CN117115153A - 基于视觉辅助的印制线路板质量智能检测方法 - Google Patents
基于视觉辅助的印制线路板质量智能检测方法 Download PDFInfo
- Publication number
- CN117115153A CN117115153A CN202311369369.5A CN202311369369A CN117115153A CN 117115153 A CN117115153 A CN 117115153A CN 202311369369 A CN202311369369 A CN 202311369369A CN 117115153 A CN117115153 A CN 117115153A
- Authority
- CN
- China
- Prior art keywords
- gray
- image block
- image
- value
- obtaining
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 230000000007 visual effect Effects 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000007547 defect Effects 0.000 claims abstract description 29
- 238000010606 normalization Methods 0.000 claims description 14
- 230000000903 blocking effect Effects 0.000 claims description 11
- 238000007430 reference method Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 abstract description 10
- 238000012545 processing Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive 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
- G06T7/11—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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及PCB缺陷检测技术领域,具体涉及一种基于视觉辅助的印制线路板质量智能检测方法。该方法通过根据每个图像分块中每个像素点的灰度特征获得每个图像分块的初始反光影响程度;结合每个像素点位于焊盘区域的可能性获得每个图像分块的优化反光影响程度;根据每个图像分块的整体灰度值和对应不同预设方向上所有图像分块整体灰度值的分布特征获得每个图像分块的扩散性约束;进而获得每个图像分块的加权反光影响程度;调整预设伽马值获得优化伽马值;进而获得每个图像分块中每个像素点的灰度输出值,获得优化PCB灰度图像,进行缺陷检测。本发明通过确定合适的伽马值,对图像增强以消除光照影响,提高对缺陷检测的准确率。
Description
技术领域
本发明涉及PCB缺陷检测技术领域,具体涉及一种基于视觉辅助的印制线路板质量智能检测方法。
背景技术
印制线路板是电子产品中常用的一种电路板,质量好的PCB可以确保电子产品正常可靠工作;在生产过程中不可避免产生碰撞导致划痕等缺陷,在对缺陷进行检测时,需要对PCB进行图像分割,将目标区域与背景区分开来,通过在检PCB目标区域与正常PCB的对比来评定产品质量;但由于受到光照等因素影响,导致无法对目标区域进行有效识别。
在现有技术中,采用伽马增强算法时,设定固定的伽马值对图像的亮度和对比度进行调节,实现图像增强以消除光照影响。但伽马值过大时,原本隐藏在暗区域的噪点或者细微的图像缺陷可能会被放大;当伽马值过小时,又有可能造成图像必要细节的丢失,导致图像增强的效果较差,未能准确的检测出缺陷。
发明内容
为了解决未确定合适的伽马值导致图像的增强效果较差,缺陷检测不准确的技术问题,本发明的目的在于提供一种基于视觉辅助的印制线路板质量智能检测方法,所采用的技术方案具体如下:
本发明提出了一种基于视觉辅助的印制线路板质量智能检测方法,所述方法包括:
获取待测PCB灰度图像;
对所述待测PCB灰度图像进行分块处理,获得待测PCB灰度图像的图像分块;根据每个图像分块中每个像素点的灰度特征获得每个图像分块的初始反光影响程度;根据每个图像分块中每个像素点与对应不同预设方向上其他每个像素点在预设不同邻域范围内的灰度分布特征获得每个像素点位于焊盘区域的可能性;根据每个图像分块的所述初始反光影响程度和每个像素点位于焊盘区域的所述可能性获得每个图像分块的优化反光影响程度;
根据每个图像分块的整体灰度值和对应不同预设方向上所有图像分块的整体灰度值的分布特征获得每个图像分块的扩散性约束;根据每个图像分块的所述优化反光影响程度和所述扩散性约束获得每个图像分块的加权反光影响程度;
获取每个图像分块的预设伽马值,根据每个图像分块所述加权反光影响程度对预设伽马值进行调整,获得优化伽马值;根据每个图像分块的所述优化伽马值和每个像素点的灰度值获得每个图像分块中每个像素点的灰度输出值,获得优化PCB灰度图像;
根据所述优化PCB灰度图像对待测PCB板进行缺陷检测。
进一步地,所述初始反光影响程度的获取方法包括:
以第个图像分块为例,根据初始反光影响程度的获取公式获得初始反光影响程度,初始反光影响程度的获取公式为:/>;其中,/>表示第/>个图像分块的反光影响程度;/>表示第/>个图像分块中第/>个像素点的灰度值;/>表示第/>个图像分块中所有像素点的灰度均值;/>表示第/>个图像分块中所有像素点的数量;/>表示归一化函数;/>表示以自然常数为底数的指数函数。
进一步地,所述可能性的获取方法包括:
计算每个图像分块中每个像素点与预设方向上其他每个像素点对应方向上的预设不同邻域范围内的灰度值方差,作为每个像素点在不同预设方向上预设不同邻域范围内的灰度分布特征;
取最小的所述灰度分布特征对应的邻域范围,作为每个图像分块中每个像素点对应的参考范围;
