CN104777176A - 一种pcb板检测方法及装置 - Google Patents

Abstract

本发明公开了一种PCB板检测方法，包括如下步骤：基于样本的局部纹理特征建立高斯判别分析模型，其中，所述样本包括第一类型样本和第二类型样本，所述第一类型样本为没有漏装元件的PCB板，所述第二类型样本为漏装了至少一个元件的PCB板；获取待检测的PCB板的图片，并提取所述待检测的PCB板的图片的局部纹理特征；及根据所述待检测的PCB板的图片的局部纹理特征及所述建立的高斯判别分析模型，确定所述待检测的PCB板的类型。本发明提供的PCB板检测方法具有识别效率高，检测温度等优点。

Description

一种PCB板检测方法及装置

技术领域

本发明涉及测试领域，尤其涉及一种PCB板检测方法及装置。

背景技术

印刷电路板(Printed Circuit Board，PCB)是电子元器件电气连接的提供者，其上安装有多个元件，且这些元件根据预先设置的逻辑电路设计连接而成，以实现特定的功能。由于生产加工或者在装配中可能出现的各种情况，可能导致某些PCB板上漏装了一个或多个元件，从而造成这些PCB板无法正常工作或运行，这些无法正常工作或运行的PCB板需被检测出来，重新进行修复。

现有的检测方法主要有人工检测法和模板匹配法，对于人工检测法，由于PCB板的数量和每块PCB板上的元件众多，因而仅依靠人工方法难以挑选出这些漏装了元件的PCB板，且容易由于人工疲劳导致检测效果下降；而模板匹配基于“有元件”和“漏插”两点线性匹配，不能充分利用已知样本信息，导致算法稳定性不够，不能满足使用需求。

发明内容

针对上述问题，本发明的目的在于提供一种PCB板检测方法及装置，能提供高识别效率、稳定的检测。

本发明实施例提供一种PCB板检测方法，包括如下步骤：

基于样本的局部纹理特征建立高斯判别分析模型，其中，所述样本包括第一类型样本和第二类型样本，所述第一类型样本为没有漏装元件的PCB板，所述第二类型样本为漏装了至少一个元件的PCB板；

获取待检测的PCB板的图片，并提取所述待检测的PCB板的图片的局部纹理特征；及

根据所述待检测的PCB板的图片的局部纹理特征及所述建立的高斯判别分析模型，确定所述待检测的PCB板的类型。

作为上述方案的改进，所述基于样本的局部纹理特征建立高斯判别分析模型，包括：

采集若干第一类型样本及若干第二类型样本的图片；

提取所述采集的样本图片的局部纹理特征；及

利用所述提取的局部纹理特征建立高斯判别分析模型。

作为上述方案的改进，所述提取所述采集的样本图片的局部纹理特征，包括：

利用一3×3扫描窗口扫描采集的图片，其中，所述扫描窗口包含9个子窗口，每个子窗口在扫描时获得所述子窗口当前所在的图片上的点的像素灰度值；

将位于非中心的八个子窗口的像素灰度值与位于中心的子窗口的像素灰度值进行比较，若位于非中心的子窗口的像素灰度值大于或等于位于中心的子窗口的像素灰度值，则将该子窗口内的数值置为1，否则置为0；

利用公式获得本次扫描窗口提取的局部纹理特征，其中， $s\left(x\right)=\left\{\begin{array}{cc}1& \mathrm{if\; x}\≥0\\ 0& \mathrm{else}\end{array}\right.,$ x为非中心的子窗口中的数值，p为该子窗口的标记值，其中，位于左上角的子窗口的标记值为1，其余非中心子窗口的标记值按顺时针方向递增，每次递增1；及

在所述图片上移动所述扫描窗口，获得所述图片的全部局部纹理特征。

作为上述方案的改进，所述利用提取的局部纹理特征建立高斯判别分析模型，具体包括：

将提取的局部纹理特征投影到二维坐标中，得到关于第一类型样本和第二类型样本的特征分布图；及

根据所述第一类型样本和第二类型样本的特征分布图计算高斯判别模型的模型参数，获得高斯判别分析模型。

作为上述方案的改进，所述根据所述待检测的PCB板的图片的局部纹理特征及所述建立的高斯判别分析模型，确定所述待检测的PCB板的类型，包括：

将所述待检测的PCB板的图片的局部纹理特征分别输入第一类型样本的分布密度公式和第二类型样本的分布密度公式，其中，所述分布密度公式由高斯判别分析模型及模型参数给出；及

