CN116503427B - 一种基于计算机视觉的柔性电路板缺陷区域快速分割方法 - Google Patents
一种基于计算机视觉的柔性电路板缺陷区域快速分割方法 Download PDFInfo
- Publication number
- CN116503427B CN116503427B CN202310759852.8A CN202310759852A CN116503427B CN 116503427 B CN116503427 B CN 116503427B CN 202310759852 A CN202310759852 A CN 202310759852A CN 116503427 B CN116503427 B CN 116503427B
- Authority
- CN
- China
- Prior art keywords
- frequency information
- image
- sub
- mask
- frequency domain
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000011218 segmentation Effects 0.000 title claims abstract description 39
- 230000002950 deficient Effects 0.000 title claims description 14
- 230000007547 defect Effects 0.000 claims abstract description 51
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000010586 diagram Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000003709 image segmentation Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000000873 masking effect Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
- G06T7/90—Determination of colour characteristics
-
- 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)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及图像处理领域,提供一种基于计算机视觉的柔性电路板缺陷区域快速分割方法,包括:获取待处理电路板的待检测图像,基于待检测图像中像素点的频域对待检测图像进行区域分割,得到多个子区域;计算每一子区域的复杂度,并基于复杂度计算每一子区域的频域遮罩大小;利用频域遮罩大小对子区域进行处理,得到频域信息损失图;基于频域信息损失图进行缺陷检测和分割。该方法利用频域遮罩对子区域进行处理,将复杂的图像转化为简单的图像,后续进行缺陷检测和分割时,能够减少缺陷检测时的计算量,提高检测速度,并且能够提高缺陷分割准确性,不需要大量的数据集进行网络训练。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种基于计算机视觉的柔性电路板缺陷区域快速分割方法。
背景技术
柔性电路板是一种可以弯曲、折叠和扭曲的电路板,它具有比传统的硬性电路板更高的灵活性和可塑性。这种技术在许多行业中都有广泛的应用,包括智能手机、可穿戴设备、汽车、医疗器械、航空航天等等。但是柔性电路板的制造对于基材层质量、导线制造工艺要求较为严格,所以经常出现如:线路开路短路、基础偏差以及垂直耳皮和剥落等缺陷问题。
对于上述问题中所提出的柔性电路板的缺陷问题,现有技术的检测方式一般是采用图像分割算法对其进行分割(例如大津阈值分割)或者利用神经网络进行识别;前者对于较为复杂的柔性电路板进行处理的时候往往不能进行有效分割,精准性不够。后者需要训练大量的数据集来进行神经网络的训练,不能短时间投入使用。
发明内容
本发明提供一种基于计算机视觉的柔性电路板缺陷区域快速分割方法,该方法能够提高缺陷分割准确性,并且不需要大量的数据集进行网络训练。
