CN116468680A - 一种元器件反极缺陷检测方法、系统、设备及存储介质 - Google Patents
一种元器件反极缺陷检测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN116468680A CN116468680A CN202310338051.4A CN202310338051A CN116468680A CN 116468680 A CN116468680 A CN 116468680A CN 202310338051 A CN202310338051 A CN 202310338051A CN 116468680 A CN116468680 A CN 116468680A
- Authority
- CN
- China
- Prior art keywords
- pin
- component
- defect
- length
- antipole
- 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
Links
- 230000007547 defect Effects 0.000 title claims abstract description 77
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012216 screening Methods 0.000 claims abstract description 34
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 239000003990 capacitor Substances 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 101150045555 Bbox1 gene Proteins 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; 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
- G06T7/13—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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种元器件反极缺陷检测方法、系统、设备及存储介质,涉及电子元器件缺陷检测技术领域,所述方法包括步骤为:将待检测的元器件图像p1输入引脚筛选模型M,通过所述引脚筛选模型M输出引脚定位框Bbox;对所述引脚定位框Bbox进行像素处理和轮廓提取处理,以获取引脚轮廓图以及引脚端点坐标;基于引脚轮廓图以及引脚端点坐标进行引脚长度、位置计算,并且将引脚长度、位置计算结果与预设信息进行校验,以获取元器件反极缺陷检测结果。本发明基于深度学习和图像处理技术,实现了电容元器件引脚位置、长度检测,解决了现有电容元器件反极缺陷检测存在效率低、准确率低、漏检的问题。
Description
技术领域
本发明涉及电子元器件缺陷检测技术领域,具体而言,涉及一种元器件反极缺陷检测方法、系统、设备及存储介质。
背景技术
工业电路板生产制造复杂且繁琐,制造过程中容易引入各种各样的产品缺陷。电容元器件作为工业电路板上的常见元器件,在各种电器设备的核心电路板上无处不在。因此,电容元器件本身的质量水平直接影响或决定着核心电路板乃至电器设备是否合格,其中,电容器的反极作为一种常见的元器件生产制造缺陷对电器设备安全造成了巨大隐患,在严重场景下甚至会造成核心电路板与电器设备烧毁,导致恶劣的后果。
在电子元器件质检环节中,面临数量巨大的元器件质检任务,目前工业界只能采取人工抽检的方法进行批次化的质量评估,由于人工抽检受个人因素和环境因素影响较大,因此存在效率低、准确率低、漏检的问题,这也代表着给后续设备组装埋下了一定程度的安全隐患。
发明内容
为了解决现有电容元器件反极缺陷检测存在效率低、准确率低、漏检的问题,本发明实施例提供一种元器件反极缺陷检测方法、系统、设备及存储介质。
在第一方面,本发明实施例中提供一种元器件反极缺陷检测方法,所述方法包括以下步骤:
步骤1:将待检测的元器件图像p1输入引脚筛选模型M,通过所述引脚筛选模型M输出引脚定位框Bbox;
步骤2:对所述引脚定位框Bbox进行像素处理和轮廓提取处理,以获取引脚轮廓图以及引脚端点坐标;
步骤3:基于引脚轮廓图以及引脚端点坐标进行引脚长度、位置计算,并且将引脚长度、位置计算结果与预设信息进行校验,以获取元器件反极缺陷检测结果。
于上述实施例中,使用深度学习和图像处理技术,根据电容元器件图像来进行反极缺陷检测方式,相较于基于传统人工抽检的方式,本发明有着检测速度与检测精度的双重优势,检测速度为20ms左右,在面对大规模的检测任务时有着巨大的优势。
作为本申请一些可选实施方式,所述引脚筛选模型M基于深度学习网络模型训练得到。
