CN117129480B - 基于机器视觉的计算机主板元器件智能检测方法及装置 - Google Patents
基于机器视觉的计算机主板元器件智能检测方法及装置 Download PDFInfo
- Publication number
- CN117129480B CN117129480B CN202311384617.3A CN202311384617A CN117129480B CN 117129480 B CN117129480 B CN 117129480B CN 202311384617 A CN202311384617 A CN 202311384617A CN 117129480 B CN117129480 B CN 117129480B
- Authority
- CN
- China
- Prior art keywords
- image
- main board
- detected
- detection
- defect
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 191
- 230000007547 defect Effects 0.000 claims abstract description 144
- 238000000034 method Methods 0.000 claims abstract description 57
- 230000009466 transformation Effects 0.000 claims description 48
- 238000005192 partition Methods 0.000 claims description 38
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000012937 correction Methods 0.000 claims description 24
- 238000004519 manufacturing process Methods 0.000 claims description 21
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims 3
- 230000008569 process Effects 0.000 description 20
- 238000012545 processing Methods 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 11
- 238000012360 testing method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/01—Subjecting similar articles in turn to test, e.g. "go/no-go" tests in mass production; Testing objects at points as they pass through a testing station
- G01R31/013—Testing passive components
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
Abstract
本发明涉及智能检测技术领域，具体为基于机器视觉的计算机主板元器件智能检测方法及装置。本申请实施例提供的基于机器视觉的计算机主板元器件智能检测方法及装置中，通过采集到的主板的实时图像，并基于机器视觉方案对实时图像进行模板匹配和主板的缺陷识别，确定主板是否存在表面缺陷。并对物表面缺陷的完整主板进行主板性能检测，确定主板是否存在性能缺陷。最终对无性能缺陷的主板进行上电检测，通过检测计算机主板上的多个元器件的电压数据和温度数据最终确定计算机主板是否满足产品性能要求。本申请实施通过将计算机主板划分多个检测项目依次进行检测，提高了检测的全面性和准确性。
Description
技术领域
本发明涉及智能检测技术领域，具体为基于机器视觉的计算机主板元器件智能检测方法及装置。
背景技术
随着计算机技术的发展，计算机主板在电子设备中扮演着至关重要的角色。计算机主板由许多电子元器件组成，包括芯片、插槽、电容等等。这些元器件在主板上呈现出复杂的排列和连接方式，给生产过程中的质量检测带来了挑战。
传统的计算机主板元器件检测方法主要依赖人工进行，需要大量的人力和时间。人工检测存在着一定的局限性，容易出错或漏检，且无法满足大规模生产的需要。
发明内容
为了解决以上的问题，本申请提供基于机器视觉的计算机主板元器件智能检测方法及装置，能够通过机器视觉方案实现对于计算机主板中的元器件进行自动化检测。
为了达到上述目的，本申请实施例采用的技术方案如下：
第一方面，提供基于机器视觉的计算机主板元器件智能检测方法，所述方法应用于计算机主板产线，所述计算机主板产线包括主板检测位和计算机主板检测位，所述主板检测位用于检测主板是否存在表面缺陷；所述计算机主板检测位用于检测所述主板是否存在性能缺陷，以及所述计算机主板中的多个元器件是否存在性能缺陷；所述方法包括：获取待测主板的待测图像，并根据预存的模板图像在所述待测图像中确定多个检测区域，分别确定各个所述检测区域内是否存在缺陷区域，并根据各个所述缺陷区域的缺陷特征确定所述缺陷区域的缺陷类型；所述模板图像根据所述待测主板对应的标准图像生成；对无缺陷区域的所述计算机主板进行上电，并获取所述计算机主板的电阻数据和湿度数据，并根据所述电阻数据和所述湿度数据确定所述主板是否存在性能缺陷；对无性能缺陷的所述计算机主板中的多个元器件进行上电，并采集多个所述元器件中的实时电压数据和实时温度数据，并根据所述元器件对应的电压修正参数和温度修正参数对所述实时电压数据和所述实时温度数据进行修正得到真实电压数据和真实温度数据，并基于所述元器件所对应的电压阈值和温度阈值确定所述计算机主板的运行性能是否满足要求。
进一步的，所述模板图像包括全局模板图像以及多个分区模板图像；所述获取所述待测主板的待测图像，并根据预存的模板图像在所述待测图像中确定多个检测区域，包括：获取取像部件针对所述待测主板采集的待测图像，并对所述待测图像进行多尺度比例缩放，获得多个不同尺度的尺度待测图像；分别对各个所述尺度待测图像进行滑动遍历，计算各个所述尺度待测图像与所述全局模板图像之间的相似度，选择最高相似度所对应的所述尺度待测图像为最优待测图像；根据所述全局模板图像和所述最优待测图像，确定所述待测主板在所述待测图像中的主板位置以及所述全局模板图像到所述待测图像的仿射变换矩阵；所述仿射变换矩阵表征各个所述分区模板图像到所述待测图像的仿射变换关系；根据所述主板位置以及所述仿射变换矩阵分别将各个所述分区模板图像仿射至所述待测图像，以在所述待测图像中确定多个检测区域；其中，每个所述分区模板图像对应一个检测区域。