计算所述待检测的PCB板的图片的局部纹理特征在第一类型样本的分布密度公式的概率p₀和在第二类型样本的分布密度公式的概率p₁，若p₀＜p₁，则确定所述待检测的PCB板为第一类型PCB板，否则确定为第二类型PCB板。

本发明还提供一种PCB板检测装置，包括模型建立单元、特征提取单元及判别单元，其中：

所述模型建立单元，用于基于样本的局部纹理特征建立高斯判别分析模型，其中，所述样本包括第一类型样本和第二类型样本，所述第一类型样本为没有漏装元件的PCB板，所述第二类型样本为漏装了至少一个元件的PCB板；

所述特征提取单元，用于提取待检测的PCB板的图片的局部纹理特征；及

所述判别单元，用于根据所述待检测的PCB板的图片的局部纹理特征及所述建立的高斯判别分析模型，确定所述待检测的PCB板的类型。

作为上述方案的改进，所述模型建立单元包括：

采集单元，用于采集若干第一类型样本及若干第二类型样本的图片；

提取单元，用于提取所述采集的样本图片的局部纹理特征；及

建模单元，用于利用所述提取的局部纹理特征建立高斯判别分析模型。

作为上述方案的改进，所述特征提取单元包括：

扫描单元，用于利用一3×3扫描窗口扫描采集的图片，其中，所述扫描窗口包含9个子窗口，每个子窗口在扫描时获得所述子窗口当前所在的图片上的点的像素灰度值；

比较单元，用于将位于非中心的八个子窗口的像素灰度值与位于中心的子窗口的像素灰度值进行比较，若位于非中心的子窗口的像素灰度值大于或等于位于中心的子窗口的像素灰度值，则该子窗口内的数值置为1，否则置为0；

特征计算单元，用于利用公式计算本次扫描窗口提取的局部纹理特征，其中， $s\left(x\right)=\left\{\begin{array}{cc}1& \mathrm{if\; x}\≥0\\ 0& \mathrm{else}\end{array}\right.,$ x为非中心的子窗口中的数值，p为该子窗口的标记值，其中，位于左上角的子窗口的标记值为1，其余非中心子窗口的标记值按顺时针方向递增，每次递增1；及

移动单元，用于在所述图片上移动所述扫描窗口，获得所述图片的全部局部纹理特征。

作为上述方案的改进，所述建模单元具体包括：

投影单元，用于将提取的局部纹理特征投影到二维坐标中，得到关于第一类型样本和第二类型样本的特征分布图；

参数计算单元，用于根据所述第一类型样本和第二类型样本的特征分布图计算高斯判别模型的模型参数，获得高斯判别分析模型。

作为上述方案的改进，所述判别单元包括：

输入单元，用于将所述待检测的PCB板的图片的局部纹理特征分别输入第一类型样本的分布密度公式和第二类型样本的分布密度公式，其中，所述分布密度公式由高斯判别分析模型及模型参数给出；及

判断单元，用于计算所述待检测的PCB板的图片的局部纹理特征在第一类型样本的分布密度公式的概率p₀和在第二类型样本的分布密度公式的概率p₁，若p₀＜p₁，则确定所述待检测的PCB板为第一类型PCB板，否则确定为第二类型PCB板。

本发明实施例提供的PCB板检测方法及装置，通过提取PCB板的局部纹理特征，并建立基于局部纹理特征的高斯判别分析模型，对第一类型样本和第二类型样本各自进行建模，充分利用了样本的已知信息，使得算法稳定，由于模型综合考虑了所有样本的已知信息，所以当给定样本出现极端情况时算法所受的影响很小。此外，本方法还具有对光照条件不敏感，对生产过程干扰小，不需要额外的生产数据等优点，解决了现有技术中通过人工识别PCB板的缺陷所带来的识别效率低、主观性强的问题。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供PCB板检测方法的流程示意图。

图2是扫描窗口扫描得到的像素灰度值的示意图。

图3是对扫描窗口进而二进制化后的示意图。

图4是扫描窗口的标记值示意图。

图5是对局部纹理特征归一化后的直方图。

图6是第一类型样本和第二类型样本的特征分布图。

图7是本发明实施例提供PCB板检测装置的结构示意图。

图8是图7所示的模型建立单元的结构示意图。

图9是图8所示的第二提取单元的结构示意图。

图10是图8所示的建模单元的结构示意图。

图11是图7所示的判别单元的结构示意图。

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，本发明实施例提供一种PCB板检测方法，其至少包括如下步骤：

