CN117670823A - 一种基于图像识别的pcba线路板元件检测及评价方法 - Google Patents

Abstract

本发明涉及PCBA线路板检测技术领域，公开了一种基于图像识别的PCBA线路板元件检测及评价方法，使用立体视觉法获取标准PCBA线路板与待检测PCBA线路板的元件图像，建立一个三维直角坐标系，将若干个标准PCBA线路板元件图像处理为坐标系中若干个点；该基于图像识别的PCBA线路板元件检测及评价方法，通过将获取的标准PCBA线路板与待检测的PCBA图像进行特征对比，根据对比结果，判断元件是否缺失、破损、偏移和形变，可以针对PCBA线路板产生的缺陷的类型进行分类，依靠比值来判断PCBA线路板元件出现破损、缺失、偏移、形变的情况占次品中的比例，可得知工人在对PCBA线路板中的元件安装中的哪个步骤容易出现错误，并改正。

Description

一种基于图像识别的PCBA线路板元件检测及评价方法

技术领域

本发明涉及PCBA线路板检测技术领域，具体为一种基于图像识别的PCBA线路板元件检测及评价方法。

背景技术

PCBA是英文Printed Circuit Board Assembly的简称，也就是说PCB空板经过SMT上件，或经过DIP插件的整个制程，简称PCBA，这是国内常用的一种写法。

在中国发明公开号CN116559200A中提出一种基于视觉测试的PCB线路板组装缺陷检测系统，其通过对PCB线路板在进行组装前的相关影像进行数据的采集，并将采集后的数据进行匹配比对，将匹配后的数据进行影像的分析，从而将PCB线路板的原材料的检测情况进行数字信号的转换，从而更直观的将PCB线路板的检测结果通过数字信号的方式进行转换，增加PCB线路板在组装前的缺陷检测，同时，再通过对PCB线路板组装后的影像进行数据的选取，并将选取的数据通过影像对比的方式进行焊接材料的消耗分析，从而通过数字信号的方式将焊接材料的缺陷进行检测，并将监测结果与组装前的相关结果进行数据的结合，增加数据分析的精确性，从而增加PCB线路板组装时缺陷检测的准确性；

但是上述方法在对PCB板进行检测时，通过选取成品影像信息的六视图对应的影像对PCB线路板进行分析，会产生大量数据，检测算法时间较长、精度低，会影响逻辑判断速率，不利于将PCB线路板缺陷板尽快检出，不利于工厂中大批量生产，故而提出一种基于图像识别的PCBA线路板元件检测及评价方法。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于图像识别的PCBA线路板元件检测及评价方法，具备检测全面，检测精度较高，解决了上述背景技术中所提及到的问题。

(二)技术方案

为实现上述目的，本发明提供如下技术方案：一种基于图像识别的PCBA线路板元件检测及评价方法，其具体实施步骤为：

S1：使用立体视觉法获取标准PCBA线路板与待检测PCBA线路板的元件图像，建立一个三维直角坐标系；

S2:将若干个标准PCBA线路板元件图像处理为坐标系中若干个点，如Ah_α为若干个标准PCBA线路板第h个元件的第α个点,将若干个Ah_α点通过机器人学习方法求出若干个坐标点C_α，将其定为标准PCBA线路板元件的标准点C_α；

S3：将若干个待检测PCBA线路板元件图像处理为坐标系中若干个点，如Bh_α为若干个待检测PCBA线路板第h个元件的第α个点；

S4：通过特征匹配算法，将获取到的标准PCBA线路板元件的标准点c_α与待检测PCBA线路板元件的特征点进行特征匹配对比，根据对比结果，判断元件是否缺失以及破损，若元件缺失或者破损则直接判别元件异常信号，若元件正常存在则进行下一步；