第一方面,本申请提供一种基于计算机视觉的柔性电路板缺陷区域快速分割方法,包括:
获取待处理电路板的待检测图像,基于待检测图像中像素点的频域对待检测图像进行区域分割,得到多个子区域;
计算每一子区域的复杂度,并基于复杂度计算每一子区域的频域遮罩大小;
利用频域遮罩大小对子区域进行处理,得到频域信息损失图;
基于频域信息损失图进行缺陷检测和分割。
在一可选实施例中,计算每一子区域的复杂度,包括:
基于子区域中像素点的灰度值与子区域中像素点的灰度值均值的第一差异值确定子区域的低频信息复杂度;其中,第一差异值越小,则低频信息复杂度越高;
基于子区域中像素点的灰度值与像素点邻域内像素点的灰度值的第二差异值确定子区域的高频信息复杂度;其中,第二差异值越大,则高频信息复杂度越高;
基于低频信息复杂度以及高频信息复杂度确定每一子区域的复杂度。
在一可选实施例中,基于复杂度计算每一子区域的频域遮罩大小,包括:
基于复杂度计算每一子区域的高频信息可损失率和低频信息可损失率;
基于高频信息可损失率、低频信息可损失率计算得到每一子区域对应的高频信息遮罩大小和低频信息遮罩大小;每一子区域的频域遮罩大小包括高频信息遮罩大小和低频信息遮罩大小,其中,频域遮罩大小为频域遮罩像素点数量。
在一可选实施例中,利用频域遮罩大小对子区域进行处理,得到频域信息损失图,包括:
利用离散傅里叶变化方法对子区域进行处理,获取每一子区域对应的频域图像;
利用子区域对应的高频信息遮罩大小和低频信息遮罩大小对子区域对应的频域图像进行遮罩处理,得到频域信息损失图。
在一可选实施例中,利用子区域对应的高频信息遮罩大小和低频信息遮罩大小对子区域对应的频域图像进行遮罩处理,得到频域信息损失图,包括:
利用子区域对应的高频信息遮罩大小以频域图像的边缘为起始,制作空心矩形遮罩;以及利用子区域对应的低频信息遮罩大小以频域图像的中心为起始,制作矩形遮罩;
利用空心矩阵遮罩对频域图像进行遮罩处理,得到高频信息损失图;以及利用矩形遮罩对频域图像进行遮罩处理,得到低频信息损失图;其中,频域信息损失图包括高频信息损失图和低频信息损失图。
在一可选实施例中,基于频域信息损失图进行缺陷检测和分割,包括:
将所有子区域的高频信息损失图进行拼接,得到待处理电路板的高频信息损失灰度图像,将所有子区域的低频信息损失图进行拼接,得到待处理电路板的低频信息损失灰度图像;
利用直方图均衡化算法分别对高频信息损失灰度图像和低频信息损失灰度图像进行灰度均衡处理;
利用图像分割算法和缺陷检测算法对灰度均衡处理后的图像进行处理,以进行缺陷检测和分割。
在一可选实施例中,基于待检测图像中像素点的频域对待检测图像进行区域分割,得到多个子区域,包括:
利用边缘检测算法对待检测图像进行边缘检测,得到边缘像素点集合;待检测图像为灰度图像;
基于边缘像素点的位置对边缘像素点集合进行聚类,得到多个类簇;
基于类簇对待检测图像进行区域分割,得到多个子区域。
在一可选实施例中,基于复杂度计算每一子区域的高频信息可损失率和低频信息可损失率,包括:
计算高频信息可损失率的方式为:
;
其中,为第/>个子区域的像素点的总个数,/>为子区域的复杂度,/>为第n个子区域的像素点为高频信息像素点的总体数量,/>计算方式为:
;
其中,为高频像素点个数计算系数,计算方式为:
;
其中,表示第/>个子区域的第/>个像素点的灰度值,/>表示第/>个像素点的周围邻域内第/>个像素点的灰度值,/>,/>表示为第/>个子区域所有像素点灰度值的平均值;
计算低频信息可损失率的方式为:
;
其中,为第n个子区域的像素点为低频信息像素点的总体数量,计算方式为:
;
其中,为低频像素点个数计算系数,计算方式为:
。
在一可选实施例中,基于高频信息可损失率、低频信息可损失率计算得到每一子区域对应的高频信息遮罩大小和低频信息遮罩大小,包括:
每一子区域对应的高频信息遮罩大小计算方式为:
;
其中,表示第/>个子区域的灰度图在经过傅里叶变化之后的频域图像的像素点总个数;
每一子区域对应的低频信息遮罩大小计算方式为:
。
在一可选实施例中,计算每一子区域的复杂度,包括:
利用如下公式计算每一子区域的复杂度:
;
其中,表示低频信息复杂度,/>表示归一化函数,表示高频信息复杂度。
