CN116309397A - 焊锡缺陷的检测方法、检测装置、计算机设备和存储介质 - Google Patents

焊锡缺陷的检测方法、检测装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116309397A
CN116309397A CN202310188760.9A CN202310188760A CN116309397A CN 116309397 A CN116309397 A CN 116309397A CN 202310188760 A CN202310188760 A CN 202310188760A CN 116309397 A CN116309397 A CN 116309397A
Authority
CN
China
Prior art keywords
image
soldering tin
detection
original
area
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310188760.9A
Other languages
English (en)
Inventor
李天洲
姜华
戴志强
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.)
Luster LightTech Co Ltd
Original Assignee
Luster LightTech 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 Luster LightTech Co Ltd filed Critical Luster LightTech Co Ltd
Priority to CN202310188760.9A priority Critical patent/CN116309397A/zh
Publication of CN116309397A publication Critical patent/CN116309397A/zh
Pending legal-status Critical Current

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • 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
    • G06T2207/30152—Solder
    • 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)
  • Geometry (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本申请公开了一种焊锡缺陷的检测方法、检测装置、计算机设备和计算机可读存储介质。焊锡缺陷的检测方法包括：获取焊锡区域的原始3D图像；将原始3D图像转为2D图像；处理2D图像以得到焊锡区域的外边缘信息；基于外边缘信息，在原始3D图像中将焊锡区域划分为不同的检测区；确定检测区内是否存在焊锡缺陷；若检测区内存在焊锡缺陷，确定焊锡缺陷的信息。本申请的焊锡缺陷的检测方法通过获取焊锡区域的原始3D图像，再基于原始3D图像转换得到的2D图像的外边缘信息来将焊锡区域划分，再确定不同区域的焊锡缺陷信息，实现了方便、快速、准确的定位缺陷部位，提高检测效率，相比人工检测无需投入大量人力，成本低，可靠性好。

Description

焊锡缺陷的检测方法、检测装置、计算机设备和存储介质
技术领域
本申请涉及表面缺陷检测技术领域，尤其涉及一种焊锡缺陷的检测方法、检测装置、计算机设备和计算机可读存储介质。
背景技术
缺陷检测技术是指对检测样本的表面斑点、凹坑、划痕、色差、缺损和内部结构等缺陷进行检测,获得检测样本表面或内部的缺陷深度、大小、轮廓、缺陷类别等相关信息的技术。现有的缺陷检测技术一般使用人工检测，然而，人工检测需要投入大量人力，成本高效率低，而且还容易造成漏检、误检。
发明内容
本申请提供一种焊锡缺陷的检测方法、检测装置、计算机设备和计算机可读存储介质。
本申请实施方式的焊锡缺陷的检测方法包括：
获取焊锡区域的原始3D图像；
将所述原始3D图像转为2D图像；
处理所述2D图像以得到所述焊锡区域的外边缘信息；
基于所述外边缘信息，在所述原始3D图像中将所述焊锡区域划分为不同的检测区；
确定所述检测区内是否存在焊锡缺陷；
若所述检测区内存在焊锡缺陷，确定所述焊锡缺陷的信息。
