CN116843665A - 相机模组涂胶情况判定方法、装置、设备及存储介质 - Google Patents
相机模组涂胶情况判定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116843665A CN116843665A CN202310873808.XA CN202310873808A CN116843665A CN 116843665 A CN116843665 A CN 116843665A CN 202310873808 A CN202310873808 A CN 202310873808A CN 116843665 A CN116843665 A CN 116843665A
- Authority
- CN
- China
- Prior art keywords
- image
- circuit board
- camera module
- component
- condition
- 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 69
- 238000004026 adhesive bonding Methods 0.000 title claims abstract description 29
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 239000003292 glue Substances 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000003709 image segmentation Methods 0.000 claims abstract description 20
- 238000004519 manufacturing process Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000007480 spreading Effects 0.000 claims description 21
- 238000003892 spreading Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 13
- 240000004282 Grewia occidentalis Species 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 239000011248 coating agent Substances 0.000 abstract description 4
- 238000000576 coating method Methods 0.000 abstract description 4
- 239000000853 adhesive Substances 0.000 abstract description 3
- 230000001070 adhesive effect Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000003068 static effect Effects 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
- 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
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- 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)
- Image Processing (AREA)
Abstract
本发明公开了相机模组涂胶情况判定方法、装置、设备及存储介质,属于相机模组生产测试技术领域。包括以下步骤:图像预处理:制作模组电路板的可见光模板图像;目标匹配:采集可见光灯源照射下待检测电路板图像,与模板图像进行目标匹配;图像分割及自动分析:采集紫外灯源照射下待检测电路板图像,根据得到的各组件坐标,进行图像分割及自动分析,判断涂胶情况。本发明相较于现有技术,其优点在于:基于三防胶的特点,获取紫外光下图像,提取图像亮度分量并判断电路板上组件是否涂有三防胶;本方案所需样本图像较少即可定位图中电路板组件坐标;基于紫外图像的三防胶涂胶情况进行判断,无需采集异常样本,对光源要求低,定位速度快,实施方便。
Description
技术领域
本发明涉及相机模组生产测试技术领域,更具体地说,涉及相机模组涂胶情况判定方法、装置、设备及存储介质。
背景技术
相机模组日前被广泛应用于手机、平板、笔记本、安防、车载、条形码扫描引擎及光电导航等领域。因受使用场合的限制,模块的精细化组装工艺要求是一般产品所无法比拟的,它们在设计工艺、组装技术,测试环境等方面都颇为严格,而随着科技的不断进步,相机模组的工艺也不断的提高。
