CN117741400A - 一种全自动fct测试装置 - Google Patents
一种全自动fct测试装置 Download PDFInfo
- Publication number
- CN117741400A CN117741400A CN202311754814.XA CN202311754814A CN117741400A CN 117741400 A CN117741400 A CN 117741400A CN 202311754814 A CN202311754814 A CN 202311754814A CN 117741400 A CN117741400 A CN 117741400A
- Authority
- CN
- China
- Prior art keywords
- circuit board
- image
- test
- data
- point
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 98
- 230000009467 reduction Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000007405 data analysis Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 28
- 238000012937 correction Methods 0.000 claims description 24
- 230000009466 transformation Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 6
- 230000003746 surface roughness Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000009499 grossing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Supply And Installment Of Electrical Components (AREA)
Abstract
本发明涉及FCT测试领域，本发明提供了一种全自动FCT测试装置，包括：真空吸盘，用于对电路板的第一面进行真空抓取和移动；拍摄组件，负责对电路板的第二面拍摄，获取电路板的图像；测试组件，包括机械臂和测试头，测试头位于机械臂末端，用以接触电路板第二面的测试点位；传感器组件，实时采集电路板特性数据；吸盘控制模块，动态调节真空吸盘的抓取力度；图像处理模块，对获取的图像进行降噪处理，并识别其中的定位点位和测试点位；测试控制模块，控制机械臂的运动轨迹；数据分析模块，处理测试头收集的数据，包括电路的连通性、电阻、电压等参数的测量，并根据预设标准判断电路板的功能是否正常。
Description
技术领域
本发明涉及FCT测试领域，特别涉及一种全自动FCT测试装置。
背景技术
功能电路测试(FCT)是电子制造领域中用于验证电路板(PCB)功能性的重要测试过程。FCT测试通过模拟实际工作条件，确保所有电子元件和电路按照设计要求正常运行。这包括电压、电流测试，信号完整性检查，以及特定功能的验证等。
然而，现有的FCT测试方法在电路板定位方面存在一些限制，尤其是对于不同型号和设计的电路板。现有技术通常依赖于复杂的机械定位系统，这不仅增加了设备的成本和复杂性，还限制了对不同型号电路板的适应性。这种方法在处理多样化和高密度电路板时尤其面临挑战，因为这些电路板需要更灵活和精确的定位系统来适应不同的设计和点位布局。因此，现有FCT测试方法需要改进以提高其适应性和灵活性，特别是在处理多种型号和高度复杂的电路板时。
发明内容
