CN117274247B - 一种ltcc导体表面镀层质量视觉检测方法 - Google Patents
一种ltcc导体表面镀层质量视觉检测方法 Download PDFInfo
- Publication number
- CN117274247B CN117274247B CN202311540229.XA CN202311540229A CN117274247B CN 117274247 B CN117274247 B CN 117274247B CN 202311540229 A CN202311540229 A CN 202311540229A CN 117274247 B CN117274247 B CN 117274247B
- Authority
- CN
- China
- Prior art keywords
- window
- defect
- low
- initial
- representing
- 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
- 239000004020 conductor Substances 0.000 title claims abstract description 68
- 238000000576 coating method Methods 0.000 title claims abstract description 32
- 239000011248 coating agent Substances 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 230000000007 visual effect Effects 0.000 title claims abstract description 13
- 230000007547 defect Effects 0.000 claims abstract description 311
- 238000004220 aggregation Methods 0.000 claims abstract description 22
- 230000002776 aggregation Effects 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 60
- 230000003044 adaptive effect Effects 0.000 claims description 43
- 238000012937 correction Methods 0.000 claims description 30
- 238000007747 plating Methods 0.000 claims description 13
- 239000002245 particle Substances 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011179 visual inspection Methods 0.000 claims 8
- 238000007689 inspection Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 2
- 239000010419 fine particle Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000004080 punching Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Abstract
本发明涉及图像处理技术领域,具体涉及一种LTCC导体表面镀层质量视觉检测方法,包括:采集LTCC导体表面镀层的LTCC导体灰度图像;根据LTCC导体灰度图像得到初始导线窗口,获取初始导线窗口的聚集程度;根据聚集程度得到明显程度;根据明显程度得到高缺陷窗口以及低缺陷窗口;获取每个高缺陷窗口的优化自适应阈值;获取低缺陷窗口的参考窗口范围;根据低缺陷窗口的参考窗口范围得到每个低缺陷窗口的优化自适应阈值;根据高缺陷窗口、低缺陷窗口的优化自适应阈值进行质量检测。本发明提高了分割结果的准确性,提高了质量检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种LTCC导体表面镀层质量视觉检测方法。
背景技术
LTCC导体是一种多层陶瓷导体材料,在其制作过程中可能会使导体表面镀层残留一些细微颗粒,从而对后续电路印刷等工序造成不必要的干扰。因此需要对LTCC导体表面镀层进行质量检测。
传统方法通过对LTCC导体表面镀层图像进行自适应阈值分割,将LTCC导体表面镀层上所残留的细微颗粒分割标识而出;但由于LTCC导体表面镀层上残留的细微颗粒呈随机分布,会使不同区域内存在不同程度的缺陷程度,传统的自适应阈值分割算法可能会将缺陷程度较小的区域误认为正常区域,从而使分割结果的准确性降低,干扰后续工序的操作。
发明内容
本发明提供一种LTCC导体表面镀层质量视觉检测方法,以解决现有的问题:LTCC导体表面镀层上残留的细微颗粒呈随机分布,会使不同区域内存在不同程度的缺陷程度,传统的自适应阈值分割算法可能会将缺陷程度较小的区域误认为正常区域,从而使分割结果的准确性降低,干扰后续工序的操作。
