CN116342612A - PCB板mark点提取的方法、装置及存储介质 - Google Patents

PCB板mark点提取的方法、装置及存储介质 Download PDF

Info

Publication number
CN116342612A
CN116342612A CN202310630593.9A CN202310630593A CN116342612A CN 116342612 A CN116342612 A CN 116342612A CN 202310630593 A CN202310630593 A CN 202310630593A CN 116342612 A CN116342612 A CN 116342612A
Authority
CN
China
Prior art keywords
image
pcb
adaptive
mark point
model
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
CN202310630593.9A
Other languages
English (en)
Inventor
杨晓东
王强军
赵晓元
韩云
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.)
Shenzhen Wingate Intelligent System Co ltd
Original Assignee
Shenzhen Wingate Intelligent System 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 Shenzhen Wingate Intelligent System Co ltd filed Critical Shenzhen Wingate Intelligent System Co ltd
Priority to CN202310630593.9A priority Critical patent/CN116342612A/zh
Publication of CN116342612A publication Critical patent/CN116342612A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06V10/70—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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种PCB板mark点提取的方法、装置及存储介质，该方法包括：获取PCB板图像，该PCB板图像中包括mark点；对该PCB板图像进行预处理；构建图像细节多少的自适应模型；根据该自适应模型构建二维神经元阵列；构建可调节的LIF模型，将该LIF模型作为该二维神经元阵列中的神经元阵列单元，模拟所有神经元的放电信息；基于该二维神经元阵列，得到该PCB板图像的第一mark点轮廓。本发明通过采用引入类脑神经网络学习模型，以模拟人脑神经元的方式，计算提取mark点，相较于传统提取方法，能提升PCB板图像中mark点提取的准确度。