本发明提供了一种全自动FCT测试装置，包括：真空吸盘，所述真空吸盘用以对电路板的第一面进行真空抓取和移动；拍摄组件，所述拍摄组件用以对所述电路板的第二面进行拍摄，获取所述电路板的图像；测试组件，所述测试组件包括机械臂和测试头，所述测试头设于机械臂的末端，所述测试头用以对所述电路板的第二面的测试点位进行接触；传感器组件，用于实时采集所述电路板的电路板特性数据；吸盘控制模块，所述吸盘控制模块用以根据所述电路板特性数据，动态调节所述真空吸盘的抓取力度；图像处理模块，所述图像处理模块用以对所述图像进行降噪处理后，对所述图像中的定位点位和测试点位进行识别；测试控制模块，所述测试控制单元用以控制所述机械臂的运动轨迹；数据分析模块，所述数据分析模块用以处理测试头收集的数据，包括电路的连通性、电阻、电压等参数的测量，以及根据预设标准判断电路板的功能是否正常。
进一步地，所述根据所述电路板特性数据，动态调节所述真空吸盘的抓取力度，包括以下步骤：基于模糊逻辑，将所述电路板特性数据转换成模糊值；根据预设的模糊逻辑规则，对所述模糊值进行处理，得出所述真空吸盘所需的吸力模糊输出值；基于去模糊化过程，将所述吸力模糊输出值转换为吸力设定值。
进一步地，所述电路板特性数据包括重量数据和表面凹凸度数据，其中，重量数据被分类为轻、中等和重，表面凹凸度数据被分类为平滑、适中和粗糙。
进一步地，所述传感器组件包括重量传感器和激光扫描组件，所述重量传感器用以获取所述重量数据，所述激光扫描组件用以获取所述表面凹凸度数据。
进一步地，所述基于模糊逻辑，将所述电路板特性数据转换成模糊值，包括：对重量数据和表面凹凸度数据的模糊集合进行定义；基于多种隶属函数，为每个模糊集合设计隶属函数；应用隶属函数，计算重量数据和表面凹凸度数据的在各个模糊集合中的隶属度。
进一步地，所述对所述图像进行降噪处理后，对所述图像中的定位点位和测试点位进行识别包括：对所述图像进行降噪，得到降噪图像；根据所述降噪图像，识别定位点位，并判断所述定位点位是否位于目标区域，若否，则控制真空吸盘移动电路板，直至所述定位点位位于目标区域；根据所述降噪图像，识别测试点位，并计算各测试点位的空间坐标。
进一步地，所述根据所述降噪图像，识别定位点位，并判断所述定位点位是否位于目标区域，若否，则控制真空吸盘移动电路板，直至所述定位点位位于目标区域包括：根据所述降噪图像，对所述降噪图像进行透视校正，得到透视校正图像；根据所述透视校正图像，基于特征点检测算法，识别定位点位；获取所述定位点位的定位坐标，将所述定位坐标与目标区域进行比对，判断所述定位坐标是否位于所述目标区域的坐标范围内，若否，则控制真空吸盘移动电路板，直至所述定位点位位于目标区域。
进一步地，所述透视校正基于所述电路板上四个螺丝孔进行。
进一步地，所述根据所述降噪图像，对所述降噪图像进行透视校正，得到透视校正图像包括：求解透视变换矩阵，根据所述降噪图像和所述变换矩阵的解，对所述降噪图像进行透视校正，得到透视校正图像；其中，变换矩阵的方程组为：
ax1+by1+c-gx1x′1-hy1x′1＝x′1
ax2+by2+c-gx2x′2-hy2x′2＝x′2
ax3+by3+c-gx3x′3-hy3x′3＝x′3
ax4+by4+c-gx4x′4-hy4x′4＝x′4
dx1+ey1+f-gx1y1-hy1y′1＝y′1
dx2+ey2+f-gx2y′2-hy2y′2＝y′2
dx3+ey3+f-gx3y′3-hy3y′3＝y′3
dx4+ey4+f-gx4y′4-hy4y′4＝y′4
方程组的解为：
其中，(x1，y1)为电路板上第一个螺丝孔的圆心的横纵坐标，(x′1，y′1)为第一个螺丝孔在校正后图像中的圆心的横纵坐标，(x2，y2)为电路板上第二个螺丝孔的圆心的横纵坐标，(x′2，y′2)为第一个螺丝孔在校正后图像中的圆心的横纵坐标，(x3，y3)为电路板上第三个螺丝孔的圆心的横纵坐标，(x′3，y′3)为第一个螺丝孔在校正后图像中的圆心的横纵坐标，(x4，y4)为电路板上第四个螺丝孔的圆心的横纵坐标，(x′4，y′4)为第一个螺丝孔在校正后图像中的圆心的横纵坐标，T为变换矩阵，参数a、b、c、d、e、f、g、h均为透视变换矩阵中的元素。
进一步地，所述根据所述降噪图像，识别测试点位，并计算各测试点位的空间坐标包括：根据所述降噪图像，基于测试点位识别模型，识别测试点位，并计算各测试点位的空间坐标。
附图说明
本发明将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是本发明一些实施例的调节真空吸盘的抓取力度的流程图；