本发明的一种LTCC导体表面镀层质量视觉检测方法采用如下技术方案:
包括以下步骤:
采集若干LTCC导体表面镀层的LTCC导体灰度图像;
对LTCC导体灰度图像进行窗口划分得到若干窗口,对窗口进行筛选得到若干初始导线窗口,所述初始导线窗口是指包含导线部分的窗口,初始导线窗口包含多个初始残留像素点;根据初始残留像素点得到每个初始导线窗口内初始残留像素点的聚集程度;根据聚集程度得到每个初始导线窗口的明显程度;
根据明显程度对初始导线窗口进行筛选得到若干高缺陷窗口以及若干低缺陷窗口,所述高缺陷窗口是指存在残留颗粒可能性较大的窗口,低缺陷窗口是指存在残留颗粒可能性较小的窗口;根据高缺陷窗口内像素点的灰度值得到每个高缺陷窗口的优化自适应阈值;对低缺陷窗口进行范围划分得到每个低缺陷窗口的参考窗口范围;
将每个参考窗口范围内存在高缺陷窗口的低缺陷窗口记为可优化低缺陷窗口,将每个参考窗口范围内不存在高缺陷窗口的低缺陷窗口记为常规低缺陷窗口;根据可优化低缺陷窗口的参考窗口范围内高缺陷窗口的优化自适应阈值以及分布关系,得到每个可优化低缺陷窗口的若干初始修正因子;根据初始修正因子得到每个可优化低缺陷窗口的优化自适应阈值;将每个常规低缺陷窗口内所有像素点的灰度值的均值记为每个常规低缺陷窗口的优化自适应阈值;
根据高缺陷窗口、可优化低缺陷窗口以及若干常规低缺陷窗口的优化自适应阈值进行质量检测。
优选的,所述对窗口进行筛选得到若干初始导线窗口,包括的具体方法为:
将预设两个灰度值范围分别记为T2、T3;对于任意一个窗口,若窗口存在灰度值在T2范围内的像素点,那么将窗口记为初始导线窗口;获取所有初始导线窗口;对于任意一个初始导线窗口为例,在初始导线窗口中,将灰度值在T3范围内的像素点记为初始残留像素点。
优选的,所述根据初始残留像素点得到每个初始导线窗口内初始残留像素点的聚集程度,包括的具体方法为:
对于任意一个初始导线窗口,将初始导线窗口内任意两个初始残留像素点记为初始残留像素点对,获取初始导线窗口内所有初始残留像素点对的欧式距离;
式中,表示初始导线窗口内初始残留像素点的聚集程度;/>表示初始导线窗口内所有初始残留像素点对的数量;/>表示初始导线窗口内第/>个初始残留像素点对的欧式距离。
优选的,所述根据聚集程度得到每个初始导线窗口的明显程度,包括的具体方法为:
对于任意一个初始导线窗口,式中,表示初始导线窗口的观察明显程度;/>表示初始导线窗口内所有初始残留像素点的数量;/>表示初始导线窗口内第/>个初始残留像素点的灰度值;/>表示初始导线窗口内所有像素点的灰度值的均值;/>表示初始导线窗口内初始残留像素点的聚集程度;/>表示取绝对值;获取所有初始导线窗口的观察明显程度,将所有观察明显程度进行线性归一化,将归一化后的每个观察明显程度记为明显程度,所述明显程度的取值范围为[0,1]。
优选的,所述根据明显程度对初始导线窗口进行筛选得到若干高缺陷窗口以及若干低缺陷窗口,包括的具体方法为:
将预设的明显程度阈值记为T4;对于任意一个初始导线窗口,若初始导线窗口的明显程度大于T4,那么将初始导线窗口记为高缺陷窗口;获取所有高缺陷窗口,将除高缺陷窗口以外的所有窗口均记为低缺陷窗口。
优选的,所述根据高缺陷窗口内像素点的灰度值得到每个高缺陷窗口的优化自适应阈值,包括的具体方法为:
对于任意一个高缺陷窗口,式中,表示高缺陷窗口的优化自适应阈值;/>表示高缺陷窗口内所有像素点的数量;/>表示高缺陷窗口内第/>个像素点的灰度值;/>表示高缺陷窗口内所有像素点的最小灰度值;/>表示高缺陷窗口内所有像素点的最大灰度值;/>表示预设的超参数;/>表示取绝对值;/>表示向上取整。
优选的,所述对低缺陷窗口进行范围划分得到每个低缺陷窗口的参考窗口范围,包括的具体方法为:
将预设的窗口大小记为T5;对于任意一个低缺陷窗口,将低缺陷窗口整体视为一个窗口中心,将每个窗口视为一个点,获取窗口大小为T5的窗口,并记为低缺陷窗口的参考窗口范围。
优选的,所述根据可优化低缺陷窗口的参考窗口范围内高缺陷窗口的优化自适应阈值以及分布关系,得到每个可优化低缺陷窗口的若干初始修正因子,包括的具体方法为:
对于任意一个可优化低缺陷窗口,式中,表示可优化低缺陷窗口的参考窗口范围内水平方向上的初始修正因子;/>表示可优化低缺陷窗口内所有像素点的灰度值的均值;/>表示在可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的水平方向上所有高缺陷窗口的数量;/>表示可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的水平方向上第/>个高缺陷窗口的优化自适应阈值;/>表示可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的水平方向上第/>个高缺陷窗口中心与可优化低缺陷窗口中心的欧式距离;/>表示可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的水平方向上第/>个高缺陷窗口中心与可优化低缺陷窗口中心的欧式距离;/>表示预设的超参数;