以第个图像分块为例,根据可能性的获取公式获得可能性,可能性的获取公式为:/>;其中,/>表示第/>个图像分块中第/>个像素点在焊盘区域的可能性;/>表示第/>个图像分块中第/>个像素点对应的参考范围大小;/>表示第/>个图像分块中第/>个像素点对应的参考范围之外,其他最小的灰度分布特征的邻域范围对应的像素点的序号;/>表示第/>个像素点的参考范围大小;/>表示最小值公式;/>为第/>个图像分块中第/>个像素点的灰度值;/>表示第/>个图像分块中第/>个像素点参考范围之外其他第/>个像素点的灰度值;/>表示归一化函数。
进一步地,所述优化反光影响程度的获取方法包括:
以第个图像分块为例,根据优化反光影响程度的获取方法获得优化反光影响程度,优化反光影响程度的获取公式为:/>;其中,/>表示第/>个图像分块的优化反光影响程度;/>表示第/>个图像分块中第/>个像素点的灰度值;/>表示第/>个图像分块中所有像素点的灰度均值;/>表示第/>个图像分块中所有像素点的数量;/>表示归一化函数;/>表示指数函数;/>表示第/>个图像分块中第/>个像素点在焊盘区域的可能性。
进一步地,所述扩散性约束的获取方法包括:
对每个图像分块所有像素点的灰度值求均值,获得每个图像分块的整体灰度值;
计算每个图像分块对应行或列上所有图像分块的所述整体灰度值的方差,作为整体灰度值的分布特征;
将每个图像分块的所述整体灰度值进行归一化,作为归一化灰度值;
根据所述归一化灰度值和所述整体灰度值的分布特征获得每个图像分块的扩散性约束;
所述归一化灰度值和所述整体灰度值的分布特征均与所述扩散性约束为正相关关系。
进一步地,所述加权反光影响程度的获取方法包括:
计算每个图像分块的所述优化反光影响程度和所述扩散性约束的乘积,获得每个图像分块的加权反光影响程度。
进一步地,所述优化伽马值的获取方法包括:
计算每个图像分块的所述加权反光影响程度与预设常数之和,作为伽马值调整系数;
计算所述预设伽马值和所述伽马值调整系数的乘积,获得优化伽马值。
进一步地,所述灰度输出值的获取方法包括:
根据灰度输出值的获取公式获得灰度输出值,灰度输出值的获取公式为:;其中,/>表示每个图像分块中每个像素点的灰度值;/>表示每个图像分块中每个像素点的灰度输出值;c表示灰度缩放系数;/>表示第/>个图像分块的优化伽马值。
进一步地,所述根据所述优化PCB灰度图像对待测PCB板进行缺陷检测包括:
对所述优化PCB灰度图像采用阈值分割算法获得优化PCB灰度图像的目标检测区域;
采用参考法对优化PCB灰度图像的所述目标检测区域进行缺陷检测。
进一步地,所述预设伽马值的取值为7。
本发明具有如下有益效果:
本发明通过根据每个图像分块中每个像素点的灰度值变化特征获得每个图像分块的初始反光影响程度,分析每个图像分块受到光照影响的程度;根据每个图像分块中每个像素点与对应不同预设方向上其他每个像素点在预设不同邻域范围内的灰度分布特征获得每个像素点位于焊盘区域的可能性,更准确地确定焊盘的位置和大小,提高识别精度;结合获得每个图像分块的优化反光影响程度;考虑反光区域的扩散性特征,根据每个图像分块的整体灰度值和对应不同预设方向上所有图像分块的整体灰度值的分布特征获得每个图像分块的扩散性约束,通过对图像分块的整体灰度值进行分析,可以了解图像分块的亮度分布,从而更好地约束反光的影响;进而获得每个图像分块的加权反光影响程度,进一步优化反光影响程度的评估,提高图像的质量和准确性;获取每个图像分块的预设伽马值,根据加权反光影响程度对预设伽马值进行调整,获得优化伽马值,适当的调整图像分块的亮度和对比度,显出图像必要信息;为了实现图像的增强操作,使图像信息更清晰,根据每个图像分块的优化伽马值和每个像素点的灰度值获得每个图像分块中每个像素点的灰度输出值,获得优化PCB灰度图像;对待测PCB板进行缺陷检测。本发明通过确定合适的伽马值,对图像进行有效增强消除光照影响,提高对缺陷检测的准确率。
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为本发明一个实施例所提供的一种基于视觉辅助的印制线路板质量智能检测方法;
图2为本发明一个实施例所提供的待测PCB灰度图像的示意图。
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一种基于视觉辅助的印制线路板质量智能检测方法,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一种基于视觉辅助的印制线路板质量智能检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于视觉辅助的印制线路板质量智能检测方法的方法流程图,该方法包括:
步骤S1:获取待测PCB灰度图像。
在本发明的实施例中,为了对印制线路板PCB进行质量检测,采用相机采集PCB图像;需要说明的是,每个PCB图像的处理方法都是相同的,在此不做赘述,后续仅以一个PCB图像进行举例。
在处理PCB图像时,由于其结构和组成较为复杂,包含大量的颜色和细节信息,直接处理需要大量的计算资源和时间;在本发明的一个实施例中,为了方便后续图像处理过程,对采集的PCB图像进行灰度化处理,可以将彩色PCB图像中的每个像素点的颜色信息简化为一个灰度值,即亮度信息。因为灰度图像的每个像素点只有一个灰度值,不需要考虑多个颜色分量的复杂计算,可以使图像处理变得更加简单和高效。此外,灰度图像也可以减少图像数据的维度和复杂性,从而加快图像处理的速度。需要说明的是,对图像进行灰度化处理为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S2:对待测PCB灰度图像进行分块处理,获得待测PCB灰度图像的图像分块;根据每个图像分块中每个像素点的灰度特征获得每个图像分块的初始反光影响程度;根据每个图像分块中每个像素点与对应不同预设方向上其他每个像素点在预设不同邻域范围内的灰度分布特征获得每个像素点位于焊盘区域的可能性;根据每个图像分块的初始反光影响程度和每个像素点位于焊盘区域的可能性获得每个图像分块的优化反光影响程度。
为了避免受到其他干扰噪声的影响,对图像细节进行分析,对待测PCB灰度图像进行分块处理,获得待测PCB灰度图像的图像分块;由于受到光照影响,图像中产生反光区域,不同位置的图像分块所表现的特征也存在差异;如图2,给出了待测PCB灰度图像的示意图,反光区域的亮度较高,存在灰度值较大的特征,而在反光区域附近的图像分块表现的亮度相对其他区域较低,存在灰度值较低的特征,受到比较大的反光影响。为了提高图像的质量和视觉效果,准确地识别并量化图像中的反光影响,根据每个图像分块中每个像素点的灰度特征获得每个图像分块的初始反光影响程度。