图2是本发明一些实施例的电路板特性数据的转换流程图；
图3是本发明一些实施例的定位点位和测试点位的识别流程图；
图4是本发明一些实施例的控制电路板的流程图；
图5是本发明一些实施例的对识别定位点位的具体流程图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。
本发明提出一种全自动FCT测试装置，包括：
真空吸盘，所述真空吸盘用以对电路板的第一面进行真空抓取和移动；拍摄组件，所述拍摄组件用以对所述电路板的第二面进行拍摄，获取所述电路板的图像；测试组件，所述测试组件包括机械臂和测试头，所述测试头设于机械臂的末端，所述测试头用以对所述电路板的第二面的测试点位进行接触；传感器组件，用于实时采集所述电路板的电路板特性数据；吸盘控制模块，所述吸盘控制模块用以根据所述电路板特性数据，动态调节所述真空吸盘的抓取力度；图像处理模块，所述图像处理模块用以对所述图像进行降噪处理后，对所述图像中的定位点位和测试点位进行识别；测试控制模块，所述测试控制单元用以控制所述机械臂的运动轨迹；数据分析模块，所述数据分析模块用以处理测试头收集的数据，包括电路的连通性、电阻、电压等参数的测量，以及根据预设标准判断电路板的功能是否正常。
以下结合附图对全自动FCT测试装置进行进一步说明。
图1是本发明一些实施例的调节真空吸盘的抓取力度的流程图。
如图1所示，所述根据所述电路板特性数据，动态调节所述真空吸盘的抓取力度，包括以下步骤：
S110、基于模糊逻辑，将所述电路板特性数据转换成模糊值；
进一步地，所述电路板特性数据包括重量数据和表面凹凸度数据，重量数据被分类为轻、中等和重，表面凹凸度数据被分类为平滑、适中和粗糙。
进一步地，可以通过隶属函数来进行转换。
图2是本发明一些实施例的电路板特性数据的转换流程图。
如图2所示，步骤S110包括：
S111、对重量数据和表面凹凸度数据的模糊集合进行定义。
进一步地，可以对重量数据的模糊集合进行定义，例如，将：0-100g的电路板的重量数据定义为轻，将80-200g的电路板的重量数据定义为中等，将180g及以上的电路板的重量数据定义为重。
进一步地，可以对待测试电路的板表面凹凸度数据的模糊集合进行定义。例如，将具有0-0.5的Ra值的电路板的表面凹凸度数据定义为平滑，将具有0.4-1.5的Ra值的电路板的表面凹凸度数据定义为适中，将具有1.4及以上Ra值的电路板的表面凹凸度数据定义为粗糙。其中，Ra值为表面粗糙度。
S112、基于多种隶属函数，为每个模糊集合设计隶属函数。
进一步地，可以将三角形隶属函数作为重量数据的各个模糊集合的隶属函数，例如，对于模糊集合轻，其三角形隶属函数顶点在50g，底边覆盖0-100g；对于模糊集合中等，其三角形隶属函数顶点在140g，底边覆盖80-200g，对于模糊集合重，其三角形隶属函数底边开始于180g，向上延伸不设上限。
进一步地，可以将三角形隶属函数作为表面凹凸度数据的各个模糊集合的隶属函数。例如，对于模糊集合平滑，其三角形隶属函数顶点在Ra 0.25，底边覆盖Ra 0-0.5；对于模糊集合适中，其三角形隶属函数顶点在Ra 0.95，底边覆盖Ra 0.4-1.5；对于模糊集合粗糙，其三角形隶属函数底边开始于Ra 1.4，向上延伸不设上限。
S113、应用隶属函数，计算重量数据和表面凹凸度数据的在各个模糊集合中的隶属度。
重量数据的隶属度的计算方法如下：
(a)模糊集合轻隶属度的计算：当ω≤0或ω≥100时，μ轻(ω)＝0；当0＜ω＜50时，当50≤ω＜100时，/>其中，μ轻(ω)为重量数据在模糊集合轻中的隶属度，ω为电路板的实际重量数据。
(b)模糊集合中等隶属度的计算：当ω≤80或ω≥200时，μ中等(ω)＝0；当80＜ω＜140时，当140≤ω＜200时，/> 其中，μ中等(ω)为重量数据在模糊集合中等中的隶属度，ω为电路板的实际重量数据。
(c)模糊集合重隶属度的计算：当ω≤180时，μ重(ω)＝0；当ω≥180时，μ重(ω)＝1。其中，μ重(ω)为重量数据在模糊集合重中的隶属度，ω为电路板的实际重量数据。
表面凹凸度数据的隶属度的计算方法如下：
(d)模糊集合平滑隶属度的计算公式为：
