CN117314909A - 基于人工智能的电路板缺陷检测方法、装置、设备及介质 - Google Patents
基于人工智能的电路板缺陷检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117314909A CN117314909A CN202311604838.7A CN202311604838A CN117314909A CN 117314909 A CN117314909 A CN 117314909A CN 202311604838 A CN202311604838 A CN 202311604838A CN 117314909 A CN117314909 A CN 117314909A
- Authority
- CN
- China
- Prior art keywords
- pcb
- images
- defect
- pcb image
- image
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 143
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000005520 cutting process Methods 0.000 claims abstract description 9
- 230000002950 deficient Effects 0.000 claims description 40
- 150000003071 polychlorinated biphenyls Chemical class 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明属于电路板检测领域,提供了一种基于人工智能的电路板缺陷检测方法、装置、设备及介质。方法包括:获取PCB图像集,PCB图像集中包括有多组参考PCB图像和与参考PCB图像对应的缺陷PCB图像;对PCB图像集预处理,预处理至少包括对每一组参考PCB图像和缺陷PCB图像按照预设规格分别裁剪,得到若干个参考子图像和缺陷子图像,并训练得到跳跃连接的卷积自动编码器模型;将存在缺陷的待检PCB图像输入到自动编码器模型中,预测得到待检PCB图像对应的完整PCB图像;将完整PCB图像减去待检PCB图像,得到待检PCB图像的缺陷形状和位置;因此本发明可以计算除待检PCB图像的缺陷,极大提高了电路板检测效率,避免了产品质量问题。
Description
技术领域
本发明电路板检测领域,尤其涉及一种基于人工智能的电路板缺陷检测方法、装置、设备及介质。
背景技术
印刷电路板(Printed Circuit Board)实现了电子元器件间的电气连接,是电子产品中不可缺少的重要部件。在生产过程中,电路板表面经常会由于生产过程中的设备故障或人为因素导致产生断路、脏污、划伤等缺陷,这些表面缺陷对电路板的美观度、舒适度和使用性能等带来不良影响,所以生产企业需要对电路板进行表面缺陷检测,以便及时发现缺陷产品并有效控制它的质量。
一般来说,电路板缺陷检测可分为两类:人工检测和机器视觉检测。针对人工检测,容易漏检和视觉疲劳,效果差;针对机器视觉检测,基于机器视觉和图像处理算法,人们可以采用AOI系统对电路板的缺陷进行检测,但是这些检测系统需要预先准备好多种缺陷样本进行校准系统,在实际生产环境中,总会可能遇到各种各样的新类型缺陷,因此,针对新缺陷,现有技术需要频繁进行校准。
发明内容
鉴于以上技术问题,本发明提供了一种基于人工智能的电路板缺陷检测方法、装置、设备及介质,以解决现有技术中电路板检测中遇到的问题。
本公开的其他特征和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本发明的一方面,公开一种基于人工智能的电路板缺陷检测方法,所述方法包括:
获取PCB图像集,所述PCB图像集中包括有多组参考PCB图像和与所述参考PCB图像对应的缺陷PCB图像,所述缺陷PCB图像中的PCB存在缺陷;
对所述PCB图像集预处理,所述预处理至少包括对每一组所述参考PCB图像和所述缺陷PCB图像按照预设规格分别裁剪,得到若干个参考子图像和缺陷子图像;
基于每组的若干个所述参考子图像和缺陷子图像,训练得到跳跃连接的卷积自动编码器模型;
将存在缺陷的待检PCB图像输入到所述自动编码器模型中,预测得到所述待检PCB图像对应的完整PCB图像;
将所述完整PCB图像减去所述待检PCB图像,得到所述待检PCB图像的缺陷形状和位置。
进一步的,所述预处理还包括:
对所述PCB图像集中的图像进行直方图均衡化,以使得所述PCB图像集中的图像的对比度提高;
对所述PCB图像集中的图像进行中值滤波,使得噪声被消除。
进一步的,在对所述PCB图像集中的图像进行中值滤波时,包括:
选择大小为N*N的二维窗口;
计算所述二维窗口中的像素值的中值;
