CN116664529A - 一种基于特征识别的电子元件排线校对方法 - Google Patents
一种基于特征识别的电子元件排线校对方法 Download PDFInfo
- Publication number
- CN116664529A CN116664529A CN202310652642.9A CN202310652642A CN116664529A CN 116664529 A CN116664529 A CN 116664529A CN 202310652642 A CN202310652642 A CN 202310652642A CN 116664529 A CN116664529 A CN 116664529A
- Authority
- CN
- China
- Prior art keywords
- flat cable
- image data
- image
- electronic element
- electronic component
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004519 manufacturing process Methods 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012797 qualification Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 229940088597 hormone Drugs 0.000 claims 1
- 239000005556 hormone Substances 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 16
- 238000012545 processing Methods 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000004804 winding Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000005476 soldering Methods 0.000 description 1
- 238000006467 substitution reaction 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
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- 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
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)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及电子元件装配技术领域,具体涉及一种基于特征识别的电子元件排线校对方法,包括:获取电子元件上排线区域图像数据,对电子元件上排线区域图像数据进行储存,同步上传电子元件上排线区域标准排线虚拟模型,依次于储存的电子元件上排线区域图像数据中选择图像,对选择的图像数据进行图像中排线路径图像的嗅探;本发明中方法通过电子元件图像数据的获取,在电子元件生产过程中实现了排线校对功能,在电子元件排线校对阶段,主要通过电子元件图像上排线面的排线路径图像及排线路线的获取,在引入电子元件标准排线模型的条件下,对电子元件的排线进行了多级监测校对。
Description
技术领域
本发明涉及电子元件装配技术领域,具体涉及一种基于特征识别的电子元件排线校对方法。
背景技术
电子元件,是电子电路中的基本元素,通常是个别封装,并具有两个或以上的引线或金属接点。电子元件须相互连接以构成一个具有特定功能的电子电路,例如:放大器、无线电接收机、振荡器等,连接电子元件常见的方式之一是焊接到印刷电路板上。
申请号为201910288579.9的发明专利中公开一种基于纹理和形状特征的电子元件识别的方法,其特征在于,包括以下步骤:图像预处理(PP):将彩色图像灰度化、二值化,通过对图像中目标的平移,旋转和缩放将目标进行归一化处理;
