CN117455887A - 基于机器视觉的pcb来料检测方法、装置、设备及介质 - Google Patents
基于机器视觉的pcb来料检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117455887A CN117455887A CN202311524336.3A CN202311524336A CN117455887A CN 117455887 A CN117455887 A CN 117455887A CN 202311524336 A CN202311524336 A CN 202311524336A CN 117455887 A CN117455887 A CN 117455887A
- Authority
- CN
- China
- Prior art keywords
- pcb
- image
- machine vision
- defects
- incoming material
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 108
- 239000013072 incoming material Substances 0.000 title claims abstract description 87
- 230000007547 defect Effects 0.000 claims abstract description 119
- 238000000034 method Methods 0.000 claims abstract description 31
- 239000000463 material Substances 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims description 47
- 238000007689 inspection Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 17
- 238000003702 image correction Methods 0.000 claims description 16
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 150000003071 polychlorinated biphenyls Chemical class 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000007639 printing Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 239000002994 raw material Substances 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 208000003464 asthenopia Diseases 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011093 chipboard Substances 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- 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]
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)
Abstract
本申请公开了一种基于机器视觉的PCB来料检测方法、装置、设备及介质，属于来料检测的技术领域。在本申请中，通过机器视觉的自动化检测技术实现对PCB来料的缺陷检测，以此从来料环节开始保证PCB质量。首先，对待测PCB的初始PCB图像进行图像预处理，得到目标PCB图像。然后，通过用于PCB来料检测的标准模板图像和该目标PCB图像，确定该待定PCB是否存在缺陷。为保证PCB质量，需要在PCB来料阶段对PCB进行检测，人工检测需要消耗大量的人力资源并且长时间检测会造成视疲劳，同时易发生漏检、错检。通过基于机器视觉的PCB来料检测方法来代替人工，以实现在PCB来料阶段准确的缺陷检测。
Description
技术领域
本申请涉及来料检测的技术领域，尤其涉及一种基于机器视觉的PCB来料检测方法、基于机器视觉的PCB来料检测装置、基于机器视觉的PCB来料检测设备及计算机可读存储介质。
