CN116630240A - 一种aoi粒子压痕检测方法、装置及存储介质 - Google Patents
一种aoi粒子压痕检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116630240A CN116630240A CN202310483268.4A CN202310483268A CN116630240A CN 116630240 A CN116630240 A CN 116630240A CN 202310483268 A CN202310483268 A CN 202310483268A CN 116630240 A CN116630240 A CN 116630240A
- Authority
- CN
- China
- Prior art keywords
- image
- particle
- aoi
- algorithm
- pfc
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 187
- 238000001514 detection method Methods 0.000 title claims abstract description 64
- 238000007373 indentation Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims description 17
- 238000003384 imaging method Methods 0.000 claims abstract description 28
- 230000005856 abnormality Effects 0.000 claims description 29
- 238000002834 transmittance Methods 0.000 claims description 24
- 238000009434 installation Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000002708 enhancing effect Effects 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000006073 displacement reaction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000004804 winding Methods 0.000 claims description 10
- 238000003708 edge detection Methods 0.000 claims description 9
- 230000001678 irradiating effect Effects 0.000 claims description 6
- 238000000034 method Methods 0.000 abstract description 50
- 230000008569 process Effects 0.000 abstract description 30
- 238000004519 manufacturing process Methods 0.000 abstract description 16
- 230000002159 abnormal effect Effects 0.000 description 32
- 230000000694 effects Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 9
- 238000012797 qualification Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000005299 abrasion Methods 0.000 description 4
- 238000003475 lamination Methods 0.000 description 4
- 238000011282 treatment Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011179 visual inspection 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
- G06T7/0002—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
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
