CN116433666A - 板卡线路缺陷在线识别方法、系统、电子设备及存储介质 - Google Patents

板卡线路缺陷在线识别方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN116433666A
CN116433666A CN202310699241.9A CN202310699241A CN116433666A CN 116433666 A CN116433666 A CN 116433666A CN 202310699241 A CN202310699241 A CN 202310699241A CN 116433666 A CN116433666 A CN 116433666A
Authority
CN
China
Prior art keywords
image
defect
picture
digital image
pixel
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310699241.9A
Other languages
English (en)
Other versions
CN116433666B (zh
Inventor
祝华锋
黄伟
万姜涛
徐晓明
田丰
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.)
Jiangxi Firefly Microelectronics Technology Co ltd
Original Assignee
Jiangxi Firefly Microelectronics 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 Jiangxi Firefly Microelectronics Technology Co ltd filed Critical Jiangxi Firefly Microelectronics Technology Co ltd
Priority to CN202310699241.9A priority Critical patent/CN116433666B/zh
Publication of CN116433666A publication Critical patent/CN116433666A/zh
Application granted granted Critical
Publication of CN116433666B publication Critical patent/CN116433666B/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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • 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
    • G06T2207/20032—Median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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]
    • 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)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种板卡线路缺陷在线识别方法、系统、电子设备及存储介质，属于线路板表面质量检测领域；该方法包括采用工业相机采集待检板卡的表面数字图像；基于图像校畸机理对表面数字图像进行校畸处理；将校畸处理后的表面数字图像与标准图像进行图像配准；基于背景减去法及图像掩膜法截取图像配准后的表面数字图像的感兴趣区域；针对感兴趣区域进行图片增强得到预处理图片；采用最大类间方差阈值法针对预处理图片进行图片分割以提取缺陷图片；将缺陷图片进行图片对比处理以凸显缺陷图片中的缺陷特征；利用特征对缺陷要素分类法分析缺陷特征以定性待检板卡的表面缺陷类型。通过本申请，可以提高板卡表面缺陷的识别精度、识别速率及识别实时性。

Description

板卡线路缺陷在线识别方法、系统、电子设备及存储介质
技术领域
本发明属于机器视觉识别表面缺陷的技术领域，具体地涉及一种板卡线路缺陷在线识别方法、系统、电子设备及存储介质。
背景技术
随着现代工业化技术的不断发展，自动化逐渐提升了工业生产的效率和产值，传统的人工检测方式无法提高板卡（PCB板）的生产效率。在一些新技术的出现改善了在现代工业生产中产品检测的一些问题，其中机器视觉技术广泛应用于产品检测中。机器视觉技术具备可靠性、稳定性和适应性等各种优点，它从工业检测中开始发展，到如今在各领域和生活中得到重要地位。在检测过程中依靠生产流水线的传送物件和机器视觉技术的配合，可以实现真正的自动化检测，提高生产效率。
PCB板作为当今电子产品提供电气连接的关键互连组件，品质优良的PCB板是电子产品具备稳定性能的基本前提，为了保证产品质量，质量检测在PCB板制造工业过程中的各个阶段都是必须的。蚀刻后的检测及元件贴装前的光板表面线路层的检测在整个工艺过程中对于保证生产质量、提高良品率的作用最为明显。目前，PCB板的光板具有表面缺陷类型多样、出现的位置以及形状大小随机性强、缺陷面积普遍较小等特点，现有技术的视觉识别方法往往存在表面数字图像采集的失真度较大影响缺陷精确定位、图像处理区域较大影响整体检测处理速率、缺陷特征处理不当影响缺陷分类的实时性，以及缺陷特征检测的准确性较差等弊端。
因此，如何针对现有技术的视觉识别方法进行优化改进，提高板卡表面缺陷的识别精度、识别速率及识别实时性，以提升板卡表面缺陷识别的泛化能力，显得尤为重要。
发明内容
为了解决上述技术问题，本发明提供了一种板卡线路缺陷在线识别方法、系统、电子设备及存储介质，可以提高板卡表面缺陷的识别精度、识别速率及识别实时性。
第一方面，本申请提供了一种板卡线路缺陷在线识别方法，其包括：
采用工业相机采集待检板卡的表面数字图像；
基于图像校畸机理对所述表面数字图像进行校畸处理；
将校畸处理后的所述表面数字图像与标准图像进行图像配准；
基于背景减去法及图像掩膜法截取图像配准后的所述表面数字图像的感兴趣区域；
针对所述感兴趣区域进行图片增强得到预处理图片；
采用最大类间方差阈值法针对所述预处理图片进行图片分割以提取缺陷图片；
将所述缺陷图片进行图片对比处理以凸显所述缺陷图片中的缺陷特征；
利用特征对缺陷要素分类法分析所述缺陷特征以定性所述待检板卡的表面缺陷类型；其中，所述特征对缺陷要素分类法中的要素包括连通域变化、缺陷像素灰度、缺陷外像素灰度。
进一步可选地，所述基于图像校畸机理对所述表面数字图像进行校畸处理的步骤具体包括：
基于已知规格标定板获取工业相机标定所需的坐标点数据；
通过机器视觉软件自带标定助手计算所述工业相机的内外参数；
根据所述内外参数及映射类型求解畸变补偿映射图像；
根据所述畸变补偿映射图像并采用图像校畸公式针对所述表面数字图像进行校畸处理。
进一步可选地，所述将校畸处理后的所述表面数字图像与标准图像进行图像配准的步骤具体包括：
自所述表面数字图像中的含特征部分裁取预设矩阵大小的模板，并确定其基准点；
