CN115619787A - 一种uv胶缺陷检测方法、系统、设备及介质 - Google Patents

一种uv胶缺陷检测方法、系统、设备及介质 Download PDF

Info

Publication number
CN115619787A
CN115619787A CN202211631389.0A CN202211631389A CN115619787A CN 115619787 A CN115619787 A CN 115619787A CN 202211631389 A CN202211631389 A CN 202211631389A CN 115619787 A CN115619787 A CN 115619787A
Authority
CN
China
Prior art keywords
defect
image
detection
data
thickness
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
Application number
CN202211631389.0A
Other languages
English (en)
Other versions
CN115619787B (zh
Inventor
程克林
张振
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Hexin Technology Co ltd
Original Assignee
Suzhou Hexin Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Hexin Technology Co ltd filed Critical Suzhou Hexin Technology Co ltd
Priority to CN202211631389.0A priority Critical patent/CN115619787B/zh
Publication of CN115619787A publication Critical patent/CN115619787A/zh
Application granted granted Critical
Publication of CN115619787B publication Critical patent/CN115619787B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01N21/8806—Specially adapted optical and illumination features
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/145—Illumination specially adapted for pattern recognition, e.g. using gratings
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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]
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Immunology (AREA)
  • Computing Systems (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种UV胶缺陷检测方法、系统、设备及介质，所述方法包括以下步骤：设置第一光源，基于第一光源获取待检测单元的第一图像；设置不同于第一光源的第二光源，基于第二光源获取待检测单元的第二图像；对第一图像执行元件定位操作，得到检测位置；根据检测位置对第二图像执行基于数据拟合处理的厚度检测操作，得到厚度数据；根据检测位置对第二图像执行基于神经网络的元件缺陷检测操作，得到缺陷数据；基于厚度数据和缺陷数据判断待检测单元的达标情况；本发明能够通过传统机器视觉与人工智能算法相结合的方式，实现电路板定位、UV胶厚度检测以及不同种类UV胶缺陷识别的一体化功能，极大的提高了缺陷检测方法的检测效率及精度。

Description

一种UV胶缺陷检测方法、系统、设备及介质
技术领域
本发明涉及视觉检测技术领域，具体的，本发明应用于电路板表面紫外光固化胶检测领域，特别是涉及一种UV胶缺陷检测方法、系统、设备及介质。
背景技术
长期以来，工业领域质量检测是计算机视觉最有挑战性的一项任务，工业质量检测是工业检测领域中不可或缺的一部分。
目前，在工业质量检测领域的实际应用场景中，大多数使用以机器学习为基础的传统机器视觉技术，该方法对噪声数据过于敏感，尤其是当图片不清晰时，识别效果较差，此外，这种方法需要人为提取标定特征并对其进行训练和检测，开发周期较长，适用性较差；然而，在工业应用中，对于电路板表面紫外光固化胶（UV胶）经常需要进行厚度、气泡、橘皮等缺陷的质量检测，但是由于UV胶表面特征复杂，同一种缺陷外观差异较大，传统机器视觉算法准确率较低，故目前的检测方法大多采用人工质检辅助传统机器视觉检测的方式进行UV胶缺陷检测；其中，人工质检效率较慢，检测进度及结果受人为干扰因素大，而传统机器视觉算法对缺陷的检测鲁棒性差，误检率高，同样也影响了最终的检测效率及精度。
综上所述，目前基于人工质检和传统机器视觉算法相结合的UV胶质量检测方法的检测效率及检测精度较低，检测成本较高。
发明内容
本发明的目的在于，针对现有技术中的上述问题，提供一种UV胶缺陷检测方法、系统、设备及介质，进而解决现有技术中基于人工质检和传统机器视觉算法相结合的UV胶质量检测方法的检测效率及检测精度较低，检测成本较高的问题。
为解决上述技术问题，本发明的具体技术方案如下：
一方面，本发明提供一种UV胶缺陷检测方法，包括以下步骤：
图像获取步骤：
设置第一光源，基于所述第一光源获取待检测单元的第一图像；
