CN115598138B - 基于显著性检测的电源控制电路板瑕疵检测方法及系统 - Google Patents
基于显著性检测的电源控制电路板瑕疵检测方法及系统 Download PDFInfo
- Publication number
- CN115598138B CN115598138B CN202211477177.1A CN202211477177A CN115598138B CN 115598138 B CN115598138 B CN 115598138B CN 202211477177 A CN202211477177 A CN 202211477177A CN 115598138 B CN115598138 B CN 115598138B
- Authority
- CN
- China
- Prior art keywords
- scale
- image
- detected
- determining
- pixel
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
- G01N2021/95638—Inspecting patterns on the surface of objects for PCB's
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及图像数据处理技术领域,具体涉及基于显著性检测的电源控制电路板瑕疵检测方法及系统。该方法通过获取电路板的原始图像,将原始图像划分为区块图像,将区块图像等比例变换为尺度区块图像,并确定在最优尺度下尺度区块图像的图像显著度;预设第一显著度阈值用于确定待测图像,对待测图像进行灰度处理得到待测灰度图像,确定待测灰度图像中像素点的像素点显著度;确定边缘像素点,预设边缘像素点的像素点显著度的第二显著度阈值,根据第二显著度阈值确定统计结果,根据统计结果对电路板瑕疵进行检测。本方案能够对图像细节进行有效检测,保证瑕疵检测的准确性与可靠性,兼顾检测准确度与检测效率,有效提升瑕疵检测的实用性。
Description
技术领域
本公开涉及图像数据处理技术领域,具体涉及一种基于显著性检测的电源控制电路板瑕疵检测方法及系统。
背景技术
电源控制电路板在生产完成后需进行断路检测,电源控制电路板在进行断路缺陷检测时,由于电路板较为精细且对应的断路缺陷较为细小,因此若采集的图像不清晰或者识别的精细度不足会使得电路板的断路缺陷识别过程产生较大的误差。
相关技术中,通常使用图像识别的方式,将待检测的电路板图像与标准图像相对比,这种方式下,由于电路板较为精细,容易将断路缺陷处当作噪点进行处理,导致电路板断路缺陷检测准确度与可靠性较低。
在相关技术中也有使用霍夫直线检测算法进行电路板图像断路缺陷的识别,这种方式下,由于对应的断路缺陷较为细小,参与霍夫直线检测的图像包含无用信息的像素点过多,会造成计算量较大的缺陷,进而使得电路板断路缺陷检测效率不足。
发明内容
为了解决上述技术问题,本公开的目的在于提供一种基于显著性检测的电源控制电路板瑕疵检测方法及系统,所采用的技术方案具体如下:
本公开的一个实施例提出了一种基于显著性检测的电源控制电路板瑕疵检测方法,方法包括:
获取电路板的原始图像,对原始图像进行区块划分,将原始图像划分为不重叠的至少两个区块图像,对区块图像进行图像尺度变换,将区块图像等比例变换为至少两种不同尺度的尺度区块图像;
确定不同尺度下尺度区块图像的优选度,根据优选度,确定尺度区块图像的最优尺度,并确定在最优尺度下尺度区块图像的图像显著度;将图像显著度大于预设第一显著度阈值的尺度区块图像作为待测图像;
对待测图像进行灰度处理,生成待测灰度图像,确定待测灰度图像中每个像素点与其邻域像素点的灰度变化相关性,根据灰度变化相关性,确定像素点的趋势度;根据趋势度,确定像素点的像素点显著度;
对待测灰度图像进行边缘检测,确定边缘像素点,对像素点显著度大于预设第二显著度阈值的边缘像素点进行标记处理,得到标记像素点,统计标记像素点得到统计结果,根据统计结果对电路板瑕疵进行检测。
进一步地,尺度区块图像为格式图像,确定不同尺度下尺度区块图像的优选度,包括:
根据不同尺度下尺度区块图像的颜色分布直方图,确定不同尺度下尺度区块图像中红色颜色通道的红色权重值、绿色颜色通道的绿色权重值,以及蓝色颜色通道的蓝色权重值;
确定不同尺度下颜色分布直方图的高斯分布差异度;
根据不同尺度下颜色分布直方图的高斯分布差异度,结合红色权重值、绿色权重值,以及蓝色权重值,确定不同尺度下尺度区块图像的优选度。
进一步地,根据不同尺度下颜色分布直方图的高斯分布差异度,结合红色权重值、绿色权重值,以及蓝色权重值,确定不同尺度下尺度区块图像的优选度,包括:
根据优选度公式确定尺度区块图像的优选度,其中,优选度公式包括:
式中,表示尺度区块图像,和表示等比例变换的尺度,表示第个尺度和第个尺度的第个尺度区块图像的优选度,表示三种颜色中的一种,表示第个尺度和第个尺度的第个尺度区块图像中对应的颜色分布直方图的高斯拟合分布曲线间的高斯分布差异度,表示第个尺度区块图像的对应的颜色分布颜色直方图的权重值,表示以自然常数为底的指数函数。
进一步地,确定在最优尺度下尺度区块图像的图像显著度,包括:
根据图像显著度公式确定图像显著度,其中,图像显著度公式包括:
式中,表示图像显著度,表示最优尺度下等比例变换的尺度层度,表示最优尺度内等比例变换的尺度,表示第个尺度和第个尺度的第个尺度区块图像的对应的颜色分布直方图的高斯拟合分布曲线间的高斯分布差异度。
进一步地,确定待测灰度图像中每个像素点与其邻域像素点的灰度变化相关性,包括:
使用特定大小的滑动窗口对待测灰度图像进行处理,将滑动窗口的中心点作为待测像素点,确定待测像素点周围的待测邻域像素点;
