CN115311301B - 一种pcb板焊点缺陷检测方法 - Google Patents
一种pcb板焊点缺陷检测方法 Download PDFInfo
- Publication number
- CN115311301B CN115311301B CN202211248675.9A CN202211248675A CN115311301B CN 115311301 B CN115311301 B CN 115311301B CN 202211248675 A CN202211248675 A CN 202211248675A CN 115311301 B CN115311301 B CN 115311301B
- Authority
- CN
- China
- Prior art keywords
- gray
- gray level
- value
- image
- probability
- 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
- 238000003466 welding Methods 0.000 title claims abstract description 66
- 230000007547 defect Effects 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000009826 distribution Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000009499 grossing Methods 0.000 claims abstract description 4
- 238000010586 diagram Methods 0.000 claims description 30
- 230000011218 segmentation Effects 0.000 claims description 29
- 229910000679 solder Inorganic materials 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 239000002932 luster Substances 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000013507 mapping 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
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005476 soldering Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T2207/30141—Printed circuit board [PCB]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据识别处理技术领域，具体涉及一种PCB板焊点缺陷检测方法；该方法包括：获取待检测的PCB板的灰度图像，基于灰度图像构建灰度直方图并进行平滑处理，获取每个灰度级对应的加权频率值，以得到初始值；获取灰度图像中每个像素点的梯度值得到梯度指标；以灰度图像中每个像素点为中心获取与其八邻域像素点之间的灰度均值，进而构建分布图，分布图中每个点对应一个二元组，根据每个二元组在图像中出现的概率获取最优交叉熵，结合初始值和梯度指标得到最佳阈值，以最佳阈值对灰度图像进行分割得到对应的焊点图像，进而将焊点图像输入神经网络得到焊点缺陷，提高了检测效率的同时保证了检测的准确性。
Description
技术领域
本发明涉及数据识别处理技术领域，具体涉及一种PCB板焊点缺陷检测方法。
背景技术
在科学研究与工业生产生活紧密结合的当下，以智能手机为代表的可移动终端设备已经成为我们日常学习、生活和工作中不可分割的一部分；这类可移动终端设备的智能、方便以及快捷正是得益于微型计算机技术的高速发展，而微型计算机的重要组成部分则是PCB电路板，其为微型计算机的躯干，承载着所有智能可移动终端设备所有的硬件功能模块组件，而这些硬件功能模板组件则是由微小电子元器件通过在PCB板上焊接实现的，因此元器件在PCB板上的焊点的质量影响整个设备系统能否正常工作。
现有对PCB板上焊点的检测一般依赖于神经网络进行，为了提高神经网络检测的速度，一般会对PCB板图像进行分割得到其中的焊点区域，将焊点区域对应的图像输入神经网络中进行检测，保证检测准确性的同时提高检测的效率。