- G06T2207/20—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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一种AOI粒子压痕检测方法,包括:获取待测PFC排线的第一影像;基于AOI成像算法及第一影像,生成第二影像,所述第二影像至少包括粒子数量、气泡及区域裂纹;基于图像比对算法比较第二影像和预设影像数据,生成对应的识别结果,通过获取第一影像,再基于AOI成像算法,生成包含有粒子数量、气泡及区域裂纹这些数据的第二影像,最后通过图像比对算法比较第二影像和预设影像数据,生成对应的识别结果,针对于粒子数量、气泡及区域裂纹进行检测,以使自动检测的过程更加全面,使检测出的产品结果可靠性更高,从而使生产线成品合格率及产品的直通率更高,以生产成本更低。
Description
【技术领域】
本申请涉及通信技术领域,尤其涉及一种AOI粒子压痕检测方法、装置及存储介质。
【背景技术】
AOI(Auto Optical Inspection)即自动光学辨识系统,应用在电子行业的电路板组装生产线的外观检查并取代以往的人工目检,其基本原理是利用影像技术来比对待测物与标准影像是否有过大的差异来判断待测物有否符合标准,所以AOI的好坏基本上也取决于其对影像的解析度、成像能力与影像辨析技术。
而随着技术的进步,AOI技术也逐渐运用到屏幕IC的粒子压痕及屏幕上的PFC排线的粒子压痕的检测上,然而,现有的自动粒子压痕检测装置没有针对粒子数量、气泡及区域裂纹进行检测,仅仅针对于IC崩角或崩边进行检测,对于排线上的粒子数量、气泡及区域裂纹的检测不够全面,导致其检测出的产品结果可靠性更低,很难保证生产线成品具有较高的合格率,造成产品的直通率下降,且不良品率增多容易导致生产成本增加,利润降低。
【发明内容】
为了解决现有技术的自动粒子压痕检测装置对排线上的粒子数量、气泡及区域裂纹的检测不够全面,导致其检测出的产品结果可靠性更低,很难保证生产线成品具有较高的合格率,造成产品的直通率下降的问题。本发明提出了一种AOI粒子压痕检测方法,通过获取第一影像,再基于AOI成像算法,生成第二影像,最后通过图像比对算法及预设影像数据,生成对应的识别结果。
本发明提出了如下方案:
一种AOI粒子压痕检测方法,包括:
获取待测PFC排线的第一影像;
基于AOI成像算法及第一影像,生成第二影像,所述第二影像至少包括粒子数量、气泡及区域裂纹;
基于图像比对算法比较第二影像和预设影像数据,生成对应的识别结果。
如上所述的AOI粒子压痕检测方法,所述获取待测PFC排线的第一影像的步骤,包括:
根据预设的光源角度和光源强度,获取待测PFC排线表面反射的光线;
根据待测PFC排线表面反射的光线,生成二维平面影像;
根据二维平面影像,确定第一影像。
如上所述的AOI粒子压痕检测方法,所述根据预设的光源角度和光源强度,获取待测PFC排线表面反射的光线的步骤,包括:
获取待测PFC排线的安装角度及排线型号;
根据待测PFC排线的安装角度,确定光源角度;
根据排线型号,确定待测PFC排线的透光性及厚度;
根据所述透光性及厚度,确定光源强度;
根据所述光源角度和光源强度照射所述待测PFC排线,获取待测PFC排线表面反射的光线。
如上所述的AOI粒子压痕检测方法,所述基于AOI成像算法及第一影像,生成第二影像,所述第二影像至少包括粒子数量、气泡及区域裂纹的步骤,包括:
基于AOI成像算法,预处理第一影像获得第三影像,所述预处理至少包括对第一影像进行去噪、平滑、增强;
基于阈值分割算法及边缘检测算法,确定第三影像中的粒子数量、粒子大小及粒子形状;
基于Yolov3算法及第一影像,生成区域裂纹数据及气泡数据;
基于k-means++算法、粒子大小、粒子形状、区域裂纹数据及气泡数据,确定所述粒子的种类;
根据所述第一影像和分类后的粒子,生成第二影像。
如上所述的AOI粒子压痕检测方法,所述基于图像比对算法比较第二影像和预设影像数据,生成对应的识别结果的步骤,包括:
基于图像比对算法比较第二影像和预设影像数据,确定粒子异常阈值;
根据粒子异常阈值,生成对应的识别结果,所述识别结果至少包括正常、临界异常及异常。
一种AOI粒子压痕检测装置,包括:
获取模块,用于获取待测PFC排线的第一影像;
第一生成模块,用于基于AOI成像算法及第一影像,生成第二影像,所述第二影像至少包括粒子数量、气泡及区域裂纹;
第二生成模块,用于基于图像比对算法比较第二影像和预设影像数据,生成对应的识别结果。
如上所述的AOI粒子压痕检测装置,所述获取模块包括:
获取单元,用于根据预设的光源角度和光源强度,获取待测PFC排线表面反射的光线;
第一生成单元,用于根据待测PFC排线表面反射的光线,生成二维平面影像;
第一确定单元,用于根据二维平面影像,确定第一影像;
所述获取单元包括:
第一获取子单元,用于获取待测PFC排线的安装角度及排线型号;
第一确定子单元,用于根据待测PFC排线的安装角度,确定光源角度;
第二确定子单元,用于根据排线型号,确定待测PFC排线的透光性及厚度;
第三确定子单元,用于根据所述透光性及厚度,确定光源强度;
第二获取子单元,用于根据所述光源角度和光源强度照射所述待测PFC排线,获取待测PFC排线表面反射的光线;
所述第一生成模块包括:
处理单元,用于基于AOI成像算法,预处理第一影像获得第三影像,所述预处理至少包括对第一影像进行去噪、平滑、增强;
第二确定单元,用于基于阈值分割算法及边缘检测算法,确定第三影像中的粒子数量、粒子大小及粒子形状;
第二生成单元,用于基于Yolov3算法及第一影像,生成区域裂纹数据及气泡数据;