进一步的，所述根据所述全局模板图像和多个所述尺度待测图像，确定所述待测主板在所述待测图像中的主板位置以及所述全局模板图像到所述待测图像的仿射变换矩阵，包括：根据所述全局模板图像和所述最优尺度待测图像确定所述全局模板图像与所述待测图像之间的变换参数，并根据所述变换参数和预设的单位矩阵，确定所述全局模板图像到所述待测图像的仿射变换矩阵。
进一步的，所述确定各个所述检测区域内是否存在缺陷区域，并根据各个所述缺陷区域的缺陷特征确定所述缺陷区域的缺陷类型，包括：基于所述分区模板图像确定该分区所对应的图像检测模型，将各个所述检测区域所对应的区域图像分别输入至对应的图像检测模型中确定是否为缺陷区域以及所述缺陷区域的缺陷类型；所述图像检测模型为训练后呈收敛状态的Faster-CNN模型，所述图像检测模型基于对应检测区域的历史图像数据通过训练得到。
进一步的，所述获取所述计算机主板的电阻数据，并根据所述电阻数据确定所述计算机主板是否存在性能缺陷包括：对所述计算机主板上的芯片的电源引脚与地检测点位置进行检测，获取所电源引脚与地之间的电阻数据，当所述电阻数据不在预设电阻范围内时确定所述计算机主板存在性能缺陷。
进一步的，所述获取所述计算机主板的湿度数据，并根据所述湿度数据确定所述计算机主板是否存在性能缺陷包括，包括：基于湿度传感器获取所述计算机主板的实时湿度数据，并获取所述实时湿度数据以及预设的正常湿度数据的比例关系，当所述比例关系大于1.5时确定所述计算机主板存在性能缺陷。
进一步的，所述电压修正参数的获取包括以下过程：在同一环境条件下对所述元器件进行多次电压采集，得到多个电压值，将多个所述电压值进行平均处理得到电压平均值，获取所述电压平均值与多个所述电压值对应的多个电压比值，获取多个所述电压比值的中位数，所述中位数未对应的电压修正参数。
进一步的，所述温度修正参数的获取包括以下过程：在同一环境条件下对所述元器件进行多次温度采集，得到多个温度值，将多个所述温度值进行平均处理得到温度平均值，获取所述温度平均值与多个所述温度值对应的多个温度比值，获取多个所述温度比值的中位数，所述中位数未对应的温度修正参数。
第二方面，提供基于机器视觉的计算机主板元器件智能检测装置，所述装置应用于计算机主板产线，所述计算机主板产线包括主板检测位和计算机主板检测位，所述主板检测位用于检测主板是否存在表面缺陷；所述计算机主板检测位用于检测所述主板是否存在性能缺陷，以及所述计算机主板中的多个元器件是否存在性能缺陷；所述装置包括：主板检测模块，用于将主板所对应的待测图像中的多个检测区域进行检测，确定多个检测区域是否存在缺陷区域，并根据各个所述缺陷区域的缺陷特征确定所述缺陷区域的缺陷类型；主板性能检测模块，用于对无缺陷区域的所述计算机主板的电阻数据和湿度数据进行采集，并根据所述电阻数据和所述湿度数据确定所述主板是否存在性能缺陷；计算机主板性能检测模块，用于对无性能缺陷的计算机主板中的多个元器件进行实时电压数据和实时温度数据采集，并根据所述元器件所对应的电压阈值和温度阈值确定所述计算机主板的运行性能是否满足要求。
进一步的，所述主板检测模块包括：检测区域确定单元，用于通过预存的模板图像在所述待测图像中确定多个检测区域，所述模板图像包括全局模板图像以及多个分区模板图像；缺陷检测单元，用于通过分区模板图像确定该分区所对应的图像检测模型，将各个所述检测区域所对应的区域图像分别输入至对应的图像检测模型中确定是否为缺陷区域以及所述缺陷区域的缺陷类型。
第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的方法。
本申请实施例提供的基于机器视觉的计算机主板元器件智能检测方法及装置中，通过采集到的主板的实时图像，并基于机器视觉方案对实时图像进行模板匹配和主板的缺陷识别，确定主板是否存在表面缺陷。并对物表面缺陷的完整主板进行主板性能检测，确定主板是否存在性能缺陷。最终对无性能缺陷的主板进行上电检测，通过检测计算机主板上的多个元器件的电压数据和温度数据最终确定计算机主板是否满足产品性能要求。本申请实施通过将计算机主板划分多个检测项目依次进行检测，提高了检测的全面性和准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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。
附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中示例数字在附图的各个视图中代表相似的机构。
图1是本申请实施例提供的基于机器视觉的计算机主板元器件智能检测方法流程示意图；
图2是本申请实施例中的检测方法部分子流程示意图；
图3是本申请实施例中的检测方法一种子流程示意图；
图4是本申请实施例中的检测方法另一种子流程示意图；
图5是本申请实施例提供的基于机器视觉的计算机主板元器件智能检测装置结构示意图；
图6是本申请实施例提供的电子设备示意图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中，通过实例阐述了许多具体细节，以便提供对相关指导的全面了解。然而，对于本领域的技术人员来说，显然可以在没有这些细节的情况下实施本申请。在其他情况下，公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述，没有细节，以避免不必要的模糊本申请的方面。
本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是，流程图的执行过程可以不按顺序执行。相反，这些执行过程可以以相反的顺序或同时执行。另外，可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
对本发明实施例进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。
（1）响应于，用于表示所执行的操作所依赖的条件或者状态，当满足所依赖的条件或状态时，所执行的一个或多个操作可以是实时的，也可以具有设定的延迟；在没有特别说明的情况下，所执行的多个操作不存在执行先后顺序的限制。
（2）基于，用于表示所执行的操作所依赖的条件或者状态，当满足所依赖的条件或状态时，所执行的一个或多个操作可以是实时的，也可以具有设定的延迟；在没有特别说明的情况下，所执行的多个操作不存在执行先后顺序的限制。