背景技术
PCB(Printed Circuit Board，印制电路板)是电子元器件相互连接的载体。在消费电子行业中，经贴片工序后的PCB(贴片板)既会极大决定制成品整机的品质性能，也在整机物料成本中占比过半。因此保证PCB的质量既是品质端的要求，也符合成本端的考量，这就需要从来料环节就开始对PCB进行检测。
目前，在来料检测环节往往通过人工目视检测来对PCB来料进行评判，这种检测方法耗费人工成本、降低入库效率、鲁棒性差、受人主观因素影响大，且长时间的检测会导致检验员视觉疲劳。
发明内容
本申请的主要目的在于提供一种基于机器视觉的PCB来料检测方法、基于机器视觉的PCB来料检测装置、基于机器视觉的PCB来料检测设备及计算机可读存储介质，旨在准确检测PCB来料的缺陷。
为实现上述目的，本申请提供一种基于机器视觉的PCB来料检测方法，所述方法包括：
获取待测PCB的初始PCB图像，以及用于PCB来料检测的标准模板图像；
对所述初始PCB图像进行图像预处理，得到目标PCB图像；
通过所述标准模板图像和所述目标PCB图像的图像相减运算，得到差值图像；并通过所述差值图像的像素值与预设像素阈值，确定所述待定PCB是否存在缺陷。
示例性的，所述对所述初始PCB图像进行图像预处理，得到目标PCB图像的步骤，包括：
对所述初始PCB图像进行图像显示效果的图像增强，得到第一PCB图像；
对所述第一PCB图像进行图像矫正，得到第二PCB图像；
对所述第二PCB图像进行待检测区域的图像分割，得到目标PCB图像。
示例性的，所述对所述第一PCB图像进行图像矫正，得到第二PCB图像的步骤之前，包括：
对拍摄待测PCB的初始PCB图像的拍摄相机进行畸变标定，得到所述拍摄相机的畸变补偿参数；
所述对所述第一PCB图像进行图像矫正，得到第二PCB图像的步骤，包括：
通过所述拍摄相机的畸变补偿参数，对所述第一PCB图像进行图像畸变矫正，得到第二PCB图像。
示例性的，所述通过所述差值图像的像素值与预设像素阈值，确定所述待定PCB是否存在缺陷的步骤，包括：
若所述差值图像的像素值小于预设像素阈值，则确定所述待定PCB不存在缺陷；
若所述差值图像的像素值大于或等于预设像素阈值，则确定所述待定PCB存在缺陷。
示例性的，所述通过所述标准模板图像和所述目标PCB图像的图像相减运算，得到差值图像；并通过所述差值图像的像素值与预设像素阈值，确定所述待定PCB是否存在缺陷的步骤之后，包括：
若所述待定PCB存在缺陷，则通过所述差值图像进行缺陷识别并分类，确定所述待定PCB上存在的缺陷以及缺陷类型。
示例性的，所述待定PCB上存在的缺陷包括尺寸超规、划痕脏污、错板漏印和其他不良缺陷，所述通过所述差值图像进行缺陷识别并分类，确定所述待定PCB上存在的缺陷以及缺陷类型的步骤之后，包括：
基于所述尺寸超规、所述划痕脏污、所述错板漏印和所述其他不良缺陷的异常检测情况，实时调整抽样检测策略、供应商评价与原材料采买策略。
示例性的，所述方法还包括：
若当前抽检批次的待测PCB均不存在缺陷，则将当前抽检批次对应的PCB板送入产线执行PCB贴片；
若当前抽检批次的待测PCB存在缺陷，则增待测PCB的抽检数量，直至后续抽检批次的待测PCB均不存在缺陷。
本申请还提供一种基于机器视觉的PCB来料检测装置，所述基于机器视觉的PCB来料检测装置包括：
获取模块，用于获取待测PCB的初始PCB图像，以及用于PCB来料检测的标准模板图像；
图像预处理模块，用于对所述初始PCB图像进行图像预处理，得到目标PCB图像；
确定模块，用于通过所述标准模板图像和所述目标PCB图像的图像相减运算，得到差值图像；并通过所述差值图像的像素值与预设像素阈值，确定所述待定PCB是否存在缺陷。
本申请还提供一种基于机器视觉的PCB来料检测设备，所述基于机器视觉的PCB来料检测设备包括：存储器、处理器、及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的基于机器视觉的PCB来料检测方法的步骤。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于机器视觉的PCB来料检测方法的步骤。
本申请实施例提出的一种基于机器视觉的PCB来料检测方法、基于机器视觉的PCB来料检测装置、基于机器视觉的PCB来料检测设备及计算机可读存储介质,获取待测PCB的初始PCB图像，以及用于PCB来料检测的标准模板图像；对所述初始PCB图像进行图像预处理，得到目标PCB图像；通过所述标准模板图像和所述目标PCB图像的图像相减运算，得到差值图像；并通过所述差值图像的像素值与预设像素阈值，确定所述待定PCB是否存在缺陷。