式中,表示可优化低缺陷窗口的参考窗口范围内竖直方向上的初始修正因子;表示可优化低缺陷窗口内所有像素点的灰度值的均值;/>表示在可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的竖直方向上所有高缺陷窗口的数量;/>表示可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的竖直方向上第/>个高缺陷窗口的优化自适应阈值;/>表示可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的竖直方向上第/>个高缺陷窗口中心与可优化低缺陷窗口中心的欧式距离;/>表示可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的竖直方向上第/>个高缺陷窗口中心与可优化低缺陷窗口中心的欧式距离;/>表示预设的超参数。
优选的,所述根据初始修正因子得到每个可优化低缺陷窗口的优化自适应阈值,包括的具体方法为:
对于任意一个可优化低缺陷窗口,式中,表示可优化低缺陷窗口的优化自适应阈值;/>表示在可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的水平方向上所有高缺陷窗口的数量;/>表示在可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的水平方向上第/>个高缺陷窗口的优化自适应阈值;/>表示可优化低缺陷窗口的参考窗口范围内所有高缺陷窗口的数量;/>表示在可优化低缺陷窗口的参考窗口范围内,第/>个高缺陷窗口的优化自适应阈值;/>表示可优化低缺陷窗口的参考窗口范围内水平方向上的初始修正因子;/>表示在可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的竖直方向上所有高缺陷窗口的数量;/>表示在可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的竖直方向上第/>个高缺陷窗口的优化自适应阈值;/>表示在可优化低缺陷窗口的参考窗口范围内,第/>个高缺陷窗口的优化自适应阈值;/>表示可优化低缺陷窗口的参考窗口范围内竖直方向上的初始修正因子;/>表示向上取整。
优选的,所述根据高缺陷窗口、可优化低缺陷窗口以及若干常规低缺陷窗口的优化自适应阈值进行质量检测,包括的具体方法为:
将自适应阈值分割算法中每个LTCC导体灰度图像中所有窗口的自适应阈值替换为优化自适应阈值,根据优化自适应阈值进行分割得到若干分割图像,所述分割图像中灰度值不为0的像素点即是表征残留颗粒的像素点,对LTCC导体表面镀层上的残留颗粒完成了分割,实现了通过计算机视觉对于LTCC导体表面镀层的质量检测。
本发明的技术方案的有益效果是:根据LTCC导体灰度图像得到初始导线窗口,根据初始导线窗口得到明显程度,根据明显程度得到高缺陷窗口以及低缺陷窗口,获取高缺陷窗口的优化自适应阈值,将低缺陷窗口划分为可优化低缺陷窗口以及常规低缺陷窗口,根据高缺陷窗口的优化自适应阈值得到可优化低缺陷窗口的优化自适应阈值,获取常规低缺陷窗口的优化自适应阈值,根据所有优化自适应阈值进行质量检测;相较于现有技术可能会将缺陷程度较小的区域误认为正常区域;本发明的明显程度表征着初始导线窗口内像素点之间的灰度差异,优化自适应阈值表征着受其他窗口的影响程度,降低了将缺陷程度较小的区域认为正常区域的可能性,提高了分割结果的准确性,提高了质量检测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种LTCC导体表面镀层质量视觉检测方法的步骤流程图。
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LTCC导体表面镀层质量视觉检测方法,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LTCC导体表面镀层质量视觉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LTCC导体表面镀层质量视觉检测方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集若干LTCC导体表面镀层的LTCC导体灰度图像。
需要说明的是,传统方法通过对LTCC导体表面镀层图像进行自适应阈值分割,将LTCC导体表面镀层上所残留的细微颗粒分割标识而出;但由于LTCC导体表面镀层上残留的细微颗粒呈随机分布,会使不同区域内存在不同程度的缺陷程度,传统的自适应阈值分割算法可能会将缺陷程度较小的区域误认为正常区域,从而使分割结果的准确性降低,干扰后续工序的操作。为此,本实施例提出了一种LTCC导体表面镀层质量视觉检测方法。
具体的,为了实现本实施例提出的一种LTCC导体表面镀层质量视觉检测方法,首先需要采集LTCC导体灰度图像,具体过程为:使用工业相机对若干LTCC导体表面镀层进行拍摄得到若干拍摄图像;将每张拍摄图像进行灰度化处理得到若干灰度图像,记为LTCC导体灰度图像。其中灰度化处理是公知技术,本实施例不再赘述。
至此,通过上述方法得到所有LTCC导体灰度图像。
步骤S002:对LTCC导体灰度图像进行窗口划分得到若干初始导线窗口,获取每个初始导线窗口内初始残留像素点的聚集程度;根据聚集程度得到每个初始导线窗口的明显程度。
