CN115359047A - 用于pcb板智能焊接的异常缺陷检测方法 - Google Patents
用于pcb板智能焊接的异常缺陷检测方法 Download PDFInfo
- Publication number
- CN115359047A CN115359047A CN202211276411.4A CN202211276411A CN115359047A CN 115359047 A CN115359047 A CN 115359047A CN 202211276411 A CN202211276411 A CN 202211276411A CN 115359047 A CN115359047 A CN 115359047A
- Authority
- CN
- China
- Prior art keywords
- pcb
- image
- edge
- normalized
- value
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 230000007547 defect Effects 0.000 title claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 22
- 238000003466 welding Methods 0.000 title claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 20
- 238000012797 qualification Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 18
- 238000005286 illumination Methods 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 4
- 238000005476 soldering Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 150000003071 polychlorinated biphenyls Chemical class 0.000 description 1
- 239000004575 stone 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
-
- 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 by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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]
Abstract
本发明涉及数据处理技术领域,具体涉及用于PCB板智能焊接的异常缺陷检测方法,包括:采集PCB板图像以及模板图像,获取限定区域二值图像,获取PCB板图像限定区域像素点的梯度幅值,进一步筛选得到边缘点,获取PCB板图像与模板图像中每个边缘点的归一化值,得到PCB板边缘归一化图像与模板边缘归一化图像,进一步得到PCB板边缘归一化图像中每个边缘点的归一化互相关值。获取PCB板边缘归一化图像与模板边缘归一化图像中每个元器件的特征向量,计算PCB板边缘归一化图像中每个元器件的偏移指标,结合归一化互相关值与偏移指标获取匹配率,进行PCB板合格性识别。本发明计算量小,方法简单高效,排除了PCB背景板以及光照的干扰,识别结果更加准确。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及用于PCB板智能焊接的异常缺陷检测方法。
背景技术
PCB板是电子产品的基石,是各类元器件连接成一个功能单元的载体,遍布在人们日常使用的电子产品中,电子产品的质量取决于PCB板在生产过程中的质量,若有问题的PCB板集成到电子产品上,会引发重大的安全事故,这不仅对消费者的人身安全构成了威胁,也会令生产 PCB 板的厂商遭受损失。传统的检测大多数采用人工检测和电检测的方法。
国外很多采用自动光学检测技术和采用检测涡流的方式检测出PCB中的缺陷,但是此方法的缺陷是图像中的噪声对PCB缺陷检测造成极大的干扰,影响检测结果。国内在PCB检测技术起步较晚,如在定位校准方面,柏长冰利用优化后的Hausdorff距离检测PCB板上圆孔标记。为了消除PCB板图像中的噪声,通过计算得到PCB板图像的灰度直方图,然后基于harr小波对直方图进行处理,最后利用先验概率统计得出理想的分割阈值,基于分割阈值获得二值图像。在PCB板定位方面,K.C.Lee在三点模数法的基础上提出四点定位法。在现有技术中,检测PCB的元器件移位缺陷的方法主要是通过模板匹配的方法,通过将待检测图像与模板图像进行匹配,获得元器件的偏移量,然后进行判断。但是在实现该方法的过程中通常是直接将待检测图像与标准模板进行匹配,会因为元器件的边缘与PCB板连通,获得的边缘不准确使得匹配的结果不准确。
