CN116993720B - 用于电子烟pcb板的生产缺陷识别方法 - Google Patents
用于电子烟pcb板的生产缺陷识别方法 Download PDFInfo
- Publication number
- CN116993720B CN116993720B CN202311237315.3A CN202311237315A CN116993720B CN 116993720 B CN116993720 B CN 116993720B CN 202311237315 A CN202311237315 A CN 202311237315A CN 116993720 B CN116993720 B CN 116993720B
- Authority
- CN
- China
- Prior art keywords
- target pixel
- neighborhood
- components
- pcb
- electronic cigarette
- 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
- 239000003571 electronic cigarette Substances 0.000 title claims abstract description 85
- 230000007547 defect Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 30
- 230000005484 gravity Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 3
- 150000003071 polychlorinated biphenyls Chemical class 0.000 claims 2
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 238000005286 illumination Methods 0.000 description 4
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000005476 soldering Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30—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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及用于电子烟PCB板的生产缺陷识别方法,采集电子烟PCB板图像;根据各目标像素邻域内元器件的面积占比得到各目标像素邻域内元器件排列密度;结合各目标像素邻域内元器件的重心分布及元器件种类数目自适应获取各目标像素的多尺度权重;增强图像;通过模版匹配对增强后电子烟PCB板图像进行缺陷识别。从而实现电子烟PCB板的生产缺陷识别,避免了机器因图像模糊导致识别错误的问题,提高了机器对电子烟PCB板缺陷识别的准确性及效率,具有较高的PCB板缺陷识别检测精度。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及用于电子烟PCB板的生产缺陷识别方法。
背景技术
在电子烟行业的不断发展过程中,公司想要提升自己的核心竞争力,必须在各个环节严格把控质量,使其能在众多公司中脱颖而出。其中,在电子烟的生产过程中,最重要的环节为电子烟PCB板的设计与生产,所有的电子元器件都通过PCB板进行连接,因此,PCB板的质量直接关系着整个电子烟产品的质量。在电子烟PCB板生产过程中会出现焊盘焊锡不足、焊锡过多、钻孔位置偏离、线路短路等问题。因此,需要在进行下一步的操作之前筛选出合格的产品。
在对电子烟PCB板图像进行缺陷识别过程中,由于光照、拍摄角度影响,导致电子烟PCB板图像中元器件边缘模糊,从而导致机器的缺陷识别出现错误。
综上所述,本实施例提出一种用于电子烟PCB板的生产缺陷识别方法,采集电子烟PCB板图像,通过图像中不同区域元器件排布不同构建各像素点的自适应多尺度权重,自适应多尺度增强图像,对增强后的图像进行缺陷识别,提高识别精度。