S5：将待检测PCBA线路板的坐标点Bh_α和求出的标准点C_α进行线性拟合，将其拟合成若干个条线，进行匹配，根据匹配信息，得到元件偏移信号以及元件形变信号，依据得到元件偏移信号以及元件形变信号将待检测PCBA线路板标记为次品；

S6：将得到的信号合集进行分类，对分类后的信号种类进行评估。

优选的，所述根据步骤S4特征匹配算法的具体过程为：

将若干个待检测PCBA线路板的元件坐标点Bh_α的集合进行初步比对，当Bh_α中的点(X，Y，Z)中X、Y、Z的值任意一项为零时，则直接异常信号，反之则生成正常信号进行下一步；

通过特征匹配算法将获取到的标准PCBA线路板元件图像与待检测PCBA线路板元件图像进行特征匹配对比，若干个待检测PCBA线路板的元件坐标点Bh_α的集合中，若坐标点Bh_α中X、Y、Z的值均为零的数量未超过阈值时，则元件即发生破损，生成异常信号，反之超过阈值元件则没有发生破损，生成正常信号；

通过特征匹配算法将获取到的标准PCBA线路板元件图像与待检测PCBA线路板元件图像进行特征匹配对比，若干个待检测PCBA线路板的元件坐标点Bh_α的集合中，若坐标点Bh_α中X、Y、Z的值均为零时，则元件发生缺失，则直接生成异常信号；

取标准PCBA线路板元件若干个特征点的三维坐标点，将元件上若干个特征点连成直线，每个元件得出若干条直线，同时对获取的图像信息进行去噪，通过欧氏距离计算出标准PCBA线路板元件若干条直线的距离，如L_e，其中为正整数，L_e为标准PCBA线路板上元件第e条边；

将待检测PCBA线路板元件的若干个三维坐标点为Bh_α，通过欧氏距离计算出待检测PCBA线路板元件若干条直线距离，如L_g,其中g为正整数；

通过使用欧式距离公式计算出来的直线长L_e与l_g之间进行作比较，若即待检测PCBA板上元件没有发生形变，则生成正常信号，若即待检测PCBA线路板上元件发生形变，则生成异常信号；

取标准PCBA线路板元件若干个特征点的三维坐标点，将若干个相邻特征点之间的向量求出，并求出向量所对应的长度值/>同时对获取的图像信息进行去噪，长度值为标准PCBA线路板上元件第/>条边；

将待检测PCBA线路板元件的若干个三维坐标点为Bh_α，将若干个相邻特征点之间的向量求出，并求出向量所对应的长度值/>同时对获取的图像信息进行去噪，长度值/>为待检测PCBA线路板上元件第/>条边；

通过向量夹角公式将标准PCBA线路板元件的向量与待检测PCBA线路板标准的元件的向量/>通过求出向量/>与向量/>之间的夹角正弦值sinθ，

当夹角正弦值sinθ位于设置角度正弦值阈值时，即待检测PCBA线路板上元件没有发生偏移，则生成正常信号，

当夹角正弦值sinθ位于设置角度正弦值阈值外时，待检测PCBA线路板上元件发生偏移，则生成异常信号。

优选的，所述两条向量的夹角公式如下：

其中，sinθ为标准PCBA线路板的直线与待检测PCBA线路板直线的夹角正弦值。

优选的，所述欧式距离公式如下：

其中，x,y,z为虚拟三维直角坐标系中具体的点。

优选的，所述评估表达式为：

式中，δ表示评估系数，T表示整个批次中待检测PCBA线路板中异常信号与正确信号的次数集合，k表示T其中一个变量，且k为正整数，将计算出的δ与与阈值φ作比较，若δ位于阈值φ内，则待检测PCBA线路板批次为合格品，若δ不位于阈值φ内，则待检测PCBA线路板批次为次品，阈值φ的取值范围为99.7％-100％。