S101，基于样本的局部纹理特征建立高斯判别分析模型，其中，所述样本包括第一类型样本和第二类型样本，所述第一类型样本为没有漏装元件的PCB板，所述第二类型样本为漏装了至少一个元件的PCB板。

在本发明实施例中，印刷电路板(Printed Circuit Board，PCB)上安装有多个元件，且这些元件根据预先设置的逻辑电路设计连接而成，以实现特定的功能。其中，由于生产加工或者在装配中可能出现的各种情况，可能导致某些PCB板上漏装了一个或多个元件，从而造成这些PCB板无法正常工作或运行，这些无法正常工作或运行的PCB板需被检测出来，重新进行修复。然而由于PCB板的数量和每块PCB板上的元件众多，因而仅依靠人工方法难以检测出这些漏装了元件的PCB板。

在本发明实施例中，结合采集的图片的局部纹理特征和高斯判别分析模型可用于判断一块PCB板是否出现漏插元件的情况，具体为：

S1011，采集若干第一类型样本及若干第二类型样本的图片。

在本发明实施例中，摄像头(可为黑白或彩色摄像头)采集若干个没有漏装元件的PCB板(第一类型样本)及若干个漏装了至少一个元件的PCB板(第二类型样本)的图片，以通过对图片进行处理，获取图片的局部纹理特征，从而进行后续的分析计算。其中，采集的图片的数目可根据实际的需要进行设置，如可为20，30或其他数量，本发明不做具体限定。

S1012，提取所述采集的样本图片的局部纹理特征。

在本发明实施例中，采集完所述样本图片后，需提取这些图片的局部纹理特征，具体为：

首先，利用一3×3扫描窗口扫描采集的图片，其中，所述扫描窗口包含9个子窗口，每个子窗口在扫描时获得所述子窗口当前所在的图片上的像素点的像素灰度值。

请一并参阅图2，在本发明实施例中，所述扫描窗口可通过特定的扫描仪或扫描软件或二者的结合来实现扫描功能。其中，该3×3扫描窗口呈一正方形窗口状，并具有9个大小相同的子窗口，其中，较佳地，每个子窗口的大小为图片上的一个像素点的大小，当该扫描窗口扫描所述样本图片时，每个子窗口正好对应及覆盖样本图片上的一个像素点，并可获得这个像素点的像素灰度值。如图2所示，图2为所述扫描窗口扫描后得到的扫描结果，其中，每个子窗口中的数字代表这个子窗口扫描到的像素点的像素灰度值。

其次，将位于非中心的八个子窗口的像素灰度值与位于中心的子窗口的像素灰度值进行比较，若位于非中心的子窗口的像素灰度值大于或等于位于中心的子窗口的像素灰度值，则将该子窗口内的数值置为1，否则置为0。

请一并参阅图3，在通过扫描样本图片获得所述像素灰度值后，需对所述扫描窗口进行二进制化。具体为，位于非中心的八个子窗口的像素灰度值分别与位于中心的子窗口的像素灰度值进行比较，若位于非中心的子窗口的像素灰度值大于或等于位于中心的子窗口的像素灰度值，则该子窗口内的数值置为1，否则置为0。如图3所示，位于中心的子窗口的像素灰度值为5，若位于非中心的子窗口中的像素灰度值大于或等于5，则将这个子窗口的数值置为1，若位于非中心的子窗口中的像素灰度值小于5，则将这个子窗口的数值置为0。此外，在完成二进制化后，还将位于中心的子窗口的数值置为空，即不放入任何数值。

然后，利用公式获得本次扫描窗口提取的局部纹理特征，其中， $s\left(x\right)=\left\{\begin{array}{cc}1& \mathrm{if\; x}\≥0\\ 0& \mathrm{else}\end{array}\right.,$ x为非中心的子窗口中的数值，p为该子窗口的标记值，其中，位于左上角的子窗口的标记值为1，其余非中心子窗口的标记值按顺时针方向递增，依次递增1。

请一并参阅图4，具体为，本次扫描窗口提取的局部纹理特征可通过公式计算得到，其中feature为局部纹理特征， $s\left(x\right)=\left\{\begin{array}{cc}1& \mathrm{if\; x}\≥0\\ 0& \mathrm{else}\end{array}\right.,$ x为非中心的子窗口中的数值，p为该子窗口的标记值，其中，位于左上角的子窗口的标记值为1，其余非中心子窗口的标记值按顺时针方向递增，每次递增1(如图4所示，图4给出了各个窗口的标记值)。以图3和图4为例进行计算，则此时，局部纹理特征 $\mathrm{feature}=\underset{p=1}{\overset{8}{\mathrm{\Σ}}}{2}^{p-1}s\left(x\right)=1\×2^3+1\×2^6+1\×2^7=200.$