作为本申请一些可选实施方式,所述深度学习网络模型包括卷积层、池化层以及全连接层。
作为本申请一些可选实施方式,所述引脚筛选模型M的训练流程如下:
步骤1.1:采集历史的元器件图像p0,并且对元器件图像p0进行引脚标注;
步骤1.2:将引脚标注之后的元器件图像p0输入深度学习网络模型进行图像特征提取和迭代训练,以获取引脚筛选模型M。
作为本申请一些可选实施方式,通过所述引脚筛选模型M输出引脚定位框Bbox的流程如下:
步骤1.3:将待检测的元器件图像p1输入引脚筛选模型M,以输出引脚定位信息;
步骤1.4:根据引脚定位信息对元器件图像p1进行图像裁剪,以获取引脚定位框Bbox。
于上述实施例中,本发明首先对引脚筛选模型M进行训练,然后基于训练之后的引脚筛选模型M进行引脚定位,实现元器件引脚位置检测输出。
作为本申请一些可选实施方式,对所述引脚定位框Bbox进行像素处理和轮廓提取处理,以获取引脚轮廓图以及引脚端点坐标的流程如下:
步骤2.1:对引脚定位框Bbox进行像素处理和引脚定位处理,并且对引脚定位处理之后的所述引脚定位框Bbox进行轮廓提取处理,以获取引脚轮廓图、第一根引脚的左端点坐标(x1,y1)和右端点坐标(x2,y2)、第二根引脚的左端点坐标(x′1,y′1)和右端点坐标(x′2,y′2);
步骤2.2:基于第一根引脚的左端点坐标(x1,y1)和右端点坐标(x2,y2)构建矩形框B1,并且基于第二根引脚的左端点坐标(x′1,y′1)和右端点坐标(x′2,y′2)构建矩形框B2。
于上述实施例中,通过构建矩形B1和矩形框B2,能够快速预测第一引脚和第二引脚的长度关系。
作为本申请一些可选实施方式,基于引脚轮廓图以及引脚端点坐标进行引脚长度、位置计算,并且将引脚长度、位置计算结果与预设信息进行校验,以获取元器件反极缺陷检测结果的流程如下:
步骤3.1:如果第一根引脚的左端点纵坐标y1大于第二根引脚的左端点纵坐标y′1,则判定第一根引脚位于第二根引脚的上方,反之,则判定第二根引脚位于第一根引脚的上方,以实现引脚位置关系判定;
步骤3.2:基于矩形框B1和矩形框B2计算第一根引脚的引脚长度L1和第二根引脚的引脚长度L2;
步骤3.3:基于引脚位置关系判定结果、第一根引脚的引脚长度L1以及第二根引脚的引脚长度L2进行校验,以获取元器件反极缺陷检测结果。
作为本申请一些可选实施方式,基于引脚位置关系判定结果、第一根引脚的引脚长度L1以及第二根引脚的引脚长度L2进行校验,以获取元器件反极缺陷检测结果的流程如下:
步骤3.31:如果预设信息为正极位于上方,则当第一根引脚位于第二根引脚的上方,并且第一根引脚的引脚长度L1大于第二根引脚的引脚长度L2时,则判定元器件不存在反极缺陷,反之,则判定元器件存在反极缺陷;
步骤3.31:如果预设信息为正极位于下方,则当第一根引脚位于第二根引脚的下方,并且第一根引脚的引脚长度L1大于第二根引脚的引脚长度L2时,则判定元器件不存在反极缺陷,反之,则判定元器件存在反极缺陷。
于上述实施例中,本发明通过对引脚的长度以及空间位置关系进行判定,能够快速准确地判定元器件是否存在反极缺陷。
在第二方面,本发明提供一种元器件反极缺陷检测系统,所述系统包括:
引脚定位框获取单元,所述引脚定位框获取单元用于将待检测的元器件图像p1输入引脚筛选模型M,通过所述引脚筛选模型M输出引脚定位框Bbox;
引脚轮廓图像处理单元,所述引脚轮廓图像处理单元用于对所述引脚定位框Bbox进行像素处理和轮廓提取处理,以获取引脚轮廓图以及引脚端点坐标;
反极缺陷检测单元,所述反极缺陷检测单元基于引脚轮廓图以及引脚端点坐标进行引脚长度、位置计算,并且将引脚长度、位置计算结果与预设信息进行校验,以获取元器件反极缺陷检测结果。
在第三方面,本发明提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述一种元器件反极缺陷检测方法。
在第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述一种元器件反极缺陷检测方法。
本发明的有益效果如下:
本发明使用基于深度学习和图像处理技术,实现了元器件引脚的准确检测,解决了现有电容元器件反极缺陷检测存在漏检的问题。
本发明基于引脚轮廓图以及引脚端点坐标进行引脚长度、位置进行综合判定,因此能够快速、准确地进行电容元器件反极缺陷判定。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是根据本发明的实施例所述元器件反极缺陷检测方法的步骤图。
图2是根据本发明的实施例所述元器件反极缺陷检测方法的流程图。
图3是根据本发明的实施例所述引脚定位框和引脚轮廓图的示意图。
图4是根据本发明的实施例所述第一引脚和第二引脚定位框的示意图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本发明技术方案做详细的说明,应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明,而不是对本发明技术方案的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互组合。
