CN117522876A - 一种基于颜色和面积的缺陷检测方法 - Google Patents
一种基于颜色和面积的缺陷检测方法 Download PDFInfo
- Publication number
- CN117522876A CN117522876A CN202410020844.6A CN202410020844A CN117522876A CN 117522876 A CN117522876 A CN 117522876A CN 202410020844 A CN202410020844 A CN 202410020844A CN 117522876 A CN117522876 A CN 117522876A
- Authority
- CN
- China
- Prior art keywords
- defect
- area
- color
- value
- gray
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 413
- 238000001514 detection method Methods 0.000 title claims abstract description 193
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims description 46
- 238000004458 analytical method Methods 0.000 claims description 26
- 230000002950 deficient Effects 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 12
- 230000007797 corrosion Effects 0.000 description 8
- 238000005260 corrosion Methods 0.000 description 8
- 238000007689 inspection Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 229910000679 solder Inorganic materials 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000006185 dispersion Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000007639 printing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003647 oxidation Effects 0.000 description 3
- 238000007254 oxidation reaction Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000003466 welding 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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]
-
- 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
- G06T2207/30152—Solder
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于颜色和面积的缺陷检测方法，涉及PCB缺陷检测技术领域，本方法包括对自动缺陷分类系统获取的灰度图做进一步处理，包括待测缺陷的像素面积和面积阈值的计算，待测缺陷的灰度值和颜色阈值的计算，综合产生检测结果；本发明能实现对现有检测置信度的维度的增加，提高了在缺陷检测中的准确度。
Description
技术领域
本发明涉及PCB缺陷检测技术领域，具体地，涉及一种基于颜色和面积的缺陷检测方法。
背景技术
随着电子产品生产和应用数量的提高，PCB( Printed Circuit Board 印刷电路板)作为各类电子产品的重要组成部分，其精度、集成度、复杂度和数量也在不断提高。PCB的质量直接影响着最终电子产品的性能和可靠性。因此，在PCB的生产过程中进行缺陷检测变得至关重要。PCB缺陷检测可以使用多种方法进行，包括人工检查、光学检测和机器视觉检测。人工检查通常是基于经验和目视观察，但效率较低且容易受主观因素影响。光学检测使用光学设备例如显微镜、X射线检测等来检查PCB上的缺陷。机器视觉检测利用计算机视觉技术和图像处理算法来自动分析和识别PCB上的缺陷，具有高效性和准确性。
随着人工智能技术的发展，越来越多的电子制造商开始采用ADC(AutomaticDefect Classification 自动缺陷分类系统)来取代传统的人力分类方法。ADC系统利用先进的图像处理算法和机器学习模型，能够自动检测和分类各种形态的缺陷。它可以通过分析图像中的特征、纹理和颜色等信息，以及训练好的分类模型，实现对缺陷的准确识别和分类。
然而，在ADC检测后，仅依靠模型置信度来判断缺陷是否真实仍然存在一定的不足。ADC检测模型进行缺陷分类后，模型会为每个检测到的缺陷提供一个置信度值，用于表示模型对该缺陷存在的程度的信心。缺陷的置信度是一个单一的维度，表示模型对缺陷存在与否的度量。一般来说，置信度越高，表示模型对缺陷存在的判断越可信。基于置信度可以进行进一步的处理，例如设置一个置信度阈值，只有当缺陷的置信度超过该阈值时，才认定该缺陷为真实存在的。然而，仅仅依靠单一维度的置信度来判断可能存在一些限制。在某些情况下，模型的置信度会受到一些因素的影响，例如数据样本的多样性、模型的训练质量等。因此，仅仅依靠置信度来判断缺陷是否真实存在不够全面和准确。另外，现有的缺陷检测方法大多采用固定的阈值和权重参数，对不同类型和条件下的缺陷识别能力存在局限性。随着产品类型和应用场景的不断扩大，缺陷的属性如大小、形状、颜色等会变得更为复杂多变。且现有缺陷检测主要注重识别效果，检测结果通常仅表现为文本或数值，对后续任务如评估、分析等效率较低，对单一检测结果的审查的直观性不足。同时，检测结果难以长期保存和追溯，例如检测报告与原始图像匹配度不高。
发明内容
本发明提供了一种基于颜色和面积的缺陷检测方法，解决了仅利用ADC做PCB缺陷检测判断缺陷是否存在时，维度单一，不够全面和准确的问题。
