CN115578383A - 基于全景图像的厚铜pcb板检测方法 - Google Patents
基于全景图像的厚铜pcb板检测方法 Download PDFInfo
- Publication number
- CN115578383A CN115578383A CN202211477198.3A CN202211477198A CN115578383A CN 115578383 A CN115578383 A CN 115578383A CN 202211477198 A CN202211477198 A CN 202211477198A CN 115578383 A CN115578383 A CN 115578383A
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- pixel point
- acquiring
- thick copper
- 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.)
- Granted
Links
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 59
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 59
- 239000010949 copper Substances 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims description 18
- 239000000126 substance Substances 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010959 steel 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
- G06T2207/20076—Probabilistic 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及图像识别技术领域,具体涉及一种基于全景图像的厚铜PCB板检测方法。该方法包括:获取厚铜PCB板的多个局部图像,识别局部图像中每个像素点所处的目标区域;在目标区域为非边缘区域时,获取像素点的平坦度,并基于平坦度获取像素点的角点概率;在目标区域为边缘区域时,获取像素点所处位置的轮廓直线度,并基于轮廓直线度获取像素点的角点概率;根据角点概率确定局部图像中的角点;根据角点将多个局部图像进行图像拼接处理,得到厚铜PCB板的全景图像,并利用全景图像对厚铜PCB板进行检测。本申请能够降低对厚铜PCB板图像进行角点检测时的计算量,从而能够提高角点检测的效率,进而能够提高厚铜PCB板图像的检测效率。
Description
技术领域
本申请涉及图像识别技术领域,具体涉及一种基于全景图像的厚铜PCB板检测方法。
背景技术
在对厚铜PCB板检测时,往往需要高分辨率的图像来达到检测的精度要求,在相机的分辨率达不到要求时,通常需要调整相机的焦距,获取厚铜PCB板的多个局部高分辨率图像,在将多个局部高分辨率图像拼接成厚铜PCB板的高分辨率全景图像,以通过高分辨率全景图像对厚铜PCB板进行检测。
现有技术中,直接对厚铜PCB板的多个局部高分辨率图像进行角点检测和角点匹配,然后根据匹配后的角点对将多个局部高分辨率图像拼接成厚铜PCB板的高分辨率全景图像,由于厚铜PCB板图像中的角点较多,该方案在角点检测时需要对每个位置都进行各方向的滑窗来检测角点,计算量较大,检测效率较低,从而导致厚铜PCB板的检测效率较低。
发明内容
为了解决上述技术问题,本申请的目的在于提供一种基于全景图像的厚铜PCB板检测方法,所采用的技术方案具体如下:
本申请提出了一种基于全景图像的厚铜PCB板检测方法,所述方法包括:
获取所述厚铜PCB板的多个局部图像,所述局部图像包括非边缘区域和边缘区域;
识别所述局部图像中每个像素点所处的目标区域;
在所述目标区域为所述非边缘区域时,将所述局部图像转换成灰度图像,并对所述灰度图像进行低通滤波处理,得到所述局部图像的低通滤波图像;获取所述灰度图像中所述像素点的第一灰度值和所述低通滤波图像中所述像素点的第二灰度值;基于所述第一灰度值和所述第二灰度值,获取所述像素点的像素低频度;
获取所述低通滤波器的半径,根据所述像素低频度和所述半径,获取所述像素点的平坦度,并基于所述平坦度,获取所述像素点的角点概率;
在所述目标区域为所述边缘区域时,获取所述像素点所处位置的轮廓直线度,并基于所述轮廓直线度,获取所述像素点的角点概率;