其中，μ平滑(Ra)为表面凹凸度数据在模糊集合平滑中的隶属度，a1、b1、c1分别为三角形隶属函数的三个顶点的位置，a1＝0、b1＝0.25、c1＝0.5，Ra为电路板的实际表面凹凸度数据。
(e)模糊集合适中隶属度的计算公式为：
其中，μ适中(Ra)为表面凹凸度数据在模糊集合平滑中的隶属度，a2、b2、c2分别为三角形隶属函数的三个顶点的位置，a2＝0.4、b2＝0.95、c2＝1.5，Ra为电路板的实际表面凹凸度数据。
(f)模糊集合粗糙隶属度的计算：
当Ra＜1.4时，μ粗糙(Ra)＝0，当Ra≥1.4时，μ粗糙(Ra)＝1
其中，μ粗糙(Ra)为表面凹凸度数据在模糊集合平滑中的隶属度，Ra为电路板的实际表面凹凸度数据。
进一步地，FCT测试装置还包括激光扫描组件，激光扫描组件用以获取所述表面凹凸度数据。激光扫描组件可以是三维激光扫描器，可以审查电路板的三维地图，并计算出电路板的实际表面凹凸度数据。
S120、根据预设的模糊逻辑规则，对所述模糊值进行处理，得出所述真空吸盘所需的吸力模糊输出值；
进一步地，预设的模糊逻辑规则可以包括：
如果电路板重量轻且表面平滑，吸力设定为低；如果电路板重量轻且表面适中，或者重量中等且表面平滑，吸力设定为中等；如果电路板重量轻且表面粗糙，或者重量中等且表面适中，吸力设定为高；如果电路板重量中等且表面粗糙，或者重量重且表面适中，吸力设定为非常高；如果电路板重量重且表面粗糙，吸力设定为极高。
进一步地，根据预设的模糊逻辑规则，对所述模糊值进行处理可以包括：对每个激活的模糊逻辑规则生成一个模糊输出。
具体地，每个规则的激活程度取决于它所涉及的所有输入变量的隶属度。例如，如果规则是“如果重量是轻的，并且表面是平滑的，那么吸力设定为低”，那么这个规则的激活程度将取决于“重量是轻的”和“表面是平滑的”这两个条件的隶属度。如果重量在轻集合的隶属度是0.7，而表面在平滑集合的隶属度是0.8，根据模糊逻辑的AND运算，这个规则的激活程度可以是这两个隶属度的最小值，即0.7，那么对应于“吸力设定为低”的模糊集合，这个规则的贡献即为0.7。
S130、基于去模糊化过程，将所述吸力模糊输出值转换为吸力设定值。
进一步地，可以基于质心法进行转换，计算公式为：
其中，激活程度为预设的模糊逻辑规则中，每个模糊逻辑规则的激活程度；候选输出值是模糊逻辑规则中，每个模糊逻辑规则对应的吸力的具体数值；吸力设定值为即为输出到真空吸盘的抓取力度的具体数值。
图3是本发明一些实施例的定位点位和测试点位的识别流程图。
如图3所示，所述对所述图像进行降噪处理后，对所述图像中的定位点位和测试点位进行识别包括以下步骤：
S210、对所述图像进行降噪，得到降噪图像。
进一步地，可以通过多种图像处理算法进行降噪，如高斯滤波、中值滤波或更高级的算法如小波变换和非局部均值滤波。这些算法可以有效地减少图像中的随机噪声，同时保持重要的图像细节。
S220、根据所述降噪图像，识别定位点位，并判断所述定位点位是否位于目标区域，若否，则控制真空吸盘移动电路板，直至所述定位点位位于目标区域。
图4是本发明一些实施例的识别定位点位并控制电路板的流程图。
如图4所示，所述步骤S220包括以下步骤：
S221、根据所述降噪图像，对所述降噪图像进行透视校正，得到透视校正图像。由于摄像头角度或吸盘抓取时电路板放置不平，会产生一定的图像畸变，通过透视校正，能够使后续的定位点位识别和测试点位识别更加准确。
透视校正可以通过多种方式进行。进一步地，对于不同型号的电路板，可以基于通用特征，例如固定螺丝孔、板角或其他标准元件等对电路板进行透视校正。示例地，可以选择电路板上的四个螺丝孔作为通用特征，进行透视校正，包括以下步骤：
求解透视变换矩阵，其变换矩阵方程组为：
ax1+by1+c-gx1x′1-hy1x′1＝x′1
ax2+by2+c-gx2x′2-hy2x′2＝x′2
ax3+by3+c-gx3x′3-hy3x′3＝x′3
ax4+by4+c-gx4x′4-hy4x′4＝x′4
dx1+ey1+f-gx1y′1-hy1y′1＝y′1
dx2+ey2+f-gx2y′2-hy2y′2＝y′2
dx3+ey3+f-gx3y′3-hy3y′3＝y′3
dx4+ey4+f-gx4y′4-hy4y′4＝y′4
求解得到：