具体方案为：一种基于颜色和面积的缺陷检测方法，所述方法包括：
步骤101：根据自动缺陷分类系统获取待测缺陷的第一灰度图，记录待测缺陷在第一灰度图中的坐标；
步骤102：根据坐标，在第一灰度图中创建缺陷区域，所述缺陷区域包括待测缺陷，从第一灰度图中提取出缺陷区域的图像，生成第二灰度图，获取第二灰度图内的最小灰度值和最大灰度值；
步骤103：以待测缺陷的几何中心为圆心，在固定直径范围内取一个背景区域，所述背景区域不包括待测缺陷，计算背景区域内的平均灰度值，将所述最小灰度值和最大灰度值分别与平均灰度值相除，得到第一比例值和第二比例值，第一比例值为m，第二比例值为n，若m大于1，则将第一比例值修改为1/m，若n大于1，则将第二比例值修改为1/n；
步骤104：获得第一颜色阈值，基于第一比例值、第二比例值和第一颜色阈值，计算获得颜色检测结果，所述颜色检测结果用于表示所述缺陷区域在颜色检测中是否存在缺陷；
步骤105：计算出步骤102中所述缺陷区域中灰度值小于第一颜色阈值的像素数量；
步骤106：获得第一面积阈值，基于像素数量与第一面积阈值，计算获得面积检测结果，所述面积检测结果用于表示所述缺陷区域在面积检测中是否存在缺陷；
步骤107：根据颜色检测结果和面积检测结果生成综合检测结果，所述综合检测结果用于表示所述第一灰度图中是否含有缺陷及缺陷相关的信息。
方案的原理为：自动缺陷分类系统是PCB缺陷检测中常用手段，图像捕获和处理较为成熟，本方法首先基于自动缺陷分类系统获取待测缺陷的第一灰度图，然后基于OPENCV和Numpy对第一灰度图做图像处理，具体包括计算缺陷位置的最小灰度与最大灰度，计算缺陷周边固定宽度的平均灰度值，并通过与接口传入的颜色阈值比较得出颜色检测结果，再计算满足颜色阈值的缺陷面积，具体通过以颜色阈值进行二值化后满足要求的像素点的数量，将缺陷面积与面积阈值进行比较得出面积检测结果，通过对两个结果的综合考量，例如必须全部合格，则设定最终检测才合格，利用这个最终检测结果从而判定缺陷是否需要被自动缺陷分类系统进行图像处理等检测。目前的ADC（自动缺陷分类系统）主要依赖于模型的置信度来判断缺陷是否存在，缺乏多维度的综合判定。这意味着ADC主要关注缺陷的特征和模式匹配，而可能忽略了其他可能的缺陷特征，如形状、纹理、边缘等。因此，ADC可能会漏检一些特定类型的缺陷例如不规则边缘的缺陷，或者对于复杂的缺陷难以准确分类。由于在这个缺陷自动检测前期增加了一个是否需要检测的判定方法，且通过颜色和面积两个重要维度进行检测，综合结果较为可信，整体起到了筛选和补充样本的功能，提高了现有缺陷检测的可信度和准确性。
作为优选方案，所述步骤102缺陷区域的创建方式为：创建多个固定大小的待定缺陷区域，所述待定缺陷区域包括待测缺陷，计算不同待定缺陷区域的平均灰度值，取平均灰度值最小的待定缺陷区域为缺陷区域。由于待测缺陷在多种情况下都会导致平均灰度值异常，尤其是降低，因此通过创建多个待定缺陷区域并计算其灰度值，可以选择具有最小灰度值差异的区域作为最终的缺陷区域，具体可以通过计算每个像素点的灰度值来取均值。这样可以提高检测的准确性，例如PCB 上的焊点氧化缺陷。焊点通常具有金属的亮度，而氧化缺陷会导致焊点表面的金属氧化层，使其颜色变暗。这种氧化层可能会在图像中表现为灰暗或黑暗的区域。因此，焊点氧化缺陷区域的平均灰度值可能明显低于周围正常焊点的平均灰度值。选择灰度值变化最小的区域，更能准确地反映出缺陷的特征。通过创建多个固定大小的待定缺陷区域，可以适应不同形状和大小的待测缺陷，具体选取可以人为设置或者根据经验或者统计数据等进行程序编写。这提高了方法的适用性和灵活性。通过选择具有最小灰度值差异的区域作为最终的缺陷区域，可以提高缺陷检测的准确性。这种基于灰度值差异的选择方法更能准确地捕捉到缺陷的特征。通过比较多个待定缺陷区域的灰度值差异，减少了单个区域的误判可能性。选择灰度值差异最小的区域作为缺陷区域，可以提高检测的可靠性。
作为优选方案，步骤102中所述缺陷区域为矩形区域。将缺陷区域定义为矩形区域可简化算法和计算，使方法易于实现和操作。矩形区域的计算和处理速度较快，可以实现快速的实时缺陷检测，适用于高效率的生产线或实时监测系统，从而具备较高实时性和效率。
作为优选方案，所述方法的步骤101还包括创建缺陷自适应检测系统；所述缺陷自适应检测系统包括数据接收模块、数据分析模块、参数优化模块和输出结果模块；所述数据分析模块包括形状分析子模块和颜色分析子模块；所述参数优化模块包括阈值生成子模块和权重生成子模块；所述数据接收模块用于接收第一灰度图、第二灰度图、第一颜色阈值和第一面积阈值；所述形状分析子模块用于分析第一灰度图的形状特征和第二灰度图的形状特征，计算待测缺陷在第二灰度图中的面积占比和第二灰度图在第一灰度图中的面积占比，生成形状特征参数；所述颜色分析子模块用于分析待测缺陷的颜色特征并生成颜色特征参数；所述阈值生成子模块用于基于形状特征参数修改形状阈值并生成第一形状阈值，基于颜色特征参数修改颜色阈值并生成第二颜色阈值；所述权重生成子模块用于根据第二形状特征参数和第二颜色特征参数生成权重参数，所述权重参数用于描述步骤107中颜色检测结果和面积检测结果分别对生成综合检测结果的影响程度。受多因素影响，例如光照和选取区域的不同大小，阈值可以设为一个动态阈值，通过这个系统对前置参数的分析来修改阈值，例如缺陷区域的像素总数（面积越大,需要区分异样区域的范围越大,阈值设置高一些）、以及像素总数在整个灰度图的像素总数中的占比、缺陷区域的形状特征（例如圆形缺陷的颜色阈值可以比长条形缺陷的设置低,因为面积相同时长条形缺陷更易区分）等等，因此系统主动基于不同参数，修改调整传入的阈值；进一步的，由于不同的具体情况，多维度之间应该存在不同的权重，例如有的灰度图里缺陷和周围的灰度值差距过大或不大，颜色的检验难度均不同，可信度均不同，这可以基于经验和人为设置来处理；缺陷形状和面积占比也影响检测难度，根据两者的不同难度和置信度，生成权重参数，动态调整权重来生成最终检测结果，提高了置信度。对应模块的检测难度越低，权重占比则越高。通过创建缺陷自适应检测系统，该方法可以根据不同的输入数据和参数优化模块的调整，自适应地适应不同的缺陷特征和检测要求。这提高了方法的灵活性和适应性。数据分析模块包括形状分析子模块和颜色分析子模块，可以从多个角度对缺陷进行分析。这样可以更全面地考虑缺陷的形状和颜色特征，提高缺陷检测的准确性。参数优化模块通过阈值生成子模块和权重生成子模块，对形状阈值、颜色阈值和权重参数进行优化。这样可以根据实际情况和需求，调整参数以达到最佳的检测效果。