在本申请中，通过机器视觉的自动化检测技术实现对PCB来料的缺陷检测，以此从来料环节开始保证PCB质量。首先，对待测PCB的初始PCB图像进行图像预处理，得到目标PCB图像。然后，通过用于PCB来料检测的标准模板图像和该目标PCB图像，确定该待定PCB是否存在缺陷。
为保证PCB质量，需要在PCB来料阶段对PCB进行检测，人工检测需要消耗大量的人力资源并且长时间检测会造成视疲劳，同时易发生漏检、错检。通过基于机器视觉的PCB来料检测方法来代替人工，以实现在PCB来料阶段准确的缺陷检测。
附图说明
图1是本申请实施例方案涉及的硬件运行环境的运行设备的结构示意图；
图2为本申请实施例方案涉及的基于机器视觉的PCB来料检测方法一实施例的流程示意图；
图3为本申请实施例方案涉及的基于机器视觉的PCB来料检测方法一实施例的PCB来料检测算法示意图；
图4为本申请实施例方案涉及的基于机器视觉的PCB来料检测方法一实施例的PCB来料检测过程示意图；
图5为本申请实施例方案涉及的基于机器视觉的PCB来料检测方法一实施例的应用示意图；
图6为本申请实施例方案涉及的基于机器视觉的PCB来料检测装置的示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，图1为本申请实施例方案涉及的硬件运行环境的运行设备结构示意图。
如图1所示，该运行设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对运行设备的限定，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。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及计算机程序。
在图1所示的运行设备中，网络接口1004主要用于与其他设备进行数据通信；用户接口1003主要用于与用户进行数据交互；本申请运行设备中的处理器1001、存储器1005可以设置在运行设备中，所述运行设备通过处理器1001调用存储器1005中存储的计算机程序，并执行以下操作：
获取待测PCB的初始PCB图像，以及用于PCB来料检测的标准模板图像；
对所述初始PCB图像进行图像预处理，得到目标PCB图像；
通过所述标准模板图像和所述目标PCB图像的图像相减运算，得到差值图像；并通过所述差值图像的像素值与预设像素阈值，确定所述待定PCB是否存在缺陷。
在一实施例中，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
所述对所述初始PCB图像进行图像预处理，得到目标PCB图像的步骤，包括：
对所述初始PCB图像进行图像显示效果的图像增强，得到第一PCB图像；
对所述第一PCB图像进行图像矫正，得到第二PCB图像；
对所述第二PCB图像进行待检测区域的图像分割，得到目标PCB图像。
在一实施例中，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
所述对所述第一PCB图像进行图像矫正，得到第二PCB图像的步骤之前，包括：
对拍摄待测PCB的初始PCB图像的拍摄相机进行畸变标定，得到所述拍摄相机的畸变补偿参数；
所述对所述第一PCB图像进行图像矫正，得到第二PCB图像的步骤，包括：
通过所述拍摄相机的畸变补偿参数，对所述第一PCB图像进行图像畸变矫正，得到第二PCB图像。
在一实施例中，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
所述通过所述差值图像的像素值与预设像素阈值，确定所述待定PCB是否存在缺陷的步骤，包括：
若所述差值图像的像素值小于预设像素阈值，则确定所述待定PCB不存在缺陷；
若所述差值图像的像素值大于或等于预设像素阈值，则确定所述待定PCB存在缺陷。
在一实施例中，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
所述通过所述标准模板图像和所述目标PCB图像的图像相减运算，得到差值图像；并通过所述差值图像的像素值与预设像素阈值，确定所述待定PCB是否存在缺陷的步骤之后，包括：
若所述待定PCB存在缺陷，则通过所述差值图像进行缺陷识别并分类，确定所述待定PCB上存在的缺陷以及缺陷类型。
在一实施例中，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
所述待定PCB上存在的缺陷包括尺寸超规、划痕脏污、错板漏印和其他不良缺陷，所述通过所述差值图像进行缺陷识别并分类，确定所述待定PCB上存在的缺陷以及缺陷类型的步骤之后，包括：