发明内容
为了解决上述技术问题,本发明提供用于电子烟PCB板的生产缺陷识别方法,以解决现有的问题。
本发明的用于电子烟PCB板的生产缺陷识别方法采用如下技术方案:
本发明一个实施例提供了用于电子烟PCB板的生产缺陷识别方法,该方法包括以下步骤:
采集电子烟PCB板图像;通过边缘检测获取PCB板边缘图像;
将各像素点均记为目标像素,获取各目标像素邻域内各元器件的面积及重心坐标;根据各目标像素邻域内元器件的面积占比得到各目标像素邻域内元器件排列密度;根据各目标像素邻域内元器件的重心分布得到各目标像素邻域内元器件排列混乱度;根据各目标像素邻域内不同元器件之间面积差异得到各目标像素邻域内元器件种类数目;根据各目标像素邻域内元器件排列混乱度及元器件种类数目得到各目标像素邻域内元器件排列复杂度;
根据各目标像素邻域内元器件排列密度及排列复杂度得到各目标像素的小尺度权重;根据各目标像素的小尺度权重得到各目标像素的大尺度权重;根据各目标像素的小尺度权重及大尺度权重对图像进行增强得到增强后电子烟PCB板图像;根据增强后电子烟PCB板图像进行电子烟PCB板缺陷识别。
优选的,所述获取各目标像素邻域内各元器件的面积及重心坐标的具体步骤为:
获取各目标像素邻域内闭合轮廓,将各闭合轮廓作为各元器件;根据各闭合轮廓的轮廓特征得到各元器件的面积及重心坐标。
优选的,所述根据各目标像素邻域内元器件的面积占比得到各目标像素邻域内元器件排列密度,具体为:
将各目标像素邻域内所有元器件邻域面积占比与元器件个数的乘积作为各目标像素邻域内元器件排列密度。
优选的,所述根据各目标像素邻域内元器件的重心分布得到各目标像素邻域内元器件排列混乱度的具体步骤为:
对各目标像素的邻域进行等行、等列划分得到各目标像素邻域内多个方块,根据各目标像素邻域内每行方块中重心之间坐标差异得到各目标像素邻域内每行方块的坐标混乱度;获取各目标像素邻域内每列方块的坐标混乱度;将各目标像素邻域内每行方块及每列方块的坐标混乱度求和得到各目标像素邻域内元器件排列混乱度。
优选的,所述根据各目标像素邻域内每行方块中重心之间坐标差异得到各目标像素邻域内每行方块的坐标混乱度,具体包括:
获取各目标像素邻域内每行方块中重心坐标,将重心坐标之间的纵坐标差值的均值作为各目标像素邻域内每行方块的坐标混乱度。
优选的,所述根据各目标像素邻域内不同元器件之间面积差异得到各目标像素邻域内元器件种类数目的具体步骤为:
获取各目标像素邻域内每个元器件的面积,对元器件的面积进行聚类得到各聚类簇;将聚类簇的个数作为各目标像素邻域内元器件种类数目。
优选的,所述各目标像素邻域内元器件排列复杂度与各目标像素邻域内元器件排列混乱度及元器件种类数目成正比关系,与各目标像素邻域内元器件的平均周长成反比关系。
优选的,所述各目标像素的小尺度权重的表达式为:
式中,为像素点/>的小尺度权重,/>为像素点/>邻域内元器件排列密度,/>为像素点/>邻域内元器件排列混乱度,/>为归一化函数。
优选的,所述根据各目标像素的小尺度权重得到各目标像素的大尺度权重,具体为:
设定中尺度权重;计算各目标像素点的小尺度权重与中尺度权重的和值,将1减去所述和值作为各目标像素的大尺度权重。
优选的,所述根据增强后电子烟PCB板图像进行电子烟PCB板缺陷识别的具体步骤为:
采用模板匹配算法计算增强后的电子烟PCB板图像与模板图像的匹配度,当所述匹配度小于匹配度阈值时,电子烟PCB板中存在缺陷。
本发明至少具有如下有益效果:
本发明通过机器视觉结合电子烟PCB板的元器件分布特征,采集电子烟PCB板图像,对电子烟PCB进行自适应图像增强,对增强后的图像进行缺陷识别,解决了因光照、拍摄角度等原因,导致电子烟PCB板图像中元器件边缘模糊的问题,避免了机器因图像模糊导致识别错误的问题,提高了机器对电子烟PCB板缺陷识别的准确性及效率,具有较高的PCB板缺陷识别检测精度;
为避免机器因图像模糊导致识别错误的问题,本发明通过Retinex算法,对电子烟PCB板不同区域采用不同的权重进行入射分量估计,在像素级别考虑目标像素邻域内各元器件的排列密度和排列混乱度与权重之间的关系,更好的适应了各区域的细节信息量,对电子烟PCB板中元器件较多区域的细节信息具有较高程度的细节保留,对边缘信息较少的区域更好地保留了色彩信息,降低了噪声像素点的影响,提高了电子烟PCB板图像清晰度,提高了电子烟PCB板生产缺陷检测精度。