由于PCB板本身颜色与焊点区域颜色存在差异，因此现有对PCB板图像中焊点区域区分的最为简单直接的方法即是阈值分割法，常见的有基于灰度直方图的分割以及基于熵的分割，但基于灰度直方图的分割在应用于较为复杂精细的场景时，分割结果误差较大；而基于熵的分割会忽略不同目标物体之间的位置信息，使得对焊点区域的分割不够准确，进而导致对PCB板的焊点缺陷检测的精度较低。
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PCB板焊点缺陷检测方法，该方法包括以下步骤：
获取待检测的PCB板图像，对所述PCB板图像进行预处理得到对应的灰度图像；
基于所述灰度图像构建灰度直方图，构建预设大小的滑窗对所述灰度直方图进行平滑，以窗口中每个灰度级对应的数量获取加权频率值，以平滑后的灰度直方图中第一个波谷位置的加权频率值得到初始值；
获取所述灰度图像中每个像素点的梯度值，计算每个相同灰度级的像素点的梯度值之和，计算每个灰度级对应梯度值之和占灰度图像中所有像素点的梯度值之和的比值，所述比值为梯度指标；
以所述灰度图像中任意像素点作为目标点，计算所述目标点与其八邻域像素点之间的灰度均值，以每个像素点的灰度值为横坐标，像素点对应八邻域像素点的灰度均值为纵坐标构建分布图，所述分布图中每个点为一个二元组；以任意二元组作为分割阈值将所述分布图划为4个区域，计算所述分布图中左下区域内每个二元组的第一概率以及所述分布图中右上区域内每个二元组的第二概率，根据第一概率和第二概率得到二维交叉熵，遍历获取所述分布图中每个二元组为分割阈值时的二维交叉熵，最大的二维交叉熵为最优交叉熵；
根据所述初始值、所述梯度指标以及所述最优交叉熵得到最佳阈值，根据所述最佳阈值得到所述灰度图像中的焊点图像，将所述焊点图像输入神经网络中进行缺陷检测。
优选的，所述构建预设大小的滑窗对所述灰度直方图进行平滑，以窗口中每个灰度级对应的数量获取加权频率值的步骤，包括：
获取灰度直方图中每个灰度级对应频次在灰度图像中的占比得到对应的频率；以任意灰度级为滑窗的中心点，计算滑窗内所有灰度级对应频率的平均值，将所述平均值赋予滑窗的中心点；
所述平均值为滑窗的中心点的加权频率值；将滑窗遍历灰度直方图中所有灰度级得到对应的加权频率值后，灰度直方图平滑完成。
优选的，所述以平滑后的灰度直方图中第一个波谷位置的加权频率值得到初始值的步骤，包括：
第一个波谷位置的加权频率值与所述初始值的求和结果为1。
优选的，所述根据第一概率和第二概率得到二维交叉熵的步骤，包括：
获取左下区域内每个二元组对应的第一概率的求和结果记为第一概率的和，以及右上区域内每个二元组对应的第二概率的求和结果记为第二概率的和，基于第一概论的和以及第二概率的和分别获取第一概率均值和第二概率均值；
根据所述第一概率均值、所述第二概率均值、第一概率以及第二概率得到二维交叉熵，所述二维交叉熵为：
其中，
表示二维交叉熵；
表示二元组
对应的概率；
表示第一概率均值；
表示第二概率均值；
表示灰度值；
表示灰度均值；
表示分割阈值对应的二元组；
表示灰度级的数量；
为对数函数运算。
优选的，所述根据所述初始值、所述梯度指标以及所述最优交叉熵得到最佳阈值的步骤，包括：
获取所述初始值、所述梯度指标以及所述最优交叉熵的乘积结果，对所述乘积结果进行向上取整得到对应的最佳阈值。
优选的，所述以任意二元组作为分割阈值将所述分布图划为4个区域的步骤，包括：
过二元组所在位置作竖直方向的垂线以及水平方向的水平线，基于所述垂线与所述水平线将所述分布图划为4个区域。
本发明具有如下有益效果：本发明实施例中通过对PCB板对应的灰度图像进行分析 通过对灰度图像对应的灰度直方图进行平滑处理，使得基于灰度直方图得到的初始值更加可靠且有代表性，避免了漏检或者误检的情况；其次对灰度图像中每个像素点的梯度值进行获取，进而得到每个灰度级中所有像素点对应的梯度指标；通过构建分布图获取最佳分割是对应的最优交叉熵，结合梯度指标、初始值得到最佳阈值，从而得到准确可靠的焊点图像，将焊点图像输入神经网络中得到对应的焊点缺陷区域，降低了神经网络计算的成本，在提高检测效率的同时，保证了检测结果的准确性。
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PCB板焊点缺陷检测方法流程图；
图2为本发明一个实施例所提供的一种分布图划分的四个区域示意图。
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效，以下结合附图及较佳实施例，对依据本发明提出的一种PCB板焊点缺陷检测方法，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。