确定待测像素点的第一灰度分布信息与待测邻域像素点的第二灰度分布信息,根据第一灰度分布信息,确定待测像素点的第一梯度值与第一梯度方向,根据的第二灰度分布信息,确定待测邻域像素点的第二梯度值与第二梯度方向;
根据第一梯度值与第二梯度值的差值,以及第一梯度方向与第二梯度方向的差值,确定待测像素点与待测邻域像素点的灰度变化相关性。
进一步地,根据灰度变化相关性,确定像素点的趋势度,包括:
以待测像素点为起点,连接任一方向上灰度变化相关性大于预设相关性阈值的待测邻域像素点;
在连线方向上计算待测邻域像素点与下一像素点的灰度变化相关性,并连接连线方向上灰度变化相关性大于相关性阈值的下一像素点,依次类推,直至灰度变化相关性不大于相关性阈值;
统计连线方向上被连线像素点的数量,以及以待测像素点为起点的连线方向的数量,确定待测像素点的趋势度。
进一步地,根据趋势度,确定像素点的像素点显著度,包括:
根据像素点显著度公式确定像素点显著度,其中,像素点显著度公式包括:
式中,表示在第个尺度区块图像中第个像素点的像素点显著度,表示第个尺度区块图像的图像显著度,表示第个尺度区块图像中第个像素点的趋势度,表示双曲正切函数。
本公开的另一个实施例提出了一种基于显著性检测的电源控制电路板瑕疵检测系统,系统包括:
获取模块,用于获取电路板的原始图像,对原始图像进行区块划分,将原始图像划分为不重叠的至少两个区块图像,对区块图像进行图像尺度变换,将区块图像等比例变换为至少两种不同尺度的尺度区块图像;
第一处理模块,用于确定不同尺度下尺度区块图像的优选度,根据优选度,确定尺度区块图像的最优尺度,并确定在最优尺度下尺度区块图像的图像显著度;将图像显著度大于预设第一显著度阈值的尺度区块图像作为待测图像;
第二处理模块,用于对待测图像进行灰度处理,生成待测灰度图像,确定待测灰度图像中每个像素点与其邻域像素点的灰度变化相关性,根据灰度变化相关性,确定像素点的趋势度;根据趋势度,确定像素点的像素点显著度;
第三处理模块,用于对待测灰度图像进行边缘检测,确定边缘像素点,对像素点显著度大于预设第二显著度阈值的边缘像素点进行标记处理,得到标记像素点,统计标记像素点得到统计结果,根据统计结果对电路板瑕疵进行检测。
本公开具有如下有益效果:
本公开通过获取电路板的原始图像,对原始图像进行区块划分,将原始图像划分为不重叠的至少两个区块图像,对区块图像进行图像尺度变换,将区块图像等比例变换为至少两种不同尺度的尺度区块图像;确定不同尺度下尺度区块图像的优选度,根据优选度,确定尺度区块图像的最优尺度,并确定在最优尺度下尺度区块图像的图像显著度;将图像显著度大于预设第一显著度阈值的尺度区块图像作为待测图像;对待测图像进行灰度处理,生成待测灰度图像,确定待测灰度图像中每个像素点与其邻域像素点的灰度变化相关性,根据灰度变化相关性,确定像素点的趋势度;根据趋势度,确定像素点的像素点显著度;对待测灰度图像进行边缘检测,确定边缘像素点,对像素点显著度大于预设第二显著度阈值的边缘像素点进行标记处理,得到标记像素点,统计标记像素点得到统计结果,根据统计结果对电路板瑕疵进行检测。由于使用图像显著度对最优尺度下的尺度区块图像进行筛选,并根据像素点的趋势度确定像素点显著度,进而结合图像显著度与像素点显著度确定标记像素点,能够对图像细节进行有效检测,保证瑕疵检测的准确性与可靠性,同时统计标记像素点得到统计结果,能够进一步根据统计结果减少无意义像素点的计算过程,在保证准确度的同时,兼顾检测效率,有效提升瑕疵检测的实用性。
附图说明
为了更清楚地说明本公开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公开的一些实施例,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为本公开一个实施例所提供的基于显著性检测的电源控制电路板瑕疵检测方法流程图。
图2为本公开另一个实施例所提供的基于显著性检测的电源控制电路板瑕疵检测系统结构图。
具体实施方式
为了更进一步阐述本公开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,对依据本公开提出的一种用于新舒巴坦酸提取工艺的品质保持方法,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公开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公开所提供的一种基于显著性检测的电源控制电路板瑕疵检测方法的具体方案。
请参阅图1,其示出了本公开一个实施例提供的基于显著性检测的电源控制电路板瑕疵检测方法流程图,该方法包括:
S101:获取电路板的原始图像,对原始图像进行区块划分,将原始图像划分为不重叠的至少两个区块图像,对区块图像进行图像尺度变换,将区块图像等比例变换为至少两种不同尺度的尺度区块图像。
本公开实施例中,可以使用工业相机,在电路板的正上方采集电路板的原始图像,该原始图像可以具体例如为格式的图像,本公开实施例中对原始图像进行区块划分,可以是将原始图像划分为多个大小相等且不重叠的区块图像,举例而言,可以将400×400大小的原始图像划分为16个100×100大小的区块图像,当然,划分的区块图像的数量可以根据实际检测需求进行调整,在此不做限制。
本公开实施例中,为有效提升电路板瑕疵检测的精确度,可以对区块图像进行图像尺度变换,以将区块图像等比例变换为至少两种不同尺度的尺度区块图像,便于得到更高质量的尺度区块图像。
本公开实施例中,图像尺度变换可以使用图像金字塔尺度变换方式,当然本公开还支持使用多种其他任意可能的尺度变换方式,对此不做限制。
S102:确定不同尺度下尺度区块图像的优选度,根据优选度,确定尺度区块图像的最优尺度,并确定在最优尺度下尺度区块图像的图像显著度;将图像显著度大于预设第一显著度阈值的尺度区块图像作为待测图像。