第三确定单元,用于基于k-means++算法、粒子大小、粒子形状、区域裂纹数据及气泡数据,确定所述粒子的种类;
第三生成单元,用于根据所述第一影像和分类后的粒子,生成第二影像;
所述第二生成模块包括:
第四确定单元,用于基于图像比对算法比较第二影像和预设影像数据,确定粒子异常阈值;
第四生成单元,用于根据粒子异常阈值,生成对应的识别结果,所述识别结果至少包括正常、临界异常及异常。
一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被AOI粒子压痕检测装置执行时,实现如上所述的AOI粒子压痕检测方法。
一种计算机设备,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行所述计算机程序时实现如上所述的AOI粒子压痕检测方法。
本发明实施例通过获取第一影像,再基于AOI成像算法,生成包含有粒子数量、气泡及区域裂纹这些数据的第二影像,最后通过图像比对算法比较第二影像和预设影像数据,生成对应的识别结果,针对于粒子数量、气泡及区域裂纹进行检测,以使自动检测的过程更加全面,使检测出的产品结果可靠性更高,从而使生产线成品合格率及产品的直通率更高,以生产成本更低。
【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,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取其他的附图。
图1是本发明第一实施例的AOI粒子压痕检测方法流程图;
图2是图1中步骤S11的详细流程图;
图3是图2中步骤S111的详细流程图;
图4是图1中步骤S12的详细流程图;
图5是图1中步骤S13的详细流程图;
图6是本发明第二实施例的AOI粒子压痕检测方法流程图;
图7是本发明第三实施例的AOI粒子压痕检测装置的结构框图;
图8是图6中获取模块的详细结构框图;
图9是图8中获取单元的详细结构框图;
图10是图6中第一生成模块的详细结构框图;
图11是图6中第二生成模块的详细结构框图;
图12是本发明又一实施例的计算机设备的结构框图。
【具体实施方式】
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,众所周知的模块、单元及其相互之间的连接、链接、通信或操作没有示出或未作详细说明。并且,所描述的特征、架构或功能可在一个或一个以上实施方式中以任何方式组合。本领域技术人员应当理解,下述的各种实施方式只用于举例说明,而非用于限制本发明的保护范围。还可以容易理解,本文所述和附图所示的各实施方式中的模块或单元或处理方式可以按各种不同配置进行组合和设计。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例,都属于本发明保护的范围。
下述实施例中所指的对各种名词或方法的限定,除了在逻辑上无法成立的情况外,所述名词或方法通常以在实施例中公开内容的前提下可以实施的广义概念为准,在这样的理解下,所述名词或方法的各种具体的下位特定限定均应当视为本发明的发明内容,而不应当以说明书未公开该特定限定为由,对其进行狭义的理解或产生偏见性的解释。示例性的,当本发明提及云平台时,不仅包括虚拟网络服务器,还包括真实的物理设备,其不仅具有数据存储的能力,也可以具有数据运算,智能分析和推理的能力。同理,在逻辑上可以实现的前提下,方法中的各步骤的顺序是灵活多变的,对各种名词或方法的广义概念中的具体的下位特定限定,都属于本发明保护的范围。
第一实施例:
请参照图1到图5所示,本实施例提出了一种AOI粒子压痕检测方法,包括S11-S13,其中:
S11、获取待测PFC排线的第一影像。
本实施例在检测开始前,通过检测装置上设有的CCD摄像装置对待测PFC排线的影像进行获取,所述待测PFC排线的影像包括屏幕IC的粒子压痕影像以及屏幕上的PFC排线的粒子压痕影像,从而针对于上述两影像信息进行判断,从而确定排线上及屏幕IC的粒子是否出现异常状况,使检测过程更准确。
作为一种优选方案而非具体限定,所述步骤S11包括S111-S113,其中:
S111、根据预设的光源角度和光源强度,获取待测PFC排线表面反射的光线。
本实施例在测试开始前,需要根据不同型号的排线确定出不同的光源,其中涉及光源角度及光源强度,以准确获取待测PFC排线表面反射的光线,从而更好地获取到所述待测PFC排线的影像信息,使检测过程更准确。
作为一种优选方案而非具体限定,所述步骤S111包括S1111-S1115,其中:
S1111、获取待测PFC排线的安装角度及排线型号。
本实施例通过获取对应待测PFC排线的安装角度及排线型号,再进行确定光源的方式,能够更为精准地获取到所述待测PFC排线表面反射的光线,从而更好地获取到待测PFC排线的影像,由于本实施例的检测主要针对于屏幕排线及屏幕IC进行测试,故所述安装角度主要针对于不同型号的屏幕大小设定,且在测试之前的放置过程中,由于设备的安装位置不精准使得屏幕的角度会出现倾斜,此外,不同型号的排线其透光性或厚度会有一定的偏差,通过对这两个进行确定,以使调整出的光源更好,使测试过程更稳定。
S1112、根据待测PFC排线的安装角度,确定光源角度。
本实施例根据待测PFC排线的实际安装角度,包括于平面的旋转角度变化,确定出的位置较为精准,可以更好地确定出光源的角度,以使映射出的图像更清晰。
