括：
所述圆率的计算公式为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
为第
Figure DEST_PATH_IMAGE006
个圆环边缘的圆率；
Figure DEST_PATH_IMAGE008
为第
Figure 636532DEST_PATH_IMAGE006
个圆环边缘上边缘点的数量；
Figure DEST_PATH_IMAGE010
为第
Figure 429039DEST_PATH_IMAGE006
个圆环边缘上第1个边缘点到圆心的距离；
Figure DEST_PATH_IMAGE012
为第
Figure 84142DEST_PATH_IMAGE006
个圆环边缘上第i个边缘点到圆心的距离。
4.根据权利要求1所述的一种电子元器件表面缺陷检测方法，其特征在于，所述根据圆环上相邻像素点的曲率的差异程度，计算圆环的整体曲率差异程度，包括：
所述整体曲率差异程度的计算公式为：
Figure DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE016
为第j+1个边缘点的整体曲率差异程度；
Figure DEST_PATH_IMAGE018
为第j个边缘点的曲率；
Figure DEST_PATH_IMAGE020
为第j+1个边缘点的曲率；
Figure DEST_PATH_IMAGE022
为初始点M的曲率；
Figure DEST_PATH_IMAGE024
为计算差异程度的边缘点的数量。
5.一种电子元器件表面缺陷检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~4任意一项所述方法的步骤。
CN202211239593.8A 2022-10-11 2022-10-11 一种电子元器件表面缺陷检测方法及系统 Active CN115311275B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211239593.8A CN115311275B (zh) 2022-10-11 2022-10-11 一种电子元器件表面缺陷检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211239593.8A CN115311275B (zh) 2022-10-11 2022-10-11 一种电子元器件表面缺陷检测方法及系统

Publications (2)

Publication Number Publication Date
CN115311275A CN115311275A (zh) 2022-11-08
CN115311275B true CN115311275B (zh) 2023-03-24

Family

ID=83867651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211239593.8A Active CN115311275B (zh) 2022-10-11 2022-10-11 一种电子元器件表面缺陷检测方法及系统

Country Status (1)

Country Link
CN (1) CN115311275B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115880285B (zh) * 2023-02-07 2023-05-12 南通南铭电子有限公司 一种铝电解电容器引出线异常识别方法
CN115868814B (zh) * 2023-03-02 2023-05-09 济南野风酥食品有限公司 一种具有视觉感知的煎饼机智能调控方法及系统
CN116758067B (zh) * 2023-08-16 2023-12-01 梁山县成浩型钢有限公司 基于特征匹配的金属结构件检测方法
CN117635620B (zh) * 2024-01-26 2024-04-16 深圳市嘉熠精密自动化科技有限公司 一种基于图像处理的电路板缺陷检测方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112712512A (zh) * 2021-01-05 2021-04-27 余波 一种基于人工智能的热轧带钢结疤缺陷检测方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102409943B1 (ko) * 2017-11-29 2022-06-16 삼성전자주식회사 결함 검출 방법 및 이를 수행하기 위한 장치
CN114820612B (zh) * 2022-06-29 2022-09-02 南通恒强轧辊有限公司 基于机器视觉的轧辊表面缺陷检测方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112712512A (zh) * 2021-01-05 2021-04-27 余波 一种基于人工智能的热轧带钢结疤缺陷检测方法及系统

Also Published As

Publication number Publication date
CN115311275A (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN115311275B (zh) 一种电子元器件表面缺陷检测方法及系统
CN117173184B (zh) 基于人工智能的道路施工质量检测方法及系统
CN116309537B (zh) 一种极耳模具表面油污的缺陷检测方法
US5027417A (en) Method of and apparatus for inspecting conductive pattern on printed board
EP3176751B1 (en) Information processing device, information processing method, computer-readable recording medium, and inspection system
JP4966893B2 (ja) 一致度計算装置及び方法、プログラム
CN116309600B (zh) 基于图像处理的环保纺织品质量检测方法
CN114820625B (zh) 一种汽车顶块缺陷检测方法
CN111354047B (zh) 一种基于计算机视觉的摄像模组定位方法及系统
CN116977342B (zh) 基于图像分割的pcb板线路检测方法
CN115330767A (zh) 一种腐蚀箔生产异常识别方法
CN116452589B (zh) 基于图像处理的人造板表面缺陷智能检测方法
CN112508913B (zh) 基于图像检测的电缆截面边沿检测方法
CN112288693A (zh) 圆孔检测方法、装置、电子设备及存储介质
CN115359047B (zh) 用于pcb板智能焊接的异常缺陷检测方法
CN115775246A (zh) 一种pcb元器件缺陷检测的方法
CN110852207A (zh) 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法
CN113139549A (zh) 一种基于多任务学习的参数自适应全景分割方法
CN116563288A (zh) 一种汽车发动机齿轮螺纹孔检测方法
CN115018835A (zh) 一种汽车起动机齿轮检测方法
CN116958182B (zh) 基于图像数据的混凝土裂缝快速检测方法
CN118212179A (zh) 一种复杂背景的角度检测方法
CN113408519A (zh) 一种基于模板旋转匹配的指针仪表读数的方法及系统
JPH08305795A (ja) 文字認識方法
CN115880285A (zh) 一种铝电解电容器引出线异常识别方法

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
GR01 Patent grant
GR01 Patent grant