以所述基准点作为位置标杆，并以所述模板采用有序平移方式遍历标准图中所有像素点；
根据相似度度量关系计算每一次遍历中像素集之间的相似度以筛选所述相似度最大值对应的目标基准点；
基于所述目标基准点确认所述目标基准点所在位置与所述标准图索取像素集基准点所在位置匹配。
进一步可选地，所述基于背景减去法及图像掩膜法截取图像配准后的所述表面数字图像的感兴趣区域的步骤具体包括：
将图像配准后的所述表面数字图像与背景图像采用背景减去法获取差分图像；
基于预设全局阈值对所述差分图像进行阈值处理得到阈值图像；
针对所述阈值图像进行连通域分析得到掩膜模板；
将所述掩膜模板与所述表面数字图像进行关联截取所述表面数字图像的感兴趣区域。
进一步可选地，所述针对所述感兴趣区域进行图片增强得到预处理图片的步骤具体包括：
将所述感兴趣区域采用3×3中值滤波器进行自适应滤波处理；
将灰度化处理后的所述感兴趣区域进行灰度腐蚀及膨胀处理进行图像增强；
将图像增强后的所述感兴趣区域采取顶帽变换得到预处理图片。
进一步可选地，所述采用最大类间方差阈值法针对所述预处理图片进行图片分割以提取缺陷图片的步骤具体包括：
根据所述预处理图片的灰度范围获取图像像素点集，以及其对应的灰度值；
基于所述灰度值及初始阈值将所述图像像素点集区分为疑似目标类点集及疑似背景类点集；
计算所述疑似目标类点集及所述疑似背景类点集的类间方差，筛查出使类间方差最大的目标灰度值；
将所述目标灰度值定义为最佳分割阈值，并基于所述最佳分割阈值针对所述预处理图片进行图片分割以提取缺陷图片。
进一步可选地，所述特征对缺陷要素分类法包括：
根据连通域数目的增减变化剔除表面缺陷类型中短路、断路的缺陷类型；
根据缺陷像素灰度剔除表面缺陷类型中毛刺的缺陷类型；
根据缺陷外像素灰度剔除表面缺陷类型中缺口的缺陷类型。
第二方面，本申请提供了一种板卡线路缺陷在线识别系统，包括：
采集模块，用于采用工业相机采集待检板卡的表面数字图像；
校畸模块，用于基于图像校畸机理对所述表面数字图像进行校畸处理；
配准模块，用于将校畸处理后的所述表面数字图像与标准图像进行图像配准；
截取模块，用于基于背景减去法及图像掩膜法截取图像配准后的所述表面数字图像的感兴趣区域；
预处理模块，用于针对所述感兴趣区域进行图片增强得到预处理图片；
提取模块，用于采用最大类间方差阈值法针对所述预处理图片进行图片分割以提取缺陷图片；
对比模块，用于将所述缺陷图片进行图片对比处理以凸显所述缺陷图片中的缺陷特征；
定性模块，用于利用特征对缺陷要素分类法分析所述缺陷特征以定性所述待检板卡的表面缺陷类型；其中，所述特征对缺陷要素分类法中的要素包括连通域变化、缺陷像素灰度、缺陷外像素灰度。
进一步可选地，所述校畸模块包括：
标定单元，用于基于已知规格标定板获取工业相机标定所需的坐标点数据；
计算单元，用于通过机器视觉软件自带标定助手计算所述工业相机的内外参数；
求解单元，用于根据所述内外参数及映射类型求解畸变补偿映射图像；
校畸单元，用于根据所述畸变补偿映射图像并采用图像校畸公式针对所述表面数字图像进行校畸处理。
进一步可选地，所述配准模块包括：
裁取单元，用于自所述表面数字图像中的含特征部分裁取预设矩阵大小的模板，并确定其基准点；
平移单元，用于以所述基准点作为位置标杆，并以所述模板采用有序平移方式遍历标准图中所有像素点；
筛选单元，用于根据相似度度量关系计算每一次遍历中像素集之间的相似度以筛选所述相似度最大值对应的目标基准点；
匹配单元，用于基于所述目标基准点确认所述目标基准点所在位置与所述标准图索取像素集基准点所在位置匹配。
进一步可选地，所述截取模块包括：
差分单元，用于将图像配准后的所述表面数字图像与背景图像采用背景减去法获取差分图像；
阈值单元，用于基于预设全局阈值对所述差分图像进行阈值处理得到阈值图像；
分析单元，用于针对所述阈值图像进行连通域分析得到掩膜模板；
截取单元，用于将所述掩膜模板与所述表面数字图像进行关联截取所述表面数字图像的感兴趣区域。
进一步可选地，所述预处理模块包括：
滤波单元，用于将所述感兴趣区域采用3×3中值滤波器进行自适应滤波处理；
增强单元，用于将灰度化处理后的所述感兴趣区域进行灰度腐蚀及膨胀处理进行图像增强；
变换单元，用于将图像增强后的所述感兴趣区域采取顶帽变换得到预处理图片。
进一步可选地，所述提取模块包括：
获取单元，用于根据所述预处理图片的灰度范围获取图像像素点集，以及其对应的灰度值；
区分单元，用于基于所述灰度值及初始阈值将所述图像像素点集区分为疑似目标类点集及疑似背景类点集；
筛查单元，用于计算所述疑似目标类点集及所述疑似背景类点集的类间方差，筛查出使类间方差最大的目标灰度值；
提取单元，用于将所述目标灰度值定义为最佳分割阈值，并基于所述最佳分割阈值针对所述预处理图片进行图片分割以提取缺陷图片。
第三方面，本申请提供了一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的电子设备程序，所述处理器执行所述电子设备程序时实现如第一方面所述的板卡线路缺陷在线识别方法。
第四方面，本申请提供了一种存储介质，其上存储有电子设备程序，该程序被处理器执行时实现如第一方面所述的板卡线路缺陷在线识别方法。
相比于现有技术，本申请提供的一种板卡线路缺陷在线识别方法、系统、电子设备及存储介质，具有以下有益效果：
1、针对待检板卡的表面数字图像采用图像校畸机理进行校畸处理，其目的是规避工业相机拍摄所存在的图像畸变缺陷，使得表面数字图像尽可能还原在线检测待检板卡真实图像，并能便于待检板卡真实尺寸的计算。
2、采用校畸处理后的表面数字图像与标准图像进行图像配准，因待检板卡的表面数字图像与标准图像是不同时间采集的，两者之间固然存在几何误差，通过图像配准针对几何误差进行补偿，进一步增强还原在线检测过程中待检板卡的真实图像。
3、采用背景减去法及图像掩膜法提取感兴趣区域，是指从在线检测的待检板卡表面数字图像中选择出图像分析的缺陷所在的区域，感兴趣区域提取缩小了图像处理的范围，减少了图像处理所需的时间从而提高在线检测的运行速度。
4、采用自适应滤波处理、腐蚀及膨胀处理和顶帽变换的图像预处理是为了消除其他因素对图像和其他重聚焦产生的混叠噪声，便于提高对缺陷区域的识别能力。
5、采用最大类间方差阈值法进行图片分割以提取缺陷图片，相比其他分割法，该分割处理的图像能完整地呈现出原始图中缺陷的存在，且一定程度保持线边缘的平滑，并具有一定的实时性特性。
6、采用图像对比处理凸显缺陷图片中的缺陷特征，借助图像对比中的减运算剔除两图中一致的正常像素信息，而保留蕴藏着缺陷的差异像素，操作速度快、算法简单且效果直观。
7、采用特征对缺陷要素分类法分析缺陷特征从而定性表面缺陷类型，因图像对比凸显出的缺陷特征，在几何形态上具有任意性而无法通过几何形状分析得出缺陷类型，通过利用特征对缺陷进行理论分类，从而逐级针对缺陷类型进行排查，提高定性的精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的板卡线路缺陷在线识别方法的流程图；
图2为本发明实施例1提供的特征对缺陷要素分类法的流程图；
图3是本发明实施例2提供的与实施例1方法对应的板卡线路缺陷在线识别系统结构框图；
图4是本发明实施例3提供的电子设备的硬件结构示意图。
附图标记说明：
10-采集模块；
20-校畸模块、21-标定单元、22-计算单元、23-求解单元、24-校畸单元；