作为优选方案，所述步骤103还包括从缺陷区域中提取缺陷图像，所述缺陷图像包括待测缺陷，分析缺陷图像的形状特征，并根据不同的形状特征生成形状参数，获得形状参数阈值，将形状参数和形状参数阈值进行比较，生成形状检测结果，所述形状参数用于描述缺陷图像的形状特征，所述形状检测结果用于表示所述缺陷区域在形状检测中是否存在缺陷，所述步骤107中综合检测结果的生成方式为根据形状检测结果、颜色检测结果和面积检测结果生成综合检测结果。从缺陷区域中提取缺陷图像，该图像包括待测缺陷。这个步骤将缩小检测范围，使后续的形状特征分析更加准确和高效。对提取的缺陷图像进行形状特征分析，利用边缘检测、拟合算法等手段可以提取出与形状相关的参数，例如中心位置、长轴、短轴、倾斜角度、周长和轮廓曲率等等。这些形状参数描述了缺陷图像的形状特征，基于不同的形状特征生成形状参数阈值。形状参数阈值可以根据实际需求和经验设定，用于判断形状特征是否符合预期的标准，例如形状参数中的周长参数大于阈值，则生成有缺陷的形状检测结果。最后，将本方案产生的形状检测结果与步骤107中的面积检测结果和颜色检测结果一同用于生成最终检测结果，例如规定三者必须全部合格则最终检测结果才合格。
作为优选方案，所述步骤103中的背景区域的获得方式为：在待测缺陷固定直径范围内取一个背景区域或通过基于待测缺陷的缺陷发生率模型在待测缺陷的其中一个或多个方向进行选取，所述缺陷发生率模型用于描述当以待测缺陷的中心为坐标系原点时，所述待测缺陷的缺陷点在坐标系中的空间分布概率。实际上，我们将待测缺陷的中心作为坐标系的原点，在这个坐标系中，我们观察待测缺陷上的缺陷点的位置分布。缺陷点可以是缺陷的实际位置或者缺陷的边界点，具体取决于具体的应用场景。缺陷发生率模型是基于对缺陷点位置的统计分析得出的。通过对大量的样本、数据或经验进行分析，我们可以确定缺陷点在坐标系中的分布规律或概率分布。这样的模型可以帮助我们了解待测缺陷的位置特征和缺陷点的分布情况。通过考虑这种规律，背景区域的选取可以更加符合实际情况，并更好地反映待测缺陷的特征。基于这个规律，可以针对性的对待测缺陷的某个或某些方向进行检测，而不用每次选取一块较大的区域，提高了检测效率、针对性和准确性。
作为优选方案， 所述步骤103中还包括计算出背景区域内灰度值的附加统计特征，所述附加统计特征包括标准差、众数、四分位距和变异系数，所述步骤103中还包括获得额外验证参数，所述额外验证参数用于根据所述附加统计特征判断是否有缺陷存在。附加统计特征是通过对背景区域内的灰度值进行计算得到的。例如标准差衡量了灰度值的离散程度，众数表示出现次数最多的灰度值，四分位距反映了灰度值的分布范围，变异系数衡量了灰度值的变异程度。获得附加统计特征后，可以将附加统计特征的任意一项或多项与预先设定的阈值或模型进行比较，具体根据业务需求而定。异常的条件由人为设定或者系统预设等方式，例如如果统计特征超过了设定的阈值或与模型不符合预期，那么可以判断背景区域存在异常，进而认为可能存在缺陷，提高了检测的准确性。
作为优选方案，步骤103中所述固定直径范围为5个像素点直径范围。在OpenCV和NumPy等图像处理库中，这种小范围的处理可以通过像素索引和切片操作来实现。这样的操作在处理小区域时可以更高效地访问和处理像素数据，减少了不必要的计算和内存开销。
作为优选方案，在本方法中，步骤104采用的第一颜色阈值和步骤106采用的第一面积阈值为内置的固定阈值。由于内置阈值不需要依赖外部接口或参数配置，这可以简化算法的部署过程。不需要额外的设置或配置步骤，可以直接使用算法进行缺陷检测。这对于快速原型开发、简单应用或无需频繁调整阈值的场景非常有利。内置阈值意味着算法的实现不依赖于外部库或接口。这可以减少对外部组件的依赖性，简化了代码的复杂性和维护成本。同时，减少了与外部接口的交互，有助于提高算法的性能和效率。
作为优选方案，所述方法的步骤106中还包括计算缺陷区域中灰度值大于第一颜色阈值的待测颜色面积值，将所述待测颜色面积值和第一颜色阈值比较，生成最大面积检测结果，所述最大面积检测结果用于表示所述缺陷区域在面积检测中是否存在缺陷。通过计算缺陷区域中满足颜色阈值的待测颜色面积值，具体可以通过计算灰度值大于颜色阈值的像素数量，并将像素数量和颜色阈值中的数量进行比较，例如设定某类元件的颜色面积值应小于颜色阈值，则大于颜色阈值的为不合格，从而生成代表本次检测不合格的最大面积检测结果；可以对缺陷区域的面积进行检测。这有助于确定缺陷的大小和程度，并提供关于缺陷的定量信息。
作为优选方案，所述步骤107中还包括储存第一灰度图、第二灰度图、第一比例值、第二比例值和像素数量。通过储存第一灰度图、第二灰度图、第一比例值、第二比例值和像素数量，可以保存在后续步骤中可能需要使用的相关数据。这样可以方便后续使用这些数据进行进一步的分析、处理或展示。储存这些数据可以为进一步的分析提供基础。例如，第一灰度图和第二灰度图可以用于比较不同处理或算法的效果。第一比例值和第二比例值可以用于评估缺陷的大小或形状变化。像素数量可以提供有关缺陷区域的信息，如像素密度或缺陷的相对大小。
作为优选方案，所述步骤101中还包括创建缺陷标记系统，所述缺陷标记系统包括参数接收模块、参数处理模块、图形裁剪模块、灰度图加工模块和数据存储模块；所述参数接收模块用于接收第一灰度图、第二灰度图和综合检测结果，所述综合检测结果包括：缺陷类型、具体缺陷名和缺陷位置；所述数据处理模块用于根据综合检测结果，生成类型参数、缺陷参数和缺陷坐标参数；所述图形裁剪模块用于根据类型参数将第二灰度图裁剪为预设形状，所述灰度图加工模块用于根据缺陷参数和缺陷坐标参数对第二灰度图做标记处理后生成第三灰度图，所述标记处理包括：将所述第二灰度图二值化，并将全部像素点的灰度值设为255，基于缺陷坐标参数将缺陷所在的像素点的灰度值修改为0；基于缺陷参数将第二灰度图中的预设像素点或像素区域的灰度值修改为预设值，所述预设值用于表示所述第二灰度图所包含的缺陷的缺陷名，所述数据存储模块用于将第一灰度图和第三灰度图配对存储。现有的PCB缺陷可以通过分类而划分类型，每个类型对应一些具体的缺陷，例如：圆形代表外观缺陷，具体包括划痕、污染或弯曲等；矩形代表结构性缺陷，具体包括断路、断路或焊接不良等；使用灰度图的形状来代表该缺陷的类型，可以直观的使得观察者快速了解该缺陷的类型。进一步通过标记处理来指示这个图像包括的具体缺陷，可以提高审查和追查的效果，具体为通过将整个图像二值化，使其仅为黑白，将缺陷处像素点设置为黑色，便于了解位置，通过进一步在该灰度图的预设点或区域例如左上角设置灰度值的数值，或者还可以用一个区域内的像素点，形成图案或数字来指示这个缺陷的具体名字，有利于直观展示，使其呈现可视化表达，执行标记处理流程后，将包含这些标记的第二灰度图作为第三灰度图储存，最后还将原始灰度图进行储存，便于审查和追溯。