其中,优选度,是尺度区块图像对应的尺度的优选程度,可以理解的是,不同尺度变换得到的尺度区块图像在图像细节展示等方面效果不同,且电路板断点十分细小,对图像的精度要求十分严格,因此,可以预设优选度以确定最优尺度的尺度区块图像。
进一步地,本公开实施例中,尺度区块图像为格式图像,确定不同尺度下尺度区块图像的优选度,包括:
根据不同尺度下尺度区块图像的颜色分布直方图,确定不同尺度下尺度区块图像中红色颜色通道的红色权重值、绿色颜色通道的绿色权重值,以及蓝色颜色通道的蓝色权重值;确定不同尺度下颜色分布直方图的高斯分布差异度;根据不同尺度下颜色分布直方图的高斯分布差异度,结合红色权重值、绿色权重值,以及蓝色权重值,确定不同尺度下尺度区块图像的优选度。
本公开实施例中,可以分别通过三个颜色直方图的高斯分布的差异来确定最优的尺度变化,由于电路板的断路缺陷仅会发生在电路板的走线处,铜箔位置与电路板基板的颜色不同,因此尺度区块图像中不同的颜色通道内所包含的信息量不同。在所有尺度下的尺度区块图像,通过获取与电路板背景颜色信息相关的颜色通道确定不同的权重值,来计算颜色通道对应的不同尺度下的颜色直方图的高斯分布差异,权重值的确定如下式所示:
式中,表示第个尺度区块图像,表示红色颜色通道的红色权重值,表示绿色颜色通道的绿色权重值,表示蓝色颜色通道的蓝色权重值,表示历史先验的原始图像中电路板背景处红色颜色通道的均值,表示历史先验的原始图像中电路板背景处绿色颜色通道的均值,表示历史先验的原始图像中电路板背景处蓝色颜色通道的均值,表示当前尺度下第个尺度区块图像中红色颜色通道的均值,表示当前尺度下第个尺度区块图像中绿色颜色通道的均值,表示当前尺度下第个尺度区块图像中蓝色颜色通道的均值,表示以自然常数为底的指数函数。
本公开实施例中,可以使用期望最大(Expectation-Maximum, EM)算法获取所有尺度下第个尺度区块图像的、、三个颜色分布直方图的高斯拟合分布曲线,因EM算法为公知技术,在此不再赘述。
本公开实施例在获取所有尺度下第个尺度区块图像的、、三个颜色分布直方图的高斯拟合分布曲线之后,可以计算不同尺度下的同一个颜色分布直方图的高斯拟合分布曲线之间的相似度,相似度越大,表明不同尺度下的该尺度区块图像的图像信息差异变化较小,其中相似度的计算通过采用动态时间规整算法,获取不同尺度下的同一尺度区块图像的高斯拟合分布曲线之间匹配成功的曲线上的点,记其中第对匹配成功的曲线上的两个点的欧式距离为,则不同尺度下的高斯拟合分布曲线的差异度的计算表达式为:
式中,表示经过动态时间规整算法匹配成功后的第对两个点的欧式距离;表示匹配成功后的点对个数。
本公开实施例中确定红色权重值、绿色权重值、蓝色权重值,以及三个颜色分布直方图的高斯拟合分布曲线的差异度之后,可以结合上述数据,确定不同尺度下尺度区块图像的优选度。
进一步地,本公开实施例中,根据优选度公式确定尺度区块图像的优选度,其中,优选度公式包括:
式中,表示尺度区块图像,和表示等比例变换的尺度,表示第个尺度和第个尺度的第个尺度区块图像的优选度,表示三种颜色中的一种,表示第个尺度和第个尺度的第个尺度区块图像中对应的颜色分布直方图的高斯拟合分布曲线间的高斯分布差异度,表示第个尺度区块图像的对应的颜色分布颜色直方图的权重值,也即红色权重值、绿色权重值,以及蓝色权重值中的一种,表示以自然常数为底的指数函数。
在优选度公式中,根据颜色通道对应的权重值调整对应的高斯分布差异度,经过累加后利用指数函数进行负相关映射,即调整后的高斯分布差异度越大,则对应的优选度越小。且经过指数函数映射后优选度的值域区间被限定在0到1之间,方便后续对最优尺度的挑选。
本公开实施例中,计算不同尺度下(尺度下降方向),不同尺度区块图像所对应的优选度,可以预设优选度阈值,在当前尺度和下一尺度计算得到的优选度大于优选度阈值时,则表明下一尺度为可接受的尺度,因此继续下一尺度和再下一尺度的优选度计算,依此进行计算,直到不大于优选度阈值则停止,则停止时对应的尺度即为第个尺度区块图像的最优尺度。由于不同尺度区块图像之间的差异不同,对所有尺度区块图像都进行上述操作,计算得到每个尺度区块图像各自对应的最优尺度,可能会出现不同尺度区块图像的最优尺度不同,因此为了保证图像的完整性,可以选择所有尺度区块图像中出现最多次的最优尺度作为整个图像的最优尺度。
进一步地,本公开实施例中,确定在最优尺度下尺度区块图像的图像显著度,包括:
根据图像显著度公式确定图像显著度,其中,图像显著度公式包括:
式中,表示图像显著度,表示最优尺度下等比例变换的尺度层度,表示最优尺度内等比例变换的尺度,表示第个尺度和第个尺度的第个尺度区块图像的对应的颜色分布直方图的高斯拟合分布曲线间的高斯分布差异度。
本公开实施例中,确定不同尺度下的尺度区块图像的颜色分布直方图的差异度,其中颜色分布直方图的差异通过高斯拟合分布曲线来表征,通过最优尺度的高斯拟合分布曲线的差异度来表征尺度区块图像中信息量的变化程度,信息量变化越大,可以表示该尺度区块图像越受关注,对应的该尺度区块图像的图像显著度越大。
本公开实施例中,可以预设图像显著度的第一显著度阈值,将图像显著度大于第一显著度阈值的尺度区块图像作为待测图像,其中第一显著度阈值,是图像显著度的门限值,由于图像显著度越大,表示该尺度区块图像越受关注,也即可以表示该尺度区块图像内包含断点缺陷的可能性更大,因此,通过第一显著度阈值筛选出图像显著度大于第一显著度阈值的尺度区块图像作为待测图像,能够有效减少正常尺度区块图像的计算量,提升电路板断点瑕疵检测速度。