发明内容
本发明提供用于PCB板智能焊接的异常缺陷检测方法,以解决现有的问题。
本发明的用于PCB板智能焊接的异常缺陷检测方法采用如下技术方案:
本发明一个实施例提供了用于PCB板智能焊接的异常缺陷检测方法,该方法包括以下步骤:
S1:采集PCB板图像以及模板图像;根据模板图像获取限定区域二值图像;
S2:对PCB板图像进行边缘特征提取操作,获得PCB板边缘归一化图像以及PCB板边缘归一化图像中每个元器件的特征向量,包括:
根据限定区域二值图像获取PCB板图像的限定检测区域,获取限定检测区域中每个像素点的梯度幅值,将梯度幅值大于第一预设阈值的像素点作为边缘点;
获取PCB板图像中所有边缘点的最大灰度值与最小灰度值,根据PCB板图像中所有边缘点的最大灰度值与最小灰度值获取归一化上限值以及归一化下限值;根据归一化上限值、归一化下限值以及PCB板图像中每个边缘点的灰度值,获取PCB板图像中每个边缘点的归一化值;根据PCB板图像中所有边缘点的归一化值得到PCB板边缘归一化图像;
根据限定区域二值图像获取PCB板边缘归一化图像中每个元器件所在的区域,根据每个元器件所在的区域获取每个元器件的质心;计算每个元器件所在的区域内所有像素点的灰度值的标准差作为每个元器件的标准差;将每个元器件的质心与标准差组成的向量作为每个元器件的特征向量;
S3:对模板图像进行边缘特征提取操作,获得模板边缘归一化图像以及模板边缘归一化图像中每个元器件的特征向量;
S4:根据PCB板边缘归一化图像中每个边缘点的灰度值以及模板边缘归一化图像中每个像素点的灰度值,获取PCB板边缘归一化图像中每个边缘点的归一化互相关值;获取PCB板边缘归一化图像中每个元器件的特征向量与模板边缘归一化图像中对应的元器件的特征向量的欧式距离,作为PCB板边缘归一化图像中每个元器件的偏移指标;根据PCB板边缘归一化图像中所有边缘点的归一化互相关值以及PCB板边缘归一化图像中所有元器件的偏移指标获取匹配率,根据匹配率以及第二预设阈值识别PCB板的合格性。
优选的,所述根据模板图像获取限定区域二值图像包括:
对模板图像进行阈值分割得到二值图像,对二值图像进行形态学膨胀操作得到限定区域二值图像。
优选的,所述根据限定区域二值图像获取PCB板图像的限定检测区域包括:
将限定区域二值图像作为PCB板图像的遮罩,将所述遮罩与PCB板图像相乘,得到的结果中灰度值不为0的像素点为限定检测区域的像素点,所有灰度值不为0的像素点构成PCB板图像的限定检测区域。
优选的,所述根据PCB板图像中所有边缘点的最大灰度值与最小灰度值获取归一化上限值以及归一化下限值包括:
将归一化上限值设为1;将PCB板图像中所有边缘点的最小灰度值与最大灰度值的比值作为归一化下限值。
优选的,所述归一化值的表达式为:
优选的,所述根据PCB板图像中所有边缘点的归一化值得到PCB板边缘归一化图像包括:
将PCB板图像中所有边缘点的灰度值设置为所述边缘点的归一化值,将其余像素点的灰度值设置为0,得到PCB板边缘归一化图像。
优选的,所述归一化互相关值的表达式为:
其中为PCB板边缘归一化图像边缘点的归一化互相关值;
为模板边缘归一化图像中像素点的像素值;为PCB板边缘归一化
图像中像素点的灰度值;为模板边缘归一化图像中像素点的局部范
围内所有像素点的灰度值的均值;为PCB板边缘归一化图像中边缘点的局部范围
内所有像素点的灰度值的均值。
优选的,所述匹配率的表达式为:
其中为PCB板边缘归一化图像的匹配率;为自然常数;为PCB板边缘归一化图
像中第个元器件的偏移指标;为PCB板边缘归一化图像中元器件的个数;为PCB板
边缘归一化图像中第个边缘点的归一化互相关值;为PCB板边缘归一化图像中边缘点的
个数。
优选的,所述根据匹配率以及第二预设阈值识别PCB板的合格性包括:
当匹配率大于第二预设阈值时,PCB板合格,当匹配了小于等于第二预设阈值时,PCB板质量不合格。
优选的,所述根据限定区域二值图像获取PCB板边缘归一化图像中每个元器件所在的区域包括:
将限定区域二值图像作为PCB板边缘归一化图像的遮罩,获取限定区域二值图像中每个连通域在PCB板边缘归一化图像中对应的区域,作为每个元器件所在的区域。
本发明的有益效果是:采集PCB板图像以及模板图像,获取限定区域二值图像,获取PCB板图像限定区域像素点的梯度幅值,进一步筛选得到边缘点,获取PCB板图像与模板图像中每个边缘点的归一化值,得到PCB板边缘归一化图像与模板边缘归一化图像,进一步得到PCB板边缘归一化图像中每个边缘点的归一化互相关值。获取PCB板边缘归一化图像与模板边缘归一化图像中每个元器件的特征向量,计算PCB板边缘归一化图像中每个元器件的偏移指标,结合归一化互相关值与中所有元器件的偏移指标获取匹配率,进行PCB板合格性识别。本发明通过获取PCB板图像限定区域像素点的梯度幅值筛选得到边缘点,排除了PCB背景板的干扰,同时计算量小。通过获取PCB板图像与模板图像中每个边缘点的归一化值排除了光照的影响。相较于现有的模板匹配方法仅考虑了像素点之间的差异外,本发明还考虑到了PCB板上每个元器件的偏移程度,通过归一化互相关值与每个元器件的偏移程度,使得对PCB板的合格性识别结果更加准确。