下面结合附图具体的说明本发明所提供的一种PCB板焊点缺陷检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种PCB板焊点缺陷检测方法流程图，该方法包括以下步骤：
步骤S100，获取待检测的PCB板图像，对PCB板图像进行预处理得到对应的灰度图像。
PCB板在与元器件进行焊接时，由于操作不当的原因经常会出现焊点粘连或者是漏焊少焊的情况，其会大大影响PCB板在电路中的在实际应用中的效果，因此需要对PCB板上焊点区域是否存在缺陷进行检测。
采用CCD相机对PCB板的图像进行采集，为避免因为相机晃动或者光照等环境因素产生图像噪声点，在对PCB板图像进行采集时，将CCD相机固定于PCB板的垂直上方，同时采用环形结构光的照明方式，减少因为光照不均匀导致PCB板中贴片元器件焊点外形特征表现不一致的情况，从而减少后续识别的误差。
为保证PCB板图像中贴片元器件焊点外形特征保留的同时，去除PCB板图像采集过程中产生的噪点，对PCB板图像进行预处理，即对该PCB板图像进行高斯滤波处理，以去除PCB板图像中的噪声，然后为了降低后续的计算量，对PCB板图像进行灰度化处理得到对应的灰度图像，灰度化处理的方法为现有公知技术，不再详细赘述。
步骤S200，基于灰度图像构建灰度直方图，构建预设大小的滑窗对灰度直方图进行平滑，以窗口中每个灰度级对应的数量获取加权频率值，以平滑后的灰度直方图中第一个波谷位置的加权频率值得到初始值。
由于PCB电路板元器件焊点位置的焊接是采用焊锡丝熔融之后形成的焊点，品质优良的焊锡丝表面光滑，有光泽并且呈现银白色，在高温融化后形成的焊点同样具有银白色光泽；PCB电路板贴片元件上引脚位置与PCB板的背景位置的颜色存在明显差异，因此一般可采用灰度直方图的分割方法对PCB板上背景与引脚位置进行分割。
对步骤S100中得到的灰度图像进行处理，构建该灰度图像对应的灰度直方图，灰度直方图的构建方法为现有公知技术，不再赘述；由于灰度图像中PCB板的背景位置与引脚位置的灰度存在明显的不同，因此其在灰度直方图中会呈现出不同的波峰和波谷，为了更好的将贴片元器件的引脚位置处的焊点图像进行分割，往往是以灰度直方图中的波谷位置对灰度图像进行分割，以确保分割后的灰度图像能够保留更多的细节信息；一般而言，灰度直方图中第一个波谷位置是对图像分割效果较好的位置，但由于灰度直方图中会存在部分异常突出的灰度级，有可能会对灰度直方图中的波峰和波谷产生“跳变异常”，因此首先对灰度直方图进行平滑处理。
本发明实施例构建1*11大小的滑窗对灰度直方图进行平滑，即以每个灰度级为中心，其前后共10个灰度级构建得到的滑窗，计算该滑窗中每个灰度级对应的频率，也即是每个灰度级在灰度图像中出现的频次与灰度图像中所有像素点数量的比值；对滑窗中每个灰度级对应的频率进行求和，对求和结果求平均值得到该滑窗对应的加权频率值，即加权频率值为：
其中，
表示滑窗的加权频率值；
表示当前滑窗的中心的灰度级对应的频率；
表示以灰度级
为中心的滑窗中第一个灰度级
对应的频率，本发明实施例中；
表示以灰度级为中心的滑窗中最后一个灰度级
对应的频率。
相应的，将每个滑窗对应的加权频率值赋予滑窗的中心的灰度级，通过每个灰度级对应的频率与其相邻的多个灰度级的频率对当前灰度级进行平滑处理，使得灰度直方图的整体趋势更加平稳；以此类推，以滑窗对灰度直方图进行遍历完成对灰度直方图的平滑处理。
进一步的，获取平滑处理后的灰度直方图中的第一个波谷位置，波谷位置的获取可由灰度直方图的特征直接得到，本发明实施例中不再赘述，选取灰度直方图中第一个波谷位置对应的加权频率值，以第一个波谷位置对应的加权频率值得到初始值，初始值的计算为：
其中，
表示初始值；
表示灰度直方图中第一个波谷位置对应的加权频率值。
步骤S300，获取灰度图像中每个像素点的梯度值，计算每个相同灰度级的像素点的梯度值之和，计算每个灰度级对应梯度值之和占灰度图像中所有像素点的梯度值之和的比值，比值为梯度指标。
由步骤S200中基于灰度图像的灰度直方图得到初始值，但在对灰度图像中的焊点图像进行分割时，为保证分割的效果较好，应充分考虑到贴片元器件的焊点位置的空间信息和边界信息，因此本发明实施例中对灰度图像中每个像素点的梯度值进行获取，梯度值的获取方法为常规技术手段，不作详细说明；灰度图像中每个像素点的梯度值反映了该像素点与周围像素点之间的灰度差别，当像素点位于焊点与周围PCB板背景的交界边缘上时，此时该像素点对应的梯度值应该较大，当像素点位于引脚焊点图像中或者是PCB板背景上时，其与周围像素点之间的灰度值变化均匀，对应梯度值较小；因此计算每个灰度级对应的所有像素点的梯度值的求和得到梯度值之和，然后计算每个灰度级对应的梯度值之和占灰度图像中所有像素点的梯度值之和的比值，比值的计算为：
其中，
表示比值；
表示第
个灰度级中坐标为