S1113、根据排线型号,确定待测PFC排线的透光性及厚度。
本实施例根据获取到的排线型号,按照系统中预存有的对型号的待测PFC排线数据,从中筛选出其透光性和厚度的数据,所述透光性参照发出光源值及穿透后的光源值进行比对,其公式如下:
S=(a/b)*100%
其中,S为透光性,a为穿透后的光源值,b为发出光源值。
S1114、根据所述透光性及厚度,确定光源强度。
本实施例通过透光性及厚度,确定出需要发出的光源强度,以使反射出的光线强度适宜,从而使获取的影像足够清晰,从而使自动检测出来的效果更好。
S1115、根据所述光源角度和光源强度照射所述待测PFC排线,获取待测PFC排线表面反射的光线。
本实施例确定好光源角度和光源强度之后,按照预设的光源强度和对应的角度照射所述待测PFC排线,使待测PFC排线反射出光线到CCD相机中,CCD相机收集对应的影像数据,从而更好地获取到所述待测PFC排线的影像信息,使检测过程更准确。
S112、根据待测PFC排线表面反射的光线,生成二维平面影像。
本实施通过上述过程获取到的待测PFC排线表面反射的光线,依据光线情况,进行分析转换,依据阴影面的不同,构建出二维平面影像,能够使第一影像数据更为清晰。
S113、根据二维平面影像,确定第一影像。
本实施例根据确定好的二维平面影像,经过计算机的数据转换,生成第一影像,以使检测的影像更精准可靠。
S12、基于AOI成像算法及第一影像,生成第二影像,所述第二影像至少包括粒子数量、气泡及区域裂纹。
本实施例通过采用AOI成像算法对第一影像进行拆解分析,以使其生成便于处理的第二影像,该影像数据至少包括有粒子数量、气泡及区域裂纹,从而确定待测PFC排线是否有出现异常的情况,以使后续的对比效果更明显,测试结果更全面,更精准。
本实施例中所涉及的粒子AOI是一种利用光学原理进行粒子检测的技术,其算法主要用于对图像进行去噪、平滑、增强等的处理,再进行看粒子的检测,通过光学成像和图像处理技术,对图像进行处理和分析,实现对粒子的检测和分类。
作为一种优选方案而非具体限定,所述步骤S12包括S121-S125,其中:
S121、基于AOI成像算法,预处理第一影像获得第三影像,所述预处理至少包括对第一影像进行去噪、平滑、增强。
本实施例首先通过AOI成像算法对图像进行第一步的去噪、平滑、增强处理,以使图像特征更为明显,通过获取到的第三影像,其测算出的数据更精准,检测效果更好。
S122、基于阈值分割算法及边缘检测算法,确定第三影像中的粒子数量、粒子大小及粒子形状。
本实施例通过阈值分割算法对第三影像进行区域分割,确定出不同区域的粒子数量,再根据边缘检测算法对粒子的边缘进行检测,最终获取到第三影像中的粒子大小及粒子形状,以使检测效果更精准。
S123、基于Yolov3算法及第一影像,生成区域裂纹数据及气泡数据。
本实施例基于Yolov3算法对第一影像中的区域裂纹数据及气泡数据目标进行检测,能够稳定高效地确定出区域裂纹数据及气泡数据,所述气泡指压合粒子过程中出现的一些过程压合导致PFC排线出现的磨损,状如气泡,所述的区域裂纹指待测PFC排线上的裂痕等数据。
S124、基于k-means++算法、粒子大小、粒子形状、区域裂纹数据及气泡数据,确定所述粒子的种类。
本实施例通过k-means++算法对粒子大小、粒子形状、区域裂纹数据及气泡数据等数据进行聚类,将不同粒子大小,粒子形状,如圆形和椭圆形的不同等进行区分,以及影像中是否存在气泡等等,所述气泡是在压合粒子的时候产生的。
S125、根据所述第一影像和分类后的粒子,生成第二影像。
本实施例根据第一影像数据和分类后的结果,进行融合确定,生成了第二影像,该第二影像数据由于经过处理,能够较好地进行分析辨识,生成结果更精准,更可靠。
S13、基于图像比对算法比较第二影像和预设影像数据,生成对应的识别结果。
本实施例通过图像比对算法进行比对第二影像和预设影像数据,从而确定出待测PFC排线上的粒子是否出现了异常情况,确定过程较为精准可靠。
本实施例所述图像比对算法通过像素点比对算法、重心比对算法、投影比对算法或分块比对算法进行比对确定,该类算法通过将图像看成一个矩阵,矩阵中的元素是一个颜色值,这个值由RGB三个参数构成,这三个参数的取值范围为0~255。当然图片的表示不只有RGB这一种,其他类型不再详述。由于0~255的范围太大了,需要将图片进行降维——二值化。二值化将图片变成只由黑色和白色,可以使用OTSU算法。我们再将黑色用1表示,白色用0表示,这样就得到一个矩阵,矩阵中只有数字0和1组成。
作为一种优选方案而非具体限定,所述步骤S13包括S131-S132,其中:
S131、基于图像比对算法比较第二影像和预设影像数据,确定粒子异常阈值。
本实施例为了确定粒子异常,设定了一个阈值区间,在区间范围内的异常视为正常情况,超出阈值的视为粒子情况异常,以避免出现误判的情况,测试过程更精准。
S132、根据粒子异常阈值,生成对应的识别结果,所述识别结果至少包括正常、临界异常及异常。
本实施例通过设定一定的粒子阈值之后,根据粒子异常阈值数据分化为正常、临界异常及异常三部分数据,在阈值范围内则为正常阈值,识别为正常结果,刚好在阈值线上为临界阈值,识别为临界结果,阈值超出阈值范围则为异常阈值,识别为异常结果,通过对结果的分化,其效果更好。