Description

PCB板mark点提取的方法、装置及存储介质
技术领域
本发明涉及图像处理技术领域，尤其是涉及一种PCB板mark点提取的方法、装置及存储介质。
背景技术
在PCB喷墨打印中，打印数据的位置需要根据PCB板上的mark点来确定，因此需从采集的PCB板图像中提取mark点。在实际生产应用中，一般使用CCD采集PCB板图像，然后再从PCB板图像中提取mark点。图像处理中传统的对象提取技术一般包括以下几种：依据颜色特征、依据边缘特征、以及依据神经网络。
传统的对象提取技术中，如果采用依据颜色特征，由于本发明获取的PCB板图像主要为灰度图，所以不适用。如果采用边缘特征，难以获取较准确、完整、连续的对象边缘，同时噪音、旋转、光照等外部因素对提取结果有较大影响，环境适应性差。如果采用神经网络，需要大量的训练数据集，对于硬件的计算能力要求高，在数据集不足量的情况下，部分的样本集可能会影响结果的准确性，导致错误或异常结果，产生反效果。
传统的目标提取方法，具有一定的局限及缺点，而PCB板生产具有生产环境复杂、光照多变、板子涨缩等复杂变化的特征，如果使用传统图像处理技术提取PCB板mark点，会导致难度大、通用性低、准确度低，难以实现PCB板生产的自动化要求。因此，有必要开发出一种适应PCB板生产的图像提取方法，以提取PCB板图像中的mark点。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的是提供一种PCB板mark点提取的方法、装置及存储介质，能够提升PCB板图像中mark点提取的准确度。
本发明所采用的技术方案是：
第一方面，本发明提供一种PCB板mark点提取的方法，该方法包括：获取PCB板图像，该PCB板图像中包括mark点；对该PCB板图像进行预处理；构建图像细节多少的自适应模型；根据该自适应模型构建二维神经元阵列；构建可调节的LIF模型，将该LIF模型作为该二维神经元阵列中的神经元阵列单元，模拟所有神经元的放电信息；基于该二维神经元阵列，得到该PCB板图像的第一mark点轮廓。
其中，还包括：进行权重自适应处理；基于自适应权重，调节该第一mark点轮廓，从而输出优化的第二mark点轮廓。
其中，该构建图像细节多少的自适应模型，包括：使用高斯函数和Sigmoid函数来构建图像细节多少的自适应模型；其中，按照如下三个公式进行建模：（1）
Figure SMS_1
，f(i,j)表示高斯函数；i、j表示像素点坐标；s：图像细节面积初始大小；r：图像细节大小初始半径；（2）/>
Figure SMS_2
，T(i,j)表示模式视觉响应的结果；M(i，j)表示图像灰度归一化之后的像素点i、j坐标的值；X表示卷积；（3）
Figure SMS_3
，O(i,j)表示最佳视野感受半径；Rd表示对结果四舍五入取整；k表示调节系数，取值范围（1,2），值越小表示图像细节越丰富。
其中，该LIF模型的计算公式如下：
Figure SMS_4
，其中，C表示膜电位，Ureset表示重置电压，/>
Figure SMS_11
表示漏电导；I表示刺激电流；I还可表示为：
Figure SMS_15
’/>
Figure SMS_6
表示两个神经元（xy）和（ij）之间的外部刺激连接权重值，/>
Figure SMS_10
、/>
Figure SMS_14
是神经元调节函数；其中，/>
Figure SMS_17
的计算公式如下：
Figure SMS_5
，/>
Figure SMS_8
表示权重调节系数；s1表示两个神经元（xy）和（ij）之间的欧式距离；s2表示图像灰度归一化之后的像素点ij的值和像素点xy的值的差值；s’表示刺激的最大值与最小值之差；其中，/>
Figure SMS_12
的计算公式如下：/>
Figure SMS_18
；
Figure SMS_7
的计算公式如下：/>
Figure SMS_9
；xs1表示电突触刺激调节系数；xs2表示化学突触刺激调节系数；e1和e2分别表示对刺激的兴奋性和抑制性调节系数，/>
Figure SMS_13
表示两个神经元（xy）和（ij）之间的相互刺激连接权重值，/>
Figure SMS_16
，其中，T1表示神经元（i，j）无调节时的首次放电的时间，T2表示神经元（x，y）无调节时的首次放电的时间。
其中，该进行权重自适应处理，包括：采用如下权重调节函数进行权重自适应处理：
Figure SMS_19
；其中，LTP和LTD分别表示突触效能的增强调节系数和突触效能的抑制调节系数；g(t)=T2-T1；h1和h2表示权重加减的时间相关调节系数。
其中，使用该权重调节函数之后，自适应权重如下：
Figure SMS_20
； 其中，/>
Figure SMS_21
，/>
Figure SMS_22
表示神经元（i，j）有调节时的首次放电的时间，/>
Figure SMS_23
表示神经元（x，y）有调节时的首次放电的时间。