有益效果为：可以理解的，当前的PCB缺陷的检测方法中，ADC(自动缺陷分类系统)判断缺陷是否存在，会全面的捕获图片和处理图片并生成结果，结果仅以置信度为唯一维度进行判断，维度单一，这意味着ADC主要关注缺陷的特征和模式匹配，而可能忽略了其他可能的缺陷特征。本发明基于以上缺点，在获取待测缺陷的灰度图后，先对待测缺陷进行颜色和面积的结合式检测，生成了检测结果，对待测缺陷做了筛选，符合条件再进入ADC的后续图像处理和检测，对整体的检测起到了过滤和补充的效果，有效的提高了检测的准确性和可信度。
进一步的，基于本发明的优选方案和原理，本发明可以根据具体业务和场景，自定义检测范围和各项检测的权重，提高了方法的灵活性和针对性；还对检测结果进行图像处理和标记，提高了结果直观性、可追溯性和等。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部分，并不构成对本发明实施例的限定；
图1是本发明中一种基于颜色和面积的缺陷检测方法的流程示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
实施例一；
图 1为本发明实施例一中提供的一种基于颜色和面积的缺陷检测方法的流程示意图，如图 1所示，本实施例中的一种基于颜色和面积的缺陷检测方法包括以下步骤：步骤101：根据自动缺陷分类系统获取待测缺陷的第一灰度图，记录待测缺陷在第一灰度图中的坐标；
具体的，根据基于机器视觉和图像识别等Ai技术支持的现有的ADC(自动缺陷分类系统)，获取待测缺陷的第一灰度图，并以待测缺陷的中心作为坐标原点，并记录待测缺陷在所述第一灰度图中的坐标。
步骤102：根据坐标，在第一灰度图中创建缺陷区域，所述缺陷区域包括待测缺陷，从第一灰度图中提取出缺陷区域的图像，生成第二灰度图，获取第二灰度图内的最小灰度值和最大灰度值；
具体的，在步骤1中，基于自动缺陷分类系统检测的第一灰度图，输出了待测缺陷的位置坐标。这些位置坐标指示了缺陷在第一灰度图中的位置。根据获取到的缺陷位置坐标，可以在第一灰度图上创建一个矩形区域，该区域包含了缺陷所在的部分图像。这个矩形区域就是的ROI（感兴趣区域）。利用OPENCV中的函数，可以从第一灰度图中提取出ROI的部分图像，生成一个新的图像，也就是第二灰度图，具体可以是使用cv2.imread()函数读取了一张图像。然后，通过指定裁剪区域的左上角坐标（x，y）和宽度、高度（width，height），使用切片操作来裁剪图像。最后，使用cv2.imshow()函数显示原始图像和裁剪后的图像。将提取的ROI图像转换为Numpy数组，以便进行进一步的计算和处理。在Numpy数组表示的ROI图像上，可以使用Numpy库提供的函数，例如.min()和.max()，分别找出缺陷区域内的最小灰度值和最大灰度值。
步骤103：以待测缺陷的几何中心为圆心，在固定直径范围内取一个背景区域，所述背景区域不包括待测缺陷，计算背景区域内的平均灰度值，将所述最小灰度值和最大灰度值分别与平均灰度值相除，得到第一比例值和第二比例值，第一比例值为m，第二比例值为n，若m大于1，则将第一比例值修改为1/m，若n大于1，则将第二比例值修改为1/n；
具体的，在步骤102中，我们已经使用Numpy找到了缺陷区域内的最小灰度值和最大灰度值。为了计算缺陷周围的背景平均灰度值，可以使用Numpy的图像处理功能。在缺陷区域周围取一个固定宽度的背景区域，这是为了能使得背景区域的形状接近待测缺陷的形状，尽可能增加准确度，同时固定宽度也便于计算机程序进行处理，本例固定为5像素宽度，然后计算该区域内的平均灰度值。将最小灰度值和最大灰度值分别和平均灰度值相除，得到第一比例值和第二比例值。如果最大灰度值与背景平均灰度值相差较大，那么比例值会较大。为了使结果在0到1之间，当第一比例值或第二比例值大于1时，我们可以取其倒数，即倒数值越小，表示缺陷越明显。
步骤104：获得第一颜色阈值，基于第一比例值、第二比例值和第一颜色阈值，计算获得颜色检测结果，所述颜色检测结果用于表示所述缺陷区域在颜色检测中是否存在缺陷；
其中获得第一颜色阈值包括但不限于是外部接口引入或使用内部预置参数等形式，为了提高效率，本例中采用内部预置参数的形式。
具体的，先通过内部程序预置的参数，获得第一颜色阈值，接下来，将该比例值与接口传入的颜色阈值进行比较。例如，如果第二比例值小于颜色阈值，说明最大灰度值相对于背景平均灰度值较小，即缺陷区域的颜色相对较浅，符合颜色要求。反之，如果第二比例值大于颜色阈值，说明最大灰度值相对于背景平均灰度值较大，即缺陷区域的颜色相对较深，不符合颜色要求。从而产生一个颜色检测结果，表示本颜色检测中，是否检测到缺陷。
步骤105：计算出步骤102中所述缺陷区域中灰度值小于第一颜色阈值的像素数量；
具体的，使用OpenCV进行二值化操作，找出小于颜色阈值的颜色面积值。二值化是一种图像处理技术，将图像转换为只包含两个像素值的图像，通常是黑色和白色。在这种情况下，我们希望将图像转换为只包含缺陷区域的二值图像。根据接口传入的颜色阈值，我们可以将小于阈值的颜色部分设置为白色，而大于等于阈值的部分设置为黑色。通过进行二值化操作，我们可以将缺陷区域与背景区域分离，并将缺陷区域表示为白色的像素点。我们得到了二值化后的图像，其中缺陷区域被表示为白色的像素点。接下来，我们需要计算缺陷区域的面积值。通过计算二值图像中白色像素点的个数，我们可以得到缺陷区域的面积，也就是灰度值小于颜色阈值的像素数量。
步骤106：获得第一面积阈值，基于像素数量与第一面积阈值，计算获得面积检测结果，所述面积检测结果用于表示所述缺陷区域在面积检测中是否存在缺陷；
具体的，将计算得到的面积值与程序内置的面积阈值进行比较，得到面积值与面积阈值之间的差值，看差值是否满足缺陷检出的要求。从而生成一个面积检测结果，用于表示待测区域在本次面积检测中是否存在缺陷。
步骤107：根据颜色检测结果和面积检测结果生成综合检测结果，所述综合检测结果用于表示所述第一灰度图中是否含有缺陷及缺陷相关的信息。
具体的，根据上述的颜色检测结果和面积检测结果，生成一个综合检测结果，例如当面积检测到缺陷，或者颜色检测到缺陷，就导致综合检测结果出错，当两者都检测通过，没有检测到缺陷，则综合检测结果才合格。