基于所述角点概率检测所述局部图像中的角点,并根据所述角点将所述多个局部图像进行图像拼接处理,得到所述厚铜PCB板的全景图像,利用所述全景图像对所述厚铜PCB板进行检测,生成检测结果。
在一些实施例中,所述根据所述像素低频度和所述半径,获取所述像素点的平坦度,包括:
根据平坦度公式获取所述平坦度,其中,所述平坦度公式包括:
其中, 为局部图像中的非边缘区域内第i行第j列的像素点的平坦度,k为低通滤波器的数量, 为第k个低通滤波器的半径,R为局部图像的内接圆的半径, 为第k个低通滤波器进行低通滤波处理得到的低通滤波器图像中第i行第j列的像素点的像素低频度,k、i和j均为正整数。
在一些实施例中,所述获取所述像素点所处位置的轮廓直线度,包括:
获取所述像素点和所述像素点的相邻像素点的位置信息;
基于所述位置信息,确定所述像素点的第一方向,其中,所述第一方向为所述像素点指向所述相邻像素点的方向;
确定所述第一方向的反方向为第二方向;
获取所述边缘区域内所述第一方向和所述第二方向上的像素点数量;
基于所述像素点数量,获取所述像素点所处位置的所述轮廓直线度。
在一些实施例中,所述基于所述像素点数量,获取所述像素点所处位置的所述轮廓直线度,包括:
根据轮廓直线度公式获取所述轮廓直线度,其中,所述轮廓直线度公式包括:
在一些实施例中,所述基于所述角点概率检测所述局部图像中的角点,包括:
对所述局部图像中所述角点概率大于或等于设定角点概率阈值的像素点进行角点检测,得到所述局部图像的角点。
在一些实施例中,所述利用所述全景图像对所述厚铜PCB板进行检测,生成检测结果,包括:
获取所述厚铜PCB板的模板图像,将所述模板图像与所述全景图像进行匹配,生成匹配结果作为所述检测结果。
本申请具有如下有益效果:
本申请实施例中,通过获取厚铜PCB板的局部图像中每个像素点的角点概率,能够在进行角点检测的过程中,仅需要检测角点概率较大的像素点,而无需对局部图像中的每个像素点进行角点检测,由此,节省了计算量,提高了角点检测效率,进而提高了厚铜PCB板的检测效率。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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为本申请一个实施例所提供的一种基于全景图像的厚铜PCB板检测方法的流程示意图;
图2为厚铜PCB板的拍摄轨迹的示意图;
图3为厚铜PCB板的局部图像的示意图;
图4为图像频谱的示意图;
图5为局部图像的过滤图像的示意图;
图6为局部图像的低通滤波图像的示意图;
图7为低通滤波器的半径的示意图;
图8为8邻域编码的示意图;
图9为链码的示意图;
图10为角点匹配的示意图;
图11为厚铜PCB板的全景图像的示意图。
具体实施方式
为了更进一步阐述本申请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,对依据本申请提出的一种基于全景图像的厚铜PCB板检测方法,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,一个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申请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申请所提供的一种基于全景图像的厚铜PCB板检测方法的具体方案。
图1为本申请实施例所提供的一种基于全景图像的厚铜PCB板检测方法的流程示意图。如图1所示,该方法包括以下步骤:
S101,获取厚铜PCB板的多个局部图像,局部图像包括非边缘区域和边缘区域。
在对采集厚铜PCB板进行图像采集时,如果通过相机拍摄厚铜PCB板的全景图像,该全景图像的分辨率可能无法满足实际检测场景中的高分辨率要求,此时,可以调整相机的焦距,对厚铜PCB板的多个局部进行拍摄,以得到满足高分辨率要求的多个局部图像,该多个局部图像可以拼接成满足高分辨率要求的厚铜PCB板的全景图像。可选地,相机可以为工业电荷耦合器件(Charge Coupled Device,CCD)相机。
本申请实施例中,可以将厚铜PCB板划分成多个区域,然后控制相机对厚铜PCB板的每个区域进行拍摄,得到多个局部图像。
示例性的,参见图2,将厚铜PCB板划分成5×3的网格区域,然后控制相机按照设定拍摄顺序依次对每个网格区域进行拍摄,得到多个局部图像,例如,可以先从左到右依次对第一行的网格区域进行拍摄,在第一行的网格区域完成后,然后从右到左依次对第二行的网格区域进行拍摄,如此循环往复,直至对所有的网格区域拍摄完成。其中,相机的对焦位置可以为网络区域的中心位置。应说明的是,相机的拍摄区域应大于网格区域,以保证拍摄的局部图像能够进行图像拼接处理。