随着计算机技术的发展，计算机主板在电子设备中扮演着至关重要的角色。计算机主板由许多电子元器件组成，包括芯片、插槽、电容等等。这些元器件在主板上呈现出复杂的排列和连接方式，给生产过程中的质量检测带来了挑战。传统的计算机主板元器件检测方法主要依赖人工进行，需要大量的人力和时间。人工检测存在着一定的局限性，容易出错或漏检，且无法满足大规模生产的需要。
为了解决这些问题，基于机器视觉的计算机主板元器件智能检测方法应运而生。通过利用计算机视觉技术，可以将图像识别、图像处理和机器学习结合起来，实现对计算机主板上元器件的快速、准确的检测。
该方法首先需要采集计算机主板上的图像，然后利用图像处理算法对图像进行预处理，包括边缘检测、图像增强和降噪等。接下来，采用图像识别技术，将预处理后的图像与已知的元器件图像进行匹配，判断主板上是否存在指定的元器件。最后，通过机器学习算法对检测结果进行分析和判断，提高检测的准确性和可靠性。
基于机器视觉的计算机主板元器件智能检测方法具有以下优势：
1. 自动化程度高：基于机器视觉的检测方法可以实现对主板元器件的自动化检测，减少人力成本和时间成本。
2. 检测准确性高：通过多种传感器、图像识别、机器学习算法，可以实现对元器件的高准确性检测，避免人工检测的错误和漏检。
3. 适应性强：基于机器视觉的检测方法可以适应不同类型、不同尺寸的计算机主板，具有较强的通用性和适应性。
4. 支持大规模生产：基于机器视觉的检测方法可以实现对大规模生产中计算机主板元器件的快速检测，提高生产效率。
基于机器视觉的计算机主板元器件智能检测方法在电子制造业具有广阔的应用前景，可以提高计算机主板生产过程中的质量检测效率和准确性，为电子产品的发展和普及做出贡献。
基于以上技术思路，本申请实施例提供的基于机器视觉的计算机主板元器件智能检测方法，能够实现对于计算机主板完全自动化的检测，通过识别待检测特征点以及对识别到的待检测特征点进行对应的状态检测和性能检测，提高整体检测效率以及完整性。
参阅图1，针对于以上现有技术中的问题，本申请提供基于机器视觉的计算机主板元器件智能检测方法，主要应用于计算机主板产线。在本申请实施例中的计算机主板产线包括对于主板检测的主板检测位，和对电连接元器件的计算机主板检测位，其中主板检测位用于检测主板是否存在表面缺陷；所述计算机主板检测位用于检测所述主板是否存在性能缺陷，以及所述计算机主板中的多个元器件是否存在性能缺陷，方法具体包括以下步骤：
步骤S110.获取待测主板的待测图像，并根据预存的模板图像在所述待测图像中确定多个检测区域，分别确定各个所述检测区域内是否存在缺陷区域，并根据各个所述缺陷区域的缺陷特征确定所述缺陷区域的缺陷类型。
在本申请实施例中，针对于模板图像根据所述待测主板对应的标准图像生成，可以为黄金模板图像。
针对于本申请实施例中此过程主要用于主板的表面缺陷检测，因为该待测主板可以是工艺复杂度较高，容易在生产制造过程中产生影响性能的表面缺陷的集成电路主板。所以，针对于计算机主板整体性能检测之前需要确定用于贴附元器件的主板的表面缺陷。
可选地，该待测图像为包含有待测主板的图像，该检测区域指的是待测图像中包含的待测主板上的区域。
可以理解地，在本实施例中，方法可以将待测图像中的待测芯片部分拆分为多个检测区域。
在本申请实施例中，可以分别确定各个检测区域内存在的缺陷区域，并针对各个缺陷区域，根据其缺陷特征确定该缺陷区域是否属于主板表面缺陷。可以理解地，该主板表面缺陷指的是足以对计算机主板性能产生影响的缺陷。在本实施例中，不同的缺陷区域可能具有不同的缺陷特征。
可以理解地，本申请实施例提供的主板表面缺陷检测方法是通过视觉检测技术对待测主板的表面缺陷进行非接触式检测，因此可以减少对待测主板的二次损伤，同时可以解决人工检测的不足。
本申请实施例提供的主板表面缺陷检测方法，获取待测芯片的待测图像，并根据预存的模板图像在待测图像中确定多个检测区域，之后分别确定各个检测区域内存在的缺陷区域，并根据各个缺陷区域的缺陷特征确定该缺陷区域是否属于芯片的表面缺陷。该方法可通过分区检测提高主板表面缺陷的检测准确性，同时无需采用复杂的系统结构，因此可降低检测成本。
在一种可能实现的方式中，该模板图像可以包括全局模板图像和多个分区模板图像，通过获取待测主板对应的标准芯片图像，并将标准主板图像作为全局模板图像进行存储；根据预设分区阈值对标准主板图像进行二值化运算，获得多个分区图像，并将多个分区图像作为分区模板图像进行保存。
可选地，该预设分区阈值可以事先根据实际情况确定；各个分区图像均为二值图。其中分区图像为标准主板图像中标准主板上的区域图像，即将标准主板图像中的标准主板拆分为多个分区图像。
考虑到生产工艺会造成不同的产品之间存在一定的产品公差，因此为了避免模板比对时产生由于产品公差影响导致小缺陷的漏检、过检问题，还可以先通过比例缩放的模板匹配法对取像部件采集的待测主板的主板图像进行处理，以解决产品公差带来的问题。为了解决此技术问题，通过全局模板图像进行比例缩放和模板匹配，以确定排除了产品公差问题的待测图像，并确定各个分区模板图像到该待测图像的仿射变换矩阵。
参阅图2，针对于本申请实施例中的以上的图像处理可以概括为以下两个过程：
步骤S111.获得多个检测区域。
步骤S112.对多个检测区域通过对应的图像检测模型进行检测。
参阅图3，其中针对于步骤S111的具体处理过程包括以下步骤：
步骤S111-1.获取取像部件针对所述待测主板采集的待测图像，并对所述待测图像进行多尺度比例缩放，获得多个不同尺度的尺度待测图像。
此过程具体为将待测图像缩小或放大为多个尺寸，从而获得多个不同尺度的尺度待测图像，形成图像金字塔，其中不同尺度分别对应不同清晰度的待测图像。
步骤S111-2.分别对各个所述尺度待测图像进行滑动遍历，计算各个所述尺度待测图像与所述全局模板图像之间的相似度，选择最高相似度所对应的所述尺度待测图像为最优待测图像。
在本申请实施例中，针对于获取到的多个尺度待测图像，在后续进行处理中需要在多个尺度待测图像中选择一个最优尺度待测图像。其中针对于最优待测图像的获取逻辑为通过计算各个所述尺度待测图像与所述全局模板图像之间的相似度，在多个相似度中选择一个最高相似度所对应的尺度待测图像为最优待测图像。
步骤S111-3.根据所述全局模板图像和所述最优待测图像，确定所述待测主板在所述待测图像中的主板位置以及所述全局模板图像到所述待测图像的仿射变换矩阵。
在本申请实施实例中，针对于仿射变换矩阵可以表征各个分区模板图像到待测图像的仿射变换关系。可以理解的，由于分区模板图像是根据全局模板图像生成的，因此全局模板图像到待测图像的仿射变换矩阵也可以表征分区模板图像到待测图像的仿射变换关系。