进一步的，所述步骤102缺陷区域的创建方式为：创建多个固定大小的待定缺陷区域，所述待定缺陷区域包括待测缺陷，计算不同待定缺陷区域的平均灰度值，取平均灰度值最小的为缺陷区域。具体的，在第一灰度图中，以待测缺陷的坐标为中心，创建多个固定大小的待定缺陷区域。这些待定缺陷区域的大小相同，包括但不限于是根据先前的经验或设定的参数确定的。对每个待定缺陷区域进行处理，提取出区域内的图像，并计算该图像的灰度值。比较不同待定缺陷区域的平均灰度值，并选择平均灰度值最小的缺陷区域作为最佳缺陷区域。平均灰度值最小表示该区域中可能存在一些拉低灰度值的错误，例如焊盘腐蚀（Pad Corrosion）。焊盘腐蚀是指焊盘表面由于环境因素或化学反应而产生的腐蚀现象，可能导致焊点连接不良或失效。当焊盘腐蚀发生时，腐蚀区域的焊盘表面可能会变暗或变色，与周围正常焊盘相比，其灰度值较低。因为腐蚀会改变焊盘表面的物理和化学性质，导致光线反射和吸收的特性发生变化，从而影响图像中该区域的亮度。因此，当焊盘腐蚀存在时，腐蚀区域的平均灰度值可能明显低于周围正常焊盘的平均灰度值。通过计算焊盘区域的灰度值平均值或与周围区域进行对比，可以检测和识别焊盘腐蚀缺陷。因此灰度值最低的区域可能产生某些类型的真实的缺陷。最后，将最佳缺陷区域用于步骤102中的后续处理，如计算最小灰度值和最大灰度值。
进一步的，所述步骤103还包括从缺陷区域中提取缺陷图像，所述缺陷图像包括待测缺陷，分析缺陷图像的形状特征，并根据不同的形状特征生成形状参数，获得形状参数阈值，将形状参数和形状参数阈值进行比较，生成形状检测结果，所述形状参数用于描述缺陷图像的形状特征，所述形状检测结果用于表示所述缺陷区域在形状检测中是否存在缺陷，所述步骤107中综合检测结果的生成方式为根据形状检测结果、颜色检测结果和面积检测结果生成综合检测结果。具体的，在步骤102中确定的最佳缺陷区域将被提取出来，形成一个单独的缺陷图像。对提取的缺陷图像进行形状分析，以获取与缺陷形状相关的特征信息。包括但不限于涉及到计算缺陷的边界形状、面积、周长等。本例根据缺陷图像的面积特征，计算得到相应的形状参数为12。形状参数可以是根据经验或预先定义的公式等方式计算得出的数值，例如本例中规定当面积位于10到15平方毫米之间时，形状参数为12。根据先前的经验或设定的规则，确定形状参数的阈值，例如在焊点缺陷中，阈值为5，在裂纹缺陷中，阈值为15。这些阈值可以用于判断缺陷的形状特征是否符合预期标准。将计算得到的形状参数与相应的形状参数阈值进行比较，以确定缺陷的形状特征是否满足预定的条件。根据形状参数与形状参数阈值的比较结果，生成形状检测结果。形状检测结果表示缺陷区域在形状检测中是否存在缺陷。本例中形状参数未能超过阈值，则不存在裂纹缺陷。将形状检测的结果、颜色检测的结果和面积检测的结果进行综合考虑，以得出最终的缺陷检测结果。具体的综合方式可以根据具体的算法或规则进行定义，以确保综合检测结果更准确和可靠，例如在本次检测中，设定形状检测、面积检测和颜色检测出现至少2个检测出缺陷时，最终结果为有缺陷。
进一步的，所述步骤103中的背景区域的获得方式为：在待测缺陷固定直径范围内取一个背景区域或通过基于待测缺陷的缺陷发生率模型在待测缺陷的其中一个或多个方向进行选取，所述缺陷发生率模型用于描述当以待测缺陷的中心为坐标系原点时，所述待测缺陷的缺陷点在坐标系中的空间分布概率。具体的，在步骤103中，会根据缺陷在不同位置出现的概率，针对性的选择背景区域。选择背景区域的过程是根据缺陷发生率模型进行的，该模型描述了待测缺陷周围缺陷点在坐标系中的分布规律。具体而言，假设存在一个焊点缺陷，我们首先使用根据该模型，可以计算出在不同方向上的缺陷发生率，即在不同方向上相对于待测缺陷中心的位置上，缺陷点出现的概率。本例中，在焊盘上的边缘区域，焊点缺陷的发生概率较高，而焊盘中央区域，焊点缺陷的发生概率较低。那么，在步骤103中，我们可以根据缺陷发生率模型选择焊盘中央区域作为背景区域，因为这些区域更有可能是正常区域。而缺陷发生率模型可以根据实际业务数据训练、统计分析或总结而来，通过根据缺陷发生率模型选择背景区域，我们可以提高缺陷检测的准确性，因为我们将焦点放在了与待测缺陷有较高关联性的区域上。这样，我们可以更好地对大概率产生缺陷的区域做针对性检测，并更可靠地判断是否存在缺陷。
进一步的，所述步骤103中还包括计算出背景区域内灰度值的附加统计特征，所述附加统计特征包括标准差、众数、四分位距和变异系数，所述步骤103中还包括获得额外验证参数，所述额外验证参数用于根据所述附加统计特征判断是否有缺陷存在。具体的，本方法还将测得多个统计特征，例如标准差：用于衡量灰度值数据的离散程度，标准差越大表示灰度值的变化越大。众数：表示在背景区域内最常出现的灰度值。四分位距：用于衡量灰度值数据的分散程度，表示灰度值的中间50%的范围。变异系数：用于衡量灰度值数据的相对离散程度，是标准差与平均值的比值。根据计算得到的附加统计特征，获得额外的验证参数。这些额外验证参数可能是预先设定的阈值或规则，用于判断背景区域内是否存在缺陷。本例中为预设的阈值，包括标准差阈值、众数阈值、四分位距阈值和变异系数阈值，通过计算背景区域内灰度值的附加统计特征，并利用额外验证参数和附加统计特征进行计算，具体包括对大小进行比对，可以进一步判断背景区域是否存在缺陷。例如本例中，所有附加统计特征均小于预设的阈值，所以不存在缺陷。这些统计特征提供了关于背景区域内灰度值分布和变化的信息，而额外验证参数则用于根据这些特征进行缺陷与非缺陷的判定。综合上提高了检测结果的置信度和准确性。
进一步的，所述方法的步骤106中还包括计算缺陷区域中灰度值大于颜色阈值的待测颜色面积值，将所述待测颜色面积值和颜色阈值比较，生成最大面积检测结果，所述最大面积检测结果用于表示所述缺陷区域在面积检测中是否存在缺陷。具体的，在缺陷区域内，计算灰度值高于颜色阈值的像素点组成的待测颜色面积。这个操作的目的是确定缺陷区域中具有待测颜色的部分的面积大小。将计算得到的待测颜色面积值与预先设定的颜色阈值进行比较。颜色阈值可以是一个事先确定的阈值或者即时演算的结果，用于定义什么样的面积被认为是缺陷。根据待测颜色面积值与颜色阈值的比较结果，生成最大面积检测结果。最大面积检测结果用于表示缺陷区域在面积检测方面是否存在缺陷。具体来说，如果待测颜色面积值超过颜色阈值，那么最大面积检测结果可能为存在缺陷；如果待测颜色面积值未超过颜色阈值，那么最大面积检测结果可能为无缺陷。本领域从业人员应当理解，对于修改各项参数、阈值和权重，以及数据比对，属于本领域惯用基础技术手段，为了保证对基于本发明的本实施例一的整体理解，我们将着重关注于其他实施手段和关键步骤。