的像素点对应的梯度值；
表示第
个灰度级对应所有像素点的坐标集合；
表示灰度图像中坐标为
的像素点对应的梯度值；
表示灰度图像中所有像素点的梯度值的和。
每个灰度级对应的像素点的数量可由步骤S200中灰度图像对应的灰度直方图直接得到，该比值反映了不同灰度级和梯度的映射关系，当比值计算的结果越大时，说明所有灰度级为
的像素点在灰度图像中越可能分布在焊点区域的边缘位置上，因此越能够根据比值得到分割效果更好的阈值，为便于区分，将该比值记为梯度指标进行后续的处理。
步骤S400，以灰度图像中任意像素点作为目标点，计算目标点与其八邻域像素点之间的灰度均值，以每个像素点的灰度值为横坐标，像素点对应八邻域像素点的灰度均值为纵坐标构建分布图，分布图中每个点为一个二元组；以任意二元组作为分割阈值将分布图划为4个区域，计算分布图中左下区域内每个二元组的第一概率以及分布图中右上区域内每个二元组的第二概率，根据第一概率和第二概率得到二维交叉熵，遍历获取分布图中每个二元组为分割阈值时的二维交叉熵，最大的二维交叉熵为最优交叉熵。
由于PCB电路板上的焊点较小，因此所对用焊点图像中焊点区域所占面积较小，因此对灰度图像中每个像素点与其较小的邻域区域内的像素点进行分析，本发明实施例中以3*3大小的邻域获取每个像素点对应的八邻域像素点，即以每个待分析的像素点为中心构建3*3大小的窗口，计算该窗口内所有像素点对应的灰度值的平均值得到灰度均值；然后以所有像素点对应的灰度值为横坐标，以每个像素点对应的灰度均值为纵坐标构建分布图，分布图中每个点为一个二元组，该二元组中包括的元素为像素点的灰度值以及像素点与其对应的八邻域像素点之间的灰度均值。
由于焊点图像中焊点位置的焊接是由焊锡丝融化后凝固形成的，凝固后形成的焊点的外观颜色呈现银白色，因此在灰度图像中，焊点位置的像素点的灰度值较大，由于焊点位置像素点的周围邻域中也不可避免的为焊点区域，因此焊点位置像素点与其八邻域像素点之间的灰度均值也较大，因此当像素点本身的灰度值较大且该像素点与其八邻域像素点之间的灰度均值也较大时，则该像素点的特征越接近焊点区域的像素点的特征，该像素点存在较大可能为焊点区域的像素点。
考虑到PCB板背景区域的颜色较暗，因此在灰度图像中背景区域的像素点对应的灰度值较小，且像素点与其八邻域像素点之间的灰度均值也较小，因此当像素点本身的灰度值较小且该像素点与其八邻域像素点之间的灰度均值也较小时，则该像素点的特征越接近于PCB板背景区域的图像。由于相机拍摄的原因，灰度图像中可能存在一些亮斑或者暗斑的干扰区域，对于亮斑区域的像素点来说，其灰度值对应较大，但该像素点与其八邻域像素点之间灰度均值较小；对于暗斑区域的像素点来说，其灰度值对应较小，但该像素点与其八邻域像素点之间的灰度均值较大；基于上述特征，对分布图进行分割，以分布图中任意点作为分割阈值，该分割阈值即为分布图中一个二元组，以该二元组对应的横坐标和纵坐标将分布图划分为四个区域。
由于灰度值小且灰度均值大的像素点可能为暗斑区域的像素点，而灰度值大且灰度均值小的像素点可能为亮斑区域的像素点，亮斑区域与暗斑区域均为灰度图像中的干扰区域，因此本发明实施例中在对焊点区域的图像进行获取时，需要将亮斑区域和暗斑区域进行去除。基于分割阈值将分布图划分为四个区域，过二元组所在位置作竖直方向的垂线以及水平方向的水平线，基于垂线与水平线将分布图划为4个区域。请参阅图2，其示出一种分布图划分的四个区域示意图，其中左上区域中像素点的特点为灰度值小且灰度均值大，右下区域中像素点的特点为灰度值大且灰度均值小，因此为了便于计算，对四个区域中的左上区域和右下区域进行排除，仅对四个区域中的左下区域和右上区域进行分析处理。
首先，统计灰度图像中每个二元组在灰度图像中出现的次数，根据每个二元组出现的次数得到二元组应的概率为：
其中，
表示二元组
对应的概率；
表示二元组
在灰度图像中出现的次数；
表示灰度图像的尺寸，即灰度图像中所有像素点的数量。
二元组
表示的是像素点的灰度值为，像素点与其八邻域像素点之间的灰度均值为
；以此类推，获取每个二元组对应的概率，将处于分布图中左下区域内每个二元组的概率记为第一概率，将处于分布图中右上区域内每个二元组的概率记为第二概率。
进一步的，计算左下区域内每个二元组对应第一概率的和为：
其中，
表示左下区域内每个二元组对应的第一概率的和；
表示二元组
对应的概率；
表示分割阈值对应的二元组。
相应的，获取右上区域内每个二元组对应的第二概率的和记为
。
基于概率论中数学期望的相关定义得到左下区域内每个二元组对应的第一概率均值为：
其中，
表示第一概率均值；
表示左下区域内每个二元组对应的第一概率的和；
表示二元组
对应的概率。
以此类推，获取右上区域内每个二元组对应的第二概率均值为。