同样应当理解的是,为了简化本发明揭示的表述,从而帮助对至少一个发明实施例的理解,前文对本发明实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本发明对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
实施例1
本发明提供一种元器件反极缺陷检测方法,请参阅图1、图2,所述方法包括以下步骤:
步骤1:将待检测的元器件图像p1输入引脚筛选模型M,通过所述引脚筛选模型M输出引脚定位框Bbox;
其中,所述引脚筛选模型M基于深度学习网络模型训练得到,所述深度学习网络模型包括卷积层、池化层以及全连接层,所述卷积层主要用于图像学习,池化层用于图像归一化处理,全连接层用于引脚定位处理。
于本发明实施例中,所述引脚筛选模型M的训练流程如下:
步骤1.1:采集历史的元器件图像p0,并且对元器件图像p0进行引脚标注。
步骤1.2:将引脚标注之后的元器件图像p0输入深度学习网络模型进行图像特征提取和迭代训练,以获取引脚筛选模型M。
于本发明实施例中,对于采集的元器件图像p0会先将图像进行缩小并填充,主要原因在于引脚属于连续目标,并在图像中占比较大,结合卷积神经网络的相关理论与实践经验,采用缩小填充后的图像将更加有利于模型学习与准确推理。
于本发明实施例中,通过所述引脚筛选模型M输出引脚定位框Bbox的流程如下:
步骤1.3:将待检测的元器件图像p1输入引脚筛选模型M,以输出引脚定位信息。
步骤1.4:根据引脚定位信息对元器件图像p1进行图像裁剪,以获取引脚定位框Bbox。
步骤2:对所述引脚定位框Bbox进行像素处理和轮廓提取处理,以获取引脚轮廓图以及引脚端点坐标;
于本发明实施例中,请参阅图3,对所述引脚定位框Bbox进行像素处理和轮廓提取处理,以获取引脚轮廓图以及引脚端点坐标的流程如下:
步骤2.1:对引脚定位框Bbox进行像素处理和引脚定位处理,并且对引脚定位处理之后的所述引脚定位框Bbox进行轮廓提取处理,以获取引脚轮廓图、第一根引脚的左端点坐标(x1,y1)和右端点坐标(x2,y2)、第二根引脚的左端点坐标(x′1,y′1)和右端点坐标(x′2,y′2);
步骤2.2:基于第一根引脚的左端点坐标(x1,y1)和右端点坐标(x2,y2)构建矩形框B1,并且基于第二根引脚的左端点坐标(x′1,y′1)和右端点坐标(x′2,y′2)构建矩形框B2,请参阅图4。
具体的,对所述引脚定位框Bbox进行像素处理的流程如下:
步骤2.11:对引脚定位框Bbox进行图像灰度处理,以获取引脚灰度图Bbox1;
步骤2.12:预设二值化分割阈值,基于二值化分割阈值对引脚灰度图Bbox1进行图像二值化处理。
步骤3:基于引脚轮廓图以及引脚端点坐标进行引脚长度、位置计算,并且将引脚长度、位置计算结果与预设信息进行校验,以获取元器件反极缺陷检测结果。
于本发明实施例中,将引脚长度、位置计算结果与预设信息进行校验的流程如下:
步骤3.1:如果第一根引脚的左端点纵坐标y1大于第二根引脚的左端点纵坐标y′1,则判定第一根引脚位于第二根引脚的上方,反之,则判定第二根引脚位于第一根引脚的上方,以实现引脚位置判定。
步骤3.2:基于矩形框B1和矩形框B2计算第一根引脚的引脚长度L1和第二根引脚的引脚长度L2;其中,引脚长度L1=|x1-x2|,引脚长度L2=|x′1-x′2|;
与此同时,为了排除引脚交叉、弯曲等情况影响引脚长度判断,也可以通过实际距离预测的方式进行引脚长度判断;
具体的,通过实际距离预测的方式进行引脚长度判断的流程如下:
步骤3.21:在步骤2.1的基础上,通过引脚定位处理结果,分别获取第一引脚和第二引脚所有端点个数,如果端点数量大于阈值,则获取第一引脚的所有端点坐标,即左端点坐标(x1,y1)、中间端点坐标(x3,y3)、(x4,y4)...(xn,yn)以及右端点坐标(x2,y2);第二根引脚的所有端点坐标,即左端点坐标(x′1,y′1)、中间端点坐标(x′3,y′3)、(x′4,y′4)...(x′m,y′m)y以及右端点坐标(x′2,y′2),如果端点数量小于阈值,则通过初步预测引脚长度L1=|x1-x2|,引脚长度L2=|x′1-x′2|;
步骤3.22:如果端点数量大于阈值,则获取第一引脚的相邻端点距离,并且对所有的相邻端点距离进行累加,以获取第一根引脚的引脚长度L1和第二根引脚的引脚长度L2,所述阈值可以设置为3;
其中,第一引脚的引脚长度:
第二引脚的引脚长度:
步骤3.3:基于引脚位置判定结果、第一根引脚的引脚长度L1以及第二根引脚的引脚长度L2进行校验,以获取元器件反极缺陷检测结果。
具体的,基于引脚位置判定结果、第一根引脚的引脚长度L1以及第二根引脚的引脚长度L2进行校验,以获取元器件反极缺陷检测结果的流程如下:
步骤3.31:如果预设信息为正极位于上方,则当第一根引脚位于第二根引脚的上方,并且第一根引脚的引脚长度L1大于第二根引脚的引脚长度L2时,则判定元器件不存在反极缺陷,反之,则判定元器件存在反极缺陷。
步骤3.31:如果预设信息为正极位于下方,则当第一根引脚位于第二根引脚的下方,并且第一根引脚的引脚长度L1大于第二根引脚的引脚长度L2时,则判定元器件不存在反极缺陷,反之,则判定元器件存在反极缺陷。
其中,所述预设信息可以通过基于神经网络模型进行图像识别的方式获取负极线的相对位置,因此确定正极所对应的位置,与此同时,也可以通过其他方式获取预设信息,本发明实施例中不予限定。
于本发明实施例中,由于引脚可能存在交叉、弯曲等情况,针脚上下位置关系判断一般都是基于左端点坐标进行,引脚的左端几乎不会出现相关的干扰状况。
本实施例中,首先通过历史的元器件图像p0对引脚筛选模型M进行训练,并且通过训练后的引脚筛选模型M对待检测的元器件图像p1进行引脚筛选,以获取引脚定位框Bbox;然后通过对引脚定位框Bbox进行图像处理和轮廓提取处理,得到待检测的引脚轮廓图以及引脚端点坐标;最后基于引脚轮廓图以及引脚端点坐标进行元器件反极缺陷判定。即基于深度学习和图像处理技术,并且结合电容元器件的结构进行综合判定,实现了引脚的准确检测和位置关系判定,解决了现有电容元器件反极缺陷检测存在漏检的问题。
实施例2
本发明提供一种元器件反极缺陷检测系统,所述系统包括:
引脚定位框获取单元,所述引脚定位框获取单元用于将待检测的元器件图像p1输入引脚筛选模型M,通过所述引脚筛选模型M输出引脚定位框Bbox;
引脚轮廓图像处理单元,所述引脚轮廓图像处理单元用于对所述引脚定位框Bbox进行像素处理和轮廓提取处理,以获取引脚轮廓图以及引脚端点坐标;
反极缺陷检测单元,所述反极缺陷检测单元基于引脚轮廓图以及引脚端点坐标进行引脚长度、位置计算,并且将引脚长度、位置计算结果与预设信息进行校验,以获取元器件反极缺陷检测结果。
实施例3
本发明提供了一种计算机设备,所述计算机设备包括存储器及处理器,所述存储器存储有计算机程序,所述计算机程序在所述处理器运行时执行实施例1所述的一种元器件反极缺陷检测方法。
本实施例提供的计算机设备可以实现执行实施例1所述的方法,为避免重复,在此不再赘述。
实施例4
本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现实施例1所述的一种元器件反极缺陷检测方法。
本实施例提供的计算机可读存储介质可以实现执行实施例1所述的方法,为避免重复,在此不再赘述。
其中,所述处理器可以是中央处理器(CPU,Central Processing Unit),还可以是其他通用处理器、数字信号处理器(digital signal processor)、专用集成电路(Application Specific Integrated Circuit)、现成可编程门阵列(Fieldprogrammablegate array)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。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的数据,实现发明中元器件反极缺陷检测系统的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等。此外,存储器可以包括高速随机存取存储器、还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡,安全数字卡,闪存卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
元器件反极缺陷检测系统如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序可存储于一计算机可读存介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码、对象代码形式、可执行文件或某些中间形式等。所述计算机可读取介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存储器、点载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
本发明已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
Claims (11)
1.一种元器件反极缺陷检测方法,其特征在于,所述方法包括以下步骤:
步骤1:将待检测的元器件图像p1输入引脚筛选模型M,通过所述引脚筛选模型M输出引脚定位框Bbox;
步骤2:对所述引脚定位框Bbox进行像素处理和轮廓提取处理,以获取引脚轮廓图以及引脚端点坐标;
步骤3:基于引脚轮廓图以及引脚端点坐标进行引脚长度、位置计算,并且将引脚长度、位置计算结果与预设信息进行校验,以获取元器件反极缺陷检测结果。