本申请实施方式的焊锡缺陷的检测方法通过获取焊锡区域的原始3D图像，再基于原始3D图像转换得到的2D图像的外边缘信息来将焊锡区域划分，再确定不同区域的焊锡缺陷信息，实现了方便、快速、准确的定位缺陷部位，提高检测效率，相比人工检测无需投入大量人力，成本低，可靠性好。
在某些实施方式中，所述将所述原始3D图像转为2D图像，包括：
根据灰度映射关系，将第一预定位数的所述3D图像转为第二预定位数的所述2D图像，所述第一预定位数大于所述第二预定位数。
在某些实施方式中，所述处理所述2D图像以得到所述焊锡区域的外边缘信息，包括：
在所述2D图像上使用预定方式处理以得到清晰的焊锡区域图像，所述预定处理方式包括对比度增强、二值化、形态学处理中的至少一种；
对焊锡区域图像进行Blob运算以得到所述焊锡区域的外边缘信息。
在某些实施方式中，所述确定所述检测区内是否存在焊锡缺陷，包括：
基于所述检测区，重新获取所述焊锡区域的新3D图像；
将所述新3D图像和原始3D图像进行比较，以凸显所述检测区的图像；
根据凸显的所述检测区的图像确定是否存在焊锡缺陷。
在某些实施方式中，在所述将所述新3D图像和原始3D图像进行比较之前，所述确定所述检测区内是否存在焊锡缺陷，还包括：
将所述新3D图像与所述原始3D图像对应坐标下没有数据的位置进行插值计算；
将所述新3D图像与所述原始3D图像的中心完全重合。
在某些实施方式中，所述检测方法还包括：
将所述焊锡缺陷的信息上传。
在某些实施方式中，所述检测方法还包括：
与3D扫描相机建立通信连接；
控制所述3D扫描相机工作以使所述3D扫描相机采集所述原始3D图像。
本申请实施方式的检测装置包括：
获取模块，用于获取焊锡区域的原始3D图像；
转换模块，用于将所述原始3D图像转为2D图像；
处理模块，用于处理所述2D图像以得到所述焊锡区域的外边缘信息；
划分模块，基于所述外边缘信息，在所述原始3D图像中将所述焊锡区域划分为不同的检测区；
第一确定模块，确定所述检测区内是否存在焊锡缺陷；
第二确定模块，若所述检测区内存在焊锡缺陷，确定所述焊锡缺陷的信息。
本申请实施方式的检测装置通过各模块获取焊锡区域的原始3D图像，再基于原始3D图像转换得到的2D图像的外边缘信息来将焊锡区域划分，再确定不同区域的焊锡缺陷信息，实现了方便、快速、准确的定位缺陷部位，提高检测效率，相比人工检测无需投入大量人力，成本低，可靠性好。
本申请实施方式的计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项实施方式所述的检测方法。
本申请实施方式的计算机可执行指令的非易失性计算机可读存储介质，当所述计算机可执行指令被一个或多个处理器执行时，使得所述处理器执行上述任一项实施方式所述的检测方法。
本申请的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施方式的描述中将变得明显和容易理解，其中：
图1是本申请实施方式的焊锡缺陷的检测方法的流程示意图；
图2是本申请实施方式的检测装置的模块示意图；
图3是本申请实施方式的计算机设备的模块示意图；
图4是本申请实施方式的焊锡缺陷的检测方法的流程示意图；
图5是本申请实施方式的焊锡缺陷的检测方法中利用Blob结果对焊锡检测区域进行划分的3D图像；
图6是本申请实施方式的焊锡缺陷的检测方法的流程示意图；
图7是本申请实施方式的焊锡缺陷的检测方法的流程示意图；
图8是本申请实施方式的焊锡缺陷的检测方法检测出焊锡缺陷的几何形态为凸起的示意图；
图9是本申请实施方式的焊锡缺陷的检测方法检测出焊锡缺陷的几何形态为凹陷的示意图；
图10是本申请实施方式的焊锡缺陷的检测方法检测出焊锡缺陷的几何形态为长条形缺陷的示意图；
图11是本申请实施方式的焊锡缺陷的检测方法采用增强显示焊锡缺陷前的示意图；
图12是本申请实施方式的焊锡缺陷的检测方法采用增强显示其中一种焊锡缺陷后的示意图；
图13是本申请实施方式的焊锡缺陷的检测方法采用增强显示另一种焊锡缺陷后的示意图；
图14是本申请实施方式的焊锡缺陷的检测方法的流程示意图。
主要元件符号说明：
检测装置100、获取模块11、转换模块12、处理模块13、划分模块14、第一确定模块15、第二确定模块16、计算机设备200、存储器210、处理器220。
具体实施方式
下面详细描述本申请的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。
在本申请的描述中，，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接或可以相互通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