将次品种类分为N,将合格品类分为M；

计算得到PCBA线路板的次品率，次品率公式为：

计算得到PCBA线路板的合格率，合格率公式为：

其中N∈(O、R、S、L),O表示PCBA线路板元件缺失，R表示PCBA线路板元件破损，S表示PCBA线路板元件形变，L表示PCBA线路板元件偏移，M表示PCBA线路板元件检测合格,表示PCBA线路板的次品率，/>线路板的合格率。

优选的，所述特征点的确定为以下步骤：

输入标准PCBA线路板与待检测PCBA线路板的元件图像，对图像进行SURF特征点检测，并确定若干个特征点坐标；

通过对上述若干个特征点坐标进行图像灰度化和滤波处理，再进行归一化处理；

通过PROSAC算法提高特征点的精准度，通过设置初始迭代次数和内点阈值，迭代次数初始值为0；

根据匹配点对相似度排序，选取U个高质量数据，从V个数据中随机选取W个数据，计算模型参数；

计算模型参数所得的到内点数量大于内点阈值时，则返回内点，否则迭代次数加以，返回上一步，直到模型参数收敛或达到预设的迭代次数。

优选的，具体去噪的过程为：

步骤一：生成一个3x3的高斯模板；

步骤二：对图像进行卷积操作，将高斯模板在图像上进行滑动，对每个像素点进行卷积运算，得到新的图像数据；

步骤三：对卷积后的图像进行去噪处理，对于每个像素点，判断其是否超过了设定的阈值如果超过了阈值，则认为该点是噪声点进行去除；

步骤四：对去噪后的图像进行重建，将去除噪声后的图像数据进行重建，得到最终的去噪图。

(三)有益效果

与现有技术相比，本发明提供了一种基于图像识别的PCBA线路板元件检测及评价方法，具备以下有益效果：

该基于图像识别的PCBA线路板元件检测及评价方法，通过将获取的标准PCBA线路板与待检测的PCBA图像进行特征对比，根据对比结果，判断元件是否缺失、破损、偏移和形变，可以针对PCBA线路板产生的缺陷的类型进行分类，依靠比值来判断PCBA线路板元件出现破损、缺失、偏移、形变的情况占次品中的比例，可得知工人在对PCBA线路板中的元件安装中的哪个步骤容易出现错误，并改正。

附图说明

图1为本发明的流程示意图；

图2为本发明的元件偏移示意图；

图3为本发明的元件缺失示意图；

图4为本发明的元件破损示意图；

图5为本发明的元件形变示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-5，一种基于图像识别的PCBA线路板元件检测及评价方法，其具体实施步骤为：

S1：使用立体视觉法获取标准PCBA线路板与待检测PCBA线路板的元件图像，建立一个三维直角坐标系；

S2:将若干个标准PCBA线路板元件图像处理为坐标系中若干个点，如Ah_α为若干个标准PCBA线路板第h个元件的第α个点,将若干个Ah_α点通过机器人学习方法求出若干个坐标点c_α，将其定为标准PCBA线路板元件的标准点c_α；

S3：将若干个待检测PCBA线路板元件图像处理为坐标系中若干个点，如Bh_α为若干个待检测PCBA线路板第h个元件的第α个点；

S4：通过特征匹配算法，将获取到的标准PCBA线路板元件的标准点C_α与待检测PCBA线路板元件的特征点进行特征匹配对比，根据对比结果，判断元件是否缺失以及破损，若元件缺失或者破损则直接判别元件异常信号，若元件正常存在则进行下一步；

S5：将待检测PCBA线路板的坐标点Bh_α和求出的标准点C_α进行线性拟合，将其拟合成若干个条线，进行匹配，根据匹配信息，得到元件偏移信号以及元件形变信号，依据得到元件偏移信号以及元件形变信号将待检测PCBA线路板标记为次品；