2.根据权利要求1所述的一种元器件反极缺陷检测方法,其特征在于:所述引脚筛选模型M基于深度学习网络模型训练得到。
3.根据权利要求2所述的一种元器件反极缺陷检测方法,其特征在于:所述深度学习网络模型包括卷积层、池化层以及全连接层。
4.根据权利要求2所述的一种元器件反极缺陷检测方法,其特征在于:所述引脚筛选模型M的训练流程如下:
步骤1.1:采集历史的元器件图像p0,并且对元器件图像p0进行引脚标注;
步骤1.2:将引脚标注之后的元器件图像p0输入深度学习网络模型进行图像特征提取和迭代训练,以获取引脚筛选模型M。
5.根据权利要求1所述的一种元器件反极缺陷检测方法,其特征在于:通过所述引脚筛选模型M输出引脚定位框Bbox的流程如下:
步骤1.3:将待检测的元器件图像p1输入引脚筛选模型M,以输出引脚定位信息;
步骤1.4:根据引脚定位信息对元器件图像p1进行图像裁剪,以获取引脚定位框Bbox。
6.根据权利要求1所述的一种元器件反极缺陷检测方法,其特征在于:对所述引脚定位框Bbox进行像素处理和轮廓提取处理,以获取引脚轮廓图以及引脚端点坐标的流程如下:
步骤2.1:对引脚定位框Bbox进行像素处理和引脚定位处理,并且对引脚定位处理之后的所述引脚定位框Bbox进行轮廓提取处理,以获取引脚轮廓图、第一根引脚的左端点坐标(x1,y1)和右端点坐标(x2,y2)、第二根引脚的左端点坐标(x′1,y′1)和右端点坐标(x′2,y′2);
步骤2.2:基于第一根引脚的左端点坐标(x1,y1)和右端点坐标(x2,y2)构建矩形框B1,并且基于第二根引脚的左端点坐标(x′1,y′1)和右端点坐标(x′2,y′2)构建矩形框B2。
7.根据权利要求6所述的一种元器件反极缺陷检测方法,其特征在于:基于引脚轮廓图以及引脚端点坐标进行引脚长度、位置计算,并且将引脚长度、位置计算结果与预设信息进行校验,以获取元器件反极缺陷检测结果的流程如下:
步骤3.1:如果第一根引脚的左端点纵坐标y1大于第二根引脚的左端点纵坐标y′1,则判定第一根引脚位于第二根引脚的上方,反之,则判定第二根引脚位于第一根引脚的上方,以实现引脚位置关系判定;
步骤3.2:基于矩形框B1和矩形框B2计算第一根引脚的引脚长度L1和第二根引脚的引脚长度L2;
步骤3.3:基于引脚位置关系判定结果、第一根引脚的引脚长度L1以及第二根引脚的引脚长度L2进行校验,以获取元器件反极缺陷检测结果。
8.根据权利要求7所述的一种元器件反极缺陷检测方法,其特征在于:基于引脚位置关系判定结果、第一根引脚的引脚长度L1以及第二根引脚的引脚长度L2进行校验,以获取元器件反极缺陷检测结果的流程如下:
步骤3.31:如果预设信息为正极位于上方,则当第一根引脚位于第二根引脚的上方,并且第一根引脚的引脚长度L1大于第二根引脚的引脚长度L2时,则判定元器件不存在反极缺陷,反之,则判定元器件存在反极缺陷;
步骤3.31:如果预设信息为正极位于下方,则当第一根引脚位于第二根引脚的下方,并且第一根引脚的引脚长度L1大于第二根引脚的引脚长度L2时,则判定元器件不存在反极缺陷,反之,则判定元器件存在反极缺陷。
9.一种元器件反极缺陷检测系统,其特征在于,所述系统包括:
引脚定位框获取单元,所述引脚定位框获取单元用于将待检测的元器件图像p1输入引脚筛选模型M,通过所述引脚筛选模型M输出引脚定位框Bbox;
引脚轮廓图像处理单元,所述引脚轮廓图像处理单元用于对所述引脚定位框Bbox进行像素处理和轮廓提取处理,以获取引脚轮廓图以及引脚端点坐标;
反极缺陷检测单元,所述反极缺陷检测单元基于引脚轮廓图以及引脚端点坐标进行引脚长度、位置计算,并且将引脚长度、位置计算结果与预设信息进行校验,以获取元器件反极缺陷检测结果。
10.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求1-8中任一项所述一种元器件反极缺陷检测方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-8中任一项所述一种元器件反极缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310338051.4A CN116468680A (zh) | 2023-03-31 | 2023-03-31 | 一种元器件反极缺陷检测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310338051.4A CN116468680A (zh) | 2023-03-31 | 2023-03-31 | 一种元器件反极缺陷检测方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116468680A true CN116468680A (zh) | 2023-07-21 |
Family