设置不同于所述第一光源的第二光源，基于所述第二光源获取所述待检测单元的第二图像；
图像定位步骤：
对所述第一图像执行元件定位操作，得到检测位置；
厚度检测步骤：
根据所述检测位置对所述第二图像执行基于数据拟合处理的厚度检测操作，得到厚度数据；
缺陷检测步骤：
根据所述检测位置对所述第二图像执行基于神经网络的元件缺陷检测操作，得到缺陷数据；
达标判断步骤：
基于所述厚度数据和所述缺陷数据判断所述待检测单元的达标情况。
作为一种改进的方案，所述执行元件定位操作前，配置区域检测算法，设置检测范围；
所述元件定位操作，包括：
根据所述检测范围调用所述区域检测算法识别所述裁剪图像的待检测区域；确认所述待检测区域的区域坐标，令所述区域坐标作为所述检测位置。
作为一种改进的方案，所述基于数据拟合处理的厚度检测操作，包括：
获取映射数据样本集，基于所述映射数据样本集拟合厚度检测策略；
根据所述检测位置确认所述第二图像的待测图像区域；
识别所述待测图像区域的图像数据；
获取所述第二光源的光源数据；
将所述图像数据和所述光源数据作为所述厚度检测策略的数据源进行计算，得到所述待测图像区域的厚度参数；
令所述厚度参数作为所述厚度数据。
作为一种改进的方案，所述执行基于神经网络的元件缺陷检测操作前，获取缺陷样本图像，对所述缺陷样本图像进行预处理，得到样本集；基于所述样本集训练神经网络模型，得到待使用网络模型；
所述基于神经网络的元件缺陷检测操作，包括：
根据所述检测位置确认所述第二图像的待测图像区域；
调用所述待使用网络模型对所述待测图像区域进行缺陷特征检测，得到缺陷图像结果；
识别所述缺陷图像结果中的缺陷位置数据和缺陷属性信息；
令所述缺陷图像结果、所述缺陷位置数据和所述缺陷属性信息作为所述缺陷数据。
作为一种改进的方案，所述获取映射数据样本集，包括：
确认样本元件图像；
获取所述样本元件图像的样本图像数据；
获取所述样本元件图像所对应的样本光源数据；
检测所述样本元件图像所对应的样本元件厚度；
将所述样本图像数据、所述样本光源数据和所述样本元件厚度间建立映射关系，得到厚度映射样本；
基于若干所述厚度映射样本建立所述映射数据样本集；
所述基于所述映射数据样本集拟合厚度检测策略，包括：
对所述映射数据样本集中的若干所述厚度映射样本进行数据拟合，得到关于所述样本图像数据、所述样本光源数据与所述样本元件厚度间的映射策略；
令所述映射策略作为所述厚度检测策略。
作为一种改进的方案，所述获取缺陷样本图像，对所述缺陷样本图像进行预处理，得到样本集，包括：
设置缺陷种类，按照所述缺陷种类进行图像均衡捕捉，得到若干缺陷图像，令若干所述缺陷图像作为所述缺陷样本图像；
按照若干所述缺陷图像分别对应的缺陷位置及缺陷种类，对若干所述缺陷图像分别进行像素级缺陷标注，得到若干标注图像；
设定划分比例，按照所述划分比例将若干所述标注图像划分为训练集、验证集和测试集；
令所述训练集、所述验证集和所述测试集作为所述样本集；
所述基于所述样本集训练神经网络模型，得到待使用网络模型，包括：
对所述训练集进行图像增强处理，得到增强训练集；
基于所述增强训练集和所述验证集迭代训练初始网络模型；
基于所述测试集对迭代训练后的初始网络模型进行准确率测试；
基于所述准确率测试的测试结果设定所述迭代训练后的初始网络模型作为所述待使用网络模型。
作为一种改进的方案，所述待使用网络模型至少由特征提取网络、注意力模块和特征融合网络组成；
当调用所述待使用网络模型对所述待测图像区域进行缺陷特征检测时，所述特征提取网络基于四个第一基本块的级联操作进行第一缺陷特征提取；
当调用所述待使用网络模型对所述待测图像区域进行缺陷特征检测时，所述注意力模块基于卷积模块、残差边和激活函数进行特征图计算；
当调用所述待使用网络模型对所述待测图像区域进行缺陷特征检测时，所述特征融合网络基于四个第二基本块的级联操作进行第二缺陷特征提取，所述特征融合网络基于所述第一缺陷特征和所述第二缺陷特征进行特征融合。
另一方面，本发明还提供一种UV胶缺陷检测系统，包括：
图像获取模块、图像定位模块、厚度检测模块、缺陷检测模块和达标判断模块；
所述图像获取模块，用于设置第一光源，并基于所述第一光源获取待检测单元的第一图像；所述图像获取模块设置不同于所述第一光源的第二光源，所述图像获取模块基于所述第二光源获取所述待检测单元的第二图像；
所述图像定位模块，用于对所述第一图像执行元件定位操作，得到检测位置；
所述厚度检测模块，用于根据所述检测位置对所述第二图像执行基于数据拟合处理的厚度检测操作，得到厚度数据；
所述缺陷检测模块，用于根据所述检测位置对所述第二图像执行基于神经网络的元件缺陷检测操作，得到缺陷数据；
所述达标判断模块，用于根据所述厚度数据和所述缺陷数据判断所述待检测单元的达标情况。
另一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述UV胶缺陷检测方法的步骤。
另一方面，本发明还提供一种计算机设备，所述计算机设备包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；其中：
所述存储器，用于存放计算机程序；
所述处理器，用于通过运行所述存储器上所存放的程序来执行所述UV胶缺陷检测方法的步骤。
本发明技术方案的有益效果是：
1、本发明所述的UV胶缺陷检测方法，可以实现采用多种光源切换的方式，来同步实现定位功能和检测功能，提高了整体的缺陷识别效率，节省了检测时间，再者，本发明通过传统机器视觉与人工智能算法相结合的方式，满足不同光源情况下UV胶缺陷的准确检测以及UV胶厚度的准确检测，通过人工智能算法，能够对不同种类缺陷进行同时识别，无需对不同缺陷设计不同算法，提高了缺陷识别的时效性，且本发明中的人工智能算法经过了验证、测试与优化，具有较佳的检测效果，降低了误检率；本发明实现了电路板定位、无需传感器的UV胶厚度精准检测以及不同种类UV胶缺陷高效精准识别的一体化功能，极大的提高了缺陷检测方法的检测效率、检测精度及普适性。