优选地,在本发明的一个实施例中,初始反光影响程度的获取方法包括:
以第个图像分块为例,根据初始反光影响程度的获取公式获得初始反光影响程度,初始反光影响程度的获取公式为:
;
其中,表示第/>个图像分块的反光影响程度;/>表示第/>个图像分块中第/>个像素点的灰度值;/>表示第/>个图像分块中所有像素点的灰度均值;/>表示第/>个图像分块中所有像素点的数量;/>表示归一化函数;/>表示指数函数。
在初始反光影响程度的获取公式中,通过以自然常数为底的指数函数将进行负相关映射,/>表示第/>个图像分块中第/>个像素点的灰度值与所有像素点的灰度均值的差异特征,差异特征越小,图像中像素点的灰度值差异较小,分布比较均匀,且第/>个图像分块中每个像素点的灰度值越小,受到反光区域的影响越大,初始反光影响程度越大。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系与归一化方法,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
若像素点位于焊盘区域,区域内像素点灰度值都较为相似,且焊盘范围内灰度差异最小,即灰度值方差最小,又因为焊盘在PCB灰度图像中在某些方向上具有一定规律,同一方向上可能有相似的区域范围;根据每个图像分块中每个像素点与对应不同预设方向上其他每个像素点在预设不同邻域范围内的灰度分布特征获得每个像素点位于焊盘区域的可能性。
优选地,在本发明的一个实施例中,每个像素点位于焊盘区域的可能性的获取方法包括:
计算每个图像分块中每个像素点与预设方向上其他每个像素点对应方向上的预设不同邻域范围内的灰度值方差,作为每个像素点在不同预设方向上预设不同邻域范围内的灰度分布特征;取最小的灰度分布特征对应的邻域范围,作为每个图像分块中每个像素点对应的参考范围;以第个图像分块为例,根据可能性的获取公式获得可能性,可能性的获取公式为:
;
其中,表示第/>个图像分块中第/>个像素点在焊盘区域的可能性;/>表示第个图像分块中第/>个像素点对应的参考范围大小;/>表示第/>个图像分块中第/>个像素点对应的参考范围之外,其他最小的灰度分布特征的邻域范围对应的像素点的序号;/>表示第/>个像素点的参考范围大小;/>表示最小值公式;/>为第/>个图像分块中第/>个像素点的灰度值;/>表示第/>个图像分块中第/>个像素点参考范围之外其他第/>个像素点的灰度值;/>表示归一化函数。
在每个像素点位于焊盘区域的可能性的获取公式中,表示第/>个图像分块中第/>个像素点对应的参考范围与该像素点对应的参考范围外其他第/>个像素点的参考范围之间的差异,通过以自然常数为底的指数函数将/>进行负相关映射,差异越小,说明两个像素点的范围内有同样的分布特征,位于焊盘区域的可能性越大;对应像素点的灰度值越大,表明该区域亮度也越大,位于焊盘区域的可能性越大。
需要说明的是,在本发明的一个实施例中,为了确定每个像素点在预设方向上与相邻像素点灰度值的最小方差对应的范围,以每个像素点为中心,依次与不同数量的其他相邻像素点构成预设邻域范围;预设方向可根据实施者的需求具体设置,在本发明实施例中选择竖直或水平方向。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系与归一化方法,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
由于焊盘区域也为高亮区域,灰度值较大,不易受到反光的影响,所以结合像素点是否位于焊盘区域的可能性进行分析,根据每个图像分块的初始反光影响程度和每个像素点位于焊盘区域的可能性获得每个图像分块的优化反光影响程度。
优选地,在本发明的一个实施例中,优化反光影响程度的获取方法包括:
以第个图像分块为例,根据优化反光影响程度的获取公式获得优化反光影响程度,优化反光影响程度的获取公式为:
;
其中,表示第/>个图像分块的优化反光影响程度;/>表示第/>个图像分块中第/>个像素点的灰度值;/>表示第/>个图像分块中所有像素点的灰度均值;/>表示第/>个图像分块中所有像素点的数量;/>表示归一化函数;/>表示以自然常数为底的指数函数;/>表示第/>个图像分块中第/>个像素点在焊盘区域的可能性。
在优化反光影响程度的公式中,通过以自然常数为底的指数函数将负相关映射,/>越小,越不可能位于焊盘区域,优化反光影响程度越大。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系与归一化方法,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S3:根据每个图像分块的整体灰度值和对应不同预设方向上所有图像分块的整体灰度值的分布特征获得每个图像分块的扩散性约束;根据每个图像分块的优化反光影响程度和扩散性约束获得每个图像分块的加权反光影响程度。
考虑到反光区域的扩散性特征,对图像的质量产生负面影响,需要对反光的影响加入约束,减小光照的影响。根据每个图像分块的整体灰度值和对应不同预设方向上所有图像分块的整体灰度值的分布特征获得每个图像分块的扩散性约束。
优选地,在本发明的一个实施例中,扩散性约束的获取方法包括:
对每个图像分块所有像素点的灰度值求均值,获得每个图像分块的整体灰度值;计算每个图像分块对应行或列上所有图像分块的整体灰度值的方差,作为整体灰度值的分布特征;将每个图像分块的整体灰度值进行归一化,作为归一化灰度值;根据归一化灰度值和整体灰度值的分布特征获得每个图像分块的扩散性约束;归一化灰度值和整体灰度值的分布特征均与扩散性约束为正相关关系。在本发明的一个实施例中,以第个图像分块为例,扩散性约束的公式表示为:
;
其中,表示第/>个图像分块的扩散性约束;/>表征第/>个图像分块中所有像素点的灰度均值;/>表示所有/>个图像分块中所有像素点的灰度均值;/>表示图像中第个图像分块对应行或者列图像分块整体灰度值的方差;/>表示最大值公式;/>表示归一化函数。
在扩散性约束公式中,越大,图像中同一行或列上图像分块之间的整体灰度值差异越大,表明存在受反光区域影响的区域,越需要对图像分块进行反光抑制处理,扩散性约束越大;/>越大,表明第/>个图像分块在反光区域,越需要对图像分块进行反光抑制处理,扩散性约束越大。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系与归一化方法,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