基于左下区域内每个二元组的概率、左下区域对应的第一概率均值、右上区域内每个二元组的概率以及右上区域对应的第二概率均值得到二维交叉熵，二维交叉熵的计算为：
其中，
表示二维交叉熵；
表示二元组对应的概率；
表示第一概率均值；
表示第二概率均值；
表示灰度值；
表示灰度均值；
表示分割阈值对应的二元组；
表示灰度级的数量，一般为256；
为对数函数运算。
基于此，得到分割阈值对应的二元组为
时的二维交叉熵；对分布图上所有的点进行遍历，计算每个对应的二元组作为分割阈值时对应的二维交叉熵，选取遍历了分布图中所有点得到的所有的二维交叉熵中的最大值记为最优交叉熵，将最优交叉熵标记为。
最优交叉熵作为分割阈值时，能够将左下区域与上区域之间的概率分布相差最大，从而能够得到更好的分割效果。
步骤S500，根据初始值、梯度指标以及最优交叉熵得到最佳阈值，根据最佳阈值得到灰度图像中的焊点图像，将焊点图像输入神经网络中进行缺陷检测。
由步骤S200中得到初始值、步骤S300中得到梯度指标以及步骤S400中得到最优交叉熵，当初始值越大、梯度指标越大且最优交叉熵越大时，灰度特征、梯度特征以及概率分布特征均较大，对应灰度图像越能得到更好的分割效果，因此本发明实施例中根据初始值、梯度指标以及最优交叉熵得到对应的最佳阈值，最佳阈值的计算为：
其中，
表示最佳阈值；
表示初始值，取值范围为0-1；
表示梯度指标，取值范围为0-1；
表示最优交叉熵，取值范围为0-255；
表示向上取整符号。
由此基于灰度直方图、梯度信息以及熵得到最佳阈值，以最佳阈值对PCB板对应的灰度图像进行分割，从而有效分割出其中的焊点图像，该焊点图像是焊点区域像素值为1的二值图像，从而将灰度图像中其他干扰区域有效的进行分割去除；考虑到PCB板贴片元器件的引脚之间通常较为密集，因此本发明实施例中通过OpenCV标准库函数中moments函数求得每个贴片元器件的形心坐标，再根据此坐标结合OpenCV中RotatedRect函数方法获取得到每个引脚位置最终的焊点图像，以最终的焊点图像进行后续的缺陷检测分析。
本发明实施例中采用卷积神经网络对焊点图像中的焊点缺陷进行识别，卷积神经网络的训练过程中数据标注为：焊点缺陷的像素点标注为1，无焊点缺陷的像素点标注为0，损失函数采用交叉熵损失函数，优化器选择SGD随机梯度下降法进行训练；将待检测的焊点图像输入训练完成的卷积神经网络中即可得到对应的焊点缺陷位置。
综上所述，本发明实施例中通过获取待检测的PCB板图像，对PCB板图像进行预处理得到对应的灰度图像；基于灰度图像构建灰度直方图，构建预设大小的滑窗对灰度直方图进行平滑，以窗口中每个灰度级对应的数量获取加权频率值，选取平滑后的灰度直方图中第一个波谷位置的加权频率值为初始值；获取灰度图像中每个像素点的梯度值，计算相同灰度级的像素点对应的梯度指标；以灰度图像中任意像素点作为目标点，计算目标点与其八邻域像素点之间的灰度均值，以每个像素点的灰度值为横坐标，像素点对应八邻域像素点的灰度均值为纵坐标构建分布图，分布图中每个点为一个二元组；以任意二元组作为分割阈值将分布图划为4个区域，计算分布图中左下区域内每个二元组的第一概率以及分布图中右上区域内每个二元组的第二概率，根据第一概率和第二概率得到二维交叉熵，遍历获取分布图中每个二元组为分割阈值时的二维交叉熵，最大的二维交叉熵为最优交叉熵；根据初始值、梯度指标以及最优交叉熵得到最佳阈值，根据最佳阈值得到灰度图像中的焊点图像，将焊点图像输入神经网络中进行缺陷检测，减少了检测过程中的计算量，提高了检测效率且保证了检测的精确度。
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。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 (5)
1.一种PCB板焊点缺陷检测方法，其特征在于，该方法包括以下步骤：
获取待检测的PCB板图像，对所述PCB板图像进行预处理得到对应的灰度图像；
基于所述灰度图像构建灰度直方图，构建预设大小的滑窗对所述灰度直方图进行平滑，以窗口中每个灰度级对应的数量获取加权频率值，以平滑后的灰度直方图中第一个波谷位置的加权频率值得到初始值；
获取所述灰度图像中每个像素点的梯度值，计算每个相同灰度级的像素点的梯度值之和，计算每个灰度级对应梯度值之和占灰度图像中所有像素点的梯度值的和的比值，所述比值为梯度指标；
以所述灰度图像中任意像素点作为目标点，计算所述目标点与其八邻域像素点之间的灰度均值，以每个像素点的灰度值为横坐标，像素点对应八邻域像素点的灰度均值为纵坐标构建分布图，所述分布图中每个点为一个二元组；以任意二元组作为分割阈值将所述分布图划为4个区域，计算所述分布图中左下区域内每个二元组的第一概率以及所述分布图中右上区域内每个二元组的第二概率，根据第一概率和第二概率得到二维交叉熵，遍历获取所述分布图中每个二元组为分割阈值时的二维交叉熵，最大的二维交叉熵为最优交叉熵；