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为本发明提供的用于电子烟PCB板的生产缺陷识别方法的流程图;
图2为电子烟PCB板图像;
图3为各目标像素邻域划分示意图。
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用于电子烟PCB板的生产缺陷识别方法,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用于电子烟PCB板的生产缺陷识别方法的具体方案。
本发明一个实施例提供的用于电子烟PCB板的生产缺陷识别方法。
具体的,提供了如下的用于电子烟PCB板的生产缺陷识别方法,请参阅图1,该方法包括以下步骤:
步骤S001,采集电子烟PCB板图像。
使用CCD工业相机采集电子烟PCB板图像,得到由RGB三通道组成的彩色图像。由于彩色图像信息较多,为方便获取图像边缘等细节信息,将采集到的彩色图像转化为灰度图像;为了消除因拍摄角度问题导致图像中元器件变形的影响,通过投影变换对图像进行矫正,得到校正后的图像。
步骤S002,根据图像中元器件分布密度及分布方式不同构建各像素点的自适应多尺度权重。
在实际缺陷识别过程中,待识别图像受拍摄角度或光照强度影响,采集到的图像存在阴影、曝光不足、曝光过度等问题,这会影响电子烟PCB板生产缺陷识别的准确率。因此,本发明采用Retinex算法对电子烟PCB板图像进行增强,以减小图像亮度影响,提高缺陷识别效率及准确性。
Retinex算法中,尺度参数的设置极为重要,当/>的取值越小时,高斯模型越尖锐,计算目标像素的变化值时所采用的邻域尺寸越小,增强后的图像对细节的保留效果越好;当/>的取值越大时,则高斯模型会变得越平缓,计算当前像素点的值时所采用的邻域越小,得到的图像对色彩的保留效果越好。
电子烟PCB板如图2所示,由于电子烟体积通常较小,而PCB板中所包含的元器件相对较多,导致最终生产出来的PCB板上元器件排列密度相对较大,PCB板的主控单元及其引脚位置与其他各部件之间的排列较为紧密,在图像边缘模糊情况下进行缺陷识别,可能导致PCB板缺陷识别不准确,因此对各元器件进行识别时,需要将图像中元器件密集区域作为重要区域,进行边缘细节信息增强;将图像中非元器件所在区域,设为非重要区域,对于非重要区域进行较强的色彩保留,使图像整体具有较好的视觉效果。具体图像增强方法如下:
第一步:为获取元器件分布情况,采用Canny算子对PCB板图像进行边缘检测,得到二值图,采用中值滤波对二值图进行平滑处理,得到图像中各连续边缘,从而得到图像中各物体更为准确的边缘信息。进一步,使用轮廓检测算法得到所有的闭合轮廓,并计算出每一个轮廓的面积、周长以及重心坐标。根据闭合轮廓所围区域内像素点个数及轮廓上像素点个数分别得到闭合轮廓的面积和周长,并通过闭合轮廓中所有像素点坐标求平均值的方法获取闭合轮廓的重心,需要说明的是,闭合轮廓的面积、周长及重心坐标的获取方法实施者可自行设定,本实施例不做具体限制。由于电子烟PCB板中电子元器件均较小,因此,设置面积阈值像素点,将PCB板图像中面积大于面积阈值的闭合轮廓作为背景点进行去除,去除的闭合轮廓可能为PCB板的边缘或空隙等面积较大区域。
第二步:为获取目标像素周围区域的元器件密度,首先,以各目标像素为中心像素点建立25*25邻域,获取各目标像素邻域的面积,记为。然后计算各目标像素邻域内闭合轮廓所围区域内各目标像素的个数,作为邻域内所有元器件所占面积,记为/>,同时获取邻域内闭合轮廓的个数作为邻域内元器件个数,其中,不完整的元器件不计数,即若闭合轮廓包含邻域外区域,则其所围区域内像素点不计入/>。最后,采用/>作为各目标像素邻域内的元器件排列密度,由于一个像素点邻域内的元器件排列密度,受元器件个数多少,以及所有元器件所占该邻域总面积的比例共同影响,因此,以像素点/>为例,基于上述特征构建各目标像素邻域内元器件排列密度/>,表达式为:
式中,为像素点/>邻域内元器件排列密度,/>为像素点/>邻域的面积,/>为像素点/>邻域内所有元器件所占面积,/>为像素点/>邻域内元器件个数,/>为归一化函数。/>与之比越大,则说明像素点/>邻域内元器件排列密度越大;相同面积占比下元器件个数越多,则说明元器件排列密度越大;进行归一化,使之在后续计算中与其它变量的数量级保持一致。