其中针对于此过程通过所述全局模板图像和所述最优尺度待测图像确定所述全局模板图像与所述待测图像之间的变换参数，并根据所述变换参数和预设的单位矩阵，确定所述全局模板图像到所述待测图像的仿射变换矩阵。在本申请实施例中，针对于变换参数为缩放变换参数、平移变换参数和旋转变换参数，以上三个参数是针对进行缩放处理、平移处理和旋转处理中使用到的图像处理参数，其中针对于以上的处理过程为仿射变换过程中使用到的过程，因为在仿射变换处理中对于缩放、平移和旋转为常用手段则在本申请实施中不再进行赘述。
在本申请实施例中，针对于仿射变换矩阵的获取通过全局模板图像和所述最优尺度待测图像确定所述全局模板图像与所述待测图像之间的变换参数，并根据所述变换参数和预设的单位矩阵，确定所述全局模板图像到所述待测图像的仿射变换矩阵。
具体的，针对于预设的单位矩阵可以为终端设备根据预设的矩阵大小生成的单位矩阵，在一种可能实现的方式中，该预设的矩阵大小可以为3*3。可以根据变换参数对该单位矩阵进行矩阵运算，从而得到全局模板图像到待测图像的仿射变换矩阵。
步骤S111-4.根据所述主板位置以及所述仿射变换矩阵分别将各个所述分区模板图像仿射至所述待测图像，以在所述待测图像中确定多个检测区域。
在本申请实施例中，每个所述分区模板图像对应一个检测区域。
通过以上的处理过程用于将待测主板图像进行拆分为多个检测区域，多个检测区域分别有对应的区域图像，而针对于表面缺陷检测基于区域图像进行检测，检测逻辑为将区域图像输入至的对应的图像检测模型，通过图像检测模型对对应的区域图像进行表面缺陷检测。因为检测区域的不同，所对应的缺陷特征不同，所以针对于不同缺陷特征需要通过不同的检测模型进行对应检测。
参阅图4，而针对于检测方法包括以下过程：
步骤S112-1.基于所述分区模板图像确定该分区所对应的图像检测模型。
在本申请实施例中，针对于图像检测模型的确定基于分区模板图像进行确定，即一个分区模板图像对应一个图像检测模型，因为每个分区模板图像对应一个检测区域，即能够实现对于图像检测模型与检测区域的关联。
步骤S112-2.将各个所述检测区域所对应的区域图像分别输入至对应的图像检测模型中确定是否为缺陷区域以及所述缺陷区域的缺陷类型。
在本申请实施例中，针对于图像检测模型为训练后呈收敛状态的Faster-R-CNN模型，而针对于不同检测区域对应的图像检测模型基于检测区域的历史图像数据通过训练得到。
其中，针对于Faster-RCNN模型包括图像输入层、RPN网络、特征提取层、分类器、回归器和定位层，其中针对于RPN网络包括自下而上网络、自上而下网络、横向连接网络和卷积融合层。其中自下而上网络和自上而下网络由五个卷积层组成，其中自下而上网络第一个卷积层由ResNet101 前几个卷积层和池化层构成，自上而下网络最后一个卷积层进行1×1卷积降低通道数得到P5，然后依次进行上采样得到P4、P3和P2，其中P4、P3和P2目的是得到与自下而上网络中的第四卷积层、第三卷积层和第二卷积层长宽相同的特征，方便下一步进行逐元素相加。横向连接网络将上采样后的高层语义特征与浅层的定位细节特征进行融合。卷积融合层在得到相加后的特征后，利用 3×3 卷积对生成的P2至P4再进行融合，目的是消除上采样过程带来的重叠效应，以生成最终的特征图。其中，针对于RPN网络用语生成概率是会在{P2,P3,P4,P5,P6}5个特征图上进行预测生成预测特征图，针对于预测特征图中用RPN网络生成一系列的概率，将概率映射到特征图上，然后把映射的这部分特征输入到Fast-RCNN部分得到最后预测结果。
步骤S120.对无缺陷区域的所述计算机主板进行上电，并获取所述计算机主板的电阻数据和湿度数据，并根据所述电阻数据和所述湿度数据确定所述主板是否存在性能缺陷。
在本申请实施例中，针对于步骤S110处理得到了关于主板是否具有表面缺陷，针对于主板不具有表面缺陷时需要对计算机主板进行性能检测，确定会否具有性能缺陷。
具体的，针对于计算机主板的性能缺陷基于电阻数据以及湿度数据这两个特征数据进行确定。
其中，针对于电阻数据进行性能缺陷检测的确定过程包括：对所述计算机主板上的芯片的电源引脚与地检测点位置进行检测，获取所述芯片的电源引脚与地之间的电阻数据，所述预设电阻范围为100Ω-300Ω。其中针对于电阻检测基于电阻测试仪实现，首先针对于所述电阻测试仪需要进行反馈信号启动，并获取计算机主板上的各芯片的电源引脚与地检测点位置，完成电阻测试仪连接电源引脚与地之间进行电阻值检测，当检测电阻值不为100Ω-300Ω范围中，判断主板电阻值异常，并通过用户接口进行向工作人员进行反馈异常信息。当检测电阻值为100Ω-300Ω范围中，控制电阻测试仪检测反向电阻值，获取检测反向电阻值不为范围中，判断主板电阻值异常。当正反电阻值都为100Ω-300Ω范围中，判断芯片的电源引脚与地中间电阻无异常。
其中针对于湿度检测，包括：基于湿度传感器获取所述计算机主板的实时湿度数据，并获取所述实时湿度数据以及预设的正常湿度数据的比例关系，当所述比例关系大于1.5时确定所述计算机主板存在性能缺陷。
步骤S130.对无性能缺陷的计算机主板中的多个元器件进行上电，并采集多个所述元器件中的实时电压数据和实时温度数据，并基于所述元器件所对应的电压阈值和温度阈值确定所述计算机主板的运行性能是否满足要求。
在本申请实施例中，针对于计算机主板中的元器件进行检测基于元器件在工作过程中的电压数据和温度数据进行确定。
其中，为了降低因为采集过程中环境以及设备因素对于电压数据的影响需要对实时电压数据进行修正，获得修正后的真实电压数据。其中，针对于修正处理基于电压修正参数对实时电压数据进行处理。而针对于本申请实施例中的电压修正参数的获取基于历史电压数据进行，具体的处理过程为：在同一环境条件下对所述元器件进行多次电压采集，得到多个电压值，将多个所述电压值进行平均处理得到电压平均值，获取所述电压平均值与多个所述电压值对应的多个电压比值，获取多个所述电压比值的中位数，所述中位数为对应的电压修正参数。通过电压修正参数将获得到的实时电压数据进行相乘处理最终得到真实电压数据。
然后将真实电压数据与元器件所对应的电压阈值进行比较进行电压是否满足要求的判断，当所述真实电压数据不处于预设电压范围内，此真实电压数据为异常电压，并确定所述异常电压与所述正常电压的比例关系，当所述比例关系处于0.5-1.5时确定为电压低异常，当所述比例关系低于0.5或大于1.5时确定为电压高异常。