30-配准模块、31-裁取单元、32-平移单元、33-筛选单元、34-匹配单元；
40-截取模块、41-差分单元、42-阈值单元、43-分析单元、44-截取单元；
50-预处理模块、51-滤波单元、52-增强单元、53-变换单元；
60-提取模块、61-获取单元、62-区分单元、63-筛查单元、64-提取单元；
70-对比模块；
80-定性模块；
90-总线、91-处理器、92-存储器、93-通信接口。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
目前，电子设备性能的优越性、稳定性以及品质的可靠性，都受到电子元件本身质量和性能的影响，但作为现代电子设备的核心组件之一的PCB板对于电子设备的性能、质量的重要性是毋庸置疑的。由于生产现场的各种设备运作状况、环境因素的影响，加之PCB板生产的各种复杂工序要求，生产加工过程中可能存在各种误差，致使印制电路板可能在生产制造的不同工序中出现各种各样的缺陷，尤其是蚀刻后及元件贴装前的光板表面线路层的检测尤为重要，此工序的光板表面线路层通常存在短路、断路、毛刺、缺口、针孔等缺陷。如若不能在生产线上尽早地、准确地发现此类缺陷，可能严重影响整板的品质稳定性和性能的表现，甚至可能导致整板的报废。如果缺陷直到PCB板已经进入元件、芯片贴装环节甚至组装至仪器中时才被发现，检修的成本将更加高昂，损失亦不可同日而语。因此，本申请正是基于该工序中的光板表面质量而提出来的。
实施例1
具体而言，图1所示为本实施例所提供的一种基于板卡线路缺陷在线识别方法的流程示意图。
如图1所示，本实施例的板卡线路缺陷在线识别方法包括以下步骤：
S101，采用工业相机采集待检板卡的表面数字图像。
具体地，本实施例的工业相机应用电荷耦合器件(CCD）线性扫描原理，具体通过数字扫描仪获取数字图像。一般由光源、光学透镜、扫描模组、模数转换电路构成，核心是利用电荷耦合器件进行光电转换,其原理是光源发出的光线照射到场景印制电路板上，并沿y轴方向移动，经过反射穿过一个很窄的缝隙，形成沿x轴方向光带，光带照射到CCD上，光强度信号转变成模拟电压信号，经过模数转换成数字信号输入电子设备处理。
S102，基于图像校畸机理对所述表面数字图像进行校畸处理。
具体地，工业相机大多是基于小孔成像原理建立而成的，但是由于小孔成像模型是理想情况下的物理模型，并没有考虑到相机、镜头等因素的影响，所以实际上工业相机拍摄所得的数字图像是存在畸变的。该步骤的校畸处理的目的是规避工业相机拍摄所存在的图像畸变缺陷，使得表面数字图像尽可能还原在线检测待检板卡真实图像，并能便于待检板卡真实尺寸的计算。
进一步地，步骤S102的具体步骤包括：
S1021，基于已知规格标定板获取工业相机标定所需的坐标点数据。
具体地，工业相机拍摄所得二维图像是存在畸变的，畸变分为径向畸变和切向畸变两种。一般情况下，镜头主要存在径向畸变，而切向畸变造成影响相对较小。径向畸变分为枕型畸变和桶型畸变两种，针对该两种畸变的校正通过采用相机标定方法，相机标定的目的有两种：一是矫正图像中存在的畸变；二是为了建立出工业相机所获取的二维图像像素点位置和世界三维空间系位置之间的几何模型，以便于电子设备可以从二维图像中获取真实尺寸信息等。具体实践中，通过已知规格的标定板（600*600mm）可以求解出工业相机标定所需的坐标点数据。
S1022，通过机器视觉软件自带标定助手计算所述工业相机的内外参数。
具体地，本步骤所采用的机器视觉软件采用HALCON视觉软件，该软件自带的标定助手根据工业相机标定所需的坐标点数据进行工业相机的标定，相机标定的过程就是是求解相机内外参数的过程，内外参数是由一系列己知的世界中点的坐标及其相对应的图像像素坐标系中点的坐标反向求取唯一最优解获取。
S1023，根据所述内外参数及映射类型求解畸变补偿映射图像。
具体地，畸变补偿映射图像通过HALCON视觉软件的标定因子求得，标定因子包括工业相机的内参（f、k、Sx、Sy、Cx、Cy）、工业相机的外参（tx、ty、tz、α、β、γ）、以及映射类型。
S1024，根据所述畸变补偿映射图像并采用图像校畸公式针对所述表面数字图像进行校畸处理。
具体地，图像校畸公式：P=p*map；式中，p表示CCD工业相机拍摄所得数字图像，map表示畸变补偿映射图像，P表示去畸变后所得图像。
S103，将校畸处理后的所述表面数字图像与标准图像进行图像配准。
具体地，本实施例的图像配准采用基于灰度的图像配准，具体指以一定大小的由实时图取出的灰度矩阵窗口按照某种相似性度量关系对待配准的标准图的所有可能的像素集进行遍历搜索配准的办法。
进一步地，步骤S103的具体步骤包括：
S1031，自所述表面数字图像中的含特征部分裁取预设矩阵大小的模板，并确定其基准点。
具体地，模板T为K×Q像素矩阵，模板的矩阵元素取自实时图中富含特征内容的部分；模板的基准点为左上角元素，实际操作中，基准点于模板中的位置可随意决定。
S1032，以所述基准点作为位置标杆，并以所述模板采用有序平移方式遍历标准图中所有像素点。
具体地，标准图为M×N像素矩阵，配准过程中将模板置于待配准图之上，以基准点作为位置标杆，从左至右从上往下平移以遍历全图像素点，待配准图中被模板所覆盖的部分被称为子图。
S1033，根据相似度度量关系计算每一次遍历中像素集之间的相似度以筛选所述相似度最大值对应的目标基准点。
具体地，相似性度量关系以及遍历策略是影响配准效果和配准效率的关键，在图像有严重的几何畸变时易失效。根据基准点所在模板的位置以及模板的尺寸，可以算出于图中基准点所能取到的横坐标的范围是[1，M-K+1]，其纵坐标的范围是[1，N-Q+1]，其中，首地址为(1，1)。基准点每移动一次，就需要根据相似度度量关系重新计算子图与标准图中抽取的模板大小的基准像素集之间的相似度，在相似度度量关系下达到最大相似时，筛选相似度最大值对应的目标基准点。
S1034，基于所述目标基准点确认所述目标基准点所在位置与所述标准图索取像素集基准点所在位置匹配。
具体地，因待检板卡的表面数字图像与标准图像是不同时间采集的，两者之间固然存在几何误差，为后续图像对比工作不会因为两图的偏移而出现误差导致最后的缺陷误判，必须进行标准图像与缺陷图像的配准，通过图像配准针对几何误差进行补偿，进一步增强还原在线检测过程中待检板卡的真实图像。
S104，基于背景减去法及图像掩膜法截取图像配准后的所述表面数字图像的感兴趣区域。
具体地，提取感兴趣区域是指从在线检测的待检板卡表面数字图像中选择出图像分析的缺陷所在的区域，感兴趣区域提取缩小了图像处理的范围，减少了图像处理所需的时间从而提高在线检测的运行速度。
进一步地，步骤S104的具体步骤包括：
S1041，将图像配准后的所述表面数字图像与背景图像采用背景减去法获取差分图像。
具体地，工业相机在采集数字图像的过程中会引入一些噪声，这些灰度值通常是以某一个均值为基准线后在一定的范围内随机振荡，这种场景就是所谓的“背景”。本实施例采用的背景减去法的基本思想与帧间差分法相类似，都是运用不同的图像做差分运算从而提取目标区域。具体实施中，工业相机每次开机时都将采集一帧背景图像B，检测时实时采集的表面图像为E，背景图像B和表面图像F的对应像素点的灰度值分别为B(x，y)和F(x，y)，将两帧图像对应像素点灰度值相减后取其绝对值则得到差分图像Dn。
S1042，基于预设全局阈值对所述差分图像进行阈值处理得到阈值图像。
