CN115330757B - 一种电路板焊点缺陷检测方法及系统 - Google Patents
一种电路板焊点缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN115330757B CN115330757B CN202211238474.0A CN202211238474A CN115330757B CN 115330757 B CN115330757 B CN 115330757B CN 202211238474 A CN202211238474 A CN 202211238474A CN 115330757 B CN115330757 B CN 115330757B
- Authority
- CN
- China
- Prior art keywords
- window
- mean shift
- welding spot
- circuit board
- 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.)
- Active
Links
- 238000003466 welding Methods 0.000 title claims abstract description 113
- 230000007547 defect Effects 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims description 13
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 230000002950 deficient Effects 0.000 claims abstract description 6
- 229910000679 solder Inorganic materials 0.000 claims description 27
- 230000005856 abnormality Effects 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- 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
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及一种电路板焊点缺陷检测方法及系统，该方法获取电路板区域图像；在电路板区域图像的RGB颜色空间中，设置均值漂移的起始中心的数量和均值漂移窗口的尺寸；根据均值漂移窗口和重合区域之间的点数量的差异，获取每个均值漂移窗口的漂移量；基于漂移量获取RGB颜色空间中的聚簇中心，以设定的扩展步长对聚簇中心进行点扩展，基于相邻两次扩展对应的点总数量，计算每次扩展的点属于对应聚簇中心的聚簇的可能性，确定焊点区域；根据焊点区域的面积计算对应焊点区域的异常程度，基于异常程度确认缺陷焊点，利用多个窗口重合区域对窗口漂移的影响，改进窗口漂移量，从而准确分割出焊点区域，便于焊点的缺陷识别。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种电路板焊点缺陷检测方法及系统。
背景技术
随着各种自动控制技术的发展，各行业对电路板的需求不断的增加，在一般电路板的生产中，需要对所生产的电路板的质量进行检测，其中电路板的焊接质量直接影响电路板的质量，所以在电路板的生产完成后，需要对焊点缺陷进行检测，从而保证电路板出厂的质量。
长期利用人工进行焊点的缺陷检测，存在焊点缺陷的遗漏以及浪费人力等不足，所以现阶段发展大量自动化检测的方法。在利用图像检测焊点的缺陷时，首先需要分割获得焊点区域，常规的分割方法主要为阈值分割法，但是在电路板的图像中，由于拍摄角度以及光照等原因，造成焊点区域的像素值存在差异，所以常规阈值分割不能准确的获得焊点区域像素值，从而造成所分割的焊点区域不准确，从而影响焊点缺陷的识别。
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路板焊点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，本发明实施例中提供了一种电路板焊点缺陷检测方法，该方法包括以下步骤：
获取电路板图像，对所述电路板图像进行语义分割得到电路板区域图像；
在电路板区域图像的RGB颜色空间中，设置均值漂移的起始中心的数量和均值漂移窗口的尺寸；根据均值漂移窗口和重合区域之间的点数量的差异，点数量是指电路板区域中的像素值映射在RGB颜色空间中的点的数量；分别计算每个重合区域对每个均值漂移窗口的窗口漂移影响程度；结合窗口漂移影响程度和均值漂移窗口之间的重合区域的点获取每个均值漂移窗口的漂移量；