在本申请实施例中，针对于电压数据基于多个预设检测点位进行采集，对应的多个预设检测点位为F0-F4，其中F0为内存插槽供电测试位置，一般电压范围在1.65-1.75V之间为正常。F1为内存主供电测试位置，一般供电电压与插槽标示电压相同。F2为南北桥主供电测试位置，一般电压范围在1.0-1.8V左右为正常。F3为北桥主供电,测试位置，测出实际电压范围在1.1-1.4V之间为正常。F4为CPU主供电测试位置，主板测出实际电压范围在1.0-1.6V左右为正常。
同样的，针对于真实温度数据也根据温度修正参数与采集到的实时温度数据进行确定。其中针对于温度修正参数的获取包括以下过程：在同一环境条件下对所述元器件进行多次温度采集，得到多个温度值，将多个所述温度值进行平均处理得到温度平均值，获取所述温度平均值与多个所述温度值对应的多个温度比值，获取多个所述温度比值的中位数，所述中位数未对应的温度修正参数。
其中，针对于获取到的真实温度数据进行温度检测包括：基于红外温度传感器获取所述计算机主板预设运行时间内的真实最高温度，并获取所述真实最高温度与预设的标准温度的比例关系，基于所述比例关系与预设比例关系确定温度是否具有异常。
在本申请实施例中，预设运行时间为1min，其中预设比例关系为1.06，即当计算得到的比例关系小于1.06时，判断主板温度正常，当比例关系大于等于1.06时，判断主板芯片温度异常。
在本申请实施例中，针对于温度阈值并非为直接的温度数据，而是基于真实最高温度与标准温度的对应比例关系，当超过此比例关系则说明具有异常。
在本申请实施例中，针对于元器件性能检测还包括对于元器件进行时钟检测。
具体地，针对于时钟检测，包括：获取所述计算机主板的输入信号和输出信号，基于示波器对检测位置进行检测频率并检测是否具有时钟信号，若检测无时钟信号，频率检测完成，通过对所述计算机主板预设的正常频率范围值确定是否有时钟信号异常并基于所述示波器进行反馈信号。
在本申请实施例中，针对于时钟检测的对象为BIOS芯片、I/O芯片、北桥芯片、南桥芯片和时钟芯片。其中针对于BIOS芯片，用于保存控制主板最基本的指令； I/O芯片用于负责输入和输出，可以提供对键盘、鼠标、串口、并口的支持；北桥芯片用于控制内存、处理器、显示卡；南桥芯片，用于控制硬盘、PCI总线及设备，提供温度监控，提供能源控制等功能；5、时钟芯片。通过检测位置进行检测频率，若检测无时钟信号，频率检测完成，系统连接网络接口获取当前主板芯片正常频率范围值。完成，通过当前主板芯片正常频率范围值分析芯片是否有时钟信号异常，异常则此芯片损坏。
参阅图5，本申请实施例基于步骤S110-步骤S130提供基于机器视觉的计算机主板元器件智能检测装置500，用于执行计算机主板元器件智能检测方法，所述装置包括：
主板检测模块510，用于将主板所对应的待测图像中的多个检测区域进行检测，确定多个检测区域是否存在缺陷区域，并根据各个所述缺陷区域的缺陷特征确定所述缺陷区域的缺陷类型；
主板性能检测模块520，用于对无缺陷区域的所述计算机主板的电阻数据和湿度数据进行采集，并根据所述电阻数据和所述湿度数据确定所述主板是否存在性能缺陷；
计算机主板性能检测模块530，用于对无性能缺陷的计算机主板中的多个元器件进行实时电压数据和实时温度数据采集，并根据所述元器件所对应的电压阈值和温度阈值确定所述计算机主板的运行性能是否满足要求。
参阅图6，还提供一种电子设备600，具体的设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器601和存储器602，存储器602中可以存储有一个或一个以上存储应用程序或数据。其中，存储器602可以是短暂存储或持久存储。存储在存储器602的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括电子设备中的一系列计算机可执行指令。更进一步地，处理器601可以设置为与存储器602通信，电子设备上执行存储器602中的一系列计算机可执行指令。电子设备还可以包括一个或一个以上电源603，一个或一个以上有线或无线网络接口604，一个或一个以上输入/输出接口605，一个或一个以上键盘606等。
在一个具体的实施例中，电子设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对电子设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
获取待测主板的待测图像，并根据预存的模板图像在所述待测图像中确定多个检测区域，分别确定各个所述检测区域内是否存在缺陷区域，并根据各个所述缺陷区域的缺陷特征确定所述缺陷区域的缺陷类型；
对无缺陷区域的所述计算机主板进行上电，并获取所述计算机主板的电阻数据和湿度数据，并根据所述电阻数据和所述湿度数据确定所述主板是否存在性能缺陷；
对无性能缺陷的计算机主板中的多个元器件进行上电，并采集多个所述元器件中的实时电压数据和实时温度数据，并基于所述元器件所对应的电压阈值和温度阈值确定所述计算机主板的运行性能是否满足要求。
下面对处理器的各个构成部件进行具体的介绍：
其中，在本实施例中，处理器是特定集成电路（application specificintegrated circuit，ASIC），或者是被配置成实施本申请实施例的一个或多个集成电路，例如：一个或多个微处理器（digital signal processor，DSP），或，一个或者多个现场可编程门阵列（field programmable gate array，FPGA）。
可选地，处理器可以通过运行或执行存储在存储器内的软件程序，以及调用存储在存储器内的数据，执行各种功能，例如执行上述图1所示的方法。
在具体的实现中，作为一种实施例，处理器可以包括一个或多个微处理器。
其中，所述存储器用于存储执行本申请方案的软件程序，并由处理器来控制执行，具体实现方式可以参考上述方法实施例，此处不再赘述。
可选地，存储器可以是只读存储器（read-only memory，ROM）或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器（random access memory，RAM）或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器（electrically erasable programmable read-only memory，EEPROM）、只读光盘（compactdisc read-only memory，CD-ROM）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以和处理器集成在一起，也可以独立存在，并通过处理器的接口电路与处理单元进行耦合，本申请实施例对此不作具体限定。