其中，对该PCB板图像进行预处理包括：采用图像灰度化处理、二值化处理、或者去噪对该PCB板图像进行预处理。
第二方面，本发明提供一种PCB板mark点提取的装置，该装置包括：PCB板图像获取模块，用于获取PCB板图像，该PCB板图像中包括mark点；PCB板图像预处理模块，用于对该PCB板图像进行预处理；细节多少自适应模型构建模块，用于构建图像细节多少的自适应模型；二维神经元阵列构建模块，用于根据该自适应模型构建二维神经元阵列；LIF模型构建模块，用于构建可调节的LIF模型，将该LIF模型作为该二维神经元阵列中的神经元阵列单元，模拟所有神经元的放电信息；第一mark点轮廓获取模块，用于基于该二维神经元阵列，得到该PCB板图像的第一mark点轮廓。
其中，还包括：权重自适应处理模块，用于进行权重自适应处理；第二mark点轮廓获取模块，用于基于自适应权重，调节该第一mark点轮廓，从而输出优化的第二mark点轮廓。
第三方面，本发明提供一种计算机可读存储介质，其中，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令用于使计算机执行如上述的方法。
本发明的有益效果是：
本发明和现有的传统对象提取方法相比，能够兼顾边缘检测与噪声抑制，获得较好且完整的轮廓，轮廓细节较好。与传统的神经网络训练相比，引入视觉神经突触，以减少训练量及计算量，降低硬件要求及成本，也更为符合人眼的视觉特性。
此外，本发明具有自适应及调节机制，能够最大程度的适应PCB板生产中的各种复杂情况，对于mark点提取的准确度、环境适应性等，相比传统方法有极大的提升。
因此，本发明无论是mark点的轮廓完整度及精度、提取的准确度、环境适应性、可扩展性等方面均具有明显优势。
附图说明
图1是本发明PCB板mark点提取的方法的一实施例的流程示意图；
图2是本发明PCB板mark点提取的方法的另一实施例的流程示意图；
图3是本发明PCB板mark点提取的装置的一实施例的结构示意图；
图4是本发明PCB板mark点提取的装置的另一实施例的结构示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
实施例一
请参阅图1，图1是本发明PCB板mark点提取的方法的一实施例的流程示意图。如图1所示，该方法包括如下步骤：
S11：获取PCB板图像；
该PCB板图像中包括mark点。优选地，采用CCD相机获取PCB板图像。
S12：对该PCB板图像进行预处理；
可选地，采用图像灰度化处理、二值化处理、或者去噪等图像处理方法对该PCB板图像进行预处理。
S13：构建图像细节多少的自适应模型；
在本步骤中，使用高斯函数和Sigmoid函数来构建图像细节多少的自适应模型。
其中，按照如下三个公式进行建模：
（1）
Figure SMS_24
，f(i,j)表示高斯函数；i、j表示像素点坐标；s：图像细节面积初始大小；r：图像细节大小初始半径；
（2）
Figure SMS_25
，T(i,j)表示模式视觉响应的结果；M(i，j)表示图像灰度归一化之后的像素点i、j坐标的值；X表示卷积；
（3）
Figure SMS_26
，O(i,j)表示最佳视野感受半径；Rd表示对结果四舍五入取整；k表示调节系数，取值范围（1,2），值越小表示图像细节越丰富。
S14：根据该自适应模型构建二维神经元阵列；
在本步骤中，构建行列数与原图像行列数一致的二维神经元阵列。
S15：构建可调节的LIF模型，将该LIF模型作为该二维神经元阵列中的神经元阵列单元，模拟所有神经元的放电信息；
在本步骤中，LIF模型的计算公式如下：
Figure SMS_27
，其中，C表示膜电位，Ureset表示重置电压，
Figure SMS_28
表示漏电导；I表示刺激电流；
I还可表示为：
Figure SMS_29
’/>
Figure SMS_30
表示两个神经元（xy）和（ij）之间的外部刺激连接权重值，/>
Figure SMS_31
、/>
Figure SMS_32
是神经元调节函数；
其中，
Figure SMS_33
的计算公式如下：/>
Figure SMS_34
，/>
Figure SMS_35
表示权重调节系数；s1表示两个神经元（xy）和（ij）之间的欧式距离；s2表示图像灰度归一化之后的像素点ij的值和像素点xy的值的差值；s’表示刺激的最大值与最小值之差；
其中，
Figure SMS_36
的计算公式如下：/>
Figure SMS_37
；/>
Figure SMS_38
的计算公式如下：
Figure SMS_39
；xs1表示电突触刺激调节系数；xs2表示化学突触刺激调节系数；e1和e2分别表示对刺激的兴奋性和抑制性调节系数，/>
Figure SMS_40
表示两个神经元（xy）和（ij）之间的相互刺激连接权重值，/>
Figure SMS_41
，其中，T1表示神经元（i，j）无调节时的首次放电的时间，T2表示神经元（x，y）无调节时的首次放电的时间。