本申请实施例中的边缘区域为局部图像中的目标对象的轮廓所在的像素点区域,其中,目标对象包括但不限于厚铜PCB板上的各类元器件、铜孔、线路等。
其中,非边缘区域可以为局部图像中的平坦区域,非边缘区域内的像素点的灰度值变化缓慢,该非边缘区域在图像频谱中表现为低频区域。
S102,识别局部图像中每个像素点所处的目标区域。
一些实施例中,可以采用边缘检测算法对局部图像进行边缘检测,得到局部图像中的边缘区域,例如,可以利用Roberts算子、Prewitt算子、Sobel算子、Canny算子等边缘检测算子提取局部图像中目标对象的轮廓,并将目标对象的轮廓所在的像素点区域作为边缘区域。
在识别局部图像中的边缘区域之后,可以将局部图像中的边缘区域之外的区域作为非边缘区域。
在识别局部图像中的边缘区域和非边缘区域之后,可以获取每个像素点的位置信息,根据位置信息确定像素点所处的目标区域。
S103,在目标区域为非边缘区域时,将局部图像转换成灰度图像,并对灰度图像进行低通滤波处理,得到局部图像的低通滤波图像,获取灰度图像中像素点的第一灰度值和低通滤波图像中像素点的第二灰度值,基于第一灰度值和第二灰度值,获取像素点的像素低频度。
其中,像素低频度用于反映灰度值的变化快慢。
一些实施例中,在将局部图像转换成灰度图像之后,可以对灰度图像进行二维离散傅里叶变换处理,得到局部图像的图像频谱,然后通过低通滤波器滤除图像频谱中的高频频谱,在过滤完成后得到过滤图像,最后对过滤图像进行反傅里叶变换处理,以恢复图像中的低频信息,得到低通滤波图像。
可选地,在获取灰度图像中像素点的第一灰度值和低通滤波图像中像素点的第二灰度值之后,可以通过下述公式,计算局部图像中的非边缘区域内每个像素点的像素低频度。
示例性的,可以对如图3所示的灰度图像进行二维离散傅里叶变换处理,得到如图4所示的图像频谱,然后通过低通滤波器过滤图像频谱中的高频信息,在过滤完之后,得到如图5所示的过滤图像,然后对过滤图像进行反傅里叶变换处理以恢复过滤图像的低频信息,得到如图6所示的低通滤波图像,其中,图6中的区域越白,表明该区域越平坦,相应地,该区域的平坦度越大。
本申请实施例中,考虑了滤波前后的两个图像,根据滤波前后的两个图像中的非边缘区域内相同位置的像素点的灰度值差值,确定该位置像素点的像素低频度,保证了像素低频度的准确性。
S104,获取低通滤波器的半径,根据像素低频度和半径,获取像素点的平坦度,并基于平坦度,获取像素点的角点概率。
本申请实施例中,为了提高平坦度的准确度,可以构建多个低通滤波器,对局部图像进行不同程度的滤波处理,以在不同的滤波条件下,获取局部图像中的非边缘区域内每个像素点的平坦度。
一些实施例中,根据平坦度公式获取平坦度,其中,平坦度公式包括:
其中, 为局部图像中的非边缘区域内第i行第j列的像素点的平坦度,K为低通滤波器的数量, 为第k个低通滤波器的半径,R为局部图像的内接圆的半径, 为第k个低通滤波器进行低通滤波处理得到的低通滤波器图像中第i行第j列的像素点的像素低频度,k、i和j均为正整数。
示例性的,参见图7,可以根据局部图像的尺寸确定局部图像的内接圆,其中,内接圆的半径可以为局部图像的宽度的 ,若低通滤波器的数量K=3,则可以按照设定比例,依次确定该内接圆的第一同心圆和第二同心圆,例如,第一同心圆的半径可以为内接圆的半径的 ,第二同心圆的半径可以为内接圆的半径的 。
进一步地,可以分别将内接圆、第一同心圆和第二同心圆的半径作为滤波器的半径构建三个不同的低通滤波器。
其中,低通滤波器的公式为:
本申请实施例中,通过不同低通滤波器处理前后像素点的灰度值变化快慢来获取像素点的平坦度,能够降低不同滤波条件造成的误差,提高了平坦度准确性,为角点概率的计算提供了可靠依据。
本申请实施例中,在获取非边缘区域内像素点的平坦度之后,可以基于该平坦度,获取该像素点的角点概率。
其中,角点概率为像素点为角点的概率。
像素点的平坦度越大,该像素点为角点的概率越小,即角点概率越小,像素点的平坦度越小,该像素点为角点的概率越大,即角点概率越大,因此,像素点的平坦度与角点概率呈负相关关系。
一些实施例中,可以通过下述公式获取局部图像中的非边缘区域内每个像素点为角点的角点概率。
S105,在目标区域为边缘区域时,获取像素点所处位置的轮廓直线度,并基于轮廓直线度,获取像素点的角点概率。
本申请实施例中,获取像素点所处位置的轮廓直线度,包括以下步骤:
S201,获取像素点和像素点的相邻像素点的位置信息。
其中,位置信息可以为坐标信息。
需要说明的是,本申请实施例中的相邻像素点为边缘区域内像素点的相邻像素点。