将所述二维窗口中正在处理的像素点值替换为所述中值;
重复操作,直至整个图像中的所有像素被替换。
进一步的,在对所述PCB图像集进行预处理后,还包括对所述PCB图像集进行数据增强,所述数据增强包括:
对每组的若干个所述参考子图像和缺陷子图像进行随机旋转、随机翻转;
基于随机高斯噪声函数,将噪声分布中的随机值矩阵相加或相乘,将得到噪声注入到所述参考子图像和缺陷子图像中。
进一步的,在所述自动编码器模型中,其编码器层和解码器层是跳跃连接的。
进一步的,在预测得到所述待检PCB图像对应的所述完整PCB图像后,还包括:
基于图像质量评估算法中的结构相似性,计算得到所述完整PCB图像和所述待检PCB图像之间的相似度,并根据所述相似度调整所述自动编码器模型。
进一步的,在得到多个所述待检PCB图像的缺陷形状和位置后,还包括:
记录所述自动编码器模型的预测数据和实际数据,将所述预测数据和所述实际数据排列为矩阵,所述矩阵包括真正例、假负例、假正例、真负例,所述真正例包括所述实际数据中存在缺陷且所述预测数据有缺陷的情况,所述假负例包括所述实际数据存在缺陷但所述预测数据为无缺陷的情况,所述假负例包括所述实际数据无缺陷但所述预测数据有缺陷的情况,所述真负例包括所述实际数据无缺陷且同时所述预测数据无缺陷;
基于所述真正例、所述假负例、所述假正例、所述真负例,分别计算所述自动编码器模型正确识别实际数据为缺陷的比率和识别为正常的比率,得到真正例比例和真负例比例;
基于所述真正例、所述假负例、所述假正例、所述真负例,得到所述自动编码器模型的识别精度,所述识别精度为所述实际数据的缺陷与所述预测数据的缺陷之间的比率;
基于所述真正例比例、所述真负例比例和所述识别精度,得到所述自动编码器的正常和缺陷的预测准确度。
根据本公开的第二方面,提供一种基于人工智能的电路板缺陷检测装置,包括:获取模块,所述获取模块用于获取PCB图像集,所述PCB图像集中包括有多组参考PCB图像和与所述参考PCB图像对应的缺陷PCB图像,所述缺陷PCB图像中的PCB存在缺陷;预处理模块,所述预处理模块用于对所述PCB图像集预处理,所述预处理至少包括对每一组所述参考PCB图像和所述缺陷PCB图像按照预设规格分别裁剪,得到若干个参考子图像和缺陷子图像;训练模块,所述训练模块用于基于每组的若干个所述参考子图像和缺陷子图像,训练得到跳跃连接的卷积自动编码器模型;检测模块,所述检测模块用于将存在缺陷的待检PCB图像输入到所述自动编码器模型中,预测得到所述待检PCB图像对应的完整PCB图像,将所述完整PCB图像减去所述待检PCB图像,得到所述待检PCB图像的缺陷形状和位置。
根据本公开的第三方面,提供一种基于人工智能的电路板缺陷检测设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器实现如上述的基于人工智能的电路板缺陷检测方法;
根据本公开的第四方面,提供一种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如上述的基于人工智能的电路板缺陷检测方法。
本公开的技术方案具有以下有益效果:
基于训练出的自动编码器模型,在待检PCB图像中存在缺陷时,重建待检PCB图像在无缺陷时的完整PCB图像,然后再来计算待检PCB图像的缺陷,因此,这种检测方法无需事先收集所有的缺陷,在待检PCB图像有任意缺陷时都能被检测出,极大提高了电路板检测效率,避免了产品质量问题。
附图说明
图1为本说明书实施例中的一种基于人工智能的电路板缺陷检测方法的流程图;
图2为本说明书实施例中基于人工智能的电路板缺陷检测装置的结构框图;
图3为本说明书实施例中基于人工智能的电路板缺陷检测方法的终端设备;
图4为本说明书实施例中的基于人工智能的电路板缺陷检测方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特征可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
如图1所示,本说明书实施例提供一种基于人工智能的电路板缺陷检测方法,该方法的执行主体可以为计算机。该方法具体可以包括以下步骤S101~S105:
在步骤S101中,获取PCB图像集,所述PCB图像集中包括有多组参考PCB图像和与所述参考PCB图像对应的缺陷PCB图像,所述缺陷PCB图像中的PCB存在缺陷。
其中,PCB图像集中的图像由设置有CMOS 传感器的超高像素高清工业相机捕获得到,原始分辨率可以是4K或4K以上的。为了快速准确地训练出模型,参考PCB图像与缺陷PCB图像是相互对应的,即参考PCB图像和缺陷PCB图像中的PCB板的规格是一致的。当中,缺陷PCB图像中的缺陷可以是开路、短路、缺孔、少锡、多锡、杂铜等。另外,为了参考PCB图像与缺陷PCB图像能够更加对应,缺陷PCB图像可以是由参考PCB图像中处理得到,即通过图像处理技术,在参考PCB图像中人为操作出缺陷,或者是先获取参考PCB图像,然后对同一PCB板制造缺陷,再拍摄得到缺陷PCB图像。