需要说明的是，在本实施例中示出的处理器的结构并不构成对该装置的限定，实际的装置可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
此外，处理器的技术效果可以参考上述方法实施例所述的方法的技术效果，此处不再赘述。
应理解，在本申请实施例中的处理器可以是其他通用处理器、数字信号处理器（digital signal processor，DSP）、专用集成电路（application specific integratedcircuit，ASIC）、现成可编程门阵列（field programmable gate array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（read-only memory，ROM）、可编程只读存储器（programmable ROM，PROM）、可擦除可编程只读存储器（erasable PROM，EPROM）、电可擦除可编程只读存储器（electrically EPROM，EEPROM）或闪存。易失性存储器可以是随机存取存储器（random access memory，RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器（random accessmemory，RAM）可用，例如静态随机存取存储器（static RAM，SRAM）、动态随机存取存储器（DRAM）、同步动态随机存取存储器（synchronous DRAM，SDRAM）、双倍数据速率同步动态随机存取存储器（double data rate SDRAM，DDR SDRAM）、增强型同步动态随机存取存储器（enhanced SDRAM，ESDRAM）、同步连接动态随机存取存储器（synchlink DRAM，SLDRAM）和直接内存总线随机存取存储器（direct rambus RAM，DR RAM）。
上述实施例，可以全部或部分地通过软件、硬件（如电路）、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a,b,或c中的至少一项（个），可以表示：a, b, c, a-b, a-c, b-c, 或a-b-c，其中a,b,c可以是单个，也可以是多个。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
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，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。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (4)
1.基于机器视觉的计算机主板元器件智能检测方法，其特征在于，所述方法应用于计算机主板产线，所述计算机主板产线包括主板检测位和计算机主板检测位，所述主板检测位用于检测主板是否存在表面缺陷；所述计算机主板检测位用于检测所述主板是否存在性能缺陷，以及所述计算机主板中的多个元器件是否存在性能缺陷；所述方法包括：
获取待测主板的待测图像，并根据预存的模板图像在所述待测图像中确定多个检测区域，分别确定各个所述检测区域内是否存在缺陷区域，并根据各个所述缺陷区域的缺陷特征确定所述缺陷区域的缺陷类型；所述模板图像根据所述待测主板对应的标准图像生成；所述模板图像包括全局模板图像以及多个分区模板图像；所述获取所述待测主板的待测图像，并根据预存的模板图像在所述待测图像中确定多个检测区域，包括：获取取像部件针对所述待测主板采集的待测图像，并对所述待测图像进行多尺度比例缩放，获得多个不同尺度的尺度待测图像；分别对各个所述尺度待测图像进行滑动遍历，计算各个所述尺度待测图像与所述全局模板图像之间的相似度，选择最高相似度所对应的所述尺度待测图像为最优待测图像；根据所述全局模板图像和所述最优待测图像，确定所述待测主板在所述待测图像中的主板位置以及所述全局模板图像到所述待测图像的仿射变换矩阵；所述仿射变换矩阵表征各个所述分区模板图像到所述待测图像的仿射变换关系；根据所述主板位置以及所述仿射变换矩阵分别将各个所述分区模板图像仿射至所述待测图像，以在所述待测图像中确定多个检测区域；其中，每个所述分区模板图像对应一个检测区域；所述根据所述全局模板图像和所述最优待测图像，确定所述待测主板在所述待测图像中的主板位置以及所述全局模板图像到所述待测图像的仿射变换矩阵，包括：根据所述全局模板图像和所述最优待测图像确定所述全局模板图像与所述待测图像之间的变换参数，并根据所述变换参数和预设的单位矩阵，确定所述全局模板图像到所述待测图像的仿射变换矩阵；
对无缺陷区域的所述计算机主板进行上电，并获取所述计算机主板的电阻数据和湿度数据，并根据所述电阻数据和所述湿度数据确定所述主板是否存在性能缺陷；所述获取所述计算机主板的电阻数据，并根据所述电阻数据确定所述计算机主板是否存在性能缺陷包括：对所述计算机主板上的芯片的电源引脚与地检测点位置进行检测，获取所述电源引脚与地之间的电阻数据，当所述电阻数据不在预设电阻范围内时确定所述计算机主板存在性能缺陷；所述获取所述计算机主板的湿度数据，并根据所述湿度数据确定所述计算机主板是否存在性能缺陷，包括：基于湿度传感器获取所述计算机主板的实时湿度数据，并获取所述实时湿度数据以及预设的正常湿度数据的比例关系，当所述比例关系大于1.5时确定所述计算机主板存在性能缺陷；
对无性能缺陷的所述计算机主板中的多个元器件进行上电，并采集多个所述元器件中的实时电压数据和实时温度数据，并根据所述元器件对应的电压修正参数和温度修正参数对所述实时电压数据和所述实时温度数据进行修正得到真实电压数据和真实温度数据，并基于所述元器件所对应的电压阈值和温度阈值确定所述计算机主板的运行性能是否满足要求；所述电压修正参数的获取包括以下过程：在同一环境条件下对所述元器件进行多次电压采集，得到多个电压值，将多个所述电压值进行平均处理得到电压平均值，获取所述电压平均值与多个所述电压值对应的多个电压比值，获取多个所述电压比值的中位数，所述中位数为对应的电压修正参数；所述温度修正参数的获取包括以下过程：在同一环境条件下对所述元器件进行多次温度采集，得到多个温度值，将多个所述温度值进行平均处理得到温度平均值，获取所述温度平均值与多个所述温度值对应的多个温度比值，获取多个所述温度比值的中位数，所述中位数为对应的温度修正参数。
2.根据权利要求1所述的基于机器视觉的计算机主板元器件智能检测方法，其特征在于，所述确定各个所述检测区域内是否存在缺陷区域，并根据各个所述缺陷区域的缺陷特征确定所述缺陷区域的缺陷类型，包括：
