CN116402815A - 基于人工智能的电感线圈封装异常检测方法 - Google Patents
基于人工智能的电感线圈封装异常检测方法 Download PDFInfo
- Publication number
- CN116402815A CN116402815A CN202310671012.6A CN202310671012A CN116402815A CN 116402815 A CN116402815 A CN 116402815A CN 202310671012 A CN202310671012 A CN 202310671012A CN 116402815 A CN116402815 A CN 116402815A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- missing
- block
- target pixel
- type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 126
- 230000005856 abnormality Effects 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 230000006698 induction Effects 0.000 title claims abstract description 20
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 238000005538 encapsulation Methods 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 230000007547 defect Effects 0.000 claims description 50
- 238000003708 edge detection Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 14
- 239000004973 liquid crystal related substance Substances 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 13
- 238000009413 insulation Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000005022 packaging material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T7/60—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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social 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
- G06T2207/10—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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
-
- 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
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种基于人工智能的电感线圈封装异常检测方法,包括:获取存在封装异常的待检测共模电感封装区域中的各个目标像素点,确定每个缺块类型的特征值,进而确定核心距离;利用核心距离,对所有目标像素点进行聚类,获得各个聚类簇;根据每个缺块类型的预设权重、每个缺块类型对应的聚类簇个数以及各聚类簇内目标像素点的个数,确定封装异常显著度。本发明通过待检测共模电感封装区域的图像信息,结合不同缺块类型的缺块区域的图像特征,获得可以准确评估电感线圈封装异常程度的封装异常显著度,其进一步提升了电感线圈封装异常检测结果的准确性,主要应用于电感线圈封装异常检测领域。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种基于人工智能的电感线圈封装异常检测方法。
背景技术
电感在电路中可以起到减少电磁干扰信号的作用,随着科学技术的发展进步,安装电感器的机械设备越来越多,为了保证电感器相关产品的正常运行,需要保证电感器的质量,电感器可以为共模电感。共模电感的体积较小,表面瑕疵很难通过人眼进行识别,识别的瑕疵可以是共模电感在生产组装过程中出现的裂纹、缺块。对于共模电感封装缺块缺陷检测缺乏针对性的精确检测,当共模电感封装出现缺块缺陷时,电感线圈裸露,很容易导致电路断路无法正常运行。因此,对电感线圈封装进行异常检测是十分重要的。
现有共模电感封装缺块检测,主要是通过边缘检测算法,获得采集的共模电感表面图像中的各个缺陷区域,对各个缺陷区域进行图像信息提取,根据图像信息特征得到缺陷程度,实现共模电感的封装缺块检测。共模电感封装不同位置的缺块,裸露出的电感线圈的部位不同,不同部位的电感线圈裸露对应的异常程度不同,现有检测方法忽略了不同部位的电感线圈裸露,对电感线圈封装异常检测结果的影响,导致最终获得的封装缺块检测结果准确性较差。
发明内容
为了解决上述现有电感线圈封装异常检测结果准确性较差的技术问题,本发明的目的在于提供一种基于人工智能的电感线圈封装异常检测方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种基于人工智能的电感线圈封装异常检测方法,该方法包括以下步骤:
获取电路表面图像中存在封装异常的待检测共模电感封装区域中的各个目标像素点,进而确定各个目标像素点对应的预设局部区域内每个像素点的灰度值和位置;
根据各个目标像素点对应的预设局部区域内每个像素点的灰度值和位置,确定各个目标像素点对应的每个缺块类型的特征值;
根据各个目标像素点对应的每个缺块类型的特征值,确定目标像素点聚类时的核心距离;
根据各个目标像素点对应的每个缺块类型的特征值以及目标像素点聚类时的核心距离,对所有目标像素点进行聚类,获得各个聚类簇;
确定每个缺块类型对应的各聚类簇,根据每个缺块类型的预设权重、每个缺块类型对应的聚类簇个数以及各聚类簇内目标像素点的个数,确定待检测共模电感封装区域的封装异常显著度。
进一步地,获取电路表面图像中存在封装异常的待检测共模电感封装区域中的各个目标像素点,包括:
获取电路表面图像中的待检测共模电感封装区域和标准共模电感封装区域;
对待检测共模电感封装区域和标准共模电感封装区域中相同位置处像素点的灰度值进行相减并取绝对值,将相减并取绝对值后的数值确定为封装异常判定指标;