根据所述初始值、所述梯度指标以及所述最优交叉熵得到最佳阈值，根据所述最佳阈值得到所述灰度图像中的焊点图像，将所述焊点图像输入神经网络中进行缺陷检测；
所述根据第一概率和第二概率得到二维交叉熵的步骤，包括：
获取左下区域内每个二元组对应的第一概率的求和结果记为第一概率的和，以及右上区域内每个二元组对应的第二概率的求和结果记为第二概率的和，基于第一概论的和以及第二概率的和分别获取第一概率均值和第二概率均值；
根据所述第一概率均值、所述第二概率均值、第一概率以及第二概率得到二维交叉熵，所述二维交叉熵为：
其中，
表示二维交叉熵；
表示二元组
对应的概率；
表示第一概率均值；
表示第二概率均值；
表示灰度值；
表示灰度均值；
表示分割阈值对应的二元组；
表示灰度级的数量；
为对数函数运算。
2.根据权利要求1所述的一种PCB板焊点缺陷检测方法，其特征在于，所述构建预设大小的滑窗对所述灰度直方图进行平滑，以窗口中每个灰度级对应的数量获取加权频率值的步骤，包括：
获取灰度直方图中每个灰度级对应频次在灰度图像中的占比得到对应的频率；以任意灰度级为滑窗的中心点，计算滑窗内所有灰度级对应频率的平均值，将所述平均值赋予滑窗的中心点；
所述平均值为滑窗的中心点的加权频率值；将滑窗遍历灰度直方图中所有灰度级得到对应的加权频率值后，灰度直方图平滑完成。
3.根据权利要求1所述的一种PCB板焊点缺陷检测方法，其特征在于，所述以平滑后的灰度直方图中第一个波谷位置的加权频率值得到初始值的步骤，包括：
第一个波谷位置的加权频率值与所述初始值的求和结果为1。
4.根据权利要求1所述的一种PCB板焊点缺陷检测方法，其特征在于，所述根据所述初始值、所述梯度指标以及所述最优交叉熵得到最佳阈值的步骤，包括：
获取所述初始值、所述梯度指标以及所述最优交叉熵的乘积结果，对所述乘积结果进行向上取整得到对应的最佳阈值。
5.根据权利要求1所述的一种PCB板焊点缺陷检测方法，其特征在于，所述以任意二元组作为分割阈值将所述分布图划为4个区域的步骤，包括：
过二元组所在位置作竖直方向的垂线以及水平方向的水平线，基于所述垂线与所述水平线将所述分布图划为4个区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211248675.9A CN115311301B (zh) | 2022-10-12 | 2022-10-12 | 一种pcb板焊点缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211248675.9A CN115311301B (zh) | 2022-10-12 | 2022-10-12 | 一种pcb板焊点缺陷检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115311301A CN115311301A (zh) | 2022-11-08 |
| CN115311301B true CN115311301B (zh) | 2023-04-14 |
Family
ID=83868411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211248675.9A Active CN115311301B (zh) | 2022-10-12 | 2022-10-12 | 一种pcb板焊点缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115311301B (zh) |
Families Citing this family (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115294134B (zh) * | 2022-10-09 | 2023-01-20 | 誉隆半导体设备(江苏)有限公司 | 一种阀门密封面缺陷识别方法 |
| CN115512231B (zh) * | 2022-11-15 | 2023-02-28 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 适用于国土空间生态修复的遥感解译方法 |
| CN115578383B (zh) * | 2022-11-23 | 2023-04-07 | 惠州威尔高电子有限公司 | 基于全景图像的厚铜pcb板检测方法 |
| CN115598025B (zh) * | 2022-12-13 | 2023-03-10 | 四川亿欣新材料有限公司 | 图像处理方法及使用该方法的碳酸钙粉质检系统 |