基于所述分区模板图像确定该分区所对应的图像检测模型，将各个所述检测区域所对应的区域图像分别输入至对应的图像检测模型中确定是否为缺陷区域以及所述缺陷区域的缺陷类型；所述图像检测模型为训练后呈收敛状态的Faster-RCNN模型，所述图像检测模型基于对应检测区域的历史图像数据通过训练得到。
3.基于机器视觉的计算机主板元器件智能检测装置，其特征在于，所述装置应用于计算机主板产线，所述计算机主板产线包括主板检测位和计算机主板检测位，所述主板检测位用于检测主板是否存在表面缺陷；所述计算机主板检测位用于检测所述主板是否存在性能缺陷，以及所述计算机主板中的多个元器件是否存在性能缺陷；所述装置用于执行权利要求1所述的基于机器视觉的计算机主板元器件智能检测方法，所述装置包括：
主板检测模块，用于将主板所对应的待测图像中的多个检测区域进行检测，确定多个检测区域是否存在缺陷区域，并根据各个所述缺陷区域的缺陷特征确定所述缺陷区域的缺陷类型；所述模板图像包括全局模板图像以及多个分区模板图像；所述获取所述待测主板的待测图像，并根据预存的模板图像在所述待测图像中确定多个检测区域，包括：获取取像部件针对所述待测主板采集的待测图像，并对所述待测图像进行多尺度比例缩放，获得多个不同尺度的尺度待测图像；分别对各个所述尺度待测图像进行滑动遍历，计算各个所述尺度待测图像与所述全局模板图像之间的相似度，选择最高相似度所对应的所述尺度待测图像为最优待测图像；根据所述全局模板图像和所述最优待测图像，确定所述待测主板在所述待测图像中的主板位置以及所述全局模板图像到所述待测图像的仿射变换矩阵；所述仿射变换矩阵表征各个所述分区模板图像到所述待测图像的仿射变换关系；根据所述主板位置以及所述仿射变换矩阵分别将各个所述分区模板图像仿射至所述待测图像，以在所述待测图像中确定多个检测区域；其中，每个所述分区模板图像对应一个检测区域；所述根据所述全局模板图像和所述最优待测图像，确定所述待测主板在所述待测图像中的主板位置以及所述全局模板图像到所述待测图像的仿射变换矩阵，包括：根据所述全局模板图像和所述最优待测图像确定所述全局模板图像与所述待测图像之间的变换参数，并根据所述变换参数和预设的单位矩阵，确定所述全局模板图像到所述待测图像的仿射变换矩阵；
主板性能检测模块，用于对无缺陷区域的所述计算机主板的电阻数据和湿度数据进行采集，并根据所述电阻数据和所述湿度数据确定所述主板是否存在性能缺陷；所述获取所述计算机主板的电阻数据，并根据所述电阻数据确定所述计算机主板是否存在性能缺陷包括：对所述计算机主板上的芯片的电源引脚与地检测点位置进行检测，获取所述电源引脚与地之间的电阻数据，当所述电阻数据不在预设电阻范围内时确定所述计算机主板存在性能缺陷；所述获取所述计算机主板的湿度数据，并根据所述湿度数据确定所述计算机主板是否存在性能缺陷，包括：基于湿度传感器获取所述计算机主板的实时湿度数据，并获取所述实时湿度数据以及预设的正常湿度数据的比例关系，当所述比例关系大于1.5时确定所述计算机主板存在性能缺陷；
计算机主板性能检测模块，用于对无性能缺陷的计算机主板中的多个元器件进行实时电压数据和实时温度数据采集，并根据所述元器件所对应的电压阈值和温度阈值确定所述计算机主板的运行性能是否满足要求；所述电压修正参数的获取包括以下过程：在同一环境条件下对所述元器件进行多次电压采集，得到多个电压值，将多个所述电压值进行平均处理得到电压平均值，获取所述电压平均值与多个所述电压值对应的多个电压比值，获取多个所述电压比值的中位数，所述中位数为对应的电压修正参数；所述温度修正参数的获取包括以下过程：在同一环境条件下对所述元器件进行多次温度采集，得到多个温度值，将多个所述温度值进行平均处理得到温度平均值，获取所述温度平均值与多个所述温度值对应的多个温度比值，获取多个所述温度比值的中位数，所述中位数为对应的温度修正参数。
4.根据权利要求3所述的基于机器视觉的计算机主板元器件智能检测装置，其特征在于，所述主板检测模块包括：
检测区域确定单元，用于通过预存的模板图像在所述待测图像中确定多个检测区域，所述模板图像包括全局模板图像以及多个分区模板图像；
缺陷检测单元，用于通过分区模板图像确定该分区所对应的图像检测模型，将各个所述检测区域所对应的区域图像分别输入至对应的图像检测模型中确定是否为缺陷区域以及所述缺陷区域的缺陷类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311384617.3A CN117129480B (zh) | 2023-10-25 | 2023-10-25 | 基于机器视觉的计算机主板元器件智能检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311384617.3A CN117129480B (zh) | 2023-10-25 | 2023-10-25 | 基于机器视觉的计算机主板元器件智能检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117129480A CN117129480A (zh) | 2023-11-28 |
| CN117129480B true CN117129480B (zh) | 2024-02-13 |
Family
ID=88863102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311384617.3A Active CN117129480B (zh) | 2023-10-25 | 2023-10-25 | 基于机器视觉的计算机主板元器件智能检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117129480B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104280398A (zh) * | 2013-07-05 | 2015-01-14 | 上海维锐智能科技有限公司 | 一种电子元器件的自动测试装置 |
| CN206321581U (zh) * | 2016-11-17 | 2017-07-11 | 天津爱视达科技有限公司 | 用于pcb电路板缺陷检测装置 |
| CN107992694A (zh) * | 2017-12-08 | 2018-05-04 | 魏延福 | 一种pcb电路板数据化处理方法及其数据呈现系统 |
| CN108731814A (zh) * | 2017-04-21 | 2018-11-02 | 富泰华工业（深圳）有限公司 | 主板分析装置及方法 |