S202,基于位置信息,确定像素点的第一方向,其中,第一方向为像素点指向相邻像素点的方向。
可选地,第一方向包括上方向、下方向、左方向、右方向、左上方向、右上方向、左下方向和右下方向。
举例而言,若相邻像素点位于该像素点的上方,则第一方向为上方向,若相邻像素点为该像素点的右方,则第一方向为右方向。
S203,确定第一方向的反方向为第二方向。
S204,获取边缘区域内第一方向和第二方向上的像素点数量。
针对边缘区域内的每个像素点,该像素点的第一方向和第二方向上的所有像素点位于同一条直线上,该直线上的像素点越多,可以认为该像素点所处位置的轮廓直线度越大,因此,需要获取边缘区域内该像素点的第一方向和第二方向上的像素点数量,以获取该像素点所处位置的轮廓直线度。
S205,基于像素点数量,获取像素点所处位置的轮廓直线度。
可选地,根据轮廓直线度公式获取轮廓直线度,其中,轮廓直线度公式包括:
需要说明的是,像素点数量阈值可以根据实际需求进行设定,此处不做任何限定,可选地,XK=8。
本申请实施例中,边缘区域内直线上的像素点越多,该直线上的像素点的角点越少,即该直线上存在角点的概率越小,由此,通过考虑像素点所在直线上像素点的数量来获取像素点所处位置的轮廓直线度,保证了像素点所处位置的轮廓直线度的准确性,为角点概率的计算提高了可靠依据。
作为一种可能的实现方式,可以根据边缘区域内每个像素点的第一方向和8邻域编码,确定边缘区域内每个像素点的链码,得到的边缘区域内每个像素点的链码,然后可以以任一像素点为起始点,并按照顺时针方向或逆时针方向将每个像素点的链码进行排列,得到链码序列,然后计算相邻链码之间链码差值,得到链码差值序列。如果差值序列中的链码差值为0,则表明对应的两个像素点所处位置的轮廓方向一致,由此,可以根据差值序列中的数值为0的链码差值判断对应像素点所处位置的轮廓方向是否一致,以确定所处位置的轮廓方向一致的像素点,可以认为所处位置的轮廓方向一致的像素点处于同一条直线上,然后根据可以该直线上像素点的数量和每个像素点的位置,获取每个像素点所处位置的轮廓直线度。
示例性的,图8所示的8邻域编码中的每个编码代表一个方向,其中,编码0代表右方向,编码1代表右上方向,编码2代表上方向,编码3代表左上方向,编码4代表左方向,编码5代表左下方向,编码6代表下方向,编码7代表右下方向。假设根据8邻域编码得到图9所示的链码,则可以得到链码序列[1,0,1,7,6,6,6,6,5,5,3,3,2,2,2],相应地,可以得到链码差值序列[-1,1,6,-1,0,0,0,-1,0,-2,0,-1,0,0]。
本申请实施例中,在获取像素点所处位置的轮廓直线度之后,基于该轮廓直线度,获取像素点的角点概率。
像素点所处位置的轮廓直线度越大,该像素点为角点的概率越小,即角点概率越小,像素点所处位置的轮廓直线度越小,该像素点为角点的概率越大,即角点概率越大,因此,轮廓直线度与角点概率呈负相关关系。
一些实施例中,可以通过下述公式计算像素点的角点概率:
S106,基于角点概率检测局部图像中的角点,并根据角点将多个局部图像进行图像拼接处理,得到厚铜PCB板的全景图像,利用全景图像对厚铜PCB板进行检测,生成检测结果。
可选地,对局部图像中角点概率大于或等于设定角点概率阈值的像素点进行角点检测,得到局部图像的角点。
需要说明的是,设定角点概率阈值可以根据实际需求进行设定,此处不做任何限定,可选地,设定角点概率阈值可以为0.8。
在获取局部图像中每个像素点的角点概率后,判断该像素点的角点概率是否大于或等于设定角点概率阈值,若是,则对该像素点进行角点检测,若否,则不对该像素点进行检测。
一些实施例中,可以采用Harris角点检测方法对局部图像中角点概率大于或等于设定角点概率阈值的像素点进行角点检测。
进一步地,可以通过快速最近邻搜索包(Fast Library for ApproximateNearest Neighbors,FLANN)算法对多个局部图像的角点进行角点匹配,得到匹配成功的角点对。在得到匹配成功的角点对之后,可以根据角点对的位置关系,获取变换矩阵,根据变换矩阵对多个局部像素点的坐标位置进行转换,以此实现多个局部图像进行图像拼接处理,得到厚铜PCB板的全景图像。
示例性的,假设厚铜PCB板的局部图像为图10所示的两个局部图像,则可以分别对图10中的两个局部图像中角点概率大于或等于设定角点概率阈值的像素点进行角点检测,并对检测到的角点进行角点匹配,得到角点对,然后根据角点对,将图10中的两个局部图像拼接成图11中厚铜PCB板的全景图像。
一些实施例中,在获取厚铜PCB板的全景图像之后,可以获取厚铜PCB板的模板图像,将模板图像与全景图像进行匹配,生成匹配结果,并将该匹配结果作为厚铜PCB板的检测结果,即与模板图像越匹配说明当前PCB板的质量越好。具体图像匹配过程为本领域技术人员熟知的技术手段,在此不做赘述。