下文的公开提供了许多不同的实施方式或例子用来实现本申请的不同结构。为了简化本申请的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本申请。此外，本申请可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本申请提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
请参阅图1，本申请实施方式的焊锡缺陷的检测方法包括：
S10:获取焊锡区域的原始3D图像；
S20:将原始3D图像转为2D图像；
S30:处理2D图像以得到焊锡区域的外边缘信息；
S40:基于外边缘信息，在原始3D图像中将焊锡区域划分为不同的检测区；
S50:确定检测区内是否存在焊锡缺陷；
S60:若检测区内存在焊锡缺陷，确定焊锡缺陷的信息。
请参阅图2，本申请实施方式的检测装置100包括获取模块11、转换模块12、处理模块13、划分模块14、第一确定模块15和第二确定模块16。本申请中的焊锡缺陷的检测方法可以由检测装置100来实现。
具体地，获取模块11用于获取焊锡区域的原始3D图像；转换模块12用于将原始3D图像转为2D图像；处理模块13用于处理2D图像以得到焊锡区域的外边缘信息；划分模块14用于基于外边缘信息，在原始3D图像中将焊锡区域划分为不同的检测区；第一确定模块15，用于确定检测区内是否存在焊锡缺陷；第二确定模块16用于若检测区内存在焊锡缺陷，确定焊锡缺陷的信息。
请参阅图3，本申请实施方式的计算机设备200包括存储器210和处理器220，存储器210存储有计算机程序，处理器220执行计算机程序时实现步骤S10、步骤S20、步骤S30、步骤S40、步骤S50和步骤S60焊锡缺陷的检测方法。
本申请实施方式的焊锡缺陷的检测方法通过检测装置100来获取焊锡区域的原始3D图像，再基于原始3D图像转换得到的2D图像的外边缘信息来将焊锡区域划分，再确定不同区域的焊锡缺陷信息，实现了方便、快速、准确的定位缺陷部位，提高检测效率，相比人工检测无需投入大量人力，成本低，可靠性好。
具体地，本申请实施方式的检测方法可应用于锂电池等电池外壳的焊锡检测。检测装置100可以是集成有通信、图像采集以及图像处理功能的装置。
例如，检测装置100可以包括有工业视觉软件，工业视觉的技术在自动化生产中最早采用的2D视觉技术，但由于2D视觉通常只能解决平面上的问题，对于有高度信息的物体，比如涉及到曲面、有弧度的产品，2D视觉难以发挥作用，由此促进了3D视觉的兴起。相较于2D视觉，3D视觉对环境光变化不敏感，精度和可靠性更高，在生产线中可以检测快速移动目标并获得形状、颜色对比度、空间坐标等信息。
3D视觉可以满足以往2D视觉难以满足的更多工业场景应用，对2D视觉起到补充作用。工业3D视觉主要集中在尺寸与缺陷检测、智能制造、自主导航三大类应用。工业3D视觉技术在工业领域内可以为全产线生产的赋能。
步骤S10中，获取锂电池的焊锡区域的原始3D图像可以通过相机采集得到，优选地，可以采用SR8060相机采集焊锡区域的，该相机可以使用编码器触发的方式，可以实现快速、高精图像采集；还可以建立通讯协议，控制相机的采集起始位、采集终止位、触发时长。
移动机构可以是设置或用来固定锂电池及其焊锡区域的可移动机构。采集的具体操作可以是通过制造移动机构与相机的相对运动，并通过移动机构移动过程中编码器输出的信号控制相机采集上千条激光轮廓数据，根据相机内部的算法将激光轮廓数据换算成3D相机事先标定好的坐标系里的三维坐标值；相机安装可与锂电池焊锡区域呈一定角度，便于锡焊区域的完整成像。
步骤S20中，转换模块12可通过数据映射、数据转换等方式将步骤S10中采集到的原始3D图像转为2D图像；步骤S30中，可先对步骤S20中转换得到的2D图像进行处理得到焊锡区域，然后再采用算法计算得到焊锡区域的外边缘结构信息。
步骤S40中，基于步骤S30获取的外边缘信息，划分模块14可对原始的3D图像上的焊锡区域划分为不同的检测区；然后可采取步骤S50，第一确定模块15可以采用算法计算的方式来确定检测区内是否存在焊锡缺陷；若检测区内存在焊锡缺陷，第二确定模块16可采取步骤S60来将对应区域的焊锡缺陷的信息确定。
在某些实施方式中，将原始3D图像转为2D图像(步骤S20)，包括：
S21:根据灰度映射关系，将第一预定位数的3D图像转为第二预定位数的2D图像，第一预定位数大于第二预定位数。
请参阅图2，在某些实施方式中，转换模块12用于根据灰度映射关系，将第一预定位数的3D图像转为第二预定位数的2D图像，第一预定位数大于第二预定位数。