实施例二
基于实施例1中的一种基于颜色和面积的缺陷检测方法，本实施例二中还提供了一种缺陷自适应检测系统，包括：数据接收模块、数据分析模块、参数优化模块和输出结果模块；所述数据分析模块包括形状分析子模块和颜色分析子模块；所述参数优化模块包括阈值生成子模块和权重生成子模块；所述数据接收模块用于接收第一灰度图、第二灰度图、第一颜色阈值和第一面积阈值；所述形状分析子模块用于分析第一灰度图的形状特征和第二灰度图的形状特征，计算待测缺陷在第二灰度图中的面积占比和第二灰度图在第一灰度图中的面积占比，生成形状特征参数；所述颜色分析子模块用于分析待测缺陷的颜色特征并生成颜色特征参数；所述阈值生成子模块用于基于形状特征参数修改形状阈值并生成第一形状阈值，基于颜色特征参数修改颜色阈值并生成第二颜色阈值；所述权重生成子模块用于根据第二形状特征参数和第二颜色特征参数生成权重参数，所述权重参数用于描述步骤107中颜色检测结果和面积检测结果分别对生成综合检测结果的影响程度。
具体的，将第一灰度图、第二灰度图、第一颜色阈值和面积阈值输入数据接收程序，数据分析程序中包括形状分析子程序和颜色分析子程序，形状分析子程序将会分析第一灰度图和第二灰度图的形状特征，例如边缘轮廓和面积等，然后计算待测缺陷在第二灰度图的面积占比，以及第二灰度图在第一灰度图中的面积占比，从而生成形状特征参数，颜色分析子程序将分析待测缺陷的颜色特征例如颜色分布，颜色均值等，从而生成颜色特征参数。接下来，基于形状特征参数，阈值生成子程序将对形状阈值进行修改并生成第一形状阈值，如果形状特征参数表明待测缺陷的形状通常较小，则可以降低形状阈值，以便更容易检测到小尺寸的缺陷。如果形状特征参数表明待测缺陷的形状通常较大，则可以增加形状阈值，以避免将正常的细微形状变化误判为缺陷。另外，也将基于颜色特征参数，修改颜色阈值并生成第二颜色阈值，如果颜色特征参数表明待测缺陷的颜色通常较暗，可以降低颜色阈值，以确保能够检测到较暗的缺陷。如果颜色特征参数表明待测缺陷的颜色通常较亮，可以增加颜色阈值，以避免将正常的亮度变化误判为缺陷。根据第二形状特征参数和第二颜色特征参数，可以进行如下操作生成权重参数：基于第二形状特征参数的值，可以确定形状特征对综合检测结果的重要性。如果缺陷形状和面积占比对于缺陷检测的难度较大，则可以给予形状特征较低的权重，以弱化形状特征高难度下的检测结果对综合检测结果的影响。如果灰度图中缺陷与周围灰度值差距较大且颜色检验较容易，则可以给予颜色特征较高的权重，以强调颜色对综合检测结果的重要性。
实施例三
基于实施例1中的一种基于颜色和面积的缺陷检测方法，本实施例三中还提供了一种缺陷标记系统，包括：参数接收模块、参数处理模块、图形裁剪模块、灰度图加工模块和数据存储模块；所述参数接收模块用于接收第一灰度图、第二灰度图和综合检测结果，所述综合检测结果包括：缺陷类型、具体缺陷名和缺陷位置；所述数据处理模块用于根据综合检测结果，生成类型参数、缺陷参数和缺陷坐标参数；所述图形裁剪模块用于根据类型参数将第二灰度图裁剪为预设形状，所述灰度图加工模块用于根据缺陷参数和缺陷坐标参数对第二灰度图做标记处理并生成第三灰度图，所述标记处理包括：将所述第二灰度图二值化，并将全部像素点的灰度值设为255，基于缺陷坐标参数将缺陷所在的像素点的灰度值修改为0；基于缺陷参数将第二灰度图中的预设像素点或像素区域的灰度值修改为预设值，所述预设值用于表示所述第二灰度图所包含的缺陷的缺陷名，所述数据存储模块用于将第一灰度图和第三灰度图配对存储。
具体的，本实施例包括一个基于 OpenCV 的PCB缺陷检测和标记系统，该系统可以根据不同类型的缺陷分类，并使用灰度图的形状表示整体的缺陷类型，通过二值化图像来标记缺陷位置，并在预设的点或区域设置灰度值，或者利用设置灰度值在预设区域形成预设图案来表示具体的缺陷名称。举例流程如下：通过参数接受程序接收第一灰度图、第二灰度图和综合检测结果，通过参数处理程解析综合检测结果，获取缺陷类型为印刷缺陷、具体缺陷名为印刷开路（印刷电路板上的金属层之间没有形成连通路径）和缺陷位置，图形裁剪程序通过ROI、边界检测算法或图像分割等形式进行图像处理，将第二灰度图裁剪为长方形，所述长方形的长宽比为2:1，代表印刷缺陷类，其他类型的缺陷可以使用不同的形状进行表示，根据需要进行设计和调整；灰度图加工程序将使用OpenCV的阈值化函数，将第二灰度图转换为二值图像，使其仅包含黑白两种颜色，并将缺陷位置的像素点的灰度值设置为0（黑色），以突出显示缺陷的位置。并且在二值图像的左上角设置预设的灰度值，用于表示该类别缺陷的具体名称为印刷开路。例如，可以使用灰度值1表示焊接缺陷中的焊接开路，灰度值2表示焊接短路等。或者使用一块区域，设置该区域内的像素点的灰度值，使得该区域呈现预设形状或数字，例如3来代表该缺陷为此类缺陷中的第三种，本灰度图加工程序结束后将生成第三灰度图。最后，数据存储程序将第一灰度图和标记处理后的第三灰度图保存为两个相互关联的文件或存储在一起，以便后续的审查、分析和追溯。可以使用文件系统或数据库进行存储。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (12)
1.一种基于颜色和面积的缺陷检测方法，其特征在于，所述方法包括：
步骤101：根据自动缺陷分类系统获取待测缺陷的第一灰度图，记录待测缺陷在第一灰度图中的坐标；
步骤102：根据坐标，在第一灰度图中创建缺陷区域，所述缺陷区域包括待测缺陷，从第一灰度图中提取出缺陷区域的图像，生成第二灰度图，获取第二灰度图内的最小灰度值和最大灰度值；
步骤103：以待测缺陷的几何中心为圆心，在固定直径范围内取一个背景区域，所述背景区域不包括待测缺陷，计算背景区域内的平均灰度值，将所述最小灰度值和最大灰度值分别与平均灰度值相除，得到第一比例值和第二比例值，第一比例值为m，第二比例值为n，若m大于1，则将第一比例值修改为1/m，若n大于1，则将第二比例值修改为1/n；
步骤104：获得第一颜色阈值，基于第一比例值、第二比例值和第一颜色阈值，计算获得颜色检测结果，所述颜色检测结果用于表示所述缺陷区域在颜色检测中是否存在缺陷；
步骤105：计算出步骤102中所述缺陷区域中灰度值小于第一颜色阈值的像素数量；
步骤106：获得第一面积阈值，基于像素数量与第一面积阈值，计算获得面积检测结果，所述面积检测结果用于表示所述缺陷区域在面积检测中是否存在缺陷；
步骤107：根据颜色检测结果和面积检测结果生成综合检测结果，所述综合检测结果用于表示所述第一灰度图中是否含有缺陷及缺陷相关的信息。