2、本发明所述的UV胶缺陷检测系统，可以通过图像获取模块、图像定位模块、厚度检测模块、缺陷检测模块和达标判断模块的相互配合，进而实现采用多种光源切换的方式，来同步实现定位功能和检测功能，提高了整体的缺陷识别效率，节省了检测时间，再者，本发明通过传统机器视觉与人工智能算法相结合的方式，满足不同光源情况下UV胶缺陷的准确检测以及UV胶厚度的准确检测，通过人工智能算法，能够对不同种类缺陷进行同时识别，无需对不同缺陷设计不同算法，提高了缺陷识别的时效性，且本发明中的人工智能算法经过了验证、测试与优化，具有较佳的检测效果，降低了误检率；本发明实现了电路板定位、无需传感器的UV胶厚度精准检测以及不同种类UV胶缺陷高效精准识别的一体化功能，极大的提高了缺陷检测方法的检测效率、检测精度及普适性。
3、本发明所述的计算机可读存储介质，可以实现引导图像获取模块、图像定位模块、厚度检测模块、缺陷检测模块和达标判断模块进行配合，进而实现本发明所述的UV胶缺陷检测方法，且本发明所述的计算机可读存储介质还有效提高所述UV胶缺陷检测方法的可操作性。
4、本发明所述的计算机设备，可以实现存储并执行所述计算机可读存储介质，进而实现本发明所述的UV胶缺陷检测方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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是本发明实施例1所述UV胶缺陷检测方法的流程示意图；
图2是本发明实施例1所述UV胶缺陷检测方法的详细流程示意图；
图3是本发明实施例1所述UV胶缺陷检测方法在实际操作时的逻辑流程示意图；
图4是本发明实施例1所述UV胶缺陷检测方法中所述待使用网络模型的架构示意图；
图5是本发明实施例2所述UV胶缺陷检测系统的架构示意图；
图6是本发明实施例4所述计算机设备的结构示意图；
附图中的标记说明如下：
1501、处理器；1502、通信接口；1503、存储器；1504、通信总线。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
在本发明的描述中，需要说明的是，本发明所描述的实施例是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
本实施例提供一种UV胶缺陷检测方法，如图1~图4所示，包括以下步骤：
S100、图像获取步骤，具体包括：
S110、设置第一光源，基于所述第一光源获取待检测单元的第一图像；设置不同于所述第一光源的第二光源，基于所述第二光源获取所述待检测单元的第二图像；
作为本发明可选的一种实施方式，本申请的主要应用于电路板表面UV胶的缺陷检测，其中UV胶的缺陷具体是指UV胶气泡以及橘皮等缺陷；本申请的原理在于结合传统的机器视觉算法进行电路板的定位及厚度精准检测，结合人工智能算法实现UV胶的缺陷检测，最终提升了算法整体的鲁棒性，提高了整体的检测精度；
作为本发明可选的一种实施方式，前述的第一光源为白光光源，前述的第二光源为UV光源，前述的待检测单元为需要进行缺陷检测的电路板；本实施方式中，首先将电路板经传动带传输至指定的检测位置后，将对所述检测位置的检测光源调整为所述第一光源，然后采用工业相机对电路板进行图像采集，得到所述第一图像；后续，将对所述检测位置的检测光源调整为所述第二光源，然后采用工业相机对电路板进行图像的再次采集，得到所述第二图像；在本实施方式中，根据白光下的第一图像进行电路板的定位，根据UV光下的第二图像进行电路板的厚度检测和缺陷检测；因为电路板上UV胶水是透明的，故在传统的白光光源下结合rgbw彩色信息进行缺陷检测时，UV胶缺陷会产生花纹效果，影响检测精度，但是，在本申请的UV光下可克服前述的问题，能够达到较高精度的胶水缺陷检测效果；作为一种可选的实施方式，如图3所示，在实际操作中，可在获取到第一图像后开展对应的元件定位操作，然后获取第二图像，并进行后续的厚度检测和缺陷检测。
S200、图像定位步骤，具体包括：
S210、对所述第一图像执行元件定位操作，得到检测位置；
作为本发明的一种实施方式，在执行所述元件定位操作前，预配置区域检测算法，设置检测范围；本实施方式中，区域检测算法包括但不限于模板匹配方法，检测范围包括但不限于设置每个电路板中具体需要进行检测的位置范围；具体的区域检测算法和检测范围根据本方法所实际应用的项目需求设定；例如，前述的模板匹配方法为，选取包含Mark（UV胶缺陷）的图片作为模板，然后在本方法执行时，使用预先配置的模板进行Mark的匹配，通过匹配找到Mark的具体位置；上述的匹配方法包括但不限于：基于形状的模板匹配（shape-match算法）和基于像素的模板匹配（NCC算法）；当然，在一些特定情况下，也会采用其他的区域检测算法，例如需要针对某种形状的Mark点，如圆形，则会采用图像处理的方法提取出圆形的中心点，作为Mark点的具体位置；
作为本发明的一种实施方式，所述元件定位操作，包括：
根据所述检测范围，即可对第一图像中对应该检测范围的区域进行裁剪，得到裁剪图像；之后调用前述预配置的所述区域检测算法识别所述裁剪图像中需要检测缺陷的区域，即为待检测区域；基于该区域检测算法即可确认并定位所述待检测区域的区域坐标，令所述区域坐标作为所述检测位置，完成对电路板的精准定位。
S300、厚度检测步骤，具体包括：
S310、根据所述检测位置对所述第二图像执行基于数据拟合处理的厚度检测操作，得到厚度数据；
作为本发明的一种实施方式，所述基于数据拟合处理的厚度检测操作，包括：
获取映射数据样本集，具体包括：确认样本元件图像；此步骤中，样本元件图像即为存在UV胶缺陷的电路板图像，该图像的获取过程，可以首先对标准的治具进行UV胶的涂覆，之后在UV光源下相机拍摄获取对应的样本元件图像；获取所述样本元件图像的样本图像数据，此处的样本图像数据为该样本元件图像所对应的像素值；获取所述样本元件图像所对应的样本光源数据，此处的样本光源数据为在拍摄该样本元件图像时，所采用的何光源的强度/亮度等光源数据；之后采用高精度的激光测厚仪对所述样本元件图像的UV胶厚度进行检测，得到对应的样本元件厚度；由于在相同的光源条件下，胶水的厚度和拍摄到图片的颜色深浅度呈正相关，故本方法中，根据此正相关的原理，来求得厚度判断过程中，光源要素、图像数据要素和厚度要素之间的函数关系，根据该函数关系即可精准测得不同情况下的UV胶厚度值，进而实现不通过传感器件，而采用算法的方式，对电路板的UV胶厚度进行精准检测；故，将所述样本图像数据、所述样本光源数据和所述样本元件厚度间建立映射关系，得到厚度映射样本；之后按照上述的方法，在若干种不同的UV胶厚度以及不同的光源条件下，创建足够多的若干种厚度映射样本，基于若干所述厚度映射样本即可建立映射数据样本集；