本实施例通过获取第一影像,再基于AOI成像算法,生成包含有粒子数量、气泡及区域裂纹这些数据的第二影像,最后通过图像比对算法比较第二影像和预设影像数据,生成对应的识别结果,针对于粒子数量、气泡及区域裂纹进行检测,以使自动检测的过程更加全面,使检测出的产品结果可靠性更高,从而使生产线成品合格率及产品的直通率更高,以生产成本更低。
第二实施例:
请参照图6所示,本实施例还提供了一种AOI粒子压痕检测方法,可以执行于上述第一实施例的S11之后S12之前,是为第一实施例的一种替换实施方式,S12及之后步骤亦做出同步替换,所述AOI粒子压痕检测方法包括S31-S33,其中:
S201、获取待测PFC排线的安装角度及排线型号。
本实施例通过获取对应待测PFC排线的安装角度及排线型号,再进行确定光源的方式,能够更为精准地获取到所述待测PFC排线表面反射的光线,从而更好地获取到待测PFC排线的影像,由于本实施例的检测主要针对于屏幕排线及屏幕IC进行测试,故所述安装角度主要针对于不同型号的屏幕大小设定,且在测试之前的放置过程中,由于设备的安装位置不精准使得屏幕的角度会出现倾斜,此外,不同型号的排线其透光性或厚度会有一定的偏差,通过对这两个进行确定,以使调整出的光源更好,使测试过程更稳定。
S202、根据待测PFC排线的安装角度,确定光源角度。
本实施例根据待测PFC排线的实际安装角度,包括于平面的旋转角度变化,确定出的位置较为精准,可以更好地确定出光源的角度,以使映射出的图像更清晰。
S203、根据排线型号,确定待测PFC排线的透光性及厚度。
本实施例根据获取到的排线型号,按照系统中预存有的对型号的待测PFC排线数据,从中筛选出其透光性和厚度的数据,所述透光性参照发出光源值及穿透后的光源值进行比对,其公式如下:
S=(a/b)*100%
其中,S为透光性,a为穿透后的光源值,b为发出光源值。
S204、根据所述透光性及厚度,确定光源强度。
本实施例通过透光性及厚度,确定出需要发出的光源强度,以使反射出的光线强度适宜,从而使获取的影像足够清晰,从而使自动检测出来的效果更好。
S205、根据所述光源角度和光源强度照射所述待测PFC排线,获取待测PFC排线表面反射的光线。
本实施例确定好光源角度和光源强度之后,按照预设的光源强度和对应的角度照射所述待测PFC排线,使待测PFC排线反射出光线到CCD相机中,CCD相机收集对应的影像数据,从而更好地获取到所述待测PFC排线的影像信息,使检测过程更准确。
S206、基于AOI成像算法,预处理第一影像获得第三影像,所述预处理至少包括对第一影像进行去噪、平滑、增强。
本实施例通过采用AOI成像算法对第一影像进行拆解分析,以使其生成便于处理的第二影像,该影像数据至少包括有粒子数量、气泡及区域裂纹,从而确定待测PFC排线是否有出现异常的情况,以使后续的对比效果更明显,测试结果更全面,更精准。
本实施例中所涉及的粒子AOI是一种利用光学原理进行粒子检测的技术,其算法主要用于对图像进行去噪、平滑、增强等的处理,再进行看粒子的检测,通过光学成像和图像处理技术,对图像进行处理和分析,实现对粒子的检测和分类。
本实施例首先通过AOI成像算法对图像进行第一步的去噪、平滑、增强处理,以使图像特征更为明显,通过获取到的第三影像,其测算出的数据更精准,检测效果更好。
S207、基于阈值分割算法及边缘检测算法,确定第三影像中的粒子数量、粒子大小及粒子形状。
本实施例通过阈值分割算法对第三影像进行区域分割,确定出不同区域的粒子数量,再根据边缘检测算法对粒子的边缘进行检测,最终获取到第三影像中的粒子大小及粒子形状,以使检测效果更精准。
S208、基于Yolov3算法及第一影像,生成区域裂纹数据及气泡数据。
本实施例基于Yolov3算法对第一影像中的区域裂纹数据及气泡数据目标进行检测,能够稳定高效地确定出区域裂纹数据及气泡数据,所述气泡指压合粒子过程中出现的一些过程压合导致PFC排线出现的磨损,状如气泡,所述的区域裂纹指待测PFC排线上的裂痕等数据。
S209、基于k-means++算法、粒子大小、粒子形状、区域裂纹数据及气泡数据,确定所述粒子的种类。
本实施例通过k-means++算法对粒子大小、粒子形状、区域裂纹数据及气泡数据等数据进行聚类,将不同粒子大小,粒子形状,如圆形和椭圆形的不同等进行区分,以及影像中是否存在气泡等等,所述气泡是在压合粒子的时候产生的。
S210、根据所述第一影像和分类后的粒子,生成第二影像。
本实施例根据第一影像数据和分类后的结果,进行融合确定,生成了第二影像,该第二影像数据由于经过处理,能够较好地进行分析辨识,生成结果更精准,更可靠。
S211、基于图像比对算法比较第二影像和预设影像数据,确定粒子异常阈值。
本实施例通过图像比对算法进行比对第二影像和预设影像数据,从而确定出待测PFC排线上的粒子是否出现了异常情况,设定了一个阈值区间,在区间范围内的异常视为正常情况,超出阈值的视为粒子情况异常,以避免出现误判的情况,测试过程更精准,确定过程较为精准可靠。
本实施例所述图像比对算法通过像素点比对算法、重心比对算法、投影比对算法或分块比对算法进行比对确定,该类算法通过将图像看成一个矩阵,矩阵中的元素是一个颜色值,这个值由RGB三个参数构成,这三个参数的取值范围为0~255。当然图片的表示不只有RGB这一种,其他类型不再详述。由于0~255的范围太大了,需要将图片进行降维——二值化。二值化将图片变成只由黑色和白色,可以使用OTSU算法。我们再将黑色用1表示,白色用0表示,这样就得到一个矩阵,矩阵中只有数字0和1组成。