基于漂移量获取RGB颜色空间中的聚簇中心，以设定的扩展步长对聚簇中心进行点扩展，得到每次扩展获取的球体表面的点总数量，基于相邻两次扩展对应的点总数量，计算每次扩展的点属于对应聚簇中心的聚簇的可能性，基于可能性确定焊点区域；
根据每个焊点区域的面积以及焊点区域与对应凸包多边形的差异计算对应焊点区域的异常程度，基于异常程度确认缺陷焊点。
进一步的，所述窗口漂移影响程度的获取方法，包括：
统计当前均值漂移窗口中的点的第一数量和对应第t个重合区域中的点的第二数量，得到第一数量和第二数量的比值，t为正整数；计算当前均值漂移窗口与第t个重合区域对应的均值漂移窗口之间窗口中心的距离，得到距离的倒数，将以比值为幂指数、常数e为底数的指数函数结果乘以距离的倒数得到当前均值漂移窗口的第t个重合区域对当前均值漂移窗口的窗口漂移影响程度。
进一步的，所述漂移量的计算公式为：
其中，为第j个均值漂移窗口的漂移量；为第j个均值漂移窗口与其他均值漂移窗口的重合区域的数量；为第j个均值漂移窗口的第t个重合区域中的点数量；为第j个均值漂移窗口的第t个重合区域对第j个均值漂移窗口的窗口漂移影响程度；为第j个均值漂移窗口的窗口中心与第t个重合区域中第i个点所构成的向量；为第j个均值漂移窗口内不与其他均值漂移窗口重合的非重合点的数量；为第i个非重合点与第j个均值漂移窗口的窗口中心所构成的向量。
进一步的，所述可能性的计算公式为：
其中，为第v次扩展的点属于对应聚簇中心的聚簇的可能性；为第v次扩展的点总数量；为第v-1次扩展的点总数量。
进一步的，所述基于可能性确定焊点区域的方法，包括：
设置可能性阈值，当第v次扩展对应的可能性小于可能性阈值时，第v次扩展之前的所有点确认为焊点区域的像素值，进而得到焊点区域的像素值范围，基于像素值范围得到电路板区域图像中的焊点区域。
进一步的，所述异常程度的获取方法，包括：
计算所有焊点区域的面积均值，获取当前焊点区域的面积与面积均值的第一差值绝对值；根据当前焊点区域中的像素点获取凸包多边形区域，计算当前焊点区域与凸包多边形区域之间的第二差值绝对值，将第一差值绝对值和第二差值绝对值的乘积作为异常程度。
进一步的，所述基于异常程度确认缺陷焊点的方法，包括：
设置异常程度阈值，当焊点区域的异常程度大于异常程度阈值时，确认该焊点区域为缺陷焊点。
第二方面，本发明实施例还提供了一种电路板焊点缺陷检测系统，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任意一项所述方法的步骤。
本发明实施例至少具有如下有益效果：考虑到原始电路板图像中焊点区域像素值存在差异的特点，针对现有阈值分割无法准确获得的具有像素值差异的焊点区域的缺点，本方案利用像素值在RGB颜色空间中的聚集分布，在RGB颜色空间中进行均值漂移过程中，针对现有均值漂移算法中窗口漂速度慢的缺陷，利用多个窗口重合区域对窗口漂移的影响，改进窗口漂移量，使得窗口漂移量更加趋近于空间中点密集区域，即加快均值漂移速度，快速的获得RGB颜色空间中的聚簇中心，获得焊点区域的像素值范围，从而准确分割出焊点区域，便于焊点的缺陷识别。
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电路板焊点缺陷检测方法的步骤流程图。
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电路板焊点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。
本发明所针对的情景为：
在电路板的焊点缺陷识别中，焊点区域识别的准确性直接影响焊点缺陷的检测，所以本发明图像中像素值在RGB颜色空间中的分布，确定焊点区域的像素值范围，从而获得准确的焊点区域，便于焊点的缺陷识别。
下面结合附图具体的说明本发明所提供的一种电路板焊点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路板焊点缺陷检测方法的步骤流程图，该方法包括以下步骤：
步骤S001，获取电路板图像，对所述电路板图像进行语义分割得到电路板区域图像。
具体的，在电路板焊点检测中，首先需要获得焊点区域图像。所以在电路板生产完成后，传送到专门的检测平台，在检测平台的正上方安装相机，拍摄电路板图像。
对于相机所拍摄的电路板图像，可能包含电路板区域图像与电路板检测平台的背景图像，为了便于电路板图像的分析，需要对所拍摄的原始图像进行初步分割，获得电路板区域图像。在本发明中，采用现有的语义分割方法，在输入相机拍摄的原始图像后，经过语义分割输出电路板区域图像。