其中，(x1，y1)为电路板上第一个螺丝孔的圆心的横纵坐标，(x′1，y′1)为第一个螺丝孔在校正后图像中的圆心的横纵坐标，(x2，y2)为电路板上第二个螺丝孔的圆心的横纵坐标，(x′2，y′2)为第一个螺丝孔在校正后图像中的圆心的横纵坐标，(x3，y3)为电路板上第三个螺丝孔的圆心的横纵坐标，(x′3，y′3)为第一个螺丝孔在校正后图像中的圆心的横纵坐标，(x4，y4)为电路板上第四个螺丝孔的圆心的横纵坐标，(x′4，y′4)为第一个螺丝孔在校正后图像中的圆心的横纵坐标，T为变换矩阵。参数a、b、c、d、e、f、g、h均为透视变换矩阵中的元素，用以决定如何将原始图像中的点映射到校正后图像中的点，其中，参数a和e控制图像在水平和垂直方向上的缩放，参数b和d控制图像的旋转以及倾斜，参数c和f控制图像的平移，参数g和h控制图像的透视程度。
应用透视校正，其公式为：
其中，x和y分别为原图像中任意一点的横纵坐标，x’和y’分别为校正后图像中对应的该点的横纵坐标。
如此，基于透视校正公式，对降噪图像中的每个点的坐标进行转换，便可以得到透视校正图像。
S222、根据所述透视校正图像，基于特征点检测算法，识别定位点位。
定位点位可以是多种具有特殊形状的，用以定位的点位，例如，十字点位、三角形点位等。
图5是本发明一些实施例的对识别定位点位的具体流程图。
如图5所示，可以基于尺度不变特征变换算法对定位点位进行识别，包括步骤：
S2221、构建尺度空间，并对尺度空间的极值进行检测。
进一步地，可以基于高斯模糊对图像进行模糊处理，从而构建尺度空间，然后在不同尺度的图像中查找局部极值点，其中，模糊处理的公式为：
L(x，y，δ)＝G(x，y，δ)*I(x，y)
其中，L是尺度空间函数，G是高斯模糊函数，I是原始图像，δ是尺度参数。
S2222、通过对极值点周围的尺度、位置和比例进行插值，找到关键点的精确位置。
S2223、通过计算关键点周围区域的梯度方向和大小，赋予每个关键点一个方向。
S2224、通过考虑关键点周围的图像区域并将其转换成一个稳定的、可用于匹配的描述符，创建特征描述符。
S2225、在不同图像之间或同一图像的不同部分之间匹配关键点，得到定位点位。
S223、获取所述定位点位的定位坐标，将所述定位坐标与目标区域进行比对，判断所述定位坐标是否位于所述目标区域的坐标范围内，若否，则控制真空吸盘移动电路板，直至所述定位点位位于目标区域。
目标区域定义为电路板测试过程中允许的最大定位偏差范围。这个范围指定了电路板在被认定为适合进行功能测试之前，相对于理想位置可以存在的最大偏移。进一步地，目标区域可以预先设定。目标区域的设定可以基于确保电路板在测试设备内能够被准确测试的前提下，考虑到机械臂和测试头的操作灵活性和精度限制，而确定的电路板放置的许可偏移上限。
进一步地，目标区域可以是一个矩形范围，可以通过两个对角点(xmin，ymin)和(xmax，ymax)来表示目标区域，如果xmin≤x定位≤xmax，且ymin≤x定位≤ymax，则判断定位点位在目标区域内，否则，定位点位不在目标区域内。其中，(x定位，y定位)为定位点位的横纵坐标，(xmin，ymin)为目标区域的靠近坐标轴原点的一角的横纵坐标，(xmax，ymax)为目标区域的远离坐标轴原点的一角的横纵坐标。
进一步地，如果定位点位不在目标区域内，需要计算出电路板移动的距离和方向，用移动向量表示。具体地，移动向量/>的计算公式为：
其中，(x目标，y目标)为目标区域的中心或期望定位点位的坐标，Δx为电路板在x轴方向上需要移动的距离，Δy为电路板在y轴方向上需要移动的距离。
S230、根据所述降噪图像，识别测试点位，并计算各测试点位的空间坐标。
进一步地，处理器可以基于测试点位识别模型来识别电路板上的测试点位。进一步地，利用已经训练好的测试点位识别模型，进行图像的深度分析，识别出电路板上的特定测试点位。进一步地，测试点位识别模型可以是机器学习模型，例如，卷积神经网络(CNN)。
进一步地，测试点位识别模型是基于大量带有标签的训练样本训练得到的。这些训练样本包含各种电路板的图像，涵盖了不同类型和布局的测试点位。训练样本可以从历史数据中收集，或者通过其他采集方法获得。每个训练样本的标签指示了图像中测试点位的确切位置，这些标签可以通过自动化图像处理软件或手动方式进行标注。