S6：将得到的信号合集进行分类，对分类后的信号种类进行评估。

机器人学习的方法可以为平均法，去极值平均法，均可。

特征点的确定为以下步骤：

输入标准PCBA线路板与待检测PCBA线路板的元件图像，对图像进行SURF特征点检测，并确定若干个特征点坐标；

通过对上述若干个特征点坐标进行图像灰度化和滤波处理，再进行归一化处理；

通过PROSAC算法提高特征点的精准度，通过设置初始迭代次数和内点阈值，迭代次数初始值为0；

根据匹配点对相似度排序，选取U个高质量数据，从V个数据中随机选取W个数据，计算模型参数；

计算模型参数所得的到内点数量大于内点阈值时，则返回内点，否则迭代次数加以，返回上一步，直到模型参数收敛或达到预设的迭代次数。

特征点匹配法是将标准PCBA线路板上元件照片与待检测PCBA线路板上元件照片进行寻找相同特征点，并计算它们之间的相似度或匹配程度，如果相似度或匹配程度较高，说明两幅图像中存在相同的物体，即元件存在；如果相似度或匹配程度较低，说明两幅图像中不存在相同的物体，即元件不存在。

立体视觉法的具体使用方法：

采集图像：使用立体相机或多个相机从不同角度拍摄图像，以获取场景中物体的不同视角。图像预处理：对采集的图像进行预处理，如去噪、对比度增强等，以提高图像质量。特征提取：通过立体视觉算法，从预处理后的图像中提取深度信息，得到场景中物体的三维形状。三维重建：利用提取的深度信息，通过三维重建算法，将物体从二维图像中还原为三维模型。检测与识别：对重建的三维模型进行检测和识别，以实现特定的应用目标，如分类、定位等。

将若干个待检测PCBA线路板的元件坐标点Bh_α的集合进行初步比对，当Bh_α中的点(X，Y，Z)中X、Y、Z的值任意一项为零时，则直接异常信号，反之则生成正常信号进行下一步；

通过特征匹配算法将获取到的标准PCBA线路板元件图像与待检测PCBA线路板元件图像进行特征匹配对比，若若干个待检测PCBA线路板的元件坐标点Bh_α的集合中，若坐标点Bh_α中X、Y、Z的值均为零的数量未超过阈值时，则元件即发生破损，生成异常信号，反之超过阈值元件则没有发生破损，生成正常信号；其中数量≤20％即可。

通过特征匹配算法将获取到的标准PCBA线路板元件图像与待检测PCBA线路板元件图像进行特征匹配对比，若若干个待检测PCBA线路板的元件坐标点Bh_α的集合中，若所有的坐标点Bh_α中X、Y、Z的值均为零时，则元件发生缺失，则直接生成异常信号；

取标准PCBA线路板元件若干个特征点的三维坐标点，将元件上若干个特征点连成直线，每个元件得出若干条直线，同时对获取的图像信息进行去噪，通过欧氏距离计算出标准PCBA线路板元件若干条直线的距离，如L_e，其中e＝1,2,3……，e为正整数，L_e为标准PCBA线路板上元件第e条边；

将待检测PCBA线路板元件的若干个三维坐标点为Bh_α，通过欧氏距离计算出待检测PCBA线路板元件若干条直线距离，如L_g,其中g＝1,2,3……，g为正整数；

通过使用欧式距离公式计算出来的直线长L_e与L_g之间进行作比较，若即待检测PCBA板上元件没有发生形变，则生成正常信号，若即待检测PCBA线路板上元件发生形变，则生成异常信号；

取标准PCBA线路板元件若干个特征点的三维坐标点，将若干个相邻特征点之间的向量求出，并求出向量所对应的长度值/>同时对获取的图像信息进行去噪，长度值为标准PCBA线路板上元件第/>条边；

将待检测PCBA线路板元件的若干个三维坐标点为Bh_α，将若干个相邻特征点之间的向量求出，并求出向量所对应的长度值/>同时对获取的图像信息进行去噪，长度值/>为待检测PCBA线路板上元件第/>条边；