请参阅图3，在某些实施方式中，处理器220用于根据灰度映射关系，将第一预定位数的3D图像转为第二预定位数的2D图像，第一预定位数大于第二预定位数。
如此，采用灰度映射关系的方式将原始3D图像转为2D图像可以减少图像噪点，提升图像的质量，便于后续将检测区划分的进行。
具体地，第一预定位数的3D图像可以是16位3D图像，第二预定位数的图像可以是小于16位的2D图像，例如，可以是8位的2D图像。将第一预定位数的3D图像转为第二预定位数的2D图像的灰度映射关系的原理可如下：
可先假设第一预定位数的3D图像与第二预定位数的2D图像之间存在一个灰度映射关系，然后建立坐标系。示例性地，可将坐标系的X轴表示第一预定位数的3D图像灰度值，Y轴表示第二预定位数的2D图像灰度值。然后取坐标系中两个原始基准点坐标为第一预定位数的3D图像的原始基准点坐标为(x1,y1)，第一预定位数的3D图像的原始基准点坐标为(x2,y2)。然后定义以下方式来完成映射：
(x1,y1)→(x`1,y`1)，
其中，x`1＝x1+(x2-x1)×a，y`1＝255×f(a)。
(x2,y2)→(x`2,y`2)，其中，
``
x2＝x2+(x2-x1)×b,y2＝255×f(b)。
需要说明的是，a,b取值范围[0,1]，根据实际使用情况进行设置；f(a)、f(b)为算法内部函数，由a,b取值进行控制；该算法可以很好的去除由于相机光学成像产生的噪点。
请参阅图4，在某些实施方式中，处理2D图像以得到焊锡区域的外边缘信息(步骤S30)，包括：
S31:在2D图像上使用预定方式处理以得到清晰的焊锡区域图像，预定处理方式包括对比度增强、二值化、形态学处理中的至少一种；
S32:对焊锡区域图像进行Blob运算以得到焊锡区域的外边缘信息。
请参阅图2，在某些实施方式中，处理模块13用于在2D图像上使用预定方式处理以得到清晰的焊锡区域图像，预定处理方式包括对比度增强、二值化、形态学处理中的至少一种；及用于对焊锡区域图像进行Blob运算以得到焊锡区域的外边缘信息。
请参阅图3，在某些实施方式中，处理器220用于在2D图像上使用预定方式处理以得到清晰的焊锡区域图像，预定处理方式包括对比度增强、二值化、形态学处理中的至少一种；及用于对焊锡区域图像进行Blob运算以得到焊锡区域的外边缘信息。
如此，对2D图像经过预定方式处理可以使得到的焊锡区域的图像更清晰，同时采用Blob运算可以很好的获取焊锡区域的几何信息，从而准确的得到焊锡区域的外边缘信息。
具体地，处理模块13实现步骤S30可以先采取步骤S31，其中，预处理方式可以按顺序进行，首先可使用基于灰度直方图均衡化的图像增强算法调整2D图像的对比度，使得2D图像上焊锡区域的整体对比度调高。然后可使用Canny算法检测整个焊锡区域的边缘得到二值化图像，再然后可使用形态学算法中对2D图像进行腐蚀将焊锡区域内“孤立”的数据进行清除。
利用形态学算法对图像进行腐蚀的原理可采用示例说明，假设一个形态学结构元素为B将其平移a后得到Ba，若Ba包含于X，记下这个a点，所有满足该条件的a点组成的集合称为X被B腐蚀的结果，用公式表示为：E(X)＝{a|Ba∈X}＝XB。
由此，经过上述预处理方式处理可以得到清晰的焊锡区域图像。
然后再采取步骤S32，对预处理后的2D图像使用Blob算法运算获取2D图像中的整个焊锡区域。并获取焊锡区域的几何信息，几何信息内可包括有焊锡区域的外边缘信息。
然后步骤S32之后可继续步骤S40，根据焊锡区域的外边缘信息，可将焊锡检测区域划分。例如，基于步骤S32中的Blob算法可以获取到的Blob信息，Blob信息可包括有Blob的外接矩形参数、Blob最边缘点坐标等，利用Blob最边缘点坐标信息可在3D图像数据中将焊锡区域进行划分。如图5所示是利用Blob结果对焊锡检测区域进行划分，其中，位于上下两端的是拐角检测区A，在两个拐角检测区之间的是普通检测区B。
请参阅图6，在某些实施方式中，确定检测区内是否存在焊锡缺陷(步骤S50)，包括：
S51:基于检测区，重新获取焊锡区域的新3D图像；
S52:将新3D图像和原始3D图像进行比较，以凸显检测区的图像；
S53:根据凸显的检测区的图像确定是否存在焊锡缺陷。
请参阅图2，在某些实施方式中，第一确定模块15用于基于检测区，重新获取焊锡区域的新3D图像；及用于将新3D图像和原始3D图像进行比较，以凸显检测区的图像；以及用于根据凸显的检测区的图像确定是否存在焊锡缺陷。
请参阅图3，在某些实施方式中，处理器220用于基于检测区，重新获取焊锡区域的新3D图像；及用于将新3D图像和原始3D图像进行比较，以凸显检测区的图像；以及用于根据凸显的检测区的图像确定是否存在焊锡缺陷。