举例而言,可以预设第一显著度阈值为0.6,对最优尺度下所有尺度区块图像的显著度进行归一化处理,得到图像块归一化后的每块尺度区块图像的显著度,而后将每块尺度区块图像的显著度与0.6进行对比,如果显著度大于0.6,则将对应的尺度区块图像作为待测图像,如果显著度不大于0.6,则将对应的尺度区块图像筛选掉,以减少后续的计算量。S103:对待测图像进行灰度处理,生成待测灰度图像,确定待测灰度图像中每个像素点与其邻域像素点的灰度变化相关性,根据灰度变化相关性,确定像素点的趋势度;根据趋势度,确定像素点的像素点显著度。
本公开实施例中,可以使用加权平均法、最大值法等方法对待测图像进行灰度处理,生成待测灰度图像,对此不做限制。
本公开实施例中,在待测灰度图像中对像素点进行检测,以确定待测灰度图像中每个像素点与其邻域像素点的灰度变化相关性,进一步地,使用特定大小的滑动窗口对待测灰度图像进行处理,将滑动窗口的中心点作为待测像素点,确定待测像素点周围的待测邻域像素点;确定待测像素点的第一灰度分布信息与待测邻域像素点的第二灰度分布信息,根据第一灰度分布信息,确定待测像素点的第一梯度值与第一梯度方向,根据的第二灰度分布信息,确定待测邻域像素点的第二梯度值与第二梯度方向;根据第一梯度值与第二梯度值的差值,以及第一梯度方向与第二梯度方向的差值,确定待测像素点与待测邻域像素点的灰度变化相关性。
其中,滑动窗口的大小可以预设为3×3大小,则滑动窗口的中心位置处的像素点为待测像素点,其他位置处的像素点为待测邻域像素点,当然滑动窗口的大小可以根据实际检测场景进行调整,如5×5大小、7×7大小等,对此不做限制。
其中,第一灰度分布信息,为待测像素点与周围待测邻域像素点间的灰度值、灰度分布差异等信息,第二灰度分布信息,则是以待测邻域像素点为中心,确定在待测领域像素点位置处的灰度值、灰度分布差异等信息。
本公开实施例中,可以使用梯度计算公式,根据第一灰度分布信息,确定待测像素点的第一梯度值与第一梯度方向,根据的第二灰度分布信息,确定待测邻域像素点的第二梯度值与第二梯度方向,对梯度与梯度方向的计算为本领域所熟知的技术,在此不再赘述。
本公开实施例中,根据第一梯度值与第二梯度值的差值,以及第一梯度方向与第二梯度方向的差值,确定待测像素点与待测邻域像素点的灰度变化相关性,可以使用灰度变化相关性公式确定待测像素点与待测邻域像素点的灰度变化相关性,其中,灰度变化相关性公式包括:
式中,表示待测像素点,表示任一待测领域像素点,表示待测像素点的梯度值,也即第一梯度值,表示待测像素点的梯度方向,也即第一梯度方向,表示待测领域像素点的梯度值,也即第二度值,表示待测领域像素点的梯度方向,也即第二梯度方向,表示待测像素点与待测领域像素点间的梯度值差值,表示待测像素点与待测领域像素点间的梯度方向差值,表示以自然常数为底的指数函数。
通过待测像素点与待测领域像素点间梯度值差值与梯度方向差值乘积的反指数,能够有效表达待测像素点与待测邻域像素点的灰度变化相关性,当灰度变化相关性越大,则可以表示待测像素点的趋势度越大,也即可以表示待测像素点的分布越正常。
进一步地,根据灰度变化相关性,确定像素点的趋势度,包括:以待测像素点为起点,连接任一方向上灰度变化相关性大于预设相关性阈值的待测邻域像素点;在连线方向上计算待测邻域像素点与下一像素点的灰度变化相关性,并连接连线方向上灰度变化相关性大于相关性阈值的下一像素点,依次类推,直至灰度变化相关性不大于相关性阈值;统计连线方向上被连线像素点的数量,以及以待测像素点为起点的连线方向的数量,确定待测像素点的趋势度。
其中,相关性阈值,是灰度变化相关性的门限值,在待测像素点与待测邻域像素点的灰度变化相关性大于相关性阈值时,可以表示待测像素点与待测邻域像素点更具有趋势性,也即是说,待测像素点与待测邻域像素点属于同一类像素点的可能性越高。
举例而言,可以预设相关性阈值为0.7,待测像素点与待测邻域像素点的灰度变化相关性大于0.7时,对待测像素点与待测邻域像素点进行连线处理,获取待测像素点与待测邻域像素点的连线方向,以待测像素点与待测邻域像素点的方向为连线方向,重新计算待测邻域像素点与连线方向上下一像素点的灰度变化相关性,并连接连线方向上灰度变化相关性大于相关性阈值的下一像素点,依次类推进行计算,直到连线方向上的下一像素点不大于相关性阈值则停止,获取以待测像素点为起点的所有连线方向上连线的像素点个数。
举例而言,以待测像素点为起点,周围有4个连线方向,不同的连线方向上分别有不同的像素点个数,则可以分别统计连线方向,以及该连线方向上像素点的个数,以便于后续待测像素点的趋势度的计算。
本公开实施例中,待测像素点的趋势度的计算公式可以如下式所示:
式中,表示待测像素点的趋势度,表示以待测像素点为中点的滑动窗口中的大于相关性阈值的连线方向的数量,表示某一连线方向,表示第个连线方向上满足相关性阈值条件的像素点的个数。
由上式可以得出,在待测像素点周围,灰度变化相关性大于相关性阈值的方向越多,并且对应的连线方向上的满足相关性阈值条件的像素点个数越多,表明该待测像素点的趋势度越大。
也即是说,将待测像素点周围连线方向的数量与所有连线方向上像素点的个数的乘积作为趋势度,则趋势度越大,则可以表示待测像素点周围越规则,进一步可以表示待测像素点越处于正常区域。
进一步地,根据趋势度,确定像素点的像素点显著度,包括:
根据像素点显著度公式确定像素点显著度,其中,像素点显著度公式包括:
式中,表示在第个尺度区块图像中第个像素点的像素点显著度,表示第个尺度区块图像的图像显著度,表示第个尺度区块图像中第个像素点的趋势度,表示双曲正切函数。
由上式可知,像素点显著度与像素点得趋势度成反比,与像素点所处尺度区块图像的图像显著度呈正比,也即是说,若像素点显著度越高,则可以表示该像素点越有可能处于断点位置。
S104:对待测灰度图像进行边缘检测,确定边缘像素点,对像素点显著度大于预设第二显著度阈值的边缘像素点进行标记处理,得到标记像素点,统计标记像素点得到统计结果,根据统计结果对电路板瑕疵进行检测。