将待检测共模电感封装区域中封装异常判定指标大于灰度阈值的像素点作为目标像素点;其中,所述目标像素点为疑似封装缺块像素点;
统计待检测共模电感封装区域中目标像素点的个数,若所述目标像素点的个数大于预设像素点个数,则判定待检测共模电感封装区域存在封装异常;
当待检测共模电感封装区域存在封装异常时,获取存在封装异常的待检测共模电感封装区域中各个目标像素点。
进一步地,根据各个目标像素点对应的预设局部区域内每个像素点的灰度值和位置,确定各个目标像素点对应的每个缺块类型的特征值,包括:
对于任意一个目标像素点,以目标像素点为中心点,构建中心点对应的预设尺寸的矩形框,遍历矩形框内的所有像素点;
从矩形框内筛选出满足第一缺块类型条件的像素点,并统计矩形框内满足第一缺块类型条件的像素点个数;将矩形框内满足第一缺块类型条件的像素点个数与矩形框内所有像素点个数的比值,确定为对应目标像素点的第一缺块类型的特征值;
从矩形框内筛选出满足第二缺块类型条件的像素点,并统计矩形框内满足第二缺块类型条件的像素点个数;将矩形框内满足第二缺块类型条件的像素点个数与矩形框内所有像素点个数的比值,确定为对应目标像素点的第二缺块类型的特征值;
从目标像素点对应的预设局部区域内筛选出满足第三缺块类型条件的像素点,并统计预设局部区域内满足第三缺块类型条件的像素点个数;将预设局部区域内满足第三缺块类型条件的像素点个数与预设局部区域内所有像素点个数的比值,确定为对应目标像素点的第三缺块类型的特征值。
进一步地,所述满足第一缺块类型条件的像素点的确定步骤包括:
对目标像素点对应的预设局部区域进行边缘检测,获得各个目标边缘;所述目标边缘为圆弧形成的边缘;
对于目标像素点对应的矩形框内任意一个像素点,在像素点对应的预设局部区域内任选两个目标边缘,将其中一个目标边缘上任选一个像素点作为第一基准像素点,沿着对应目标边缘确定与第一基准像素点的灰度值相差最小的像素点为第一比对像素点,计算第一基准像素点与第一比对像素点的连线斜率,进而获得两个目标边缘对应的连线斜率,将两个目标边缘对应的连线斜率乘积确定为对应像素点的第一缺陷判定指标;所述第一基准像素点的位置与第一比对像素点的位置不同;
将目标像素点对应的矩形框内第一缺陷判定指标大于或等于0的像素点确定为满足第一缺块类型条件的像素点。
进一步地,所述满足第二缺块类型条件的像素点的确定步骤包括:
对于目标像素点对应的矩形框内任意一个像素点,对像素点对应的预设局部区域进行边缘检测,获得预设局部区域内的各个边缘,判断像素点对应的预设局部区域内是否存在斜率为无穷大的边缘;若不存在斜率为无穷大的边缘,则将像素点判定为不满足第二缺块类型条件的像素点;
若存在斜率为无穷大的边缘,则对像素点对应的预设局部区域进行角点检测,将检测到的任意一个角点确定为第二基准像素点;沿着像素点对应的预设局部区域内的任意一个比对目标边缘,确定与第二基准像素点的灰度值相差最小的像素点为第二比对像素点,计算第二基准像素点与第二比对像素点的连线斜率的绝对值,将所述连线斜率的绝对值确定为对应像素点的第二缺陷判定指标;所述比对目标边缘为像素点对应的预设局部区域内除第二基准像素点所在目标边缘以外的其他目标边缘;
将目标像素点对应的矩形框内第二缺陷判定指标相同的像素点,确定为满足第二缺块类型条件的像素点。
进一步地,所述满足第三缺块类型条件的像素点的确定步骤包括:
计算目标像素点对应的预设局部区域内各个目标边缘与目标像素点之间的距离,将距离最近的目边边缘确定为对应目标像素点的参考目标边缘;将位于参考目标边缘上的所有像素点确定为满足第三缺块类型条件的像素点。
进一步地,根据各个目标像素点对应的每个缺块类型的特征值,确定目标像素点聚类时的核心距离,包括:
对各个目标像素点对应的每个缺块类型的特征值进行归一化处理,将归一化后的特征值确定为特征参数,获得各个目标像素点对应的每个缺块类型的特征参数;
对于任意一个目标像素点对应的任意一个缺块类型,确定该缺块类型对应的最大特征参数;将该缺块类型对应的最大特征参数与目标像素点对应的该缺块类型的特征参数相加后的数值确定为比值的分子;计算该缺块类型对应的最大特征参数与目标像素点对应的该缺块类型的特征参数相减后的数值,将所述相减后的数值与超参数之和确定为比值的分母;将所述比值确定为对应目标像素点对应的该缺块类型的区域相似度;
确定每个缺块类型对应的最大区域相似度,将每个缺块类型对应的最大区域相似度的平均值确定为目标像素点聚类时的核心距离。
进一步地,根据每个缺块类型的预设权重、每个缺块类型对应的聚类簇个数以及各聚类簇内目标像素点的个数,确定待检测共模电感封装区域的封装异常显著度,包括:
对于任意一个缺块类型,将对应缺块类型的预设权重、对应缺块类型对应的聚类簇个数以及各聚类簇内目标像素点的个数的乘积,确定为对应缺块类型的封装异常指标;
对每个缺块类型的封装异常指标进行相加,将相加后的数值确定为待检测共模电感封装区域的封装异常显著度。
进一步地,所述确定每个缺块类型对应的各聚类簇,包括:
从任意一个聚类簇中选取一个目标像素点,将目标像素点对应的每个缺块类型的特征参数进行比对分析,将最大特征参数的缺块类型确定为对应聚类簇的缺块类型,从而获得每个缺块类型对应的各聚类簇。本发明具有如下有益效果:
本发明提供了一种基于人工智能的电感线圈封装异常检测方法,该方法通过对待检测共模电感封装区域进行图像处理分析,结合共模电感封装的不同缺块位置区域的图像特征,可以精确评估存在封装异常的待检测共模电感封装区域的封装异常,即确定封装异常显著度,改善了现有电感线圈封装异常检测结果准确性较差的缺陷。获取待检测共模电感封装区域中的各个目标像素点,有助于对每个可能为缺块区域内像素点进行缺块类型分析,提高封装异常显著度的精确度;通过各个目标像素点对应的预设局部区域的图像特征,分析每个目标像素点相对于每个缺块类型呈现的特征信息情况,即确定目标像素点对应的每个缺块类型的特征值,其有利于明确目标像素点属于不同缺块类型的可能性;通过每个缺块类型的特征值确定目标像素点聚类时的核心距离,将目标像素点属于不同缺块类型的可能性融合到核心距离的计算过程中,有助于获得聚类效果更好的目标像素点聚类时的核心距离,有助于更准确的将同一缺块类型的像素点归类在同一聚类簇里,从而更精确的检测电感线圈的缺块区域;对所有目标像素点进行聚类,获得各个聚类簇,可以有效增强电感线圈封装异常检测的效率;将每个缺块类型设置相对应的权重,有助于拉大不同缺块类型之间的差异,获得准确度更高的封装异常显著度。本发明主要应用于电感线圈封装检测领域。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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为本发明一种基于人工智能的电感线圈封装异常检测方法的流程图;
图2为本发明实施例中的待检测共模电感封装区域中每个缺块类型的缺块区域示意图。