需要说明的是,由于LTCC导体表面镀层存在的残留物是随机分布的,所以在不同区域内所存在的缺陷大小、数量均不唯一;对于存在缺陷数量、大小过小的区域而言,可能并不满足由传统的自适应分割算法获取的阈值,从而不能将该区域内的缺陷分割识别出来;因此需要根据不同区域内缺陷的具体分布情况获取新的自适应阈值,根据新的自适应阈值进行分割。
进一步需要说明的是,由于LTCC导体表面镀层的残留物通常为打孔工序中飞溅的材料碎屑,为了方便导线与其他电子元件的连接,打孔工序中打孔的位置通常会选择在导线附近;因此在正常情况下,LTCC导体表面镀层的导线附近通常分布较多的残留物;另外在实际的LTCC导体灰度图中,导线区域的灰度值通常是灰度值最小的区域,残留物区域的灰度值通常是灰度值最大的区域。所以可以根据LTCC导体表面镀层的导线附近像素点之间的分布关系,得到若干包含导线的区域内可能存在缺陷的明显程度。
具体的,预设一个窗口大小T1,其中本实施例以T1=77为例进行叙述,本实施例不进行具体限定,其中T1可根据具体实施情况而定;以任意一张LTCC导体灰度图像为例,将该LTCC导体灰度图像划分为若干窗口大小为T1的窗口。其中若该LTCC导体灰度图像中剩余的区域大小不满足预设的窗口大小T1,那么将该LTCC导体灰度图像中实际剩余的区域作为一个窗口。
进一步的,预设两个灰度值范围T2、T3,其中本实施例以T2=[0,20]、T3=[150,255]为例进行叙述,本实施例不进行具体限定,其中T2、T3可根据具体实施情况而定;以任意一个窗口为例,若该窗口存在灰度值在T2范围内的像素点,那么将该窗口记为初始导线窗口;获取所有初始导线窗口;以任意一个初始导线窗口为例,在该初始导线窗口中,将灰度值在T3范围内的像素点记为初始残留像素点;将该初始导线窗口内任意两个初始残留像素点记为初始残留像素点对,获取该初始导线窗口内所有初始残留像素点对的欧式距离。其中欧式距离的获取是公知技术,本实施例不再赘述。需要说明的是,初始残留像素点是可能存在残留颗粒的像素点。
进一步的,根据该初始导线窗口内所有初始残留像素点对的欧式距离,得到该初始导线窗口内初始残留像素点的聚集程度。其中该初始导线窗口内初始残留像素点的聚集程度的计算方法为:
式中,表示该初始导线窗口内初始残留像素点的聚集程度;/>表示该初始导线窗口内所有初始残留像素点对的数量;/>表示该初始导线窗口内第/>个初始残留像素点对的欧式距离。其中若该初始导线窗口内初始残留像素点的聚集程度越大,说明该初始导线窗口内初始残留像素点分布越密集,且越围绕导线部分分布。
进一步的,根据该初始导线窗口内初始残留像素点的聚集程度以及若干初始残留像素点,得到该初始导线窗口的观察明显程度。其中该初始导线窗口的观察明显程度的计算方法为:
式中,表示该初始导线窗口的观察明显程度;/>表示该初始导线窗口内所有初始残留像素点的数量;/>表示该初始导线窗口内第/>个初始残留像素点的灰度值;/>表示该初始导线窗口内所有像素点的灰度值的均值;/>表示该初始导线窗口内初始残留像素点的聚集程度;/>表示取绝对值。其中若该初始导线窗口的观察明显程度越大,说明该初始导线窗口内包含的初始残留像素点越容易被观察到,反映该初始导线窗口内像素点之间的灰度差异越明显。获取所有初始导线窗口的观察明显程度,将所有观察明显程度进行线性归一化,将归一化后的每个观察明显程度记为明显程度。
至此,通过上述方法得到所有初始导线窗口的明显程度。
步骤S003:根据明显程度对初始导线窗口进行筛选得到若干高缺陷窗口以及若干低缺陷窗口;根据高缺陷窗口内像素点的灰度值得到每个高缺陷窗口的优化自适应阈值;对低缺陷窗口进行范围划分得到每个低缺陷窗口的参考窗口范围。
需要说明的是,对于不同初始导线窗口而言,所包含的导线部分并不相同,存在部分初始导线窗口内导线部分多,部分初始导线窗口内导线部分少的情况,对应的部分窗口内像素点的灰度值之间的差异情况也不相同;而对于任意一个初始导线窗口的明显程度而言,若明显程度越大,说明该初始导线窗口存在缺陷的部分与正常区域的差异越大,所需的自适应阈值也应越大,从而将残留区域更完整地分割出来。
具体的,预设一个明显程度阈值T4,其中本实施例以T4=0.5为例进行叙述,本实施例不进行具体限定,其中T4可根据具体实施情况而定;以任意一个初始导线窗口为例,若该初始导线窗口的明显程度大于T4,那么将该初始导线窗口记为高缺陷窗口;获取所有高缺陷窗口,将除高缺陷窗口以外的所有窗口均记为低缺陷窗口。
进一步的,以任意一个高缺陷窗口为例,根据该高缺陷窗口内所有像素点的灰度值得到该高缺陷窗口的优化自适应阈值。其中该高缺陷窗口的优化自适应阈值的计算方法为:
式中,表示该高缺陷窗口的优化自适应阈值;/>表示该高缺陷窗口内所有像素点的数量;/>表示该高缺陷窗口内第/>个像素点的灰度值;/>表示该高缺陷窗口内所有像素点的最小灰度值;/>表示该高缺陷窗口内所有像素点的最大灰度值;/>表示预设的超参数,本实施例预设/>,用于防止分母为0;/>表示取绝对值;/>表示向上取整;用于将/>归一化。其中该高缺陷窗口的优化自适应阈值越大,说明该高缺陷窗口中初始残留像素点与导线部分像素点的灰度差异越大。