基于所述尺寸超规、所述划痕脏污、所述错板漏印和所述其他不良缺陷的异常检测情况，实时调整抽样检测策略、供应商评价与原材料采买策略。
在一实施例中，处理器1001可以调用存储器1005中存储的计算机程序，还执行以下操作：
所述方法还包括：
若当前抽检批次的待测PCB均不存在缺陷，则将当前抽检批次对应的PCB板送入产线执行PCB贴片；
若当前抽检批次的待测PCB存在缺陷，则增待测PCB的抽检数量，直至后续抽检批次的待测PCB均不存在缺陷。
本申请实施例提供了一种基于机器视觉的PCB来料检测方法，参照图2，在基于机器视觉的PCB来料检测方法的一实施例中，所述方法包括：
步骤S10，获取待测PCB的初始PCB图像，以及用于PCB来料检测的标准模板图像；
为从源头保证PCB的质量，需从裸板开始关注，因此从PCB来料阶段就对其质量进行检测。首先根据一定的规则(如固定比例抽样、依据料号与来料历史数据调整抽样比例等)，对PCB来料进行抽检，对待测样品通过工业相机获取PCB裸板的图像信息，作为待测PCB的初始PCB图像，经串口发送至上位机，同时，获取用于PCB来料检测的标准模板图像，在上位机中检测PCB来料的尺寸规格、划痕脏污等缺陷，进而确定PCB来料的质量。
步骤S20，对所述初始PCB图像进行图像预处理，得到目标PCB图像；
由于在待测PCB的初始PCB图像的采集过程中存在各种不确定因素，因此，在获取到待测PCB的初始PCB图像之后，对该初始PCB图像进行图像预处理，得到去除干扰因素之后较为准确反应PCB来料实际缺陷的目标PCB图像。
示例性的，所述对所述初始PCB图像进行图像预处理，得到目标PCB图像的步骤，包括：
对所述初始PCB图像进行图像显示效果的图像增强，得到第一PCB图像；
对所述第一PCB图像进行图像矫正，得到第二PCB图像；
对所述第二PCB图像进行待检测区域的图像分割，得到目标PCB图像。
在一实施例中，参照图3，在对初始PCB图像进行图像预处理时，首先，对该初始PCB图像进行图像显示效果的图像增强，如去噪、调节饱和度及对比度等操作，以保证图像显示效果，得到第一PCB图像；然后，对第一PCB图像进行图像矫正，比如通过相机标定得到的补偿函数，以及旋转、缩放等操作得到复原后的标准图像，以此得到第二PCB图像；最后，对第二PCB图像进行待检测区域的图像分割，分割出待检测的PCB区域。
示例性的，所述对所述第一PCB图像进行图像矫正，得到第二PCB图像的步骤之前，包括：
对拍摄待测PCB的初始PCB图像的拍摄相机进行畸变标定，得到所述拍摄相机的畸变补偿参数；
所述对所述第一PCB图像进行图像矫正，得到第二PCB图像的步骤，包括：
通过所述拍摄相机的畸变补偿参数，对所述第一PCB图像进行图像畸变矫正，得到第二PCB图像。
在一实施例中，在实验室前期准备阶段，在实验室正式进行抽样检测之前保证有一个稳定的检测环境和调校工业相机，然后搭建PCB来料检测的测试环境，该环境要求稳定、无光源干扰，且需固定好PCB和相机的位置，调好相机参数，使其焦距、曝光时间等参数适宜。
拍摄待测PCB的工业相机可能会因广角镜头的凸透镜成像问题而产生桶形畸变，通过相机标定进行相机调校，通过获取相机的畸变参数，将该参数应用到后续的检测算法中作为畸变补偿的依据。
在一实施例中，准备好等间距同心圆，放到搭建好的测试环境中PCB的位置，用相机拍照，得到发生畸变的照片，对比间距同心圆的间距，计算出畸变程度与照片中心距离相关的拟合函数，记录该拟合函数函数并作为后续算法的畸变补偿函数。以此，对拍摄待测PCB的初始PCB图像的拍摄相机进行畸变标定，得到该拍摄相机的畸变补偿参数。在对第一PCB图像进行图像矫正时，通过拍摄相机的畸变补偿参数对第一PCB图像进行图像畸变矫正，得到第二PCB图像。
步骤S30，通过所述标准模板图像和所述目标PCB图像的图像相减运算，得到差值图像；并通过所述差值图像的像素值与预设像素阈值，确定所述待定PCB是否存在缺陷。
在对初始PCB图像进行图像预处理得到目标PCB图像之后，便可以通过标准模板图像和目标PCB图像，比较二者之间的差异，确定待定PCB是否存在缺陷。
在通过标准模板图像和目标PCB图像确定待定PCB是否存在缺陷时，将经过图像预处理后的待测PCB图像f1(x,y)与PCB来料的标准模板图像f2(x,y)做图像相减运算，得到差值图像：g(x,y)＝f1(x,y)-f2(x,y)，通过差值图像g(x,y)的像素值与预设像素阈值，确定待定PCB是否存在缺陷。
示例性的，所述通过所述差值图像的像素值与预设像素阈值，确定所述待定PCB是否存在缺陷的步骤，包括：