最后，在所述图片上移动所述扫描窗口，获得所述图片的全部局部纹理特征。

在本发明实施例中，所示扫描窗口在所述图片上连续扫描，获得所述图片的全部局部纹理特征。其中，所述扫描窗口每次移动一个像素点的距离。例如，假设所述图片的大小为102×102，由于所述扫描窗口每次只移动一个像素点，因而该扫描窗口将在行的方向和列的方向上都移动100次，即所述扫描窗口将扫描获得100×100＝10000个局部纹理特征。如图5所示，所述局部纹理特征可进行直方图统计，并通过归一化得到直方图特征，其中，直方图的横坐标为局部纹理特征的值(范围为0～255)，纵坐标为概率(范围为0～1)，且所有纵坐标加起来的和为1。

S1013，利用所述提取的局部纹理特征建立高斯判别分析模型。

具体为：

首先，将提取的局部纹理特征投影到二维坐标中，得到关于第一类型样本和第二类型样本的特征分布图。

请一并参阅图6，将上面提取的局部纹理特征投影到二维坐标中，得到图6所示的样本特征分布图。其中标记符号为×的表示第一类型样本，标记符号为○的表示第二类型样本。

然后，根据所述第一类型样本和第二类型样本的特征分布图计算高斯判别模型的模型参数，获得高斯判别分析模型。

具体为：

假设输入的局部纹理特征x是连续随机变量，并服从正态分布，且分类输出变量y服从伯努利分布，其中y＝0表示第二类型样本，y＝1表示第一类型样本，则有如下公式：

y～Bernoulli(φ)

x|y＝0～N(μ₀,Σ)    (1)

x|y＝1～N(μ₁,Σ)

具体的概率密度分布如公式(2)所示：

p(y)＝φ^y(1-φ)^1-y

$p\left(x\right|y=0)=\frac{1}{{\left(2\mathrm{\π}\right)}^{n/2}{\left|\mathrm{\Σ}\right|}^{1/2}}\exp (-\frac{1}{2}{(x-{\mathrm{\μ}}_0)}^T{\mathrm{\Σ}}^{-1}(x-{\mathrm{\μ}}_0))$

$p\left(x\right|y=1)=\frac{1}{{\left(2\mathrm{\π}\right)}^{n/2}{\left|\mathrm{\Σ}\right|}^{1/2}}\exp (-\frac{1}{2}{(x-{\mathrm{\μ}}_1)}^T{\mathrm{\Σ}}^{-1}(x-{\mathrm{\μ}}_1))---\left(2\right)$

式中，p(y)为输出为y的概率，p(x|y＝0)为在给定的x下，输出y＝0的概率，p(x|y＝1)为在给定的x下，输出y＝1的概率。通过公式(3)计算高斯判别分析模型参数：

$\mathrm{\φ}=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}1\{y^{\left(i\right)}=1\}$

${\mathrm{\μ}}_0=\frac{{\mathrm{\Σ}}_{i=1}^{m}1\{y^{\left(i\right)}=0\}{x}^{\left(i\right)}}{{\mathrm{\Σ}}_{i=1}^{m}1\{y^{\left(i\right)}=0\}}$

${\mathrm{\μ}}_1=\frac{{\mathrm{\Σ}}_{i=1}^{m}1\{y^{\left(i\right)}=1\}{x}^{\left(i\right)}}{{\mathrm{\Σ}}_{i=1}^{m}1\{y^{\left(i\right)}=1\}}$

$\mathrm{\Σ}=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(x^{\left(i\right)}-{\mathrm{\μ}}_y\left(i\right)){(x^{\left(i\right)}-{\mathrm{\μ}}_y\left(i\right))}^T---\left(3\right)$

其中，φ是训练样本中结果y＝1占有的比例，μ₀是y＝0的样本中特征均值，μ₁是y＝1的样本中特征均值，Σ是样本特征方差均值。m为当前选取的样本，例如假设一共采集了20个第一类型样本和20个第二类型样本，则m＝40。y⁽ⁱ⁾＝1表示该样本为第一类型样本，y⁽ⁱ⁾＝0表示该样本为第二类型样本。