完成训练后，测试点位识别模型被部署到FCT测试装置中，在实际的测试过程中，处理器使用测试点位识别模型来实时地识别电路板图像中的测试点位。这不仅提高了测试过程的准确性，还大幅度提升了测试的效率。
进一步地，为了进一步提高识别的准确性和效率，还可以利用图像处理技术，辅助机器学习模型的识别过程，例如，边缘检测和图像分割。这些技术有助于更准确地识别出测试点位，确保在后续的FCT测试中每个点位都能得到正确处理。通过这种综合应用机器学习和图像处理技术的方法，可以确保电路板的每一个测试点都被准确地识别和测量，从而保证测试结果的可靠性和精确性。
进一步地，处理器还负责计算识别出的测试点位的空间坐标。处理器可以基于摄像头参数，将图像坐标转换为电路板上实际空间坐标。进一步地，摄像头参数包括内部参数和外部参数。示例地，内部参数可以包括焦距和光学中心，外部参数可以包括摄像头的位置和角度。
最后，应当理解的是，本发明中所述实施例仅用以说明本发明实施例的原则。其他的变形也可能属于本发明的范围。因此，作为示例而非限制，本发明实施例的替代配置可视为与本发明的教导一致。相应地，本发明的实施例不仅限于本发明明确介绍和描述的实施例。
Claims (10)
1.一种全自动FCT测试装置，其特征在于，包括：
真空吸盘，所述真空吸盘用以对电路板的第一面进行真空抓取和移动；
拍摄组件，所述拍摄组件用以对所述电路板的第二面进行拍摄，获取所述电路板的图像；
测试组件，所述测试组件包括机械臂和测试头，所述测试头设于机械臂的末端，所述测试头用以对所述电路板的第二面的测试点位进行接触；
传感器组件，用于实时采集所述电路板的电路板特性数据；
吸盘控制模块，所述吸盘控制模块用以根据所述电路板特性数据，动态调节所述真空吸盘的抓取力度；
图像处理模块，所述图像处理模块用以对所述图像进行降噪处理后，对所述图像中的定位点位和测试点位进行识别；
测试控制模块，所述测试控制单元用以控制所述机械臂的运动轨迹；
数据分析模块，所述数据分析模块用以处理测试头收集的数据，包括电路的连通性、电阻、电压等参数的测量，以及根据预设标准判断电路板的功能是否正常。
2.根据权利要求1所述的一种全自动FCT测试装置，其特征在于，所述根据所述电路板特性数据，动态调节所述真空吸盘的抓取力度，包括以下步骤：
基于模糊逻辑，将所述电路板特性数据转换成模糊值；
根据预设的模糊逻辑规则，对所述模糊值进行处理，得出所述真空吸盘所需的吸力模糊输出值；
基于去模糊化过程，将所述吸力模糊输出值转换为吸力设定值。
3.根据权利要求2所述的一种全自动FCT测试装置，其特征在于，所述电路板特性数据包括重量数据和表面凹凸度数据，其中，重量数据被分类为轻、中等和重，表面凹凸度数据被分类为平滑、适中和粗糙。
4.根据权利要求3所述的一种全自动FCT测试装置，其特征在于，所述传感器组件包括重量传感器和激光扫描组件，所述重量传感器用以获取所述重量数据，所述激光扫描组件用以获取所述表面凹凸度数据。
5.根据权利要求3所述的一种全自动FCT测试装置，其特征在于，所述基于模糊逻辑，将所述电路板特性数据转换成模糊值，包括：
对重量数据和表面凹凸度数据的模糊集合进行定义；
基于多种隶属函数，为每个模糊集合设计隶属函数；
应用隶属函数，计算重量数据和表面凹凸度数据的在各个模糊集合中的隶属度。
6.根据权利要求1所述的一种全自动FCT测试装置，其特征在于，所述对所述图像进行降噪处理后，对所述图像中的定位点位和测试点位进行识别包括：
对所述图像进行降噪，得到降噪图像；
根据所述降噪图像，识别定位点位，并判断所述定位点位是否位于目标区域，若否，则控制真空吸盘移动电路板，直至所述定位点位位于目标区域；
根据所述降噪图像，识别测试点位，并计算各测试点位的空间坐标。
7.根据权利要求6所述的一种全自动FCT测试装置，其特征在于，所述根据所述降噪图像，识别定位点位，并判断所述定位点位是否位于目标区域，若否，则控制真空吸盘移动电路板，直至所述定位点位位于目标区域包括：
根据所述降噪图像，对所述降噪图像进行透视校正，得到透视校正图像；
根据所述透视校正图像，基于特征点检测算法，识别定位点位；