在图2中,字母A表征为第一缺块类型的缺块区域,字母B表征为第二缺块类型的缺块区域,字母C表征为第三缺块类型的缺块区域。
具体实施方式
为了更进一步阐述本发明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,对依据本发明提出的技术方案的具体实施方式、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”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明所针对的应用场景可以为:电路中的共模电感封装存在缺块缺陷,会导致电感线圈裸露在外表,其不仅影响美观,对共模电感的性能也会造成影响,故需要对电路中的共模电感封装进行缺块缺陷检测。现有可以通过图像处理技术,获得缺块区域,进而获得可以评估缺块缺陷程度的指标,但是现有技术忽略了共模电感封装不同位置的缺块所裸露的电感线圈,对后续共模电感运行产生的影响不同的特征,导致最终获得缺块缺陷程度指标的准确性较低,进一步造成电感线圈封装异常检测结果准确性较差。
为了克服现有电感线圈封装异常检测结果准确性较差的缺陷,本实施例提供了一种基于人工智能的电感线圈封装异常检测方法,如图1所示,包括以下步骤:
S1,获取电路表面图像中存在封装异常的待检测共模电感封装区域中的各个目标像素点,进而确定各个目标像素点对应的预设局部区域内每个像素点的灰度值和位置,其步骤可以包括:
第一步,获取电路表面图像中存在封装异常的待检测共模电感封装区域中的各个目标像素点。
作为示例,其步骤可以包括:
第一子步骤:获取电路表面图像中的待检测共模电感封装区域和标准共模电感封装区域。
在本实施例中,首先,采用电荷耦合器件(Charge Coupled Device,CCD)相机,通过俯视拍摄角度,拍摄电路表面,获得电路表面图像,电路表面图像为红绿蓝三原色(RedGreen Blue,RGB)色彩空间的图像。然后,利用高斯滤波对电路表面图像进行预处理,以消除噪声干扰,提高后续图像分析结果的准确性。最后,通过卷积神经网络,提取预处理后的电路表面图像中的共模电感封装区域。其中,卷积神经网络可以为一种基于深度学习的目标检测算法,例如YOLOV8(You Only Look Once version 8),卷积神经网络的输入图像为预处理后的电路表面图像,输出图像为共模电感封装区域。高斯滤波的图像预处理过程、卷积神经网络的构建和训练过程均为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
为了提取共模电感封装区域的图像特征信息,对共模电感封装区域进行灰度化处理,获得灰度化处理后的共模电感封装区域。为了检测共模电感封装区域是否存在缺块缺陷,将灰度化处理后的共模电感封装区域作为待检测共模电感封装区域,进行后续的图像数据处理分析。灰度化处理的实现方法包括但不限于:平均值法、加权平均值法以及最大值法等,灰度化处理的实现过程为现有技术,此处不再进行详细阐述。
为了与待检测共模电感封装区域进行对比分析,初步判断待检测共模电感封装区域是否存在封装异常,需要获取模板图像。模板图像为不存在任何封装缺陷的共模电感封装区域,模板图像即为标准共模电感封装区域,模板图像同样也为灰度化处理后的图像,不存在任何封装缺陷的共模电感封装区域可以通过人为经验判断,利用图像处理相关技术,采集获得。
第二子步骤:确定待检测共模电感封装区域中每个像素点的封装异常判定指标。
在本实施例中,利用差分算法,对待检测共模电感封装区域和标准共模电感封装区域中相同位置处像素点的灰度值进行相减并取绝对值,将相减并取绝对值后的数值确定为封装异常判定指标,从而确定待检测共模电感封装区域中每个像素点的封装异常判定指标。值得说明的是,待检测共模电感封装区域中的像素点和标准共模电感封装区域中的像素点存在一一对应关系,另外,差分算法的实现过程为现有技术,此处不再进行详细阐述。
第三子步骤:根据每个像素点的封装异常判定指标,确定待检测共模电感封装区域中的各个目标像素点。
在本实施例中,将待检测共模电感封装区域中封装异常判定指标大于灰度阈值的像素点,作为目标像素点,目标像素点可以为疑似封装缺块像素点,灰度阈值可以取经验值5。
需要说明的是,封装存在裸露的缺块区域可以为电感线圈,而电感线圈的灰度值与封装材料的灰度值存在较大差异,也就是待检测共模电感封装区域对应的封装存在裸露的缺块区域与标准共模电感封装区域中相同位置对应的正常区域(封装区域)存在较大灰度差异。因此,可以将待检测共模电感封装区域中存在较大灰度差异的像素点作为疑似封装缺块像素点,后续对疑似封装缺块像素点的图像信息进行分析,以便于获得准确度更高的封装异常显著度。
第四子步骤:根据待检测共模电感封装区域中目标像素点的个数,判断待检测共模电感封装区域是否存在封装异常。
在本实施例中,统计待检测共模电感封装区域中目标像素点的个数,若目标像素点的个数大于预设像素点个数,则判定待检测共模电感封装区域存在封装异常,当待检测共模电感封装区域存在封装异常时,获取存在封装异常的待检测共模电感封装区域中各个目标像素点。预设像素点个数取经验值为20,预设像素点个数可以由实施者根据具体实际情况设置,本实施例不做具体限定。
需要说明的是,共模电感封装缺块区域的面积较大,若待检测共模电感封装区域中目标像素点的个数小于或是等于20个,说明待检测共模电感封装区域中存在较大灰度差异的像素点不为封装缺块缺陷造成的,此时的目标像素点可能为噪声像素点。
第二步,确定各个目标像素点对应的预设局部区域内每个像素点的灰度值和位置。
作为示例,以各个目标像素点为中心点,获取以r为半径的圆形区域,将圆形区域作为对应目标像素点对应的预设局部区域。其中,r为预设局部区域的半径,取经验值为15,即15个像素点。对于待检测共模电感封装区域,构建坐标系,可以获得各个目标像素点对应的预设局部区域内每个像素点的位置,位置包括横坐标和纵坐标。
至此,本实施例获得了存在封装异常的待检测共模电感封装区域中各个目标像素点对应的预设局部区域、预设局部区域内每个像素点的灰度值和位置。
S2,根据各个目标像素点对应的预设局部区域内每个像素点的灰度值和位置,确定各个目标像素点对应的每个缺块类型的特征值。
首先,需要说明的是,封装缺块会造成共模电感的电感线圈发生裸露,根据裸露电感线圈在共模电感封装区域中的大致位置,将缺块类型分为三类,分别为第一缺块类型、第二缺块类型以及第三缺块类型。在三个缺块类型中,第二缺块类型裸露出了两个电感线圈的部分线圈区域,异常程度最高,其次是第三缺块类型的异常程度,第二缺块类型的异常程度最小。
待检测共模电感封装区域中每个缺块类型的缺块区域示意图如图2所示,其中,第一缺块类型可以为封装缺块后的裸露部分位于封装材料棱角位置处,如图2中缺块区域A所示;第二缺块类型可以为封装缺块后的裸露部分为两个电感线圈绝缘管对应线圈的相邻部分,如图2中缺块区域B所示;第三缺块类型可以为封装缺块后的裸露部分全部为线圈,一般位于封装材料平面位置处,如图2中缺块区域C所示。值得说明的是,对于图2中缺块区域B,实际共模电感中两个相邻的电感线圈绝缘管不存在缝隙空白区域,为了区分两个相邻的电感线圈绝缘管对应的边界线,在图2中缺块区域B才会存在缝隙空白区域。