在步骤S102中,对所述PCB图像集预处理,所述预处理至少包括对每一组所述参考PCB图像和所述缺陷PCB图像按照预设规格分别裁剪,得到若干个参考子图像和缺陷子图像。
其中,由于设置有CMOS 传感器的超高像素高清工业相机所拍摄的图像体积大,若未经过裁剪,处理速度会特别慢。
在步骤S103中,基于每组的若干个所述参考子图像和缺陷子图像,训练得到跳跃连接的卷积自动编码器模型。
其中,跳跃连接的卷积自动编码器模型具体可以是结合编码器和解码器的神经网络架构,其通过卷积层和池化层来编码输入图像,然后通过反卷积层和上采样层进行解码和重建。与现有技术不同的是,跳跃连接指的是在编码器和解码器之间添加了额外的跳跃连接,允许数据在网络中进行直接传递。这些跳跃连接将编码器中的池化层与解码器中的对应的池化层连接起来,使得网络可以从低级别的特征到高级别的特征进行信息传递。这有助于减轻信息在网络中丢失的问题,并提供更好的特征表示能力。具体的,基于该跳跃连接的卷积自动编码器模型,编码器和解码器的每个特征图可以按元素求和,进而可以很好地恢复图像,经过训练后,可以从缺陷PCB图像数据再现其对应的参考PCB图像(无缺陷状态)。
在步骤S104中,将存在缺陷的待检PCB图像输入到所述自动编码器模型中,预测得到所述待检PCB图像对应的完整PCB图像。
在步骤S105中,将所述完整PCB图像减去所述待检PCB图像,得到所述待检PCB图像的缺陷形状和位置。
其中,在得到训练好的自动编码器模型后,便可以进行实际生产检测,自动编码模型生成的无缺陷的完整PCB图像并将其从输入图像即有缺陷的待检PCB图像中减去,减去的过程可以是从完整PCB图像的像素值中减去待检PCB图像的像素值的过程,留下了代表着缺陷的数值。这样,便可以检测两个图像之间的变化,并且这种变化检测可以用来识别缺陷。
当然,在待检PCB图像无缺陷时,完整PCB图像和待检PCB图像的像素点差值应在阈值范围内浮动,若没有高于阈值,则可以认为没有缺陷。
基于步骤S101-105,待检PCB图像中可以包含有任意类型的缺陷,而所训练的自动编码器模型只为重建待检PCB图像,在重建得到完整PCB图像后,再进一步计算缺陷,因此,步骤S101-105可以对绝大多数缺陷进行识别检测。
在一实施方式中,步骤S102还包括:对所述PCB图像集中的图像进行直方图均衡化,以使得所述PCB图像集中的图像的对比度提高;对所述PCB图像集中的图像进行中值滤波,使得噪声被消除。
其中,直方图均衡化可以是根据输入灰度级的概率分布重新映射图像的灰度级来进行处理,使得PCB图像集中的图像的对比度提高。为了消除噪声,中值滤波可以具体包括:选择大小为N*N的二维窗口;计算所述二维窗口中的像素值的中值;将所述二维窗口中正在处理的像素点值替换为所述中值;重复操作,直至整个图像中的所有像素被替换。基于此,噪声可以被消除。
另外,步骤S102中对图像进行了裁切,具体地,裁切可以针对缺陷本身来操作,即在缺陷PCB图像和参考PCB图像中分别裁切一定大小的图像,当中,在裁切PCB图像时,要包括有缺陷位置。裁切可以发生在对比度增强和噪声消除之前。
更进一步地,在进行裁切、对比度增强和噪声消除后,还包括对所述PCB图像集进行数据增强,所述数据增强包括:对每组的若干个所述参考子图像和缺陷子图像进行随机旋转、随机翻转;基于随机高斯噪声函数,将噪声分布中的随机值矩阵相加或相乘,将得到噪声注入到所述参考子图像和缺陷子图像中。
一般而言,训练模型需要大规模的训练训练,然而,由于PCB板出现缺陷概率低,缺陷类型多且随着生产设备的升级变化而变化,因此,获取足够缺陷类型的训练数据比较困难。为了避免自动编码器模型训练受限,对所述PCB图像集中的缺陷PCB图像进行各种操作,以增强自动编码器模型的性能。具体地,考虑到增强图像的冗余,应用随机旋转和随机翻转来克服PCB板的位置偏差,然后,利用随机高斯噪声函数来生成噪声,使得训练得到的自动编码模型更加的稳定。
在一实施方式中,在预测得到所述待检PCB图像对应的所述完整PCB图像后,还包括:基于图像质量评估算法中的结构相似性,计算得到所述完整PCB图像和所述待检PCB图像之间的相似度,并根据所述相似度调整所述自动编码器模型。
具体地,基于结构相似性指数计算公式:
,
其中,为结构相似性指数SSIM,/>和/>别表示局部均值和局部方差;/>是局部协方差;/>是防止被零除的常量。基于该公式,可以比较两者之间的亮度、对比度,计算得到完整PCB图像相对于待检PCB图像的结构相似度,S数值越高,说明模型性能越好,若数值低,则说明需要重新调整模型。
在另一种实施方式中,在得到多个所述待检PCB图像的缺陷形状和位置后,还包括:
记录所述自动编码器模型的预测数据和实际数据,将所述预测数据和所述实际数据排列为矩阵,所述矩阵包括真正例、假负例、假正例、真负例,所述真正例包括所述实际数据中存在缺陷且所述预测数据有缺陷的情况,所述假负例包括所述实际数据存在缺陷但所述预测数据为无缺陷的情况,所述假负例包括所述实际数据无缺陷但所述预测数据有缺陷的情况,所述真负例包括所述实际数据无缺陷且同时所述预测数据无缺陷;基于所述真正例、所述假负例、所述假正例、所述真负例,分别计算所述自动编码器模型正确识别实际数据为缺陷的比率和识别为正常的比率,得到真正例比例和真负例比例;基于所述真正例、所述假负例、所述假正例、所述真负例,得到所述自动编码器模型的识别精度,所述识别精度为所述实际数据的缺陷与所述预测数据的缺陷之间的比率;基于所述真正例比例、所述真负例比例和所述识别精度,得到所述自动编码器的正常和缺陷的预测准确度。
具体地,由于预测准确率是用于评估检测和分类之类的模型的最基本指标,但是,由于一般准确率不考虑数据中的类别不平衡,在实际使用中评估会非常困难大,因此,本实施例采用多种指标组合,即在评估每个类别的预测准确性时考虑不同的指标。
具体地,这些指标可以除上述的真正例比例、真负例比例、预测准确率、识别精度,还可以包括F1分数、均衡分类率。当中,这些指标均取0~1之间的百分比值,这些指标中的任一个可以单独评估模型的性能,也可以综合一起评估,这些指标分别采用如下方法计算:
,/>为预测准确率,TP为真正例,TN为真负例,FN为假负例,FP为假正例,TP、TN、FN、FP为对应情况中的数值;
,其中,TPR为真正例比例;
,其中,TNR为真负例比例;
,其中,/>为识别精度;
,其中,F1即为F1分数,R为召回率,其中,召回率=正确预测为正样本的数量/所有真实正样本的数量;
,其中,BCR为均衡分类率。
总结地,F1分数和BCR是总结分类性能的指标。F1分数是精确度和真正例比例(TPR)的调和平均值,而BCR是真正例比例和真负例比例(TNR)的几何平均值。在得到这些指标后,便可以利用Softmax函数将对应的数值进行指数化,并按比例缩放,使得它们总和为1,然后,最高值被确定为最终结果。
在上述实施例中,基于训练出的自动编码器模型,在待检PCB图像中存在缺陷时,重建待检PCB图像在无缺陷时的完整PCB图像,然后再来计算待检PCB图像的缺陷,因此,这种检测方法无需事先收集所有的缺陷,在待检PCB图像有任意缺陷时都能被检测出,极大提高了电路板检测效率,避免了产品质量问题。
基于同样的思路,如图2所示,本公开的示例性实施方式还提供了一种基于人工智能的电路板缺陷检测装置,包括:获取模块201,所述获取模块201用于获取PCB图像集,所述PCB图像集中包括有多组参考PCB图像和与所述参考PCB图像对应的缺陷PCB图像,所述缺陷PCB图像中的PCB存在缺陷;预处理模块202,所述预处理模块202用于对所述PCB图像集预处理,所述预处理至少包括对每一组所述参考PCB图像和所述缺陷PCB图像按照预设规格分别裁剪,得到若干个参考子图像和缺陷子图像;训练模块203,所述训练模块203用于基于每组的若干个所述参考子图像和缺陷子图像,训练得到跳跃连接的卷积自动编码器模型;检测模块204,所述检测模块204用于将存在缺陷的待检PCB图像输入到所述自动编码器模型中,预测得到所述待检PCB图像对应的完整PCB图像,将所述完整PCB图像减去所述待检PCB图像,得到所述待检PCB图像的缺陷形状和位置。
上述装置中各模块的具体细节在方法部分实施方式中已经详细说明,未披露的细节内容可以参见方法部分的实施方式内容,因而不再赘述。
基于同样的思路,本说明书实施例还提供一种基于人工智能的电路板缺陷检测设备,如图3所示。
基于人工智能的电路板缺陷检测设备可以为上述实施例提供的终端设备或服务器。
基于人工智能的电路板缺陷检测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301和存储器302,存储器302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502可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)和/或高速缓存存储单元,还可以进一步包括只读存储单元。存储在存储器302的应用程序可以包括一个或一个以上程序模块(图示未示出),这样的程序模块包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。更进一步地,处理器301可以设置为与存储器302通信,在视频隐私保护设备上执行存储器302中的一系列计算机可执行指令。视频隐私保护设备还可以包括一个或一个以上电源303,一个或一个以上有线或无线网络接口304,一个或一个以上I/O接口(输入输出接口)305,一个或多个外部设备306(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或一个以上使得用户能与该设备交互的设备通信,和/或与使得该设备能与一个或一个以上其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过I/O接口305进行。并且,设备还可以通过有线或无线接口304与一个或一个以上网络(例如局域网(LAN)通讯。