在本发明实施例中，通过计算上述的模型参数，即可获得所述高斯判别模型。

S102，获取待检测的PCB板的图片，并提取所述待检测的PCB板的图片的局部纹理特征。

在本发明实施例中，采用与上述提取样本的局部纹理特征的过程相同的方法，即可提取待检测的PCB板的图片的局部纹理特征。

S103，根据所述待检测的PCB板的图片的局部纹理特征及所述建立的高斯判别分析模型，确定所述待检测的PCB板的类型。

具体为：

首先，将所述待检测的PCB板的图片的局部纹理特征分别输入第一类型样本的概率密度分布公式和第二类型样本的分布密度公式，其中，所述概率密度分布由高斯判别分析模型及模型参数给出。

在本发明实施例中，将提取出的待检测PCB图像的局部纹理特征x输入公式(2)建立的高斯判别分析模型。

然后，计算所述待检测的PCB板的图片的局部纹理特征在第一类型样本的分布密度公式的概率p₀和在第二类型样本的分布密度公式的概率p₁，若p₀＜p₁，则所述待检测的PCB板为第一类型PCB板，否则为第二类型PCB板。

具体为，首先计算出：

p(x|y＝0)＝p₀

p(x|y＝1)＝p₁    (4)

然后比较计算获得的p₀和p₁的大小，如果p₀＜p₁，则认为待检测PCB板通过检测，即这个待检测PCB板没有出现漏插元件的情况(即为第一类型PCB板)；否则，则认为这个待检测PCB板有漏插元件(即为第二类型PCB板)，需要进一步复查或者修复等。

本发明实施例提供的PCB板检测方法，通过提取PCB板的局部纹理特征，并建立基于局部纹理特征的高斯判别分析模型，对第一类型样本和第二类型样本各自进行建模，充分利用了样本的已知信息，使得算法稳定，由于模型综合考虑了所有样本的已知信息，所以当给定样本出现极端情况时算法所受的影响很小。此外，本方法还具有对光照条件不敏感，对生产过程干扰小，不需要额外的生产数据等优点，解决了现有技术中通过人工识别PCB板的缺陷所带来的识别效率低、主观性强的问题。

请参阅图7，本发明实施例还提供一种PCB板检测装置100，所述PCB板检测装置100包括模型建立单元10、第一提取单元20及判别单元30，其中：

所述模型建立单元10，用于基于样本的局部纹理特征建立高斯判别分析模型，其中，所述样本包括第一类型样本和第二类型样本，所述第一类型样本为没有漏装元件的PCB板，所述第二类型样本为漏装了至少一个元件的PCB板。

请一并参阅图8，具体为，所述模型建立单元10包括采集单元11、第二提取单元12及建模单元13，其中：

所述采集单元11，用于采集若干第一类型样本及若干第二类型样本的图片。

在本发明实施例中，所述采集单元11可为摄像头，其用于采集若干个没有漏装元件的PCB板(第一类型样本)及若干个漏装了至少一个元件的PCB板(第二类型样本)的图片，以通过对图片进行处理，获取图片的局部纹理特征，从而进行后续的分析计算。其中，采集的图片的数目可根据实际的需要进行设置，如可为20，30或其他数量，本发明不做具体限定。

所述第二提取单元12，用于提取所述采集的样本图片的局部纹理特征。

请一并参阅图9，具体为：所述第二提取单元12包括：

扫描单元121，用于利用一3×3扫描窗口扫描采集的图片，其中，所述扫描窗口包含9个子窗口，每个子窗口在扫描时获得所述子窗口当前所在的图片上的点的像素灰度值。

请一并参阅图2，在本发明实施例中，所述扫描单元121可形成一3×3扫描窗口，所述3×3扫描窗口呈一正方形窗口状，并具有9个大小相同的子窗口，其中，较佳地，每个子窗口的大小为图片上的一个像素点的大小，当该扫描窗口扫描所述样本图片时，每个子窗口正好对应及覆盖样本图片上的一个像素点，并可获得这个像素点的像素灰度值。如图2所示，图2为所述扫描窗口扫描后得到的扫描结果，其中，每个子窗口中的数字代表这个子窗口扫描到的像素点的像素灰度值。

比较单元122，用于将位于非中心的八个子窗口的像素灰度值与位于中心的子窗口的像素灰度值进行比较，若位于非中心的子窗口的像素灰度值大于或等于位于中心的子窗口的像素灰度值，则该子窗口内的数值置为1，否则置为0。