将反光影响程度不断优化,提高后续图像处理的质量,准确分辨图像的各个部分。根据每个图像分块的优化反光影响程度和扩散性约束获得每个图像分块的加权反光影响程度。
优选地,在本发明的一个实施例中,加权反光影响程度的获取方法包括:
计算每个图像分块的优化反光影响程度和扩散性约束的乘积,获得每个图像分块的加权反光影响程度;每个图像分块的优化反光影响程度越大,扩散性约束越大,加权反光影响程度就越大。在本发明的一个实施例中,以第个图像分块为例,加权反光影响程度的公示表示为:
;
其中,表示第/>个图像分块的加权反光影响程度;/>表示第/>个图像分块的优选反光影响程度;/>第/>个图像分块的扩散性约束。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S4:获取每个图像分块的预设伽马值,根据每个图像分块的加权反光影响程度对预设伽马值进行调整,获得优化伽马值;根据每个图像分块的优化伽马值和每个像素点的灰度值获得每个图像分块中每个像素点的灰度输出值,获得优化PCB灰度图像。
对图像分块进行伽马增强时,需要设定伽马值来调整图像分块的亮度和对比度,当伽马值过大时,可能导致原本隐藏在暗区域的噪点或者细微的图像缺陷被放大;而当伽马值过小时,又有可能造成图像必要细节的丢失,所以获取每个图像分块的预设伽马值,根据加权反光影响程度对预设伽马值进行调整,获得优化伽马值。
优选地,在本发明的一个实施例中,优化伽马值的获取方法包括:
计算每个图像分块的加权反光影响程度与预设常数之和,作为伽马值调整系数;计算预设伽马值和伽马值调整系数的乘积,获得优化伽马值。在本发明的一个实施例中,以第个图像分块为例,优化伽马值的公式表示为:
;
其中,表示第/>个图像分块的优化伽马值;/>表示第/>个图像分块的预设伽马值;/>表示第/>个图像分块的加权反光影响程度。
在优化伽马值的公式中,表示第/>个图像分块的伽马值调整系数,第个图像分块的加权反光影响程度越大,越需要较大的伽马值来对受反光区域影响的缺陷像素点进行放大,伽马值调整系数越大,优化伽马值越大,提高对缺陷识别的准确性。
需要说明的是,在本发明的一个实施例中,预设伽马值取7;预设常数为1;在本发明的其他实施例中,预设伽马值和预设常数的大小可根据具体情况具体设置,在此不做限定及赘述。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
通过获得优化伽马值来适应不同的显示环境,对图像的灰度值进行调整,使图像的亮度和对比度得到最佳的平衡,从而使图像看起来更清晰、更有层次感,提高对各个部分识别的准确度。根据每个图像分块的优化伽马值和每个像素点的灰度值获得每个图像分块中每个像素点的灰度输出值,获得优化PCB灰度图像。
优选地,在本发明的一个实施例中,灰度输出值的获取方法包括:
根据灰度输出值的获取公式获得灰度输出值,灰度输出值的获取公式为:
;
其中,表示每个图像分块中每个像素点的灰度值;/>表示每个图像分块中每个像素点的灰度输出值;/>表示灰度缩放系数;/>表示第/>个图像分块的优化伽马值。在本发明的一个实施例中,/>取1。
在灰度输出值的公式中,优化伽马值越大,灰度输出值被调整的越大,像素点的特征越明显,对细节增强,消除图像中光照的影响,准确识别图像中的各个部分。
需要说明的是,在本发明其他实施例中也可通过其他基础数学运算构建正负相关关系,具体手段为本领域技术人员熟知的技术手段,在此不做赘述。
步骤S5:根据优化PCB灰度图像对待测PCB板进行缺陷检测。
获得灰度输出值之后完成了对图像的增强操作,有效提高后续图像处理的结果准确性,提高对缺陷检测的精度。根据优化PCB灰度图像对待测PCB板进行缺陷检测。
优选地,在本发明的一个实施例中,根据优化PCB灰度图像对待测PCB板进行缺陷检测包括:
对优化PCB灰度图像采用阈值分割算法,可以提取出优化PCB灰度图像中的碳线以及焊盘部分,获得优化PCB灰度图像的目标检测区域;获取标准PCB灰度图像,采用参考法对优化PCB灰度图像的目标检测区域进行缺陷检测,实现对印制线路板质量的智能检测。
需要说明的是,在本发明的一个实施例中,采集到的待测PCB灰度图像与标准PCB灰度图像不会完全吻合,因为采集PCB图像的摄像机为定焦,所以不会存在摄像头焦距变化,但图像会存在一定的平移或者旋转,所以在采用阈值分割之前对图像进行校准,为了消除优化PCB灰度图像与标准PCB灰度图像中存在的平移或者旋转。参考法的核心就是优化PCB灰度图像与标准PCB灰度图像的差影,具体过程包括:将优化PCB灰度图像与标准PCB灰度图像进行异或运算,将缺陷提取出来,通过计算提取出来缺陷的数量,即可实现对待测PCB灰度图像质量的智能检测。图像校准、阈值分割和参考法的具体操作为本领域技术人员熟知的技术手段,在此不再赘述。
综上所述:本发明通过根据每个图像分块中每个像素点的灰度值变化特征获得每个图像分块的初始反光影响程度;根据每个图像分块中每个像素点与不同预设方向上其他每个像素点在预设不同邻域范围内的灰度分布特征获得每个像素点位于焊盘区域的可能性;结合获得每个图像分块的优化反光影响程度;根据每个图像分块的整体灰度值和对应不同预设方向上所有图像分块的整体灰度值的分布特征获得每个图像分块的扩散性约束;进而获得每个图像分块的加权反光影响程度;获取每个图像分块的预设伽马值,根据加权反光影响程度对预设伽马值进行调整,获得优化伽马值;根据每个图像分块的优化伽马值和每个像素点的灰度值获得每个图像分块中每个像素点的灰度输出值,获得优化PCB灰度图像,对待测PCB板进行缺陷检测。本发明通过确定合适的伽马值,对图像有效增强消除光照影响,提高对缺陷检测的准确率。
一种印制线路板图像增强方法实施例:
在现有技术中,采用伽马增强算法实现图像增强,但由于设置不合适的伽马值很可能造成原本隐藏在暗区域的噪点或者细微的图像缺陷被放大或者图像必要细节丢失,导致图像增强效果较差的技术问题。为了解决该技术问题,本实施例提供一种印制线路板图像增强方法,包括:
步骤S1:获取待测PCB灰度图像。