步骤S002，在电路板区域图像的RGB颜色空间中，设置均值漂移的起始中心的数量和均值漂移窗口的尺寸；根据均值漂移窗口和重合区域之间的点数量的差异，点数量是指电路板区域中的像素值映射在RGB颜色空间中的点的数量；分别计算每个重合区域对每个均值漂移窗口的窗口漂移影响程度；结合窗口漂移影响程度和均值漂移窗口之间的重合区域的点获取每个均值漂移窗口的漂移量。
具体的，在电路板中存在大量的焊点，其颜色具有相似性，同时电路板的背景区域的颜色具有一致性的特点，所以对应区域的像素值映射在RGB颜色空间中的点具有聚集性的特点，则本发明根据电路板区域图像的像素值在RGB颜色空间中的聚集性，确定焊点区域。
在RGB颜色空间中，利用均值漂移算法获得焊点区域像素特点与电路板背景区域像素特点，均值漂移即为通过窗口计算获得窗口漂移的方向以及大小，最后使得窗口漂移到RGB颜色空间中点的聚簇中心，具步骤如下：
（1）本发明设置均值漂移的起始中心的数量为10，可根据实际场景进行调整，并让所有的起始中心均匀分布在RGB颜色空间中；然后对于均值漂移窗口的大小，在本发明中设置均值漂移窗口为半径为20的球体，在确定均值漂移参数后，在RGB颜色空间中进行均值漂移运算。
（2）在确定均值漂移的参数后，需要确定均值漂移过程中均值漂移窗口的漂移量。在现有的均值漂移算法中，是根据均值漂移窗口内所有点与窗口中心的向量之和确定均值漂移窗口的漂移量，但是实际在RGB颜色空间中，不同点对窗口漂移的贡献值不同，所以本发明需要根据均值漂移窗口内点的特点，获得不同点对均值漂移窗口的漂移量的影响。
在RGB颜色空间中，进行均值漂移的运算，因为具有多个初始的均值漂移，并且可能存在多个均值漂移窗口同一个中心点漂移的过程，此时不同的均值漂移窗口中的点存在重合的情况，并且重合部分越多，表示该区域点的密集性越高，则此时对应均值漂移窗口的漂移量表示为：
其中，为第j个均值漂移窗口的漂移量；为第j个均值漂移窗口与其他均值漂移窗口的重合区域的数量；为第j个均值漂移窗口的第t个重合区域中的点数量；为第j个均值漂移窗口的第t个重合区域对第j个均值漂移窗口的窗口漂移影响程度；为第j个均值漂移窗口的窗口中心与第t个重合区域中第i个点所构成的向量；为第j个均值漂移窗口内不与其他均值漂移窗口重合的非重合点的数量；为第i个非重合点与第j个均值漂移窗口的窗口中心所构成的向量。
需要说明的是，在当前均值漂移窗口与其他均值漂移窗口存在重合区域时，表示两个均值漂移窗口之间存在相似的特点，并且重合区域的点相似性越高，均值漂移窗口之间的相似性越高，所以重合区域点对当前均值漂移窗口的影响取决于重合区域中的点的相似特点；漂移量的计算公式主要表示了均值漂移窗口存在重合时，重合区域的点对当前均值漂移窗口的漂移量的不同影响，所以在均值漂移量的计算中，区分重合区域的点与不重合区域的点的向量，考虑重合区域点对窗口漂移量的影响关系，使得窗口漂移更加的趋近于RGB颜色空间中点的聚集区域。
其中，第j个均值漂移窗口的第t个重合区域对第j个均值漂移窗口的窗口漂移影响程度的获取方法，包括：
对于当前均值漂移窗口与其均值漂移窗口存在的重合区域，不同的重合区域的点对窗口漂移的影响不同，则窗口漂移影响程度的计算公式为：
其中，表示第j个均值漂移窗口内的点数量，表示第j个均值漂移窗口的第t个重合区域的点数量，越大，表示第t个重合区域在RGB颜色空间中越趋近于密集区域，所以重合区域对第j个均值漂移窗口的影响越大；由于重合区域的点对窗口漂移的影响是正相关影响，所以采用获得大于1的影响关系；表示第j个均值漂移窗口的窗口中心与第t个重合区域对应的均值漂移窗口的窗口中心之间的距离，越小，表示两个均值漂移窗口的相似性越高，此时重合区域的点对窗口漂移的影响越大。
利用漂移量的计算公式得到每个均值漂移窗口的漂移量，用于反映均值漂移窗口的相似性，进而确定重合区域对窗口漂移的影响。
步骤S003，基于漂移量获取RGB颜色空间中的聚簇中心，以设定的扩展步长对聚簇中心进行点扩展，得到每次扩展获取的球体表面的点总数量，基于相邻两次扩展对应的点总数量，计算每次扩展的点属于对应聚簇中心的聚簇的可能性，基于可能性确定焊点区域。
具体的，基于步骤S002计算每个均值漂移窗口的漂移量，将漂移量作为每个均值漂移窗口的移动方向和大小，然后基于漂移量进行均值漂移计算，获得电路板颜色在RGB颜色空间中的聚簇中心。
已知获得的多个聚簇中心中对应的像素值为，其中，表示RGB颜色空间中聚簇的数量，已知电路板中焊点的金属颜色的像素值为，且由根据先验历史数据获得，所以在颜色空间中与的差异值最小时，对应的在RGB颜色空间中的聚簇中心表示电路板中焊点区域的像素值。
在获得焊点区域的像素值在RGB颜色空间中对应的聚簇中心后，需要确定焊点区域的像素值在RGB颜色空间中的具体聚簇，以对电路板区域图像中焊点区域进行分割。