作为示例,对于任意一个目标像素点,确定目标像素点对应的每个缺块类型的特征值的步骤可以包括:
第一步,确定目标像素点的第一缺块类型的特征值。
在本实施中,首先,以目标像素点为中心点,构建中心点对应的预设尺寸的矩形框。然后,遍历矩形框内的所有像素点,从矩形框内的所有像素点中,筛选出满足第一缺块类型条件的像素点,并统计矩形框内满足第一缺块类型条件的像素点个数。最后,将矩形框内满足第一缺块类型条件的像素点个数与矩形框内所有像素点个数的比值,确定为对应目标像素点的第一缺块类型特征值。矩形框的预设尺寸可以取经验值为7。
例如,目标像素点的第一缺块类型的特征值的计算公式可以为:
其中,满足第一缺块类型条件的像素点的确定步骤可以包括:
第一子步骤,获得目标像素点对应的预设局部区域内的各个目标边缘。
在本实施例中,首先,利用Canny边缘检测,对目标像素点对应的预设局部区域进行边缘检测,获得预设局部区域内的各个边缘。然后,由于裸露的电线线圈的形成大多为圆弧形状,故需要对各个边缘进行霍夫圆检测,获得形状为圆弧形状的边缘,将形状为圆弧形状的边缘作为目标边缘。Canny边缘检测算法和霍夫圆检测的实现过程现有技术,此处不再进行详细阐述。另外,可以实现边缘检测的方法包括但不限于:微分法、差分边缘检测方法、Roberts 边缘检测算子以及Sobel边缘检测算子。
第二子步骤,确定目标像素点对应的矩形框内每个像素点的第一缺陷判定指标。
对于目标像素点对应的矩形框内任意一个像素点,在像素点对应的预设局部区域内任选两个目标边缘,将其中一个目标边缘上任选一个像素点作为第一基准像素点,沿着对应目标边缘确定与第一基准像素点的灰度值相差最小的像素点为第一比对像素点,计算第一基准像素点与第一比对像素点的连线斜率,进而获得两个目标边缘对应的连线斜率,将两个目标边缘对应的连线斜率乘积确定为对应像素点的第一缺陷判定指标。
其次,在目标边缘上随机选取一个像素点作为第一基准像素点,记为,基于目
标边缘上每个像素点的灰度值,计算目标边缘上除第一基准像素点以外的其他像素点
的灰度值与第一基准像素点的灰度值之间的差值,将目标边缘上灰度差值最小的其他像
素点作为第一比对像素点。
接着,将第一基准像素点与第一比对像素点相连,根据第一基准像素点与第一比
对像素点的坐标位置,计算相连后的连线斜率,将连线斜率作为目标边缘对应的连线斜
率,将目标边缘对应的连线斜率记为;根据目标边缘上每个像素点的灰度值和位置,
参考目标边缘对应的连线斜率的确定过程,可以获得目标边缘对应的连线斜率,将目
标边缘对应的连线斜率记为。连线斜率的计算过程为现有技术,此处不再进行详细阐
述。
此时,本实施例获得了目标像素点对应的矩形框内每个像素点的第一缺陷判定指标。
第三子步骤,将目标像素点对应的矩形框内第一缺陷判定指标大于或等于0的像素点确定为满足第一缺块类型条件的像素点。
在本实施例中,若像素点满足第一缺块类型条件,则像素点对应的预设局部区域内两个目标边缘为线圈边缘,且两个目标边缘均为水平平行分布,那么两个目标边缘对应的连线斜率同为正或同为负,即两个目标边缘对应的连线斜率乘积始终大于或等于0,即第一缺陷判定指标始终大于或等于0。
第二步,确定目标像素点的第二缺块类型的特征值。
在本实施例中,首先,以目标像素点为中心点,构建中心点对应的预设尺寸的矩形框。然后,遍历矩形框内的所有像素点,从矩形框内的所有像素点中,筛选出满足第二缺块类型条件的像素点,并统计矩形框内满足第二缺块类型条件的像素点个数。最后,将矩形框内满足第二缺块类型条件的像素点个数与矩形框内所有像素点个数的比值,确定为对应目标像素点的第二缺块类型特征值。值得说明的是,本实施例中的矩形框的预设尺寸均取经验值7。
例如,目标像素点的第二缺块类型特征值的计算公式可以为:
其中,满足第二缺块类型条件的像素点的确定步骤可以包括:
第一子步骤,判断目标像素点对应的矩形框内任意一个像素点对应的预设局部区域内是否存在斜率为无穷大的边缘。
在本实施例中,对于目标像素点对应的矩形框内任意一个像素点,将矩形框内任意一个像素点记为像素点q,利用Canny边缘检测,对像素点q对应的预设局部区域进行边缘检测,获得预设局部区域内的各个边缘;计算各个边缘的斜率,判断各个边缘中是否存在斜率为无穷大的边缘。若不存在斜率为无穷大的边缘,则直接将目标像素点对应的矩形框内的像素点q判定为不满足第二缺块类型条件的像素点;若存在斜率为无穷大的边缘,则计算目标像素点对应的矩形框内的像素点q的第二缺陷判定指标。
需要说明的是,第二缺块类型的缺块区域内裸露部分为两个电感线圈绝缘管,电感线圈绝缘管边界可以为竖直向下的边缘,即斜率为无穷大的边缘,若像素点对应的预设局部区域内不存在斜率为无穷大的边缘,则说明对应像素点不可能为第二缺块类型的缺块区域内的像素点,即将对应像素点判定为不满足第二缺块类型条件的像素点。
第二子步骤,当存在斜率为无穷大的边缘时,确定目标像素点对应的矩形框内像素点q的第二缺陷判定指标。
在本实施例中,由于像素点q对应的预设局部区域内目边边缘会与斜率为无穷大
的边缘相交,其中目边边缘可以被表征为线圈边缘,斜率为无穷大的边缘可以被表征为电
感线圈绝缘管对应的竖直边界线。所以,首先,利用Harris角点检测,对像素点q对应的预设
局部区域进行角点检测,可以获得像素点q对应的预设局部区域内的各个角点,将检测到的
任意一个角点确定为第二基准像素点,将第二基准像素点记为。
然后,沿着像素点q对应的预设局部区域内任意一个比对目标边缘,确定与第二基准像素点的灰度值相差最小的像素点为第二比对像素点,这里的比对目标边缘可以为像素点q对应的预设局部区域内除第二基准像素点所在目标边缘以外的其他目标边缘。将第二基准像素点与第二比对像素点相连,计算第二基准像素点与第二比对像素点的连线斜率的绝对值,将连线斜率的绝对值作为像素点q的第二缺陷判定指标。
第三子步骤,将目标像素点对应的矩形框内第二缺陷判定指标相同的像素点,确定为满足第二缺块类型条件的像素点。
首先,需要说明的是,电感线圈上,导线绕至绝缘管边缘部分时导线的斜率的绝对值最大,在绝缘管体上时导线的斜率的绝对值相对较小。若像素点q为第二缺块类型的缺块区域内的像素点,则存在两个导线绕至绝缘管边缘部分,当导线均匀的缠绕在绝缘管上时,每一层导线互相平行,也就是目标边缘互相平行,故两个绝缘管的边缘上存在斜率绝对值相同的情况,即第二缺陷判定指标相同。因此,可以将目标像素点对应的矩形框内第二缺陷判定指标相同的像素点,确定为满足第二缺块类型条件的像素点。
第三步,确定目标像素点的第三缺块类型的特征值。
在本实施例中,从目标像素点对应的预设局部区域内筛选出满足第三缺块类型条件的像素点,并统计预设局部区域内满足第三缺块类型条件的像素点个数;将预设局部区域内满足第三缺块类型条件的像素点个数与预设局部区域内所有像素点个数的比值,确定为对应目标像素点的第三缺块类型的特征值。