步骤S2:对待测PCB灰度图像进行分块处理,获得待测PCB灰度图像的图像分块;根据每个图像分块中每个像素点的灰度特征获得每个图像分块的初始反光影响程度;根据每个图像分块中每个像素点与对应不同预设方向上其他每个像素点在预设不同邻域范围内的灰度分布特征获得每个像素点位于焊盘区域的可能性;根据每个图像分块的初始反光影响程度和每个像素点位于焊盘区域的可能性获得每个图像分块的优化反光影响程度。
步骤S3:根据每个图像分块的整体灰度值和对应不同预设方向上所有图像分块的整体灰度值的分布特征获得每个图像分块的扩散性约束;根据每个图像分块的优化反光影响程度和扩散性约束获得每个图像分块的加权反光影响程度。
步骤S4:获取每个图像分块的预设伽马值,根据每个图像分块的加权反光影响程度对预设伽马值进行调整,获得优化伽马值;根据每个图像分块的优化伽马值和每个像素点的灰度值获得每个图像分块中每个像素点的灰度输出值,获得优化PCB灰度图像。
由于步骤S1-S4的具体实现过程在上述一种基于视觉辅助的印制线路板质量智能检测方法中已给出详细说明,不再赘述。
本实施例的技术效果为:
本方法通过根据每个图像分块中每个像素点的灰度特征获得每个图像分块的初始反光影响程度;根据每个图像分块中每个像素点与对应不同预设方向上其他每个像素点在预设不同邻域范围内的灰度分布特征获得每个像素点位于焊盘区域的可能性;结合获得每个图像分块的优化反光影响程度;根据每个图像分块的整体灰度值和对应不同预设方向上所有图像分块的整体灰度值的分布特征获得每个图像分块的扩散性约束;进而获得每个图像分块的加权反光影响程度;获取每个图像分块的预设伽马值,根据加权反光影响程度对预设伽马值进行调整,获得优化伽马值;根据每个图像分块的优化伽马值和每个像素点的灰度值获得每个图像分块中每个像素点的灰度输出值,获得优化PCB灰度图像。本方法通过确定合适的伽马值,实现图像有效增强以消除光照影响。
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。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。
Claims (10)
1.一种基于视觉辅助的印制线路板质量智能检测方法,其特征在于,所述方法包括:
获取待测PCB灰度图像;
对所述待测PCB灰度图像进行分块处理,获得待测PCB灰度图像的图像分块;根据每个图像分块中每个像素点的灰度特征获得每个图像分块的初始反光影响程度;根据每个图像分块中每个像素点与对应不同预设方向上其他每个像素点在预设不同邻域范围内的灰度分布特征获得每个像素点位于焊盘区域的可能性;根据每个图像分块的所述初始反光影响程度和每个像素点位于焊盘区域的所述可能性获得每个图像分块的优化反光影响程度;
根据每个图像分块的整体灰度值和对应不同预设方向上所有图像分块的整体灰度值的分布特征获得每个图像分块的扩散性约束;根据每个图像分块的所述优化反光影响程度和所述扩散性约束获得每个图像分块的加权反光影响程度;
获取每个图像分块的预设伽马值,根据每个图像分块所述加权反光影响程度对预设伽马值进行调整,获得优化伽马值;根据每个图像分块的所述优化伽马值和每个像素点的灰度值获得每个图像分块中每个像素点的灰度输出值,获得优化PCB灰度图像;
根据所述优化PCB灰度图像对待测PCB板进行缺陷检测。
2.根据权利要求1所述的一种基于视觉辅助的印制线路板质量智能检测方法,其特征在于,所述初始反光影响程度的获取方法包括:
以第个图像分块为例,根据初始反光影响程度的获取公式获得初始反光影响程度,初始反光影响程度的获取公式为:/>;其中,表示第/>个图像分块的反光影响程度;/>表示第/>个图像分块中第/>个像素点的灰度值;/>表示第/>个图像分块中所有像素点的灰度均值;/>表示第/>个图像分块中所有像素点的数量;/>表示归一化函数;/>表示以自然常数为底数的指数函数。
3.根据权利要求1所述的一种基于视觉辅助的印制线路板质量智能检测方法,其特征在于,所述可能性的获取方法包括:
计算每个图像分块中每个像素点与预设方向上其他每个像素点对应方向上的预设不同邻域范围内的灰度值方差,作为每个像素点在不同预设方向上预设不同邻域范围内的灰度分布特征;
取最小的所述灰度分布特征对应的邻域范围,作为每个图像分块中每个像素点对应的参考范围;
以第个图像分块为例,根据可能性的获取公式获得可能性,可能性的获取公式为:;其中,/>表示第/>个图像分块中第/>个像素点在焊盘区域的可能性;/>表示第/>个图像分块中第/>个像素点对应的参考范围大小;/>表示第/>个图像分块中第/>个像素点对应的参考范围之外,其他最小的灰度分布特征的邻域范围对应的像素点的序号;/>表示第/>个像素点的参考范围大小;/>表示最小值公式;/>为第/>个图像分块中第/>个像素点的灰度值;/>表示第/>个图像分块中第/>个像素点参考范围之外其他第/>个像素点的灰度值;/>表示归一化函数。
4.根据权利要求1所述的一种基于视觉辅助的印制线路板质量智能检测方法,其特征在于,所述优化反光影响程度的获取方法包括:
以第个图像分块为例,根据优化反光影响程度的获取方法获得优化反光影响程度,优化反光影响程度的获取公式为:/>;其中,/>表示第/>个图像分块的优化反光影响程度;/>表示第/>个图像分块中第/>个像素点的灰度值;/>表示第/>个图像分块中所有像素点的灰度均值;/>表示第/>个图像分块中所有像素点的数量;/>表示归一化函数;/>表示指数函数;/>表示第/>个图像分块中第/>个像素点在焊盘区域的可能性。
5.根据权利要求1所述的一种基于视觉辅助的印制线路板质量智能检测方法,其特征在于,所述扩散性约束的获取方法包括:
对每个图像分块所有像素点的灰度值求均值,获得每个图像分块的整体灰度值;
计算每个图像分块对应行或列上所有图像分块的所述整体灰度值的方差,作为整体灰度值的分布特征;
将每个图像分块的所述整体灰度值进行归一化,作为归一化灰度值;
根据所述归一化灰度值和所述整体灰度值的分布特征获得每个图像分块的扩散性约束;
所述归一化灰度值和所述整体灰度值的分布特征均与所述扩散性约束为正相关关系。
6.根据权利要求1所述的一种基于视觉辅助的印制线路板质量智能检测方法,其特征在于,所述加权反光影响程度的获取方法包括:
计算每个图像分块的所述优化反光影响程度和所述扩散性约束的乘积,获得每个图像分块的加权反光影响程度。
7.根据权利要求1所述的一种基于视觉辅助的印制线路板质量智能检测方法,其特征在于,所述优化伽马值的获取方法包括:
计算每个图像分块的所述加权反光影响程度与预设常数之和,作为伽马值调整系数;