具体在本实施例中,视频隐私保护设备包括有存储器,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视频隐私保护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PCB图像集,所述PCB图像集中包括有多组参考PCB图像和与所述参考PCB图像对应的缺陷PCB图像,所述缺陷PCB图像中的PCB存在缺陷;
对所述PCB图像集预处理,所述预处理至少包括对每一组所述参考PCB图像和所述缺陷PCB图像按照预设规格分别裁剪,得到若干个参考子图像和缺陷子图像;
基于每组的若干个所述参考子图像和缺陷子图像,训练得到跳跃连接的卷积自动编码器模型;
将存在缺陷的待检PCB图像输入到所述自动编码器模型中,预测得到所述待检PCB图像对应的完整PCB图像;
将所述完整PCB图像减去所述待检PCB图像,得到所述待检PCB图像的缺陷形状和位置。
基于同样的思路,本公开的示例性实施方式还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
参考图4所示,描述了根据本公开的示例性实施方式的用于实现上述方法的程序产品400,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,程序设计语言包括面向对象的程序设计语言一诸如Java、C++等,还包括常规的过程式程序设计语言一诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开示例性实施方式的方法。
此外,上述附图仅是根据本公开示例性实施方式的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的示例性实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施方式。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施方式仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种基于人工智能的电路板缺陷检测方法,其特征在于,所述方法包括:
获取PCB图像集,所述PCB图像集中包括有多组参考PCB图像和与所述参考PCB图像对应的缺陷PCB图像,所述缺陷PCB图像中的PCB存在缺陷;
对所述PCB图像集预处理,所述预处理至少包括对每一组所述参考PCB图像和所述缺陷PCB图像按照预设规格分别裁剪,得到若干个参考子图像和缺陷子图像;
基于每组的若干个所述参考子图像和缺陷子图像,训练得到跳跃连接的卷积自动编码器模型;
将存在缺陷的待检PCB图像输入到所述自动编码器模型中,预测得到所述待检PCB图像对应的完整PCB图像;
将所述完整PCB图像减去所述待检PCB图像,得到所述待检PCB图像的缺陷形状和位置。
2.根据权利要求1所述的一种基于人工智能的电路板缺陷检测方法,其特征在于,所述预处理还包括:
对所述PCB图像集中的图像进行直方图均衡化,以使得所述PCB图像集中的图像的对比度提高;
对所述PCB图像集中的图像进行中值滤波,使得噪声被消除。
3.根据权利要求2所述的一种基于人工智能的电路板缺陷检测方法,其特征在于,在对所述PCB图像集中的图像进行中值滤波时,包括:
选择大小为N*N的二维窗口;
计算所述二维窗口中的像素值的中值;
将所述二维窗口中正在处理的像素点值替换为所述中值;
重复操作,直至整个图像中的所有像素被替换。
4.根据权利要求1所述的一种基于人工智能的电路板缺陷检测方法,其特征在于,在对所述PCB图像集进行预处理后,还包括对所述PCB图像集进行数据增强,所述数据增强包括:
对每组的若干个所述参考子图像和缺陷子图像进行随机旋转、随机翻转;
基于随机高斯噪声函数,将噪声分布中的随机值矩阵相加或相乘,将得到噪声注入到所述参考子图像和缺陷子图像中。
5.根据权利要求1所述的一种基于人工智能的电路板缺陷检测方法,其特征在于,在所述自动编码器模型中,其编码器层和解码器层是跳跃连接的。
6.根据权利要求1所述的一种基于人工智能的电路板缺陷检测方法,其特征在于,在预测得到所述待检PCB图像对应的所述完整PCB图像后,还包括:
基于图像质量评估算法中的结构相似性,计算得到所述完整PCB图像和所述待检PCB图像之间的相似度,并根据所述相似度调整所述自动编码器模型。
7.根据权利要求1所述的一种基于人工智能的电路板缺陷检测方法,其特征在于,在得到多个所述待检PCB图像的缺陷形状和位置后,还包括:
记录所述自动编码器模型的预测数据和实际数据,将所述预测数据和所述实际数据排列为矩阵,所述矩阵包括真正例、假负例、假正例、真负例,所述真正例包括所述实际数据中存在缺陷且所述预测数据有缺陷的情况,所述假负例包括所述实际数据存在缺陷但所述预测数据为无缺陷的情况,所述假负例包括所述实际数据无缺陷但所述预测数据有缺陷的情况,所述真负例包括所述实际数据无缺陷且同时所述预测数据无缺陷;
基于所述真正例、所述假负例、所述假正例、所述真负例,分别计算所述自动编码器模型正确识别实际数据为缺陷的比率和识别为正常的比率,得到真正例比例和真负例比例;
基于所述真正例、所述假负例、所述假正例、所述真负例,得到所述自动编码器模型的识别精度,所述识别精度为所述实际数据的缺陷与所述预测数据的缺陷之间的比率;
基于所述真正例比例、所述真负例比例和所述识别精度,得到所述自动编码器的正常和缺陷的预测准确度。
8.一种基于人工智能的电路板缺陷检测装置,其特征在于,包括:
获取模块,所述获取模块用于获取PCB图像集,所述PCB图像集中包括有多组参考PCB图像和与所述参考PCB图像对应的缺陷PCB图像,所述缺陷PCB图像中的PCB存在缺陷;
预处理模块,所述预处理模块用于对所述PCB图像集预处理,所述预处理至少包括对每一组所述参考PCB图像和所述缺陷PCB图像按照预设规格分别裁剪,得到若干个参考子图像和缺陷子图像;
训练模块,所述训练模块用于基于每组的若干个所述参考子图像和缺陷子图像,训练得到跳跃连接的卷积自动编码器模型;
检测模块,所述检测模块用于将存在缺陷的待检PCB图像输入到所述自动编码器模型中,预测得到所述待检PCB图像对应的完整PCB图像,将所述完整PCB图像减去所述待检PCB图像,得到所述待检PCB图像的缺陷形状和位置。
9.一种基于人工智能的电路板缺陷检测设备,其特征在于,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:
获取PCB图像集,所述PCB图像集中包括有多组参考PCB图像和与所述参考PCB图像对应的缺陷PCB图像,所述缺陷PCB图像中的PCB存在缺陷;
对所述PCB图像集预处理,所述预处理至少包括对每一组所述参考PCB图像和所述缺陷PCB图像按照预设规格分别裁剪,得到若干个参考子图像和缺陷子图像;
基于每组的若干个所述参考子图像和缺陷子图像,训练得到跳跃连接的卷积自动编码器模型;
将存在缺陷的待检PCB图像输入到所述自动编码器模型中,预测得到所述待检PCB图像对应的完整PCB图像;
将所述完整PCB图像减去所述待检PCB图像,得到所述待检PCB图像的缺陷形状和位置。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的电路板缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311604838.7A CN117314909B (zh) | 2023-11-29 | 2023-11-29 | 基于人工智能的电路板缺陷检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311604838.7A CN117314909B (zh) | 2023-11-29 | 2023-11-29 | 基于人工智能的电路板缺陷检测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117314909A true CN117314909A (zh) | 2023-12-29 |
CN117314909B CN117314909B (zh) | 2024-02-09 |
Family
ID=89286917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311604838.7A Active CN117314909B (zh) | 2023-11-29 | 2023-11-29 | 基于人工智能的电路板缺陷检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117314909B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069470A (zh) * | 2015-07-29 | 2015-11-18 | 腾讯科技(深圳)有限公司 | 分类模型训练方法及装置 |
CN112767369A (zh) * | 2021-01-25 | 2021-05-07 | 佛山科学技术学院 | 小五金的缺陷识别检测方法、装置及计算机可读存储介质 |
CN113129272A (zh) * | 2021-03-30 | 2021-07-16 | 广东省科学院智能制造研究所 | 一种基于去噪卷积自编码器的缺陷检测方法及装置 |
JP2021111261A (ja) * | 2020-01-15 | 2021-08-02 | 日本電気株式会社 | モデル生成装置、モデル生成方法、及び、記録媒体 |