例如,目标像素点的第三缺块类型的特征值的计算公式可以为:
其中,满足第二缺块类型条件的像素点的确定步骤可以包括:
计算目标像素点对应的预设局部区域内各个目标边缘与目标像素点之间的距离,将距离最近的目边边缘确定为对应目标像素点的参考目标边缘;将位于参考目标边缘上的所有像素点确定为满足第三缺块类型条件的像素点。
例如,将目标像素点对应的预设局部区域内各个目标边缘上的中心点对应的像素点作为第三比对像素点,将目标像素点作为第三基准像素点,计算每个第三比对像素点与第三基准像素点之间的欧氏距离,将欧氏距离最小的第三比对像素点所在的目边边缘确定为对应目标像素点的参考目标边缘,进而将位于参考目标边缘上的所有像素点确定为满足第三缺块类型条件的像素点。
需要说明的是,若目标像素点为第三缺块类型的缺块区域内的像素点,则在目标像素点对应的预设局部区域内,越靠近预设局部区域的中心,线圈裸露的长度就越大,越靠近边缘部分,裸露的长度就越小,故可以将最靠近中心的目标边缘上的所有像素点确定为满足第三缺块类型条件的像素点。
又如,在目标像素点对应的预设局部区域内任选参考目标边缘,将参考目标边缘
记为,在参考目标边缘上随机选取一个像素点记为像素点j。沿着参考目标边缘选取
与像素点j的灰度值相差小于灰度阈值的像素点,并将选取的灰度相差小于灰度阈值的像
素点确定为满足第三缺块类型条件的像素点,即,其中为像素点j的灰度值,为目标边缘上第i个像素点的灰度值,为对求绝对值,为灰度阈值,灰
度阈值取经验值为4。值得说明的是,在目标像素点对应的预设局部区域内的中心部分,沿
着参考目标边缘确定的与像素点j相邻的灰度值相似的像素点的个数最多。
针对缺块区域非常小的极端情况进行分析,当缺块区域非常小时,裸露出来的电感线圈部分没有目标边缘线或目标边缘线的个数小于3,具体为:
当任意一个目标像素点对应的预设局部区域内目标边缘的个数为0时,说明该第一目标像素点位于电感线圈上,且裸露部分的最大长度小于线圈的宽度,将对应目标像素点的缺块类型确定为第三缺块类型。
当任意一个目标像素点对应的预设局部区域内目标边缘的个数为1时,确定该目标边缘的斜率;若该目标边缘的斜率为无穷大,说明该目标边缘在预设局部区域内方向为竖直向下,该目标边缘为电感线圈绝缘管的边界的边界线,可以将对应第一目标像素点的缺块类型确定为第一缺块类型;若该目标边缘的斜率不为无穷大,说明该目标边缘为电感线圈的边缘,可以将对应目标像素点的缺块类型确定为第三缺块类型。
当任意一个目标像素点对应的预设局部区域内目标边缘的个数为2时,对2个目标边缘进行角点检测。角点检测的实现方法可以为Harris角点检测。若2个目标边缘存在角点,说明两个目标边缘相交,一个目标边缘为电感线圈绝缘管边界的边界线,另外一个目标边缘为电感线圈的边缘,可以将对应第一目标像素点的缺块类型确定为第一缺块类型;若2个目标边缘不存在角点,说明两个目标边缘不相交,两个目标边缘均为电感线圈的边缘,可以将对应目标像素点的缺块类型确定为第三缺块类型。
S3,根据各个目标像素点对应的每个缺块类型的特征值,确定目标像素点聚类时的核心距离。
作为示例,其步骤可以包括:
第一步,确定各个目标像素点对应的每个缺块类型的特征参数。
对各个目标像素点对应的每个缺块类型的特征值进行归一化处理,将归一化后的特征值确定为特征参数,获得各个目标像素点对应的每个缺块类型的特征参数。
在本实施例中,对各个目标像素点对应的每个缺块类型的特征值进行归一化处理的计算公式可以为:
其中,为各个目标像素点对应的第i缺块类型的特征参数,为各个目标像素点
对应的第i缺块类型的特征值,为各个目标像素点对应的第一缺块类型的特征值,为各
个目标像素点对应的第二缺块类型的特征值,为各个目标像素点对应的第三缺块类型的
特征值。
在特征参数的计算公式中,为了便于后续的计算分析,需要对各个目标像素点对
应的每个缺块类型的特征值进行归一化处理,归一化处理后的数值的取值范围为0到1之
间;每个目标像素点均有其对应的第一缺块类型的特征参数、第二缺块类型的特征参数以及第三缺块类型的特征参数。
第二步,根据特征参数确定各个目标像素点对应的每个缺块类型的区域相似度。
对于任意一个目标像素点对应的任意一个缺块类型,确定该缺块类型对应的最大特征参数;将该缺块类型对应的最大特征参数与目标像素点对应的该缺块类型的特征参数相加后的数值确定为比值的分子;计算该缺块类型对应的最大特征参数与目标像素点对应的该缺块类型的特征参数相减后的数值,将相减后的数值与超参数之和确定为比值的分母;将比值确定为对应目标像素点对应的该缺块类型的区域相似度。
在本实施例中,首先,以任意一个目标像素点对应的任意一个缺块类型为例,从待
检测共模电感封装区域中选取出该缺块类型对应的全部目标像素点,在该缺块类型对应的
全部目标像素点的特征参数中,筛选出最大特征参数。例如,第一缺块类型,从全部的第一
缺块类型的特征参数中找出最大的第一缺块类型的特征参数,记为,同理,可以获
得和。
然后,以对应的像素点为初始聚类中心,若目标像素点的特征参数与
相差较小,则说明对应目标像素点可能与初始聚类中心为同一聚类簇。通过特征参数建立
区域相似度,以改善后续的聚类效果,区域相似度的计算公式可以为:
其中,为各个目标像素点对应的第i缺块类型的区域相似度,为第i缺块类
型对应的最大特征参数,为各个目标像素点对应的第i缺块类型的特征参数,为超参数,
取经验值为0.01,超参数可以用于防止分母为0的特殊情况。
在区域相似度的计算公式中,字符i可以被用于表征缺块类型的序号,字符i可以
等于1、2或3;目标像素点对应的与越接近,即越小,区域相似度越大,为的系数,可以被用于表征目标像素点为第i缺块类型对应的缺块区
域内的像素点的可能性,越大,说明目标像素点的缺块类型越有可能属于第i缺块
类型,其可以使区域相似度更能反应目标像素点和最大特征参数对应的目标像素点之间的
相似度;每个目标像素点均有其对应的每个缺块类型的区域相似度。
第三步,根据区域相似度确定目标像素点聚类时的核心距离。
确定每个缺块类型对应的最大区域相似度,将每个缺块类型对应的最大区域相似度的平均值确定为目标像素点聚类时的核心距离。
在本实施例中,获得各个目标像素点对应的每个缺块类型的区域相似度后,对于
每个缺块类型,可以确定每个缺块类型对应的最大区域相似度,记为,可以被表
征为第i缺块类型对应的最大区域相似度。将每个缺块类型对应的最大区域相似度的平均
值确定为目标像素点聚类时的核心距离,其计算公式可以为:
需要说明的是,区域相似度越大,目标像素点越有可能与初始聚类中心为同一聚类簇。因此,通过每个缺块类型对应的最大区域相似度的平均值作为核心距离,可以便于后续更准确的将同一缺块类型的缺块区域内的像素点归类到同一聚类簇。
S4,根据各个目标像素点对应的每个缺块类型的特征值以及目标像素点聚类时的核心距离,对所有目标像素点进行聚类,获得各个聚类簇。