2.根据权利要求1所述的一种基于颜色和面积的缺陷检测方法，其特征在于，所述步骤102缺陷区域的创建方式为：创建多个固定大小的待定缺陷区域，所述待定缺陷区域包括待测缺陷，计算每个待定缺陷区域的平均灰度值，将平均灰度值最小对应的待定缺陷区域作为缺陷区域。
3.根据权利要求1所述的一种基于颜色和面积的缺陷检测方法，其特征在于，步骤102中所述缺陷区域为矩形区域。
4.根据权利要求1所述的一种基于颜色和面积的缺陷检测方法，其特征在于，所述方法的步骤101还包括创建缺陷自适应检测系统；所述缺陷自适应检测系统包括数据接收模块、数据分析模块、参数优化模块和输出结果模块；所述数据分析模块包括形状分析子模块和颜色分析子模块；所述参数优化模块包括阈值生成子模块和权重生成子模块；所述数据接收模块用于接收第一灰度图、第二灰度图、第一颜色阈值和第一面积阈值；所述形状分析子模块用于分析第一灰度图的形状特征和第二灰度图的形状特征，计算待测缺陷在第二灰度图中的面积占比和第二灰度图在第一灰度图中的面积占比，生成形状特征参数；所述颜色分析子模块用于分析待测缺陷的颜色特征并生成颜色特征参数；所述阈值生成子模块用于基于形状特征参数将形状阈值修改为第一形状阈值，基于颜色特征参数将颜色阈值修改为第二颜色阈值；所述权重生成子模块用于根据第二形状特征参数和第二颜色特征参数生成权重参数，所述权重参数用于描述步骤107中颜色检测结果和面积检测结果分别对生成综合检测结果的影响程度。
5.根据权利要求1所述的一种基于颜色和面积的缺陷检测方法，其特征在于，所述步骤103还包括从缺陷区域中提取缺陷图像，所述缺陷图像包括待测缺陷，分析缺陷图像的形状特征，并根据不同的形状特征生成形状参数，获得形状参数阈值，将形状参数和形状参数阈值进行比较，生成形状检测结果，所述形状参数用于描述缺陷图像的形状特征，所述形状检测结果用于表示所述缺陷区域在形状检测中是否存在缺陷，所述步骤107中综合检测结果的生成方式为根据形状检测结果、颜色检测结果和面积检测结果生成综合检测结果。
6.根据权利要求1所述的一种基于颜色和面积的缺陷检测方法，其特征在于，所述步骤103中的背景区域的获得方式为：在待测缺陷固定直径范围内取一个背景区域或通过基于待测缺陷的缺陷发生率模型在待测缺陷的其中一个或多个方向进行选取，所述缺陷发生率模型用于描述当以待测缺陷的中心为坐标系原点时，所述待测缺陷的缺陷点在坐标系中的空间分布概率。
7.根据权利要求1所述的一种基于颜色和面积的缺陷检测方法，其特征在于，所述步骤103中还包括计算出背景区域内灰度值的附加统计特征，所述附加统计特征包括标准差、众数、四分位距和变异系数，所述步骤103中还包括获得额外验证参数，所述额外验证参数用于根据所述附加统计特征判断是否有缺陷存在。
8.根据权利要求1所述的一种基于颜色和面积的缺陷检测方法，其特征在于，步骤103中所述固定直径范围为5个像素点直径范围。
9.根据权利要求1所述的一种基于颜色和面积的缺陷检测方法，其特征在于，在本方法中，步骤104采用的第一颜色阈值和步骤106采用的第一面积阈值为内置的固定阈值。
10.根据权利要求1所述的一种基于颜色和面积的缺陷检测方法，其特征在于，所述方法的步骤106中还包括计算缺陷区域中灰度值大于第一颜色阈值的待测颜色面积值，将所述待测颜色面积值和第一颜色阈值比较，生成最大面积检测结果，所述最大面积检测结果用于表示所述缺陷区域在面积检测中是否存在缺陷。
11.根据权利要求1所述的一种基于颜色和面积的缺陷检测方法，其特征在于，所述步骤107中还包括储存第一灰度图、第二灰度图、第一比例值、第二比例值和像素数量。
12.根据权利要求1所述的一种基于颜色和面积的缺陷检测方法，其特征在于，所述步骤101中还包括创建缺陷标记系统，所述缺陷标记系统包括参数接收模块、参数处理模块、图形裁剪模块、灰度图加工模块和数据存储模块；所述参数接收模块用于接收第一灰度图、第二灰度图和综合检测结果，所述综合检测结果包括：缺陷类型、具体缺陷名和缺陷位置；所述数据处理模块用于根据综合检测结果，生成类型参数、缺陷参数和缺陷坐标参数；所述图形裁剪模块用于根据类型参数将第二灰度图裁剪为预设形状，所述灰度图加工模块用于根据缺陷参数和缺陷坐标参数对第二灰度图做标记处理后生成第三灰度图，所述标记处理包括：将所述第二灰度图二值化，并将全部像素点的灰度值设为255，基于缺陷坐标参数将缺陷所在的像素点的灰度值修改为0；基于缺陷参数将第二灰度图中的预设像素点或像素区域的灰度值修改为预设值，并将通过标记处理后的第二灰度图生成第三灰度图，所述预设值用于表示所述第二灰度图所包含的缺陷的缺陷名，所述数据存储模块用于将第一灰度图和第三灰度图配对存储。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410020844.6A CN117522876A (zh) | 2024-01-08 | 2024-01-08 | 一种基于颜色和面积的缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410020844.6A CN117522876A (zh) | 2024-01-08 | 2024-01-08 | 一种基于颜色和面积的缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117522876A true CN117522876A (zh) | 2024-02-06 |
Family
ID=89755428
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410020844.6A Pending CN117522876A (zh) | 2024-01-08 | 2024-01-08 | 一种基于颜色和面积的缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117522876A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110749598A (zh) * | 2019-11-05 | 2020-02-04 | 中国计量大学 | 一种融合颜色、形状和纹理特征的蚕茧表面缺陷检测方法 |
| US20220005170A1 (en) * | 2020-07-01 | 2022-01-06 | Powerchip Semiconductor Manufacturing Corporation | Defect identification method and image analysis system |