S212、根据粒子异常阈值,生成对应的识别结果,所述识别结果至少包括正常、临界异常及异常。
本实施例通过设定一定的粒子阈值之后,根据粒子异常阈值数据分化为正常、临界异常及异常三部分数据,在阈值范围内则为正常阈值,识别为正常结果,刚好在阈值线上为临界阈值,识别为临界结果,阈值超出阈值范围则为异常阈值,识别为异常结果,通过对结果的分化,其效果更好。
本实施例通过获取第一影像,再基于AOI成像算法,生成包含有粒子数量、气泡及区域裂纹这些数据的第二影像,最后通过图像比对算法比较第二影像和预设影像数据,生成对应的识别结果,针对于粒子数量、气泡及区域裂纹进行检测,以使自动检测的过程更加全面,使检测出的产品结果可靠性更高,从而使生产线成品合格率及产品的直通率更高,以生产成本更低。
第三实施例:
请参照图7到图11所示,本实施例提出了一种AOI粒子压痕检测装置100,包括获取模块110、第一生成模块120和第二生成模块130,其中:
获取模块110,和第一生成模块120连接,用于获取待测PFC排线的第一影像。
作为一种优选方案而非具体限定,所述获取模块110包括获取单元111、第一生成单元112和第一确定单元113,其中:
获取单元111,和第一生成单元112连接,用于根据预设的光源角度和光源强度,获取待测PFC排线表面反射的光线。
所述获取单元111包括第一获取子单元1111、第一确定子单元1112、第二确定子单元1113、第三确定子单元1114和第二获取子单元1115,其中:
第一获取子单元1111,和第一确定子单元1112连接,用于获取待测PFC排线的安装角度及排线型号。
第一确定子单元1112,和第二确定子单元1113连接,用于根据待测PFC排线的安装角度,确定光源角度。
第二确定子单元1113,和第三确定子单元1114连接,用于根据排线型号,确定待测PFC排线的透光性及厚度。
第三确定子单元1114,和第二获取子单元1115连接,用于根据所述透光性及厚度,确定光源强度。
第二获取子单元1115,用于根据所述光源角度和光源强度照射所述待测PFC排线,获取待测PFC排线表面反射的光线。
第一生成单元112,和第一确定单元113连接,用于根据待测PFC排线表面反射的光线,生成二维平面影像。
第一确定单元113,用于根据二维平面影像,确定第一影像。
第一生成模块120,和第二生成模块130连接,用于基于AOI成像算法及第一影像,生成第二影像,所述第二影像至少包括粒子数量、气泡及区域裂纹。
作为一种优选方案而非具体限定,所述第一生成模块120包括处理单元121、第二确定单元122、第二生成单元123、第三确定单元124和第三生成单元125,其中:
处理单元121,和第二确定单元122连接,用于基于AOI成像算法,预处理第一影像获得第三影像,所述预处理至少包括对第一影像进行去噪、平滑、增强。
第二确定单元122,和第二生成单元123连接,用于基于阈值分割算法及边缘检测算法,确定第三影像中的粒子数量、粒子大小及粒子形状。
第二生成单元123,和第三确定单元124连接,用于基于Yolov3算法及第一影像,生成区域裂纹数据及气泡数据。
第三确定单元124,和第三生成单元125连接,用于基于k-means++算法、粒子大小、粒子形状、区域裂纹数据及气泡数据,确定所述粒子的种类。
第三生成单元125,用于根据所述第一影像和分类后的粒子,生成第二影像。
第二生成模块130,用于基于图像比对算法比较第二影像和预设影像数据,生成对应的识别结果。
作为一种优选方案而非具体限定,所述第二生成模块130包括第四确定单元131和第四生成单元132,其中:
第四确定单元131,和第四生成单元132连接,用于基于图像比对算法比较第二影像和预设影像数据,确定粒子异常阈值。
第四生成单元132,用于根据粒子异常阈值,生成对应的识别结果,所述识别结果至少包括正常、临界异常及异常。
本实施例通过获取第一影像,再基于AOI成像算法,生成包含有粒子数量、气泡及区域裂纹这些数据的第二影像,最后通过图像比对算法比较第二影像和预设影像数据,生成对应的识别结果,针对于粒子数量、气泡及区域裂纹进行检测,以使自动检测的过程更加全面,使检测出的产品结果可靠性更高,从而使生产线成品合格率及产品的直通率更高,以生产成本更低。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明实施例还提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述各实施例中的一种AOI粒子压痕检测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各一种AOI粒子压痕检测方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态R一种AOI粒子压痕检测方法M(DRAM)、同步DRAM(SDRAM)、双数据率SDR一种AOI粒子压痕检测方法M(DDRSDRAM)、增强型SDR一种AOI粒子压痕检测方法M(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。与上述的计算机存储介质对应的是,在一个实施例中还提供一种计算机设备,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行程序时实现如上述各实施例中的一种AOI粒子压痕检测方法。
