CN116503393A - 基于图像处理的线路板等离子纳米镀膜质量检测方法 - Google Patents
基于图像处理的线路板等离子纳米镀膜质量检测方法 Download PDFInfo
- Publication number
- CN116503393A CN116503393A CN202310752342.8A CN202310752342A CN116503393A CN 116503393 A CN116503393 A CN 116503393A CN 202310752342 A CN202310752342 A CN 202310752342A CN 116503393 A CN116503393 A CN 116503393A
- Authority
- CN
- China
- Prior art keywords
- circuit board
- pixel point
- coating
- edge pixel
- edge
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 239000002103 nanocoating Substances 0.000 title claims abstract description 47
- 239000011248 coating agent Substances 0.000 claims abstract description 109
- 238000000576 coating method Methods 0.000 claims abstract description 109
- 230000005856 abnormality Effects 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 22
- 230000035772 mutation Effects 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 47
- 230000002159 abnormal effect Effects 0.000 claims description 39
- 238000007747 plating Methods 0.000 claims description 26
- 238000009826 distribution Methods 0.000 claims description 17
- 238000009501 film coating Methods 0.000 claims description 17
- 239000007888 film coating Substances 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 3
- 210000002381 plasma Anatomy 0.000 description 44
- 238000005516 engineering process Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 239000002120 nanofilm Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 238000004381 surface treatment Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor 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
- 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
- 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
- G06T2207/10056—Microscopic 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
- G06T2207/20081—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理领域,具体涉及基于图像处理的线路板等离子纳米镀膜质量检测方法,显微镜相机采集线路板图像,对线路板优化图像聚类得到多个聚类子块,获取各边缘像素点突变方向并提取左、右邻域像素点集合;计算各边缘像素点左、右邻域像素点集合的结构相似度指数;根据各边缘像素点灰度共生矩阵特征参数得到各边缘像素点的局部显著度;根据各边缘像素点的局部显著度以及结构相似度指数得到各边缘像素点的边缘真实度;计算线路板镀膜均匀性因子,并根据线路板优化图像各镀膜异常子块得到线路板镀膜异常显著因子;根据线路板优化图像特征因子得到线路板镀膜异常检测值,完成线路板镀膜质量的检测。从而实现线路板镀膜质量的精确检测。