CN114119502A (zh) * | 2021-11-05 | 2022-03-01 | 西安工程大学 | 一种针对彩色纹理织物色差和污渍缺陷的检测方法 |
CN114140671A (zh) * | 2021-11-01 | 2022-03-04 | 杭州涿溪脑与智能研究所 | 基于多尺度融合的高分辨率芯片图像的分类方法和装置 |
CN114387211A (zh) * | 2021-12-08 | 2022-04-22 | 深圳市雄帝科技股份有限公司 | 疫苗缺陷检测模型的训练方法、疫苗缺陷检测方法及装置 |
US20220207707A1 (en) * | 2020-12-30 | 2022-06-30 | Hon Hai Precision Industry Co., Ltd. | Image defect detection method, electronic device using the same |
CN115526857A (zh) * | 2022-09-26 | 2022-12-27 | 深圳先进技术研究院 | 一种pet图像去噪的方法、终端设备及可读存储介质 |
CN116127450A (zh) * | 2022-10-08 | 2023-05-16 | 马上消费金融股份有限公司 | 一种模型评估方法及装置 |
JP2023115913A (ja) * | 2022-02-08 | 2023-08-21 | 横河電機株式会社 | センサチップの視覚的検査のための方法およびシステム |
CN116777814A (zh) * | 2022-03-07 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备、存储介质及程序产品 |
WO2023207096A1 (zh) * | 2022-04-29 | 2023-11-02 | 浪潮电子信息产业股份有限公司 | 一种实体链接方法、装置、设备及非易失性可读存储介质 |
CN117132768A (zh) * | 2023-10-27 | 2023-11-28 | 广汽埃安新能源汽车股份有限公司 | 车牌及人脸检测和脱敏方法、装置、电子设备和存储介质 |
-
2023
- 2023-11-29 CN CN202311604838.7A patent/CN117314909B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069470A (zh) * | 2015-07-29 | 2015-11-18 | 腾讯科技(深圳)有限公司 | 分类模型训练方法及装置 |
JP2021111261A (ja) * | 2020-01-15 | 2021-08-02 | 日本電気株式会社 | モデル生成装置、モデル生成方法、及び、記録媒体 |
US20220207707A1 (en) * | 2020-12-30 | 2022-06-30 | Hon Hai Precision Industry Co., Ltd. | Image defect detection method, electronic device using the same |
CN112767369A (zh) * | 2021-01-25 | 2021-05-07 | 佛山科学技术学院 | 小五金的缺陷识别检测方法、装置及计算机可读存储介质 |
CN113129272A (zh) * | 2021-03-30 | 2021-07-16 | 广东省科学院智能制造研究所 | 一种基于去噪卷积自编码器的缺陷检测方法及装置 |
CN114140671A (zh) * | 2021-11-01 | 2022-03-04 | 杭州涿溪脑与智能研究所 | 基于多尺度融合的高分辨率芯片图像的分类方法和装置 |
CN114119502A (zh) * | 2021-11-05 | 2022-03-01 | 西安工程大学 | 一种针对彩色纹理织物色差和污渍缺陷的检测方法 |
CN114387211A (zh) * | 2021-12-08 | 2022-04-22 | 深圳市雄帝科技股份有限公司 | 疫苗缺陷检测模型的训练方法、疫苗缺陷检测方法及装置 |
JP2023115913A (ja) * | 2022-02-08 | 2023-08-21 | 横河電機株式会社 | センサチップの視覚的検査のための方法およびシステム |
CN116777814A (zh) * | 2022-03-07 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机设备、存储介质及程序产品 |
WO2023207096A1 (zh) * | 2022-04-29 | 2023-11-02 | 浪潮电子信息产业股份有限公司 | 一种实体链接方法、装置、设备及非易失性可读存储介质 |