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为本发明的用于PCB板智能焊接的异常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用于PCB板智能焊接的异常缺陷检测方法,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用于PCB板智能焊接的异常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用于PCB板智能焊接的异常缺陷检测方法的步骤流程图,该方法包括以下步骤:
101.采集PCB板图像以及模板图像,获取限定区域二值图像。
需要说明的是,在PCB板的板面,可能会出现元器件位置偏移使得元器件焊接不紧或元器件错误使用的情况,导致产品的功能不能实现,影响产品的正常销售使用。此类PCB板为不合格的PCB板。本发明实施例对PCB板上的元器件进行检测,由于元器件较小,上面的功能信息特别的小,为了能够识别到元器件表面的信息,需要采用分区采集板面的图像。
在本实施例中,将PCB板分为若干个等大的区域,使用工业相机采集每个区域的灰度图像,将每个区域的灰度图像按照顺序拼接合成一副完整的PCB板图像。
同理,预先选择一个不存在缺陷的PCB板作为模板,将模板分为若干个等大的区域,使用工业相机采集每个区域的灰度图像,将每个区域的灰度图像按照顺序拼接合成一副完整的模板图像。
需要说明的是,对PCB板进行检测时,为了消除PCB板背景对元器件检测的影响,假如采用传统的阈值分割算法,会分割出PCB板上的所有器件的轮廓,然后再进行元器件的筛选,会增大计算量。可根据模板图像获取固定的限定区域二值图像,后续根据限定区域二值图像排除每个PCB板图像中背景的影响,减少计算量。
在本实施例中,对模板图像进行阈值分割得到二值图像。二值图像中包含多个连通域每个连通域即为模板上每个元器件所在的区域,考虑到待检测合格性的PCB板上的元器件可能存在偏移,因此需要将二值图像中的每个连通域扩大。在本实施例中,对二值图像进行形态学膨胀操作,实现二值图像中的每个连通域扩大。将形态学膨胀后的二值图像作为限定区域二值图像。
需要说明的是,对同一个生产批次的PCB板采用同一个模板图像,以及同一个限定区域二值图像进行后续合格性识别。
102.对PCB板图像以及模板图像分别进行边缘特征提取操作。
对PCB板图像进行边缘特征提取操作:
首先将限定区域二值图像作为PCB板图像的遮罩,将遮罩与PCB板图像相乘,将得
到的结果中灰度值不为0的像素点作为限定检测区域的像素点,所有灰度值不为0的像素点
构成PCB板图像的限定检测区域。利用sobel算子获取PCB板图像的限定检测区域中每个像
素点的梯度幅值,将梯度幅值大于第一预设阈值的像素点作为边缘点。
需要说明的是,为检测PCB板的合格性,需要对PCB板图像与模板图像进行匹配,图像匹配是对比模板图像和待匹配图像中包含的灰度均值和方差值、目标边缘、目标轮廓以及目标的纹理等特征,判断模板图像的特征信息与待匹配图像的特征信息的相似度,从待匹配图像中寻找与模板图像相似的区域。由于外部光照和噪声的影响可能会导致PCB板图像的像素点亮度分布不均。本发明实施例基于PCB板图像的边缘点与模板图像进行匹配,为减少像素点亮度分布不均对图像匹配造成的影响,需对PCB板图像中的边缘点进行归一化,使用PCB板图像中边缘点归一化后的像素值作为图像匹配的特征信息。
在本实施例中,首先获取PCB板图像中的边缘点中最大的灰度值与最小的灰度值,根据最大的灰度值与最小的灰度值设置归一化上限值与归一化下限值,具体如下:
同理,获取PCB板图像中所有边缘点的归一化值。将PCB板图像中所有边缘点的灰度值设置为该边缘点的归一化值,将其余像素点的灰度值设置为0,得到PCB板边缘归一化图像。
需要说明的是,PCB板上可能存在元器件位置偏移的情况,为对此情况进行识别,需要获取PCB板边缘归一化图像中每个元器件的质心以及标准差。
在本实施例中,PCB板边缘归一化图像中每个元器件的质心获取方法如下:
将限定区域二值图像作为PCB板边缘归一化图像的遮罩,限定区域二值图像中每
个连通域在PCB板边缘归一化图像中对应的区域为一个元器件所在的区域。获取每个元器
件所在的区域,计算每个元器件的质心,如PCB板边缘归一化图像中第个元器件的质心为:
其中为PCB板边缘归一化图像中第个元器件的质心横坐标,为PCB板边缘