Description
技术领域
本申请涉及图像处理领域,具体涉及基于图像处理的线路板等离子纳米镀膜质量检测方法。
背景技术
线路板在生产完成之后,为提高其耐腐蚀性,延长线路线使用寿命,大多在线路板表面进行镀膜处理,以保证线路板的生产质量。而等离子纳米镀膜是一种高科技的表面处理技术,它利用等离子体的化学反应和物理效应,在材料的表面形成一层薄膜,从而改善材料的性能及功能。等离子纳米镀膜技术已经广泛应用与电子、光学、航空航天、汽车、医疗等多种领域,成为现代工业不可或缺的一种技术。
对线路板进行等离子纳米镀膜时,线路板表面涂层厚度的均匀性与产生的等离子体密度均匀性有密切的关联,现有纳米镀膜设备电极放电时,产生的等离子体的密度分布不均匀,造成线路板表面涂层厚度不均匀凹凸不平的现象,导致镀膜均匀性差、表面镀膜缺陷等问题。
综上所述,本发明提出基于图像处理的线路板等离子纳米镀膜质量检测方法,通过显微镜相机对线路板进行图像采集,对线路板图像进行图像处理,并对处理完成的线路板图像中各像素点进行特征提取,分析各像素点的镀膜异常情况,实现对线路板等离子纳米镀膜质量的视觉检测。
发明内容
为了解决上述技术问题,本发明提供基于图像处理的线路板等离子纳米镀膜质量检测方法,以解决现有的问题。
本发明的基于图像处理的线路板等离子纳米镀膜质量检测方法采用如下技术方案:
本发明一个实施例提供了基于图像处理的线路板等离子纳米镀膜质量检测方法,该方法包括以下步骤:
显微镜相机采集线路板图像,对线路板图像进行去噪增强处理获取线路板优化图像;
通过DBSCAN聚类算法获取线路板优化图像的多个聚类子块,将各聚类子块边界像素点作为边缘像素点,根据各边缘像素点的海森矩阵得到各边缘像素点的突变方向;在各边缘像素点突变方向上以各边缘像素点为中心从左右两边分别选取数个像素点得到各边缘像素点的左、右邻域像素点集合;
根据各边缘像素点左、右邻域像素点集合的亮度分布状况得到各边缘像素点的结构相似度指数;根据各边缘像素点灰度共生矩阵特征参数得到各边缘像素点的局部显著度;根据各边缘像素点的局部显著度以及结构相似度指数得到各边缘像素点的边缘真实度;根据线路板优化图像中的边缘细节信息以及亮度分布信息得到线路板镀膜均匀性因子;根据各聚类子块的灰度均值得到镀膜异常子块;根据线路板优化图像各镀膜异常子块得到线路板镀膜异常显著因子;
将线路板镀膜均匀性因子以及线路板镀膜异常显著因子作为线路板优化图像特征因子,根据线路板优化图像特征因子得到线路板镀膜异常检测值,通过线路板镀膜异常检测值完成线路板镀膜质量的检测。
优选的,所述根据各边缘像素点的海森矩阵得到各边缘像素点的突变方向,具体为:依次获取各边缘像素点的海森矩阵,并计算各边缘像素点海森矩阵的特征值,将绝对值较大特征值对应特征向量的方向作为各边缘像素点的突变方向。
优选的,所述根据各边缘像素点左、右邻域像素点集合的亮度分布状况得到各边缘像素点的结构相似度指数,表达式为:
式中,为边缘像素点k左邻域像素点集合与右邻域像素点集合之间的结构相似度指数,/>分别为边缘像素点k左、右邻域像素点集合的灰度均值,/>为避免分母为零的极小值,/>分别为边缘像素点k左、右邻域像素点集合的灰度方差,/>为边缘像素点k左、右邻域像素点集合的协方差。
优选的,所述根据各边缘像素点灰度共生矩阵特征参数得到各边缘像素点的局部显著度,表达式为:
式中,为边缘像素点k的局部显著度,/>为像素点k灰度值,/>为避免分母为零的极小值,/>分别为边缘像素点k灰度共生矩阵的熵、逆差距,/>分别为边缘像素点k左、右邻域像素点集合的灰度均值。
优选的,所述根据各边缘像素点的局部显著度以及结构相似度指数得到各边缘像素点的边缘真实度,表达式为:
式中,为边缘像素点k的边缘真实度,/>为归一化函数,/>为边缘像素点k的局部显著度,/>为边缘像素点k左邻域像素点集合与右邻域像素点集合之间的结构相似度指数,e为自然常数。
优选的,所述根据线路板优化图像中的边缘细节信息以及亮度分布信息得到线路板镀膜均匀性因子,表达式为:
式中,n为最终划分的聚类子块总数,为n个聚类子块的灰度均值之间的方差,c为线路板优化图像中的真实边缘点总数,/>为线路板优化图像中的角点数量,/>为线路板镀膜均匀性因子,e为自然常数。
优选的,所述根据各聚类子块的灰度均值得到镀膜异常子块,具体为:人为选取线路板表面镀膜均匀且无颗粒聚集的标准镀膜线路板图像,获取标准镀膜线路板图像的灰度均值,分别计算各聚类子块灰度均值与标准镀膜线路图像灰度均值的差值绝对值,将差值绝对值最小对应的聚类子块作为线路板镀膜正常子块,其他聚类子块依次作为镀膜异常子块。
优选的,所述根据线路板优化图像各镀膜异常子块得到线路板镀膜异常显著因子,表达式为:
式中,p为线路板镀膜异常显著因子,为镀膜异常子块z内所包含的像素点数量,为镀膜异常子块z的灰度均值,/>为标准镀膜线路板图像的灰度均值,Z为线路板优化图像中镀膜异常子块总数。
优选的,所述根据线路板优化图像特征因子得到线路板镀膜异常检测值,表达式为:
式中,U为线路板镀膜异常检测值,为线路板镀膜异常显著因子,/>线路板镀膜均匀性因子,e为自然常数。
本发明至少具有如下有益效果:
本发明通过对线路板优化图像进行初步聚类,将线路板优化图像划分为多个聚类子块,结合聚类子块边缘像素点在突变方向上的像素点结构分布特征得到结构相似度指数,能够对边缘像素点突变方向上的灰度变化状况进行检测,结合边缘像素点的局部显著度以及结构相似度指数对初步聚类得到各边缘像素点的真实性进行检测,解决了聚类过程中由于聚类参数设置不佳导致各聚类子块边界像素点类别划分不准确的问题,同时提高了线路板优化图像中边缘信息的检测精度;
进一步,根据线路板优化图像中的真实边缘点以及角点信息构建线路板镀膜均匀性因子,实现对线路板镀膜表面的均匀程度进行检测,结合线路板镀膜异常显著因子对线路板等离子纳米镀膜的异常程度进行检测,提高了线路板镀膜质量检测精度,实现对线路板等离子纳米镀膜质量的定量检测,具有较高的智能化、检测精度以及检测无接触性等有益效果。
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为本发明提供的基于图像处理的线路板等离子纳米镀膜质量检测方法的流程图。
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基于图像处理的线路板等离子纳米镀膜质量检测方法,其具体实施方式、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”指的不一定是同一实施例。此外,一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。
下面结合附图具体的说明本发明所提供的基于图像处理的线路板等离子纳米镀膜质量检测方法的具体方案。
本发明一个实施例提供的基于图像处理的线路板等离子纳米镀膜质量检测方法。
具体的,提供了如下的基于图像处理的线路板等离子纳米镀膜质量检测方法,请参阅图1,该方法包括以下步骤:
步骤S001,通过显微镜相机采集等离子纳米镀膜后的线路板图像。
首先,线路板在生产完成之后,为提高线路板耐腐蚀性能以及保证线路板的使用寿命,需要对线路板表面进行镀膜处理,等离子纳米镀膜是一种高科技的表面处理技术,它利用等离子体的化学反应和物理效应,在材料的表面形成一层薄膜,本实施例旨在对线路板生产完成后表面等离子纳米镀膜的质量进行视觉检测,通过对线路板图像进行采集并图像处理,提取视觉特征,实现对线路板表面镀膜质量的检测。本实施例设置图像采集设备对等离子纳米镀膜后的线路板镀膜表面进行图像采集,考虑到线路板一般体积较小,采用普通的相机摄像头对线路板表面进行图像采集时,无法对线路板表面的细节信息进行全面采集,细节信息不够清晰导致信息丢失,影响线路板表面等离子纳米镀膜质量的检测,因此,本实施例采用显微镜相机对线路板表面进行图像采集,获取放大后的线路板图像,图像采集设备及显微镜相机摄像头角度、拍摄范围等部署实施者根据实际情况自行设定,需要说明的是,显微镜相机进行图像采集的过程为现有技术。
至此,即可通过显微镜相机对等离子纳米镀膜后的线路板表面进行图像采集,获取线路板图像,用于对线路板表面镀膜质量进行检测。
步骤S002,对线路板图像进行特征提取,分析各像素点的镀膜情况。
对于采集的线路板图像,在进行图像采集过程中,摄像头内部半导体等器件将产生不连续的散粒噪声以及低频噪声等,导致所采集的线路板图像中存在大量的噪点,同时,图像采集过程中极易受到外界环境因素的影响,环境噪声对线路板图像也会存在一定的影响,因此,为避免噪点对线路板图像质量的影响,本实施例将采用中值滤波算法对线路板图像进行去噪处理,并对去噪后的图像进行直方图均衡化,对线路板图像进行增强处理,以提高线路板图像对比度,增加线路板图像中的边缘细节等信息,便于对线路板表面镀膜异常像素点的检测。需要说明的是,中值滤波去噪以及直方图均衡化过程均为现有公知技术,不在本实施例保护范围内,在此不做一一详细阐述。为便于后续描述及分析,将去噪增强处理后的线路板图像记为线路板优化图像。
对于线路板优化图像,本实施例将对线路板优化图像中的各像素点镀膜情况进行分析。线路板等离子纳米镀膜厚度的均匀性与产生的等离子体密度均匀性有密切的关联,当纳米镀膜设备电极放电所产生的等离子体密度分布不均匀时,将造成靠近电极边缘的线路板和远离电极边缘的线路板表面涂层厚度不均匀的现象,导致线路板表面镀膜均匀性差等问题的出现,因此,本实施例将对线路板优化图像中各像素点的镀膜状况进行分析,并进行特征提取,以便对镀膜质量进行全面检测。线路板镀膜质量检测过程具体为:
线路板等离子纳米镀膜正常情况下,镀膜完成之后线路板镀膜表面光滑、均匀,当线路板表面镀膜异常时,则镀膜异常区域较为粗糙,也即镀膜表面凹凸不均、亮度分布混乱等问题,对于线路板优化图像,当线路板表面出现镀膜不均凹凸不平时,在图像采集时线路板凸凹区域的连接处将会呈现出边缘线,也即线路板表面镀膜不均匀时,线路板优化图像中将存在较多的边缘纹路信息,因此,本实施例对线路板优化图像中的边缘纹路信息进行提取,根据线路板优化图像中的边缘纹路信息对线路板表面镀膜的光滑程度进行检测。首先通过DBSCAN (Density-Based Spatial Clustering of Applications with Noise)聚类算法对线路板优化图像进行聚类分析,获取聚类后线路板优化图像中的各聚类子块,DBSCAN聚类半径以及类内最少数目/>的设置实施者可自行选取,本实施例中聚类半径/>,类内最少数目/>,具体聚类过程为现有公知技术。至此,可根据DBSCAN聚类算法对线路板优化图像进行分割处理,将线路板优化图像分割为多个聚类子块;
进一步,考虑到DBSCAN聚类算法在对线路板优化图像进行聚类过程中,对聚类半径以及类内最少数目的设置敏感,而聚类结果受聚类半径以及类内最少数目的影响较大,进而影响线路板优化图像中边缘细节纹理信息的分析,因此对于聚类完成的线路板优化图像,本实施例将对聚类子块边界像素点进行分析,对各聚类子块的边界像素点的真实性进行进一步的判定,提高线路板优化图像的聚类划分精度。聚类分割后的线路板优化图像,将聚类子块的边界像素点作为边缘像素点,对于边缘像素点,本实施例将对边缘真实性进行检测,依次获取各边缘像素点的海森矩阵,并计算各海森矩阵的特征值,将绝对值较大特征值对应特征向量的方向作为边缘像素点的突变方向,从各边缘像素点的突变方向上以各边缘像素点为中心从左右两边分别选取数个像素点,分别记为各边缘像素点的左邻域像素点集合、右邻域像素点集合,根据各边缘像素点的左邻域像素点集合与右邻域像素点集合的亮度分布状况,对各边缘像素点的局部灰度变化情况进行检测,边缘像素点两侧的亮度变化程度越剧烈,则边缘像素点为真实边缘点的可能性越高,分别获取各边缘像素点左、右邻域像素点集合之间的结构相似度指数,结构相似度指数表达式为:
式中,为边缘像素点k左邻域像素点集合与右邻域像素点集合之间的结构相似度指数,/>分别为边缘像素点k左、右邻域像素点集合的灰度均值,/>分别为边缘像素点k左、右邻域像素点集合的灰度方差,/>为边缘像素点k左、右邻域像素点集合的协方差,/>为避免分母为零的参数,实施者可自行设定,本实施设置为/>。结构相似度指数越大,则对应边缘像素点k的左邻域像素点集合与右邻域像素点集合的结构相似度越高,边缘像素点两侧的亮度分布越一致;
然后,为提高线路板优化图像中真实边缘点的判定精度,准确提取线路板优化图像中的边缘纹路信息,保证线路板表面镀膜质量检测的准确性,对于各边缘像素点,以各边缘像素点为中心,获取各边缘像素点的局部窗口范围,窗口尺寸W实施者自行设定,本实施例中W=5,计算各边缘像素点局部窗口内像素点对应的灰度共生矩阵,并计算灰度共生矩阵的逆差距及熵,用于对各边缘像素点的局部纹路变化状况进行表征,逆差矩反映了图像纹理的同质性,即度量图像纹路的局部变化情况,当局部越为均匀时,逆差矩越大;边缘像素点灰度共生矩阵的熵用于表征线路板优化图像中纹理的均匀程度或复杂程度,熵越小,边缘像素点局部窗口内的纹理复杂度越低,灰度变化越不明显,也即纹理分布越均匀,根据各边缘像素点灰度共生矩阵的特征参数得到各边缘像素点的局部显著度:
式中,为边缘像素点k的局部显著度,/>为像素点k灰度值,/>为避免分母为零的极小值,/>分别为边缘像素点k灰度共生矩阵的熵、逆差距,/>分别为边缘像素点k左、右邻域像素点集合的灰度均值,/>的取值实施者可自行设定,本实施例设置为/>;
根据各边缘像素点的局部显著度以及左、右邻域像素点集合之间的结构相似度指数,得到边缘像素点的边缘真实度:
式中,为边缘像素点k的边缘真实度,/>为归一化函数,/>为边缘像素点k的局部显著度,/>为边缘像素点k左邻域像素点集合与右邻域像素点集合之间的结构相似度指数,e为自然常数。边缘真实度越大,则对应边缘像素点为真实边缘点的可能性越高;
重复上述方法,获取各边缘像素点的边缘真实度,边缘真实度越高,边缘像素点为真实边缘点的可能性越大,设置真实度阈值,将边缘真实度高于真实度阈值的边缘像素点作为真实边缘点。需要说明的是,真实度阈值实施者可自行设定,本实施例将真实度阈值设置为0.65;
至此,可获取线路板优化图像中的各真实边缘点,线路板优化图像中的真实边缘点越多,也即边缘线越多,则线路板表面镀膜越不均匀,线路板镀膜后表面纹路越多,越不平滑;