Gabor滤波器(GF):结合卷积网络的思想,将其应用于电子元件的特征提取,Gabor滤波器与灰度图像卷积产生复数信号,初步得到电子元件的特征信息,将信号的实部(rgg)和虚部(igg)分离出来,通过虚部计算图像的灰度共生矩阵,进一步对特征信息进行处理:灰度共生矩阵(GLCM):电子元件是刚体结构,纹理简单且对称,特征通过灰度共生矩阵公式计算,得到3个特征表达F1、Fo、F3,F1为纹理的能量,F2为纹理对比度,F3为纹理相关性.基本表达了刚性体的纹理信息;
该申请在于解决:目前的图像分类方法主要分为两大类,第一类是利用卷积神经网络(convolution-alneural networks),CNN自动学习图像特征进行图像分类图,第二类基于图像空间域或频率域对图像进行分类。第一类方法经过多年的研究与积累,虽然在分类精度方面较为理想,但其数据量过大,计算复杂度较高,无法满足及时处理的效率需求;第二类方法精度不够,也无法实现同时对多种元器件进行分类。
然而,针对于现有的电子元件排线检测校对工序,目前大都采用人工检测或电路通路检测的方式质检,其人工检测效率较差,且存在较高错误率,电路通路检测效率也有待提升,同时由于采用电路通路检测,需要对电子元件进行电性连接,从而会对电子元件造成一定寿命损耗,且电性连接检测设备无法适用于一种以上的电子元件的排线检测校对工作。
发明内容
解决的技术问题
针对现有技术所存在的上述缺点,本发明提供了一种基于特征识别的电子元件排线校对方法,解决了针对于现有的电子元件排线检测校对工序,目前大都采用人工检测或电路通路检测的方式质检,其人工检测效率较差,且存在较高错误率,电路通路检测效率也有待提升,同时由于采用电路通路检测,需要对电子元件进行电性连接,从而会对电子元件造成一定寿命损耗,且电性连接检测设备无法适用于一种以上的电子元件的排线检测校对工作的问题。
技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于特征识别的电子元件排线校对方法,包括:
获取电子元件上排线区域图像数据,对电子元件上排线区域图像数据进行储存,同步上传电子元件上排线区域标准排线虚拟模型,依次于储存的电子元件上排线区域图像数据中选择图像,对选择的图像数据进行图像中排线路径图像的嗅探;
对选择的图像数据进行像素识别,基于指定颜色进行的图像数据中像素块提取,通过提取到的像素块形成排线路径图像,以完成图像中排线路径图像的嗅探,于排线路径图像上中线位置等距拾取点位,以拾取点位执行邻近点位的相互连接构成排线路线,对标准排线虚拟模型同步执行排线路径图像及排线路线的求取操作;
设定电子元件排线判定阈值,根据电子元件的排线路径图像及排线路线求取,电子元件排线区域图像数据与电子元件排线区域标准排线虚拟模型间相似性,相似性计算公式为:
式中:SIM(p,qi)为排线区域标准排线虚拟模型p与电子元件上排线区域图像数据qi的图像相似性;Mp为排线区域标准排线虚拟模型p中排线路径图像包含的像素块数量;为电子元件上排线区域图像数据qi中排线路径图像包含的像素块数量;μ为排线区域标准排线虚拟模型p与电子元件上排线区域图像数据qi二者各自排线路线上各对应转折角相似性合计值;γp为排线区域标准排线虚拟模型p对应排线路线上拾取点位数量;/>为电子元件上排线区域图像数据qi对应排线路线上拾取点位数量;g=x+3,x为排线路线上转折角数量;
其中,电子元件排线区域图像数据与电子元件排线区域标准排线虚拟模型间相似性处于电子元件排线判定阈值的电子元件,判定为合格,反之,则不合格。
更进一步地,电子元件上排线区域图像数据完成储存后,基于排线区域标准排线虚拟模型比对电子元件上排线区域图像数据相似性,设定相似性判定阈值,对不相似的电子元件上排线区域图像数据进行舍弃,以剩余电子元件上排线区域图像数据执行选择及排线路径图像的嗅探操作;
其中,电子元件上排线区域图像数据通过在电子元件生产设备上部署摄像头来获取,且各组电子元件上排线区域图像数据在获取时,摄像头拍摄角度、生产设备上电子元件搁置状态、摄像头拍摄位置均唯一,电子元件上排线区域标准排线虚拟模型通过用户端于任意一种机械制图软件中绘制。
更进一步地,所述排线区域标准排线虚拟模型与电子元件上排线区域图像数据的图像相似性通过下式进行求取,公式为:
式中:n为待测图像集合;MCS(p,qi)为排线区域标准排线虚拟模型p与第i个待测图像q最大公共子图含有的边数;MAX(p,qi)为排线区域标准排线虚拟模型p与第i个待测图像q之间的最大边数;H(k)为排线区域标准排线虚拟模型p与第i个待测图像q间颜色直方图差值,即M为图像的像素总数,k=0,1,...L-1,L为图像中颜色小区间的个数,nk为第k个颜色bin条中像素的数目;