本公开实施例中,第二显著度阈值,是边缘像素点的像素点显著度门限值,本公开支持使用边缘检测算法对待测灰度图像进行边缘检测,确定待测灰度图中的边缘像素点,对此不做限制。
本公开实施例中,可以对边缘像素点的像素点显著度进行归一化处理,确定归一化后的像素点显著度是否大于第二显著度阈值,若像素点显著度大于第二显著度阈值,则可以将对应的边缘像素点进行标记,用于表征该标记像素点为断点瑕疵的可能性较大,若像素点显著度不大于第二显著度阈值,则可以筛选去除对应的边缘像素点,以减少计算量。
本公开实施例中,可以将标记像素点与其相邻的其他标记像素点进行连接,以获得最大连线的标记像素点数量,并将其作为标记结果,使用霍夫直线检测方式对标记结果进行检测。
举例而言,在边缘像素点归一化后的像素点显著度大于第二显著度阈值时,将该边缘像素点标记为。将标记为的边缘像素点和与其距离在范围内的标记为的其他边缘像素点相连,获取最大的连线像素点的数量,作为霍夫直线检测的霍夫空间中的阈值,进而进行电路板断路缺陷检测。
对霍夫直线检测结果进行断路缺陷程度计算,根据先验知识获取当前电源控制电路板的走线数量,记霍夫直线检测出来的直线的数量为,则对应的当前的检测出来的断路缺陷程度,其中表示电路板中走线处的边缘数量,表示霍夫直线检测出来的直线数量,其中越大,表明检测出来的正常的走线边缘越多,则对应需要减之后来表征断路的缺陷程度。
本实施例中,通过获取电路板的原始图像,对原始图像进行区块划分,将原始图像划分为不重叠的至少两个区块图像,对区块图像进行图像尺度变换,将区块图像等比例变换为至少两种不同尺度的尺度区块图像;确定不同尺度下尺度区块图像的优选度,根据优选度,确定尺度区块图像的最优尺度,并确定在最优尺度下尺度区块图像的图像显著度;将图像显著度大于预设第一显著度阈值的尺度区块图像作为待测图像;对待测图像进行灰度处理,生成待测灰度图像,确定待测灰度图像中每个像素点与其邻域像素点的灰度变化相关性,根据灰度变化相关性,确定像素点的趋势度;根据趋势度,确定像素点的像素点显著度;对待测灰度图像进行边缘检测,确定边缘像素点,对像素点显著度大于预设第二显著度阈值的边缘像素点进行标记处理,得到标记像素点,统计标记像素点得到统计结果,根据统计结果对电路板瑕疵进行检测。由于使用图像显著度对最优尺度下的尺度区块图像进行筛选,并根据像素点的趋势度确定像素点显著度,进而结合图像显著度与像素点显著度确定标记像素点,能够对图像细节进行有效检测,保证瑕疵检测的准确性与可靠性,同时统计标记像素点得到统计结果,能够进一步根据统计结果减少无意义像素点的计算过程,在保证准确度的同时,兼顾检测效率,有效提升瑕疵检测的实用性。
请参阅图2,图2为本公开另一个实施例所提供的基于显著性检测的电源控制电路板瑕疵检测系统结构图,该基于显著性检测的电源控制电路板瑕疵检测系统20包括:
获取模块201,用于获取电路板的原始图像,对原始图像进行区块划分,将原始图像划分为不重叠的至少两个区块图像,对区块图像进行图像尺度变换,将区块图像等比例变换为至少两种不同尺度的尺度区块图像;
第一处理模块202,用于确定不同尺度下尺度区块图像的优选度,根据优选度,确定尺度区块图像的最优尺度,并确定在最优尺度下尺度区块图像的图像显著度;将图像显著度大于预设第一显著度阈值的尺度区块图像作为待测图像;
第二处理模块203,用于对待测图像进行灰度处理,生成待测灰度图像,确定待测灰度图像中每个像素点与其邻域像素点的灰度变化相关性,根据灰度变化相关性,确定像素点的趋势度;根据趋势度,确定像素点的像素点显著度;
第三处理模块204,用于对待测灰度图像进行边缘检测,确定边缘像素点,对像素点显著度大于预设第二显著度阈值的边缘像素点进行标记处理,得到标记像素点,统计标记像素点得到统计结果,根据统计结果对电路板瑕疵进行检测。
与上述图1实施例提供的基于显著性检测的电源控制电路板瑕疵检测方法相对应,本公开还提供一种基于显著性检测的电源控制电路板瑕疵检测系统,由于本公开实施例提供的基于显著性检测的电源控制电路板瑕疵检测系统与上述图1实施例提供的基于显著性检测的电源控制电路板瑕疵检测方法相对应,因此在基于显著性检测的电源控制电路板瑕疵检测方法的实施方式也适用于本公开实施例提供的基于显著性检测的电源控制电路板瑕疵检测系统,在本公开实施例中不再详细描述。
本实施例中,通过获取电路板的原始图像,对原始图像进行区块划分,将原始图像划分为不重叠的至少两个区块图像,对区块图像进行图像尺度变换,将区块图像等比例变换为至少两种不同尺度的尺度区块图像;确定不同尺度下尺度区块图像的优选度,根据优选度,确定尺度区块图像的最优尺度,并确定在最优尺度下尺度区块图像的图像显著度;将图像显著度大于预设第一显著度阈值的尺度区块图像作为待测图像;对待测图像进行灰度处理,生成待测灰度图像,确定待测灰度图像中每个像素点与其邻域像素点的灰度变化相关性,根据灰度变化相关性,确定像素点的趋势度;根据趋势度,确定像素点的像素点显著度;对待测灰度图像进行边缘检测,确定边缘像素点,对像素点显著度大于预设第二显著度阈值的边缘像素点进行标记处理,得到标记像素点,统计标记像素点得到统计结果,根据统计结果对电路板瑕疵进行检测。由于使用图像显著度对最优尺度下的尺度区块图像进行筛选,并根据像素点的趋势度确定像素点显著度,进而结合图像显著度与像素点显著度确定标记像素点,能够对图像细节进行有效检测,保证瑕疵检测的准确性与可靠性,同时统计标记像素点得到统计结果,能够进一步根据统计结果减少无意义像素点的计算过程,在保证准确度的同时,兼顾检测效率,有效提升瑕疵检测的实用性。
需要说明的是:上述本公开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。
以上所述仅为本公开的较佳实施例,并不用以限制本公开,凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (2)