进一步,考虑到当纳米镀膜设备电极放电产生的等离子体密度过大时,也将会导致线路板表面出现镀膜异常,出现多个粗糙密集的镀膜颗粒聚集的情况,因此,通过角点检测算法对线路板优化图像进行角点检测,统计检测到的角点个数,线路板镀膜异常越严重,则线路板镀膜后表面对应角点个数较多,需要说明的是,角点检测算法及检测过程为现有公知技术。根据线路板优化图像中的边缘细节信息以及亮度分布信息得到线路板镀膜均匀性因子:
式中,n为最终划分的聚类子块总数,为n个聚类子块的灰度均值之间的方差,c为线路板优化图像中的真实边缘点总数,/>为线路板优化图像中的角点数量,/>为线路板镀膜均匀性因子,e为自然常数。线路板镀膜均匀性因子/>越小,线路板表面镀膜越不均匀;
同时,为准确分析线路板表面镀膜质量,基于视觉特征实现对线路板镀膜表面质量的定量检测,对最终划分的各聚类子块进行进一步的分析,首先人为选取等离子纳米镀膜质量好的线路板图像,作为标准镀膜线路板图像,需要说明的是,人为选取的标准镀膜线路板图像中线路板表面镀膜为均匀且无颗粒聚集情况,表面光滑无镀膜瑕疵,具体的选取实施者可自行选取。获取标准镀膜线路板图像的灰度均值,分别计算各聚类子块灰度均值与标准镀膜线路图像灰度均值的差值绝对值,将差值绝对值最小对应的聚类子块作为线路板镀膜正常子块,其他聚类子块依次作为镀膜异常子块,根据线路板优化图像各镀膜异常子块得到线路板镀膜异常显著因子:
式中,p为线路板镀膜异常显著因子,为镀膜异常子块z内所包含的像素点数量,为镀膜异常子块z的灰度均值,/>为标准镀膜线路板图像的灰度均值,Z为线路板优化图像中镀膜异常子块总数。线路板优化图像镀膜异常显著因子越大,对应线路板表面镀膜出现异常的可能性也大,镀膜异常程度越高;
至此,即可得到线路板优化图像的特征因子,也即线路板镀膜均匀性因子以及线路板镀膜异常显著因子,用于对线路板镀膜后表面状况进行检测,作为线路板表面镀膜质量检测的特征。
步骤S003,根据线路板优化图像所提取的特征因子,实现线路板等离子纳米镀膜质量的视觉检测。
为实现对线路板等离子纳米镀膜质量的准确检测,本实施例将根据线路板优化图像所提取的特征因子对线路板镀膜异常进行判定。根据线路板优化图像特征因子,也即线路板镀膜均匀性因子以及线路板镀膜异常显著因子,计算线路板镀膜异常检测值:
式中,U为线路板镀膜异常检测值,为线路板镀膜异常显著因子,/>线路板镀膜均匀性因子,e为自然常数。线路板镀膜异常检测值越大,则对应线路板表面等离子纳米镀膜异常程度越高,线路板镀膜质量越不好。对线路板镀膜异常检测函数进行归一化处理,保证线路板镀膜异常检测值处于(0,1),当线路板等离子纳米镀膜异常检测值高于镀膜异常检测阈值时,则线路板等离子纳米镀膜质量不佳,需要对线路板表面镀膜再次进行加工处理,提高线路板等离子纳米镀膜效率,保证线路板等离子纳米镀膜质量。需要说明的是,镀膜异常检测阈值实施者可自行设定,为保证线路板等离子纳米镀膜的质量,本实施例将镀膜异常检测阈值设置为0.45。
综上所述,本发明实施例通过对线路板优化图像进行初步聚类,将线路板优化图像划分为多个聚类子块,结合聚类子块边缘像素点在突变方向上的像素点结构分布特征得到结构相似度指数,能够对边缘像素点突变方向上的灰度变化状况进行检测,结合边缘像素点的局部显著度以及结构相似度指数对初步聚类得到各边缘像素点的真实性进行检测,解决了聚类过程中由于聚类参数设置不佳导致各聚类子块边界像素点类别划分不准确的问题,同时提高了线路板优化图像中边缘信息的检测精度;
进一步,本发明实施例根据线路板优化图像中的真实边缘点以及角点信息构建线路板镀膜均匀性因子,实现对线路板镀膜表面的均匀程度进行检测,结合线路板镀膜异常显著因子对线路板等离子纳米镀膜的异常程度进行检测,提高了线路板镀膜质量检测精度,实现对线路板等离子纳米镀膜质量的定量检测,具有较高的智能化、检测精度以及检测无接触性等有益效果。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;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,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (9)
1.基于图像处理的线路板等离子纳米镀膜质量检测方法,其特征在于,该方法包括以下步骤:
显微镜相机采集线路板图像,对线路板图像进行去噪增强处理获取线路板优化图像;
通过DBSCAN聚类算法获取线路板优化图像的多个聚类子块,将各聚类子块边界像素点作为边缘像素点,根据各边缘像素点的海森矩阵得到各边缘像素点的突变方向;在各边缘像素点突变方向上以各边缘像素点为中心从左右两边分别选取数个像素点得到各边缘像素点的左、右邻域像素点集合;
根据各边缘像素点左、右邻域像素点集合的亮度分布状况得到各边缘像素点的结构相似度指数;根据各边缘像素点灰度共生矩阵特征参数得到各边缘像素点的局部显著度;根据各边缘像素点的局部显著度以及结构相似度指数得到各边缘像素点的边缘真实度;根据线路板优化图像中的边缘细节信息以及亮度分布信息得到线路板镀膜均匀性因子;根据各聚类子块的灰度均值得到镀膜异常子块;根据线路板优化图像各镀膜异常子块得到线路板镀膜异常显著因子;