考虑到,当目标像素邻域内包含的元器件所占面积及元器件个数相同时,邻域内元器件排列越混乱,邻域内边缘信息复杂度越高,需要的细节增强效果越高。因此,构建各目标像素邻域内元器件排列复杂度从而进一步进行尺度参数的自适应调整,具体为,首先,为获取元器件的排列规则性,将各目标像素的邻域划分成个大小相同的方块,如图3所示,分别获取各行方块中重心坐标,并计算各行方块中重心之间的纵坐标差值;获取各列方块中重心坐标,并计算各列方块中重心之间的横坐标差值,从而构建邻域内元器件排列混乱度/>:
式中,为像素点/>邻域内元器件的排列混乱度,/>、/>分别为邻域内第/>行、第/>列方块中纵坐标混乱度,/>、/>分别为邻域内第/>行、第/>列方块中重心个数,对/>、/>分别加1的目的为防止分母为0,/>、/>分别为邻域内第/>行方块中第/>个重心与第/>个重心的纵坐标,、/>分别为邻域内第/>列方块中第/>个重心与第/>个重心的横坐标。同行方块中重心之间的纵坐标差值及同列方块中重心之间的横坐标差值越大,则说明元器件的排列越不规则,元器件排列混乱度越大。
然后,由于元器件的排列混乱程度与邻域内元器件种类数目也存在相关性,种类越多,混乱程度越大,同时因为元器件较小,因此采用各元器件面积,即各闭合轮廓所包含的像素点个数作为区分不同元器件的指标,获取目标像素邻域内元器件种类数目,具体为,获取目标像素邻域内所有元器件的面积,采用层次聚类算法对面积数据进行聚类,面积阈值设定为10像素点,将得到的聚类簇个数作为目标像素邻域内元器件种类数目。最后,结合目标像素邻域内元器件种类数目及排列混乱度构建各目标像素邻域内元器件排列复杂度的表达式为:
式中,为像素点/>邻域内元器件排列复杂度,/>为像素点/>邻域内元器件种类数目,/>为像素点/>邻域内元器件个数,/>为像素点/>邻域内第/>个元器件周长,/>为像素点/>邻域内元器件的排列混乱度,/>为归一化函数。/>表示每个元器件的平均周长,其值越大,则说明元器件的总体边缘信息越少,排列复杂度/>越低;同样的,/>越小,则说明元器件的总体边缘信息越多,混乱度/>越高;/>越大,则说明元器件排列越混乱,位置分布越不规则,/>的值越大;/>越小,则说明元器件排列越整齐,/>的值越小;/>越大,元器件种类数目越多,边缘细节信息越多,元器件的排列复杂度/>越大。
第三步:(权重映射)为保留更多图像在不同尺度下包含的信息,采用Retinex的多尺度算法(MSR),即在选择高斯环绕函数时分别从三个尺度来计算反射分量,如下式所示:
式中,为多尺度增强后的反射分量,/>分别表示在三种不同尺度参数/>下的高斯环绕函数计算得到的反射分量,需要说明的是,参数/>取值比例实施者可自行设定,本实施例将参数/>取值比例设定为15:80:250,/>分别为不同尺度参数下反射分量的权重,即/>为小尺度权重,/>为中尺度权重,/>为大尺度权重。而最后融合不同尺度参数下反射分量时的权重,则由元器件的排列混乱度和排列密度共同决定,具体为,由于元器件排列密度越大、排列混乱度越大时,包含的元器件的细节信息越多,越期望通过图像增强得到更多的细节信息,因此尺度参数较小的反射分量也越应该获取更大的权重;反之,目标像素邻域内元器件排列密度越小、排列混乱度越小,包含的元器件越少,越可能为不重要区域的图像,应将尺度参数较大的反射分量取较大权重,以增强图像色彩。设定中间尺度参数对应反射分量的权重/>的值为/>,则/>的具体取值由元器件排列密度和排列混乱度共同确定,具体表达式为:
式中分别表示像素点/>对应由小到大三个尺度参数的各尺度反射分量的权重,/>为像素点/>邻域内元器件排列密度,/>为像素点/>邻域内元器件排列混乱度,/>为常数,代表中尺度权重/>的值,/>为归一化函数,作用时确保乘以/>后,小尺度权重/>的值分布在/>区间,从而保证最终/>的权重值之和为1。当元器件排列密度/>和排列混乱度/>越大时,则小尺度权重/>相对较大,大尺度权重/>相对较小,从而使相应的原始图像保留更多的边缘细节信息;当元器件排列密度/>和排列混乱度/>越小时,则小尺度权重/>相对较小,大尺度权重/>相对较大,从而使相应的原始图像保留更多的色彩信息。