该计算机设备可以是终端,其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种AOI粒子压痕检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本实施例通过获取第一影像,再基于AOI成像算法,生成包含有粒子数量、气泡及区域裂纹这些数据的第二影像,最后通过图像比对算法比较第二影像和预设影像数据,生成对应的识别结果,针对于粒子数量、气泡及区域裂纹进行检测,以使自动检测的过程更加全面,使检测出的产品结果可靠性更高,从而使生产线成品合格率及产品的直通率更高,以生产成本更低。
以上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。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种AOI粒子压痕检测方法,其特征在于,包括:
获取待测PFC排线的第一影像;
基于AOI成像算法及第一影像,生成第二影像,所述第二影像至少包括粒子数量、气泡及区域裂纹;
基于图像比对算法比较第二影像和预设影像数据,生成对应的识别结果。
2.根据权利要求1所述的AOI粒子压痕检测方法,其特征在于,所述获取待测PFC排线的第一影像的步骤,包括:
根据预设的光源角度和光源强度,获取待测PFC排线表面反射的光线;
根据待测PFC排线表面反射的光线,生成二维平面影像;
根据二维平面影像,确定第一影像。
3.根据权利要求2所述的AOI粒子压痕检测方法,其特征在于,所述根据预设的光源角度和光源强度,获取待测PFC排线表面反射的光线的步骤,包括:
获取待测PFC排线的安装角度及排线型号;
根据待测PFC排线的安装角度,确定光源角度;
根据排线型号,确定待测PFC排线的透光性及厚度;
根据所述透光性及厚度,确定光源强度;
根据所述光源角度和光源强度照射所述待测PFC排线,获取待测PFC排线表面反射的光线。
4.根据权利要求1所述的AOI粒子压痕检测方法,其特征在于,所述基于AOI成像算法及第一影像,生成第二影像,所述第二影像至少包括粒子数量、气泡及区域裂纹的步骤,包括:
基于AOI成像算法,预处理第一影像获得第三影像,所述预处理至少包括对第一影像进行去噪、平滑、增强;
基于阈值分割算法及边缘检测算法,确定第三影像中的粒子数量、粒子大小及粒子形状;
基于Yolov3算法及第一影像,生成区域裂纹数据及气泡数据;
基于k-means++算法、粒子大小、粒子形状、区域裂纹数据及气泡数据,确定所述粒子的种类;
根据所述第一影像和分类后的粒子,生成第二影像。
5.根据权利要求1所述的AOI粒子压痕检测方法,其特征在于,所述基于图像比对算法比较第二影像和预设影像数据,生成对应的识别结果的步骤,包括:
基于图像比对算法比较第二影像和预设影像数据,确定粒子异常阈值;
根据粒子异常阈值,生成对应的识别结果,所述识别结果至少包括正常、临界异常及异常。
6.一种AOI粒子压痕检测装置,其特征在于,包括:
获取模块,用于获取待测PFC排线的第一影像;
第一生成模块,用于基于AOI成像算法及第一影像,生成第二影像,所述第二影像至少包括粒子数量、气泡及区域裂纹;
第二生成模块,用于基于图像比对算法比较第二影像和预设影像数据,生成对应的识别结果。
7.根据权利要求6所述的AOI粒子压痕检测装置,其特征在于,所述获取模块包括:
获取单元,用于根据预设的光源角度和光源强度,获取待测PFC排线表面反射的光线;
第一生成单元,用于根据待测PFC排线表面反射的光线,生成二维平面影像;
第一确定单元,用于根据二维平面影像,确定第一影像;
所述获取单元包括:
第一获取子单元,用于获取待测PFC排线的安装角度及排线型号;
第一确定子单元,用于根据待测PFC排线的安装角度,确定光源角度;
第二确定子单元,用于根据排线型号,确定待测PFC排线的透光性及厚度;
第三确定子单元,用于根据所述透光性及厚度,确定光源强度;
第二获取子单元,用于根据所述光源角度和光源强度照射所述待测PFC排线,获取待测PFC排线表面反射的光线;
所述第一生成模块包括:
处理单元,用于基于AOI成像算法,预处理第一影像获得第三影像,所述预处理至少包括对第一影像进行去噪、平滑、增强;
第二确定单元,用于基于阈值分割算法及边缘检测算法,确定第三影像中的粒子数量、粒子大小及粒子形状;
第二生成单元,用于基于Yolov3算法及第一影像,生成区域裂纹数据及气泡数据;
第三确定单元,用于基于k-means++算法、粒子大小、粒子形状、区域裂纹数据及气泡数据,确定所述粒子的种类;
第三生成单元,用于根据所述第一影像和分类后的粒子,生成第二影像;
所述第二生成模块包括:
第四确定单元,用于基于图像比对算法比较第二影像和预设影像数据,确定粒子异常阈值;
第四生成单元,用于根据粒子异常阈值,生成对应的识别结果,所述识别结果至少包括正常、临界异常及异常。