将线路板镀膜均匀性因子以及线路板镀膜异常显著因子作为线路板优化图像特征因子,根据线路板优化图像特征因子得到线路板镀膜异常检测值,通过线路板镀膜异常检测值完成线路板镀膜质量的检测。
2.如权利要求1所述的基于图像处理的线路板等离子纳米镀膜质量检测方法,其特征在于,所述根据各边缘像素点的海森矩阵得到各边缘像素点的突变方向,具体为:依次获取各边缘像素点的海森矩阵,并计算各边缘像素点海森矩阵的特征值,将绝对值较大特征值对应特征向量的方向作为各边缘像素点的突变方向。
3.如权利要求1所述的基于图像处理的线路板等离子纳米镀膜质量检测方法,其特征在于,所述根据各边缘像素点左、右邻域像素点集合的亮度分布状况得到各边缘像素点的结构相似度指数,表达式为:
式中,为边缘像素点k左邻域像素点集合与右邻域像素点集合之间的结构相似度指数,/>分别为边缘像素点k左、右邻域像素点集合的灰度均值,/>为避免分母为零的极小值,/>分别为边缘像素点k左、右邻域像素点集合的灰度方差,/>为边缘像素点k左、右邻域像素点集合的协方差。
4.如权利要求1所述的基于图像处理的线路板等离子纳米镀膜质量检测方法,其特征在于,所述根据各边缘像素点灰度共生矩阵特征参数得到各边缘像素点的局部显著度,表达式为:
式中,为边缘像素点k的局部显著度,/>为像素点k灰度值,/>为避免分母为零的极小值,/>分别为边缘像素点k灰度共生矩阵的熵、逆差距,/>分别为边缘像素点k左、右邻域像素点集合的灰度均值。
5.如权利要求1所述的基于图像处理的线路板等离子纳米镀膜质量检测方法,其特征在于,所述根据各边缘像素点的局部显著度以及结构相似度指数得到各边缘像素点的边缘真实度,表达式为:
式中,为边缘像素点k的边缘真实度,/>为归一化函数,/>为边缘像素点k的局部显著度,/>为边缘像素点k左邻域像素点集合与右邻域像素点集合之间的结构相似度指数,e为自然常数。
6.如权利要求1所述的基于图像处理的线路板等离子纳米镀膜质量检测方法,其特征在于,所述根据线路板优化图像中的边缘细节信息以及亮度分布信息得到线路板镀膜均匀性因子,表达式为:
式中,n为最终划分的聚类子块总数,为n个聚类子块的灰度均值的方差,c为线路板优化图像中的真实边缘点总数,/>为线路板优化图像中的角点数量,/>为线路板镀膜均匀性因子,e为自然常数。
7.如权利要求1所述的基于图像处理的线路板等离子纳米镀膜质量检测方法,其特征在于,所述根据各聚类子块的灰度均值得到镀膜异常子块,具体为:人为选取线路板表面镀膜均匀且无颗粒聚集的标准镀膜线路板图像,获取标准镀膜线路板图像的灰度均值,分别计算各聚类子块灰度均值与标准镀膜线路图像灰度均值的差值绝对值,将差值绝对值最小对应的聚类子块作为线路板镀膜正常子块,其他聚类子块依次作为镀膜异常子块。
8.如权利要求1所述的基于图像处理的线路板等离子纳米镀膜质量检测方法,其特征在于,所述根据线路板优化图像各镀膜异常子块得到线路板镀膜异常显著因子,表达式为:
式中,p为线路板镀膜异常显著因子,为镀膜异常子块z内所包含的像素点数量,/>为镀膜异常子块z的灰度均值,/>为标准镀膜线路板图像的灰度均值,Z为线路板优化图像中镀膜异常子块总数。
9.如权利要求1所述的基于图像处理的线路板等离子纳米镀膜质量检测方法,其特征在于,所述根据线路板优化图像特征因子得到线路板镀膜异常检测值,表达式为:
式中,U为线路板镀膜异常检测值,为线路板镀膜异常显著因子,/>线路板镀膜均匀性因子,e为自然常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310752342.8A CN116503393B (zh) | 2023-06-26 | 2023-06-26 | 基于图像处理的线路板等离子纳米镀膜质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310752342.8A CN116503393B (zh) | 2023-06-26 | 2023-06-26 | 基于图像处理的线路板等离子纳米镀膜质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116503393A true CN116503393A (zh) | 2023-07-28 |
CN116503393B CN116503393B (zh) | 2023-09-08 |
Family