综上所述,本申请实施例中,通过获取厚铜PCB板的局部图像中每个像素点的角点概率,能够在进行角点检测的过程中,仅需要检测角点概率较大的像素点,而无需对局部图像中的每个像素点进行角点检测,由此,节省了计算量,提高了角点检测效率,进而提高了厚铜PCB板的检测效率。
需要说明的是:上述本申请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。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (6)
1.一种基于全景图像的厚铜PCB板检测方法,其特征在于,所述方法包括:
获取所述厚铜PCB板的多个局部图像,所述局部图像包括非边缘区域和边缘区域;
识别所述局部图像中每个像素点所处的目标区域;
在所述目标区域为所述非边缘区域时,将所述局部图像转换成灰度图像,并对所述灰度图像进行低通滤波处理,得到所述局部图像的低通滤波图像;获取所述灰度图像中所述像素点的第一灰度值和所述低通滤波图像中所述像素点的第二灰度值;基于所述第一灰度值和所述第二灰度值,获取所述像素点的像素低频度;
获取低通滤波器的半径,根据所述像素低频度和所述半径,获取所述像素点的平坦度,并基于所述平坦度,获取所述像素点的角点概率;
在所述目标区域为所述边缘区域时,获取所述像素点所处位置的轮廓直线度,并基于所述轮廓直线度,获取所述像素点的角点概率;
基于所述角点概率检测所述局部图像中的角点,并根据所述角点将所述多个局部图像进行图像拼接处理,得到所述厚铜PCB板的全景图像,利用所述全景图像对所述厚铜PCB板进行检测,生成检测结果。
3.根据权利要求1所述的方法,其特征在于,所述获取所述像素点所处位置的轮廓直线度,包括:
获取所述像素点和所述像素点的相邻像素点的位置信息;
基于所述位置信息,确定所述像素点的第一方向,其中,所述第一方向为所述像素点指向所述相邻像素点的方向;
确定所述第一方向的反方向为第二方向;
获取所述边缘区域内所述第一方向和所述第二方向上的像素点数量;
基于所述像素点数量,获取所述像素点所处位置的所述轮廓直线度。
5.根据权利要求1所述的方法,其特征在于,所述基于所述角点概率检测所述局部图像中的角点,包括:
对所述局部图像中所述角点概率大于或等于设定角点概率阈值的像素点进行角点检测,得到所述局部图像的角点。
6.根据权利要求1所述的方法,其特征在于,所述利用所述全景图像对所述厚铜PCB板进行检测,生成检测结果,包括:
获取所述厚铜PCB板的模板图像,将所述模板图像与所述全景图像进行匹配,生成匹配结果作为所述检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211477198.3A CN115578383B (zh) | 2022-11-23 | 2022-11-23 | 基于全景图像的厚铜pcb板检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211477198.3A CN115578383B (zh) | 2022-11-23 | 2022-11-23 | 基于全景图像的厚铜pcb板检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115578383A true CN115578383A (zh) | 2023-01-06 |
CN115578383B CN115578383B (zh) | 2023-04-07 |
Family
ID=84590263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211477198.3A Active CN115578383B (zh) | 2022-11-23 | 2022-11-23 | 基于全景图像的厚铜pcb板检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115578383B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557619A (zh) * | 2023-10-20 | 2024-02-13 | 广州明毅智能科技有限公司 | 晶片图像尺寸的确定方法、装置、计算机设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6075880A (en) * | 1994-03-16 | 2000-06-13 | Jenoptik Technologie Gmbh | Method for detection of defects in the inspection of structured surfaces |