其中,SIM(p,q1)的值与p、q1间的相似性成正比,H(k)≥0。
更进一步地,所述电子元件上排线区域图像数据的像素识别通过下式求取,公式为:
式中:px(a,b)为图像数据的像素;la为图像数据横向距离;μ为图像数据中仅包含有一种颜色的区域中面积最小的一组区域的面积;lb图像数据纵向距离;
其中,电子元件上排线区域图像数据在完成像素识别后,根据像素识别结果对图像数据进行像素级分割,以获取图像数据的像素块,进一步基于分的像素块及指定颜色,完成像素块提取。
更进一步地,所述于排线路径图像上中线位置等距拾取的点位均落于排线路径图像中包含的像素块上,拾取点位的间距以像素块为单位通过用户端手动设定,拾取点位间距离判定服从两点间最少像素块路径的距离;
其中,电子元件生产设备包括编码工位,电子元件生产设备通过编码工位对生产输出的电子元件进行编码,电子元件携带的编码用于其对应排线路径图像及排线路线的区别标记。
更进一步地,所述排线区域标准排线虚拟模型与电子元件上排线区域图像数据二者各自排线路线上各对应转折角相似性合计值,通过下式求取,公式为:
式中:m为转折角的集合;hp为排线区域标准排线虚拟模型p的排线路线上转折角角度;为电子元件上排线区域图像数据qi的排线路线上转折角角度;z为排线路线上转折角的序号。
更进一步地,对标准排线虚拟模型执行排线路径图像及排线路线的求取操作后,同步构建数据库,对求取的标准排线虚拟模型的排线路径图像及排线路线向构建的数据库中发送,于数据库中储存。
更进一步地,所述数据库通过网络部署上传至云端,用户端通过网络访问云端对数据库中储存的排线路径图像及排线路线数据进行读取及下载的操作。
更进一步地,所述电子元件上排线区域图像数据在完成判定后,根据电子元件上排线区域图像数据对应的区别标记,对电子元件排线区域图像数据对应的电子元件进行溯源。
更进一步地,所述系统部署于电子元件生产设备的控制端,所述电子元件于判定阈值中的判定结果均通过介质电性数据传输向电子元件生产设备的控制端发送,于电子元件生产设备的控制端中储存,用户端与电子元件生产设备的控制端中对判定结果数据进行读取,根据判定结果数据进一步计算电子元件生产设备当前生产的电子元件的合格率。
有益效果
采用本发明提供的技术方案,与已知的公有技术相比,具有如下有益效果:
1、本发明提供一种基于特征识别的电子元件排线校对方法,该方法通过电子元件图像数据的获取,在电子元件生产过程中实现了排线校对功能,在电子元件排线校对阶段,主要通过电子元件图像上排线面的排线路径图像及排线路线的获取,在引入电子元件标准排线模型的条件下,对电子元件的排线进行了多级监测校对。
2、本发明中方法在其步骤执行过程中,在对电子元件排线的首次监测校对阶段,对绝对不合格的电子元件进行了舍弃,从而以此大幅度降低了该方法在执行过程中的数据处理量,同时对电子元件图像数据以像素级分析处理,获取了电子元件图像数据中电子元件排线路径图像,为电子元件排线路径及该方法的最终输出结果提供了必要的数据支持。
3、本发明中方法在对电子元件排线进行校对检测时,综合考虑并应用到,电子元件排线的路径区域图像、排线路线、排线路线中转折角角度、排线路线生成时的拾取点位数量,确保电子元件排线校对检测结果输出精度。
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的前提下,还可以根据这些附图获得其他的附图。
图1为一种基于特征识别的电子元件排线校对方法的执行过程示意图;
图2为一种基于特征识别的电子元件排线校对方法的流程示意图;
图3为本发明中电子元件排线路径图像及排线路线的生成逻辑示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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得的所有其他实施例,都属于本发明保护的范围。
下面结合实施例对本发明作进一步的描述。
实施例一
本实施例的一种基于特征识别的电子元件排线校对方法,如图1-3所示,包括:
获取电子元件上排线区域图像数据,对电子元件上排线区域图像数据进行储存,同步上传电子元件上排线区域标准排线虚拟模型,依次于储存的电子元件上排线区域图像数据中选择图像,对选择的图像数据进行图像中排线路径图像的嗅探;