进一步的,预设一个窗口大小T5,其中本实施例以T5=55为例进行叙述,本实施例不进行具体限定,其中T5可根据具体实施情况而定;以任意一个低缺陷窗口为例,将该低缺陷窗口整体视为一个窗口中心,将每个窗口视为一个点,获取窗口大小为T5的窗口,并将该窗口记为该低缺陷窗口的参考窗口范围;获取所有低缺陷窗口的参考窗口范围。需要说明的是,若以该低缺陷窗口整体为中心,实际窗口大小不满足T5时,那么将该低缺陷窗口的实际窗口大小的窗口记为该低缺陷窗口的参考窗口范围。
至此,通过上述方法得到所有低缺陷窗口的参考窗口范围。
步骤S004:根据低缺陷窗口得到若干可优化低缺陷窗口以及若干常规低缺陷窗口;根据可优化低缺陷窗口的参考窗口范围内高缺陷窗口的优化自适应阈值以及分布关系,得到每个可优化低缺陷窗口的若干初始修正因子;根据初始修正因子得到每个可优化低缺陷窗口的优化自适应阈值,获取常规低缺陷窗口的优化自适应阈值。
需要说明的是,在确定高缺陷窗口的优化自适应阈值后,还需要对低缺陷窗口进行优化自适应阈值获取;而低缺陷窗口中残留物较小或者距离导线较远,可能会被错误识别为正常像素点;因此本实施例根据低缺陷窗口与高缺陷窗口之间的距离关系,确定低缺陷窗口的优化自适应阈值。
具体的,以任意一个低缺陷窗口为例,若该低缺陷窗口的参考窗口范围内存在高缺陷窗口,将该低缺陷窗口记为可优化低缺陷窗口;若该低缺陷窗口的参考窗口范围内不存在高缺陷窗口,将该低缺陷窗口记为常规低缺陷窗口;获取所有可优化低缺陷窗口以及所有常规低缺陷窗口。
进一步的,以任意一个可优化低缺陷窗口为例,获取该可优化低缺陷窗口的参考窗口范围内水平方向的初始修正因子。其中该可优化低缺陷窗口的参考窗口范围内水平方向上的初始修正因子的计算方法为:
式中,表示该可优化低缺陷窗口的参考窗口范围内水平方向上的初始修正因子;表示该可优化低缺陷窗口内所有像素点的灰度值的均值;/>表示在该可优化低缺陷窗口的参考窗口范围内,该可优化低缺陷窗口的水平方向上所有高缺陷窗口的数量;/>表示该可优化低缺陷窗口的参考窗口范围内,该可优化低缺陷窗口的水平方向上第/>个高缺陷窗口的优化自适应阈值;/>表示该可优化低缺陷窗口的参考窗口范围内,该可优化低缺陷窗口的水平方向上第/>个高缺陷窗口中心与该可优化低缺陷窗口中心的欧式距离;/>表示该可优化低缺陷窗口的参考窗口范围内,该可优化低缺陷窗口的水平方向上第/>个高缺陷窗口中心与该可优化低缺陷窗口中心的欧式距离;/>表示预设的超参数,本实施例预设/>,用于防止分母为0。其中若该可优化低缺陷窗口的参考窗口范围内水平方向上的初始修正因子越大,说明该可优化低缺陷窗口的参考窗口范围内水平方向上的高缺陷窗口,对该可优化低缺陷窗口的影响越小。
进一步的,获取该可优化低缺陷窗口的参考窗口范围内竖直方向的初始修正因子。其中该可优化低缺陷窗口的参考窗口范围内竖直方向上的初始修正因子的计算方法为:
式中,表示该可优化低缺陷窗口的参考窗口范围内竖直方向上的初始修正因子;/>表示该可优化低缺陷窗口内所有像素点的灰度值的均值;/>表示在该可优化低缺陷窗口的参考窗口范围内,该可优化低缺陷窗口的竖直方向上所有高缺陷窗口的数量;/>表示该可优化低缺陷窗口的参考窗口范围内,该可优化低缺陷窗口的竖直方向上第/>个高缺陷窗口的优化自适应阈值;/>表示该可优化低缺陷窗口的参考窗口范围内,该可优化低缺陷窗口的竖直方向上第/>个高缺陷窗口中心与该可优化低缺陷窗口中心的欧式距离;/>表示该可优化低缺陷窗口的参考窗口范围内,该可优化低缺陷窗口的竖直方向上第/>个高缺陷窗口中心与该可优化低缺陷窗口中心的欧式距离;/>表示预设的超参数,本实施例预设/>,用于防止分母为0。其中若该可优化低缺陷窗口的参考窗口范围内竖直方向上的初始修正因子越大,说明该可优化低缺陷窗口的参考窗口范围内竖直方向上的高缺陷窗口,对该可优化低缺陷窗口的影响越小。
进一步的,根据该可优化低缺陷窗口的参考窗口范围内水平方向的初始修正因子以及竖直方向的初始修正因子,得到该可优化低缺陷窗口的优化自适应阈值。其中该可优化低缺陷窗口的优化自适应阈值的计算方法为:
式中,表示该可优化低缺陷窗口的优化自适应阈值;/>表示在该可优化低缺陷窗口的参考窗口范围内,该可优化低缺陷窗口的水平方向上所有高缺陷窗口的数量;/>表示在该可优化低缺陷窗口的参考窗口范围内,该可优化低缺陷窗口的水平方向上第/>个高缺陷窗口的优化自适应阈值;/>表示该可优化低缺陷窗口的参考窗口范围内所有高缺陷窗口的数量;/>表示在该可优化低缺陷窗口的参考窗口范围内,第/>个高缺陷窗口的优化自适应阈值;/>表示该可优化低缺陷窗口的参考窗口范围内水平方向上的初始修正因子;表示在该可优化低缺陷窗口的参考窗口范围内,该可优化低缺陷窗口的竖直方向上所有高缺陷窗口的数量;/>表示在该可优化低缺陷窗口的参考窗口范围内,该可优化低缺陷窗口的竖直方向上第/>个高缺陷窗口的优化自适应阈值;/>表示在该可优化低缺陷窗口的参考窗口范围内,第/>个高缺陷窗口的优化自适应阈值;/>表示该可优化低缺陷窗口的参考窗口范围内竖直方向上的初始修正因子;/>表示向上取整。其中若该可优化低缺陷窗口的优化自适应阈值越大,说明该可优化低缺陷窗口受周围高缺陷窗口的影响越大。获取所有可优化低缺陷窗口的优化自适应阈值。
进一步的,将每个常规低缺陷窗口内所有像素点的灰度值的均值作为每个常规低缺陷窗口的优化自适应阈值。
至此,通过上述方法得到所有窗口的优化自适应阈值。
步骤S005:根据高缺陷窗口、可优化低缺陷窗口以及若干常规低缺陷窗口的优化自适应阈值进行质量检测。