US8269830B1 (en) * | 2011-04-14 | 2012-09-18 | Mitutoyo Corporation | Inspecting potentially interfering features in a machine vision system |
CN109285140A (zh) * | 2018-07-27 | 2019-01-29 | 广东工业大学 | 一种印刷电路板图像配准评估方法 |
CN111915634A (zh) * | 2020-08-05 | 2020-11-10 | 武汉伊特森科技有限公司 | 一种基于融合策略的目标物体边缘检测方法与系统 |
EP3923234A1 (en) * | 2020-06-12 | 2021-12-15 | Beijing Xiaomi Pinecone Electronics Co., Ltd. | Training method and device for an image enhancement model, 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 |
CN115272346A (zh) * | 2022-09-30 | 2022-11-01 | 江苏炜盛光电科技有限公司 | 一种基于边缘检测的pcb板生产过程在线检测方法 |
CN115311301A (zh) * | 2022-10-12 | 2022-11-08 | 江苏银生新能源科技有限公司 | 一种pcb板焊点缺陷检测方法 |
CN115359047A (zh) * | 2022-10-19 | 2022-11-18 | 元能微电子科技南通有限公司 | 用于pcb板智能焊接的异常缺陷检测方法 |
-
2022
- 2022-11-23 CN CN202211477198.3A patent/CN115578383B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6075880A (en) * | 1994-03-16 | 2000-06-13 | Jenoptik Technologie Gmbh | Method for detection of defects in the inspection of structured surfaces |
US8269830B1 (en) * | 2011-04-14 | 2012-09-18 | Mitutoyo Corporation | Inspecting potentially interfering features in a machine vision system |
CN109285140A (zh) * | 2018-07-27 | 2019-01-29 | 广东工业大学 | 一种印刷电路板图像配准评估方法 |
EP3923234A1 (en) * | 2020-06-12 | 2021-12-15 | Beijing Xiaomi Pinecone Electronics Co., Ltd. | Training method and device for an image enhancement model, and storage medium |
US20210390340A1 (en) * | 2020-06-12 | 2021-12-16 | Beijing Xiaomi Pinecone Electronics Co., Ltd. | Training Method and Device for an Image Enhancement Model, and Storage Medium |
CN111915634A (zh) * | 2020-08-05 | 2020-11-10 | 武汉伊特森科技有限公司 | 一种基于融合策略的目标物体边缘检测方法与系统 |
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 |
CN115272346A (zh) * | 2022-09-30 | 2022-11-01 | 江苏炜盛光电科技有限公司 | 一种基于边缘检测的pcb板生产过程在线检测方法 |
CN115311301A (zh) * | 2022-10-12 | 2022-11-08 | 江苏银生新能源科技有限公司 | 一种pcb板焊点缺陷检测方法 |