S16：基于该二维神经元阵列，得到该PCB板图像的第一mark点轮廓。
在本实施例中，引入类脑神经网络学习模型，以模拟人脑神经元的方式，计算提取mark点。通过这种带有视场调整及神经信号模拟机制，将人眼人脑的思维及视觉特性运用到PCB板的mark点提取上，不仅能提升mark点提取的准确度，更能大大提升在不同环境下的适应性，大大减少传统方法在较差环境下的误判率及使用复杂度。
实施例二
请参阅图2，图2是本发明PCB板mark点提取的方法的另一实施例的流程示意图。如图2所示，该方法包括如下步骤：
S21~S26：与实施例一的步骤S11~S16相同；
S27：进行权重自适应处理；
在本步骤中，采用如下权重调节函数进行权重自适应处理：
Figure SMS_42
；
其中，LTP和LTD分别表示突触效能的增强调节系数和突触效能的抑制调节系数；g(t)=T2-T1；h1和h2表示权重加减的时间相关调节系数。
使用该权重调节函数之后，自适应权重如下：
Figure SMS_43
；
其中，
Figure SMS_44
，/>
Figure SMS_45
表示神经元（i，j）有调节时的首次放电的时间，/>
Figure SMS_46
表示神经元（x，y）有调节时的首次放电的时间。
S28：基于自适应权重，调节该第一mark点轮廓，从而输出优化的第二mark点轮廓。
在本步骤中，将步骤S26获取的第一mark点轮廓，通过步骤S27获取的权重进行调整，则得到更优化的第二mark点轮廓。
在本实施例中，通过模拟生物视觉神经元细胞的兴奋与抑制机制，建立了二维神经元网络的权重自适应调节机制，可以方便地进行学习及调整，更进一步加大了结果的准确性、环境适应性及可扩展性。
实施例三
请参阅图3，图3是本发明PCB板mark点提取的装置的一实施例的结构示意图。如图3所示，该装置包括PCB板图像获取模块11、PCB板图像预处理模块12、细节多少自适应模型构建模块13、二维神经元阵列构建模块14、LIF模型构建模块15、以及第一mark点轮廓获取模块16。
PCB板图像获取模块11用于获取PCB板图像，该PCB板图像中包括mark点；
PCB板图像预处理模块12用于对该PCB板图像进行预处理。
细节多少自适应模型构建模块13用于构建图像细节多少的自适应模型。
二维神经元阵列构建模块14用于根据该自适应模型构建二维神经元阵列。
LIF模型构建模块15用于构建可调节的LIF模型，将该LIF模型作为该二维神经元阵列中的神经元阵列单元，模拟所有神经元的放电信息。
第一mark点轮廓获取模块16用于基于该二维神经元阵列，得到该PCB板图像的第一mark点轮廓。
具体地，各模块的工作方法在实施例一中已详细阐述，在此不再赘述。
实施例四
请参阅图4，图4是本发明PCB板mark点提取的装置的另一实施例的结构示意图。如图4所示，该装置与实施例三的区别在于：还包括权重自适应处理模块17和第二mark点轮廓获取模块18。
权重自适应处理模块17用于进行权重自适应处理。
第二mark点轮廓获取模块18用于基于自适应权重，调节该第一mark点轮廓，从而输出优化的第二mark点轮廓。
具体地，权重自适应处理模块17和第二mark点轮廓获取模块18的工作方法在实施例二中已详细阐述，在此不再赘述。
实施例五
本发明提供一种计算机可读存储介质，其中，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令用于使计算机执行如实施例一或实施例二所述的方法。
综上，本发明提供一种PCB板mark点提取的方法、装置及存储介质，通过获取准确、完整、连续的mark点边缘，进而提取mark点对象，同时减小噪音、旋转、光照等外部因素对提取结果的影响。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种PCB板mark点提取的方法，其特征在于，包括：
获取PCB板图像，所述PCB板图像中包括mark点；
对所述PCB板图像进行预处理；
构建图像细节多少的自适应模型；
根据所述自适应模型构建二维神经元阵列；
构建可调节的LIF模型，将所述LIF模型作为所述二维神经元阵列中的神经元阵列单元，模拟所有神经元的放电信息；
基于所述二维神经元阵列，得到所述PCB板图像的第一mark点轮廓。
2.根据权利要求1所述的方法，其特征在于，还包括：
进行权重自适应处理；
基于自适应权重，调节所述第一mark点轮廓，从而输出优化的第二mark点轮廓。
3.根据权利要求2所述的方法，其特征在于，所述构建图像细节多少的自适应模型，包括：
使用高斯函数和Sigmoid函数来构建图像细节多少的自适应模型；
其中，按照如下三个公式进行建模：
（1）
Figure QLYQS_1
，f(i,j)表示高斯函数；i、j表示像素点坐标；s：图像细节面积初始大小；r：图像细节大小初始半径；
（2）