| CN115861307B (zh) * | 2023-02-21 | 2023-04-28 | 深圳市百昌科技有限公司 | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 |
| CN115880302B (zh) * | 2023-03-08 | 2023-05-23 | 杭州智源电子有限公司 | 基于图像分析的仪表盘焊接质量检测方法 |
| CN115984283B (zh) * | 2023-03-21 | 2023-06-23 | 山东中济鲁源机械有限公司 | 一种钢筋笼焊接质量智能检测方法 |
| CN116152261B (zh) * | 2023-04-24 | 2023-06-27 | 济南奥盛包装科技有限公司 | 一种印刷制品质量的视觉检测系统 |
| CN116228747B (zh) * | 2023-05-04 | 2023-07-21 | 青岛穗禾信达金属制品有限公司 | 一种金属柜加工质量监测方法 |
| CN116309555B (zh) * | 2023-05-15 | 2023-07-25 | 中国船舶集团有限公司第七〇七研究所 | 一种基于多物理量融合的集成电路特征提取方法 |
| CN116309562B (zh) * | 2023-05-17 | 2023-08-18 | 江西萤火虫微电子科技有限公司 | 一种板卡缺陷识别方法及系统 |
| CN116703931B (zh) * | 2023-08-09 | 2023-10-24 | 山东津庭名企建材有限公司 | 一种用于建筑高分子材料的表面银纹检测方法 |
| CN116721099B (zh) * | 2023-08-09 | 2023-11-21 | 山东奥洛瑞医疗科技有限公司 | 一种基于聚类的肝脏ct影像的图像分割方法 |
| CN116740061B (zh) * | 2023-08-14 | 2023-11-21 | 山东淼珠生物科技有限公司 | 一种爆珠生产质量视觉检测方法 |
| CN116740070B (zh) * | 2023-08-15 | 2023-10-24 | 青岛宇通管业有限公司 | 基于机器视觉的塑料管道外观缺陷检测方法 |
| CN116912261B (zh) * | 2023-09-15 | 2023-12-08 | 张家港市神舟机械有限公司 | 一种塑料模具注塑表面缺陷检测方法 |
| CN116958717B (zh) * | 2023-09-20 | 2023-12-12 | 山东省地质测绘院 | 基于机器学习的地质大数据智能清洗方法 |
| CN117011304B (zh) * | 2023-10-08 | 2024-03-26 | 深圳思谋信息科技有限公司 | 缺陷检测方法、装置、计算机设备及计算机可读存储介质 |
| CN117058137B (zh) * | 2023-10-11 | 2023-12-12 | 山东万玻玻璃科技有限公司 | 一种夹胶玻璃生产质量视觉检测方法 |
| CN117058143B (zh) * | 2023-10-12 | 2024-01-26 | 深圳市合成快捷电子科技有限公司 | 一种电路板引脚智能检测方法及系统 |
| CN117173184B (zh) * | 2023-11-03 | 2024-01-26 | 济宁市市政园林养护中心 | 基于人工智能的道路施工质量检测方法及系统 |
| CN117437238B (zh) * | 2023-12-22 | 2024-03-29 | 深圳宝铭微电子有限公司 | 一种封装ic表面缺陷视觉检测方法 |
| CN117764893B8 (zh) * | 2024-01-08 | 2024-07-19 | 广东上善精机有限公司 | 一种数控机床刀具磨损识别方法及系统 |
| CN117635604B (zh) * | 2024-01-23 | 2024-04-05 | 华航检测认证(青岛)有限公司 | 一种建筑工程钢结构焊接质量检测方法 |
| CN117876374B (zh) * | 2024-03-13 | 2024-05-28 | 西安航科创星电子科技有限公司 | 一种用于htcc陶瓷的金属浆料布线填孔及监控方法 |
| CN117893457B (zh) * | 2024-03-18 | 2024-05-14 | 深圳市塔联科技有限公司 | Pcb板智能检测方法、装置和计算机设备 |
| CN118015003B (zh) * | 2024-04-10 | 2024-06-21 | 陕西能源电力运营有限公司 | 一种火电厂集箱焊接缺陷检测方法及系统 |