相机模组在生产过程中,需要对电路板涂三防胶,以保护其电子元件,但是涂胶部位可能会出现偏差,导致不需要打三防胶的地方打了胶,进而导致不合格产品的产生。基于人工的涂胶异常检测存在效率底下、容易出错的弊端。在相关技术中,如中国专利文献CN111192237A公开了一种基于深度学习的涂胶检测系统和方法,通过构建深度残差网络模型对涂胶车间中车窗的涂胶进行自动检测,能快速准确地判断涂胶的质量,并实时上传检测结果。基于深度学习的方法则需要标记大量的样本图像进行学习,耗时耗力。
综上所述,针对相关技术中如何利用图像处理技术自动分析电路板涂胶异常检测的问题,目前尚未提出有效的解决方案。
发明内容
1.要解决的技术问题
针对相关技术中存在的如何利用图像处理技术自动分析电路板涂胶异常检测的问题,本发明提供了相机模组涂胶情况判定方法、装置、设备及存储介质,基于荧光三防胶的特点,结合可见光灯源照射下采集的电路板图像和紫外灯照射下采集的图像,通过图像预处理、目标匹配和图像分割方法,自动分析电路板涂胶情况。
2.技术方案
本发明的目的通过以下技术方案实现。
相机模组涂胶情况判定方法,包括如下步骤,
图像预处理:制作模组电路板的可见光模板图像;
目标匹配:采集可见光灯源照射下的待检测的电路板图像并与模板图像进行目标匹配;
图像分割及自动分析:采集紫外灯源照射下的待检测的电路板图像,根据得到的各个组件坐标,进行图像分割及自动分析,判断各组件涂胶情况。
更进一步的,图像预处理具体步骤为,采集可见光灯源照射下的电路板图像,标记图像中电路板坐标(x,y,w,h);
(x,y)为电路板左上角坐标,(w,h)为电路板的宽度和高度,得到电路板的区域图片Ie。
更进一步的,标记电路板图像中各待检测组件的坐标,得到待检测组件的坐标集合:
{(x1,y1,w1,h1),…,(xm,ym,wm,hm)},
m表示待检测组件的数量,且m为自然数。
更进一步的,待检测组件包括连接器、两侧镀金螺丝孔和四角螺丝孔。
更进一步的,目标匹配具体步骤为,采集一张可见光灯源照射下的电路板图片,取待识别区域(x-α,y-α,w+2α,h+2α);
(x,y,w,h)为图像预处理步骤中的参数,α为配置参数,得到待检测的局部图像IROI。
更进一步的,α的选取根据采集相机和待识别模板的偏移量设定。
更进一步的,将Ie在IROI上进行窗口滑动,计算Ie在IROI上的匹配相似度,计算方法为Ie与IROI窗口图像上的匹配值:
n表示图像中的像素坐标索引,Ien表示Ie中该坐标的像素值,Iwn表示IROI窗口图像上该坐标像素值;
计算得出IROI中电路板的坐标位置为:
(xe,ye,w,h),
(xe,ye)为左上角坐标,(w,h)为宽度和高度。
更进一步的,根据模板中标记的连接器、两侧镀金螺丝孔和四角螺丝孔坐标,得出待识别图片中各个组件的坐标,第i个组件的坐标位置为:(xi-x+xe,yi-y+ye,wi,hi)。
更进一步的,图像分割及自动分析具体步骤为,取组件局部图像I1,取图像中的亮度图V:
分别表示I1中每个像素的RGB分量。
更进一步的,统计亮度图V中超过亮度阈值θ的像素数M,如果M超过总像素数的比例T,则该组件不合格,否则认为该组件合格。
相机模组涂胶情况判定装置,包括图像预处理模块,制作模组电路板的可见光模板图像;
目标匹配模块,采集可见光灯源照射下的待检测的电路板图像并与模板图像进行目标匹配;
图像分割及自动分析模块,采集紫外灯源照射下的待检测的电路板图像,根据得到的各个组件坐标,进行图像分割及自动分析,判断各组件涂胶情况。
相机模组涂胶情况判定设备,包括一个或多个处理器及存储器,所述存储器存储有程序,并且被配置成由所述一个或多个处理器执行以下步骤:
制作模组电路板的可见光模板图像;
采集可见光灯源照射下的待检测的电路板图像并与模板图像进行目标匹配;
采集紫外灯源照射下的待检测的电路板图像,根据得到的各个组件坐标,进行图像分割及自动分析,判断各组件涂胶情况。
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的相机模组涂胶情况判定方法。
3.有益效果
相比于现有技术,本发明的优点在于:本发明提供的相机模组涂胶情况判定方法、装置、设备及存储介质,基于三防胶的特点,通过紫外灯获取紫外光下图像,便于提取图像的亮度分量并判断电路板上相关组件是否涂有三防胶;本方案所需样本图像较少即可定位图中电路板的组件坐标,只需一张标记的图像即可完成组件定位;且本方案基于紫外图像的三防胶涂胶情况进行判断,无需事先采集异常样本,对光源要求较低,定位速度更快,实施更方便。
附图说明
图1为本发明一实施例中相机模组涂胶情况判定方法的流程示意图;
图2为本发明一实施例中相机模组涂胶情况判定方法的可见光下模组电路板示意图;
图3为本发明一实施例中相机模组涂胶情况判定方法的电路板及待识别组件匹配位置示意图;
图4为本发明一实施例中相机模组涂胶情况判定方法的紫外灯下的模组电路板示意图;
图5为本发明一实施例中相机模组涂胶情况判定方法的紫外光下模组电路板亮度示意图。
具体实施方式
下面结合说明书附图和具体的实施例,对本发明作详细描述。
结合图1至图5,本发明的相机模组涂胶情况判定方法,包括如下步骤:
图像预处理:
制作模组电路板的可见光模板图像。具体为:
采集一张可见光灯源照射下的电路板图像,人工标记出图像中电路板的坐标(x,y,w,h),其中(x,y)为电路板左上角坐标,(w,h)为电路板的宽度和高度,得到电路板的区域图片Ie;