8.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,当所述计算机程序被AOI粒子压痕检测装置执行时,实现如权利要求1-5任一项所述的AOI粒子压痕检测方法。
9.一种计算机设备,其特征在于,该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行所述计算机程序时实现如权利要求1-5任一项所述的AOI粒子压痕检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310483268.4A CN116630240A (zh) | 2023-04-28 | 2023-04-28 | 一种aoi粒子压痕检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310483268.4A CN116630240A (zh) | 2023-04-28 | 2023-04-28 | 一种aoi粒子压痕检测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116630240A true CN116630240A (zh) | 2023-08-22 |
Family
ID=87601707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310483268.4A Pending CN116630240A (zh) | 2023-04-28 | 2023-04-28 | 一种aoi粒子压痕检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116630240A (zh) |
-
2023
- 2023-04-28 CN CN202310483268.4A patent/CN116630240A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10885618B2 (en) | Inspection apparatus, data generation apparatus, data generation method, and data generation program | |
KR102058427B1 (ko) | 검사 장치 및 방법 | |
US11189019B2 (en) | Method for detecting defects, electronic device, and computer readable medium | |
CN111612757B (zh) | 一种屏幕裂纹的检测方法、装置、设备及存储介质 | |
TW201310359A (zh) | 用於識別材料中之缺陷之系統及方法 | |
US10679094B2 (en) | Automatic ruler detection | |
CN114897847A (zh) | 图像处理方法及装置、计算机可读存储介质、电子设备 | |
CN109791089B (zh) | 检查装置、检查方法以及计算机可读取的记录介质 | |
CN110660072A (zh) | 一种直线边缘的识别方法、装置、存储介质及电子设备 | |
CN110998599B (zh) | 具有散射光图像检测的光学指纹传感器 | |
CN116309518A (zh) | 一种基于计算机视觉的pcb电路板检测方法及系统 | |
US9508006B2 (en) | System and method for identifying trees | |
CN110879131A (zh) | 目视光学系统的成像质量测试方法、成像质量测试装置和电子设备 | |
US9946918B2 (en) | Symbol detection for desired image reconstruction | |
JP2007316019A (ja) | 表面欠陥検査装置 | |
KR102269741B1 (ko) | 머신러닝을 이용한 오버랩 패턴의 엑스선 검사 방법 | |
CN114155179A (zh) | 光源缺陷检测方法、装置、设备和存储介质 | |
CN116993654B (zh) | 摄像头模组缺陷检测方法、装置、设备、存储介质及产品 | |
KR20160095381A (ko) | 투명전극 필름의 광학 검사방법 | |
CN116630240A (zh) | 一种aoi粒子压痕检测方法、装置及存储介质 | |
CN110634124A (zh) | 一种区域检测的方法及设备 | |
EP4352451A1 (en) | Texture mapping to polygonal models for industrial inspections | |
CN114627114B (zh) | 产品缺陷严重程度测量方法及系统及装置及介质 | |
WO2024044942A1 (zh) | 视觉检测系统的点检方法和装置 | |
JP7245451B2 (ja) | オブジェクト検出方法、オブジェクト検出装置及びコンピュータプログラム |
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 |