| US10863294B1 (en) * | 2019-10-21 | 2020-12-08 | Wistron Corporation | Method and system for vision-based defect detection |
| CN114089213A (zh) * | 2021-12-03 | 2022-02-25 | 中科国微科技(深圳)有限公司 | 全数字控制式大功率直流稳压电源检测方法及系统 |
| CN114240939A (zh) * | 2022-02-24 | 2022-03-25 | 苏州浪潮智能科技有限公司 | 一种主板元器件外观缺陷检测方法、系统、设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107564440B (zh) * | 2017-08-23 | 2020-04-14 | 京东方科技集团股份有限公司 | 一种检测装置及检测方法 |
-
2023
- 2023-10-25 CN CN202311384617.3A patent/CN117129480B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104280398A (zh) * | 2013-07-05 | 2015-01-14 | 上海维锐智能科技有限公司 | 一种电子元器件的自动测试装置 |
| CN206321581U (zh) * | 2016-11-17 | 2017-07-11 | 天津爱视达科技有限公司 | 用于pcb电路板缺陷检测装置 |
| CN108731814A (zh) * | 2017-04-21 | 2018-11-02 | 富泰华工业（深圳）有限公司 | 主板分析装置及方法 |
| CN107992694A (zh) * | 2017-12-08 | 2018-05-04 | 魏延福 | 一种pcb电路板数据化处理方法及其数据呈现系统 |
| US10863294B1 (en) * | 2019-10-21 | 2020-12-08 | Wistron Corporation | Method and system for vision-based defect detection |
| CN114089213A (zh) * | 2021-12-03 | 2022-02-25 | 中科国微科技(深圳)有限公司 | 全数字控制式大功率直流稳压电源检测方法及系统 |
| CN114240939A (zh) * | 2022-02-24 | 2022-03-25 | 苏州浪潮智能科技有限公司 | 一种主板元器件外观缺陷检测方法、系统、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117129480A (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 | |
| US11189019B2 (en) | Method for detecting defects, electronic device, and computer readable medium | |
| US8170379B2 (en) | Image processing apparatus and image retrieval method | |
| CN114627092A (zh) | 缺陷检测方法、装置、电子设备及可读存储介质 | |
| CN112750116B (zh) | 一种缺陷检测方法、装置、计算机设备及存储介质 | |
| CN113486622B (zh) | 一种芯片的失效分析方法及装置、电子设备、存储介质 | |
| CN112700440B (zh) | 物体缺陷检测方法、装置、计算机设备及存储介质 | |
| Xu et al. | Automatic defect inspection for monocrystalline solar cell interior by electroluminescence image self-comparison method | |
| CN111912846A (zh) | 一种基于机器视觉的表面缺陷与边缘毛刺检测方法 | |
| WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| CN115690670A (zh) | 一种晶圆瑕疵智能识别方法和系统 | |
| CN109580632B (zh) | 一种缺陷确定方法、装置及存储介质 | |
| CN117152145B (zh) | 一种基于图像的板卡工艺检测方法及装置 | |
| CN117129480B (zh) | 基于机器视觉的计算机主板元器件智能检测方法及装置 | |
| Deng et al. | A novel framework for classifying leather surface defects based on a parameter optimized residual network | |
| CN114529543B (zh) | 一种航空发动机外周螺钉垫片的安装检测方法及装置 | |
| CN114937043B (zh) | 基于人工智能的设备缺陷检测方法、装置、设备及介质 | |
| CN111507420A (zh) | 轮胎信息获取方法、装置、计算机设备和存储介质 | |
| CN113870754B (zh) | 一种面板检测电子信号缺陷判定的方法和系统 | |
| CN116977250A (zh) | 一种工业零件的缺陷检测方法、装置和计算机设备 | |
| CN113722238B (zh) | 一种实现对源码文件快速开源成分检测的方法和系统 | |
| CN110874837B (zh) | 一种基于局部特征分布的缺陷自动检测方法 | |
| CN113284141A (zh) | 用于缺陷检测的模型确定方法、装置和设备 | |
| JP3913393B2 (ja) | 半導体欠陥解析システムおよび方法 | |
| US20180137270A1 (en) | Method and apparatus for non-intrusive program tracing for embedded computing systems |
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 |