如此，采用重新获取焊锡区域的新3D图像并与原始3D图像进行比较的方法能够准确、便捷的将划分后的检测区存在的焊锡缺陷凸显出来，相比人工检测能减少产生的误判、漏检情况。
具体地，根据步骤S40在原始3D图像内划分出的不同检测区，使用不同的重采样参数对3D图像数据进行重采样，从而获取对应的重采样图像，也即重新获取焊锡区域的新3D图像。
也可以理解为在每个检测区内用缺陷检测算法进行检测，示例性地，可假设原始3D图像为D(xi,yi,zi)，尺寸大小为m×n,对原始图像沿X方向或者Y方向进行重采样可以获取重采样图像D`(xi`,yi`,zi`)，也即新3D图像。
然后如步骤S52，将新3D图像和原始3D图像进行对齐操作并比较，可以得到的凸显检测区的图像，进而在采取步骤S53，根据凸显的检测区的图像确定是检测区内是否存在焊锡缺陷。例如，原始3D图像D(xi,yi,zi)与采样图像D`(xi`,yi`,zi`)比较后，获得的存在焊锡缺陷的图像可以记为I(xi,yi,zi)。
请参阅图7，在某些实施方式中，在将新3D图像和原始3D图像进行比较之前，确定检测区内是否存在焊锡缺陷(步骤S50)，还包括：
S54:将新3D图像与原始3D图像对应坐标下没有数据的位置进行插值计算；
S55:将新3D图像与原始3D图像的中心完全重合。
请参阅图2，在某些实施方式中，第一确定模块15还用于将新3D图像与原始3D图像对应坐标下没有数据的位置进行插值计算；及用于将新3D图像与原始3D图像的中心完全重合。
请参阅图3，在某些实施方式中，处理器220用于将新3D图像与原始3D图像对应坐标下没有数据的位置进行插值计算；及用于将新3D图像与原始3D图像的中心完全重合。
如此，将新3D图像与原始3D图像对应坐标下没有数据的位置进行插值计算可以确保重采样后的心3D图像的尺寸相比原始3D图像的尺寸不变；而将新3D图像与原始3D图像的中心完全重合可以使新3D图像与原始3D图像相互对齐，有利于比较。
具体地，在将新3D图像和原始3D图像进行比较之前，为保持得到的新3D图像的尺寸与原始3D图像相同，可采取步骤S54，将新3D图像与原始3D图像对应坐标下没有数据的位置进行插值计算。然后如步骤S55，为保证新3D图像与原始3D图像的中心完全重合，在原始3D图像转换为新3D图像的算法中进行原始3D图像与新3D图像中心对齐操作。
在某些实施方式中，检测方法还包括：
S70:将焊锡缺陷的信息上传。
请参阅图2，在某些实施方式中，检测装置100用于将焊锡缺陷的信息上传。请参阅图3，在某些实施方式中，处理器220用于将焊锡缺陷的信息上传。
如此，检测方法通过对划分出的检测区的焊锡区域所检测到的缺陷信息进行上传，可以为为用户提供直观的缺陷信息，提升用户体验；
具体地，在步骤S60中若检测到检测区内存在焊锡缺陷，并确定焊锡缺陷的信息后，可继续步骤S70,将焊锡缺陷的信息上传。焊锡缺陷的信息可以是集合尺寸信息，例如，缺陷区域外接矩形长宽、缺陷长宽比、缺陷稠密度、缺陷划伤度等。
结合图8-图10进一步理解，图8所示的焊锡缺陷有四种几何形态为凸起的缺陷，图9所示的焊锡缺陷有两种几何形态为凹陷的缺陷，图10所示的焊锡缺陷有两种几何形态为长条形的缺陷。
此外，检测方法还可以通过设置不同的参数来增强显示不同几何形态下的缺陷，使得焊锡缺陷的信息更清晰明确。如图11为3D图像的焊锡缺陷增强显示前的图像，椭圆框内为缺陷种类01，长条框内为缺陷种类02，当增强显示缺陷01，弱化显示缺陷02时，增强显示后的图像可如图12所示，显示缺陷01更为清晰明显。进一步地，增强显示缺陷02，弱化显示缺陷01，增强显示后的图像可如图13所示，显示缺陷02更为清晰明显。
综上所述，这些焊锡缺陷的几何尺寸信息可以通过一定的格式在通讯协议下发送给自动化工站，工站可通过焊锡缺陷的信息来将有缺陷物料挑选出来。
请参阅图14，在某些实施方式中，检测方法还包括：
S08:与3D扫描相机建立通信连接；
S09:控制3D扫描相机工作以使3D扫描相机采集原始3D图像。
请参阅图2，在某些实施方式中，检测装置100用于与3D扫描相机建立通信连接；及用于控制3D扫描相机工作以使3D扫描相机采集原始3D图像。
请参阅图3，在某些实施方式中，处理器220用于与3D扫描相机建立通信连接；及用于控制3D扫描相机工作以使3D扫描相机采集原始3D图像。
如此，检测方法通过通信的方式来与3D扫描相机建立连接，并控制3D扫描相机工作来采集焊锡物料的原始3D图像，无需人工手动操作，快速且自动，从而提高检测效率。