| CN118052815B (zh) * | 2024-04-15 | 2024-06-28 | 深圳市联合盛鑫科技有限公司 | 一种pcb焊锡缺陷视觉自动化检测方法 |
| CN118071748B (zh) * | 2024-04-19 | 2024-06-21 | 西安国创电子股份有限公司 | 一种集成电路板表面焊点质量智能检测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111724430A (zh) * | 2019-03-22 | 2020-09-29 | 株式会社理光 | 一种图像处理方法、装置及计算机可读存储介质 |
| CN114926463B (zh) * | 2022-07-20 | 2022-09-27 | 深圳市尹泰明电子有限公司 | 一种适用于芯片电路板的生产质量检测方法 |
| CN115082683B (zh) * | 2022-08-22 | 2023-07-14 | 深圳市松泽实业发展有限公司 | 一种基于图像处理的注塑缺陷检测方法 |
-
2022
- 2022-10-12 CN CN202211248675.9A patent/CN115311301B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115311301A (zh) | 2022-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115311301B (zh) | 一种pcb板焊点缺陷检测方法 | |
| CN108154502B (zh) | 一种基于卷积神经网络的通孔焊点识别方法 | |
| CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
| US7925073B2 (en) | Multiple optical input inspection system | |
| US5226095A (en) | Method of detecting the position of an object pattern in an image | |
| CN115294114A (zh) | 一种基于ecu电路焊接的质量检测方法 | |
| CN116721107B (zh) | 一种电缆生产质量智能监控系统 | |
| CN110009615B (zh) | 图像角点的检测方法及检测装置 | |
| CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
| CN112115948A (zh) | 一种基于深度学习的芯片表面字符识别方法 | |
| US5638460A (en) | Method of evaluating object based upon image processing and inspection apparatus using said method | |
| CN112991283A (zh) | 基于超像素的柔性ic基板线宽检测方法、介质和设备 | |
| CN111709964A (zh) | 一种pcba目标边缘检测方法 | |
| CN117152165A (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
| CN113191281B (zh) | 基于感兴趣区域及自适应半径的orb特征提取方法 | |
| CN115272134B (zh) | 一种基于pcb干扰反光识别的pcb图像去反光方法 | |
| CN116993654B (zh) | 摄像头模组缺陷检测方法、装置、设备、存储介质及产品 | |
| CN115254674B (zh) | 一种轴承缺陷分选方法 | |
| CN116363136A (zh) | 一种机动车部件自动化生产在线筛选方法及系统 | |
| JPH03202707A (ja) | 基板実装検査装置 | |
| CN113222895A (zh) | 一种基于人工智能的电极缺陷检测方法及系统 | |
| CN118071748B (zh) | 一种集成电路板表面焊点质量智能检测方法 | |
| CN117011596B (zh) | 结构运动视觉测量的圆识别及圆心定位方法和装置 | |
| CN117994258B (zh) | 基于计算机视觉的pcb板质量检测方法 | |
| CN114897827B (zh) | 基于机器视觉的烟叶包装箱状态检测方法 |
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 |