通过向量夹角公式将标准PCBA线路板元件的向量与待检测PCBA线路板标准的元件的向量/>通过求出向量/>与向量/>之间的夹角正弦值sinθ，

当夹角正弦值sinθ位于设置角度正弦值阈值时，即待检测PCBA线路板上元件没有发生偏移，则生成正常信号，

当夹角正弦值sinθ位于设置角度正弦值阈值外时，待检测PCBA线路板上元件发生偏移，则生成异常信号。

具体去噪的过程为：

步骤一：生成一个3x3的高斯模板；

步骤二：对图像进行卷积操作，将高斯模板在图像上进行滑动，对每个像素点进行卷积运算，得到新的图像数据；

步骤三：对卷积后的图像进行去噪处理，对于每个像素点，判断其是否超过了设定的阈值如果超过了阈值，则认为该点是噪声点进行去除；

步骤四：对去噪后的图像进行重建，将去除噪声后的图像数据进行重建，得到最终的去噪图。

两条向量的夹角公式如下：

其中，sinθ为标准PCBA线路板的直线与待检测PCBA线路板直线的夹角正弦值。

欧式距离公式如下：

其中，x,y,z为虚拟三维直角坐标系中具体的点。

评估表达式为：

式中，δ表示评估系数，T表示整个批次中待检测PCBA线路板中异常信号与正确信号的次数集合，k表示T其中一个变量，且k为正整数，将计算出的δ与与阈值φ作比较，若δ位于阈值φ内，则待检测PCBA线路板批次为合格品，若δ不位于阈值φ内，则待检测PCBA线路板批次为次品，阈值φ的取值范围为99.7％-100％。

将次品种类分为N,将合格品类分为M；

计算得到PCBA线路板的次品率，次品率公式为：

计算得到PCBA线路板的合格率，合格率公式为：

其中N∈(O、R、S、L),O表示PCBA线路板元件缺失，R表示PCBA线路板元件破损，S表示PCBA线路板元件形变，L表示PCBA线路板元件偏移，M表示PCBA线路板元件检测合格,表示PCBA线路板的次品率，/>线路板的合格率。

其N取值可以为一千或者一万当做一个批次，其评估系数δ越接近100％则，批次中N个线路板的质量越好。

同时可以在次品中，针对次品异常信号中，计算出每一个步骤中的异常信号占所有正常信号中的比值，可以依靠比值来判断PCBA线路板元件出现破损、缺失、偏移、形变的情况占次品中的比例，可得知工人在对PCBA线路板中的元件安装中的哪个步骤容易出现错误，并改正。

元件缺陷如下：元件缺失、元件安装偏移；

当焊接过程中放置在PCB上的元件未正确对齐时，就会发生元件安装偏移情况，元件移位可能会导致接头开路和信号线交叉，从而导致电子电路出现差异，导致元件移位的原因有很多，包括焊接温度变化，制造错误，设计错误等。

在图像检测中，三维直角坐标系中的特征点和法向量之间存在一定的关系，首先，特征点是物体表面上的点，其位置由三维坐标(x,y,z)确定。这些坐标可以是实际测量得出的，也可以是通过某种算法(如立体视觉、深度相机等)估计出的；

其次，法向量是垂直于物体表面的一条向量，其方向指向物体内部。对于每个特征点，都有一个相应的法向量，它描述了该点所在表面的方向和形状；

在某些情况下，特征点和法向量之间的关系可以通过表面几何属性来解释。例如，在曲面上，特征点可能位于曲面的曲率最大或最小的位置，而曲面的曲率可以通过计算表面法向量来得到；

此外，在计算机视觉和图像处理中，特征点和法向量也可以用于估计图像中物体的形状、大小和方向等属性。例如，通过计算特征点之间的距离和角度，可以估计物体的形状和大小；通过计算特征点所在的法向量，可以估计物体的方向和姿态。