ID=87325082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310752342.8A Active CN116503393B (zh) | 2023-06-26 | 2023-06-26 | 基于图像处理的线路板等离子纳米镀膜质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503393B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437235A (zh) * | 2023-12-21 | 2024-01-23 | 四川新康意众申新材料有限公司 | 基于图像处理的塑料薄膜质量检测方法 |
CN117974663A (zh) * | 2024-04-01 | 2024-05-03 | 瑞纳智绝缘材料(苏州)有限公司 | 基于图像特征的玻璃纤维套管质量检测方法 |
CN117974663B (zh) * | 2024-04-01 | 2024-06-07 | 瑞纳智绝缘材料(苏州)有限公司 | 基于图像特征的玻璃纤维套管质量检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619146A (zh) * | 2019-08-12 | 2019-12-27 | 河北工业大学 | 基于结构相似性度量的多晶硅电池片裂纹缺陷检测方法 |
US20210390674A1 (en) * | 2020-06-16 | 2021-12-16 | The Boeing Company | Synthetic image generation for surface anomaly detection |
WO2022057312A1 (zh) * | 2020-09-18 | 2022-03-24 | 平安科技(深圳)有限公司 | 医学图像处理方法、装置、设备及存储介质 |
CN114372983A (zh) * | 2022-03-22 | 2022-04-19 | 武汉市富甸科技发展有限公司 | 一种基于图像处理的屏蔽盒涂装质量检测方法及系统 |
CN114998320A (zh) * | 2022-07-18 | 2022-09-02 | 银江技术股份有限公司 | 视觉显著性检测的方法、系统、电子装置和存储介质 |
CN115187548A (zh) * | 2022-07-11 | 2022-10-14 | 常颖 | 一种基于人工智能的机械零件缺陷检测方法 |
CN115330799A (zh) * | 2022-10-13 | 2022-11-11 | 江苏昱恒电气有限公司 | 一种仪表自动化故障诊断方法 |
CN115601364A (zh) * | 2022-12-14 | 2023-01-13 | 惠州威尔高电子有限公司(Cn) | 基于图像分析的金手指电路板检测方法 |
CN116205919A (zh) * | 2023-05-05 | 2023-06-02 | 深圳市智宇精密五金塑胶有限公司 | 基于人工智能的五金零件生产质量检测方法及系统 |
-
2023
- 2023-06-26 CN CN202310752342.8A patent/CN116503393B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619146A (zh) * | 2019-08-12 | 2019-12-27 | 河北工业大学 | 基于结构相似性度量的多晶硅电池片裂纹缺陷检测方法 |
US20210390674A1 (en) * | 2020-06-16 | 2021-12-16 | The Boeing Company | Synthetic image generation for surface anomaly detection |
WO2022057312A1 (zh) * | 2020-09-18 | 2022-03-24 | 平安科技(深圳)有限公司 | 医学图像处理方法、装置、设备及存储介质 |
CN114372983A (zh) * | 2022-03-22 | 2022-04-19 | 武汉市富甸科技发展有限公司 | 一种基于图像处理的屏蔽盒涂装质量检测方法及系统 |
CN115187548A (zh) * | 2022-07-11 | 2022-10-14 | 常颖 | 一种基于人工智能的机械零件缺陷检测方法 |
CN114998320A (zh) * | 2022-07-18 | 2022-09-02 | 银江技术股份有限公司 | 视觉显著性检测的方法、系统、电子装置和存储介质 |
CN115330799A (zh) * | 2022-10-13 | 2022-11-11 | 江苏昱恒电气有限公司 | 一种仪表自动化故障诊断方法 |
CN115601364A (zh) * | 2022-12-14 | 2023-01-13 | 惠州威尔高电子有限公司(Cn) | 基于图像分析的金手指电路板检测方法 |