归一化图像中第个元器件的质心纵坐标;为PCB板边缘归一化图像中第个元器件
所在的区域的第个像素点的灰度值;为PCB板边缘归一化图像中第个元器件所在
的区域的第个像素点的横坐标值;为PCB板边缘归一化图像中第个元器件所在的
区域的第个像素点的纵坐标值;为PCB板边缘归一化图像中第个元器件所在区域
包含的像素点个数。
其中为PCB板边缘归一化图像中第个元器件的标准差;为PCB板边缘归
一化图像中中第个元器件的第个像素点的灰度值;为PCB板边缘归一化图像中第个元器件所在区域包含的像素点个数;为PCB板边缘归一化图像中第个元器件所在区
域所有像素点的灰度值均值,具体如下:
至此,完成了PCB板图像进行边缘特征提取操作,获取了PCB板边缘归一化图像以及PCB板边缘归一化图像中每个元器件的特征向量。
同理,对模板图像进行边缘特征提取操作,获取模板边缘归一化图像以及模板边缘归一化图像中每个元器件的特征向量。
103.获取PCB板图像的匹配率。
其中为PCB板边缘归一化图像边缘点的归一化互相关值;
为模板边缘归一化图像中像素点的像素值;为PCB板边缘归一化
图像中像素点的灰度值;为模板边缘归一化图像中像素点的局部范
围内所有像素点的灰度值的均值;为PCB板边缘归一化图像中边缘点的局部范围
内所有像素点的灰度值的均值;可认为模板边缘归一化图像中像素点的局部范围为横
坐标,纵坐标范围之间的范围,PCB板边缘归一化图像中边缘
点的局部范围为横坐标,纵坐标范围之间的范围,因此
将的下限设置为-10,上限设置为10,的下限设置为-10,上限设置为10;当模板边缘归一
化图像中像素点不存在时,将的值设为0;当PCB板边缘归一化图
像中像素点存在时,将的值设为0;其中和表达式
为:
归一化互相关值的取值范围是,归一化互相关值越接近 ,表示在PCB板边
缘归一化图像中边缘点所对应的区域与模板图像越相似,当时,表示PCB板边缘
归一化图像中边缘点所在区域与模板图像毫无相关性;当时,表示PCB板边
缘归一化图像中边缘点所在区域与模板图像中所在区域特征一致。
其中为PCB板边缘归一化图像中第个元器件的偏移指标;为PCB板
边缘归一化图像中第个元器件的特征向量;为模板边缘归一化图像中第
个元器件的特征向量。若PCB板边缘归一化图像中第个元器件与和模板边缘归一化图像
中第个元器件完全相同,则PCB板边缘归一化图像中第个元器件的偏移指标等于0,
PCB板边缘归一化图像中第个元器件的偏移指标越大,说明PCB板边缘归一化图像中
第个元器件与和模板边缘归一化图像中第个元器件的匹配度越低,反之,PCB板边缘归
一化图像中第个元器件与和模板边缘归一化图像中第个元器件的匹配度越高,故可以
利用PCB板边缘归一化图像中所有元器件的偏移指标来定量描述两幅图像间的相似性。
结合PCB板边缘归一化图像中所有边缘点的归一化互相关值以及PCB板边缘归一化图像中所有元器件的偏移指标获取匹配率:
其中为PCB板边缘归一化图像的匹配率;为自然常数;为PCB板边缘归一化图
像中第个元器件的偏移指标;为PCB板边缘归一化图像中元器件的个数;为PCB板
边缘归一化图像中第个边缘点的归一化互相关值;为PCB板边缘归一化图像中边缘点的
个数;表示PCB板边缘归一化图像中所有边缘点的平均归一化互相关值;若PCB板边
缘归一化图像中每个元器件的偏移指标越小,且平均归一化互相关值越趋近于,说明PCB
板边缘归一化图像和模板边缘归一化图像越相似,此时匹配率越大,PCB板上元器件与模板
上元器件的重合程度越高,PCB板上存在缺陷的可能程度越低;若PCB板边缘归一化图像中
存在元器件的的偏移指标越大,或平均归一化互相关值越趋近于,说明PCB板边缘归一化
图像和模板边缘归一化图像越不相似,此时匹配率越小,PCB板上元器件与模板上元器件的
重合程度越低,PCB板上存在缺陷的可能程度越大。
104.进行PCB板合格性识别。
根据匹配率,进行PCB板合格性识别:
当匹配率大于第二预设阈值时,则表示PCB板上元器件与模板上元器件是基本
重合的,此时PCB板质量合格;反之,当匹配率小于等于第二预设阈值时,则表示PCB板上
元器件与模板上元器件是不重合的,此时PCB板质量不合格。
通过以上步骤,完成了PCB板智能焊接的异常缺陷检测。
本发明实施例通过采集PCB板图像以及模板图像,获取限定区域二值图像,获取PCB板图像限定区域像素点的梯度幅值,进一步筛选得到边缘点,获取PCB板图像与模板图像中每个边缘点的归一化值,得到PCB板边缘归一化图像与模板边缘归一化图像,进一步得到PCB板边缘归一化图像中每个边缘点的归一化互相关值。获取PCB板边缘归一化图像与模板边缘归一化图像中每个元器件的特征向量,计算PCB板边缘归一化图像中每个元器件的偏移指标,结合归一化互相关值与偏移指标获取匹配率,进行PCB板合格性识别。本发明通过获取PCB板图像限定区域像素点的梯度幅值筛选得到边缘点,排除了PCB背景板的干扰,同时计算量小。通过获取PCB板图像与模板图像中每个边缘点的归一化值排除了光照的影响。相较于现有的模板匹配方法仅考虑了像素点之间的差异外,本发明还考虑到了PCB板上每个元器件的偏移程度,通过归一化互相关值与每个元器件的偏移程度,使得对PCB板的合格性识别结果更加准确。