在RGB颜色空间中，以焊点区域的像素值对应的聚簇中心为球心，逐步向外进行扩展，扩展步长为一个像素值，此时进行第v次扩展获得的球体表面中的点总数量表示为。在焊点区域的像素值对应的聚簇中，RGB颜色空间中的点的距离越远，对应点数据属于当前聚簇的可能性越低，同时对于不属于当前聚簇的点，在空间中的分布密集型以及和当前聚簇中心在距离上具有不连续性，据此判断RGB颜色空间中的点数据属于每个聚簇中心对应聚簇的可能性：
其中，为第v次扩展的点属于对应聚簇中心的聚簇的可能性；为第v次扩展的点总数量；为第v-1次扩展的点总数量，则表示第v次扩展的球面中的点密度，表示相邻两次扩展球面的点密度差异，越大，表示在RGB颜色空间中点的分布差异越大，所以对应第v次扩展平面中的点聚集于聚簇中心的可能性越低，即对应球面的点属于焊点区域的像素值的可能性越低。
根据实际经验设置可能性阈值，在本发明中设置阈值为0.4，可根据实际场景进行调整，表示第v个球面中的点不属于聚簇中心对应的聚簇，即第v次扩展之前对应的所有点表示焊点区域对应的像素值，得到焊点区域的像素值范围。
利用焊点区域对应的像素值的获取方法，获得每个聚簇中心对应焊点区域的像素值范围，进而得到焊点区域对应的所有像素值。相比于现有的直接进行阈值分割，本方案的方法考虑到焊点区域颜色的局部差异，通过在RGB颜色空间中的聚集性特点，获得焊点区域像素值差异容许范围，从而获得更急准确的焊点区域像素值的范围，即获得更加准确的焊点区域，便于焊点异常分析和缺陷检测。
根据电路板区域图像中焊点区域的像素值范围，对电路板区域图像进行分割得到多个焊点区域。
步骤S004，根据每个焊点区域的面积以及焊点区域与对应凸包多边形的差异计算对应焊点区域的异常程度，基于异常程度确认缺陷焊点。
具体的，在同一在电路板中，焊点的大小具有近似性，同时电路板中焊点的形状具有一定规律性，根据此特点，进行焊点异常分析。
已知获得的焊点区域分别表示为，其中表示电路板区域图像中所分割的焊点区域的数量，此时每一个焊点区域的异常程度表示为：
其中，表示第k个焊点区域的面积，表示所有焊点区域的面积均值，越大，表示第k个焊点区域的面积越异常，即第k焊点区域的异常程度越大；表示第k个焊点区域的像素点构成的凸包多边形区域，原始焊点区域越接近于该区域的凸包多边形，焊点区域的形状越趋近于圆形，即正常的焊点区域的形状，所以表示第k个焊点区域与凸包多边形区域的差异，越大，第k个焊点区域的异常的程度越大。
利用异常程度的计算公式得到每个焊点区域的异常程度，对于电路板的焊点异常程度越大，表示焊点缺陷的可能性越大，所以根据所获得的每一个焊点区域异常程度判断焊点的缺陷，此时根据实际经验设置异常程度阈值，在本发明中设置阈值为0.3，可根据实际场景进行调整，当异常程度大于异常程度阈值时，确定对应焊点区域为缺陷焊点，进而完成电路板焊点的缺陷检测。
综上所述，本方案获取电路板区域图像；在电路板区域图像的RGB颜色空间中，设置均值漂移的起始中心的数量和均值漂移窗口的尺寸；根据均值漂移窗口和重合区域之间的点数量的差异，获取每个均值漂移窗口的漂移量；基于漂移量获取RGB颜色空间中的聚簇中心，以设定的扩展步长对聚簇中心进行点扩展，基于相邻两次扩展对应的点总数量，计算每次扩展的点属于对应聚簇中心的聚簇的可能性，确定焊点区域；根据焊点区域的面积计算对应焊点区域的异常程度，基于异常程度确认缺陷焊点，利用多个窗口重合区域对窗口漂移的影响，改进窗口漂移量，从而准确分割出焊点区域，便于焊点的缺陷识别。
基于与上述方法相同的发明构思，本发明实施例还提供了一种电路板焊点缺陷检测系统，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路板焊点缺陷检测方法中任意一项所述方法的步骤。
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 (6)
1.一种电路板焊点缺陷检测方法，其特征在于，该方法包括以下步骤：
获取电路板图像，对所述电路板图像进行语义分割得到电路板区域图像；
在电路板区域图像的RGB颜色空间中，设置均值漂移的起始中心的数量和均值漂移窗口的尺寸；根据均值漂移窗口和重合区域之间的点数量的差异，点数量是指电路板区域中的像素值映射在RGB颜色空间中的点的数量；分别计算每个重合区域对每个均值漂移窗口的窗口漂移影响程度；结合窗口漂移影响程度和均值漂移窗口之间的重合区域的点获取每个均值漂移窗口的漂移量；
基于漂移量获取RGB颜色空间中的聚簇中心，以设定的扩展步长对聚簇中心进行点扩展，得到每次扩展获取的球体表面的点总数量，基于相邻两次扩展对应的点总数量，计算每次扩展的点属于对应聚簇中心的聚簇的可能性，基于可能性确定焊点区域；
根据每个焊点区域的面积以及焊点区域与对应凸包多边形的差异计算对应焊点区域的异常程度，基于异常程度确认缺陷焊点；
所述窗口漂移影响程度的获取方法，包括：