CN116205919A (zh) * | 2023-05-05 | 2023-06-02 | 深圳市智宇精密五金塑胶有限公司 | 基于人工智能的五金零件生产质量检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
崔家礼;王鹏;: "基于图像拼接的PCB基板质量检测算法", 计算机应用与软件, no. 06, pages 191 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117437235A (zh) * | 2023-12-21 | 2024-01-23 | 四川新康意众申新材料有限公司 | 基于图像处理的塑料薄膜质量检测方法 |
CN117437235B (zh) * | 2023-12-21 | 2024-03-12 | 四川新康意众申新材料有限公司 | 基于图像处理的塑料薄膜质量检测方法 |
CN117974663A (zh) * | 2024-04-01 | 2024-05-03 | 瑞纳智绝缘材料(苏州)有限公司 | 基于图像特征的玻璃纤维套管质量检测方法 |
CN117974663B (zh) * | 2024-04-01 | 2024-06-07 | 瑞纳智绝缘材料(苏州)有限公司 | 基于图像特征的玻璃纤维套管质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116503393B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113989279B (zh) | 基于人工智能及图像处理的塑料薄膜质量检测方法 | |
CN115170576B (zh) | 基于机器视觉的铝管表面缺陷检测方法 | |
CN114862862B (zh) | 一种基于图像处理的泵体冷隔缺陷识别方法与系统 | |
Kavitha et al. | A novel hybrid segmentation method with particle swarm optimization and fuzzy c-mean based on partitioning the image for detecting lung cancer | |
CN115294140B (zh) | 一种五金零件缺陷检测方法及系统 | |
CN115249246B (zh) | 一种光学玻璃表面缺陷检测方法 | |
CN116503393B (zh) | 基于图像处理的线路板等离子纳米镀膜质量检测方法 | |
CN117351008A (zh) | 一种智能手机面板表面缺陷检测方法 | |
CN113515847B (zh) | 一种基于K-means聚类算法的非均质岩石数字岩芯建模方法 | |
CN114998198A (zh) | 一种注塑件表面缺陷识别方法 | |
CN116091504B (zh) | 基于图像处理的连接管连接头质量检测方法 | |
CN116993724B (zh) | 一种基于图像滤波的煤矿工业齿轮油视觉检测方法 | |
CN117197140B (zh) | 基于机器视觉的不规则金属扣成型检测方法 | |
Madhukar et al. | Deterministic model for acute myelogenous leukemia classification | |
CN116152242B (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
CN116402810B (zh) | 基于图像处理的润滑油抗磨粒质量检测方法 | |
CN114529538A (zh) | 基于人工智能和高斯混合模型的纺织物表面缺陷检测方法 | |
CN116777941A (zh) | 一种基于机器视觉的型材轮廓检测方法及系统 | |
CN115131359A (zh) | 一种金属加工件表面麻点缺陷检测方法 | |
CN116468728A (zh) | 一种五金冲压件模具生产质量检测方法 | |
CN116596922B (zh) | 一种太阳能热水器生产质量检测方法 | |
CN115841491B (zh) | 一种多孔金属材料的质量检测方法 | |
Ram et al. | Symmetry-based detection of nuclei in microscopy images | |
CN113628225B (zh) | 基于结构相似度和图像区域块的模糊c均值图像分割方法及系统 | |
CN117808809B (zh) | 晶圆表面缺陷的视觉检测方法及系统 |
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 |