以上所述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.用于PCB板智能焊接的异常缺陷检测方法,其特征在于,该方法包括以下步骤:
S1:采集PCB板图像以及模板图像;根据模板图像获取限定区域二值图像;
S2:对PCB板图像进行边缘特征提取操作,获得PCB板边缘归一化图像以及PCB板边缘归一化图像中每个元器件的特征向量,包括:
根据限定区域二值图像获取PCB板图像的限定检测区域,获取限定检测区域中每个像素点的梯度幅值,将梯度幅值大于第一预设阈值的像素点作为边缘点;
获取PCB板图像中所有边缘点的最大灰度值与最小灰度值,根据PCB板图像中所有边缘点的最大灰度值与最小灰度值获取归一化上限值以及归一化下限值;根据归一化上限值、归一化下限值以及PCB板图像中每个边缘点的灰度值,获取PCB板图像中每个边缘点的归一化值;根据PCB板图像中所有边缘点的归一化值得到PCB板边缘归一化图像;
根据限定区域二值图像获取PCB板边缘归一化图像中每个元器件所在的区域,根据每个元器件所在的区域获取每个元器件的质心;计算每个元器件所在的区域内所有像素点的灰度值的标准差作为每个元器件的标准差;将每个元器件的质心与标准差组成的向量作为每个元器件的特征向量;
S3:对模板图像进行边缘特征提取操作,获得模板边缘归一化图像以及模板边缘归一化图像中每个元器件的特征向量;
S4:根据PCB板边缘归一化图像中每个边缘点的灰度值以及模板边缘归一化图像中每个像素点的灰度值,获取PCB板边缘归一化图像中每个边缘点的归一化互相关值;获取PCB板边缘归一化图像中每个元器件的特征向量与模板边缘归一化图像中对应的元器件的特征向量的欧式距离,作为PCB板边缘归一化图像中每个元器件的偏移指标;根据PCB板边缘归一化图像中所有边缘点的归一化互相关值以及PCB板边缘归一化图像中所有元器件的偏移指标获取匹配率,根据匹配率以及第二预设阈值识别PCB板的合格性。
2.根据权利要求1所述的用于PCB板智能焊接的异常缺陷检测方法,其特征在于,所述根据模板图像获取限定区域二值图像包括:
对模板图像进行阈值分割得到二值图像,对二值图像进行形态学膨胀操作得到限定区域二值图像。
3.根据权利要求1所述的用于PCB板智能焊接的异常缺陷检测方法,其特征在于,所述根据限定区域二值图像获取PCB板图像的限定检测区域包括:
将限定区域二值图像作为PCB板图像的遮罩,将所述遮罩与PCB板图像相乘,得到的结果中灰度值不为0的像素点为限定检测区域的像素点,所有灰度值不为0的像素点构成PCB板图像的限定检测区域。
4.根据权利要求1所述的用于PCB板智能焊接的异常缺陷检测方法,其特征在于,所述根据PCB板图像中所有边缘点的最大灰度值与最小灰度值获取归一化上限值以及归一化下限值包括:
将归一化上限值设为1;将PCB板图像中所有边缘点的最小灰度值与最大灰度值的比值作为归一化下限值。
6.根据权利要求1所述的用于PCB板智能焊接的异常缺陷检测方法,其特征在于,所述根据PCB板图像中所有边缘点的归一化值得到PCB板边缘归一化图像包括:
将PCB板图像中所有边缘点的灰度值设置为所述边缘点的归一化值,将其余像素点的灰度值设置为0,得到PCB板边缘归一化图像。
9.根据权利要求1所述的用于PCB板智能焊接的异常缺陷检测方法,其特征在于,所述根据匹配率以及第二预设阈值识别PCB板的合格性包括:
当匹配率大于第二预设阈值时,PCB板合格,当匹配了小于等于第二预设阈值时,PCB板质量不合格。
10.根据权利要求1所述的用于PCB板智能焊接的异常缺陷检测方法,其特征在于,所述根据限定区域二值图像获取PCB板边缘归一化图像中每个元器件所在的区域包括:
将限定区域二值图像作为PCB板边缘归一化图像的遮罩,获取限定区域二值图像中每个连通域在PCB板边缘归一化图像中对应的区域,作为每个元器件所在的区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211276411.4A CN115359047A (zh) | 2022-10-19 | 2022-10-19 | 用于pcb板智能焊接的异常缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211276411.4A CN115359047A (zh) | 2022-10-19 | 2022-10-19 | 用于pcb板智能焊接的异常缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115359047A true CN115359047A (zh) | 2022-11-18 |