基于所述映射数据样本集拟合厚度检测策略，具体包括：对所述映射数据样本集中的若干所述厚度映射样本，按照所述样本图像数据、所述样本光源数据与对应的样本元件厚度间的计算关系，进行数据拟合，最终得到关于所述样本图像数据、所述样本光源数据与所述样本元件厚度间的映射策略；在本实施方式中，对于上述数据进行数据拟合的方式不限，包括但不限于采用函数计算的方式或采用人工智能算法训练智能识别模型的方式，最终得到的该映射策略为各个数据之间的一个转换关系，而该映射策略即可作为一个厚度检测模型或一个厚度检测函数的原理或逻辑；在上述过程中，该厚度检测模型/厚度检测函数的检测性能/精准度直接取决于若干所述厚度映射样本的数量及质量；故，令所述映射策略作为厚度检测策略；之后，需要根据所述检测位置中的区域坐标确认所述第二图像的待测图像区域；识别所述待测图像区域的像素值作为图像数据；获取所述第二光源的亮度值作为光源数据；将所述图像数据和所述光源数据作为所述厚度检测策略的数据源进行计算，即可通过对应的厚度检测模型/厚度检测函数输出得到第二图像中对应所述待测图像区域位置处UV胶的厚度参数；最终令所述厚度参数作为所述厚度数据，完成高精度的UV胶厚度检测。
S400、缺陷检测步骤，具体包括：
S410、根据所述检测位置对所述第二图像执行基于神经网络的元件缺陷检测操作，得到缺陷数据；
作为本发明的一种实施方式，所述执行基于神经网络的元件缺陷检测操作前，获取缺陷样本图像，具体包括：设置缺陷种类，缺陷种类可包括多种，具体根据项目需求设置；之后按照所述缺陷种类进行图像均衡捕捉，得到若干缺陷图像；图像均衡捕捉是指通过相机获取不同缺陷种类的缺陷图像，且尽可能的保证每种缺陷种类的缺陷图像的数量尽量均衡，进而实现样本均衡，降低后续神经网络模型的局限性；最终令若干所述缺陷图像作为所述缺陷样本图像；
之后对所述缺陷样本图像进行预处理，得到样本集，具体包括：按照若干所述缺陷图像分别对应的缺陷位置及缺陷种类，对若干所述缺陷图像分别进行像素级缺陷标注，得到若干标注图像；像素级缺陷标注是指，采用标注软件对若干所述缺陷图像中明确的缺陷部位进行对应缺陷种类、大小属性信息的准确标签的标注，标注级别为像素级标注；
为了保证达到高性能的神经网络模型，本申请中采用训练、验证和测试三种方式对神经网络模型进行训练和微调，故需要设定划分比例（本实施方式中，作为可选的举例，将划分比例设置为6:2:2），之后按照所述划分比例将若干所述标注图像划分为训练集、验证集和测试集；此处完成了缺陷样本图像的预处理，故令所述训练集、所述验证集和所述测试集作为所述样本集；
再之后基于所述样本集训练神经网络模型，得到待使用网络模型，具体包括：对所述训练集进行图像增强处理，得到增强训练集；图像增强处理是指，首先将训练集中图像和对应的标签数据缩放至统一的尺寸，之后对训练集中图像进行亮度、对比度变换等图像增强处理操作，完成增强训练集的构建；之后
基于所述增强训练集和所述验证集迭代训练初始网络模型；迭代训练初始网络模型是指，首先基于所述增强训练集进行初始的神经网络模型的训练，之后通过验证集来验证训练后的神经网络模型的检测效果，并根据验证集验证出的检测效果来调整神经网络模型的训练参数；如此迭代，产出最终的初始网络模型；
之后，基于所述测试集对迭代训练后的初始网络模型进行准确率测试；准确率测试是指，采用测试集对前述的初始网络模型进行模型检测准确率的测试；基于所述准确率测试的测试结果设定所述迭代训练后的初始网络模型作为所述待使用网络模型，具体的，此步骤中根据模型检测准确率结果选取平均模型检测准确率最高的初始网络模型作为所述待使用网络模型，用于投入到本方法的缺陷检测中使用；此步骤中，完成了对于缺陷检测模型的训练、迭代以及进一步筛选，尽可能的保证了最终产出的模型的较佳性能；作为可选的实施方式，在应用时，将待使用网络模型导出并进行tensorrt加速，封装为DLL（Dynamic-Link Libraries）文件供具体的生产环境使用；
作为本发明的一种实施方式，所述基于神经网络的元件缺陷检测操作，包括：根据所述检测位置确认所述第二图像的待测图像区域；调用所述待使用网络模型对所述待测图像区域进行缺陷特征检测，得到缺陷图像结果；待使用网络模型在进行缺陷检测时，会输出对应的缺陷图像结果，且该缺陷图像结果中会标注有对应缺陷的具体位置、种类以及属性大小等信息；故识别所述缺陷图像结果中的缺陷位置数据（缺陷的具体位置）和缺陷属性信息（缺陷的种类以及属性大小等信息）；令所述缺陷图像结果、所述缺陷位置数据和所述缺陷属性信息作为所述缺陷数据。
作为本发明的一种实施方式，所述待使用网络模型至少由特征提取网络、注意力模块和特征融合网络组成；
具体的，如图4所示，所述特征提取网络使用神经网络中卷积模块与下采样模块搭建第一基本块L1、L2、L3、L4；其中，卷积模块包括大小为3，步长为2的卷积核，批正则化；且下采样模块根据模型中输入的图像大小动态调整参数，进而保证后续特征融合网络的尺寸一致性；当调用所述待使用网络模型对所述待测图像区域进行缺陷特征检测时，所述特征提取网络会基于四个第一基本块（L1、L2、L3、L4）的级联操作，实现特征的提取以及图像尺寸的缩小，进而实现不同尺寸缺陷（即第一缺陷特征）的提取；
具体的，如图4所示，所述注意力模块使用神经网络中的卷积模块、残差边以及激活函数等组成基础的特征图计算模组；当调用所述待使用网络模型对所述待测图像区域进行缺陷特征检测时，所述注意力模块基于特征图计算模组进行特征图计算，此处的特征图计算是指，所述注意力模块基于特征图计算模组对图像通道特征图进行计算，之后加权融合原有图像特征；之后对经过图像通道特征图加权融合后的特征图进行空间上的特征图计算，最终再加权生成最终特征图；