具体地，设定合适的全局阈值T，根据下列公式对差分图像Dn进行阈值处理得到阈值图像D´n；
Figure SMS_1
。
S1043，针对所述阈值图像进行连通域分析得到掩膜模板。
具体地，对阈值图像D´n进行连通域分析，将除最大面积区域以外的其他灰度值为1的像素点的灰度值赋值为0，从而得到掩膜模板Rn。
S1044，将所述掩膜模板与所述表面数字图像进行关联截取所述表面数字图像的感兴趣区域。
具体地，将掩膜模板Rn与表面数字图像相乘则得到感兴趣区域内目标图像P。
S105，针对所述感兴趣区域进行图片增强得到预处理图片。
具体地，通过采用自适应滤波处理、腐蚀及膨胀处理和顶帽变换的图像预处理是为了消除其他因素对图像和其他重聚焦产生的混叠噪声，便于提高对缺陷区域的识别能力。
进一步地，步骤S105的具体步骤包括：
S1051，将所述感兴趣区域采用3×3中值滤波器进行自适应滤波处理。
具体地，为了有效地检测实验图像的缺陷特征，必须先对数字重聚焦后的图像进行滤波去噪的处理过程减少噪声对检测精度造成的影响。这是因为实验所采集到的图像在接收，传输以及数字重聚焦计算变换的过程中，噪声不可避免地降低图像的质量。本实施例采用 3×3中值滤波器，处理以后可以看出背景噪声得到有效降低，缺陷点的细节也得到很好的保留。
S1052，将灰度化处理后的所述感兴趣区域进行灰度腐蚀及膨胀处理进行图像增强。
具体地，灰度腐蚀的过程是让一个结构元素S(x，y)扫描灰度处理后的图像F(x，y)所有行列的像素，图像F(x，y)的每一个位置点(x，y)的灰度值以(x´，y´)为中心，在结构元素S(x，y)区域范围内，F(x，y)与S(x，y)之差的最小值就是图像腐蚀的结果，在整个腐蚀过程图像点(x+x´，y+y´)均保持在灰度图像之内。灰度膨胀的过程是让结构元素S(x，y)相对于原点的镜像S´扫描灰度处理后的图像F(x，y)所有行列的像素，图像F(x，y)的每一个位置点(x，y)的灰度值以(x´， y´)为中心，在结构元素S(x，y)的镜像S´的区域范围内F(x，y)与S´之和的最大值就是灰度膨胀的结果，在整个膨胀过程图像点(x+x´，y+y´)均保持在灰度图像之内。
S1053，将图像增强后的所述感兴趣区域采取顶帽变换得到预处理图片。
具体地，由于暗场成像下的缺陷点的灰度值较高，由于背景光的灰度也具有一定的大小，想通过阈值化操作把缺陷点和背景分离开，进一步获得缺陷的个数和几何特征信息以前，可以通过顶帽变换找出背景图。图像的顶帽变换过程其实是图像F(x，y)与结构元素S(x，y) 的开运算之差。
S106，采用最大类间方差阈值法针对所述预处理图片进行图片分割以提取缺陷图片。
具体地，本实施例采用最大类间方差阈值法，相比其他分割法，该分割处理的图像能完整地呈现出原始图中缺陷的存在，且一定程度保持线边缘的平滑，并具有一定的实时性特性。
进一步地，步骤S106的具体步骤包括：
S1061，根据所述预处理图片的灰度范围获取图像像素点集，以及其对应的灰度值。
具体地，假定原始图像的灰度范围为[0，Graymax]，n(i)为于灰度级别i处像素点的个数，则计算图像中的总像素个数N的公式如下：
Figure SMS_2
；基于N计算灰度等级i的概率P(i)的公式如下：
Figure SMS_3
；基于P(i)计算全图灰度平均值η的公式如下：
Figure SMS_4
。
S1062，基于所述灰度值及初始阈值将所述图像像素点集区分为疑似目标类点集及疑似背景类点集。
具体地，根据全图灰度平均值η设定合适的初始阈值T，基于初始阈值T将图像的像素点集分为两类：灰度值大于阈值的疑似目标类点集GH，和灰度值小于阈值的疑似背景类点集GL。
S1063，计算所述疑似目标类点集及所述疑似背景类点集的类间方差，筛查出使类间方差最大的目标灰度值。
具体地，根据P(i)采用如下公式计算出GH的概率ΨH、GL的概率ΨL：
Figure SMS_5
、/>
Figure SMS_6
；并基于ΨH、ΨL采用下列公式计算出GH、GL的灰度均值：
Figure SMS_7
、/>
Figure SMS_8
；从而基于GH的概率ΨH、GL的概率ΨL以及GH、GL的灰度均值采用公式/>
Figure SMS_9
计算出类间方差。
S1064，将所述目标灰度值定义为最佳分割阈值，并基于所述最佳分割阈值针对所述预处理图片进行图片分割以提取缺陷图片。
具体地，最佳阈值必定会使不同的像素类之间的方差最大化，因此，伪目标类和伪背景类都会使得类间方差减小，通过此种方式确定的阈值能够使得图像中被分割出来的不同区域具有较大的对比度。需要说明的是，最大类间方差阈值法计算逻辑简单，对噪声干扰有一定的抗性。
S107，将所述缺陷图片进行图片对比处理以凸显所述缺陷图片中的缺陷特征。
具体地，图像对比是通过对多幅原始图像的像素点进行对应的加减乘除的基本运算组合，从而输出满足后续处理需求的图像。具体操作是对两图进行精准匹配后的点对点异或操作，速度快、算法简单且效果直观。经过前述的分割操作，标准图和待测图都已经被处理成为二值图，相同灰度的像素点被置黑剔除，不同灰度的像素点被高亮保留，并成为后续判别环节的疑似缺陷区域。
S108，利用特征对缺陷要素分类法分析所述缺陷特征以定性所述待检板卡的表面缺陷类型；其中，所述特征对缺陷要素分类法中的要素包括连通域变化、缺陷像素灰度、缺陷外像素灰度。
其中，如图2所示，本实施例的特征对缺陷要素分类法包括：
根据连通域数目的增减变化剔除表面缺陷类型中短路、断路的缺陷类型；
根据缺陷像素灰度剔除表面缺陷类型中毛刺的缺陷类型；
根据缺陷外像素灰度剔除表面缺陷类型中缺口的缺陷类型。
具体地，1、关于连通域变化：连通域即数字图像中像素点集相互邻接的一个区域，若某一像素点与某一相互邻接的像素点群相隔开，则该像素点与像素点群不能被称为一个连通域。而余下的毛刺、缺口和针孔缺陷并不会造成连通域数目的增减。2、关于缺陷像素灰度：对比图中突显出的缺陷块像素是图像异或得到的结果，虽然都是因为标准图和缺陷图内容相异而得以高亮显示的，但实际上两图内容相异的方式并不尽相同。毛刺是缺陷图中导线部分多出的一部分内容，在标准的导线上本不应有的，因此，对于毛刺缺陷，在其因异或而突出的缺陷位置上，于标准图中应该是背景，即黑色，而于缺陷图中应该是高亮目标，即白色；缺口和针孔则是标准图中本不应有的，而在缺陷图中相比标准导线缺少的一部分内容，因此，在其因异或而突出的缺陷位置上，于标准图中应该是高亮目标，即白色，而于缺陷图中应该是背景，即黑色。3、关于缺陷外像素灰度：针对缺口和针孔，两种类型的缺陷像素于缺陷图中的外围也呈现出不同的特性。缺口是导线边缘的典型缺陷，缺口缺陷区域的像素在缺陷图中应有部分与背景像素相邻，而部分像素与导线像素相邻，针孔则应只与导线像素相邻，因为针孔为导线内部的典型缺陷。
综上所述，通过上述步骤，首先，通过对采集的表面数字图像进行校畸处理尽可能还原在线检测待检板卡真实图像；接着进行图像配准针对几何误差进行补偿，进一步增强还原在线检测过程中待检板卡的真实图像。其次，提取表面数字图像的感兴趣区域可缩小图像处理的范围以及减少图像处理所需的时间；接着图像预处理为消除其他因素对图像和其他重聚焦产生的混叠噪声，便于提高对缺陷区域的识别能力。再次，采用最大类间方差阈值法进行图片分割以提取缺陷图片，能完整地呈现出原始图中缺陷的存在；接着采用图像对比处理凸显缺陷图片中的缺陷特征可保留蕴藏着缺陷的差异像素；最后，采用特征对缺陷要素分类法通过利用特征对缺陷进行理论分类，从而逐级针对缺陷类型进行排查。