第四步:最后,通过上述步骤获取各尺度参数的权重,根据各尺度参数的权重对个尺度的反射分量进行融合,得到多尺度增强后的电子烟PCB板图像。
步骤S003,对增强后电子烟PCB板图像进行缺陷识别。
通过模板匹配算法对增强后的电子烟PCB板图像与模板图像进行比对,设定匹配阈值为0.9,需要说明的是,匹配阈值的设定实施者可自行选取,本实施例不做具体限制,若增强后的电子烟PCB板图像与模板图像的匹配度大于0.9,则认为电子烟PCB板没有缺陷,否则,则认为电子烟PCB板存在缺陷。通过上述方法完成电子烟PCB板生产缺陷识别。由于图像增强后的电子烟PCB板图像突出了元器件边缘等重要信息,例如电子烟PCB板的线路纹理以及孔洞的位置信息,同时过滤掉了不重要的噪声像素信息,能够更准确的识别出存在生产缺陷的电子烟PCB板。
综上所述,本发明实施例通过机器视觉结合电子烟PCB板的元器件分布特征,采集电子烟PCB板图像,对电子烟PCB进行自适应图像增强,对增强后的图像进行缺陷识别,解决了因光照、拍摄角度等原因,导致电子烟PCB板图像中元器件边缘模糊的问题,避免了机器因图像模糊导致识别错误的问题,提高了机器对电子烟PCB板缺陷识别的准确性及效率,具有较高的PCB板缺陷识别检测精度;
为避免机器因图像模糊导致识别错误的问题,本实施例通过Retinex算法,对电子烟PCB板不同区域采用不同的权重进行入射分量估计,在像素级别考虑目标像素邻域内各元器件的排列密度和排列混乱度与权重之间的关系,更好的适应了各区域的细节信息量,对电子烟PCB板中元器件较多区域的细节信息具有较高程度的细节保留,对边缘信息较少的区域更好地保留了色彩信息,降低了噪声像素点的影响,提高了电子烟PCB板图像清晰度,提高了电子烟PCB板生产缺陷检测精度。
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 (8)
1.用于电子烟PCB板的生产缺陷识别方法,其特征在于,该方法包括以下步骤:
采集电子烟PCB板图像;通过边缘检测获取PCB板边缘图像;
将各像素点均记为目标像素,获取各目标像素邻域内各元器件的面积及重心坐标;根据各目标像素邻域内元器件的面积占比得到各目标像素邻域内元器件排列密度;根据各目标像素邻域内元器件的重心分布得到各目标像素邻域内元器件排列混乱度;根据各目标像素邻域内不同元器件之间面积差异得到各目标像素邻域内元器件种类数目;根据各目标像素邻域内元器件排列混乱度及元器件种类数目得到各目标像素邻域内元器件排列复杂度;
根据各目标像素邻域内元器件排列密度及排列复杂度得到各目标像素的小尺度权重;根据各目标像素的小尺度权重得到各目标像素的大尺度权重;根据各目标像素的小尺度权重及大尺度权重对图像进行增强得到增强后电子烟PCB板图像;根据增强后电子烟PCB板图像进行电子烟PCB板缺陷识别;
所述各目标像素的小尺度权重的表达式为:
式中,为像素点/>的小尺度权重,/>为像素点/>邻域内元器件排列密度,/>为像素点/>邻域内元器件排列混乱度,/>为归一化函数;
所述根据各目标像素的小尺度权重得到各目标像素的大尺度权重,具体为:设定中尺度权重;计算各目标像素点的小尺度权重与中尺度权重的和值,将1减去所述和值作为各目标像素的大尺度权重。
2.如权利要求1所述的用于电子烟PCB板的生产缺陷识别方法,其特征在于,所述获取各目标像素邻域内各元器件的面积及重心坐标的具体步骤为:
获取各目标像素邻域内闭合轮廓,将各闭合轮廓作为各元器件;根据各闭合轮廓的轮廓特征得到各元器件的面积及重心坐标。
3.如权利要求1所述的用于电子烟PCB板的生产缺陷识别方法,其特征在于,所述根据各目标像素邻域内元器件的面积占比得到各目标像素邻域内元器件排列密度,具体为:
将各目标像素邻域内所有元器件邻域面积占比与元器件个数的乘积作为各目标像素邻域内元器件排列密度。
4.如权利要求1所述的用于电子烟PCB板的生产缺陷识别方法,其特征在于,所述根据各目标像素邻域内元器件的重心分布得到各目标像素邻域内元器件排列混乱度的具体步骤为:
对各目标像素的邻域进行等行、等列划分得到各目标像素邻域内多个方块,根据各目标像素邻域内每行方块中重心之间坐标差异得到各目标像素邻域内每行方块的坐标混乱度;获取各目标像素邻域内每列方块的坐标混乱度;将各目标像素邻域内每行方块及每列方块的坐标混乱度求和得到各目标像素邻域内元器件排列混乱度。