本申请的有益效果,区别于现有技术,本申请的基于计算机视觉的柔性电路板缺陷区域快速分割方法,包括:获取待处理电路板的待检测图像,基于待检测图像中像素点的频域对待检测图像进行区域分割,得到多个子区域;计算每一子区域的复杂度,并基于复杂度计算每一子区域的频域遮罩大小;利用频域遮罩大小对子区域进行处理,得到频域信息损失图;基于频域信息损失图进行缺陷检测和分割。该方法利用频域遮罩对子区域进行处理,将复杂的图像转化为简单的图像,后续进行缺陷检测和分割时,能够减少缺陷检测时的计算量,提高检测速度,并且能够提高缺陷分割准确性,不需要大量的数据集进行网络训练。
附图说明
图1为本发明基于计算机视觉的柔性电路板缺陷区域快速分割方法的一实施例的流程示意图;
图2为图1中步骤S12的一实施例的流程示意图;
图3为图1中步骤S14的一实施例的流程示意图;
图4为利用空心矩阵遮罩对频域图像进行遮罩处理,得到高频信息损失图的示意图;
图5为利用矩阵遮罩对频域图像进行遮罩处理,得到低频信息损失图的示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
针对背景技术中提出的问题,本发明提供了基于计算机视觉的柔性电路板缺陷区域快速分割方法,通过利用相机进行柔性电路板的图像采集,而后基于柔性电路板的图像进行区域复杂性的分块,利用区域复杂性对不同区域的柔性电路板进行自适应大小的频域遮罩处理来获得细节简单的柔性电路板的图像,而后利用现有的分割算法来对其进行缺陷区域进行快速的识别与分割。下面结合附图和实施例对本申请进行详细的说明。
请参见图1,图1为本发明基于计算机视觉的柔性电路板缺陷区域快速分割方法的第一实施例的流程示意图,具体包括:
步骤S11:获取待处理电路板的待检测图像,基于待检测图像中像素点的频域对待检测图像进行区域分割,得到多个子区域。
需要说明的是,在柔性电路板的图像采集设备中,工业相机对应的图像采集的拍摄角度为垂直俯视拍摄,以此可减少因为视角偏差从而导致的缺陷分割的异常问题。
利用上述方式可以采集到柔性电路板的高清图像,但是该图像为多通道图像,因为柔性电路板的缺陷无明显的颜色影响特征,故为了减少整体的计算量提升缺陷分割速度,所以需要利用灰度化算法对其进行灰度化预处理,来获得柔性电路板的单一通道的灰度图。
在柔性电路板图像中,因为不同区域的频域细节不同,而频域遮罩是对图像的某些特定的频域进行统一处理使得该部分的图像信息丢失,但是因为缺陷的种类不同,所以无法明确的直接定义缺陷的频域,所以本发明对柔性电路板图像进行区域划分,使得划分后的柔性电路板图像中的每个区域频域较为均衡,方便后续的频域遮罩处理。
在一实施例中,利用边缘检测算法对待检测图像进行边缘检测,得到边缘像素点集合;待检测图像为灰度图像。具体的,利用Canny边缘检测算法对柔性电路板的灰度图进行边缘检测,因为在图像中,边缘细节属于高频信息,所以本发明对于柔性电路板的区域划分方式为利用高频边缘的来进行划分。而后对柔性电路板的边缘图像中的所有边缘进行标记获得边缘像素点的标记集合,其中每一个单端的边缘像素点表示一个一个标记个体(标记集合中的边缘像素点包含所在像素点的位置信息);接着预设柔性电路板的图像的子区域总个数,并且计算每个子区域的图像中边缘像素点的个数/>(其中/>为所有的边缘像素点的总个数)。
基于边缘像素点的位置对边缘像素点集合进行聚类,得到多个类簇。具体的,利用k-means聚类算法对所有的边缘像素点进行基于位置的聚类,其中,限制条件为每个聚类类别中的边缘像素点的总个数为/>时该类别聚类完成。
基于类簇对待检测图像进行区域分割,得到多个子区域。具体的,利用标准图像分割算法对每个子区域进行分割即可完整柔性电路板灰度图的分割,可获得个子区域,且每个子区域中的边缘像素点的总个数相等。至此,利用柔性电路板的边缘像素点(柔性电路板图像中的高频信息)对柔性电路板分割结束,获得了/>个包含柔性电路板高频信息较为均匀的子区域。
步骤S12:计算每一子区域的复杂度,并基于复杂度计算每一子区域的频域遮罩大小。
在一实施例中,基于子区域中像素点的灰度值与子区域中像素点的灰度值均值的第一差异值确定子区域的低频信息复杂度;其中,第一差异值越小,则低频信息复杂度越高。基于子区域中像素点的灰度值与像素点邻域内像素点的灰度值的第二差异值确定子区域的高频信息复杂度;其中,第二差异值越大,则高频信息复杂度越高。基于低频信息复杂度以及高频信息复杂度确定每一子区域的复杂度。
具体的,计算每一子区域的复杂度,包括:利用如下公式计算每一子区域的复杂度:
;