CN115359047A (zh) * | 2022-10-19 | 2022-11-18 | 元能微电子科技南通有限公司 | 用于pcb板智能焊接的异常缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
WANG ZU-JIN ET AL.: "Visual positioning of rectangular lead components based on Harris corners and Zernike moments", 《JOURNAL OF CENTRAL SOUTH UNIVERSITY》 * |
胡涛,等: "基于降采样和改进Shi-Tomasi角点检测算法的PCB图像拼接", 《电子测量技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557619A (zh) * | 2023-10-20 | 2024-02-13 | 广州明毅智能科技有限公司 | 晶片图像尺寸的确定方法、装置、计算机设备及存储介质 |
CN117557619B (zh) * | 2023-10-20 | 2024-06-04 | 广州明毅智能科技有限公司 | 晶片图像尺寸的确定方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115578383B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410207B (zh) | 一种基于ncc特征的无人机巡线图像输电线路检测方法 | |
CN106934803B (zh) | 电子器件表面缺陷的检测方法及装置 | |
US8515162B2 (en) | QR code processing method and apparatus thereof | |
CN106778659B (zh) | 一种车牌识别方法及装置 | |
CN115578383B (zh) | 基于全景图像的厚铜pcb板检测方法 | |
JP2009259036A (ja) | 画像処理装置、画像処理方法、画像処理プログラム、記録媒体、及び画像処理システム | |
CN107092905B (zh) | 一种电力巡检机器人的待识别仪器定位方法 | |
CN116977342B (zh) | 基于图像分割的pcb板线路检测方法 | |
CN111179170A (zh) | 一种显微血细胞图像快速全景拼接方法 | |
CN110222661A (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
CN112330618B (zh) | 图像偏移检测方法、设备及存储介质 | |
CN111257346B (zh) | 基于投影过滤的pcb定位装置及方法 | |
CN110349129B (zh) | 一种高密度柔性ic基板外观缺陷检测方法 | |
CN110896469B (zh) | 用于三摄的解像力测试方法及其应用 | |
CN111833341A (zh) | 确定图像中条纹噪声的方法及装置 | |
US20070280555A1 (en) | Image registration based on concentric image partitions | |
CN112529816B (zh) | 数据处理方法、装置、存储介质及计算机设备 | |
CN114240759A (zh) | 一种车底成像处理方法及装置 | |
Damaryam | A Hough Transform Implementation for Line Detection for a Mobile Robot Self-Navigation System | |
Longbotham et al. | Nondestructive reverse engineering of trace maps in multilayered PCBs | |
CN113362300B (zh) | 训练、检测、聚焦方法及拍摄装置 | |
CN111696161B (zh) | 一种双站相机的外部参数的标定方法及系统 | |
CN112866548A (zh) | 相位差的获取方法和装置、电子设备 | |
CN116309760B (zh) | 谷物的图像对齐方法及谷物检测设备 | |
CN118097569B (zh) | 基于图像融合的安防监控系统 |
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 |