若所述差值图像的像素值小于预设像素阈值，则确定所述待定PCB不存在缺陷；
若所述差值图像的像素值大于或等于预设像素阈值，则确定所述待定PCB存在缺陷。
若经图像相减运算后的差值图像g(x,y)的像素值符合阈值，即差值图像的像素值小于预设像素阈值，则该PCB判定为合格。否则确定待定PCB存在缺陷。
示例性的，所述通过所述标准模板图像和所述目标PCB图像的图像相减运算，得到差值图像；并通过所述差值图像的像素值与预设像素阈值，确定所述待定PCB是否存在缺陷的步骤之后，包括：
若所述待定PCB存在缺陷，则通过所述差值图像进行缺陷识别并分类，确定所述待定PCB上存在的缺陷以及缺陷类型。
在一实施例中，通过标准模板图像和目标PCB图像确定待定PCB存在缺陷之后，进一步将经图像相减运算后的差值图像g(x,y)输入预设分类模型进行缺陷识别并分类，将缺陷按尺寸超规、划痕脏污、错板漏印或其他不良进行分类。
示例性的，所述待定PCB上存在的缺陷包括尺寸超规、划痕脏污、错板漏印和其他不良缺陷，所述通过所述差值图像进行缺陷识别并分类，确定所述待定PCB上存在的缺陷以及缺陷类型的步骤之后，包括：
基于所述尺寸超规、所述划痕脏污、所述错板漏印和所述其他不良缺陷的异常检测情况，实时调整抽样检测策略、供应商评价与原材料采买策略。
在一实施例中，在经过PCB来料检测之后，检测情况会输入专家系统进行分析。专家系统是一个软件系统，连接了从ERP和MES等企业/生产管理系统，其自主分析能力会对从供应商管理到来料检测到生产再到出货等各个环节起到辅助决策作用。将来料整体检测情况和PCB来料检测算法中检测出的不良项的信息送入专家系统进行分析处理。专家系统会起到以下作用：
(1)分析整体来料检测情况，自动输出监测情况报告与异常报告，汇总经常出现的问题并形成报表，对发生概率高的异常发出警告；(2)将不良分为轻微不良(不影响产品功能，如划痕脏污)和严重不良(影响产品功能，如错版漏印)；(3)针对该批次来料的异常检测情况实时调整抽样检测策略；(4)根据检测到的不良情况自主决策进行退料或其他处理，其他处理包括①来料统一静置等待复测或管理员决策；②关联SRM系统，调整供应商评价与原材料采买策略；③若来料异常较轻微并决定使用该批次来料时，专家系统会跟踪该批次来料并与后续生产测试工序系统互通，提前预警重点关注，并接受后续工序的情况反馈。通过专家系统从来料环节实现生产管控，提前优化生产过程，避免生产出更多不良品，有助于实现智能化工厂的自组织、自调节、自决策功能。
示例性的，所述方法还包括：
若当前抽检批次的待测PCB均不存在缺陷，则将当前抽检批次对应的PCB板送入产线执行PCB贴片；
若当前抽检批次的待测PCB存在缺陷，则增待测PCB的抽检数量，直至后续抽检批次的待测PCB均不存在缺陷。
若当前抽检批次的的待测PCB均不存在缺陷、抽检样品全部通过缺陷检测，则判定当前抽检批次的PCB来料合格、允许贴片；若当前抽检批次的待测PCB存在缺陷、抽检样品中出现未通过缺陷检测的待测PCB，则可增加抽检量，根据后续抽检情况选择退料或其他处理。
在本申请一种基于机器视觉的PCB来料检测方法的一应用场景中，参照图4，整个过程分为实验室前期准备阶段和实验室检测阶段两部分，在实验室正式进行抽样检测之前的实验室前期准备阶段，保证有一个稳定的检测环境和调校工业相机。包括搭建PCB来料检测的测试环境以及相机标定，该环境要求稳定、无光源干扰，且需固定好PCB和相机的位置，调好相机参数，使其焦距、曝光时间等参数适宜。
在实验室检测阶段，相机获取PCB图像传入上位机，执行PCB来料检测算法，当该批次抽检样品中出现了NG品，则从来料中增加抽检量，再次执行PCB来料检测算法。根据整体检测结果再选择执行退料或其他处理。若该批次抽检样品全部PASS，则认为来料合格，允许使用，送入产线执行PCB贴片。
参照图5，基于机器视觉的PCB来料检测流程详述如下：
(1)搭建好测试环境，同时进行相机标定；
(2)按一定的规则对PCB来料进行抽样并送入品质实验室；
(3)工业相机获取待测PCB图像并经串口传送至实验室的上位机；
(4)执行PCB来料检测算法对PCB图像逐个进行检测；
(5)若步骤(4)存在NG品，则增加抽样数量再进行检测，然后根据检测结果选择退料或其他操作；
(6)若步骤(4)的待测品全部PASS则判定为来料合格，将该批次来料进行PCB贴片，至此PCB来料检测结束；
(7)以上PCB来料自动化检测过程中的数据都会输入专家系统进行辅助分析决策。