其中,表示低频信息复杂度,/>表示归一化函数,表示高频信息复杂度。具体的,/>表示第/>个子区域的第/>个像素点的灰度值,其中/>,/>为第/>个子区域的像素点的总个数;/>,表示为第/>个子区域所有/>个像素点灰度值的平均值;/>表示第/>个像素点的周围邻域内第/>个像素点的灰度值,其中/>;/>表示归一化运算。
需要说明的是,在柔性电路板的图像中,低频信息是指灰度值变化比较平滑的区域,主要表现在柔性电路板的基材图像中,即图像中的背景以及导线内部区域,高频信息是指柔性电路板中的灰度值局部变化较为剧烈的地方,即图像中的导线以及细节区域。所以本发明通过利用单个像素点与平均像素点灰度值的差异值来表示柔性电路板的低频信息的复杂度;即公式,因为经过区域分割之后,不同区域内的边缘像素点的个数相等,所以计算低频信息的时候无边缘像素点的影响,即第/>个子区域整体灰度值的平均值更趋向于灰度值的平均值,所以本发明利用单个像素点的灰度值与平均值进行差异计算,差异越小,说明该像素点属于低频信息区域的可能性越大,而低频信息的复杂度就越高;反之,高频区域是指像素点局部变化较为剧烈,所以本发明利用单个像素点与周围邻域内像素点灰度值的差值来作为高频信息的复杂性的量化,如果该差值越大,说明第/>个单个像素点相较于周围像素点的灰度值变化较为剧烈,则其属于高频信息的可能性越大。最后分别利用高频信息复杂性以及低频信息复杂性的总和来表示第/>个子区域的柔性电路板的图像复杂性,该值越大,说明第/>个子区域的频域信息越复杂,该区域具有缺陷的可能性越大。
通过上述步骤获得了第个子区域的图像复杂性,该值越大,说明第/>个子区域出现缺陷的可能性越大,所以对应的高低频可损失信息就应该越小,对应的频域高低频遮罩的大小就应该越小。
在一实施例中,通过上述步骤获得了第个子区域的图像复杂性,基于复杂度计算每一子区域的频域遮罩大小,具体请结合图2,计算每一子区域的频域遮罩大小包括:
步骤S21:基于复杂度计算每一子区域的高频信息可损失率和低频信息可损失率。
在一实施例中,基于复杂度计算每一子区域的高频信息可损失率和低频信息可损失率,包括:
计算高频信息可损失率的方式为:
;
其中,为第/>个子区域的像素点的总个数,/>为子区域的复杂度,/>为第n个子区域的像素点为高频信息像素点的总体数量,/>计算方式为:
;
其中,为高频像素点个数计算系数,计算方式为:
;
其中,表示第/>个子区域的第/>个像素点的灰度值,/>表示第/>个像素点的周围邻域内第/>个像素点的灰度值,/>,/>表示为第/>个子区域所有像素点灰度值的平均值;
计算低频信息可损失率的方式为:
;
其中,为第n个子区域的像素点为低频信息像素点的总体数量,计算方式为:
;
其中,为低频像素点个数计算系数,计算方式为:
。
高低频信息的可损失量的获取逻辑为,在第个子区域内,其对应的图像复杂性越大,则高低频信息可损失量就相应的越小,在该区域内,对应的高低频信息的像素点越多,其可损失的高低频信息就越少,具体依据为:第/>个子区域内的图像复杂性越大,则说明该区域内出现缺陷的可能性越大,所以整体可以损失的信息量就应该较少来保证后续缺陷分割的准确性,而在该区域内的高频信息的像素点数量越大,则缺陷发生在高频像素点上的可能性越大,那么高频信息的可损失量就应该越小;反之,如果该区域内的低频信息像素点较多,则缺陷发生在低频像素点上的可能性越大,那么对应的低频信息可损失量就应该越小。而上述公式中,本发明利用每个像素点与周围邻域内的像素点的差值与其与整体像素点的平均值的差值进行差值计算,差值为正,则说明相较于整体平均值其与邻域局部内的像素点的灰度值差异更大,所以其为高频像素点的可能性越大,反之则相反。
步骤S22:基于高频信息可损失率、低频信息可损失率计算得到每一子区域对应的高频信息遮罩大小和低频信息遮罩大小;每一子区域的频域遮罩大小包括高频信息遮罩大小和低频信息遮罩大小,其中,频域遮罩大小为频域遮罩像素点数量。
在一实施例中,基于高频信息可损失率、低频信息可损失率计算得到每一子区域对应的高频信息遮罩大小和低频信息遮罩大小,包括:每一子区域对应的高频信息遮罩大小计算方式为:
;
其中,表示第/>个子区域的灰度图在经过傅里叶变化之后的频域图像的像素点总个数;
每一子区域对应的低频信息遮罩大小计算方式为:
。
利用上述方式,可以获得柔性电路板每个子区域灰度图对应得频域图像的高频信息以及低频信息的遮罩大小。