请一并参阅图3，在所述扫描单元121扫描样本图片获得所述像素灰度值后，需对所述扫描窗口进行二进制化。具体为，所述比较单元122将位于非中心的八个子窗口的像素灰度值分别与位于中心的子窗口的像素灰度值进行比较，若位于非中心的子窗口的像素灰度值大于或等于位于中心的子窗口的像素灰度值，则所述比较单元122将该子窗口内的数值置为1，否则置为0。如图3所示，位于中心的子窗口的像素灰度值为5，若位于非中心的子窗口中的像素灰度值大于或等于5，则所述比较单元122将这个子窗口的数值置为1，若位于非中心的子窗口中的像素灰度值小于5，则所述比较单元122将这个子窗口的数值置为0。此外，在完成二进制化后，所述比较单元122还将位于中心的子窗口的数值置为空，即不放入任何数值。

特征计算单元123，用于利用公式计算本次扫描窗口提取的局部纹理特征，其中， $s\left(x\right)=\left\{\begin{array}{cc}1& \mathrm{if\; x}\≥0\\ 0& \mathrm{else}\end{array}\right.,$ x为非中心的子窗口中的数值，p为该子窗口的标记值，其中，位于左上角的子窗口的标记值为1，其余非中心子窗口的标记值按顺时针方向递增，每次递增1。

请一并参阅图4，具体为，所述特征计算单元123可通过公式计算得到所述局部纹理特征，其中feature为局部纹理特征， $s\left(x\right)=\left\{\begin{array}{cc}1& \mathrm{if\; x}\≥0\\ 0& \mathrm{else}\end{array}\right.,$ x为非中心的子窗口中的数值，p为该子窗口的标记值，其中，位于左上角的子窗口的标记值为1，其余非中心子窗口的标记值按顺时针方向递增，每次递增1(如图4所示，图4给出了各个窗口的标记值)。以图3和图4为例进行计算，则此时，局部纹理特征 $\mathrm{feature}=\underset{p=1}{\overset{8}{\mathrm{\Σ}}}{2}^{p-1}s\left(x\right)=1\×2^3+1\×2^6+1\×2^7=200.$

移动单元124，用于在所述图片上移动所述扫描窗口，获得所述图片的全部局部纹理特征。

所述建模单元13，用于利用所述提取的局部纹理特征建立高斯判别分析模型。

请一并参阅图10，具体为，所述建模单元13包括投影单元131及参数计算单元132，其中：

所述投影单元131，将提取的局部纹理特征投影到二维坐标中，得到关于第一类型样本和第二类型样本的特征分布图。

请一并参阅图6，所述投影单元131将上面提取的局部纹理特征投影到二维坐标中，得到图6所示的样本特征分布图。其中标记符号为×的表示第一类型样本，标记符号为○的表示第二类型样本。

所述参数计算单元132，用于根据所述第一类型样本和第二类型样本的特征分布图计算高斯判别模型的模型参数，获得高斯判别分析模型。

具体为，所述参数计算单元132假设输入的局部纹理特征x是连续随机变量，并服从正态分布，且分类输出变量y服从伯努利分布，其中y＝0表示第二类型样本，y＝1表示第一类型样本，则有如下公式：

y～Bernoulli(φ)

x|y＝0～N(μ₀,Σ)    (1)

x|y＝1～N(μ₁,Σ)

具体的概率密度分布如公式(2)所示：

p(y)＝φ^y(1-φ)^1-y

$p\left(x\right|y=0)=\frac{1}{{\left(2\mathrm{\π}\right)}^{n/2}{\left|\mathrm{\Σ}\right|}^{1/2}}\exp (-\frac{1}{2}{(x-{\mathrm{\μ}}_0)}^T{\mathrm{\Σ}}^{-1}(x-{\mathrm{\μ}}_0))$

$p\left(x\right|y=1)=\frac{1}{{\left(2\mathrm{\π}\right)}^{n/2}{\left|\mathrm{\Σ}\right|}^{1/2}}\exp (-\frac{1}{2}{(x-{\mathrm{\μ}}_1)}^T{\mathrm{\Σ}}^{-1}(x-{\mathrm{\μ}}_1))---\left(2\right)$

式中，p(y)为输出为y的概率，p(x|y＝0)为在给定的x下，输出y＝0的概率，p(x|y＝1)为在给定的x下，输出y＝1的概率。通过公式(3)计算高斯判别分析模型参数：

$\mathrm{\φ}=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}1\{y^{\left(i\right)}=1\}$