Family
ID=84008606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211276411.4A Pending CN115359047A (zh) | 2022-10-19 | 2022-10-19 | 用于pcb板智能焊接的异常缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115359047A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578383A (zh) * | 2022-11-23 | 2023-01-06 | 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 |
CN116452586A (zh) * | 2023-06-15 | 2023-07-18 | 山东飞宏工程机械有限公司 | 一种隧道小导管余料自动对焊质量检测系统 |
CN117876367A (zh) * | 2024-03-11 | 2024-04-12 | 惠州威尔高电子有限公司 | 一种用于电路板印刷的曝光优化方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060291742A1 (en) * | 2005-06-27 | 2006-12-28 | Nuctech Company Limited And Tsinghua University | Method and apparatus for enhancing image acquired by radiographic system |
CN102938077A (zh) * | 2012-10-25 | 2013-02-20 | 渭南师范学院 | 基于双阈值二值化的在线式aoi图像检索方法 |
CN108520514A (zh) * | 2018-04-04 | 2018-09-11 | 国网上海市电力公司 | 基于计算机视觉的印刷电路板电子元器一致性检测方法 |
CN109839385A (zh) * | 2019-03-04 | 2019-06-04 | 佛山市南海区广工大数控装备协同创新研究院 | 一种自适应的pcb板缺陷视觉定位检测及分类系统 |
CN111145175A (zh) * | 2020-01-10 | 2020-05-12 | 惠州光弘科技股份有限公司 | 一种基于iForest模型验证的SMT焊点缺陷检测方法 |
US20210398311A1 (en) * | 2019-08-28 | 2021-12-23 | Kunshan Go-Visionox Opto-Electronics Co., Ltd | Positioning method and device, and storage medium |
CN114565612A (zh) * | 2022-04-29 | 2022-05-31 | 惠州威尔高电子有限公司 | 一种基于图像对比的pcb板u型槽加工异常检测方法 |
CN115082464A (zh) * | 2022-08-22 | 2022-09-20 | 南通翡利达液压科技有限公司 | 除尘机焊接过程中焊缝数据的识别方法及系统 |
-
2022
- 2022-10-19 CN CN202211276411.4A patent/CN115359047A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060291742A1 (en) * | 2005-06-27 | 2006-12-28 | Nuctech Company Limited And Tsinghua University | Method and apparatus for enhancing image acquired by radiographic system |
CN102938077A (zh) * | 2012-10-25 | 2013-02-20 | 渭南师范学院 | 基于双阈值二值化的在线式aoi图像检索方法 |
CN108520514A (zh) * | 2018-04-04 | 2018-09-11 | 国网上海市电力公司 | 基于计算机视觉的印刷电路板电子元器一致性检测方法 |
CN109839385A (zh) * | 2019-03-04 | 2019-06-04 | 佛山市南海区广工大数控装备协同创新研究院 | 一种自适应的pcb板缺陷视觉定位检测及分类系统 |
US20210398311A1 (en) * | 2019-08-28 | 2021-12-23 | Kunshan Go-Visionox Opto-Electronics Co., Ltd | Positioning method and device, and storage medium |