具体的,将自适应阈值分割算法中每个LTCC导体灰度图像中所有窗口的自适应阈值替换为优化自适应阈值,根据优化自适应阈值进行分割得到若干分割图像,完成质量检测。其中根据自适应阈值对图像进行分割的过程是自适应阈值分割算法的公知内容,本实施例不再赘述。需要说明的是,分割图像中灰度值不为0的像素点即是表征残留颗粒的像素点,以便后续工序分析,则对LTCC导体表面镀层上的残留颗粒完成了分割,实现了通过计算机视觉的对于LTCC导体表面镀层的质量检测。
至此,完成LTCC导体表面镀层的质量视觉检测。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种LTCC导体表面镀层质量视觉检测方法,其特征在于,该方法包括以下步骤:
采集LTCC导体表面镀层的LTCC导体灰度图像;
对LTCC导体灰度图像进行窗口划分得到窗口,对窗口进行筛选得到初始导线窗口,所述初始导线窗口是指包含导线部分的窗口,初始导线窗口包含多个初始残留像素点;根据初始残留像素点得到每个初始导线窗口内初始残留像素点的聚集程度;根据聚集程度得到每个初始导线窗口的明显程度;
根据明显程度对初始导线窗口进行筛选得到高缺陷窗口以及低缺陷窗口;根据高缺陷窗口内像素点的灰度值得到每个高缺陷窗口的优化自适应阈值;对低缺陷窗口进行范围划分得到每个低缺陷窗口的参考窗口范围;
将每个参考窗口范围内存在高缺陷窗口的低缺陷窗口记为可优化低缺陷窗口,将每个参考窗口范围内不存在高缺陷窗口的低缺陷窗口记为常规低缺陷窗口;根据可优化低缺陷窗口的参考窗口范围内高缺陷窗口的优化自适应阈值以及分布关系,得到每个可优化低缺陷窗口的初始修正因子;根据初始修正因子得到每个可优化低缺陷窗口的优化自适应阈值;将每个常规低缺陷窗口内所有像素点的灰度值的均值记为每个常规低缺陷窗口的优化自适应阈值;
根据高缺陷窗口、可优化低缺陷窗口以及常规低缺陷窗口的优化自适应阈值进行质量检测;
所述根据高缺陷窗口内像素点的灰度值得到每个高缺陷窗口的优化自适应阈值,包括的具体方法为:
对于任意一个高缺陷窗口,式中,表示高缺陷窗口的优化自适应阈值;/>表示高缺陷窗口内所有像素点的数量;/>表示高缺陷窗口内第/>个像素点的灰度值;/>表示高缺陷窗口内所有像素点的最小灰度值;/>表示高缺陷窗口内所有像素点的最大灰度值;/>表示预设的超参数;/>表示取绝对值;/>表示向上取整。
2.根据权利要求1所述一种LTCC导体表面镀层质量视觉检测方法,其特征在于,所述对窗口进行筛选得到初始导线窗口,包括的具体方法为:
将预设两个灰度值范围分别记为T2、T3;对于任意一个窗口,若窗口存在灰度值在T2范围内的像素点,那么将窗口记为初始导线窗口;获取所有初始导线窗口;对于任意一个初始导线窗口为例,在初始导线窗口中,将灰度值在T3范围内的像素点记为初始残留像素点。
3.根据权利要求1所述一种LTCC导体表面镀层质量视觉检测方法,其特征在于,所述根据初始残留像素点得到每个初始导线窗口内初始残留像素点的聚集程度,包括的具体方法为:
对于任意一个初始导线窗口,将初始导线窗口内任意两个初始残留像素点记为初始残留像素点对,获取初始导线窗口内所有初始残留像素点对的欧式距离;
式中,表示初始导线窗口内初始残留像素点的聚集程度;/>表示初始导线窗口内所有初始残留像素点对的数量;/>表示初始导线窗口内第/>个初始残留像素点对的欧式距离。
4.根据权利要求1所述一种LTCC导体表面镀层质量视觉检测方法,其特征在于,所述根据聚集程度得到每个初始导线窗口的明显程度,包括的具体方法为:
对于任意一个初始导线窗口,式中,表示初始导线窗口的观察明显程度;/>表示初始导线窗口内所有初始残留像素点的数量;/>表示初始导线窗口内第/>个初始残留像素点的灰度值;/>表示初始导线窗口内所有像素点的灰度值的均值;/>表示初始导线窗口内初始残留像素点的聚集程度;/>表示取绝对值;获取所有初始导线窗口的观察明显程度,将所有观察明显程度进行线性归一化,将归一化后的每个观察明显程度记为明显程度,所述明显程度的取值范围为[0,1]。
5.根据权利要求1所述一种LTCC导体表面镀层质量视觉检测方法,其特征在于,所述根据明显程度对初始导线窗口进行筛选得到高缺陷窗口以及低缺陷窗口,包括的具体方法为:
将预设的明显程度阈值记为T4;对于任意一个初始导线窗口,若初始导线窗口的明显程度大于T4,那么将初始导线窗口记为高缺陷窗口;获取所有高缺陷窗口,将除高缺陷窗口以外的所有窗口均记为低缺陷窗口。
6.根据权利要求1所述一种LTCC导体表面镀层质量视觉检测方法,其特征在于,所述对低缺陷窗口进行范围划分得到每个低缺陷窗口的参考窗口范围,包括的具体方法为:
将预设的窗口大小记为T5;对于任意一个低缺陷窗口,将低缺陷窗口整体视为一个窗口中心,将每个窗口视为一个点,获取窗口大小为T5的窗口,并记为低缺陷窗口的参考窗口范围。
7.根据权利要求1所述一种LTCC导体表面镀层质量视觉检测方法,其特征在于,所述根据可优化低缺陷窗口的参考窗口范围内高缺陷窗口的优化自适应阈值以及分布关系,得到每个可优化低缺陷窗口的初始修正因子,包括的具体方法为:
对于任意一个可优化低缺陷窗口,式中,表示可优化低缺陷窗口的参考窗口范围内水平方向上的初始修正因子;/>表示可优化低缺陷窗口内所有像素点的灰度值的均值;/>表示在可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的水平方向上所有高缺陷窗口的数量;/>表示可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的水平方向上第/>个高缺陷窗口的优化自适应阈值;/>表示可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的水平方向上第/>个高缺陷窗口中心与可优化低缺陷窗口中心的欧式距离;/>表示可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的水平方向上第个高缺陷窗口中心与可优化低缺陷窗口中心的欧式距离;/>表示预设的超参数;
式中,表示可优化低缺陷窗口的参考窗口范围内竖直方向上的初始修正因子;/>表示可优化低缺陷窗口内所有像素点的灰度值的均值;/>表示在可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的竖直方向上所有高缺陷窗口的数量;/>表示可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的竖直方向上第/>个高缺陷窗口的优化自适应阈值;/>表示可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的竖直方向上第/>个高缺陷窗口中心与可优化低缺陷窗口中心的欧式距离;/>表示可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的竖直方向上第/>个高缺陷窗口中心与可优化低缺陷窗口中心的欧式距离;/>表示预设的超参数。
8.根据权利要求1所述一种LTCC导体表面镀层质量视觉检测方法,其特征在于,所述根据初始修正因子得到每个可优化低缺陷窗口的优化自适应阈值,包括的具体方法为:
对于任意一个可优化低缺陷窗口,式中,表示可优化低缺陷窗口的优化自适应阈值;表示在可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的水平方向上所有高缺陷窗口的数量;/>表示在可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的水平方向上第/>个高缺陷窗口的优化自适应阈值;/>表示可优化低缺陷窗口的参考窗口范围内所有高缺陷窗口的数量;/>表示在可优化低缺陷窗口的参考窗口范围内,第/>个高缺陷窗口的优化自适应阈值;/>表示可优化低缺陷窗口的参考窗口范围内水平方向上的初始修正因子;/>表示在可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的竖直方向上所有高缺陷窗口的数量;/>表示在可优化低缺陷窗口的参考窗口范围内,可优化低缺陷窗口的竖直方向上第/>个高缺陷窗口的优化自适应阈值;/>表示在可优化低缺陷窗口的参考窗口范围内,第/>个高缺陷窗口的优化自适应阈值;/>表示可优化低缺陷窗口的参考窗口范围内竖直方向上的初始修正因子;/>表示向上取整。
9.根据权利要求1所述一种LTCC导体表面镀层质量视觉检测方法,其特征在于,所述根据高缺陷窗口、可优化低缺陷窗口以及常规低缺陷窗口的优化自适应阈值进行质量检测,包括的具体方法为:
将自适应阈值分割算法中每个LTCC导体灰度图像中所有窗口的自适应阈值替换为优化自适应阈值,根据优化自适应阈值进行分割得到分割图像,所述分割图像中灰度值不为0的像素点即是表征残留颗粒的像素点,对LTCC导体表面镀层上的残留颗粒完成了分割,实现了通过计算机视觉对于LTCC导体表面镀层的质量检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311540229.XA CN117274247B (zh) | 2023-11-20 | 2023-11-20 | 一种ltcc导体表面镀层质量视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311540229.XA CN117274247B (zh) | 2023-11-20 | 2023-11-20 | 一种ltcc导体表面镀层质量视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117274247A CN117274247A (zh) | 2023-12-22 |
CN117274247B true CN117274247B (zh) | 2024-03-29 |
Family
ID=89204699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311540229.XA Active CN117274247B (zh) | 2023-11-20 | 2023-11-20 | 一种ltcc导体表面镀层质量视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117274247B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021000524A1 (zh) * | 2019-07-03 | 2021-01-07 | 研祥智能科技股份有限公司 | 孔位保护门检测方法、装置、计算机设备和存储介质 |