${\mathrm{\μ}}_0=\frac{{\mathrm{\Σ}}_{i=1}^{m}1\{y^{\left(i\right)}=0\}{x}^{\left(i\right)}}{{\mathrm{\Σ}}_{i=1}^{m}1\{y^{\left(i\right)}=0\}}$

${\mathrm{\μ}}_1=\frac{{\mathrm{\Σ}}_{i=1}^{m}1\{y^{\left(i\right)}=1\}{x}^{\left(i\right)}}{{\mathrm{\Σ}}_{i=1}^{m}1\{y^{\left(i\right)}=1\}}$

$\mathrm{\Σ}=\frac{1}{m}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(x^{\left(i\right)}-{\mathrm{\μ}}_y\left(i\right)){(x^{\left(i\right)}-{\mathrm{\μ}}_y\left(i\right))}^T---\left(3\right)$

其中，φ是训练样本中结果y＝1占有的比例，μ₀是y＝0的样本中特征均值，μ₁是y＝1的样本中特征均值，Σ是样本特征方差均值。m为当前选取的样本，例如假设一共采集了20个第一类型样本和20个第二类型样本，则m＝40。y⁽ⁱ⁾＝1表示该样本为第一类型样本，y⁽ⁱ⁾＝0表示该样本为第二类型样本。

所述第一提取单元20，用于提取待检测的PCB板的图片的局部纹理特征。

在本发明实施例中，所述第一提取单元20的工作原理与所述第二提取单元12类似，在此不再赘述。

所述判别单元30，用于根据所述待检测的PCB板的图片的局部纹理特征及所述建立的高斯判别分析模型，确定所述待检测的PCB板的类型。

请一并参阅图11，具体为，所述判别单元30包括特征输入单元31及判断单元32，其中，

所述特征输入单元31，用于将所述待检测的PCB板的图片的局部纹理特征分别输入第一类型样本的分布密度公式和第二类型样本的分布密度公式，其中，所述分布密度公式由高斯判别分析模型及模型参数给出。

所述判断单元32，用于计算所述待检测的PCB板的图片的局部纹理特征在第一类型样本的分布密度公式的概率p₀和在第二类型样本的分布密度公式的概率p₁，若p₀＜p₁，则所述待检测的PCB板为第一类型PCB板，否则为第二类型PCB板。

本发明实施例提供的PCB板检测装置，通过提取PCB板的局部纹理特征，并建立基于局部纹理特征的高斯判别分析模型，对第一类型样本和第二类型样本各自进行建模，充分利用了样本的已知信息，使得算法稳定，由于模型综合考虑了所有样本的已知信息，所以当给定样本出现极端情况时算法所受的影响很小。此外，本方法还具有对光照条件不敏感，对生产过程干扰小，不需要额外的生产数据等优点，解决了现有技术中通过人工识别PCB板的缺陷所带来的识别效率低、主观性强的问题。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

Claims (10)

1.一种PCB板检测方法，其特征在于，包括如下步骤：

基于样本的局部纹理特征建立高斯判别分析模型，其中，所述样本包括第一类型样本和第二类型样本，所述第一类型样本为没有漏装元件的PCB板，所述第二类型样本为漏装了至少一个元件的PCB板；

获取待检测的PCB板的图片，并提取所述待检测的PCB板的图片的局部纹理特征；及

根据所述待检测的PCB板的图片的局部纹理特征及所述建立的高斯判别分析模型，确定所述待检测的PCB板的类型。

2.根据权利要求1所述的PCB板检测方法，其特征在于，所述基于样本的局部纹理特征建立高斯判别分析模型，包括：

采集若干第一类型样本及若干第二类型样本的图片；

提取所述采集的样本图片的局部纹理特征；及

利用所述提取的局部纹理特征建立高斯判别分析模型。

3.根据权利要求2所述的PCB板检测方法，其特征在于，所述提取所述采集的样本图片的局部纹理特征，包括：

利用一3×3扫描窗口扫描采集的图片，其中，所述扫描窗口包含9个子窗口，每个子窗口在扫描时获得所述子窗口当前所在的图片上的点的像素灰度值；

将位于非中心的八个子窗口的像素灰度值与位于中心的子窗口的像素灰度值进行比较，若位于非中心的子窗口的像素灰度值大于或等于位于中心的子窗口的像素灰度值，则将该子窗口内的数值置为1，否则置为0；

利用公式获得本次扫描窗口提取的局部纹理特征，其中， $s\left(x\right)=\left\{\begin{array}{cc}1& \mathrm{if\; x}\≥0\\ 0& \mathrm{else}\end{array}\right.,$ x为非中心的子窗口中的数值，p为该子窗口的标记值，其中，位于左上角的子窗口的标记值为1，其余非中心子窗口的标记值按顺时针方向递增，每次递增1；及