CN115526857A (zh) * | 2022-09-26 | 2022-12-27 | 深圳先进技术研究院 | 一种pet图像去噪的方法、终端设备及可读存储介质 |
CN116127450A (zh) * | 2022-10-08 | 2023-05-16 | 马上消费金融股份有限公司 | 一种模型评估方法及装置 |
CN117132768A (zh) * | 2023-10-27 | 2023-11-28 | 广汽埃安新能源汽车股份有限公司 | 车牌及人脸检测和脱敏方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
刘国忠;李运生;周玺;徐炜君;: "基于分层参考比对法印刷电路板自动检测技术", 制造业自动化, no. 11, 25 October 2010 (2010-10-25), pages 12 - 16 * |
Also Published As
Publication number | Publication date |
---|---|
CN117314909B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11380232B2 (en) | Display screen quality detection method, apparatus, electronic device and storage medium | |
CN111833306A (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
US11715190B2 (en) | Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device | |
CN114902279A (zh) | 基于机器视觉的自动化缺陷检测 | |
CN113628179B (zh) | 一种pcb表面缺陷实时检测方法、装置及可读介质 | |
CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
CN114170184A (zh) | 一种基于嵌入特征向量的产品图像异常检测方法及装置 | |
CN116485779B (zh) | 自适应晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN111476759B (zh) | 一种屏幕表面检测方法、装置、终端及存储介质 | |
CN112116568A (zh) | 一种图像质量评价方法、装置及存储介质 | |
CN111144425A (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
CN114463389A (zh) | 一种运动目标检测方法以及检测系统 | |
CN117314909B (zh) | 基于人工智能的电路板缺陷检测方法、装置、设备及介质 | |
CN113920208A (zh) | 图像处理方法及装置、计算机可读存储介质和电子设备 | |
CN116935174A (zh) | 一种多模态融合的金属工件表面缺陷检测方法和系统 | |
CN115661156A (zh) | 图像生成方法、装置、存储介质、设备及计算机程序产品 | |
CN116091416A (zh) | 印制电路板组装缺陷检测、变化检测模型训练方法及装置 | |
CN113034432B (zh) | 一种产品缺陷检测方法、系统、装置及存储介质 | |
CN114612434A (zh) | 一种波纹管表面缺陷检测方法及系统 | |
CN115719326A (zh) | Pcb板缺陷检测方法及装置 | |
CN113628192A (zh) | 图像模糊检测方法、装置、设备、存储介质及程序产品 | |
Okarma et al. | A method supporting fault-tolerant optical text recognition from video sequences recorded with handheld cameras | |
CN117934444A (zh) | 基于机器视觉的pcb缺陷检测方法、装置、设备及存储介质 | |
Tang et al. | Thermal fault diagnosis of complex electrical equipment based on infrared image recognition | |
JP7386287B1 (ja) | 検査方法及び検査装置 |
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 |