| CN115731208A (zh) * | 2022-11-29 | 2023-03-03 | 深圳智机视觉科技有限公司 | 金属复杂面高精度缺陷检测方法、装置、设备及存储介质 |
| US20230368361A1 (en) * | 2020-09-28 | 2023-11-16 | Goertek Optical Technology Co., Ltd | Screen defect detection method, apparatus, and electronic device |
-
2024
- 2024-01-08 CN CN202410020844.6A patent/CN117522876A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110749598A (zh) * | 2019-11-05 | 2020-02-04 | 中国计量大学 | 一种融合颜色、形状和纹理特征的蚕茧表面缺陷检测方法 |
| US20220005170A1 (en) * | 2020-07-01 | 2022-01-06 | Powerchip Semiconductor Manufacturing Corporation | Defect identification method and image analysis system |
| US20230368361A1 (en) * | 2020-09-28 | 2023-11-16 | Goertek Optical Technology Co., Ltd | Screen defect detection method, apparatus, and electronic device |
| CN115731208A (zh) * | 2022-11-29 | 2023-03-03 | 深圳智机视觉科技有限公司 | 金属复杂面高精度缺陷检测方法、装置、设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| 曲昆鹏;郑丽颖;: "基于目标、背景比例的灰度图像自动阈值选取法", 《应用科技》, no. 02, 15 February 2010 (2010-02-15), pages 56 - 58 * |
| 李博豪;殷晓平;赵新;牛竟飞;邰明;孙英;: "一种基于计算机视觉的原木端面面积检测方法", 《林业科技通讯》, no. 10, 30 March 2015 (2015-03-30), pages 30 - 33 * |
| 王建国;王召巴;: "柱体表面缺陷区域面积自动检测系统的研究", 《计算机与信息技术》, no. 1, 20 January 2007 (2007-01-20), pages 32 - 34 * |
| 赵月: "基于深度学习的螺纹钢表面缺陷检测关键技术研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑）》, no. 3, 15 March 2022 (2022-03-15), pages 038 - 1700 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10885618B2 (en) | Inspection apparatus, data generation apparatus, data generation method, and data generation program | |
| KR102058427B1 (ko) | 검사 장치 및 방법 | |
| CN111862064B (zh) | 一种基于深度学习的银质丝材表面瑕疵识别方法 | |
| CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
| CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
| KR102168724B1 (ko) | 이미지 검사를 이용한 이상 판별 방법 및 장치 | |
| CN113096130B (zh) | 物件缺陷的检测方法、装置 | |
| 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 | |
| CN114549512A (zh) | 一种电路板缺陷检测方法、装置、设备及介质 | |
| CN117152161B (zh) | 一种基于图像识别的刨花板质量检测方法及系统 | |
| TWI669519B (zh) | 電路板瑕疵篩選方法及其裝置與電腦可讀取記錄媒體 | |
| CN110930390A (zh) | 基于半监督深度学习的芯片管脚缺失检测方法 | |
| JP4492356B2 (ja) | 基板検査装置並びにそのパラメータ設定方法およびパラメータ設定装置 | |
| CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
| CN112200776A (zh) | 芯片封装缺陷检测方法和检测装置 | |
| CN113111903A (zh) | 智能产线监测系统及监测方法 | |
| CN115266757A (zh) | 缺陷检测设备与方法 | |
| CN115375610A (zh) | 检测方法及装置、检测设备和存储介质 | |
| CN117237747A (zh) | 基于人工智能的五金件缺陷分类识别方法 | |
| CN114226262A (zh) | 瑕疵检测方法、瑕疵分类方法及其系统 | |
| CN117522876A (zh) | 一种基于颜色和面积的缺陷检测方法 | |
| US10241000B2 (en) | Method for checking the position of characteristic points in light distributions | |
| CN116245810A (zh) | 排线焊点缺陷检测方法、设备、存储介质及装置 | |
| CN112581472B (zh) | 一种面向人机交互的目标表面缺陷检测方法 | |
| CN111693533B (zh) | 工件表面质量的检测方法及检测装置、外观机 |
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 |