通过提供一种基于机器视觉的PCB来料检测方法来代替人工，以实现在PCB来料阶段对尺寸超规、划痕脏污、错板漏印等不良的检测。同时引入专家系统，对来料检测到的缺陷情况进行分析，进而调整来料检测策略并影响相应供应商评价，优化企业后续原材料采买策略，并对异常批次来料在生产过程中进行跟踪。且该方法具有高集成度、高可靠性与高自动化程度，提升检测效率和精度，并可推广到其他含有PCB的产品上。
参照图6，此外，本申请实施例还提供一种基于机器视觉的PCB来料检测装置，所述基于机器视觉的PCB来料检测装置包括：
获取模块M1，用于获取待测PCB的初始PCB图像，以及用于PCB来料检测的标准模板图像；
图像预处理模块M2，用于对所述初始PCB图像进行图像预处理，得到目标PCB图像；
确定模块M3，用于通过所述标准模板图像和所述目标PCB图像的图像相减运算，得到差值图像；并通过所述差值图像的像素值与预设像素阈值，确定所述待定PCB是否存在缺陷。
示例性的，所述图像预处理模块还用于：
对所述初始PCB图像进行图像显示效果的图像增强，得到第一PCB图像；
对所述第一PCB图像进行图像矫正，得到第二PCB图像；
对所述第二PCB图像进行待检测区域的图像分割，得到目标PCB图像。
示例性的，所述图像预处理模块还用于：
所述对所述第一PCB图像进行图像矫正，得到第二PCB图像的步骤之前，
对拍摄待测PCB的初始PCB图像的拍摄相机进行畸变标定，得到所述拍摄相机的畸变补偿参数；
所述图像预处理模块还用于：
通过所述拍摄相机的畸变补偿参数，对所述第一PCB图像进行图像畸变矫正，得到第二PCB图像。
示例性的，所述确定模块还用于：
若所述差值图像的像素值小于预设像素阈值，则确定所述待定PCB不存在缺陷；
若所述差值图像的像素值大于或等于预设像素阈值，则确定所述待定PCB存在缺陷。
示例性的，所述确定模块还用于：
所述通过所述标准模板图像和所述目标PCB图像的图像相减运算，得到差值图像；并通过所述差值图像的像素值与预设像素阈值，确定所述待定PCB是否存在缺陷的步骤之后，
若所述待定PCB存在缺陷，则通过所述差值图像进行缺陷识别并分类，确定所述待定PCB上存在的缺陷以及缺陷类型。
示例性的，所述待定PCB上存在的缺陷包括尺寸超规、划痕脏污、错板漏印和其他不良缺陷，所述确定模块还用于：
所述通过所述差值图像进行缺陷识别并分类，确定所述待定PCB上存在的缺陷以及缺陷类型的步骤之后，
基于所述尺寸超规、所述划痕脏污、所述错板漏印和所述其他不良缺陷的异常检测情况，实时调整抽样检测策略、供应商评价与原材料采买策略。
示例性的，所述确定模块还用于：
若当前抽检批次的待测PCB均不存在缺陷，则将当前抽检批次对应的PCB板送入产线执行PCB贴片；
若当前抽检批次的待测PCB存在缺陷，则增待测PCB的抽检数量，直至后续抽检批次的待测PCB均不存在缺陷。
本申请提供的基于机器视觉的PCB来料检测装置，采用上述实施例中的基于机器视觉的PCB来料检测方法，旨在准确检测PCB来料的缺陷。与常规技术相比，本申请实施例提供的基于机器视觉的PCB来料检测装置的有益效果与上述实施例提供的基于机器视觉的PCB来料检测方法的有益效果相同，且基于机器视觉的PCB来料检测装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
此外，本申请实施例还提供一种基于机器视觉的PCB来料检测设备，所述基于机器视觉的PCB来料检测设备包括：存储器、处理器、及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的基于机器视觉的PCB来料检测方法的步骤。
此外，本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于机器视觉的PCB来料检测方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对常规技术做出贡献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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于机器视觉的PCB来料检测方法，其特征在于，所述方法包括：
获取待测PCB的初始PCB图像，以及用于PCB来料检测的标准模板图像；
对所述初始PCB图像进行图像预处理，得到目标PCB图像；
通过所述标准模板图像和所述目标PCB图像的图像相减运算，得到差值图像；并通过所述差值图像的像素值与预设像素阈值，确定所述待定PCB是否存在缺陷。
2.如权利要求1所述的基于机器视觉的PCB来料检测方法，其特征在于，所述对所述初始PCB图像进行图像预处理，得到目标PCB图像的步骤，包括：