至此,柔性电路板每个子区域通过图像复杂度以及高低频信息可损失量处理,得到每个子区域的频域高低频域的遮罩大小,具体的,遮罩大小为频域遮罩的像素点的总个数。
本步骤中,利用频域对柔性电路板进行图像处理的原理为利用遮罩使得原图像一部分信息进行丢失,使得柔性电路板的图像更为简单。而对于电路板而言,越是复杂的区域容易出现缺陷的可能性就越大,所以复杂的区域的可以允许丢失的信息就应该更少来保证缺陷的完整性。但是缺陷因为种类不同,所以对应的频率不同,所以本发明对每个区域进行高低频信息允许丢失率分别计算,来获得高低频不同的遮罩大小。
步骤S13:利用频域遮罩大小对子区域进行处理,得到频域信息损失图。
具体的,获得了柔性电路板灰度图的频域高频信息损失遮罩以及低频信息损失遮罩的大小,现对柔性电路板灰度图中的高频信息以及低频信息分别进行处理。
在一实施例中,首先对柔性电路板的灰度图的第个子区域利用离散傅里叶变换进行处理来获得其对应频域图像;而后利用第/>个子区域对应的高频信息遮罩以及低频信息遮罩对柔性电路板第/>个子区域的频域图像进行遮罩处理。具体的,利用离散傅里叶变化方法对子区域进行处理,获取每一子区域对应的频域图像;利用子区域对应的高频信息遮罩大小和低频信息遮罩大小对子区域对应的频域图像进行遮罩处理,得到频域信息损失图。
在一实施例中,利用子区域对应的高频信息遮罩大小和低频信息遮罩大小对子区域对应的频域图像进行遮罩处理,得到频域信息损失图,包括:利用子区域对应的高频信息遮罩大小以频域图像的边缘为起始,制作空心矩形遮罩;以及利用子区域对应的低频信息遮罩大小以频域图像的中心为起始,制作矩形遮罩;利用空心矩阵遮罩对频域图像进行遮罩处理,得到高频信息损失图,具体请参见图4;以及利用矩形遮罩对频域图像进行遮罩处理,得到低频信息损失图,具体请参见图5;其中,频域信息损失图包括高频信息损失图和低频信息损失图。
需要说明的是,频域中低频信息分布在频域图像的中心区域,所以低频遮罩为以频域图像的中心点作为中心,制作面积大小为的矩形遮罩即可;反之,高频信息分布在频域图像的边缘区域,所以高频遮罩为以频域图像边缘作为起始,制作面积大小为/>的空心矩形遮罩即可。至此,柔性电路板的第/>个子区域的高频信息以及低频信息损失灰度图获取完毕。最后利用第/>个子区域的高低频信息损失频域图来获得柔性电路板的子区域信息损失灰度图,具体方式为对经过遮罩处理的柔性电路板的频域图像利用傅里叶逆变换进行变化即可。
利用上述方式可以获得柔性电路板的每个子区域的高频信息以及低频信息损失灰度图。
该方法利用频域遮罩对子区域进行处理,将复杂的图像转化为简单的图像,后续进行缺陷检测和分割时,能够减少缺陷检测时的计算量,提高检测速度,并且能够提高缺陷分割准确性,不需要大量的数据集进行网络训练。
步骤S14:基于频域信息损失图进行缺陷检测和分割。
在一实施例中,请结合图3,步骤S14具体包括:
步骤S31:将所有子区域的高频信息损失图进行拼接,得到待处理电路板的高频信息损失灰度图像,将所有子区域的低频信息损失图进行拼接,得到待处理电路板的低频信息损失灰度图像。
上述中获得柔性电路板的所有个子区域的高频信息损灰度图以及低频信息损失灰度图,现对其进行缺陷区域的快速分割,具体的过程如下所示:分别利用/>个子区域的高频信息损失灰度图以及低频信息损失灰度图进行图像拼接获得柔性电路板的高频信息损失灰度图以及柔性电路板的低频信息损失灰度图。
步骤S32:利用直方图均衡化算法分别对高频信息损失灰度图像和低频信息损失灰度图像进行灰度均衡处理。
利用直方图均衡化算法对柔性电路板高频信息损失灰度图以及低频信息损失灰度图分别进行灰度值平衡。
步骤S33:利用图像分割算法和缺陷检测算法对灰度均衡处理后的图像进行处理,以进行缺陷检测和分割。
利用现有的图像分割算法(例如大津阈值分割法)对图像进行整体的阈值分割并利用缺陷检测算法进行缺陷区域的检测即可。
现有技术中,利用图像分割算法柔性电路板进行缺陷区域的分割的时候分割不准确以及分割速度较慢是因为柔性电路板的图像较为复杂,在进行检测的时候往往参与了大量的不相关的信息,而大量的不相关的信息使得柔性电路板中的缺陷区域的识别是有着较多的感染以及不必要的计算参与,所以使得分割不准确以及分割速度较慢。而本申请通过频域滤波的方式可以有效的对柔性电路板进行部分信息的过滤,所以本发明利用柔性电路板的不同的区域的复杂性对不同区域进行频域高低频信息遮罩滤波处理,滤除一些不必要的信息,使得图像简单化,以此来实现柔性电路板的缺陷区域的快速分割。