获取所述定位点位的定位坐标，将所述定位坐标与目标区域进行比对，判断所述定位坐标是否位于所述目标区域的坐标范围内，若否，则控制真空吸盘移动电路板，直至所述定位点位位于目标区域。
8.根据权利要求7所述的一种全自动FCT测试装置，其特征在于，所述透视校正基于所述电路板上四个螺丝孔进行。
9.根据权利要求8所述的一种全自动FCT测试装置，其特征在于，所述根据所述降噪图像，对所述降噪图像进行透视校正，得到透视校正图像包括：
求解透视变换矩阵，根据所述降噪图像和所述变换矩阵的解，对所述降噪图像进行透视校正，得到透视校正图像；
其中，变换矩阵的方程组为：
ax1+by1+c-gx1x′1-h y1x′1＝x′1
ax2+by2+c-gx2x′2-h y2x′2＝x′2
ax3+by3+c-gx3x′3-h y3x′3＝x′3
ax4+by4+c-gx4x′4-h y4x′4＝x′4
dx1+ey1+f-gx1y′1-h y1y′1＝y′1
dx2+ey2+f-gx2y′2-h y2y′2＝y′2
dx3+ey3+f-gx3y′3-h y3y′3＝y′3
dx4+ey4+f-gx4y′4-h y4y′4＝y′4
方程组的解为：
其中，(x1，y1)为电路板上第一个螺丝孔的圆心的横纵坐标，(x'1，y'1)为第一个螺丝孔在校正后图像中的圆心的横纵坐标，(x2，y2)为电路板上第二个螺丝孔的圆心的横纵坐标，(x'2，y'2)为第一个螺丝孔在校正后图像中的圆心的横纵坐标，(x3，y3)为电路板上第三个螺丝孔的圆心的横纵坐标，(x'3，y'3)为第一个螺丝孔在校正后图像中的圆心的横纵坐标，(x4，y4)为电路板上第四个螺丝孔的圆心的横纵坐标，(x'4，y'4)为第一个螺丝孔在校正后图像中的圆心的横纵坐标，T为变换矩阵，参数a、b、c、d、e、f、g、h均为透视变换矩阵中的元素。
10.根据权利要求6所述的一种全自动FCT测试装置，其特征在于，所述根据所述降噪图像，识别测试点位，并计算各测试点位的空间坐标包括：
根据所述降噪图像，基于测试点位识别模型，识别测试点位，并计算各测试点位的空间坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311754814.XA CN117741400A (zh) | 2023-12-20 | 2023-12-20 | 一种全自动fct测试装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311754814.XA CN117741400A (zh) | 2023-12-20 | 2023-12-20 | 一种全自动fct测试装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117741400A true CN117741400A (zh) | 2024-03-22 |
Family
ID=90253897
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311754814.XA Pending CN117741400A (zh) | 2023-12-20 | 2023-12-20 | 一种全自动fct测试装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117741400A (zh) |
-
2023
- 2023-12-20 CN CN202311754814.XA patent/CN117741400A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110930347B (zh) | 卷积神经网络的训练方法、焊点缺陷的检测方法及装置 | |
| JP4825253B2 (ja) | 可変形オブジェクト認識のためのシステムおよび方法 | |
| US5933523A (en) | Machine vision method and apparatus for determining the position of generally rectangular devices using boundary extracting features | |