本发明的有益效果为：通过将获取的标准PCBA线路板与待检测的PCBA图像进行特征对比，根据对比结果，判断元件是否缺失、是否破损、是否发生偏移和是否发生形变，可以针对PCBA线路板产生的缺陷的类型进行分类，可以依靠比值来判断PCBA线路板元件出现破损、缺失、偏移、形变的情况占次品中的比例，可得知工人在对PCBA线路板中的元件安装中的哪个步骤容易出现错误，并改正。

需要说明的是，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种基于图像识别的PCBA线路板元件检测及评价方法，其具体实施步骤为：

S1：使用立体视觉法获取标准PCBA线路板与待检测PCBA线路板的元件图像，建立一个三维直角坐标系；

S2:将若干个标准PCBA线路板元件图像处理为坐标系中若干个点，如Ah_α为若干个标准PCBA线路板第h个元件的第α个点,将若干个Ah_α点通过机器人学习方法求出若干个坐标点C_α，将其定为标准PCBA线路板元件的标准点C_α；

S3：将若干个待检测PCBA线路板元件图像处理为坐标系中若干个点，如Bh_α为若干个待检测PCBA线路板第h个元件的第α个点；

S4：通过特征匹配算法，将获取到的标准PCBA线路板元件的标准点c_α与待检测PCBA线路板元件的特征点进行特征匹配对比，根据对比结果，判断元件是否缺失以及破损，若元件缺失或者破损则直接判别元件异常信号，若元件正常存在则进行下一步；

S5：将待检测PCBA线路板的坐标点Bh_α和求出的标准点C_α进行线性拟合，将其拟合成若干个条线，进行匹配，根据匹配信息，得到元件偏移信号以及元件形变信号，依据得到元件偏移信号以及元件形变信号将待检测PCBA线路板标记为次品；

S6：将得到的信号合集进行分类，对分类后的信号种类进行评估。

2.根据权利要求1所述的一种基于图像识别的PCBA线路板元件检测及评价方法，其特征在于，所述根据步骤S4特征匹配算法的具体过程为：

将若干个待检测PCBA线路板的元件坐标点Bh_α的集合进行初步比对，当Bh_α中的点(X，Y，Z)中X、Y、Z的值任意一项为零时，则直接异常信号，反之则生成正常信号进行下一步；

通过特征匹配算法将获取到的标准PCBA线路板元件图像与待检测PCBA线路板元件图像进行特征匹配对比，若干个待检测PCBA线路板的元件坐标点Bh_α的集合中，若坐标点Bh_α中X、Y、Z的值均为零的数量未超过阈值时，则元件即发生破损，生成异常信号，反之超过阈值元件则没有发生破损，生成正常信号；

通过特征匹配算法将获取到的标准PCBA线路板元件图像与待检测PCBA线路板元件图像进行特征匹配对比，若干个待检测PCBA线路板的元件坐标点Bh_α的集合中，若所有的Bh_α中X、Y、Z的值均为零时，则元件发生缺失，则直接生成异常信号。

3.根据权利要求1所述的一种基于图像识别的PCBA线路板元件检测及评价方法，其特征在于，所述根据步骤S5具体判断过程为：

取标准PCBA线路板元件若干个特征点的三维坐标点，将元件上若干个特征点连成直线，每个元件得出若干条直线，同时对获取的图像信息进行去噪，通过欧氏距离计算出标准PCBA线路板元件若干条直线的距离，如L_e，其中e为正整数，L_e为标准PCBA线路板上元件第e条边；

将待检测PCBA线路板元件的若干个三维坐标点为Bh_α，通过欧氏距离计算出待检测PCBA线路板元件若干条直线距离，如L_g,其中g为正整数；

通过使用欧式距离公式计算出来的直线长L_e与L_g之间进行作比较，若即待检测PCBA板上元件没有发生形变，则生成正常信号，若/>即待检测PCBA线路板上元件发生形变，则生成异常信号；