另外,Ie作为模板图像使用,在后续步骤中用于定位待检测图像中的电路板位置。
人工标记出电路板图像中各待检测组件的坐标,待检测组件包括连接器、两侧镀金螺丝孔和四角螺丝孔,得到待检测组件的坐标集合,即{(x1,y1,w1,h1),…,(xm,ym,wm,hm)},其中m表示待检测组件的数量,且m为自然数。
标记出来的电路板区域和各个组件区域作为模板图像,在后续匹配算法中与待检测图像进行匹配。此处预处理仅需采集一张模板图像,相对于深度学习方法,样本数量要求极低。
目标匹配:
采集可见光灯源照射下的待检测的电路板图像并与模板图像进行目标匹配。具体为:
如图1所示,采集一张可见光灯源照射下的电路板图片,取待识别区域(x-α,y-α,w+2α,h+2α),其中(x,y,w,h)为图像预处理步骤中的参数,α为配置参数,一般选取10到30之间,得到待检测的局部图像IROI;其中α的选取根据采集相机和待识别模板的偏移量来设定,当α设定值较大时,则允许两者之间有较大的位置偏移。
如图2所示,将Ie在IROI上进行窗口滑动,计算Ie在IROI上的匹配相似度,计算方法为Ie与IROI窗口图像上的匹配值:其中n表示图像中的像素坐标索引,Ien表示Ie中该坐标的像素值,Iwn表示IROI窗口图像上该坐标像素值。该匹配值越小表示匹配度越高,得到IROI中电路板的坐标位置为(xe,ye,w,h);其中(xe,ye)为左上角坐标,(w,h)为宽度和高度。
根据模板中标记的连接器、两侧镀金螺丝孔和四角螺丝孔坐标,得到待识别图片中各个组件的坐标,对于第i个组件,其坐标位置为:(xi-x+xe,yi-y+ye,wi,hi),如图2所示的矩形框中为各组件位置。
图像分割及自动分析:
如图3所示,采集紫外灯源照射下的待检测的电路板图像,根据得到的各个组件坐标,进行图像分割及自动分析,判断各个组件是否被涂上三防胶。具体为:
如图4所示,截取组件局部图像I1,取图像中的亮度图V,其中分别表示I1中每个像素的RGB分量;
统计亮度图V中超过亮度阈值θ的像素数M,如果M超过总像素数的比例T,则判断该组件被涂胶了,则该产品不合格,否则认为该组件合格。T取值越低,判别的灵敏度越高,即少量的不合格涂胶就可以被检测到。
其中阈值θ根据具体的检测要求定义,如果要求比较高,则阈值相应的可以设置较低,否则阈值可以相应设置较高。
本实施例中,像素数M超过总像素数的比例T为50%,具体的比例T可以根据需求进行调整,不做限定。
此处采用基于无监督方法的涂胶情况分析方法,不需要事先采集异常的样本图像,实施更为方便。
本发明的相机模组涂胶情况判定方法,只需要一张标记的图像即可完成组件定位,而基于深度学习的方法则需要标记大量的样本图像进行学习,耗时耗力,并且本发明的定位速度比基于深度学习的方法速度更快;基于紫外图像的相机模组涂胶情况判定方法,在判断三防胶涂胶是否正常时,针对三防胶特点,部署了紫外灯光源,区别于使用常规光源时对光源照射角度和曝光时间等有较高要求,本方案对光源要求较低,实施更方便;此外,本方案从采集的图像提取了图像的亮度通道来判断涂胶情况。
本发明的基于紫外图像的相机模组涂胶情况判定方法,实现了产线上对相机模组电路板涂胶情况的智能化分析判断,提升了检测效率。
具体的针对于装置的描述,本实施例参考对应的软件和方法内容就可以进行相应的硬件实现;构建相应的装置和设备;
如针对于相机模组涂胶情况判定设计的装置,该相机模组涂胶情况判定装置,包括,
图像预处理模块,制作模组电路板的可见光模板图像。
采集一张可见光灯源照射下的电路板图像,人工标记出图像中电路板的坐标(x,y,w,h),其中(x,y)为电路板左上角坐标,(w,h)为电路板的宽度和高度,得到电路板的区域图片Ie,作为模板图像使用;
人工标记出电路板图像中各待检测组件的坐标,得到待检测组件的坐标集合:{(x1,y1,w1,h1),…,(xm,ym,wm,hm)},m表示待检测组件的数量,且m为自然数。
目标匹配模块,采集可见光灯源照射下的待检测的电路板图像并与模板图像进行目标匹配。
采集一张可见光灯源照射下的电路板图片,取待识别区域(x-α,y-α,w+2α,h+2α),其中(x,y,w,h)为图像预处理步骤中的参数,α为配置参数,得到待检测的局部图像IROI;
将Ie在IROI上进行窗口滑动,计算Ie在IROI上的匹配相似度,计算方法为Ie与IROI窗口图像上的匹配值:其中n表示图像中的像素坐标索引,Ien表示Ie中该坐标的像素值,Iwn表示IROI窗口图像上该坐标像素值;得到IROI中电路板的坐标位置为(xe,ye,w,h);其中(xe,ye)为左上角坐标,(w,h)为宽度和高度;得到待识别图片中各个组件的坐标,第i个组件的坐标位置为:(xi-x+xe,yi-y+ye,wi,hi)。
图像分割及自动分析模块,采集紫外灯源照射下的待检测的电路板图像,根据得到的各个组件坐标,进行图像分割及自动分析,判断各组件涂胶情况。
截取组件局部图像I1,取图像中的亮度图V,其中/>分别表示I1中每个像素的RGB分量;
统计亮度图V中超过亮度阈值θ的像素数M,如果M超过总像素数的比例T,则该产品不合格,否则认为该组件合格。T取值越低,判别的灵敏度越高,即少量的不合格涂胶就可以被检测到。
针对于相机模组涂胶情况判定设计的设备,可以是一种硬件设备,包括一个或多个处理器及存储器,所述存储器存储有程序,并且被配置成由所述一个或多个处理器执行以下步骤:
制作模组电路板的可见光模板图像;
采集可见光灯源照射下的待检测的电路板图像并与模板图像进行目标匹配;
采集紫外灯源照射下的待检测的电路板图像,根据得到的各个组件坐标,进行图像分割及自动分析,判断各组件涂胶情况。
针对于相机模组涂胶情况判定设计的存储介质,可以是一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述相机模组涂胶情况判定方法。
具体的如何实现设备的实现,在现有技术上可以实现,再次不多做具体的阐述,下文从原理上解释对应的实现的可能性。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。
设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field ProgrammableGate Array,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字符系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ATMEL AT89S52、microchip pic16c57存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字符助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字符多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
Claims (13)
1.相机模组涂胶情况判定方法,包括如下步骤,
图像预处理:制作模组电路板的可见光模板图像;
目标匹配:采集可见光灯源照射下的待检测的电路板图像并与模板图像进行目标匹配;
图像分割及自动分析:采集紫外灯源照射下的待检测的电路板图像,根据得到的各个组件坐标,进行图像分割及自动分析,判断各组件涂胶情况。
2.根据权利要求1所述的相机模组涂胶情况判定方法,其特征在于,
图像预处理具体步骤为,采集可见光灯源照射下的电路板图像,标记图像中电路板坐标(x,y,w,h);
(x,y)为电路板左上角坐标,(w,h)为电路板的宽度和高度,得到电路板的区域图片Ie。
3.根据权利要求2所述的相机模组涂胶情况判定方法,其特征在于,
标记电路板图像中各待检测组件的坐标,得到待检测组件的坐标集合:
{(x1,y1,w1,h1),…,(xm,ym,wm,hm)},
m表示待检测组件的数量,且m为自然数。
4.根据权利要求3所述的相机模组涂胶情况判定方法,其特征在于,
待检测组件包括连接器、两侧镀金螺丝孔和四角螺丝孔。
5.根据权利要求2所述的相机模组涂胶情况判定方法,其特征在于,
目标匹配具体步骤为,采集一张可见光灯源照射下的电路板图片,取待识别区域(x-α,y-α,w+2α,h+2α);
(x,y,w,h)为图像预处理步骤中的参数,α为配置参数,得到待检测的局部图像IROI。
6.根据权利要求5所述的相机模组涂胶情况判定方法,其特征在于,
α的选取根据采集相机和待识别模板的偏移量设定。
7.根据权利要求5或6所述的相机模组涂胶情况判定方法,其特征在于,
将Ie在IROI上进行窗口滑动,计算Ie在IROI上的匹配相似度,计算方法为Ie与IROI窗口图像上的匹配值:
n表示图像中的像素坐标索引,Ien表示Ie中该坐标的像素值,Iwn表示IROI窗口图像上该坐标像素值;
计算得出IROI中电路板的坐标位置为:
(xe,ye,w,h),
(xe,ye)为左上角坐标,(w,h)为宽度和高度。
8.根据权利要求7所述的相机模组涂胶情况判定方法,其特征在于,
根据模板中标记的连接器、两侧镀金螺丝孔和四角螺丝孔坐标,得出待识别图片中各个组件的坐标,第i个组件的坐标位置为:(xi-x+xe,yi-y+ye,wi,hi)。
9.根据权利要求8所述的相机模组涂胶情况判定方法,其特征在于,
图像分割及自动分析具体步骤为,取组件局部图像I1,取图像中的亮度图V:
分别表示I1中每个像素的RGB分量。
10.根据权利要求9所述的相机模组涂胶情况判定方法,其特征在于,
统计亮度图V中超过亮度阈值θ的像素数M,如果M低于总像素数的比例T,则该组件合格。
11.相机模组涂胶情况判定装置,其特征在于,包括,
图像预处理模块,制作模组电路板的可见光模板图像;
目标匹配模块,采集可见光灯源照射下的待检测的电路板图像并与模板图像进行目标匹配;
图像分割及自动分析模块,采集紫外灯源照射下的待检测的电路板图像,根据得到的各个组件坐标,进行图像分割及自动分析,判断各组件涂胶情况。
12.相机模组涂胶情况判定设备,其特征在于,包括一个或多个处理器及存储器,所述存储器存储有程序,并且被配置成由所述一个或多个处理器执行以下步骤:
制作模组电路板的可见光模板图像;
采集可见光灯源照射下的待检测的电路板图像并与模板图像进行目标匹配;