1.一种基于显著性检测的电源控制电路板瑕疵检测方法,其特征在于,所述方法包括:
获取电路板的原始图像,对所述原始图像进行区块划分,将所述原始图像划分为不重叠的至少两个区块图像,对所述区块图像进行图像尺度变换,将所述区块图像等比例变换为至少两种不同尺度的尺度区块图像;
确定不同尺度下所述尺度区块图像的优选度,根据所述优选度,确定所述尺度区块图像的最优尺度,并确定在所述最优尺度下所述尺度区块图像的图像显著度;将所述图像显著度大于预设第一显著度阈值的所述尺度区块图像作为待测图像;
对所述待测图像进行灰度处理,生成待测灰度图像,确定所述待测灰度图像中每个像素点与其邻域像素点的灰度变化相关性,根据所述灰度变化相关性,确定所述像素点的趋势度;根据所述趋势度,确定所述像素点的像素点显著度;
对所述待测灰度图像进行边缘检测,确定边缘像素点,对所述像素点显著度大于预设第二显著度阈值的所述边缘像素点进行标记处理,得到标记像素点,统计所述标记像素点得到统计结果,根据所述统计结果对所述电路板瑕疵进行检测;
所述尺度区块图像为RGB格式图像,所述确定不同尺度下所述尺度区块图像的优选度的方法,包括:
根据不同尺度下所述尺度区块图像的颜色分布直方图,确定不同尺度下所述尺度区块图像中红色颜色通道的红色权重值、绿色颜色通道的绿色权重值,以及蓝色颜色通道的蓝色权重值;
确定不同尺度下所述颜色分布直方图的高斯分布差异度;
根据不同尺度下所述颜色分布直方图的所述高斯分布差异度,结合所述红色权重值、所述绿色权重值,以及所述蓝色权重值,确定不同尺度下所述尺度区块图像的所述优选度;
根据优选度公式确定不同尺度下所述尺度区块图像的所述优选度,其中,所述优选度公式包括:
式中,a表示尺度区块图像,c和c+1表示等比例变换的尺度,γa(c,c+1)表示第c个尺度和第c+1个尺度的第a个尺度区块图像的优选度,l表示RGB三种颜色中的一种,βal(c,c+1)表示第c个尺度和第c+1个尺度的第a个尺度区块图像中l对应的颜色分布直方图的高斯拟合分布曲线间的高斯分布差异度,σal表示第a个尺度区块图像的l对应的颜色分布颜色直方图的权重值,exp{}表示以自然常数为底的指数函数;
所述确定在所述最优尺度下所述尺度区块图像的图像显著度的方法,包括:
根据图像显著度公式确定所述图像显著度,其中,所述图像显著度公式包括:
式中,γ′a表示图像显著度,C′表示最优尺度下等比例变换的尺度层级,c′表示最优尺度内等比例变换的尺度,βal(c′,c′+1)表示第c′个尺度和第c′+1个尺度的第a个尺度区块图像的l对应的颜色分布直方图的高斯拟合分布曲线间的高斯分布差异度;
所述确定所述待测灰度图像中每个像素点与其邻域像素点的灰度变化相关性的方法,包括:
使用特定大小的滑动窗口对所述待测灰度图像进行处理,将所述滑动窗口的中心点作为待测像素点,确定所述待测像素点周围的待测邻域像素点;
确定所述待测像素点的第一灰度分布信息与所述待测邻域像素点的第二灰度分布信息,根据所述第一灰度分布信息,确定所述待测像素点的第一梯度值与第一梯度方向,根据所述的第二灰度分布信息,确定所述待测邻域像素点的第二梯度值与第二梯度方向;
根据所述第一梯度值与所述第二梯度值的差值,以及所述第一梯度方向与所述第二梯度方向的差值,确定所述待测像素点与所述待测邻域像素点的灰度变化相关性;
灰度变化相关性的计算公式包括:
εjs=exp{-|fj-fjs|×(θj-θjs)}
式中,j表示待测像素点,s表示任一待测邻域像素点,fj表示待测像素点j的梯度值,也即第一梯度值,θj表示待测像素点j的梯度方向,也即第一梯度方向,fjs表示待测邻域像素点s的梯度值,也即第二梯度值,θjs表示待测邻域像素点s的梯度方向,也即第二梯度方向,|fj-fjs|表示待测像素点j与待测邻域像素点s间的梯度值差值,θj-θjs表示待测像素点j与待测邻域像素点s间的梯度方向差值,exp{}表示以自然常数为底的指数函数;
所述根据所述灰度变化相关性,确定所述像素点的趋势度的方法,包括:
以所述待测像素点为起点,连接任一方向上所述灰度变化相关性大于预设相关性阈值的所述待测邻域像素点;
在连线方向上计算所述待测邻域像素点与下一像素点的所述灰度变化相关性,并连接所述连线方向上所述灰度变化相关性大于所述预设相关性阈值的所述下一像素点,依次类推,直至所述灰度变化相关性不大于所述预设相关性阈值;
统计所述连线方向上被连线像素点的数量,以及以所述待测像素点为起点的所述连线方向的数量,确定所述待测像素点的趋势度;
待测像素点的趋势度的计算公式包括:
式中,ρj表示待测像素点j的趋势度,U表示以待测像素点j为中点的滑动窗口中的大于预设相关性阈值的连线方向的数量,u表示某一连线方向,vu表示第u个连线方向上满足预设相关性阈值条件的像素点的个数;
所述根据所述趋势度,确定所述像素点的像素点显著度的方法,包括:
根据像素点显著度公式确定所述像素点显著度,其中,所述像素点显著度公式包括:
τaj=th{γ′a×(1-ρaj)}
式中,τaj表示在第a个尺度区块图像中第j个像素点的像素点显著度,γ′a表示第a个尺度区块图像的图像显著度,ρaj表示第a个尺度区块图像中第j个像素点的趋势度,th()表示双曲正切函数。
2.一种基于显著性检测的电源控制电路板瑕疵检测方法的系统,其特征在于,所述系统包括:
获取模块,用于获取电路板的原始图像,对所述原始图像进行区块划分,将所述原始图像划分为不重叠的至少两个区块图像,对所述区块图像进行图像尺度变换,将所述区块图像等比例变换为至少两种不同尺度的尺度区块图像;
第一处理模块,用于确定不同尺度下所述尺度区块图像的优选度,根据所述优选度,确定所述尺度区块图像的最优尺度,并确定在所述最优尺度下所述尺度区块图像的图像显著度;将所述图像显著度大于预设第一显著度阈值的所述尺度区块图像作为待测图像;