具体的,本申请的方法在对柔性电路板进行缺陷区域分割的时候,因为柔性电路板的图像信息局部较为复杂,从而使得常规的图像分割方法不仅不能准确的分割出柔性电路板的缺陷区域,并且因为图像的复杂使得计算量大所以分割时间较长。所以本发明通过对柔性电路板进行区域划分,而后利用不同区域的复杂程度对该区域的图像进行频域处理使得图像简单化,最后利用图像分割算法对其进行处理来实现缺陷区域的快速分割。
以上仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (6)
1.一种基于计算机视觉的柔性电路板缺陷区域快速分割方法,其特征在于,包括:
获取待处理电路板的待检测图像,基于所述待检测图像中像素点的频域对所述待检测图像进行区域分割,得到多个子区域;
计算每一所述子区域的复杂度,并基于所述复杂度计算每一所述子区域的频域遮罩大小;
利用所述频域遮罩大小对所述子区域进行处理,得到频域信息损失图;
基于所述频域信息损失图进行缺陷检测和分割;
基于所述复杂度计算每一所述子区域的频域遮罩大小,包括:
基于所述复杂度计算每一所述子区域的高频信息可损失率和低频信息可损失率;
基于所述高频信息可损失率、所述低频信息可损失率计算得到每一所述子区域对应的高频信息遮罩大小和低频信息遮罩大小;每一所述子区域的频域遮罩大小包括所述高频信息遮罩大小和所述低频信息遮罩大小,其中,所述频域遮罩大小为频域遮罩像素点数量;
利用所述频域遮罩大小对所述子区域进行处理,得到频域信息损失图,包括:
利用离散傅里叶变化方法对所述子区域进行处理,获取每一所述子区域对应的频域图像;
利用所述子区域对应的所述高频信息遮罩大小和所述低频信息遮罩大小对所述子区域对应的频域图像进行遮罩处理,得到频域信息损失图;
利用所述子区域对应的所述高频信息遮罩大小和所述低频信息遮罩大小对所述子区域对应的频域图像进行遮罩处理,得到频域信息损失图,包括:
利用所述子区域对应的所述高频信息遮罩大小以频域图像的边缘为起始,制作空心矩形遮罩;以及利用所述子区域对应的所述低频信息遮罩大小以频域图像的中心为起始,制作矩形遮罩;
利用空心矩阵遮罩对所述频域图像进行遮罩处理,得到高频信息损失图;以及利用矩形遮罩对所述频域图像进行遮罩处理,得到低频信息损失图;其中,所述频域信息损失图包括所述高频信息损失图和所述低频信息损失图;
基于所述频域信息损失图进行缺陷检测和分割,包括:
将所有所述子区域的高频信息损失图进行拼接,得到待处理电路板的高频信息损失灰度图像,将所有所述子区域的低频信息损失图进行拼接,得到待处理电路板的低频信息损失灰度图像;
利用直方图均衡化算法分别对所述高频信息损失灰度图像和所述低频信息损失灰度图像进行灰度均衡处理;
利用图像分割算法和缺陷检测算法对灰度均衡处理后的图像进行处理,以进行缺陷检测和分割。
2.根据权利要求1所述的基于计算机视觉的柔性电路板缺陷区域快速分割方法,其特征在于,计算每一所述子区域的复杂度,包括:
基于所述子区域中像素点的灰度值与所述子区域中像素点的灰度值均值的第一差异值确定所述子区域的低频信息复杂度;其中,所述第一差异值越小,则所述低频信息复杂度越高;
基于所述子区域中像素点的灰度值与所述像素点邻域内像素点的灰度值的第二差异值确定所述子区域的高频信息复杂度;其中,所述第二差异值越大,则所述高频信息复杂度越高;
基于所述低频信息复杂度以及所述高频信息复杂度确定每一所述子区域的复杂度。
3.根据权利要求1所述的基于计算机视觉的柔性电路板缺陷区域快速分割方法,其特征在于,基于所述待检测图像中像素点的频域对所述待检测图像进行区域分割,得到多个子区域,包括:
利用边缘检测算法对所述待检测图像进行边缘检测,得到边缘像素点集合;所述待检测图像为灰度图像;
基于所述边缘像素点的位置对所述边缘像素点集合进行聚类,得到多个类簇;
基于所述类簇对所述待检测图像进行区域分割,得到多个子区域。
4.根据权利要求1所述的基于计算机视觉的柔性电路板缺陷区域快速分割方法,其特征在于,基于所述复杂度计算每一所述子区域的高频信息可损失率和低频信息可损失率,包括:
计算高频信息可损失率的方式为:
;
其中,为第/>个子区域的像素点的总个数,/>为子区域的复杂度,/>为第/>个子区域的像素点为高频信息像素点的总体数量,/>计算方式为:
;
其中,为高频像素点个数计算系数,计算方式为:
;
其中,表示第/>个子区域的第/>个像素点的灰度值,/>表示第/>个像素点的周围邻域内第/>个像素点的灰度值,/>,;
计算低频信息可损失率的方式为:
;
其中,为第/>个子区域的像素点为低频信息像素点的总体数量,计算方式为:
;
其中,为低频像素点个数计算系数,计算方式为:
。
5.根据权利要求4所述的基于计算机视觉的柔性电路板缺陷区域快速分割方法,其特征在于,基于所述高频信息可损失率、所述低频信息可损失率计算得到每一所述子区域对应的高频信息遮罩大小和低频信息遮罩大小,包括:
每一所述子区域对应的高频信息遮罩大小计算方式为:
;
其中,表示第/>个子区域的灰度图在经过傅里叶变化之后的频域图像的像素点总个数;
每一所述子区域对应的低频信息遮罩大小计算方式为:
。
6.根据权利要求4所述的基于计算机视觉的柔性电路板缺陷区域快速分割方法,其特征在于,计算每一所述子区域的复杂度,包括:
利用如下公式计算每一子区域的复杂度:
;
其中,表示低频信息复杂度,/>表示归一化函数,表示高频信息复杂度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310759852.8A CN116503427B (zh) | 2023-06-27 | 2023-06-27 | 一种基于计算机视觉的柔性电路板缺陷区域快速分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310759852.8A CN116503427B (zh) | 2023-06-27 | 2023-06-27 | 一种基于计算机视觉的柔性电路板缺陷区域快速分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116503427A CN116503427A (zh) | 2023-07-28 |
CN116503427B true CN116503427B (zh) | 2023-09-22 |
Family
ID=87320549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310759852.8A Active CN116503427B (zh) | 2023-06-27 | 2023-06-27 | 一种基于计算机视觉的柔性电路板缺陷区域快速分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503427B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0829145A (ja) * | 1994-07-16 | 1996-02-02 | Ricoh Co Ltd | 表面欠陥検査方法 |
CN109345528A (zh) * | 2018-09-28 | 2019-02-15 | 凌云光技术集团有限责任公司 | 一种基于人眼视觉特性的显示屏缺陷检测方法及装置 |
CN113269773A (zh) * | 2021-06-08 | 2021-08-17 | 深圳市英视自动化科技有限公司 | 一种柔性fpc缺陷检测方法 |
CN114022439A (zh) * | 2021-11-01 | 2022-02-08 | 苏州科德软体电路板有限公司 | 一种基于形态学图像处理的柔性电路板缺陷检测方法 |
CN114581343A (zh) * | 2022-05-05 | 2022-06-03 | 南京大学 | 一种图像的修复方法、装置、电子设备及存储介质 |
CN114937004A (zh) * | 2022-04-28 | 2022-08-23 | 南通启锦智能科技有限公司 | 一种基于计算机视觉的机械零件表面气孔缺陷检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105407352A (zh) * | 2015-11-23 | 2016-03-16 | 小米科技有限责任公司 | 图像压缩方法、装置及服务器 |
-
2023
- 2023-06-27 CN CN202310759852.8A patent/CN116503427B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0829145A (ja) * | 1994-07-16 | 1996-02-02 | Ricoh Co Ltd | 表面欠陥検査方法 |