实施例2
本实施例提供了与实施例1所述方法相对应的系统的结构框图。图3是根据本实施例的板卡线路缺陷在线识别系统的结构框图，如图3所示，该系统包括：
采集模块10，用于采用工业相机采集待检板卡的表面数字图像；
校畸模块20，用于基于图像校畸机理对所述表面数字图像进行校畸处理；
配准模块30，用于将校畸处理后的所述表面数字图像与标准图像进行图像配准；
截取模块40，用于基于背景减去法及图像掩膜法截取图像配准后的所述表面数字图像的感兴趣区域；
预处理模块50，用于针对所述感兴趣区域进行图片增强得到预处理图片；
提取模块60，用于采用最大类间方差阈值法针对所述预处理图片进行图片分割以提取缺陷图片；
对比模块70，用于将所述缺陷图片进行图片对比处理以凸显所述缺陷图片中的缺陷特征；
定性模块80，用于利用特征对缺陷要素分类法分析所述缺陷特征以定性所述待检板卡的表面缺陷类型；其中，所述特征对缺陷要素分类法中的要素包括连通域变化、缺陷像素灰度、缺陷外像素灰度。
进一步可选地，所述校畸模块20包括：
标定单元21，用于基于已知规格标定板获取工业相机标定所需的坐标点数据；
计算单元22，用于通过机器视觉软件自带标定助手计算所述工业相机的内外参数；
求解单元23，用于根据所述内外参数及映射类型求解畸变补偿映射图像；
校畸单元24，用于根据所述畸变补偿映射图像并采用图像校畸公式针对所述表面数字图像进行校畸处理。
进一步可选地，所述配准模块30包括：
裁取单元31，用于自所述表面数字图像中的含特征部分裁取预设矩阵大小的模板，并确定其基准点；
平移单元32，用于以所述基准点作为位置标杆，并以所述模板采用有序平移方式遍历标准图中所有像素点；
筛选单元33，用于根据相似度度量关系计算每一次遍历中像素集之间的相似度以筛选所述相似度最大值对应的目标基准点；
匹配单元34，用于基于所述目标基准点确认所述目标基准点所在位置与所述标准图索取像素集基准点所在位置匹配。
进一步可选地，所述截取模块40包括：
差分单元41，用于将图像配准后的所述表面数字图像与背景图像采用背景减去法获取差分图像；
阈值单元42，用于基于预设全局阈值对所述差分图像进行阈值处理得到阈值图像；
分析单元43，用于针对所述阈值图像进行连通域分析得到掩膜模板；
截取单元44，用于将所述掩膜模板与所述表面数字图像进行关联截取所述表面数字图像的感兴趣区域。
进一步可选地，所述预处理模块50包括：
滤波单元51，用于将所述感兴趣区域采用3×3中值滤波器进行自适应滤波处理；
增强单元52，用于将灰度化处理后的所述感兴趣区域进行灰度腐蚀及膨胀处理进行图像增强；
变换单元53，用于将图像增强后的所述感兴趣区域采取顶帽变换得到预处理图片。
进一步可选地，所述提取模块60包括：
获取单元61，用于根据所述预处理图片的灰度范围获取图像像素点集，以及其对应的灰度值；
区分单元62，用于基于所述灰度值及初始阈值将所述图像像素点集区分为疑似目标类点集及疑似背景类点集；
筛查单元63，用于计算所述疑似目标类点集及所述疑似背景类点集的类间方差，筛查出使类间方差最大的目标灰度值；
提取单元64，用于将所述目标灰度值定义为最佳分割阈值，并基于所述最佳分割阈值针对所述预处理图片进行图片分割以提取缺陷图片。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
实施例3
结合图1所描述的板卡线路缺陷在线识别方法可以由电子设备来实现。图4为根据本实施例的电子设备的硬件结构示意图。
电子设备可以包括处理器91以及存储有电子设备程序指令的存储器92。
具体地，上述处理器91可以包括中央处理器（CPU），或者特定集成电路（Application Specific Integrated Circuit，简称为ASIC），或者可以被配置成实施本申请的一个或多个集成电路。
其中，存储器92可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器92可包括硬盘驱动器（Hard Disk Drive，简称为HDD）、软盘驱动器、固态驱动器（SolidState Drive，简称为SSD）、闪存、光盘、磁光盘、磁带或通用串行总线（Universal SerialBus，简称为USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器92可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器92可在数据处理装置的内部或外部。在特定实施例中，存储器92是非易失性（Non-Volatile）存储器。在特定实施例中，存储器92包括只读存储器（Read-Only Memory，简称为ROM）和随机存取存储器（RandomAccess Memory，简称为RAM）。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM（Programmable Read-Only Memory，简称为PROM）、可擦除PROM（Erasable ProgrammableRead-Only Memory，简称为EPROM）、电可擦除PROM（Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM）、电可改写ROM（Electrically Alterable Read-OnlyMemory，简称为EAROM）或闪存（FLASH）或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器（Static Random-Access Memory，简称为SRAM）或动态随机存取存储器（Dynamic Random Access Memory，简称为DRAM），其中，DRAM可以是快速页模式动态随机存取存储器（Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM）、扩展数据输出动态随机存取存储器（Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM）、同步动态随机存取内存（Synchronous Dynamic Random-Access Memory，简称SDRAM）等。
存储器92可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器91所执行的可能的电子设备程序指令。
处理器91通过读取并执行存储器92中存储的电子设备程序指令，以实现上述实施例1的板卡线路缺陷在线识别方法。
在其中一些实施例中，电子设备还可包括通信接口93和总线90。其中，如图4所示，处理器91、存储器92、通信接口93通过总线90连接并完成相互间的通信。