| CN110246127A (zh) | 基于深度相机的工件识别与定位方法和系统、分拣系统 | |
| US20070104358A1 (en) | Object recognizing method, program and storage medium for recognizing object, and object recognizing apparatus | |
| CN111899241B (zh) | 一种定量化的炉前pcb贴片缺陷在线检测方法及系统 | |
| US6751361B1 (en) | Method and apparatus for performing fixturing in a machine vision system | |
| Bai et al. | Corner point-based coarse–fine method for surface-mount component positioning | |
| CN110146017A (zh) | 工业机器人重复定位精度测量方法 | |
| TW201320231A (zh) | 主機板圓孔定位方法及系統 | |
| Lin | Development of an intelligent transformer insertion system using a robot arm | |
| US6577758B1 (en) | Image position detection technique in which input parameters can be easily determined | |
| CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
| CN105825497B (zh) | 用于图像处理的探针放置 | |
| Liu et al. | A novel subpixel industrial chip detection method based on the dual-edge model for surface mount equipment | |
| CN110288040A (zh) | 一种基于拓扑验证的图像相似评判方法及设备 | |
| CN113781413A (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
| Long et al. | Cascaded approach to defect location and classification in microelectronic bonded joints: Improved level set and random forest | |
| Zervakis et al. | A Bayesian framework for multilead SMD post-placement quality inspection | |
| CN117741400A (zh) | 一种全自动fct测试装置 | |
| CN111862196A (zh) | 检测平板物体的通孔的方法、装置和计算机可读存储介质 | |
| Hajder et al. | Automatic estimation of sphere centers from images of calibrated cameras | |
| CN114648544A (zh) | 一种亚像素椭圆提取方法 | |
| Takacs et al. | Novel outlier filtering method for AOI image databases | |
| Lin et al. | X-ray imaging inspection system for blind holes in the intermediate layer of printed circuit boards with neural network identification |
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 |