对所述初始PCB图像进行图像显示效果的图像增强，得到第一PCB图像；
对所述第一PCB图像进行图像矫正，得到第二PCB图像；
对所述第二PCB图像进行待检测区域的图像分割，得到目标PCB图像。
3.如权利要求2所述的基于机器视觉的PCB来料检测方法，其特征在于，所述对所述第一PCB图像进行图像矫正，得到第二PCB图像的步骤之前，包括：
对拍摄待测PCB的初始PCB图像的拍摄相机进行畸变标定，得到所述拍摄相机的畸变补偿参数；
所述对所述第一PCB图像进行图像矫正，得到第二PCB图像的步骤，包括：
通过所述拍摄相机的畸变补偿参数，对所述第一PCB图像进行图像畸变矫正，得到第二PCB图像。
4.如权利要求1所述的基于机器视觉的PCB来料检测方法，其特征在于，所述通过所述差值图像的像素值与预设像素阈值，确定所述待定PCB是否存在缺陷的步骤，包括：
若所述差值图像的像素值小于预设像素阈值，则确定所述待定PCB不存在缺陷；
若所述差值图像的像素值大于或等于预设像素阈值，则确定所述待定PCB存在缺陷。
5.如权利要求1所述的基于机器视觉的PCB来料检测方法，其特征在于，所述通过所述标准模板图像和所述目标PCB图像的图像相减运算，得到差值图像；并通过所述差值图像的像素值与预设像素阈值，确定所述待定PCB是否存在缺陷的步骤之后，包括：
若所述待定PCB存在缺陷，则通过所述差值图像进行缺陷识别并分类，确定所述待定PCB上存在的缺陷以及缺陷类型。
6.如权利要求5所述的基于机器视觉的PCB来料检测方法，其特征在于，所述待定PCB上存在的缺陷包括尺寸超规、划痕脏污、错板漏印和其他不良缺陷，所述通过所述差值图像进行缺陷识别并分类，确定所述待定PCB上存在的缺陷以及缺陷类型的步骤之后，包括：
基于所述尺寸超规、所述划痕脏污、所述错板漏印和所述其他不良缺陷的异常检测情况，实时调整抽样检测策略、供应商评价与原材料采买策略。
7.如权利要求1所述的基于机器视觉的PCB来料检测方法，其特征在于，所述方法还包括：
若当前抽检批次的待测PCB均不存在缺陷，则将当前抽检批次对应的PCB板送入产线执行PCB贴片；
若当前抽检批次的待测PCB存在缺陷，则增待测PCB的抽检数量，直至后续抽检批次的待测PCB均不存在缺陷。
8.一种基于机器视觉的PCB来料检测装置，其特征在于，所述基于机器视觉的PCB来料检测装置包括：
获取模块，用于获取待测PCB的初始PCB图像，以及用于PCB来料检测的标准模板图像；
图像预处理模块，用于对所述初始PCB图像进行图像预处理，得到目标PCB图像；
确定模块，用于通过所述标准模板图像和所述目标PCB图像的图像相减运算，得到差值图像；并通过所述差值图像的像素值与预设像素阈值，确定所述待定PCB是否存在缺陷。
9.一种基于机器视觉的PCB来料检测设备，其特征在于，所述基于机器视觉的PCB来料检测设备包括：存储器、处理器、及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7任一项所述的基于机器视觉的PCB来料检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于机器视觉的PCB来料检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311524336.3A CN117455887A (zh) | 2023-11-15 | 2023-11-15 | 基于机器视觉的pcb来料检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311524336.3A CN117455887A (zh) | 2023-11-15 | 2023-11-15 | 基于机器视觉的pcb来料检测方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117455887A true CN117455887A (zh) | 2024-01-26 |
Family
ID=89596647
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311524336.3A Pending CN117455887A (zh) | 2023-11-15 | 2023-11-15 | 基于机器视觉的pcb来料检测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117455887A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117929975A (zh) * | 2024-03-25 | 2024-04-26 | 四川易景智能终端有限公司 | 一种pcba板测试方法 |