通信接口93用于实现本申请中各模块、装置、单元和/或设备之间的通信。通信接口93还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线90包括硬件、软件或两者，将电子设备的部件彼此耦接在一起。总线90包括但不限于以下至少之一：数据总线（Data Bus）、地址总线（Address Bus）、控制总线（ControlBus）、扩展总线（Expansion Bus）、局部总线（Local Bus）。举例来说而非限制，总线90可包括图形加速接口（Accelerated Graphics Port，简称为AGP）或其他图形总线、增强工业标准架构（Extended Industry Standard Architecture，简称为EISA）总线、前端总线（FrontSide Bus，简称为FSB）、超传输（Hyper Transport，简称为HT）互连、工业标准架构（Industry Standard Architecture，简称为ISA）总线、无线带宽（InfiniBand）互连、低引脚数（Low Pin Count，简称为LPC）总线、存储器总线、微信道架构（Micro ChannelArchitecture，简称为MCA）总线、外围组件互连（Peripheral Component Interconnect，简称为PCI）总线、PCI-Express（PCI-X）总线、串行高级技术附件（Serial AdvancedTechnology Attachment，简称为SATA）总线、视频电子标准协会局部（Video ElectronicsStandards Association Local Bus，简称为VLB）总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线90可包括一个或多个总线。尽管本申请描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
该电子设备可以获取到板卡线路缺陷在线识别系统，执行实施例1的板卡线路缺陷在线识别方法。
另外，结合上述实施例1中的板卡线路缺陷在线识别方法，本申请可提供一种存储介质来实现。该存储介质上存储有电子设备程序指令；该电子设备程序指令被处理器执行时实现上述实施例1的板卡线路缺陷在线识别方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种板卡线路缺陷在线识别方法，其特征在于，包括：
采用工业相机采集待检板卡的表面数字图像；
基于图像校畸机理对所述表面数字图像进行校畸处理；
将校畸处理后的所述表面数字图像与标准图像进行图像配准；
基于背景减去法及图像掩膜法截取图像配准后的所述表面数字图像的感兴趣区域；
针对所述感兴趣区域进行图片增强得到预处理图片；
采用最大类间方差阈值法针对所述预处理图片进行图片分割以提取缺陷图片；
将所述缺陷图片进行图片对比处理以凸显所述缺陷图片中的缺陷特征；
利用特征对缺陷要素分类法分析所述缺陷特征以定性所述待检板卡的表面缺陷类型；其中，所述特征对缺陷要素分类法中的要素包括连通域变化、缺陷像素灰度、缺陷外像素灰度。
2.根据权利要求1所述的板卡线路缺陷在线识别方法，其特征在于，所述基于图像校畸机理对所述表面数字图像进行校畸处理的步骤具体包括：
基于已知规格标定板获取工业相机标定所需的坐标点数据；
通过机器视觉软件自带标定助手计算所述工业相机的内外参数；
根据所述内外参数及映射类型求解畸变补偿映射图像；
根据所述畸变补偿映射图像并采用图像校畸公式针对所述表面数字图像进行校畸处理。
3.根据权利要求1所述的板卡线路缺陷在线识别方法，其特征在于，所述将校畸处理后的所述表面数字图像与标准图像进行图像配准的步骤具体包括：
自所述表面数字图像中的含特征部分裁取预设矩阵大小的模板，并确定其基准点；
以所述基准点作为位置标杆，并以所述模板采用有序平移方式遍历标准图中所有像素点；
根据相似度度量关系计算每一次遍历中像素集之间的相似度以筛选所述相似度最大值对应的目标基准点；
基于所述目标基准点确认所述目标基准点所在位置与所述标准图索取像素集基准点所在位置匹配。
4.根据权利要求1所述的板卡线路缺陷在线识别方法，其特征在于，所述基于背景减去法及图像掩膜法截取图像配准后的所述表面数字图像的感兴趣区域的步骤具体包括：
将图像配准后的所述表面数字图像与背景图像采用背景减去法获取差分图像；
基于预设全局阈值对所述差分图像进行阈值处理得到阈值图像；
针对所述阈值图像进行连通域分析得到掩膜模板；
将所述掩膜模板与所述表面数字图像进行关联截取所述表面数字图像的感兴趣区域。
5.根据权利要求1所述的板卡线路缺陷在线识别方法，其特征在于，所述针对所述感兴趣区域进行图片增强得到预处理图片的步骤具体包括：
将所述感兴趣区域采用3×3中值滤波器进行自适应滤波处理；
将灰度化处理后的所述感兴趣区域进行灰度腐蚀及膨胀处理进行图像增强；
将图像增强后的所述感兴趣区域采取顶帽变换得到预处理图片。
6.根据权利要求1所述的板卡线路缺陷在线识别方法，其特征在于，所述采用最大类间方差阈值法针对所述预处理图片进行图片分割以提取缺陷图片的步骤具体包括：
根据所述预处理图片的灰度范围获取图像像素点集，以及其对应的灰度值；
基于所述灰度值及初始阈值将所述图像像素点集区分为疑似目标类点集及疑似背景类点集；
计算所述疑似目标类点集及所述疑似背景类点集的类间方差，筛查出使类间方差最大的目标灰度值；
将所述目标灰度值定义为最佳分割阈值，并基于所述最佳分割阈值针对所述预处理图片进行图片分割以提取缺陷图片。
7.根据权利要求1所述的板卡线路缺陷在线识别方法，其特征在于，所述特征对缺陷要素分类法包括：
根据连通域数目的增减变化剔除表面缺陷类型中短路、断路的缺陷类型；
根据缺陷像素灰度剔除表面缺陷类型中毛刺的缺陷类型；
根据缺陷外像素灰度剔除表面缺陷类型中缺口的缺陷类型。
8.一种板卡线路缺陷在线识别系统，其特征在于，包括：
采集模块，用于采用工业相机采集待检板卡的表面数字图像；
校畸模块，用于基于图像校畸机理对所述表面数字图像进行校畸处理；
配准模块，用于将校畸处理后的所述表面数字图像与标准图像进行图像配准；
截取模块，用于基于背景减去法及图像掩膜法截取图像配准后的所述表面数字图像的感兴趣区域；
预处理模块，用于针对所述感兴趣区域进行图片增强得到预处理图片；
提取模块，用于采用最大类间方差阈值法针对所述预处理图片进行图片分割以提取缺陷图片；
对比模块，用于将所述缺陷图片进行图片对比处理以凸显所述缺陷图片中的缺陷特征；
定性模块，用于利用特征对缺陷要素分类法分析所述缺陷特征以定性所述待检板卡的表面缺陷类型；其中，所述特征对缺陷要素分类法中的要素包括连通域变化、缺陷像素灰度、缺陷外像素灰度。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的电子设备程序，其特征在于，所述处理器执行所述电子设备程序时实现如权利要求1至7中任一项所述的板卡线路缺陷在线识别方法。
10.一种存储介质，其上存储有电子设备程序，其特征在于，该程序被处理器执行时实现如权利要求1至7中任一项所述的板卡线路缺陷在线识别方法。
CN202310699241.9A 2023-06-14 2023-06-14 板卡线路缺陷在线识别方法、系统、电子设备及存储介质 Active CN116433666B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310699241.9A CN116433666B (zh) 2023-06-14 2023-06-14 板卡线路缺陷在线识别方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310699241.9A CN116433666B (zh) 2023-06-14 2023-06-14 板卡线路缺陷在线识别方法、系统、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN116433666A true CN116433666A (zh) 2023-07-14