具体的，如图4所示，所述特征融合网络主要包括特征提取和特征融合两部分；所述特征融合网络的特征提取部分使用神经网络的上采样模块及卷积模块搭建第二基本块U1、U2、U3、U4；其中上采样模块根据模型所输入的图像大小来动态调整参数，进而保证特征图尺寸的适配性；当调用所述待使用网络模型对所述待测图像区域进行缺陷特征检测时，所述特征融合网络基于四个第二基本块（U1、U2、U3、U4）的级联操作进行第二缺陷特征提取，最终所述特征融合网络将经过L1、L2、L3、L4的特征图与经过U1、U2、U3、U4的特征图（即第二缺陷特征）进行特征图融合，最终得到新的特征图。
S500、达标判断步骤，具体包括：
S510、基于所述厚度数据和所述缺陷数据判断所述待检测单元的达标情况；由于所述厚度数据和所述缺陷数据都是对应计划或目标的检测位置，故后续在生产操作中，根据对于该检测位置预设的厚度阈值及缺陷分析规范，即可判断出所述厚度数据和所述缺陷数据是否分别符合对应的要求，进而判断该待检测单元是否为达标板或非达标板。
实施例2
本实施例基于与实施例1中所述的一种UV胶缺陷检测方法相同的发明构思，提供一种UV胶缺陷检测系统，如图5所示，包括：图像获取模块、图像定位模块、厚度检测模块、缺陷检测模块和达标判断模块；
作为本发明的一种实施方式，所述图像获取模块，包括：光源设置子模块和图像捕捉子模块；
所述光源设置子模块用于设置第一光源，所述图像捕捉子模块用于基于所述第一光源获取待检测单元的第一图像；所述光源设置子模块还用于设置不同于所述第一光源的第二光源，所述图像捕捉子模块还用于基于所述第二光源获取所述待检测单元的第二图像；
所述图像定位模块，用于对所述第一图像执行元件定位操作，得到检测位置；
作为本发明的一种实施方式，所述图像定位模块包括：检测算法预配置子模块和元件定位检测子模块；
作为本发明的一种实施方式，所述检测算法预配置子模块用于在执行元件定位操作前，配置区域检测算法，设置检测范围；
作为本发明的一种实施方式，所述元件定位操作，包括：元件定位检测子模块根据所述检测范围调用所述区域检测算法识别所述裁剪图像的待检测区域；元件定位检测子模块确认所述待检测区域的区域坐标，元件定位检测子模块令所述区域坐标作为所述检测位置。
所述厚度检测模块，用于根据所述检测位置对所述第二图像执行基于数据拟合处理的厚度检测操作，得到厚度数据；
作为本发明的一种实施方式，所述厚度检测模块包括：厚度检测策略预配置子模块、第一位置确认子模块、图像数据识别子模块、光源数据获取子模块和厚度数据计算子模块；
作为本发明的一种实施方式，所述厚度检测模块基于数据拟合处理的厚度检测操作，包括：厚度检测策略预配置子模块获取映射数据样本集，厚度检测策略预配置子模块基于所述映射数据样本集拟合厚度检测策略；第一位置确认子模块根据所述检测位置确认所述第二图像的待测图像区域；图像数据识别子模块识别所述待测图像区域的图像数据；光源数据获取子模块获取所述第二光源的光源数据；厚度数据计算子模块将所述图像数据和所述光源数据作为所述厚度检测策略的数据源进行计算，得到所述待测图像区域的厚度参数；厚度数据计算子模块令所述厚度参数作为所述厚度数据。
作为本发明的一种实施方式，厚度检测策略预配置子模块包括：厚度检测样本获取单元、光源样本识别单元、高精度厚度检测单元、映射处理单元、样本集整合单元和数据拟合处理单元；
所述厚度检测策略预配置子模块获取映射数据样本集，包括：厚度检测样本获取单元确认样本元件图像；厚度检测样本获取单元获取所述样本元件图像的样本图像数据；光源样本识别单元获取所述样本元件图像所对应的样本光源数据；高精度厚度检测单元检测所述样本元件图像所对应的样本元件厚度；映射处理单元将所述样本图像数据、所述样本光源数据和所述样本元件厚度间建立映射关系，得到厚度映射样本；样本集整合单元基于若干所述厚度映射样本建立所述映射数据样本集；
作为本发明的一种实施方式，所述厚度检测策略预配置子模块基于所述映射数据样本集拟合厚度检测策略，包括：数据拟合处理单元对所述映射数据样本集中的若干所述厚度映射样本进行数据拟合，得到关于所述样本图像数据、所述样本光源数据与所述样本元件厚度间的映射策略；数据拟合处理单元令所述映射策略作为所述厚度检测策略。
所述缺陷检测模块，用于根据所述检测位置对所述第二图像执行基于神经网络的元件缺陷检测操作，得到缺陷数据；
作为本发明的一种实施方式，所述缺陷检测模块包括：模型预配置子模块、第二位置确认子模块、模型调用子模块和数据识别子模块；
作为本发明的一种实施方式，所述执行基于神经网络的元件缺陷检测操作前，模型预配置子模块获取缺陷样本图像，模型预配置子模块对所述缺陷样本图像进行预处理，得到样本集；模型预配置子模块基于所述样本集训练神经网络模型，得到待使用网络模型；
作为本发明的一种实施方式，所述模型预配置子模块包括：缺陷图像获取单元、图像标注单元、图像分类单元、训练集增强处理单元、模型训练单元、模型测试单元和模型拣选单元；
所述模型预配置子模块获取缺陷样本图像，对所述缺陷样本图像进行预处理，得到样本集，包括：缺陷图像获取单元设置缺陷种类，缺陷图像获取单元按照所述缺陷种类进行图像均衡捕捉，得到若干缺陷图像，缺陷图像获取单元令若干所述缺陷图像作为所述缺陷样本图像；图像标注单元按照若干所述缺陷图像分别对应的缺陷位置及缺陷种类，对若干所述缺陷图像分别进行像素级缺陷标注，得到若干标注图像；图像分类单元设定划分比例，图像分类单元按照所述划分比例将若干所述标注图像划分为训练集、验证集和测试集；图像分类单元令所述训练集、所述验证集和所述测试集作为所述样本集；
作为本发明的一种实施方式，所述模型预配置子模块基于所述样本集训练神经网络模型，得到待使用网络模型，包括：训练集增强处理单元对所述训练集进行图像增强处理，得到增强训练集；模型训练单元基于所述增强训练集和所述验证集迭代训练初始网络模型；模型测试单元基于所述测试集对迭代训练后的初始网络模型进行准确率测试；模型拣选单元基于所述准确率测试的测试结果设定所述迭代训练后的初始网络模型作为所述待使用网络模型。