第二处理模块,用于对所述待测图像进行灰度处理,生成待测灰度图像,确定所述待测灰度图像中每个像素点与其邻域像素点的灰度变化相关性,根据所述灰度变化相关性,确定所述像素点的趋势度;根据所述趋势度,确定所述像素点的像素点显著度;
第三处理模块,用于对所述待测灰度图像进行边缘检测,确定边缘像素点,对所述像素点显著度大于预设第二显著度阈值的所述边缘像素点进行标记处理,得到标记像素点,统计所述标记像素点得到统计结果,根据所述统计结果对所述电路板瑕疵进行检测;
所述尺度区块图像为RGB格式图像,所述第一处理模块,还用于:
根据不同尺度下所述尺度区块图像的颜色分布直方图,确定不同尺度下所述尺度区块图像中红色颜色通道的红色权重值、绿色颜色通道的绿色权重值,以及蓝色颜色通道的蓝色权重值;
确定不同尺度下所述颜色分布直方图的高斯分布差异度;
根据不同尺度下所述颜色分布直方图的所述高斯分布差异度,结合所述红色权重值、所述绿色权重值,以及所述蓝色权重值,确定不同尺度下所述尺度区块图像的所述优选度;
所述第一处理模块,还用于:
根据优选度公式确定不同尺度下所述尺度区块图像的所述优选度,其中,所述优选度公式包括:
式中,a表示尺度区块图像,c和c+1表示等比例变换的尺度,γa(c,c+1)表示第c个尺度和第c+1个尺度的第a个尺度区块图像的优选度,l表示RGB三种颜色中的一种,βal(c,c+1)表示第c个尺度和第c+1个尺度的第a个尺度区块图像中l对应的颜色分布直方图的高斯拟合分布曲线间的高斯分布差异度,σal表示第a个尺度区块图像的l对应的颜色分布颜色直方图的权重值,exp{}表示以自然常数为底的指数函数;
所述第一处理模块,还用于:
根据图像显著度公式确定所述图像显著度,其中,所述图像显著度公式包括:
式中,γ′a表示图像显著度,C′表示最优尺度下等比例变换的尺度层级,c′表示最优尺度内等比例变换的尺度,βal(c′,c′+1)表示第c′个尺度和第c′+1个尺度的第a个尺度区块图像的l对应的颜色分布直方图的高斯拟合分布曲线间的高斯分布差异度;
所述第二处理模块,还用于:
使用特定大小的滑动窗口对所述待测灰度图像进行处理,将所述滑动窗口的中心点作为待测像素点,确定所述待测像素点周围的待测邻域像素点;
确定所述待测像素点的第一灰度分布信息与所述待测邻域像素点的第二灰度分布信息,根据所述第一灰度分布信息,确定所述待测像素点的第一梯度值与第一梯度方向,根据所述的第二灰度分布信息,确定所述待测邻域像素点的第二梯度值与第二梯度方向;
根据所述第一梯度值与所述第二梯度值的差值,以及所述第一梯度方向与所述第二梯度方向的差值,确定所述待测像素点与所述待测邻域像素点的灰度变化相关性;
灰度变化相关性的计算公式包括:
εjs=exp{-|fj-fjs|×(θj-θjs)}
式中,j表示待测像素点,s表示任一待测邻域像素点,fj表示待测像素点j的梯度值,也即第一梯度值,θj表示待测像素点j的梯度方向,也即第一梯度方向,fjs表示待测邻域像素点s的梯度值,也即第二梯度值,θjs表示待测邻域像素点s的梯度方向,也即第二梯度方向,|fj-fjs|表示待测像素点j与待测邻域像素点s间的梯度值差值,θj-θjs表示待测像素点j与待测邻域像素点s间的梯度方向差值,exp{}表示以自然常数为底的指数函数;
所述第二处理模块,还用于:
以所述待测像素点为起点,连接任一方向上所述灰度变化相关性大于预设相关性阈值的所述待测邻域像素点;
在连线方向上计算所述待测邻域像素点与下一像素点的所述灰度变化相关性,并连接所述连线方向上所述灰度变化相关性大于所述预设相关性阈值的所述下一像素点,依次类推,直至所述灰度变化相关性不大于所述预设相关性阈值;
统计所述连线方向上被连线像素点的数量,以及以所述待测像素点为起点的所述连线方向的数量,确定所述待测像素点的趋势度;
待测像素点的趋势度的计算公式包括:
式中,ρj表示待测像素点j的趋势度,U表示以待测像素点j为中点的滑动窗口中的大于预设相关性阈值的连线方向的数量,u表示某一连线方向,vu表示第u个连线方向上满足预设相关性阈值条件的像素点的个数;
所述第二处理模块,还用于:
根据像素点显著度公式确定所述像素点显著度,其中,所述像素点显著度公式包括:
τaj=th{γ′a×(1-ρaj)}
式中,τaj表示在第a个尺度区块图像中第j个像素点的像素点显著度,γ′a表示第a个尺度区块图像的图像显著度,ρaj表示第a个尺度区块图像中第j个像素点的趋势度,th()表示双曲正切函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211477177.1A CN115598138B (zh) | 2022-11-23 | 2022-11-23 | 基于显著性检测的电源控制电路板瑕疵检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211477177.1A CN115598138B (zh) | 2022-11-23 | 2022-11-23 | 基于显著性检测的电源控制电路板瑕疵检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115598138A CN115598138A (zh) | 2023-01-13 |
CN115598138B true CN115598138B (zh) | 2023-04-07 |
Family