CN109345528A (zh) * | 2018-09-28 | 2019-02-15 | 凌云光技术集团有限责任公司 | 一种基于人眼视觉特性的显示屏缺陷检测方法及装置 |
CN113269773A (zh) * | 2021-06-08 | 2021-08-17 | 深圳市英视自动化科技有限公司 | 一种柔性fpc缺陷检测方法 |
CN114022439A (zh) * | 2021-11-01 | 2022-02-08 | 苏州科德软体电路板有限公司 | 一种基于形态学图像处理的柔性电路板缺陷检测方法 |
CN114937004A (zh) * | 2022-04-28 | 2022-08-23 | 南通启锦智能科技有限公司 | 一种基于计算机视觉的机械零件表面气孔缺陷检测方法 |
CN114581343A (zh) * | 2022-05-05 | 2022-06-03 | 南京大学 | 一种图像的修复方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于机器视觉的FPC补强片缺陷智能检测仿真;付会凯;;计算机仿真(02);390-394 * |
Also Published As
Publication number | Publication date |
---|---|
CN116503427A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108460757B (zh) | 一种手机TFT-LCD屏Mura缺陷在线自动检测方法 | |
CN110766679B (zh) | 镜头脏污检测方法、装置及终端设备 | |
CN108805023B (zh) | 一种图像检测方法、装置、计算机设备及存储介质 | |
CN111080661B (zh) | 基于图像的直线检测方法、装置以及电子设备 | |
CN115272346A (zh) | 一种基于边缘检测的pcb板生产过程在线检测方法 | |
CN110163219B (zh) | 基于图像边缘识别的目标检测方法 | |
CN116740070A (zh) | 基于机器视觉的塑料管道外观缺陷检测方法 | |
CN115775250A (zh) | 基于数字图像分析的金手指电路板缺陷快速检测系统 | |
CN113362306A (zh) | 一种基于深度学习的封装芯片缺陷检测方法 | |
CN115689948B (zh) | 用于检测建筑供水管道裂痕的图像增强方法 | |
CN110717922A (zh) | 一种图像清晰度评价方法及装置 | |
CN112862832B (zh) | 一种基于同心圆分割定位的脏污检测方法 | |
CN110648330A (zh) | 摄像头玻璃的缺陷检测方法 | |
CN113066088A (zh) | 工业检测中的检测方法、检测装置和存储介质 | |
CN116309649A (zh) | 一种基于ct影像的喉部病变异常区域分割系统 | |
WO2019127708A1 (zh) | 基于霍夫变换及高斯拟合的面内mura检测方法及检测系统 | |
CN112053302A (zh) | 高光谱图像的去噪方法、装置及存储介质 | |
CN111681181A (zh) | 一种织物表面起球程度的评价方法 | |
CN116168025A (zh) | 一种油幕式油炸花生生产系统 | |
CN116503427B (zh) | 一种基于计算机视觉的柔性电路板缺陷区域快速分割方法 | |
CN115994870A (zh) | 一种用于增强去噪的图像处理方法 | |
CN113673396B (zh) | 一种孢子发芽率计算方法、装置及存储介质 | |
CN117541585A (zh) | 一种锂电池极片露箔缺陷检测方法及装置 | |
CN109636749B (zh) | 图像处理方法 | |
CN109816609B (zh) | 一种基于傅里叶变换的数字pcr图像还原方法及其应用 |
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 |