在本实施例中,利用基于密度的聚类算法(Ordering points to identify theclustering structure,OPTICS),随机选取一个初始核心点(目标像素点)对字典进行更新,通过核心距离对所有目标像素点进行聚类,获得决策图和聚类结果,即各个聚类簇。OPTICS聚类算法的实现过程为现有技术,此处不再进行详细阐述。
值得说明的是,在聚类分析时,基于通过各个目标像素点对应的每个缺块类型的特征值得到的特征参数进行聚类处理,其有利于将缺块类型特征相似的目标像素点聚类到同一个聚类簇中,增强聚类效果,获得更准确的聚类结果。
S5,确定每个缺块类型对应的各聚类簇,根据每个缺块类型的预设权重、每个缺块类型对应的聚类簇个数以及各聚类簇内目标像素点的个数,确定待检测共模电感封装区域的封装异常显著度,其步骤可以包括:
第一步,确定每个缺块类型对应的各聚类簇。
在本实施例中,从任意一个聚类簇中选取一个目标像素点,将目标像素点对应的每个缺块类型的特征参数进行比对分析,将最大特征参数的缺块类型确定为对应聚类簇的缺块类型,从而获得每个缺块类型对应的各聚类簇。
值得说明的是,对于任意一个目标像素点,目标像素点的特征参数越大,则说明
目标像素点越有可能落入第一缺块类型的缺块区域内,目标像素点的特征参数越大,则
说明目标像素点越有可能落入第二缺块类型的缺块区域内,目标像素点的特征参数越
大,则说明目标像素点越有可能落入第三缺块类型的缺块区域内。
第二步,根据每个缺块类型的预设权重、每个缺块类型对应的聚类簇个数以及各聚类簇内目标像素点的个数,确定待检测共模电感封装区域的封装异常显著度,其步骤可以包括:
对于任意一个缺块类型,将对应缺块类型的预设权重、对应缺块类型对应的聚类簇个数以及各聚类簇内目标像素点的个数的乘积,确定为对应缺块类型的封装异常指标;对每个缺块类型的封装异常指标进行相加,将相加后的数值确定为待检测共模电感封装区域的封装异常显著度。
例如,待检测共模电感封装区域的封装异常显著度的计算公式可以为:
其中,为待检测共模电感封装区域的封装异常显著度,为第一缺块类型的预设
权重,为第一缺块类型对应的各聚类簇内目标像素点的个数,可以表征第一缺块类型
对应的所有聚类簇内目标像素点的总个数,为第一缺块类型对应的聚类簇个数,
为第一缺块类型的封装异常指标,为第二缺块类型的预设权重,为第二缺块类型对应
的各聚类簇内目标像素点的个数,为第二缺块类型对应的聚类簇个数,为第二缺
块类型的封装异常指标,为第一缺块类型的预设权重,为第三缺块类型对应的各聚类
簇内目标像素点的个数,为第三缺块类型对应的聚类簇个数,为第三缺块类型的
封装异常指标。
在封装异常显著度的计算公式中,不同缺块类型的异常程度不同,故可以将第一缺块类型的预设权重设置为0.2、可以将第二缺块类型的预设权重设置为0.5以及可以将第三缺块类型的预设权重设置为0.3;缺块类型对应的各聚类簇内目标像素点的个数,说明该缺块类型对应的缺块区域的面积越大;缺块类型对应的聚类簇个数越多,说明该缺块类型对应的缺块区域的个数越多;从不同缺块类型对应的图像特征信息,计算封装异常显著度,可以有效提高封装异常显著度的准确度,封装异常显著度可以衡量存在封装异常的待检测共模电感封装区域的封装异常程度。
至此,本实施例获得了待检测共模电感封装区域的封装异常显著度,其可以被用于评估待检测共模电感封装区域的封装缺块程度。
在获得待检测共模电感封装区域的封装异常显著度后,实施者可以根据具体实施情况,设定封装异常阈值,对于封装异常显著度超过封装异常阈值的待检测共模电感封装,需要由工作人员对待检测共模电感进行拆检,对于封装异常显著度超过封装异常阈值的待检测共模电感封装,暂时不需要拆检,可以继续观测后续的发展情况,按照实际情况进行操作处理。
值得说明的是,若待检测共模电感封装区域内存在缺块区域非常小的极端情况,则在计算封装异常显著度时,将该情况下缺块类型对应的目标像素点个数,添加到对应的缺块类型的目标像素点个数中进行分析。
例如,存在10个目标像素点对应的预设局部区域内目标边缘的个数小于或等于3
个,其中,第一缺块类型对应3个像素点,第三缺块类型对应7个像素点。在封装异常显著度
的计算公式中,将第一缺块类型对应3个像素点添加到第一缺块类型对应的各聚类簇内目
标像素点的个数中,即,将第三缺块类型对应7个像素点添加到第三缺块类型对应
的各聚类簇内目标像素点的个数中,即。
至此,本实施例完成了对电感线圈封装异常的检测。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于人工智能的电感线圈封装异常检测方法,其特征在于,包括以下步骤:
获取电路表面图像中存在封装异常的待检测共模电感封装区域中的各个目标像素点,进而确定各个目标像素点对应的预设局部区域内每个像素点的灰度值和位置;
根据各个目标像素点对应的预设局部区域内每个像素点的灰度值和位置,确定各个目标像素点对应的每个缺块类型的特征值;
根据各个目标像素点对应的每个缺块类型的特征值,确定目标像素点聚类时的核心距离;
根据各个目标像素点对应的每个缺块类型的特征值以及目标像素点聚类时的核心距离,对所有目标像素点进行聚类,获得各个聚类簇;
确定每个缺块类型对应的各聚类簇,根据每个缺块类型的预设权重、每个缺块类型对应的聚类簇个数以及各聚类簇内目标像素点的个数,确定待检测共模电感封装区域的封装异常显著度。
2.根据权利要求1所述的一种基于人工智能的电感线圈封装异常检测方法,其特征在于,获取电路表面图像中存在封装异常的待检测共模电感封装区域中的各个目标像素点,包括:
获取电路表面图像中的待检测共模电感封装区域和标准共模电感封装区域;
对待检测共模电感封装区域和标准共模电感封装区域中相同位置处像素点的灰度值进行相减并取绝对值,将相减并取绝对值后的数值确定为封装异常判定指标;
将待检测共模电感封装区域中封装异常判定指标大于灰度阈值的像素点作为目标像素点;其中,所述目标像素点为疑似封装缺块像素点;
统计待检测共模电感封装区域中目标像素点的个数,若所述目标像素点的个数大于预设像素点个数,则判定待检测共模电感封装区域存在封装异常;
当待检测共模电感封装区域存在封装异常时,获取存在封装异常的待检测共模电感封装区域中的各个目标像素点。
3.根据权利要求1所述的一种基于人工智能的电感线圈封装异常检测方法,其特征在于,根据各个目标像素点对应的预设局部区域内每个像素点的灰度值和位置,确定各个目标像素点对应的每个缺块类型的特征值,包括:
对于任意一个目标像素点,以目标像素点为中心点,构建中心点对应的预设尺寸的矩形框,遍历矩形框内的所有像素点;
从矩形框内筛选出满足第一缺块类型条件的像素点,并统计矩形框内满足第一缺块类型条件的像素点个数;将矩形框内满足第一缺块类型条件的像素点个数与矩形框内所有像素点个数的比值,确定为对应目标像素点的第一缺块类型的特征值;
从矩形框内筛选出满足第二缺块类型条件的像素点,并统计矩形框内满足第二缺块类型条件的像素点个数;将矩形框内满足第二缺块类型条件的像素点个数与矩形框内所有像素点个数的比值,确定为对应目标像素点的第二缺块类型的特征值;