在所述图片上移动所述扫描窗口，获得所述图片的全部局部纹理特征。

4.根据权利要求2所述的PCB板检测方法，其特征在于，所述利用提取的局部纹理特征建立高斯判别分析模型，具体包括：

将提取的局部纹理特征投影到二维坐标中，得到关于第一类型样本和第二类型样本的特征分布图；及

根据所述第一类型样本和第二类型样本的特征分布图计算高斯判别模型的模型参数，获得高斯判别分析模型。

5.根据权利要求1所述的PCB板检测方法，其特征在于，所述根据所述待检测的PCB板的图片的局部纹理特征及所述建立的高斯判别分析模型，确定所述待检测的PCB板的类型，包括：

将所述待检测的PCB板的图片的局部纹理特征分别输入第一类型样本的分布密度公式和第二类型样本的分布密度公式，其中，所述分布密度公式由高斯判别分析模型及模型参数给出；及

计算所述待检测的PCB板的图片的局部纹理特征在第一类型样本的分布密度公式的概率p₀和在第二类型样本的分布密度公式的概率p₁，若p₀＜p₁，则确定所述待检测的PCB板为第一类型PCB板，否则确定为第二类型PCB板。

6.一种PCB板检测装置，其特征在于，包括模型建立单元、第一提取单元及判别单元，其中：

所述模型建立单元，用于基于样本的局部纹理特征建立高斯判别分析模型，其中，所述样本包括第一类型样本和第二类型样本，所述第一类型样本为没有漏装元件的PCB板，所述第二类型样本为漏装了至少一个元件的PCB板；

所述第一提取单元，用于提取待检测的PCB板的图片的局部纹理特征；及

所述判别单元，用于根据所述待检测的PCB板的图片的局部纹理特征及所述建立的高斯判别分析模型，确定所述待检测的PCB板的类型。

7.根据权利要求6所述的PCB板检测装置，其特征在于，所述模型建立单元包括：

采集单元，用于采集若干第一类型样本及若干第二类型样本的图片；

第二提取单元，用于提取所述采集的样本图片的局部纹理特征；及

建模单元，用于利用所述提取的局部纹理特征建立高斯判别分析模型。

8.根据权利要求7所述的PCB板检测装置，其特征在于，所述第二提取单元包括：

扫描单元，用于利用一3×3扫描窗口扫描采集的图片，其中，所述扫描窗口包含9个子窗口，每个子窗口在扫描时获得所述子窗口当前所在的图片上的点的像素灰度值；

比较单元，用于将位于非中心的八个子窗口的像素灰度值与位于中心的子窗口的像素灰度值进行比较，若位于非中心的子窗口的像素灰度值大于或等于位于中心的子窗口的像素灰度值，则该子窗口内的数值置为1，否则置为0；

特征计算单元，用于利用公式计算本次扫描窗口提取的局部纹理特征，其中， $s\left(x\right)=\left\{\begin{array}{cc}1& \mathrm{if\; x}\≥0\\ 0& \mathrm{else}\end{array}\right.,$ x为非中心的子窗口中的数值，p为该子窗口的标记值，其中，位于左上角的子窗口的标记值为1，其余非中心子窗口的标记值按顺时针方向递增，每次递增1；及

移动单元，用于在所述图片上移动所述扫描窗口，获得所述图片的全部局部纹理特征。

9.根据权利要求7所述的PCB板检测装置，其特征在于，所述建模单元具体包括：

投影单元，用于将提取的局部纹理特征投影到二维坐标中，得到关于第一类型样本和第二类型样本的特征分布图；

参数计算单元，用于根据所述第一类型样本和第二类型样本的特征分布图计算高斯判别模型的模型参数，获得高斯判别分析模型。

10.根据权利要求6所述的PCB板检测装置，其特征在于，所述判别单元包括：

输入单元，用于将所述待检测的PCB板的图片的局部纹理特征分别输入第一类型样本的分布密度公式和第二类型样本的分布密度公式，其中，所述分布密度公式由高斯判别分析模型及模型参数给出；及

判断单元，用于计算所述待检测的PCB板的图片的局部纹理特征在第一类型样本的分布密度公式的概率p₀和在第二类型样本的分布密度公式的概率p₁，若p₀＜p₁，则确定所述待检测的PCB板为第一类型PCB板，否则确定为第二类型PCB板。