Figure QLYQS_2
，T(i,j)表示模式视觉响应的结果；M(i，j)表示图像灰度归一化之后的像素点i、j坐标的值；X表示卷积；
（3）
Figure QLYQS_3
，O(i,j)表示最佳视野感受半径；Rd表示对结果四舍五入取整；k表示调节系数，取值范围（1,2），值越小表示图像细节越丰富。
4.根据权利要求3所述的方法，其特征在于，所述LIF模型的计算公式如下：
Figure QLYQS_4
，其中，C表示膜电位，Ureset表示重置电压，/>
Figure QLYQS_5
表示漏电导；I表示刺激电流；
I还可表示为：
Figure QLYQS_6
’/>
Figure QLYQS_7
表示两个神经元（xy）和（ij）之间的外部刺激连接权重值，/>
Figure QLYQS_8
、/>
Figure QLYQS_9
是神经元调节函数；
其中，
Figure QLYQS_10
的计算公式如下：/>
Figure QLYQS_11
，/>
Figure QLYQS_12
表示权重调节系数；s1表示两个神经元（xy）和（ij）之间的欧式距离；s2表示图像灰度归一化之后的像素点ij的值和像素点xy的值的差值；s’表示刺激的最大值与最小值之差；
其中，
Figure QLYQS_13
的计算公式如下：/>
Figure QLYQS_14
；/>
Figure QLYQS_15
的计算公式如下：
Figure QLYQS_16
；xs1表示电突触刺激调节系数；xs2表示化学突触刺激调节系数；e1和e2分别表示对刺激的兴奋性和抑制性调节系数，/>
Figure QLYQS_17
表示两个神经元（xy）和（ij）之间的相互刺激连接权重值，/>
Figure QLYQS_18
，其中，T1表示神经元（i，j）无调节时的首次放电的时间，T2表示神经元（x，y）无调节时的首次放电的时间。
5.根据权利要求4所述的方法，其特征在于，所述进行权重自适应处理，包括：
采用如下权重调节函数进行权重自适应处理：
Figure QLYQS_19
；
其中，LTP和LTD分别表示突触效能的增强调节系数和突触效能的抑制调节系数；g(t)=T2-T1；h1和h2表示权重加减的时间相关调节系数。
6.根据权利要求5所述的方法，其特征在于，使用所述权重调节函数之后，自适应权重如下：
Figure QLYQS_20
；
其中，
Figure QLYQS_21
，/>
Figure QLYQS_22
表示神经元（i，j）有调节时的首次放电的时间，/>
Figure QLYQS_23
表示神经元（x，y）有调节时的首次放电的时间。
7.根据权利要求6所述的方法，其特征在于，对所述PCB板图像进行预处理包括：
采用图像灰度化处理、二值化处理、或者去噪对所述PCB板图像进行预处理。
8.一种PCB板mark点提取的装置，其特征在于，包括：
PCB板图像获取模块，用于获取PCB板图像，所述PCB板图像中包括mark点；
PCB板图像预处理模块，用于对所述PCB板图像进行预处理；
细节多少自适应模型构建模块，用于构建图像细节多少的自适应模型；
二维神经元阵列构建模块，用于根据所述自适应模型构建二维神经元阵列；
LIF模型构建模块，用于构建可调节的LIF模型，将所述LIF模型作为所述二维神经元阵列中的神经元阵列单元，模拟所有神经元的放电信息；
第一mark点轮廓获取模块，用于基于所述二维神经元阵列，得到所述PCB板图像的第一mark点轮廓。
9.根据权利要求8所述的装置，其特征在于，还包括：
权重自适应处理模块，用于进行权重自适应处理；
第二mark点轮廓获取模块，用于基于自适应权重，调节所述第一mark点轮廓，从而输出优化的第二mark点轮廓。
10.一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存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的方法。
CN202310630593.9A 2023-05-31 2023-05-31 PCB板mark点提取的方法、装置及存储介质 Pending CN116342612A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310630593.9A CN116342612A (zh) 2023-05-31 2023-05-31 PCB板mark点提取的方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310630593.9A CN116342612A (zh) 2023-05-31 2023-05-31 PCB板mark点提取的方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN116342612A true CN116342612A (zh) 2023-06-27