计算所述预设伽马值和所述伽马值调整系数的乘积,获得优化伽马值。
8.根据权利要求1所述的一种基于视觉辅助的印制线路板质量智能检测方法,其特征在于,所述灰度输出值的获取方法包括:
根据灰度输出值的获取公式获得灰度输出值,灰度输出值的获取公式为:;其中,/>表示每个图像分块中每个像素点的灰度值;/>表示每个图像分块中每个像素点的灰度输出值;/>表示灰度缩放系数;/>表示第/>个图像分块的优化伽马值。
9.根据权利要求1所述的一种基于视觉辅助的印制线路板质量智能检测方法,其特征在于,所述根据所述优化PCB灰度图像对待测PCB板进行缺陷检测包括:
对所述优化PCB灰度图像采用阈值分割算法获得优化PCB灰度图像的目标检测区域;
采用参考法对优化PCB灰度图像的所述目标检测区域进行缺陷检测。
10.根据权利要求1所述的一种基于视觉辅助的印制线路板质量智能检测方法,其特征在于,所述预设伽马值的取值为7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311369369.5A CN117115153B (zh) | 2023-10-23 | 2023-10-23 | 基于视觉辅助的印制线路板质量智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311369369.5A CN117115153B (zh) | 2023-10-23 | 2023-10-23 | 基于视觉辅助的印制线路板质量智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117115153A true CN117115153A (zh) | 2023-11-24 |
CN117115153B CN117115153B (zh) | 2024-02-02 |
Family
ID=88800530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311369369.5A Active CN117115153B (zh) | 2023-10-23 | 2023-10-23 | 基于视觉辅助的印制线路板质量智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115153B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333503A (zh) * | 2023-11-30 | 2024-01-02 | 青岛合丰新材料有限公司 | 基于图像特征分析的塑料母粒检测方法 |
CN117689662A (zh) * | 2024-02-04 | 2024-03-12 | 张家港长寿工业设备制造有限公司 | 一种换热器管头焊接质量视觉检测方法及系统 |
CN117876360A (zh) * | 2024-03-08 | 2024-04-12 | 卡松科技股份有限公司 | 基于图像处理的润滑油油质智能检测方法 |
CN117808800B (zh) * | 2024-02-29 | 2024-05-10 | 深圳市富安娜艺术家居有限公司 | 一种纺织品染色质量智能评估方法及系统 |
CN117876360B (zh) * | 2024-03-08 | 2024-07-02 | 卡松科技股份有限公司 | 基于图像处理的润滑油油质智能检测方法 |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07140086A (ja) * | 1993-11-15 | 1995-06-02 | Hitachi Denshi Ltd | 外観形状検査装置 |
JP2003189126A (ja) * | 2001-12-13 | 2003-07-04 | Olympus Optical Co Ltd | 撮像装置 |
US20060067571A1 (en) * | 2004-09-29 | 2006-03-30 | Dainippon Screen Mfg. Co., Ltd. | Defect detection apparatus and defect detection method |
KR20060133726A (ko) * | 2005-06-21 | 2006-12-27 | 엘지전자 주식회사 | 감마보정 장치 및 방법 |
CN104574337A (zh) * | 2015-01-21 | 2015-04-29 | 山东科技大学 | 基于双边伽马校正和多尺度图像融合的图像增强方法 |
CN113269770A (zh) * | 2021-06-08 | 2021-08-17 | 深圳市英视自动化科技有限公司 | 一种视觉缺陷检测用图像增强方法、系统及设备 |
US20210304389A1 (en) * | 2020-03-31 | 2021-09-30 | International Business Machines Corporation | Object defect correction |
CN114882039A (zh) * | 2022-07-12 | 2022-08-09 | 南通透灵信息科技有限公司 | 一种应用于pcb板自动分拣过程中的pcb板缺陷识别方法 |
CN115272316A (zh) * | 2022-09-27 | 2022-11-01 | 山东华太新能源电池有限公司 | 基于计算机视觉的电池盖焊接质量智能检测方法 |
CN115345883A (zh) * | 2022-10-19 | 2022-11-15 | 元能微电子科技南通有限公司 | 基于线性灰度增强的pcb板偏孔异常检测方法 |
CN115511792A (zh) * | 2022-09-05 | 2022-12-23 | 苏州帕维纳尔智能科技有限公司 | 一种针对高纵横比工件缺陷的增强型检测方法 |
CN115731166A (zh) * | 2022-10-08 | 2023-03-03 | 广东电网有限责任公司广州供电局 | 一种基于深度学习的高压电缆接头打磨缺陷检测方法 |
CN115829976A (zh) * | 2022-12-07 | 2023-03-21 | 七海测量技术(深圳)有限公司 | 一种针对外观缺陷检测的图像处理方法 |