CN116433666B CN116433666B (zh) 2023-08-15

Family

ID=87085857

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310699241.9A Active CN116433666B (zh) 2023-06-14 2023-06-14 板卡线路缺陷在线识别方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116433666B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115151A (zh) * 2023-10-23 2023-11-24 深圳市德海威实业有限公司 基于机器视觉的sim卡座缺陷识别方法
CN117152145A (zh) * 2023-10-31 2023-12-01 威海天拓合创电子工程有限公司 一种基于图像的板卡工艺检测方法及装置
CN117173156A (zh) * 2023-10-23 2023-12-05 杭州百子尖科技股份有限公司 基于机器视觉的极片毛刺检测方法、装置、设备及介质
CN117372426A (zh) * 2023-12-05 2024-01-09 深圳市中络电子有限公司 一种刚性pcb金属孔嵌铜结构视觉检测系统

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4578810A (en) * 1983-08-08 1986-03-25 Itek Corporation System for printed circuit board defect detection
JP2005165482A (ja) * 2003-12-01 2005-06-23 Tokushima Ken 欠陥検出方法
KR20070035452A (ko) * 2005-09-27 2007-03-30 샤프 가부시키가이샤 결함 검출 장치, 이미지 센서 디바이스, 이미지 센서 모듈,화상 처리 장치, 디지털 화상 품질 테스터, 및 결함 검출방법
CN102184544A (zh) * 2011-05-18 2011-09-14 北京联合大学生物化学工程学院 校畸和识别围棋棋谱图像的方法
CN106022288A (zh) * 2016-05-30 2016-10-12 电子科技大学 基于sar图像的海洋溢油信息识别与提取方法
CN106897994A (zh) * 2017-01-20 2017-06-27 北京京仪仪器仪表研究总院有限公司 一种基于分层图像的pcb板缺陷检测系统和方法
CN109242853A (zh) * 2018-11-05 2019-01-18 南京信息工程大学 一种基于图像处理的pcb缺陷智能检测方法
CN110084803A (zh) * 2019-04-29 2019-08-02 南京星程智能科技有限公司 基于人类视觉系统的眼底图像质量评估方法
CN110473184A (zh) * 2019-08-06 2019-11-19 福建工程学院 一种pcb板缺陷检测方法
CN110675376A (zh) * 2019-09-20 2020-01-10 福建工程学院 一种基于模板匹配的pcb缺陷检测方法
CN111899272A (zh) * 2020-08-11 2020-11-06 上海海事大学 基于耦合神经网络和线连接器的眼底图像血管分割方法
CN112200826A (zh) * 2020-10-15 2021-01-08 北京科技大学 一种工业弱缺陷分割方法
CN112686858A (zh) * 2020-12-29 2021-04-20 熵智科技(深圳)有限公司 一种手机充电器视觉缺陷检测方法、装置、介质及设备
CN113077453A (zh) * 2021-04-15 2021-07-06 华南理工大学 一种基于深度学习的电路板元器件缺陷检测方法
CN113554631A (zh) * 2021-07-30 2021-10-26 西安电子科技大学 一种基于改进网络的芯片表面缺陷检测方法
CN113628179A (zh) * 2021-07-30 2021-11-09 厦门大学 一种pcb表面缺陷实时检测方法、装置及可读介质
CN114627113A (zh) * 2022-05-12 2022-06-14 成都数之联科技股份有限公司 一种印制电路板缺陷检测方法及系统及装置及介质
CN115060742A (zh) * 2022-06-02 2022-09-16 中国人民解放军火箭军工程大学 一种基于视觉边缘计算的印刷电路板缺陷检测系统及方法
CN115080328A (zh) * 2022-08-23 2022-09-20 江西萤火虫微电子科技有限公司 一种板卡测试方法及系统
WO2022261828A1 (zh) * 2021-06-15 2022-12-22 Oppo广东移动通信有限公司 图像处理方法、装置、电子设备及计算机可读存储介质
CN115546182A (zh) * 2022-10-26 2022-12-30 上海第二工业大学 一种基于数字图像处理的印刷电路板焊点缺陷检测方法
CN115775246A (zh) * 2022-12-07 2023-03-10 广东工业大学 一种pcb元器件缺陷检测的方法
CN115829903A (zh) * 2021-09-16 2023-03-21 中国科学院微电子研究所 一种掩模缺陷检测方法及装置、计算机设备、存储介质

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4578810A (en) * 1983-08-08 1986-03-25 Itek Corporation System for printed circuit board defect detection
JP2005165482A (ja) * 2003-12-01 2005-06-23 Tokushima Ken 欠陥検出方法
KR20070035452A (ko) * 2005-09-27 2007-03-30 샤프 가부시키가이샤 결함 검출 장치, 이미지 센서 디바이스, 이미지 센서 모듈,화상 처리 장치, 디지털 화상 품질 테스터, 및 결함 검출방법
CN102184544A (zh) * 2011-05-18 2011-09-14 北京联合大学生物化学工程学院 校畸和识别围棋棋谱图像的方法
CN106022288A (zh) * 2016-05-30 2016-10-12 电子科技大学 基于sar图像的海洋溢油信息识别与提取方法
CN106897994A (zh) * 2017-01-20 2017-06-27 北京京仪仪器仪表研究总院有限公司 一种基于分层图像的pcb板缺陷检测系统和方法
CN109242853A (zh) * 2018-11-05 2019-01-18 南京信息工程大学 一种基于图像处理的pcb缺陷智能检测方法