ID=84853738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211477177.1A Active CN115598138B (zh) | 2022-11-23 | 2022-11-23 | 基于显著性检测的电源控制电路板瑕疵检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115598138B (zh) |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2422739B (en) * | 2005-01-31 | 2010-07-14 | Hewlett Packard Development Co | Image processing method and apparatus |
CN103871053B (zh) * | 2014-02-25 | 2017-02-01 | 苏州大学 | 一种基于视觉显著性的布匹瑕疵检测方法 |
CN104050638A (zh) * | 2014-06-12 | 2014-09-17 | 杭州电子科技大学 | 一种结合尺度优选的显著法红外小目标增强方法 |
CN104240197B (zh) * | 2014-08-26 | 2017-12-15 | 浙江工商大学 | 一种保持对比度、颜色一致性和灰度像素特征的消色方法 |
CN107064160B (zh) * | 2017-04-01 | 2020-10-16 | 佛山市南海天富科技有限公司 | 基于显著性检测的纺织品表面瑕疵检测方法及系统 |
CN109816652B (zh) * | 2019-01-25 | 2022-08-12 | 湖州云通科技有限公司 | 一种基于灰度显著性的复杂铸件缺陷识别方法 |
CN110008969B (zh) * | 2019-04-15 | 2021-05-14 | 京东方科技集团股份有限公司 | 图像显著性区域的检测方法和装置 |
CN114565610B (zh) * | 2022-04-28 | 2022-07-08 | 惠州威尔高电子有限公司 | 基于计算机视觉的pcb钻孔偏移检测方法 |
CN114841972A (zh) * | 2022-05-09 | 2022-08-02 | 浙江大学 | 基于显著性图和语义嵌入特征金字塔的输电线路缺陷识别方法 |
CN115018851B (zh) * | 2022-08-10 | 2022-10-11 | 江苏紫琅汽车集团股份有限公司 | 汽车镀锌板镀锌质量控制方法及控制器 |
CN115082463B (zh) * | 2022-08-22 | 2022-11-15 | 聊城市宁泰电机有限公司 | 基于图像数据的发电机端盖视觉检测方法 |
CN115294123B (zh) * | 2022-10-08 | 2023-03-24 | 淄博永丰环保科技有限公司 | 一种基于图像视觉的瓦楞纸板质量检测方法 |
-
2022
- 2022-11-23 CN CN202211477177.1A patent/CN115598138B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115598138A (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115018828B (zh) | 一种电子元器件的缺陷检测方法 | |
CN106529537B (zh) | 一种数字仪表读数图像识别方法 | |
CN116309537B (zh) | 一种极耳模具表面油污的缺陷检测方法 | |
CN115100199B (zh) | 一种晶圆低纹理缺陷的检测方法 | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN116721107B (zh) | 一种电缆生产质量智能监控系统 | |
CN115994907B (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
CN115861307B (zh) | 基于人工智能的筋膜枪供电驱动板焊接故障检测方法 | |
CN111709305B (zh) | 一种基于局部图像块的人脸年龄识别方法 | |
CN115272350A (zh) | 一种计算机pcb主板生产质量检测方法 | |
CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 | |
CN116523921A (zh) | 一种针对极耳翻折情况的检测方法、装置和系统 | |
CN116109577A (zh) | 一种印刷标签缺陷检测系统及方法 | |
CN116152242A (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN117593193B (zh) | 一种基于机器学习的钣金图像增强方法及系统 | |
CN116385435B (zh) | 基于图像分割的制药胶囊计数方法 | |
CN115598138B (zh) | 基于显著性检测的电源控制电路板瑕疵检测方法及系统 | |
CN111402189B (zh) | 一种视频图像偏色检测装置及方法 | |
CN115222652A (zh) | 一种成捆钢筋端面的识别计数及中心定位方法与其存储器 | |
CN113255547B (zh) | 电力仪表指针图像轮廓计算方法 | |
CN106845479B (zh) | 一种基于对比色矩形特征的小尺寸车牌检测方法 | |
CN112241699B (zh) | 物体缺陷类别识别方法、装置、计算机设备和存储介质 | |
CN116433665B (zh) | 基于视觉检测的飞机部件缺陷在线识别系统 |
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 |