CN111145175A (zh) * | 2020-01-10 | 2020-05-12 | 惠州光弘科技股份有限公司 | 一种基于iForest模型验证的SMT焊点缺陷检测方法 |
CN114565612A (zh) * | 2022-04-29 | 2022-05-31 | 惠州威尔高电子有限公司 | 一种基于图像对比的pcb板u型槽加工异常检测方法 |
CN115082464A (zh) * | 2022-08-22 | 2022-09-20 | 南通翡利达液压科技有限公司 | 除尘机焊接过程中焊缝数据的识别方法及系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578383A (zh) * | 2022-11-23 | 2023-01-06 | 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 |
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 |
CN116452586A (zh) * | 2023-06-15 | 2023-07-18 | 山东飞宏工程机械有限公司 | 一种隧道小导管余料自动对焊质量检测系统 |
CN116452586B (zh) * | 2023-06-15 | 2023-09-26 | 山东飞宏工程机械有限公司 | 一种隧道小导管余料自动对焊质量检测系统 |
CN117876367A (zh) * | 2024-03-11 | 2024-04-12 | 惠州威尔高电子有限公司 | 一种用于电路板印刷的曝光优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115359047A (zh) | 用于pcb板智能焊接的异常缺陷检测方法 | |
CN109785316B (zh) | 一种芯片表观缺陷检测方法 | |
CN105894036B (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
CN107705297B (zh) | 一种柔性电路板圆孔的阈值分割检测方法 | |
CN106501272B (zh) | 机器视觉焊锡定位检测系统 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN115170567B (zh) | 一种船舶用的防水钢板缺陷检测方法 | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN115294114A (zh) | 一种基于ecu电路焊接的质量检测方法 | |
CN115100191A (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
CN112669295A (zh) | 一种基于二次阈值分割理论的锂电池极片缺陷检测方法 | |
CN115841488B (zh) | 一种基于计算机视觉的pcb板的检孔方法 | |
CN112419260A (zh) | 一种pcb文字区域缺陷检测方法 | |
CN115775246A (zh) | 一种pcb元器件缺陷检测的方法 | |
CN115239626A (zh) | 缺陷检测方法、光学检测设备、电子设备以及存储介质 | |
Zeng et al. | Automated extraction of PCB components based on specularity using layered illumination | |
CN116452589B (zh) | 基于图像处理的人造板表面缺陷智能检测方法 | |
CN116152234B (zh) | 基于图像处理的模板端面缺陷识别方法 | |
CN116337869A (zh) | 一种基于机器视觉的双面线路板生产用检测系统 | |
CN107122783B (zh) | 一种基于角点检测的装配连接件快速识别方法 | |
CN114913071A (zh) | 集成亮度区域信息的特征点匹配的水下图像拼接方法 | |
CN114742823A (zh) | 一种物体表面划痕智能检测方法 | |
CN111832565B (zh) | 一种基于决策树的数码管识别方法 | |
CN114720473A (zh) | 基于机器视觉的车载屏幕背板的缺陷检测方法 | |
CN110349129A (zh) | 一种高密度柔性ic基板外观缺陷检测方法 |
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 |