US20230125477A1 (en) * | 2021-10-26 | 2023-04-27 | Nvidia Corporation | Defect detection using one or more neural networks |
CN116030052A (zh) * | 2023-03-27 | 2023-04-28 | 惠州威尔高电子有限公司 | 电脑显示板层压工序蚀刻质量检测方法 |
WO2023077404A1 (zh) * | 2021-11-05 | 2023-05-11 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置和系统 |
CN116205919A (zh) * | 2023-05-05 | 2023-06-02 | 深圳市智宇精密五金塑胶有限公司 | 基于人工智能的五金零件生产质量检测方法及系统 |
CN116309471A (zh) * | 2023-03-22 | 2023-06-23 | 苏州凌云光工业智能技术有限公司 | 一种质量缺陷预警方法、装置、电子设备以及介质 |
CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
CN116385448A (zh) * | 2023-06-07 | 2023-07-04 | 深圳市华伟精密陶瓷有限公司 | 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
CN116630322A (zh) * | 2023-07-24 | 2023-08-22 | 深圳市中翔达润电子有限公司 | 基于机器视觉的pcba板的质量检测方法 |
CN116721106A (zh) * | 2023-08-11 | 2023-09-08 | 山东明达圣昌铝业集团有限公司 | 一种基于图像处理的型材瑕疵视觉检测方法 |
-
2023
- 2023-10-23 CN CN202311369369.5A patent/CN117115153B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07140086A (ja) * | 1993-11-15 | 1995-06-02 | Hitachi Denshi Ltd | 外観形状検査装置 |
JP2003189126A (ja) * | 2001-12-13 | 2003-07-04 | Olympus Optical Co Ltd | 撮像装置 |
US20060067571A1 (en) * | 2004-09-29 | 2006-03-30 | Dainippon Screen Mfg. Co., Ltd. | Defect detection apparatus and defect detection method |
KR20060133726A (ko) * | 2005-06-21 | 2006-12-27 | 엘지전자 주식회사 | 감마보정 장치 및 방법 |
CN104574337A (zh) * | 2015-01-21 | 2015-04-29 | 山东科技大学 | 基于双边伽马校正和多尺度图像融合的图像增强方法 |
US20210304389A1 (en) * | 2020-03-31 | 2021-09-30 | International Business Machines Corporation | Object defect correction |
CN113269770A (zh) * | 2021-06-08 | 2021-08-17 | 深圳市英视自动化科技有限公司 | 一种视觉缺陷检测用图像增强方法、系统及设备 |
US20230125477A1 (en) * | 2021-10-26 | 2023-04-27 | Nvidia Corporation | Defect detection using one or more neural networks |
WO2023077404A1 (zh) * | 2021-11-05 | 2023-05-11 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置和系统 |
CN114882039A (zh) * | 2022-07-12 | 2022-08-09 | 南通透灵信息科技有限公司 | 一种应用于pcb板自动分拣过程中的pcb板缺陷识别方法 |
CN115511792A (zh) * | 2022-09-05 | 2022-12-23 | 苏州帕维纳尔智能科技有限公司 | 一种针对高纵横比工件缺陷的增强型检测方法 |
CN115272316A (zh) * | 2022-09-27 | 2022-11-01 | 山东华太新能源电池有限公司 | 基于计算机视觉的电池盖焊接质量智能检测方法 |
CN115731166A (zh) * | 2022-10-08 | 2023-03-03 | 广东电网有限责任公司广州供电局 | 一种基于深度学习的高压电缆接头打磨缺陷检测方法 |
CN115345883A (zh) * | 2022-10-19 | 2022-11-15 | 元能微电子科技南通有限公司 | 基于线性灰度增强的pcb板偏孔异常检测方法 |
WO2023134789A1 (zh) * | 2022-10-25 | 2023-07-20 | 苏州德斯米尔智能科技有限公司 | 一种用于带式输送设备的自动检测方法 |
CN115829976A (zh) * | 2022-12-07 | 2023-03-21 | 七海测量技术(深圳)有限公司 | 一种针对外观缺陷检测的图像处理方法 |
WO2023134792A2 (zh) * | 2022-12-15 | 2023-07-20 | 苏州迈创信息技术有限公司 | 一种led灯芯缺陷检测方法 |
CN116309471A (zh) * | 2023-03-22 | 2023-06-23 | 苏州凌云光工业智能技术有限公司 | 一种质量缺陷预警方法、装置、电子设备以及介质 |
CN116030052A (zh) * | 2023-03-27 | 2023-04-28 | 惠州威尔高电子有限公司 | 电脑显示板层压工序蚀刻质量检测方法 |