对选择的图像数据进行像素识别,基于指定颜色进行的图像数据中像素块提取,通过提取到的像素块形成排线路径图像,以完成图像中排线路径图像的嗅探,于排线路径图像上中线位置等距拾取点位,以拾取点位执行邻近点位的相互连接构成排线路线,对标准排线虚拟模型同步执行排线路径图像及排线路线的求取操作;
设定电子元件排线判定阈值,根据电子元件的排线路径图像及排线路线求取,电子元件排线区域图像数据与电子元件排线区域标准排线虚拟模型间相似性,相似性计算公式为:
式中:SIM(p,qi)为排线区域标准排线虚拟模型p与电子元件上排线区域图像数据qi的图像相似性;Mp为排线区域标准排线虚拟模型p中排线路径图像包含的像素块数量;为电子元件上排线区域图像数据qi中排线路径图像包含的像素块数量;μ为排线区域标准排线虚拟模型p与电子元件上排线区域图像数据qi二者各自排线路线上各对应转折角相似性合计值;γp为排线区域标准排线虚拟模型p对应排线路线上拾取点位数量;/>为电子元件上排线区域图像数据qi对应排线路线上拾取点位数量;g=x+3,x为排线路线上转折角数量;
其中,电子元件排线区域图像数据与电子元件排线区域标准排线虚拟模型间相似性处于电子元件排线判定阈值的电子元件,判定为合格,反之,则不合格;
电子元件上排线区域图像数据的像素识别通过下式求取,公式为:
式中:px(a,b)为图像数据的像素;la为图像数据横向距离;μ为图像数据中仅包含有一种颜色的区域中面积最小的一组区域的面积;lb图像数据纵向距离;
其中,电子元件上排线区域图像数据在完成像素识别后,根据像素识别结果对图像数据进行像素级分割,以获取图像数据的像素块,进一步基于分的像素块及指定颜色,完成像素块提取;
排线区域标准排线虚拟模型与电子元件上排线区域图像数据二者各自排线路线上各对应转折角相似性合计值,通过下式求取,公式为:
式中:m为转折角的集合;hp为排线区域标准排线虚拟模型p的排线路线上转折角角度;为电子元件上排线区域图像数据qi的排线路线上转折角角度;z为排线路线上转折角的序号。
在本实施例中,通过上述记载的校对方法,基于电子元件生产设备在生产电子元件至输出阶段,对电子元件首先进行了图像获取,进一步在电子元件图像中获取电子元件上排线图像,再由排线图像衍生出排线路线,至此完成了由全面到局面,由局面到线操作,从而以此转化过程中数据为该方法对电子元件排线进行多级校对监测提供了必要的数据支持;
鉴于上述记载的相似度计算公式,能够精准的对电子元件的排线进行校对监测,此外,上述记载的图像像素识别计算公式对电子元件的图像数据进行分析计算,以此作为图像分割的准备条件,确保电子元件的图像数据完成精确分割;
例:参见图3所示,图中(a)示出了电子元件的图像数据,(b)示出了电子元件的排线区域图像数据,(c)示出了排线区域图像数据及有上述记载方案所生成的排线路线,(d)单一示出了排线路线,通过(b)与(d)作为参考,对(a)所对应的电子元件进行排线校对检测。
实施例二
在具体实施层面,在实施例1的基础上,本实施例参照图1-3对实施例1中一种基于特征识别的电子元件排线校对方法做进一步具体说明:
电子元件上排线区域图像数据完成储存后,基于排线区域标准排线虚拟模型比对电子元件上排线区域图像数据相似性,设定相似性判定阈值,对不相似的电子元件上排线区域图像数据进行舍弃,以剩余电子元件上排线区域图像数据执行选择及排线路径图像的嗅探操作;
其中,电子元件上排线区域图像数据通过在电子元件生产设备上部署摄像头来获取,且各组电子元件上排线区域图像数据在获取时,摄像头拍摄角度、生产设备上电子元件搁置状态、摄像头拍摄位置均唯一,电子元件上排线区域标准排线虚拟模型通过用户端于任意一种机械制图软件中绘制。
通过上述设置,对该方法中采集的电子元件图像数据进行了筛选处理,上述记载的舍弃的电子元件图像数据对应电子元件必然比合格,此外,通过上述记载限定,确保了电子元件图像数据的问题采集及一致性。
优选的,排线区域标准排线虚拟模型与电子元件上排线区域图像数据的图像相似性通过下式进行求取,公式为:
式中:n为待测图像集合;MCS(p,qi)为排线区域标准排线虚拟模型p与第i个待测图像q最大公共子图含有的边数;MAX(p,qi)为排线区域标准排线虚拟模型p与第i个待测图像q之间的最大边数;H(k)为排线区域标准排线虚拟模型p与第i个待测图像q间颜色直方图差值,即M为图像的像素总数,k=0,1,...L-1,L为图像中颜色小区间的个数,nk为第k个颜色bin条中像素的数目;