取标准PCBA线路板元件若干个特征点的三维坐标点，将若干个相邻特征点之间的向量求出，并求出向量所对应的长度值/>同时对获取的图像信息进行去噪，长度值/>为标准PCBA线路板上元件第/>条边；

将待检测PCBA线路板元件的若干个三维坐标点为Bh_α，将若干个相邻特征点之间的向量求出，并求出向量所对应的长度值/>同时对获取的图像信息进行去噪，长度值/>为待检测PCBA线路板上元件第/>条边；

通过向量夹角公式将标准PCBA线路板元件的向量与待检测PCBA线路板标准的元件的向量/>通过求出向量/>与向量/>之间的夹角正弦值sinθ，

当夹角正弦值sinθ位于设置角度正弦值阈值时，即待检测PCBA线路板上元件没有发生偏移，则生成正常信号，

当夹角正弦值sinθ位于设置角度正弦值阈值外时，待检测PCBA线路板上元件发生偏移，则生成异常信号。

4.根据权利要求3所述的一种基于图像识别的PCBA线路板元件检测及评价方法，其特征在于：所述两条向量的夹角公式如下：

其中，sinθ为标准PCBA线路板的直线与待检测PCBA线路板直线的夹角正弦值。

5.根据权利要求3所述的一种基于图像识别的PCBA线路板元件检测及评价方法，其特征在于：所述欧式距离公式如下：

其中，x,y,z为虚拟三维直角坐标系中具体的点。

6.根据权利要求1所述的一种基于图像识别的PCBA线路板元件检测及评价方法，其特征在于，所述评估表达式为：

式中，δ表示评估系数，T表示整个批次中待检测PCBA线路板中异常信号与正确信号的次数集合，k表示T其中一个变量，且k为正整数，将计算出的δ与与阈值φ作比较，若δ位于阈值φ内，则待检测PCBA线路板批次为合格品，若δ不位于阈值φ内，则待检测PCBA线路板批次为次品，阈值φ的取值范围为99.7％-100％。

将次品种类分为N,将合格品类分为M；

计算得到PCBA线路板的次品率，次品率公式为：

计算得到PCBA线路板的合格率，合格率公式为：

其中N∈(O、R、S、L),O表示PCBA线路板元件缺失，R表示PCBA线路板元件破损，S表示PCBA线路板元件形变，L表示PCBA线路板元件偏移，M表示PCBA线路板元件检测合格,表示PCBA线路板的次品率，/>线路板的合格率。

7.根据权利要求1所述的一种基于图像识别的PCBA线路板元件检测及评价方法，其特征在于，所述特征点的确定为以下步骤：

(1)输入标准PCBA线路板与待检测PCBA线路板的元件图像，对图像进行SURF特征点检测，并确定若干个特征点坐标；

(2)通过对上述若干个特征点坐标进行图像灰度化和滤波处理，再进行归一化处理；

(3)通过PROSAC算法提高特征点的精准度，通过设置初始迭代次数和内点阈值，迭代次数初始值为0；

(4)根据匹配点对相似度排序，选取U个高质量数据，从V个数据中随机选取W个数据，计算模型参数；

(5)计算模型参数所得的到内点数量大于内点阈值时，则返回内点，否则迭代次数加以，返回上一步，直到模型参数收敛或达到预设的迭代次数。

8.根据权利要求3所述的一种基于图像识别的PCBA线路板元件检测及评价方法，其特征在于，具体去噪的过程为：

步骤一：生成一个3x3的高斯模板；

步骤二：对图像进行卷积操作，将高斯模板在图像上进行滑动，对每个像素点进行卷积运算，得到新的图像数据；

步骤三：对卷积后的图像进行去噪处理，对于每个像素点，判断其是否超过了设定的阈值如果超过了阈值，则认为该点是噪声点进行去除；

步骤四：对去噪后的图像进行重建，将去除噪声后的图像数据进行重建，得到最终的去噪图。