从目标像素点对应的预设局部区域内筛选出满足第三缺块类型条件的像素点,并统计预设局部区域内满足第三缺块类型条件的像素点个数;将预设局部区域内满足第三缺块类型条件的像素点个数与预设局部区域内所有像素点个数的比值,确定为对应目标像素点的第三缺块类型的特征值。
4.根据权利要求3所述的一种基于人工智能的电感线圈封装异常检测方法,其特征在于,所述满足第一缺块类型条件的像素点的确定步骤包括:
对目标像素点对应的预设局部区域进行边缘检测,获得各个目标边缘;所述目标边缘为圆弧形成的边缘;
对于目标像素点对应的矩形框内任意一个像素点,在像素点对应的预设局部区域内任选两个目标边缘,将其中一个目标边缘上任选一个像素点作为第一基准像素点,沿着对应目标边缘确定与第一基准像素点的灰度值相差最小的像素点为第一比对像素点,计算第一基准像素点与第一比对像素点的连线斜率,进而获得两个目标边缘对应的连线斜率,将两个目标边缘对应的连线斜率乘积确定为对应像素点的第一缺陷判定指标;所述第一基准像素点的位置与第一比对像素点的位置不同;
将目标像素点对应的矩形框内第一缺陷判定指标大于或等于0的像素点确定为满足第一缺块类型条件的像素点。
5.根据权利要求4所述的一种基于人工智能的电感线圈封装异常检测方法,其特征在于,所述满足第二缺块类型条件的像素点的确定步骤包括:
对于目标像素点对应的矩形框内任意一个像素点,对像素点对应的预设局部区域进行边缘检测,获得预设局部区域内的各个边缘,判断像素点对应的预设局部区域内是否存在斜率为无穷大的边缘;若不存在斜率为无穷大的边缘,则将像素点判定为不满足第二缺块类型条件的像素点;
若存在斜率为无穷大的边缘,则对像素点对应的预设局部区域进行角点检测,将检测到的任意一个角点确定为第二基准像素点;沿着像素点对应的预设局部区域内的任意一个比对目标边缘,确定与第二基准像素点的灰度值相差最小的像素点为第二比对像素点,计算第二基准像素点与第二比对像素点的连线斜率的绝对值,将所述连线斜率的绝对值确定为对应像素点的第二缺陷判定指标;所述比对目标边缘为像素点对应的预设局部区域内除第二基准像素点所在目标边缘以外的其他目标边缘;
将目标像素点对应的矩形框内第二缺陷判定指标相同的像素点,确定为满足第二缺块类型条件的像素点。
6.根据权利要求4所述的一种基于人工智能的电感线圈封装异常检测方法,其特征在于,所述满足第三缺块类型条件的像素点的确定步骤包括:
计算目标像素点对应的预设局部区域内各个目标边缘与目标像素点之间的距离,将最小距离对应的目标边缘确定为目标像素点的参考目标边缘;将位于参考目标边缘上的所有像素点确定为满足第三缺块类型条件的像素点。
7.根据权利要求1所述的一种基于人工智能的电感线圈封装异常检测方法,其特征在于,根据各个目标像素点对应的每个缺块类型的特征值,确定目标像素点聚类时的核心距离,包括:
对各个目标像素点对应的每个缺块类型的特征值进行归一化处理,将归一化后的特征值确定为特征参数,获得各个目标像素点对应的每个缺块类型的特征参数;
对于任意一个目标像素点对应的任意一个缺块类型,确定该缺块类型对应的最大特征参数;将该缺块类型对应的最大特征参数与目标像素点对应的该缺块类型的特征参数相加后的数值确定为比值的分子;计算该缺块类型对应的最大特征参数与目标像素点对应的该缺块类型的特征参数相减后的数值,将所述相减后的数值与超参数之和确定为比值的分母;将所述比值确定为对应目标像素点对应的该缺块类型的区域相似度;
确定每个缺块类型对应的最大区域相似度,将每个缺块类型对应的最大区域相似度的平均值确定为目标像素点聚类时的核心距离。
8.根据权利要求1所述的一种基于人工智能的电感线圈封装异常检测方法,其特征在于,根据每个缺块类型的预设权重、每个缺块类型对应的聚类簇个数以及各聚类簇内目标像素点的个数,确定待检测共模电感封装区域的封装异常显著度,包括:
对于任意一个缺块类型,将对应缺块类型的预设权重、对应缺块类型对应的聚类簇个数以及各聚类簇内目标像素点的个数的乘积,确定为对应缺块类型的封装异常指标;
对每个缺块类型的封装异常指标进行相加,将相加后的数值确定为待检测共模电感封装区域的封装异常显著度。
9.根据权利要求7所述的一种基于人工智能的电感线圈封装异常检测方法,其特征在于,所述确定每个缺块类型对应的各聚类簇,包括:
从任意一个聚类簇中选取一个目标像素点,将目标像素点对应的每个缺块类型的特征参数进行比对分析,将最大特征参数的缺块类型确定为对应聚类簇的缺块类型,从而获得每个缺块类型对应的各聚类簇。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310671012.6A CN116402815B (zh) | 2023-06-08 | 2023-06-08 | 基于人工智能的电感线圈封装异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310671012.6A CN116402815B (zh) | 2023-06-08 | 2023-06-08 | 基于人工智能的电感线圈封装异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116402815A true CN116402815A (zh) | 2023-07-07 |
CN116402815B CN116402815B (zh) | 2023-08-22 |
Family
ID=87016504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310671012.6A Active CN116402815B (zh) | 2023-06-08 | 2023-06-08 | 基于人工智能的电感线圈封装异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116402815B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160370425A1 (en) * | 2015-03-19 | 2016-12-22 | Dcg Systems, Inc. | Particle Beam Heating to Identify Defects |
JP2017211280A (ja) * | 2016-05-26 | 2017-11-30 | 日置電機株式会社 | コイル試験装置およびコイル試験方法 |
US20190050515A1 (en) * | 2018-06-27 | 2019-02-14 | Intel Corporation | Analog functional safety with anomaly detection |