采集紫外灯源照射下的待检测的电路板图像,根据得到的各个组件坐标,进行图像分割及自动分析,判断各组件涂胶情况。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现根据权利要求1至10中任一项所述的相机模组涂胶情况判定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310873808.XA CN116843665A (zh) | 2023-07-14 | 2023-07-14 | 相机模组涂胶情况判定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310873808.XA CN116843665A (zh) | 2023-07-14 | 2023-07-14 | 相机模组涂胶情况判定方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116843665A true CN116843665A (zh) | 2023-10-03 |
Family
ID=88168789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310873808.XA Pending CN116843665A (zh) | 2023-07-14 | 2023-07-14 | 相机模组涂胶情况判定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843665A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117817134A (zh) * | 2024-03-04 | 2024-04-05 | 烟台恩邦电子科技有限公司 | 一种激光喷码机用角度计量控制系统及其控制方法 |
-
2023
- 2023-07-14 CN CN202310873808.XA patent/CN116843665A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117817134A (zh) * | 2024-03-04 | 2024-04-05 | 烟台恩邦电子科技有限公司 | 一种激光喷码机用角度计量控制系统及其控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689010B (zh) | 一种证件识别方法及装置 | |
CN111444921A (zh) | 划痕缺陷检测方法、装置、计算设备和存储介质 | |
CN111950318A (zh) | 一种二维码图像的识别方法、设备及存储介质 | |
CN107274442B (zh) | 一种图像识别方法和装置 | |
CN106960208A (zh) | 一种仪表液晶数字自动切分和识别的方法及系统 | |
CN111311556B (zh) | 手机缺陷位置识别方法及设备 | |
CN110288612B (zh) | 铭牌定位与校正方法及设备 | |
CN116843665A (zh) | 相机模组涂胶情况判定方法、装置、设备及存储介质 | |
CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
CN112634201B (zh) | 目标检测方法、装置和电子设备 | |
CN111325717A (zh) | 手机缺陷位置识别方法及设备 | |
CN111291797A (zh) | 一种防伪识别方法、装置及电子设备 | |
CN117152165B (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
CN105184225A (zh) | 一种多国纸币图像识别方法和装置 | |
CN107103608A (zh) | 一种基于区域候选样本选择的显著性检测方法 | |
Son et al. | Deep learning–based number detection and recognition for gas meter reading | |
CN109102026A (zh) | 一种车辆图像检测方法、装置及系统 | |
Ganapathy et al. | A Malaysian vehicle license plate localization and recognition system | |
CN114440903A (zh) | 一种高精地图构建方法、装置、存储介质及电子设备 | |
CN112686122B (zh) | 人体及影子的检测方法、装置、电子设备、存储介质 | |
CN113887608A (zh) | 一种模型训练的方法、图像检测的方法及装置 | |
CN114841980A (zh) | 基于巡线航拍图像的绝缘子缺陷检测方法及系统 | |
CN109190467A (zh) | 一种基于关键点回归的多物体检测方法、系统、终端和存储介质 | |
CN111599080B (zh) | 拼接纸币的检测方法、装置、金融机具设备及存储介质 | |
Sehgal et al. | Prewett Edge Detector Method for Content Extraction in Moving Pictures or Images |
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 |