Family

ID=86891569

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310630593.9A Pending CN116342612A (zh) 2023-05-31 2023-05-31 PCB板mark点提取的方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN116342612A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11185039A (ja) * 1997-12-24 1999-07-09 Tani Denki Kogyo Kk 画像認識による計測方法および記録媒体
CN104778696A (zh) * 2015-04-13 2015-07-15 杭州电子科技大学 一种基于视通路方位敏感的图像边缘分级检测方法
CN106127740A (zh) * 2016-06-16 2016-11-16 杭州电子科技大学 一种基于视通路多感受野朝向性关联的轮廓检测方法
CN109489576A (zh) * 2018-10-19 2019-03-19 杭州电子科技大学 一种基于初级视觉通路计算模型的轮廓检测方法
CN113362356A (zh) * 2021-06-02 2021-09-07 杭州电子科技大学 一种基于双侧注意通路的显著轮廓提取方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11185039A (ja) * 1997-12-24 1999-07-09 Tani Denki Kogyo Kk 画像認識による計測方法および記録媒体
CN104778696A (zh) * 2015-04-13 2015-07-15 杭州电子科技大学 一种基于视通路方位敏感的图像边缘分级检测方法
CN106127740A (zh) * 2016-06-16 2016-11-16 杭州电子科技大学 一种基于视通路多感受野朝向性关联的轮廓检测方法
CN109489576A (zh) * 2018-10-19 2019-03-19 杭州电子科技大学 一种基于初级视觉通路计算模型的轮廓检测方法
CN113362356A (zh) * 2021-06-02 2021-09-07 杭州电子科技大学 一种基于双侧注意通路的显著轮廓提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WEILI21: "《脉冲神经网络研究进展综述》整理 2021.7.5", pages 1 - 6, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/387247894> *
罗佳骏: "基于视觉神经元网络计算模型及其在图像边缘检测中的应用研究", 中国优秀硕士学位论文全文数据库信息科技辑, no. 10, pages 138 - 499 *
蔡哲飞 等: "基于动态突触神经网络的菌落图像轮廓提取方法", 中国生物医学工程学报, vol. 41, no. 6, pages 699 *

Similar Documents

Publication Publication Date Title
CN110991299B (zh) 一种物理域上针对人脸识别系统的对抗样本生成方法
CN112446270B (zh) 行人再识别网络的训练方法、行人再识别方法和装置
Masci et al. Steel defect classification with max-pooling convolutional neural networks
Rahman et al. Face recognition using gabor filters
CN112307958A (zh) 基于时空外观运动注意力网络的微表情识别方法
CN111783748B (zh) 人脸识别方法、装置、电子设备及存储介质
CN106682569A (zh) 一种基于卷积神经网络的快速交通标识牌识别方法
CN111681178B (zh) 一种基于知识蒸馏的图像去雾方法
CN109086653B (zh) 手写模型训练方法、手写字识别方法、装置、设备及介质
Ji et al. Where-what network 1:“Where” and “What” assist each other through top-down connections
RU2665273C2 (ru) Обучаемые визуальные маркеры и способ их продуцирования
CN110136162B (zh) 无人机视角遥感目标跟踪方法及装置
CN113111758B (zh) 一种基于脉冲神经网络的sar图像舰船目标识别方法
CN107862680B (zh) 一种基于相关滤波器的目标跟踪优化方法
Olshausen et al. Bilinear models of natural images
Stringer et al. Position invariant recognition in the visual system with cluttered environments
Wismüller et al. The deformable feature map—adaptive plasticity for function approximation
CN110969089A (zh) 噪声环境下的轻量级人脸识别系统及识别方法
CN108182475A (zh) 一种基于自动编码机-超限学习机的多维度数据特征识别方法
CN108985442B (zh) 手写模型训练方法、手写字识别方法、装置、设备及介质
CN107239827B (zh) 一种基于人工神经网络的空间信息学习方法
CN110135435B (zh) 一种基于广度学习系统的显著性检测方法及装置
CN114881070A (zh) 一种基于仿生分层脉冲神经网络的aer对象识别方法
CN110738619B (zh) 基于仿生自适应忆阻细胞神经网络的图像增强方法
CN113763274A (zh) 一种联合局部相位锐度定向描述的多源图像匹配方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20230627

RJ01 Rejection of invention patent application after publication