5.如权利要求4所述的用于电子烟PCB板的生产缺陷识别方法,其特征在于,所述根据各目标像素邻域内每行方块中重心之间坐标差异得到各目标像素邻域内每行方块的坐标混乱度,具体包括:
获取各目标像素邻域内每行方块中重心坐标,将重心坐标之间的纵坐标差值的均值作为各目标像素邻域内每行方块的坐标混乱度。
6.如权利要求1所述的用于电子烟PCB板的生产缺陷识别方法,其特征在于,所述根据各目标像素邻域内不同元器件之间面积差异得到各目标像素邻域内元器件种类数目的具体步骤为:
获取各目标像素邻域内每个元器件的面积,对元器件的面积进行聚类得到各聚类簇;将聚类簇的个数作为各目标像素邻域内元器件种类数目。
7.如权利要求1所述的用于电子烟PCB板的生产缺陷识别方法,其特征在于,所述各目标像素邻域内元器件排列复杂度与各目标像素邻域内元器件排列混乱度及元器件种类数目成正比关系,与各目标像素邻域内元器件的平均周长成反比关系。
8.如权利要求1所述的用于电子烟PCB板的生产缺陷识别方法,其特征在于,所述根据增强后电子烟PCB板图像进行电子烟PCB板缺陷识别的具体步骤为:
采用模板匹配算法计算增强后的电子烟PCB板图像与模板图像的匹配度,当所述匹配度小于匹配度阈值时,电子烟PCB板中存在缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311237315.3A CN116993720B (zh) | 2023-09-25 | 2023-09-25 | 用于电子烟pcb板的生产缺陷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311237315.3A CN116993720B (zh) | 2023-09-25 | 2023-09-25 | 用于电子烟pcb板的生产缺陷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116993720A CN116993720A (zh) | 2023-11-03 |
CN116993720B true CN116993720B (zh) | 2024-01-09 |
Family
ID=88525144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311237315.3A Active CN116993720B (zh) | 2023-09-25 | 2023-09-25 | 用于电子烟pcb板的生产缺陷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993720B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117934419B (zh) * | 2024-01-24 | 2024-08-16 | 深圳市中拓装饰机电工程有限公司 | 一种螺栓组件缺陷视觉检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113628152A (zh) * | 2021-09-15 | 2021-11-09 | 南京天巡遥感技术研究院有限公司 | 一种基于多尺度特征选择性融合的暗光图像增强方法 |
CN116311364A (zh) * | 2023-03-07 | 2023-06-23 | 西安电子科技大学 | 基于跨模态特征增强与置信融合的多光谱行人检测方法 |
CN116664559A (zh) * | 2023-07-28 | 2023-08-29 | 深圳市金胜电子科技有限公司 | 基于机器视觉的内存条损伤快速检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738414B (zh) * | 2020-06-11 | 2023-04-07 | 北京百度网讯科技有限公司 | 推荐模型的生成、内容推荐方法、装置、设备和介质 |
CN111709890B (zh) * | 2020-06-12 | 2023-11-24 | 北京小米松果电子有限公司 | 一种图像增强模型的训练方法、装置及存储介质 |
-
2023