-
2023
- 2023-11-15 CN CN202311524336.3A patent/CN117455887A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117929975A (zh) * | 2024-03-25 | 2024-04-26 | 四川易景智能终端有限公司 | 一种pcba板测试方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10674651B2 (en) | Printed circuit board inspecting apparatus, method for determining fault type of screen printer and computer readable recording medium | |
| US11132786B2 (en) | Board defect filtering method based on defect list and circuit layout image and device thereof and computer-readable recording medium | |
| CN114549512A (zh) | 一种电路板缺陷检测方法、装置、设备及介质 | |
| KR102168724B1 (ko) | 이미지 검사를 이용한 이상 판별 방법 및 장치 | |
| CN112053318A (zh) | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 | |
| EP3933771A1 (en) | Positioning method and apparatus, and storage medium | |
| CN111275700A (zh) | 基于深度学习的端子缺陷检测方法及系统 | |
| CN115578377B (zh) | 一种面板缺陷的检测方法、训练方法、装置、设备及介质 | |
| CN114842275B (zh) | 电路板缺陷判别方法、训练方法、装置、设备及存储介质 | |
| CN113077416A (zh) | 一种基于图像处理的焊点焊接缺陷检测方法与系统 | |
| CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| CN114266764A (zh) | 一种印刷标签的字符完整性检测方法及其装置 | |
| US9762750B2 (en) | Method for the automatic parameterization of the error detection of an image inspection system | |
| CN111812118A (zh) | Pcb检测方法、装置、设备及计算机可读存储介质 | |
| CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
| CN115731208A (zh) | 金属复杂面高精度缺陷检测方法、装置、设备及存储介质 | |
| CN117589770A (zh) | Pcb贴片板检测方法、装置、设备及介质 | |
| CN113065538A (zh) | 基于图像识别的压力传感器检测方法、装置及设备 | |
| CN117455917B (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
| CN117191809B (zh) | 基于数据分析的玻璃检测设备故障监测预警系统 | |
| CN113096111A (zh) | 物料检测方法、系统、计算机程序产品及可读存储介质 | |
| CN117455887A (zh) | 基于机器视觉的pcb来料检测方法、装置、设备及介质 | |
| CN116128829A (zh) | 异形孔检测方法、装置、电子设备及存储介质 | |
| CN113610801B (zh) | 基于最小单元的缺陷分类方法、装置、设备和存储介质 | |
| CN115115596A (zh) | 电子元器件检测方法、装置及自动质检设备 |
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 |