作为本发明的一种实施方式，所述缺陷检测模块基于神经网络的元件缺陷检测操作，包括：第二位置确认子模块根据所述检测位置确认所述第二图像的待测图像区域；模型调用子模块调用所述待使用网络模型对所述待测图像区域进行缺陷特征检测，得到缺陷图像结果；数据识别子模块识别所述缺陷图像结果中的缺陷位置数据和缺陷属性信息；数据识别子模块令所述缺陷图像结果、所述缺陷位置数据和所述缺陷属性信息作为所述缺陷数据。
作为本发明的一种实施方式，所述待使用网络模型至少由特征提取网络、注意力模块和特征融合网络组成；
作为本发明的一种实施方式，当调用所述待使用网络模型对所述待测图像区域进行缺陷特征检测时，所述特征提取网络基于四个第一基本块的级联操作进行第一缺陷特征提取；
作为本发明的一种实施方式，当调用所述待使用网络模型对所述待测图像区域进行缺陷特征检测时，所述注意力模块基于卷积模块、残差边和激活函数进行特征图计算；
作为本发明的一种实施方式，当调用所述待使用网络模型对所述待测图像区域进行缺陷特征检测时，所述特征融合网络基于四个第二基本块的级联操作进行第二缺陷特征提取，所述特征融合网络基于所述第一缺陷特征和所述第二缺陷特征进行特征融合。
所述达标判断模块，用于根据所述厚度数据和所述缺陷数据判断所述待检测单元的达标情况。
实施例3
本实施例提供一种计算机可读存储介质，包括：
所述存储介质用于储存将上述实施例1所述的UV胶缺陷检测方法实现所用的计算机软件指令，其包含用于执行上述为所述UV胶缺陷检测方法所设置的程序；具体的，该可执行程序可以内置在实施例2所述的UV胶缺陷检测系统中，这样，UV胶缺陷检测系统就可以通过执行内置的可执行程序实现所述实施例1所述的UV胶缺陷检测方法。
此外，本实施例具有的计算机可读存储介质可以采用一个或多个可读存储介质的任意组合，其中，可读存储介质包括电、光、电磁、红外线或半导体的系统、装置或器件，或者以上任意组合。
实施例4
本实施例提供一种电子设备，如图6所示，电子设备可以包括：处理器1501、通信接口1502、存储器1503和通信总线1504，其中，处理器1501，通信接口1502，存储器1503通过通信总线1504完成相互间的通信。
存储器1503，用于存放计算机程序；
处理器1501，用于执行存储器1503上所存放的计算机程序时，实现上述实施例1中所述UV胶缺陷检测方法的步骤。
作为本发明的一种实施方式，上述终端提到的通信总线可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
作为本发明的一种实施方式，通信接口用于上述终端与其他设备之间的通信。
作为本发明的一种实施方式，存储器可以包括随机存取存储器(Random AccessMemory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
作为本发明的一种实施方式，上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
区别于现有技术，采用本申请一种UV胶缺陷检测方法、系统、设备及介质，可以采用多种光源切换的方式，来同步实现定位功能和检测功能，提高了整体的缺陷识别效率，节省了检测时间，再者，本发明通过传统机器视觉与人工智能算法相结合的方式，满足不同光源情况下UV胶缺陷的准确检测以及UV胶厚度的准确检测，通过人工智能算法，能够对不同种类缺陷进行同时识别，无需对不同缺陷设计不同算法，提高了缺陷识别的时效性，且本发明中的人工智能算法经过了验证、测试与优化，具有较佳的检测效果，降低了误检率；本发明实现了电路板定位、无需传感器的UV胶厚度精准检测以及不同种类UV胶缺陷高效精准识别的一体化功能，极大的提高了缺陷检测方法的检测效率、检测精度及普适性。
应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。
还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种UV胶缺陷检测方法，其特征在于，包括以下步骤：
图像获取步骤：
设置第一光源，基于所述第一光源获取待检测单元的第一图像；
设置不同于所述第一光源的第二光源，基于所述第二光源获取所述待检测单元的第二图像；
图像定位步骤：
对所述第一图像执行元件定位操作，得到检测位置；
厚度检测步骤：
根据所述检测位置对所述第二图像执行基于数据拟合处理的厚度检测操作，得到厚度数据；
缺陷检测步骤：
根据所述检测位置对所述第二图像执行基于神经网络的元件缺陷检测操作，得到缺陷数据；
达标判断步骤：
基于所述厚度数据和所述缺陷数据判断所述待检测单元的达标情况。
2.根据权利要求1所述的一种UV胶缺陷检测方法，其特征在于：
所述执行元件定位操作前，配置区域检测算法，设置检测范围；
所述元件定位操作，包括：
根据所述检测范围对所述第一图像进行裁剪，得到裁剪图像；
调用所述区域检测算法识别所述裁剪图像的待检测区域；
确认所述待检测区域的区域坐标，令所述区域坐标作为所述检测位置。
3.根据权利要求1所述的一种UV胶缺陷检测方法，其特征在于：
所述基于数据拟合处理的厚度检测操作，包括：
获取映射数据样本集，基于所述映射数据样本集拟合厚度检测策略；
根据所述检测位置确认所述第二图像的待测图像区域；
识别所述待测图像区域的图像数据；
获取所述第二光源的光源数据；
将所述图像数据和所述光源数据作为所述厚度检测策略的数据源进行计算，得到所述待测图像区域的厚度参数；
令所述厚度参数作为所述厚度数据。
4.根据权利要求1所述的一种UV胶缺陷检测方法，其特征在于：
所述执行基于神经网络的元件缺陷检测操作前，获取缺陷样本图像，对所述缺陷样本图像进行预处理，得到样本集；基于所述样本集训练神经网络模型，得到待使用网络模型；
所述基于神经网络的元件缺陷检测操作，包括：
根据所述检测位置确认所述第二图像的待测图像区域；
调用所述待使用网络模型对所述待测图像区域进行缺陷特征检测，得到缺陷图像结果；
识别所述缺陷图像结果中的缺陷位置数据和缺陷属性信息；