- 2023-09-25 CN CN202311237315.3A patent/CN116993720B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113628152A (zh) * | 2021-09-15 | 2021-11-09 | 南京天巡遥感技术研究院有限公司 | 一种基于多尺度特征选择性融合的暗光图像增强方法 |
CN116311364A (zh) * | 2023-03-07 | 2023-06-23 | 西安电子科技大学 | 基于跨模态特征增强与置信融合的多光谱行人检测方法 |
CN116664559A (zh) * | 2023-07-28 | 2023-08-29 | 深圳市金胜电子科技有限公司 | 基于机器视觉的内存条损伤快速检测方法 |
Non-Patent Citations (2)
Title |
---|
Nonlinear Exposure Intensity Based Modification Histogram Equalization for Non-Uniform Illumination Image Enhancement;Saad Nor Hidayah et al.;《 IEEE ACCESS》;第93033-93061页 * |
自适应多尺度Retinex算法的应用;郭贵法 等;《科研发展》;第105-106页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116993720A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
CN115311301A (zh) | 一种pcb板焊点缺陷检测方法 | |
CN108154502B (zh) | 一种基于卷积神经网络的通孔焊点识别方法 | |
CN116993720B (zh) | 用于电子烟pcb板的生产缺陷识别方法 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN111178121B (zh) | 基于空间特征和深度特征强化技术的害虫图像定位识别方法 | |
CN110996096B (zh) | 一种基于结构相似性差异度的色调映射图像质量评价方法 | |
CN113012157B (zh) | 一种设备缺陷视觉检测方法及系统 | |
CN112819736A (zh) | 一种基于多曝光的工件字符图像局部细节增强融合方法 | |
CN111415304A (zh) | 基于级联深度网络的水下视觉增强方法和装置 | |
CN117152165B (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
CN114332079A (zh) | 基于图像处理的塑料餐盒裂缝检测方法、装置及介质 | |
CN115330646A (zh) | 一种用于健身器材喷漆工艺的金属构件检查方法 | |
CN116152261A (zh) | 一种印刷制品质量的视觉检测系统 | |
CN116503462A (zh) | 一种圆形斑点圆心快速提取方法及系统 | |
CN112381751A (zh) | 一种基于图像处理算法的在线智能检测系统及方法 | |
CN116596879A (zh) | 基于边界样本分位数的葡萄霜霉病自适应识别方法 | |
CN115272290A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN113674260A (zh) | 一种smt焊点缺陷检测方法 | |
CN117557505A (zh) | 一种基于机器视觉的绝缘服缺陷检测方法 | |
CN110008955B (zh) | 一种汽车刹车片表面字符压印质量检验方法 | |
CN115115622B (zh) | 一种冲压端子视觉检测装置 | |
CN116433643A (zh) | 一种基于计算机视觉的鱼肉品质鉴定方法及装置 | |
CN112991326B (zh) | 一种清洗质量评价方法 | |
CN115018820A (zh) | 基于纹理加强的乳腺癌多分类方法 |
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 |