ID=87181651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310338051.4A Pending CN116468680A (zh) | 2023-03-31 | 2023-03-31 | 一种元器件反极缺陷检测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116468680A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757973A (zh) * | 2023-08-23 | 2023-09-15 | 成都数之联科技股份有限公司 | 一种面板产品自动修补方法、系统、设备及存储介质 |
CN117523577A (zh) * | 2023-11-22 | 2024-02-06 | 粤港澳大湾区(广东)国创中心 | 基于最长水平直线的引脚名称上划线检测方法及设备 |
-
2023
- 2023-03-31 CN CN202310338051.4A patent/CN116468680A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757973A (zh) * | 2023-08-23 | 2023-09-15 | 成都数之联科技股份有限公司 | 一种面板产品自动修补方法、系统、设备及存储介质 |
CN116757973B (zh) * | 2023-08-23 | 2023-12-01 | 成都数之联科技股份有限公司 | 一种面板产品自动修补方法、系统、设备及存储介质 |
CN117523577A (zh) * | 2023-11-22 | 2024-02-06 | 粤港澳大湾区(广东)国创中心 | 基于最长水平直线的引脚名称上划线检测方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340752B (zh) | 屏幕的检测方法、装置、电子设备及计算机可读存储介质 | |
Wei et al. | CNN‐based reference comparison method for classifying bare PCB defects | |
CN116468680A (zh) | 一种元器件反极缺陷检测方法、系统、设备及存储介质 | |
US20190266434A1 (en) | Method and device for extracting information from pie chart | |
CN110502985B (zh) | 表格识别方法、装置及表格识别设备 | |
CN110781885A (zh) | 基于图像处理的文本检测方法、装置、介质及电子设备 | |
TWI765442B (zh) | 瑕疵等級判定的方法及存儲介質 | |
CN108334879B (zh) | 一种区域提取方法、系统及终端设备 | |
CN113628179B (zh) | 一种pcb表面缺陷实时检测方法、装置及可读介质 | |
CN115063618B (zh) | 一种基于模板匹配的缺陷定位方法、系统、设备及介质 | |
CN114519714B (zh) | 一种显示屏脏污缺陷判定的方法和系统 | |
CN117152165B (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
CN116385380A (zh) | 基于深度特征的缺陷检测方法、系统、设备及存储介质 | |
CN114723677A (zh) | 图像缺陷检测方法、检测装置、检测设备及存储介质 | |
CN111144425B (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
CN113379678A (zh) | 一种电路板检测方法、装置、电子设备及存储介质 | |
CN113763379B (zh) | 吊弦断股检测方法、装置、计算机设备及存储介质 | |
Han et al. | SSGD: A smartphone screen glass dataset for defect detection | |
CN112633327B (zh) | 分阶段金属表面缺陷检测方法、系统、介质、设备及应用 | |
CN116091503B (zh) | 一种面板异物缺陷的判别方法、装置、设备及介质 | |
CN114862740A (zh) | 瑕疵检测方法、装置、电子设备及计算机可读存储介质 | |
CN113378847B (zh) | 字符分割方法、系统、计算机设备和存储介质 | |
CN114627113A (zh) | 一种印制电路板缺陷检测方法及系统及装置及介质 | |
CN115511819A (zh) | 一种x射线焊缝边界识别方法、装置、设备及存储介质 | |
CN113836977B (zh) | 目标检测方法、装置、电子设备及存储介质 |
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 |