US20200034972A1 (en) * | 2018-07-25 | 2020-01-30 | Boe Technology Group Co., Ltd. | Image segmentation method and device, computer device and non-volatile storage medium |
WO2022170706A1 (zh) * | 2021-02-09 | 2022-08-18 | 广东拓斯达科技股份有限公司 | 用于模具监视的缺陷检测方法、装置、设备及介质 |
CN115049653A (zh) * | 2022-08-15 | 2022-09-13 | 凤芯微电子科技(聊城)有限公司 | 基于计算机视觉的集成电路板质量检测系统 |
CN115456996A (zh) * | 2022-09-15 | 2022-12-09 | 杭州安脉盛智能技术有限公司 | 一种核燃料芯块的离散性缺陷检测方法及相关组件 |
CN115511888A (zh) * | 2022-11-22 | 2022-12-23 | 深圳市岑科实业有限公司 | 基于视觉的电感缺陷检测方法及系统 |
CN115564767A (zh) * | 2022-11-10 | 2023-01-03 | 深圳市岑科实业有限公司 | 基于机器视觉的电感绕线质量监测方法 |
CN116152225A (zh) * | 2023-04-04 | 2023-05-23 | 深圳市柯达科电子科技有限公司 | 一种电感触摸屏生产工艺调节方法及系统 |
-
2023
- 2023-06-08 CN CN202310671012.6A patent/CN116402815B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160370425A1 (en) * | 2015-03-19 | 2016-12-22 | Dcg Systems, Inc. | Particle Beam Heating to Identify Defects |
JP2017211280A (ja) * | 2016-05-26 | 2017-11-30 | 日置電機株式会社 | コイル試験装置およびコイル試験方法 |
US20190050515A1 (en) * | 2018-06-27 | 2019-02-14 | Intel Corporation | Analog functional safety with anomaly detection |
US20200034972A1 (en) * | 2018-07-25 | 2020-01-30 | Boe Technology Group Co., Ltd. | Image segmentation method and device, computer device and non-volatile storage medium |
WO2022170706A1 (zh) * | 2021-02-09 | 2022-08-18 | 广东拓斯达科技股份有限公司 | 用于模具监视的缺陷检测方法、装置、设备及介质 |
CN115049653A (zh) * | 2022-08-15 | 2022-09-13 | 凤芯微电子科技(聊城)有限公司 | 基于计算机视觉的集成电路板质量检测系统 |
CN115456996A (zh) * | 2022-09-15 | 2022-12-09 | 杭州安脉盛智能技术有限公司 | 一种核燃料芯块的离散性缺陷检测方法及相关组件 |
CN115564767A (zh) * | 2022-11-10 | 2023-01-03 | 深圳市岑科实业有限公司 | 基于机器视觉的电感绕线质量监测方法 |
CN115511888A (zh) * | 2022-11-22 | 2022-12-23 | 深圳市岑科实业有限公司 | 基于视觉的电感缺陷检测方法及系统 |
CN116152225A (zh) * | 2023-04-04 | 2023-05-23 | 深圳市柯达科电子科技有限公司 | 一种电感触摸屏生产工艺调节方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116402815B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114842017B (zh) | 一种hdmi线缆表面质量检测方法及系统 | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
CN114926463B (zh) | 一种适用于芯片电路板的生产质量检测方法 | |
CN109523529B (zh) | 一种基于surf算法的输电线路缺陷识别方法 | |
CN115249246B (zh) | 一种光学玻璃表面缺陷检测方法 | |
CN111814686A (zh) | 一种基于视觉的输电线路识别及异物入侵在线检测方法 | |
CN116468728B (zh) | 一种五金冲压件模具生产质量检测方法 | |
CN115330645B (zh) | 一种焊接图像增强方法 | |
CN111784633A (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN115035113B (zh) | 基于x射线的手机数据线生产缺陷无损检测方法 | |
CN115330791A (zh) | 一种零件毛刺检测方法 | |
CN116721107B (zh) | 一种电缆生产质量智能监控系统 | |
TWI765442B (zh) | 瑕疵等級判定的方法及存儲介質 | |
CN111047556A (zh) | 一种带钢表面缺陷检测方法及装置 | |
CN115994907A (zh) | 用于食品检测机构综合信息的智能处理系统及方法 | |
CN117197700B (zh) | 智能化无人巡检接触网缺陷识别系统 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN111105411B (zh) | 一种磁瓦表面缺陷检测方法 | |
CN116402815B (zh) | 基于人工智能的电感线圈封装异常检测方法 | |
CN116721096B (zh) | 基于人工智能的新能源线束质量在线检测方法 | |
CN108734706A (zh) | 一种融合区域分布特性与边缘尺度角度信息的转子绕线图像检测方法 | |
CN112801072B (zh) | 一种基于计算机视觉的电梯非平层开门故障识别装置及方法 | |
CN110335243A (zh) | 一种基于纹理对比的轮胎x光病疵检测方法 | |
CN117635620B (zh) | 一种基于图像处理的电路板缺陷检测方法及系统 |
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 |