其中,SIM(p,q1)的值与p、q1间的相似性成正比,H(k)≥0。
通过上式计算,能够对电子元件图像数据中排线状态进行初步的分析判定,以达到部分电子元件图像数据的目的,从而降低该方法执行过程中的数据运算量,且可以此提供用户端参考,以舍弃的电子元件图像对应电子元件作为首批不合格电子元件。
优选的,于排线路径图像上中线位置等距拾取的点位均落于排线路径图像中包含的像素块上,拾取点位的间距以像素块为单位通过用户端手动设定,拾取点位间距离判定服从两点间最少像素块路径的距离;
其中,电子元件生产设备包括编码工位,电子元件生产设备通过编码工位对生产输出的电子元件进行编码,电子元件携带的编码用于其对应排线路径图像及排线路线的区别标记;
电子元件上排线区域图像数据在完成判定后,根据电子元件上排线区域图像数据对应的区别标记,对电子元件排线区域图像数据对应的电子元件进行溯源。
通过上述设置,为该方法执行过程中,后续对不合格电子元件进行溯源时,提供必要的数据支持。
实施例三
在具体实施层面,在实施例1的基础上,本实施例参照图1-3对实施例1中一种基于特征识别的电子元件排线校对方法做进一步具体说明:
对标准排线虚拟模型执行排线路径图像及排线路线的求取操作后,同步构建数据库,对求取的标准排线虚拟模型的排线路径图像及排线路线向构建的数据库中发送,于数据库中储存;
数据库通过网络部署上传至云端,用户端通过网络访问云端对数据库中储存的排线路径图像及排线路线数据进行读取及下载的操作。
通过上述设置,能够使得该方法执行过程中应用的标准排线虚拟模型的排线路径图像及排线路线能够得到储存,以便于用户端后续使用,也以此使得该方法具备应用于任意型号电子元件排线校对检测工作的条件。
优选的,系统部署于电子元件生产设备的控制端,电子元件于判定阈值中的判定结果均通过介质电性数据传输向电子元件生产设备的控制端发送,于电子元件生产设备的控制端中储存,用户端与电子元件生产设备的控制端中对判定结果数据进行读取,根据判定结果数据进一步计算电子元件生产设备当前生产的电子元件的合格率。
通过上述设置,使得用户端可根据该方法输出结果数据对电子元件生产设备上生产的电子元件的合格率进行计算,从而为用户端提供更多的数据参考,以进一步对电子元件生产设备进行检修维护。
综上而言,上述实施例中通过电子元件图像数据的获取,在电子元件生产过程中实现了排线校对功能,在电子元件排线校对阶段,主要通过电子元件图像上排线面的排线路径图像及排线路线的获取,在引入电子元件标准排线模型的条件下,对电子元件的排线进行了多级监测校对;同时,该方法在其步骤执行过程中,在对电子元件排线的首次监测校对阶段,对绝对不合格的电子元件进行了舍弃,从而以此大幅度降低了该方法在执行过程中的数据处理量,同时对电子元件图像数据以像素级分析处理,获取了电子元件图像数据中电子元件排线路径图像,为电子元件排线路径及该方法的最终输出结果提供了必要的数据支持;此外,该方法在对电子元件排线进行校对检测时,综合考虑并应用到,电子元件排线的路径区域图像、排线路线、排线路线中转折角角度、排线路线生成时的拾取点位数量,确保电子元件排线校对检测结果输出精度。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以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;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于特征识别的电子元件排线校对方法,其特征在于,包括:
获取电子元件上排线区域图像数据,对电子元件上排线区域图像数据进行储存,同步上传电子元件上排线区域标准排线虚拟模型,依次于储存的电子元件上排线区域图像数据中选择图像,对选择的图像数据进行图像中排线路径图像的嗅探;
对选择的图像数据进行像素识别,基于指定颜色进行的图像数据中像素块提取,通过提取到的像素块形成排线路径图像,以完成图像中排线路径图像的嗅探,于排线路径图像上中线位置等距拾取点位,以拾取点位执行邻近点位的相互连接构成排线路线,对标准排线虚拟模型同步执行排线路径图像及排线路线的求取操作;
设定电子元件排线判定阈值,根据电子元件的排线路径图像及排线路线求取,电子元件排线区域图像数据与电子元件排线区域标准排线虚拟模型间相似性,相似性计算公式为:
式中:SIM(p,qi)为排线区域标准排线虚拟模型p与电子元件上排线区域图像数据qi的图像相似性;Mp为排线区域标准排线虚拟模型p中排线路径图像包含的像素块数量;为电子元件上排线区域图像数据qi中排线路径图像包含的像素块数量;μ为排线区域标准排线虚拟模型p与电子元件上排线区域图像数据qi二者各自排线路线上各对应转折角相似性合计值;γp为排线区域标准排线虚拟模型p对应排线路线上拾取点位数量;/>为电子元件上排线区域图像数据qi对应排线路线上拾取点位数量;g=x+3,x为排线路线上转折角数量;
其中,电子元件排线区域图像数据与电子元件排线区域标准排线虚拟模型间相似性处于电子元件排线判定阈值的电子元件,判定为合格,反之,则不合格。
2.根据权利要求1所述的一种基于特征识别的电子元件排线校对方法,其特征在于,电子元件上排线区域图像数据完成储存后,基于排线区域标准排线虚拟模型比对电子元件上排线区域图像数据相似性,设定相似性判定阈值,对不相似的电子元件上排线区域图像数据进行舍弃,以剩余电子元件上排线区域图像数据执行选择及排线路径图像的嗅探操作;
其中,电子元件上排线区域图像数据通过在电子元件生产设备上部署摄像头来获取,且各组电子元件上排线区域图像数据在获取时,摄像头拍摄角度、生产设备上电子元件搁置状态、摄像头拍摄位置均唯一,电子元件上排线区域标准排线虚拟模型通过用户端于任意一种机械制图软件中绘制。
3.根据权利要求2所述的一种基于特征识别的电子元件排线校对方法,其特征在于,所述排线区域标准排线虚拟模型与电子元件上排线区域图像数据的图像相似性通过下式进行求取,公式为:
式中:n为待测图像集合;MCS(p,qi)为排线区域标准排线虚拟模型p与第i个待测图像q最大公共子图含有的边数;MAX(p,qi)为排线区域标准排线虚拟模型p与第i个待测图像q之间的最大边数;H(k)为排线区域标准排线虚拟模型p与第i个待测图像q间颜色直方图差值,即M为图像的像素总数,k=0,1,...L-1,L为图像中颜色小区间的个数,nk为第k个颜色bin条中像素的数目;
其中,SIM(p,q1)的值与p、q1间的相似性成正比,H(k)≥0。
4.根据权利要求1所述的一种基于特征识别的电子元件排线校对方法,其特征在于,所述电子元件上排线区域图像数据的像素识别通过下式求取,公式为:
式中:px(a,b)为图像数据的像素;la为图像数据横向距离;μ为图像数据中仅包含有一种颜色的区域中面积最小的一组区域的面积;lb图像数据纵向距离;
其中,电子元件上排线区域图像数据在完成像素识别后,根据像素识别结果对图像数据进行像素级分割,以获取图像数据的像素块,进一步基于分的像素块及指定颜色,完成像素块提取。
5.根据权利要求1所述的一种基于特征识别的电子元件排线校对方法,其特征在于,所述于排线路径图像上中线位置等距拾取的点位均落于排线路径图像中包含的像素块上,拾取点位的间距以像素块为单位通过用户端手动设定,拾取点位间距离判定服从两点间最少像素块路径的距离;
其中,电子元件生产设备包括编码工位,电子元件生产设备通过编码工位对生产输出的电子元件进行编码,电子元件携带的编码用于其对应排线路径图像及排线路线的区别标记。
6.根据权利要求1所述的一种基于特征识别的电子元件排线校对方法,其特征在于,所述排线区域标准排线虚拟模型与电子元件上排线区域图像数据二者各自排线路线上各对应转折角相似性合计值,通过下式求取,公式为:
式中:m为转折角的集合;hp为排线区域标准排线虚拟模型p的排线路线上转折角角度;为电子元件上排线区域图像数据qi的排线路线上转折角角度;z为排线路线上转折角的序号。
7.根据权利要求1所述的一种基于特征识别的电子元件排线校对方法,其特征在于,对标准排线虚拟模型执行排线路径图像及排线路线的求取操作后,同步构建数据库,对求取的标准排线虚拟模型的排线路径图像及排线路线向构建的数据库中发送,于数据库中储存。
8.根据权利要求1所述的一种基于特征识别的电子元件排线校对方法,其特征在于,所述数据库通过网络部署上传至云端,用户端通过网络访问云端对数据库中储存的排线路径图像及排线路线数据进行读取及下载的操作。
9.根据权利要求1或5所述的一种基于特征识别的电子元件排线校对方法,其特征在于,所述电子元件上排线区域图像数据在完成判定后,根据电子元件上排线区域图像数据对应的区别标记,对电子元件排线区域图像数据对应的电子元件进行溯源。