具体地，在步骤S10之前，检测方法可以先采取步骤S08，通过专业的工业视觉软件将自动化工站中移动机构上的编码器输出的触发信号与3D扫描相机建立其通讯，然后如步骤S09，进一步精确的控制3D扫描相机工作的起始位、扫描频率、终止位，从而采集到锂电池锡焊区域真实尺寸的3D图像，并将采集到的3D图像数据通过网线传输到计算机上以供后续处理。
本申请实施方式的计算机可读存储介质，其上存储有计算机程序，计算机程序在被处理器执行时，实现上述任一项实施方式的焊锡缺陷的检测方法的步骤。
计算机程序可以被存储在存储器中，存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如上述方法实施例中的方法所对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理模块的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-ProgrammableGate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
应当理解，本申请的实施方式的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请的各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施方式进行变化、修改、替换和变型。

Claims (10)

1.一种焊锡缺陷的检测方法，其特征在于，包括：
获取焊锡区域的原始3D图像；
将所述原始3D图像转为2D图像；
处理所述2D图像以得到所述焊锡区域的外边缘信息；
基于所述外边缘信息，在所述原始3D图像中将所述焊锡区域划分为不同的检测区；
确定所述检测区内是否存在焊锡缺陷；
若所述检测区内存在焊锡缺陷，确定所述焊锡缺陷的信息。
2.根据权利要求1所述的检测方法，其特征在于，所述将所述原始3D图像转为2D图像，包括：
根据灰度映射关系，将第一预定位数的所述3D图像转为第二预定位数的所述2D图像，所述第一预定位数大于所述第二预定位数。
3.根据权利要求1所述的检测方法，其特征在于，所述处理所述2D图像以得到所述焊锡区域的外边缘信息，包括：
在所述2D图像上使用预定方式处理以得到清晰的焊锡区域图像，所述预定处理方式包括对比度增强、二值化、形态学处理中的至少一种；
对焊锡区域图像进行Blob运算以得到所述焊锡区域的外边缘信息。
4.根据权利要求1所述的检测方法，其特征在于，所述确定所述检测区内是否存在焊锡缺陷，包括：
基于所述检测区，重新获取所述焊锡区域的新3D图像；
将所述新3D图像和原始3D图像进行比较，以凸显所述检测区的图像；
根据凸显的所述检测区的图像确定是否存在焊锡缺陷。
5.根据权利要求4所述的检测方法，其特征在于，在所述将所述新3D图像和原始3D图像进行比较之前，所述确定所述检测区内是否存在焊锡缺陷，还包括：
将所述新3D图像与所述原始3D图像对应坐标下没有数据的位置进行插值计算；
将所述新3D图像与所述原始3D图像的中心完全重合。
6.根据权利要求1所述的检测方法，其特征在于，所述检测方法还包括：
将所述焊锡缺陷的信息上传。
7.根据权利要求1所述的检测方法，其特征在于，所述检测方法还包括：
与3D扫描相机建立通信连接；
控制所述3D扫描相机工作以使所述3D扫描相机采集所述原始3D图像。
8.一种检测装置，其特征在于，包括：
获取模块，用于获取焊锡区域的原始3D图像；
转换模块，用于将所述原始3D图像转为2D图像；
处理模块，用于处理所述2D图像以得到所述焊锡区域的外边缘信息；
划分模块，基于所述外边缘信息，在所述原始3D图像中将所述焊锡区域划分为不同的检测区；
第一确定模块，确定所述检测区内是否存在焊锡缺陷；
第二确定模块，若所述检测区内存在焊锡缺陷，确定所述焊锡缺陷的信息。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的检测方法。
10.一种计算机可执行指令的非易失性计算机可读存储介质，其特征在于，当所述计算机可执行指令被一个或多个处理器执行时，使得所述处理器执行权利要求1-7中任一项所述的检测方法。
CN202310188760.9A 2023-02-21 2023-02-21 焊锡缺陷的检测方法、检测装置、计算机设备和存储介质 Pending CN116309397A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310188760.9A CN116309397A (zh) 2023-02-21 2023-02-21 焊锡缺陷的检测方法、检测装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310188760.9A CN116309397A (zh) 2023-02-21 2023-02-21 焊锡缺陷的检测方法、检测装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN116309397A true CN116309397A (zh) 2023-06-23