CN115311270A (zh) * | 2022-10-11 | 2022-11-08 | 南通至顺聚氨酯材料有限公司 | 一种塑料制品表面缺陷检测方法 |
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 |
CN116740070A (zh) * | 2023-08-15 | 2023-09-12 | 青岛宇通管业有限公司 | 基于机器视觉的塑料管道外观缺陷检测方法 |
CN116758059A (zh) * | 2023-08-10 | 2023-09-15 | 吉林交通职业技术学院 | 一种用于路基路面的视觉无损检测方法 |
CN116993742A (zh) * | 2023-09-28 | 2023-11-03 | 中色(天津)新材料科技有限公司 | 基于机器视觉的镍合金轧制缺陷检测方法 |
-
2023
- 2023-11-20 CN CN202311540229.XA patent/CN117274247B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021000524A1 (zh) * | 2019-07-03 | 2021-01-07 | 研祥智能科技股份有限公司 | 孔位保护门检测方法、装置、计算机设备和存储介质 |
CN115311270A (zh) * | 2022-10-11 | 2022-11-08 | 南通至顺聚氨酯材料有限公司 | 一种塑料制品表面缺陷检测方法 |
CN116758059A (zh) * | 2023-08-10 | 2023-09-15 | 吉林交通职业技术学院 | 一种用于路基路面的视觉无损检测方法 |
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 |
CN116740070A (zh) * | 2023-08-15 | 2023-09-12 | 青岛宇通管业有限公司 | 基于机器视觉的塑料管道外观缺陷检测方法 |
CN116993742A (zh) * | 2023-09-28 | 2023-11-03 | 中色(天津)新材料科技有限公司 | 基于机器视觉的镍合金轧制缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117274247A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113538433B (zh) | 基于人工智能的机械铸件缺陷检测方法及系统 | |
CN115829883A (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN115272346A (zh) | 一种基于边缘检测的pcb板生产过程在线检测方法 | |
CN115601362B (zh) | 一种基于图像处理的焊接质量评估方法 | |
CN115330767B (zh) | 一种腐蚀箔生产异常识别方法 | |
CN116805317B (zh) | 基于人工智能的回转炉内壁缺陷检测方法 | |
CN115775250A (zh) | 基于数字图像分析的金手指电路板缺陷快速检测系统 | |
CN112991305A (zh) | 一种喷漆面板表面缺陷的视觉检测方法 | |
CN115984148B (zh) | 一种高通量基因测序数据的去噪增强方法 | |
CN116580024B (zh) | 一种基于图像处理的焦炭质量检测方法 | |
CN114926387A (zh) | 基于背景估计与边缘梯度抑制的焊缝缺陷检测方法及装置 | |
CN113781413B (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
CN116993724A (zh) | 一种基于图像滤波的煤矿工业齿轮油视觉检测方法 | |
CN116630813A (zh) | 一种公路路面施工质量智能检测系统 | |
CN117274247B (zh) | 一种ltcc导体表面镀层质量视觉检测方法 | |
CN111126371B (zh) | 一种基于图像处理的粗指针表盘示数读取方法 | |
CN116523900B (zh) | 一种五金件加工质量检测方法 | |
CN116681696A (zh) | 一种用于自动化生产设备的模具质量监测方法 | |
CN115294314B (zh) | 一种电子元器件表面缺陷识别方法 | |
CN116883415A (zh) | 基于图像数据的薄壁锌合金压铸件质量检测方法 | |
CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 | |
CN115254674B (zh) | 一种轴承缺陷分选方法 | |
CN113902667B (zh) | 一种用于机器视觉的螺纹旋向识别方法与系统 | |
CN114565556A (zh) | 基于图像处理的等离子体电解氧化反应状态识别的方法 | |
CN116703930B (zh) | 一种汽车后视镜模具成型检测方法 |
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 |