CN116205919A (zh) * | 2023-05-05 | 2023-06-02 | 深圳市智宇精密五金塑胶有限公司 | 基于人工智能的五金零件生产质量检测方法及系统 |
CN116363133A (zh) * | 2023-06-01 | 2023-06-30 | 无锡斯达新能源科技股份有限公司 | 基于机器视觉的照明器配件缺陷检测方法 |
CN116385448A (zh) * | 2023-06-07 | 2023-07-04 | 深圳市华伟精密陶瓷有限公司 | 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法 |
CN116630322A (zh) * | 2023-07-24 | 2023-08-22 | 深圳市中翔达润电子有限公司 | 基于机器视觉的pcba板的质量检测方法 |
CN116721106A (zh) * | 2023-08-11 | 2023-09-08 | 山东明达圣昌铝业集团有限公司 | 一种基于图像处理的型材瑕疵视觉检测方法 |
Non-Patent Citations (5)
Title |
---|
张宸, 刘江龙, 陈光辉: "井下仪器印刷线路板常见故障处理", 石油仪器, no. 04 * |
徐足骋;周鑫;袁锁中;王从庆;张小正;: "基于视觉的印刷品缺陷检测技术", 重庆理工大学学报(自然科学), no. 08 * |
朱铮涛;萧达安;: "基于非线性调整的伽马校正图像增强算法", 计算机工程与设计, no. 09 * |
王付军;刘兰英;: "基于微焦点X射线的SMT焊点缺陷检测仿真", 计算机仿真, no. 09 * |
王玉萍;郭峰林;: "基于机器视觉的PCB板缺陷检测系统关键技术研究", 科技通报, no. 01 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333503A (zh) * | 2023-11-30 | 2024-01-02 | 青岛合丰新材料有限公司 | 基于图像特征分析的塑料母粒检测方法 |
CN117333503B (zh) * | 2023-11-30 | 2024-02-09 | 青岛合丰新材料有限公司 | 基于图像特征分析的塑料母粒检测方法 |
CN117689662A (zh) * | 2024-02-04 | 2024-03-12 | 张家港长寿工业设备制造有限公司 | 一种换热器管头焊接质量视觉检测方法及系统 |
CN117689662B (zh) * | 2024-02-04 | 2024-04-26 | 张家港长寿工业设备制造有限公司 | 一种换热器管头焊接质量视觉检测方法及系统 |
CN117808800B (zh) * | 2024-02-29 | 2024-05-10 | 深圳市富安娜艺术家居有限公司 | 一种纺织品染色质量智能评估方法及系统 |
CN117876360A (zh) * | 2024-03-08 | 2024-04-12 | 卡松科技股份有限公司 | 基于图像处理的润滑油油质智能检测方法 |
CN117876360B (zh) * | 2024-03-08 | 2024-07-02 | 卡松科技股份有限公司 | 基于图像处理的润滑油油质智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117115153B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117115153B (zh) | 基于视觉辅助的印制线路板质量智能检测方法 | |
CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
US20130202188A1 (en) | Defect inspection method, defect inspection apparatus, program product and output unit | |
WO2017020829A1 (zh) | 解像力测试方法和解像力测试装置 | |
CN116245880B (zh) | 基于红外识别的电动车充电桩火灾风险检测方法 | |
CN111611863B (zh) | 车牌图像质量评价方法、装置以及计算机设备 | |
CN111325717B (zh) | 手机缺陷位置识别方法及设备 | |
JPWO2016170656A1 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
CN116503388A (zh) | 缺陷检测方法、装置及存储介质 | |
CN116468687A (zh) | 划伤缺陷检测方法、装置及存储介质、电子设备 | |
CN117408995A (zh) | 基于多特征融合的电源适配器外观质量检测方法 | |
JP2011165170A (ja) | 対象物検出装置及びプログラム | |
CN109785290B (zh) | 基于局部光照归一化的钢板缺陷检测方法 | |
WO2019007164A1 (zh) | 纸币涂鸦的检测方法及装置 | |
CN114359174B (zh) | 导电粒子识别方法、装置、电子设备及存储介质 | |
CN109448012A (zh) | 一种图像边缘检测方法及装置 | |
KR20220154345A (ko) | 가우시안 가중치 최소 자승법을 이용하는 영상 처리 장치 및 그것의 윤곽선 검출 방법 | |
CN113012121B (zh) | 裸片扫描结果的处理方法、装置、电子设备与存储介质 | |
JP2009017158A (ja) | カメラ検査装置 | |
CN114913071A (zh) | 集成亮度区域信息的特征点匹配的水下图像拼接方法 | |
JP4115378B2 (ja) | 欠陥検出方法 | |
CN110441315B (zh) | 电子部件测试设备和方法 | |
CN112102355B (zh) | 平板探测器的低对比度分辨率的识别方法、设备、存储介质及系统 | |
CN111523605A (zh) | 一种图像识别方法、装置、电子设备及介质 | |
JP2006292500A (ja) | 表面検査方法及び表面検査装置 |
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 |