CN110084803A (zh) * 2019-04-29 2019-08-02 南京星程智能科技有限公司 基于人类视觉系统的眼底图像质量评估方法
CN110473184A (zh) * 2019-08-06 2019-11-19 福建工程学院 一种pcb板缺陷检测方法
CN110675376A (zh) * 2019-09-20 2020-01-10 福建工程学院 一种基于模板匹配的pcb缺陷检测方法
CN111899272A (zh) * 2020-08-11 2020-11-06 上海海事大学 基于耦合神经网络和线连接器的眼底图像血管分割方法
CN112200826A (zh) * 2020-10-15 2021-01-08 北京科技大学 一种工业弱缺陷分割方法
CN112686858A (zh) * 2020-12-29 2021-04-20 熵智科技(深圳)有限公司 一种手机充电器视觉缺陷检测方法、装置、介质及设备
CN113077453A (zh) * 2021-04-15 2021-07-06 华南理工大学 一种基于深度学习的电路板元器件缺陷检测方法
WO2022261828A1 (zh) * 2021-06-15 2022-12-22 Oppo广东移动通信有限公司 图像处理方法、装置、电子设备及计算机可读存储介质
CN113554631A (zh) * 2021-07-30 2021-10-26 西安电子科技大学 一种基于改进网络的芯片表面缺陷检测方法
CN113628179A (zh) * 2021-07-30 2021-11-09 厦门大学 一种pcb表面缺陷实时检测方法、装置及可读介质
CN115829903A (zh) * 2021-09-16 2023-03-21 中国科学院微电子研究所 一种掩模缺陷检测方法及装置、计算机设备、存储介质
CN114627113A (zh) * 2022-05-12 2022-06-14 成都数之联科技股份有限公司 一种印制电路板缺陷检测方法及系统及装置及介质
CN115060742A (zh) * 2022-06-02 2022-09-16 中国人民解放军火箭军工程大学 一种基于视觉边缘计算的印刷电路板缺陷检测系统及方法
CN115080328A (zh) * 2022-08-23 2022-09-20 江西萤火虫微电子科技有限公司 一种板卡测试方法及系统
CN115546182A (zh) * 2022-10-26 2022-12-30 上海第二工业大学 一种基于数字图像处理的印刷电路板焊点缺陷检测方法
CN115775246A (zh) * 2022-12-07 2023-03-10 广东工业大学 一种pcb元器件缺陷检测的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡艺;杨帆;潘国峰;: "一种改进的印刷电路板缺陷检测分割算法", 科学技术与工程, no. 09 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115151A (zh) * 2023-10-23 2023-11-24 深圳市德海威实业有限公司 基于机器视觉的sim卡座缺陷识别方法
CN117173156A (zh) * 2023-10-23 2023-12-05 杭州百子尖科技股份有限公司 基于机器视觉的极片毛刺检测方法、装置、设备及介质
CN117115151B (zh) * 2023-10-23 2024-02-02 深圳市德海威实业有限公司 基于机器视觉的sim卡座缺陷识别方法
CN117173156B (zh) * 2023-10-23 2024-02-20 杭州百子尖科技股份有限公司 基于机器视觉的极片毛刺检测方法、装置、设备及介质
CN117152145A (zh) * 2023-10-31 2023-12-01 威海天拓合创电子工程有限公司 一种基于图像的板卡工艺检测方法及装置
CN117152145B (zh) * 2023-10-31 2024-02-23 威海天拓合创电子工程有限公司 一种基于图像的板卡工艺检测方法及装置
CN117372426A (zh) * 2023-12-05 2024-01-09 深圳市中络电子有限公司 一种刚性pcb金属孔嵌铜结构视觉检测系统
CN117372426B (zh) * 2023-12-05 2024-03-29 深圳市中络电子有限公司 一种刚性pcb金属孔嵌铜结构视觉检测系统

Also Published As

Publication number Publication date
CN116433666B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN116433666B (zh) 板卡线路缺陷在线识别方法、系统、电子设备及存储介质
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
CN111179243A (zh) 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统
CN110163219B (zh) 基于图像边缘识别的目标检测方法
CN111489337B (zh) 一种自动光学检测伪缺陷去除方法及系统
JP2001133418A (ja) 形状特徴に基づく欠陥検出の方法及び装置
CN116758045B (zh) 一种半导体发光二极管的表面缺陷检测方法及系统
CN116416268B (zh) 基于递归二分法的锂电池极片边缘位置检测方法及装置
CN116704516B (zh) 一种用于水溶肥料包装的视觉检测方法
CN115205223A (zh) 透明物体的视觉检测方法、装置、计算机设备及介质
CN114140384A (zh) 基于轮廓拟合与形心跟踪的提升钢丝绳横向振动图像识别算法
CN114972575A (zh) 一种基于轮廓边缘的直线拟合算法
CN111612773B (zh) 一种红外热像仪及实时自动盲元检测处理方法
CN115272336A (zh) 基于梯度向量的金属零件缺陷精准检测方法
CN110807763A (zh) 一种陶瓦表面鼓包检测方法及系统
CN114495098A (zh) 一种基于显微镜图像的盘星藻类细胞统计方法及系统
CN112200053B (zh) 一种融合局部特征的表格识别方法
CN107545565B (zh) 一种太阳能网版检测方法
CN115880683B (zh) 一种基于深度学习的城市内涝积水智能水位检测方法
CN108898584B (zh) 一种基于图像分析的全自动贴面电容装焊极性判别方法
CN114266719B (zh) 一种基于霍夫变换的产品检测方法
CN114511851B (zh) 一种基于显微镜图像的游丝藻类细胞统计方法
CN112183454B (zh) 图像检测方法及装置、存储介质、终端
CN114581901A (zh) 一种古建墙壁受污题记文字图像边缘提取方法
JP2005250786A (ja) 画像認識方法

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
GR01 Patent grant
GR01 Patent grant