10.根据权利要求1所述的一种基于特征识别的电子元件排线校对方法,其特征在于,所述系统部署于电子元件生产设备的控制端,所述电子元件于判定阈值中的判定结果均通过介质电性数据传输向电子元件生产设备的控制端发送,于电子元件生产设备的控制端中储存,用户端与电子元件生产设备的控制端中对判定结果数据进行读取,根据判定结果数据进一步计算电子元件生产设备当前生产的电子元件的合格率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310652642.9A CN116664529A (zh) | 2023-06-05 | 2023-06-05 | 一种基于特征识别的电子元件排线校对方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310652642.9A CN116664529A (zh) | 2023-06-05 | 2023-06-05 | 一种基于特征识别的电子元件排线校对方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116664529A true CN116664529A (zh) | 2023-08-29 |
Family
ID=87725758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310652642.9A Pending CN116664529A (zh) | 2023-06-05 | 2023-06-05 | 一种基于特征识别的电子元件排线校对方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116664529A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003194735A (ja) * | 2001-09-27 | 2003-07-09 | Shoei Kk | プリント配線基板の検査方法及び検査装置 |
US20120250040A1 (en) * | 2011-03-29 | 2012-10-04 | Yoshirou Yamazaki | Recording position error measurement apparatus and method, image forming apparatus and method, and computer-readable medium |
CN110147570A (zh) * | 2019-04-11 | 2019-08-20 | 江苏大学 | 一种基于纹理和形状特征的电子元件识别的方法 |
CN111413350A (zh) * | 2020-03-24 | 2020-07-14 | 江苏斯德雷特通光光纤有限公司 | 一种检测光纤排线缺陷的方法及装置 |
CN111881913A (zh) * | 2019-07-05 | 2020-11-03 | 深圳数字生命研究院 | 图像识别方法及装置、存储介质和处理器 |
CN113344931A (zh) * | 2021-08-09 | 2021-09-03 | 深圳智检慧通科技有限公司 | 一种插件视觉检测识别方法、可读存储介质及设备 |
CN116168218A (zh) * | 2022-11-22 | 2023-05-26 | 中车长春轨道客车股份有限公司 | 一种基于图像识别技术的电路板故障诊断方法 |
-
2023
- 2023-06-05 CN CN202310652642.9A patent/CN116664529A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003194735A (ja) * | 2001-09-27 | 2003-07-09 | Shoei Kk | プリント配線基板の検査方法及び検査装置 |
US20120250040A1 (en) * | 2011-03-29 | 2012-10-04 | Yoshirou Yamazaki | Recording position error measurement apparatus and method, image forming apparatus and method, and computer-readable medium |