令所述缺陷图像结果、所述缺陷位置数据和所述缺陷属性信息作为所述缺陷数据。
5.根据权利要求3所述的一种UV胶缺陷检测方法，其特征在于：
所述获取映射数据样本集，包括：
确认样本元件图像；
获取所述样本元件图像的样本图像数据；
获取所述样本元件图像所对应的样本光源数据；
检测所述样本元件图像所对应的样本元件厚度；
将所述样本图像数据、所述样本光源数据和所述样本元件厚度间建立映射关系，得到厚度映射样本；
基于若干所述厚度映射样本建立所述映射数据样本集；
所述基于所述映射数据样本集拟合厚度检测策略，包括：
对所述映射数据样本集中的若干所述厚度映射样本进行数据拟合，得到关于所述样本图像数据、所述样本光源数据与所述样本元件厚度间的映射策略；
令所述映射策略作为所述厚度检测策略。
6.根据权利要求4所述的一种UV胶缺陷检测方法，其特征在于：
所述获取缺陷样本图像，对所述缺陷样本图像进行预处理，得到样本集，包括：
设置缺陷种类，按照所述缺陷种类进行图像均衡捕捉，得到若干缺陷图像，令若干所述缺陷图像作为所述缺陷样本图像；
按照若干所述缺陷图像分别对应的缺陷位置及缺陷种类，对若干所述缺陷图像分别进行像素级缺陷标注，得到若干标注图像；
设定划分比例，按照所述划分比例将若干所述标注图像划分为训练集、验证集和测试集；
令所述训练集、所述验证集和所述测试集作为所述样本集；
所述基于所述样本集训练神经网络模型，得到待使用网络模型，包括：
对所述训练集进行图像增强处理，得到增强训练集；
基于所述增强训练集和所述验证集迭代训练初始网络模型；
基于所述测试集对迭代训练后的初始网络模型进行准确率测试；
基于所述准确率测试的测试结果设定所述迭代训练后的初始网络模型作为所述待使用网络模型。
7.根据权利要求4所述的一种UV胶缺陷检测方法，其特征在于：
所述待使用网络模型至少由特征提取网络、注意力模块和特征融合网络组成；
当调用所述待使用网络模型对所述待测图像区域进行缺陷特征检测时，所述特征提取网络基于四个第一基本块的级联操作进行第一缺陷特征提取；
当调用所述待使用网络模型对所述待测图像区域进行缺陷特征检测时，所述注意力模块基于卷积模块、残差边和激活函数进行特征图计算；
当调用所述待使用网络模型对所述待测图像区域进行缺陷特征检测时，所述特征融合网络基于四个第二基本块的级联操作进行第二缺陷特征提取，所述特征融合网络基于所述第一缺陷特征和所述第二缺陷特征进行特征融合。
8.一种UV胶缺陷检测系统，其特征在于，包括：图像获取模块、图像定位模块、厚度检测模块、缺陷检测模块和达标判断模块；
所述图像获取模块，用于设置第一光源，并基于所述第一光源获取待检测单元的第一图像；所述图像获取模块设置不同于所述第一光源的第二光源，所述图像获取模块基于所述第二光源获取所述待检测单元的第二图像；
所述图像定位模块，用于对所述第一图像执行元件定位操作，得到检测位置；
所述厚度检测模块，用于根据所述检测位置对所述第二图像执行基于数据拟合处理的厚度检测操作，得到厚度数据；
所述缺陷检测模块，用于根据所述检测位置对所述第二图像执行基于神经网络的元件缺陷检测操作，得到缺陷数据；
所述达标判断模块，用于根据所述厚度数据和所述缺陷数据判断所述待检测单元的达标情况。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1~7中任一项所述UV胶缺陷检测方法的步骤。
10.一种计算机设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；其中：
所述存储器，用于存放计算机程序；
所述处理器，用于通过运行所述存储器上所存放的程序来执行权利要求1~7中任一项所述UV胶缺陷检测方法的步骤。
CN202211631389.0A 2022-12-19 2022-12-19 一种uv胶缺陷检测方法、系统、设备及介质 Active CN115619787B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211631389.0A CN115619787B (zh) 2022-12-19 2022-12-19 一种uv胶缺陷检测方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211631389.0A CN115619787B (zh) 2022-12-19 2022-12-19 一种uv胶缺陷检测方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN115619787A true CN115619787A (zh) 2023-01-17
CN115619787B CN115619787B (zh) 2023-03-31

Family

ID=84880805

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211631389.0A Active CN115619787B (zh) 2022-12-19 2022-12-19 一种uv胶缺陷检测方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN115619787B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116678898A (zh) * 2023-07-28 2023-09-01 苏州赫芯科技有限公司 一种通用化的晶片缺陷检测方法、系统、设备及介质
CN116958153A (zh) * 2023-09-21 2023-10-27 苏州赫芯科技有限公司 一种基于切片匹配的无监督缺陷检测方法、系统及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101042357A (zh) * 2007-04-11 2007-09-26 华中科技大学 一种基于机器视觉的浮法玻璃缺陷在线检测装置