Family

ID=86833560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310188760.9A Pending CN116309397A (zh) 2023-02-21 2023-02-21 焊锡缺陷的检测方法、检测装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116309397A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117557786A (zh) * 2024-01-11 2024-02-13 深圳思谋信息科技有限公司 物料质量检测方法、装置、计算机设备及存储介质
CN117557786B (zh) * 2024-01-11 2024-05-10 深圳思谋信息科技有限公司 物料质量检测方法、装置、计算机设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117557786A (zh) * 2024-01-11 2024-02-13 深圳思谋信息科技有限公司 物料质量检测方法、装置、计算机设备及存储介质
CN117557786B (zh) * 2024-01-11 2024-05-10 深圳思谋信息科技有限公司 物料质量检测方法、装置、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
WO2021213223A1 (zh) 焊缝质量检测方法、装置、系统及电子设备
CN109325930B (zh) 边界缺陷的检测方法、装置及检测设备
US10666927B2 (en) Method and device for inspection of an asset
CN102175700B (zh) 数字x射线图像焊缝分割和缺陷检测方法
US8345951B2 (en) Image binarizing method, image processing device, and computer program
JP4543153B1 (ja) 欠陥検査方法及び欠陥検査装置
CN115147370A (zh) 一种电池顶盖焊接缺陷检测方法、装置、介质及电子设备
CN108871185B (zh) 零件检测的方法、装置、设备以及计算机可读存储介质
CN116429768A (zh) 一种密封钉焊接质量检测方法、系统、设备及存储介质
CN117058411B (zh) 电池棱边外形瑕疵识别方法、装置、介质和设备
CN113610054A (zh) 一种水下结构病害深度检测方法、系统、装置及存储介质
CN116309397A (zh) 焊锡缺陷的检测方法、检测装置、计算机设备和存储介质
CN116839473A (zh) 焊缝定位及尺寸计算方法、装置、存储介质及电子设备
CN116900449A (zh) 基于信号融合的焊接质量监测方法和系统
CN115615993A (zh) 一种快速定位旋转中心的环绕式扫描焊缝检测方法及系统
CN111179221B (zh) 焊接坡口的检测方法、设备及存储介质
TW201714144A (zh) 電子元件外觀影像檢測方法及其電腦可讀媒體
US10475205B2 (en) Positioning and measuring system based on flexible feature image scale
US20220180504A1 (en) Device for detecting a three-dimensional structure
CN110660073B (zh) 一种直线边缘识别设备
JP3218875B2 (ja) 立体物の形状検査装置
KR100950251B1 (ko) 레이저 비전의 레이저 패턴 추출 방법
JPS62148838A (ja) 欠陥認識方法
JP3092871B2 (ja) エッジ検出方法
CN114708243A (zh) 基于深度学习的香烟端面烟草缺失量化检测方法和装置

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