统计当前均值漂移窗口中的点的第一数量和对应第t个重合区域中的点的第二数量，得到第一数量和第二数量的比值，t为正整数；计算当前均值漂移窗口与第t个重合区域对应的均值漂移窗口之间窗口中心的距离，得到距离的倒数，将以比值为幂指数、常数e为底数的指数函数结果乘以距离的倒数得到当前均值漂移窗口的第t个重合区域对当前均值漂移窗口的窗口漂移影响程度；
所述漂移量的计算公式为：
其中，为第j个均值漂移窗口的漂移量；为第j个均值漂移窗口与其他均值漂移窗口的重合区域的数量；为第j个均值漂移窗口的第t个重合区域中的点数量；为第j个均值漂移窗口的第t个重合区域对第j个均值漂移窗口的窗口漂移影响程度；为第j个均值漂移窗口的窗口中心与第t个重合区域中第i个点所构成的向量；为第j个均值漂移窗口内不与其他均值漂移窗口重合的非重合点的数量；为第i个非重合点与第j个均值漂移窗口的窗口中心所构成的向量。
2.如权利要求1所述的一种电路板焊点缺陷检测方法，其特征在于，所述可能性的计算公式为：
其中，为第v次扩展的点属于对应聚簇中心的聚簇的可能性；为第v次扩展的点总数量；为第v-1次扩展的点总数量。
3.如权利要求1所述的一种电路板焊点缺陷检测方法，其特征在于，所述基于可能性确定焊点区域的方法，包括：
设置可能性阈值，当第v次扩展对应的可能性小于可能性阈值时，第v次扩展之前的所有点确认为焊点区域的像素值，进而得到焊点区域的像素值范围，基于像素值范围得到电路板区域图像中的焊点区域。
4.如权利要求1所述的一种电路板焊点缺陷检测方法，其特征在于，所述异常程度的获取方法，包括：
计算所有焊点区域的面积均值，获取当前焊点区域的面积与面积均值的第一差值绝对值；根据当前焊点区域中的像素点获取凸包多边形区域，计算当前焊点区域与凸包多边形区域之间的第二差值绝对值，将第一差值绝对值和第二差值绝对值的乘积作为异常程度。
5.如权利要求1所述的一种电路板焊点缺陷检测方法，其特征在于，所述基于异常程度确认缺陷焊点的方法，包括：
设置异常程度阈值，当焊点区域的异常程度大于异常程度阈值时，确认该焊点区域为缺陷焊点。
6.一种电路板焊点缺陷检测系统，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1-5任意一项所述一种电路板焊点缺陷检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211238474.0A CN115330757B (zh) | 2022-10-11 | 2022-10-11 | 一种电路板焊点缺陷检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211238474.0A CN115330757B (zh) | 2022-10-11 | 2022-10-11 | 一种电路板焊点缺陷检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115330757A CN115330757A (zh) | 2022-11-11 |
| CN115330757B true CN115330757B (zh) | 2023-05-05 |
Family
ID=83913640
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211238474.0A Active CN115330757B (zh) | 2022-10-11 | 2022-10-11 | 一种电路板焊点缺陷检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115330757B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117473350B (zh) * | 2023-12-28 | 2024-02-27 | 江苏高特高金属科技有限公司 | 基于数据处理的焊管焊接生产过程监测方法 |
| 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 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114842010A (zh) * | 2022-07-04 | 2022-08-02 | 南通东方雨虹建筑材料有限公司 | 一种基于高斯滤波的建筑防火木材缺陷检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010029165A1 (en) * | 2008-09-12 | 2010-03-18 | Universität Potsdam | Method and device for the detection of anions |
| CN114372983B (zh) * | 2022-03-22 | 2022-05-24 | 武汉市富甸科技发展有限公司 | 一种基于图像处理的屏蔽盒涂装质量检测方法及系统 |