CN108362702A (zh) * 2017-12-14 2018-08-03 北京木业邦科技有限公司 一种基于人工智能的单板缺陷检测方法、系统及设备
CN111366593A (zh) * 2020-04-16 2020-07-03 芜湖东旭光电科技有限公司 一种测量玻璃基板缺陷分层的装置和方法
US20210073970A1 (en) * 2019-09-10 2021-03-11 The Boeing Company Method and apparatus for coating thickness inspection of a surface and coating defects of the surface
CN113160128A (zh) * 2021-03-03 2021-07-23 合肥图迅电子科技有限公司 用于led的缺陷检测方法以及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101042357A (zh) * 2007-04-11 2007-09-26 华中科技大学 一种基于机器视觉的浮法玻璃缺陷在线检测装置
CN108362702A (zh) * 2017-12-14 2018-08-03 北京木业邦科技有限公司 一种基于人工智能的单板缺陷检测方法、系统及设备
US20210073970A1 (en) * 2019-09-10 2021-03-11 The Boeing Company Method and apparatus for coating thickness inspection of a surface and coating defects of the surface
CN111366593A (zh) * 2020-04-16 2020-07-03 芜湖东旭光电科技有限公司 一种测量玻璃基板缺陷分层的装置和方法
CN113160128A (zh) * 2021-03-03 2021-07-23 合肥图迅电子科技有限公司 用于led的缺陷检测方法以及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116678898A (zh) * 2023-07-28 2023-09-01 苏州赫芯科技有限公司 一种通用化的晶片缺陷检测方法、系统、设备及介质
CN116678898B (zh) * 2023-07-28 2023-10-24 苏州赫芯科技有限公司 一种通用化的晶片缺陷检测方法、系统、设备及介质
CN116958153A (zh) * 2023-09-21 2023-10-27 苏州赫芯科技有限公司 一种基于切片匹配的无监督缺陷检测方法、系统及介质
CN116958153B (zh) * 2023-09-21 2023-11-28 苏州赫芯科技有限公司 一种基于切片匹配的无监督缺陷检测方法、系统及介质

Also Published As

Publication number Publication date
CN115619787B (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
CN115619787B (zh) 一种uv胶缺陷检测方法、系统、设备及介质
CN106875381B (zh) 一种基于深度学习的手机外壳缺陷检测方法
US8885048B2 (en) Computer vision and radio frequency identification technology based book enrolment management apparatus
CN105528789B (zh) 机器人视觉定位方法和装置、视觉标定方法和装置
CN109520706B (zh) 一种汽车保险丝盒的螺孔坐标提取方法
US20070176927A1 (en) Image Processing method and image processor
CN114897864B (zh) 基于数模信息的工件检测及缺陷判断方法
CN107895362B (zh) 一种微型接线端子质量检测的机器视觉方法
CN109409428A (zh) 木板识别及木板识别模型的训练方法、装置及电子设备
CN111126393A (zh) 车辆外观改装判断方法、装置、计算机设备及存储介质
CN116490901A (zh) 设施平面图中包括的标记分析装置及方法
WO2024002187A1 (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN110780982A (zh) 一种图像处理方法、装置及设备
CN116071315A (zh) 一种基于机器视觉的产品可视缺陷检测方法及系统
CN111291778B (zh) 深度分类模型的训练方法、曝光异常检测方法以及装置
CN116908185A (zh) 物品的外观缺陷检测方法、装置、电子设备及存储介质
CN116681677A (zh) 一种锂电池缺陷检测方法、装置及系统
CN115631169A (zh) 产品检测方法、装置、电子设备及存储介质
CN115239690A (zh) 一种基于图像识别的pcb线序检测方法及系统
CN110335274B (zh) 一种三维模具缺陷检测方法及装置
JP2019168930A (ja) 画像処理装置、画像処理方法及びプログラム
CN114219758A (zh) 缺陷检测方法、系统、电子设备和计算机可读存储介质
CN113034449A (zh) 目标检测模型训练方法、装置及通信设备
CN111445431B (zh) 一种图像分割方法、终端设备及计算机可读存储介质
Shen et al. Design and implementation of PCB detection and classification system based on machine vision

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