CN110147570A (zh) * | 2019-04-11 | 2019-08-20 | 江苏大学 | 一种基于纹理和形状特征的电子元件识别的方法 |
CN111881913A (zh) * | 2019-07-05 | 2020-11-03 | 深圳数字生命研究院 | 图像识别方法及装置、存储介质和处理器 |
CN111413350A (zh) * | 2020-03-24 | 2020-07-14 | 江苏斯德雷特通光光纤有限公司 | 一种检测光纤排线缺陷的方法及装置 |
CN113344931A (zh) * | 2021-08-09 | 2021-09-03 | 深圳智检慧通科技有限公司 | 一种插件视觉检测识别方法、可读存储介质及设备 |
CN116168218A (zh) * | 2022-11-22 | 2023-05-26 | 中车长春轨道客车股份有限公司 | 一种基于图像识别技术的电路板故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
HC CHEN ET AL.: "The Study of Using X-Ray Laminography on Printed-Circuit Board Inspection", 《PROCEEDINGS OF THE 35TH INTERNATIONAL MATADOR CONFERENCE》, 31 December 2007 (2007-12-31) * |
郭志伟 等: "基于陶瓷外壳布线的电气互联属性检查方法研究", 《信息记录材料》, vol. 23, no. 6, 1 June 2022 (2022-06-01) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402248B (zh) | 一种基于机器视觉的输电线路导线缺陷检测方法 | |
CN107369176B (zh) | 一种柔性ic基板氧化面积检测系统及方法 | |
CN114882039B (zh) | 一种应用于pcb板自动分拣过程中的pcb板缺陷识别方法 | |
CN113030121B (zh) | 用于电路板元器件的自动光学检测方法、系统、及设备 | |
CN116721107B (zh) | 一种电缆生产质量智能监控系统 | |
CN115294114A (zh) | 一种基于ecu电路焊接的质量检测方法 | |
CN108596829A (zh) | 一种pcb裸板图片配准方法和装置 | |
CN116523921A (zh) | 一种针对极耳翻折情况的检测方法、装置和系统 | |
CN115775246A (zh) | 一种pcb元器件缺陷检测的方法 | |
CN115330796B (zh) | 一种铜线镀锡缺陷识别方法 | |
CN115908142B (zh) | 一种基于视觉识别的接触网微小部件验损方法 | |
CN116681979A (zh) | 一种复杂环境下的电力设备目标检测方法 | |
CN116309518A (zh) | 一种基于计算机视觉的pcb电路板检测方法及系统 | |
CN116993725B (zh) | 一种柔性电路板智能贴片信息处理系统 | |
CN117455917B (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
CN110246131A (zh) | 基于卷积神经网络的导线分股缺陷图像识别方法 | |
CN116894776B (zh) | 基于图像拼接的压接导线弯曲度测量方法及系统 | |
CN111582332B (zh) | 一种高速铁路接触网吊弦部件的图片识别方法 | |
CN110349129B (zh) | 一种高密度柔性ic基板外观缺陷检测方法 | |
CN116664529A (zh) | 一种基于特征识别的电子元件排线校对方法 | |
CN116993654B (zh) | 摄像头模组缺陷检测方法、装置、设备、存储介质及产品 | |
CN116778357A (zh) | 利用可见光缺陷识别的电力线路无人机巡检方法和系统 | |
CN113506290A (zh) | 一种线路绝缘子缺陷检测方法及装置 | |
CN114757939A (zh) | 一种基于机器视觉的光缆生产检测监管系统 |
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 |