-
2022
- 2022-10-11 CN CN202211238474.0A patent/CN115330757B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114842010A (zh) * | 2022-07-04 | 2022-08-02 | 南通东方雨虹建筑材料有限公司 | 一种基于高斯滤波的建筑防火木材缺陷检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115330757A (zh) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115330757B (zh) | 一种电路板焊点缺陷检测方法及系统 | |
| CN115511889A (zh) | 一种太阳能电池板支架表面焊接缺陷检测方法 | |
| CN111401449B (zh) | 一种基于机器视觉的图像匹配方法 | |
| CN111695373B (zh) | 斑马线的定位方法、系统、介质及设备 | |
| CN110084830B (zh) | 一种视频运动目标检测与跟踪方法 | |
| CN115049821A (zh) | 一种基于多传感器融合的三维环境目标检测方法 | |
| CN115841488B (zh) | 一种基于计算机视觉的pcb板的检孔方法 | |
| CN112861870B (zh) | 指针式仪表图像矫正方法、系统及存储介质 | |
| CN114187267B (zh) | 基于机器视觉的冲压件缺陷检测方法 | |
| CN112085709A (zh) | 一种图像对比方法及设备 | |
| CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
| CN109657682B (zh) | 一种基于深度神经网络和多阈值软切分的电能表示数识别方法 | |
| Zhao et al. | Adaptive vision inspection for multi-type electronic products based on prior knowledge | |
| CN117952979A (zh) | 一种建设工程质量检测监管方法及系统 | |
| CN116205835A (zh) | 电路板瑕疵检测方法、装置及电子设备 | |
| CN113781523A (zh) | 一种足球检测跟踪方法及装置、电子设备、存储介质 | |
| CN115578390B (zh) | 一种用于除氧器的焊接控制方法 | |
| CN117152131A (zh) | 基于机器视觉的电子烟质量智能检测方法 | |
| CN117132782A (zh) | 一种基于特征点分类的目标轮廓特征提取方法及装置 | |
| CN109741370B (zh) | 一种目标跟踪方法和装置 | |
| CN113963013B (zh) | 一种基于计算机视觉的无标靶输电塔位移振动识别方法 | |
| CN116152147A (zh) | 一种连接器插针位置偏差检测方法 | |
| US20220358321A1 (en) | Detection Method And Device For Assembly Body Multi-View Change Based On Feature Matching | |
| CN114283081A (zh) | 基于金字塔加速的深度恢复方法、电子设备及存储介质 | |
| CN115019033B (zh) | 连续场景目标识别方法、电子设备及存储介质 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 226200 group 11, Chengbei Village, Huilong Town, Qidong City, Nantong City, Jiangsu Province Applicant after: Jiangsu Dianboshi Energy Equipment Co.,Ltd. Address before: 226000 group 11, Chengbei Village, Huilong Town, Qidong City, Nantong City, Jiangsu Province Applicant before: Nantong Electric doctor automation equipment Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |