CN105957059B - 电子元件漏件检测方法和*** - Google Patents
电子元件漏件检测方法和*** Download PDFInfo
- Publication number
- CN105957059B CN105957059B CN201610251817.5A CN201610251817A CN105957059B CN 105957059 B CN105957059 B CN 105957059B CN 201610251817 A CN201610251817 A CN 201610251817A CN 105957059 B CN105957059 B CN 105957059B
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- electronic component
- edge image
- missing part
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种电子元件漏件检测方法和***,其中,所述方法包括如下步骤:对获取的电子元件的电路板的模板图像和测试图像分别进行边缘图像提取,得到第一边缘图像和第二边缘图像;对所述第一边缘图像和第二边缘图像分别进行分区,并对各个分区上的第一边缘图像和第二边缘图像进行特征提取,得到模板图像的第一特征参数和测试图像的第二特征参数;根据第一特征参数和第二特征参数计算所述模板图像与测试图像的相似度值;根据所述相似度值对电路板进行电子元件漏件检测。上述技术方案,通过有效地提高了电子元件漏件检测的准确率,保证了检测后的电路板的质量。
Description
技术领域
本发明涉及光学检测技术领域,特别是涉及一种电子元件漏件检测方法和***。
背景技术
光学检测是工业制作过程的必要环节,利用光学方式取得成品的表面状态,以影像处理来检测异物或表面瑕疵。电子元件的错、漏、反检测是电路板缺陷检测领域中的一种常见应用,机器通过摄像头自动扫描电路板获取图像,提取每个电子元件的局部图像,来判断电子元件是否存在错、漏、反缺陷,最后将疑似缺陷的元件显示或标记出来,方便查看与检修。
电子元件的漏件检测是指判断电子元件是否插在指定的位置上,如果没有插在指定的位置上,则判为漏件;如果插在指定的位置上,则判为正常。
在传统的自动光学检测***中,电子元件的漏件检测主要是通过以下两种方法来实现:
方法一、颜色对比法,即通过对比对应位置的像素颜色值的差别来对电路板进行电子元件漏件检测;方法二、深度学习模型判别法,即通过准备大量的电子元件的样本(包括正样本:电子元件存在;负样本:电子元件不存在)对深度学习模型进行训练来对电子元件的漏件进行检测,但是,现有的技术方案仍然存在如下的问题:
针对方法一,传统的颜色对比法,比较容易受到光照变化的影响,使电子元件的颜色信息发生变化,从而产生误判;针对方法二,深度学习模型判别法,需要大量的训练样本,一般情况下,无法获得覆盖所有电子元件的训练样本,而只基于部分样本训练的深度学习的漏件检测模型,也容易发生误判。
综上所述,现有的电子元件漏检方法的误判率较高,无法保证检测后的电路板的质量。
发明内容
基于此,有必要针对现有的电子元件漏检方法的误判率较高的技术问题,提供一种电子元件漏件检测方法。
一种电子元件漏件检测方法,包括如下步骤:
对获取的电子元件的电路板的模板图像和测试图像分别进行边缘图像提取,得到第一边缘图像和第二边缘图像;
对所述第一边缘图像和第二边缘图像分别进行分区,并对各个分区上的第一边缘图像和第二边缘图像进行特征提取,得到模板图像的第一特征参数和测试图像的第二特征参数;
根据第一特征参数和第二特征参数计算所述模板图像与测试图像的相似度值;
根据所述相似度值对电路板进行电子元件漏件检测。
上述电子元件漏件检测方法,通过对获取的电子元件的电路板的模板图像和测试图像分别进行边缘图像提取,获取所述模板图像和测试图像的边缘图像信息;通过对第一边缘图像和第二边缘图像分别进行分区,并对第一边缘图像和第二边缘图像的各个分区进行特征提取,获取第一边缘图像和第二边缘图像包含的全局结构特征信息;再根据第一特征参数和第二特征参数计算得到的相似度值对电路板进行电子元件漏件检测。通过上述技术方案,有效地提高了电路板电子元件漏件检测的准确率,保证了检测后的电路板的质量。
一种电子元件漏件检测***,包括:
边缘提取模块,用于对获取的电子元件的电路板的模板图像和测试图像分别进行边缘图像提取,得到第一边缘图像和第二边缘图像;
特征提取模块,用于对所述第一边缘图像和第二边缘图像分别进行分区,并对第一边缘图像和第二边缘图像的各个分区进行特征提取,得到模板图像的第一特征参数和测试图像的第二特征参数;
相似度计算模块,用于根据第一特征参数和第二特征参数计算所述模板图像与测试图像的相似度值;
检测模块,用于根据所述相似度值对电路板进行电子元件漏件检测。
上述电子元件漏件检测***,通过边缘提取模块对获取的电子元件的电路板的模板图像和测试图像分别进行边缘图像提取,获取所述模板图像和测试图像的边缘信息;通过特征提取模块对所述第一边缘图像和第二边缘图像分别进行分区,并对第一边缘图像和第二边缘图像的各个分区进行特征提取,得到所述模板图像的第一特征参数和测试图像的第二特征参数;再利用相似度计算模块根据第一特征参数和第二特征参数计算得到的相似度值,利用检测模块对电路板进行电子元件漏件检测。通过上述技术方案,有效地提高了电路板电子元件漏件检测的准确率,保证了检测后的电路板的质量。
附图说明
图1为本发明的一个实施例的电子元件漏件检测方法流程图;
图2为本发明的一个实施例的电子元件漏件检测***的结构示意图;
图3为本发明的另一个实施例的电子元件漏件检测***的特征提取模块的结构示意图。
具体实施方式
为了更进一步阐述本发明所采取的技术手段及取得的效果,下面结合附图及较佳实施例,对本发明的技术方案,进行清楚和完整的描述。
如图1所示,图1为本发明的一个实施例的电子元件漏件检测方法流程图,包括如下步骤:
步骤S101:对获取的电子元件的电路板的模板图像和测试图像分别进行边缘图像提取,得到第一边缘图像和第二边缘图像;
在本步骤中,通过对获取的电子元件的电路板的模板图像和测试图像分别进行边缘图像提取,获取所述模板图像和测试图像的边缘细节信息,确保后续步骤的检测结果更准确。
步骤S102:对所述第一边缘图像和第二边缘图像分别进行分区,并对第一边缘图像和第二边缘图像的各个分区进行特征提取,得到模板图像的第一特征参数和测试图像的第二特征参数;
在本步骤中,通过对所述第一边缘图像和第二边缘图像分别进行分区,并对第一边缘图像和第二边缘图像的各个分区进行特征提取,得到模板图像的第一特征参数和测试图像的第二特征参数,用于后续步骤的计算模板图像和测试图像的相似度值。
步骤S103:根据第一特征参数和第二特征参数计算模板图像与测试图像的相似度值;
在本步骤中,根据包含模板图像特征信息的第一特征参数和包含测试图像的第二特征参数计算两者的相似度值,用于后续步骤的根据所述相似度值对待测电路板进行电子元件漏件检测。
步骤S104:根据所述相似度值对电路板进行电子元件漏件检测。
上述电子元件漏件检测方法,通过对获取的电子元件的电路板的模板图像和测试图像分别进行边缘图像提取,获取所述模板图像和测试图像的边缘图像信息;通过对第一边缘图像和第二边缘图像分别进行分区,并对第一边缘图像和第二边缘图像的各个分区进行特征提取,得到所述模板图像的第一特征参数和测试图像的第二特征参数;再根据第一特征参数和第二特征参数计算得到的相似度值对电路板进行电子元件漏件检测。通过上述技术方案,有效地提高了电路板电子元件漏件检测的准确率,保证了检测后的电路板的质量。
在实际的电子元件漏件检测的一种重要信息就是电子元件本身的边缘信息,不同电子元件的边缘结构也是不一样的,漏插电子元件之后的电路板的图片的边缘信息和插了电子元件的电路板的图像的边缘信息也是不一样的。因此,可以根据获取的待测电路板的模板图像和测试图像的边缘信息来对待测电路板进行电子元件漏件检测。
在其中一个实施例中,本发明的电子元件漏件检测方法,所述对获取的电子元件的电路板的模板图像和测试图像分别进行边缘图像提取,得到第一边缘图像和第二边缘图像的步骤S101包括:
从三个方向上分别对所述模板图像和测试图像进行边缘图像提取,得到三个方向上的模板图像的第一边缘图像和测试图像的第二边缘图像;其中,所述三个方向分别为所述模板图像和测试图像的水平方向、垂直方向和对角线方向。
在上述实施例中,通过对上述模板图像和测试图像的水平方向、垂直方向和对角线方向分别进行边缘提取,得到上述模板图像和测试图像的三个方向上的第一边缘图像和第二边缘图像。通过上述技术方案,确保获得的边缘图像包含更多的边缘细节信息,也确保了后续步骤的对得到的边缘图像进行特征提取的有效性。
在其中一个实施例中,本发明的电子元件漏件检测方法,所述从三个方向上分别对所述模板图像和测试图像进行边缘图像提取,得到三个方向上的模板图像的第一边缘图像和测试图像的第二边缘图像的步骤可以包括:
式中,GH表示模板图像或测试图像的水平方向边缘图像,GV表示模板图像或测试图像的垂直方向边缘图像,GD表示模板图像或测试图像的对角线方向边缘图像,SH表示水平方向卷积核,SV表示垂直方向卷积核,SD表示对角线方向卷积核,I表示原始模板图像或测试图像。
通过上述处理,所述模板图像和测试图像分别获得了三个方向的边缘图像,从原来的一张原始图像变成了三张三个方向上的边缘图像。以插座为例,首先获取插座的原始模板图像和测试图像,分别对插座的原始模板图像和测试图像进行三个方向上的边缘提取,最终得到模板图像的水平方向边缘图像、垂直方向边缘图像和对角线方向边缘图像以及测试图像的水平方向边缘图像、垂直方向边缘图像和对角线方向边缘图像。
在其中一个实施例中,本发明的电子元件漏件检测方法,所述对所述第一边缘图像和第二边缘图像分别进行分区,并对第一边缘图像和第二边缘图像的各个分区进行特征提取,得到模板图像的第一特征参数和测试图像的第二特征参数的步骤S102包括:
步骤S1021:将三个方向上的模板图像的第一边缘图像和测试图像的第二边缘图像分别划分成若干个分区;
在其中一个实施例中,本发明的电子元件漏件检测方法,所述将三个方向上的模板图像的第一边缘图像和测试图像的第二边缘图像分别划分成若干个分区的步骤S1021还可以包括:
将三个方向上的模板图像的第一边缘图像和测试图像的第二边缘图像分别划分成四个不相重叠且大小相同的分区。
在本实施例中,将得到的第一边缘图像和第二边缘图像分别划分为四个不相重叠且大小相同的分区,有效地保留了原始模板图像和测试图像的全局结构特征,有利于后续步骤的计算两者的相似度值的准确度,也进一步保证了电子元件漏件检测的准确率。在实际应用中,也可以将获取的边缘图像划分为大小不等或者相互重叠的分区,具体的分区方法可以根据实际的检测精度要求以及其他实际需求进行调整。
步骤S1022:利用局部二值模式方法计算各个分区的局部二值特征值,分别将第一边缘图像和第二边缘图像的各个分区的局部二值特征值以向量的方式进行组合,得到模板图像的第一特征参数和测试图像的第二特征参数。
上述实施例中所述的局部二值模式(Local Binary Patterns,LBP)是一种描述图像局部空间结构的非参数算子,它不仅能够准确描述点、线、边缘等细节纹理信息,而且还具有平移不变性、旋转不变性的优点;但是因为局部二值模式特征是利用直方图进行表示的,而直方图是一种分辨能力较弱的特征表示方法,因为它是一种一阶统计特征,忽略了图像的全局结构特征,如果对整张图像只生成一个直方图,必然会丢失重要的结构差异信息,因此,本发明的电子元件漏件检测方法通过在步骤S1021中将步骤S101获得的3张带方向的边缘图像,各自地划分为若干个分区,在本实施例中,将各个边缘图像分别划分为四个大小相同且不相重叠的分区。
在实际应用中,需要对得到的模板图像的水平方向边缘图像、垂直方向边缘图像和对角线方向边缘图像以及测试图像的水平方向边缘图像、垂直方向边缘图像和对角线方向边缘图像分别进行分区。作为一种实施方式,可以将每一方向上的边缘图像均分为四个分区,这样,模板图像的三个方向上的第一边缘图像就被分为12个分区。同样地,测试图像的三个方向上的第二边缘图像也被分为12个分区。
完成上述分区之后,在步骤S1022中利用局部二值模式方法分别计算第一边缘图像的12个分区的局部二值特征值和第二边缘图像的12个分区的局部二值特征值,再将第一边缘图像的12个分区的局部二值特征值和第二边缘图像的12个分区的局部二值特征值分别以向量的方式组合起来,得到模板图像的第一特征参数和测试图像的第二特征参数。也就是说,第一特征参数是由第一边缘图像的12个局部二值特征值组成的复合向量,第二特征参数是由第二边缘图像的12个局部二值特征值组成的复合向量。
在其中一个实施例中,本发明的电子元件漏件检测方法,所述根据第一特征参数和第二特征参数计算所述模板图像与测试图像的相似度值的步骤包括:
根据所述第一特征参数和第二特征参数,并按照直方图相交的方式计算所述模板图像与测试图像的相似度值。
在其中一个实施例中,本发明的电子元件漏件检测方法,所述根据所述第一特征参数和第二特征参数,并按照直方图相交的方式计算所述模板图像与测试图像的相似度值的步骤包括:
式中,D(H1,H2)表示模板图像和测试图像的相似度值,H1和H2分别表示第一特征参数的特征直方图和第二特征参数的特征直方图,B表示直方图的区间长度。
在其中一个实施例中,本发明的电子元件漏件检测方法,所述根据所述相似度值对电路板进行电子元件漏件检测的步骤包括:
将所述相似度值与预设阈值进行比较,根据所述相似度值与预设阈值的大小关系,判断电路板的电子元件是否漏件。
在其中一个实施例中,本发明的电子元件漏件检测方法,所述根据所述相似度值与预设阈值的大小关系,判断电路板上的电子元件是否漏件的步骤包括:
若所述相似度值不小于设定阈值,则判定电路板的电子元件漏件;
若所述相似度值小于设定阈值,则判定电路板的电子元件正常。
在上述实施例中,根据计算的模板图像和测试图像之间的相似度值来对待测电路板进行电子元件漏件检测,具体地,两者之间的相似度值越小,表示二者之间越相似;在实际应用时,我们也可以通过定义R=1-D;其中,D为根据上述方法获得的二者的相似度值,将其转换为相似度值R越大越相似。即,重新定义后的判断方法如下式所示:
式中,R表示模板图像和测试图像之间的相似度值,T表示预设阈值。
上述电子元件漏件检测方法,通过对获取的电子元件的电路板的模板图像和测试图像分别进行三个方向的边缘图像提取,使得得到的边缘图像包含更多的细节信息;通过对第一边缘图像和第二边缘图像分别进行分区,并对第一边缘图像和第二边缘图像的各个分区进行特征提取,得到所述模板图像的第一特征参数和测试图像的第二特征参数;再根据第一特征参数和第二特征参数计算得到的相似度值对电路板进行电子元件漏件检测。通过上述技术方案,有效地提高了电路板电子元件漏件检测的准确率,保证了检测后的电路板的质量。
如图2所示,图2为本发明的一个实施例的电子元件漏件检测***的结构示意图,包括:
边缘提取模块101,用于对获取的电子元件的电路板的模板图像和测试图像分别进行边缘图像提取,得到第一边缘图像和第二边缘图像;
上述边缘提取模块101通过对获取的电子元件的电路板的模板图像和测试图像分别进行边缘图像提取,获取所述模板图像和测试图像的边缘细节信息,确保后续步骤的检测结果更准确。
特征提取模块102,用于对所述第一边缘图像和第二边缘图像分别进行分区,并对第一边缘图像和第二边缘图像的各个分区进行特征提取,得到模板图像的第一特征参数和测试图像的第二特征参数;
上述特征提取模块102通过对所述第一边缘图像和第二边缘图像分别进行分区,并对第一边缘图像和第二边缘图像的各个分区进行特征提取,得到模板图像的第一特征参数和测试图像的第二特征参数,用于后续步骤的计算模板图像和测试图像的相似度值。
相似度计算模块103,用于根据第一特征参数和第二特征参数计算所述模板图像与测试图像的相似度值;
在本步骤中,根据包含模板图像特征信息的第一特征参数和包含测试图像的第二特征参数计算两者的相似度值,用于后续步骤的根据所述相似度值对待测电路板进行电子元件漏件检测。
检测模块104,用于根据所述相似度值对电路板进行电子元件漏件检测。
上述电子元件漏件检测***,通过边缘提取模块101对获取的电子元件的电路板的模板图像和测试图像分别进行边缘图像提取,获取所述模板图像和测试图像的边缘信息;通过特征提取模块102对所述第一边缘图像和第二边缘图像分别进行分区,并对第一边缘图像和第二边缘图像的各个分区进行特征提取,得到所述模板图像的第一特征参数和测试图像的第二特征参数;再利用相似度计算模块103根据第一特征参数和第二特征参数计算得到的相似度值,利用检测模块104对电路板进行电子元件漏件检测。通过上述技术方案,有效地提高了电路板电子元件漏件检测的准确率,保证了检测后的电路板的质量。
在其中一个实施例中,本发明的电子元件漏件检测***,所述边缘提取模块101还可以用于:
从三个方向上分别对所述模板图像和测试图像进行边缘图像提取,得到三个方向上的模板图像的第一边缘图像和测试图像的第二边缘图像;其中,所述三个方向分别为所述模板图像和测试图像的水平方向、垂直方向和对角线方向。
在上述实施例中,通过对上述模板图像和测试图像的水平方向、垂直方向和对角线方向分别进行边缘提取,得到上述模板图像和测试图像的三个方向上的第一边缘图像和第二边缘图像。通过上述技术方案,确保获得的边缘图像包含更多的边缘细节信息,也确保了后续步骤的对得到的边缘图像进行特征提取的有效性。
在其中一个实施例中,本发明的电子元件漏件检测***,所述边缘提取模块101还可以用于,通过前面所述的式(1)~(3)分别从水平方向、垂直方向和对角线方向对模板图像和测试图像进行边缘提取。通过上述处理,所述模板图像和测试图像分别获得了三个方向的边缘图像,从原来的一张原始图像变成了三个方向上的边缘图像。
如图3所示,图3为本发明的另一个实施例的电子元件漏件检测***的特征提取模块的结构示意图,包括:
分区模块1021,用于将三个方向上的模板图像的第一边缘图像和测试图像的第二边缘图像分别划分成若干个分区。
在其中一个实施例中,本发明的电子元件漏件检测***,所述分区模块1021还可以用于:
将三个方向上的模板图像的第一边缘图像和测试图像的第二边缘图像分别划分成四个不相重叠且大小相同的分区。
在本实施例中,将得到的第一边缘图像和第二边缘图像分别划分为四个不相重叠且大小相同的分区,有效地保留了原模板图像和测试图像的全局结构特征,有利于后续步骤的计算两者的相似度值的准确度,也进一步保证了电子元件漏件检测的准确率。在实际应用中,也可以将获取的边缘图像划分为大小不等或者相互重叠的分区,具体的分区方法可以根据实际的检测精度要求以及其他实际需求进行调整。
特征参数计算模块1022,用于利用局部二值模式方法计算各个分区的局部二值特征值,分别将第一边缘图像和第二边缘图像的各个分区的局部二值特征值以向量的方式进行组合,得到模板图像的第一特征参数和测试图像的第二特征参数。
上述实施例中所述的局部二值模式(Local Binary Patterns,LBP)是一种描述图像局部空间结构的非参数算子,它不仅能够准确描述点、线、边缘等细节纹理信息,而且还具有平移不变性、旋转不变性的优点;但是因为局部二值模式特征是利用直方图进行表示的,而直方图是一种分辨能力较弱的特征表示方法,因为它是一种一阶统计特征,忽略了图像的全局结构特征,如果对整张图像只生成一个直方图,必然会丢失重要的结构差异信息,因此,本发明的电子元件漏件检测方法通过分区模块1021将边缘提取模块101获得的3个方向上的边缘图像,各自地划分为若干个分区,在本实施例中,将各个边缘图像分别划分为四个大小相同且不相重叠的分区。
在实际应用中,需要对得到的模板图像的水平方向边缘图像、垂直方向边缘图像和对角线方向边缘图像以及测试图像的水平方向边缘图像、垂直方向边缘图像和对角线方向边缘图像分别进行分区。作为一种实施方式,可以将每一方向上的边缘图像均分为四个分区,这样,模板图像的三个方向上的第一边缘图像就被分为12个分区。同样地,测试图像的三个方向上的第二边缘图像也被分为12个分区。
分区模块1021在完成上述分区之后,特征参数计算模块1022利用局部二值模式方法分别计算第一边缘图像的12个分区的局部二值特征值和第二边缘图像的12个分区的局部二值特征值,再将第一边缘图像的12个分区的局部二值特征值和第二边缘图像的12个分区的局部二值特征值分别以向量的方式组合起来,得到模板图像的第一特征参数和测试图像的第二特征参数。也就是说,第一特征参数是由第一边缘图像的12个局部二值特征值组成的复合向量,第二特征参数是由第二边缘图像的12个局部二值特征值组成的复合向量。
在其中一个实施例中,本发明的电子元件漏件检测***,所述相似度计算模块103用于:
根据所述第一特征参数和第二特征参数,并按照直方图相交的方式计算所述模板图像与测试图像的相似度值。
在其中一个实施例中,本发明的电子元件漏件检测***,所述相似度计算模块103还可以用于:
式中,D(H1,H2)表示模板图像和测试图像的相似度值,H1和H2分别表示第一特征参数的特征直方图和第二特征参数的特征直方图,B表示直方图的区间长度。
在其中一个实施例中,本发明的电子元件漏件检测***,所述特征提取模块102还用于:
将所述模板图像和测试图像的三个方向上的第一边缘图像和第二边缘图像分别划分成四个不相重叠且大小相同的分区。
在其中一个实施例中,本发明的电子元件漏件检测***,所述检测模块104还可以用于:
将所述相似度值与预设阈值进行比较,根据所述相似度值与预设阈值的大小关系,判断电路板的电子元件是否漏件。
在其中一个实施例中,本发明的电子元件漏件检测***,所述检测模块104还可以用于:
若所述相似度值不小于设定阈值,则判定电路板的电子元件漏件;
若所述相似度值小于设定阈值,则判定电路板的电子元件正常。
在上述实施例中,根据计算的模板图像和测试图像之间的相似度值来对待测电路板进行电子元件漏件检测,具体地,两者之间的相似度值越小,表示二者之间越相似;在实际应用时,我们也可以通过定义R=1-D;其中,D为根据上述方法获得的二者的相似度值,将其转换为相似度值R越大越相似。即,重新定义后的判断方法如下式所示:
式中,R表示模板图像和测试图像之间的相似度值,T表示预设阈值。
上述电子元件漏件检测方法和***,通过对获取的电子元件的电路板的模板图像和测试图像分别进行三个方向的边缘图像提取,使得得到的边缘图像包含更多的细节信息;通过对所述第一边缘图像和第二边缘图像分别进行分区,并对第一边缘图像和第二边缘图像的各个分区进行局部二值模式的特征提取,使得得到的特征参数包含更多的全局结构特征信息;再根据第一特征参数和第二特征参数计算所述模板图像与测试图像的相似度值,并根据所述相似度值对电路板进行电子元件漏件检测。通过上述技术方案,有效地提高了电子元件漏件检测的准确率,保证了检测后的电路板的质量。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种电子元件漏件检测方法,其特征在于,包括如下步骤:
从三个方向上分别对获取的电子元件的电路板的模板图像和测试图像分别进行边缘图像提取,得到三个方向上的模板图像的第一边缘图像和测试图像的第二边缘图像;
对所述第一边缘图像和第二边缘图像分别进行分区,并对所述第一边缘图像和第二边缘图像的各个分区进行特征提取,得到所述模板图像的第一特征参数和所述测试图像的第二特征参数;
根据所述第一特征参数和第二特征参数计算所述模板图像与测试图像的相似度值;
根据所述相似度值对所述电路板进行电子元件漏件检测;
所述对所述第一边缘图像和第二边缘图像分别进行分区,并对各个分区上的第一边缘图像和第二边缘图像进行特征提取,得到模板图像的第一特征参数和测试图像的第二特征参数的步骤包括:
将三个方向上的模板图像的第一边缘图像和测试图像的第二边缘图像分别划分成若干个分区;
利用局部二值模式方法计算各个分区的局部二值特征值,分别将第一边缘图像和第二边缘图像的各个分区的局部二值特征值以向量的方式进行组合,得到模板图像的第一特征参数和测试图像的第二特征参数。
2.根据权利要求1所述的电子元件漏件检测方法,其特征在于,所述三个方向分别为所述模板图像和测试图像的水平方向、垂直方向和对角线方向。
3.根据权利要求2所述的电子元件漏件检测方法,其特征在于,所述从三个方向上分别对所述模板图像和测试图像进行边缘图像提取,得到三个方向上的模板图像的第一边缘图像和测试图像的第二边缘
图像的步骤包括:
式中,GH表示模板图像或测试图像的水平方向边缘图像,GV表示模板图像或测试图像的垂直方向边缘图像,GD表示模板图像或测试图像的对角线方向边缘图像,SH表示水平方向卷积核,SV表示垂直方向卷积核,SD表示对角线方向卷积核,I表示原始模板图像或测试图像。
4.根据权利要求3所述的电子元件漏件检测方法,其特征在于,所述根据第一特征参数和第二特征参数计算所述模板图像与测试图像的相似度值的步骤包括:
根据所述第一特征参数和第二特征参数,并按照直方图相交的方式计算所述模板图像与测试图像的相似度值。
5.根据权利要求4所述的电子元件漏件检测方法,其特征在于,所述根据所述第一特征参数和第二特征参数,并按照直方图相交的方式计算所述模板图像与测试图像的相似度值的步骤包括:
式中,D(H1,H2)表示模板图像和测试图像的相似度值,H1和H2分别表示第一特征参数的特征直方图和第二特征参数的特征直方图,B表示特征直方图的区间长度。
6.根据权利要求1所述的电子元件漏件检测方法,其特征在于,所述将三个方向上的模板图像的第一边缘图像和测试图像的第二边缘图像分别划分成若干个分区的步骤包括:
将三个方向上的模板图像的第一边缘图像和测试图像的第二边缘图像分别划分成四个不相重叠且大小相同的分区。
7.根据权利要求1所述的电子元件漏件检测方法,其特征在于,所述根据所述相似度值对电路板进行电子元件漏件检测的步骤包括:
将所述相似度值与预设阈值进行比较,根据所述相似度值与预设阈值的大小关系,判断电路板的电子元件是否漏件。
8.根据权利要求7所述的电子元件漏件检测方法,其特征在于,所述根据所述相似度值与预设阈值的大小关系,判断电路板上的电子元件是否漏件的步骤包括:
若所述相似度值不小于设定阈值,则判定电路板的电子元件漏件;
若所述相似度值小于设定阈值,则判定电路板的电子元件正常。
9.一种电子元件漏件检测***,其特征在于,包括:
边缘提取模块,用于从三个方向上分别对获取的电子元件的电路板的模板图像和测试图像分别进行边缘图像提取,得到三个方向上的模板图像的第一边缘图像和测试图像的第二边缘图像;
特征提取模块,用于对所述第一边缘图像和第二边缘图像分别进行分区,并对所述第一边缘图像和第二边缘图像的各个分区进行特征提取,得到所述模板图像的第一特征参数和所述测试图像的第二特征参数;
相似度计算模块,用于根据所述第一特征参数和第二特征参数计算所述模板图像与测试图像的相似度值;
检测模块,用于根据所述相似度值对所述电路板进行电子元件漏件检测;
所述特征提取模块包括:
分区模块,用于将三个方向上的模板图像的第一边缘图像和测试图像的第二边缘图像分别划分成若干个分区;
特征参数计算模块,利用局部二值模式方法计算各个分区的局部二值特征值,分别将第一边缘图像和第二边缘图像的各个分区的局部二值特征值以向量的方式进行组合,得到模板图像的第一特征参数和测试图像的第二特征参数。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610251817.5A CN105957059B (zh) | 2016-04-20 | 2016-04-20 | 电子元件漏件检测方法和*** |
PCT/CN2016/112888 WO2017181724A1 (zh) | 2016-04-20 | 2016-12-29 | 电子元件漏件检测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610251817.5A CN105957059B (zh) | 2016-04-20 | 2016-04-20 | 电子元件漏件检测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105957059A CN105957059A (zh) | 2016-09-21 |
CN105957059B true CN105957059B (zh) | 2019-03-01 |
Family
ID=56917867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610251817.5A Active CN105957059B (zh) | 2016-04-20 | 2016-04-20 | 电子元件漏件检测方法和*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN105957059B (zh) |
WO (1) | WO2017181724A1 (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105957059B (zh) * | 2016-04-20 | 2019-03-01 | 广州视源电子科技股份有限公司 | 电子元件漏件检测方法和*** |
CN106504231A (zh) * | 2016-10-11 | 2017-03-15 | 广州视源电子科技股份有限公司 | 元件缺陷检测方法和*** |
CN106530275B (zh) * | 2016-10-11 | 2019-06-11 | 广州视源电子科技股份有限公司 | 元件错件检测方法和*** |
CN106525876A (zh) * | 2016-12-30 | 2017-03-22 | 杭州耕德电子有限公司 | 模切件自动漏件检测***及方法 |
CN107093174B (zh) * | 2017-04-05 | 2018-03-27 | 湖北工业大学 | 一种pcb设计缺陷检测方法 |
CN107292901B (zh) * | 2017-07-24 | 2020-06-02 | 北京小米移动软件有限公司 | 边缘检测方法及装置 |
CN110111293B (zh) * | 2018-01-29 | 2021-05-11 | 国科赛思(北京)科技有限公司 | 塑封器件的失效识别方法及装置 |
CN108489996B (zh) * | 2018-02-11 | 2020-09-29 | 深圳市朗驰欣创科技股份有限公司 | 一种绝缘子的缺陷检测方法、***及终端设备 |
CN109858618B (zh) * | 2019-03-07 | 2020-04-14 | 电子科技大学 | 一种卷积神经单元块、构成的神经网络及图像分类方法 |
CN113808067A (zh) * | 2020-06-11 | 2021-12-17 | 广东美的白色家电技术创新中心有限公司 | 电路板检测方法、视觉检测设备及具有存储功能的装置 |
CN113298793B (zh) * | 2021-06-03 | 2023-11-24 | 中国电子科技集团公司第十四研究所 | 一种基于多视角模板匹配的电路板表面缺陷检测的方法 |
CN115331085B (zh) * | 2022-08-15 | 2023-05-12 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的转向架弹簧托板检测方法 |
CN116152251B (zh) * | 2023-04-20 | 2023-07-14 | 成都数之联科技股份有限公司 | 电视机背板检测方法、模型训练方法、装置、设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289825A (zh) * | 2011-07-08 | 2011-12-21 | 暨南大学 | 一种实时图像边缘检测电路及其实现方法 |
CN104794472A (zh) * | 2014-01-20 | 2015-07-22 | 富士通株式会社 | 用于提取手势边缘图像的方法和装置以及手势提取方法 |
CN104809732A (zh) * | 2015-05-07 | 2015-07-29 | 山东鲁能智能技术有限公司 | 一种基于图像比对的电力设备外观异常检测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6163620A (en) * | 1998-05-29 | 2000-12-19 | Eastman Kodak Company | Automatic process for detecting changes between two images |
CN103544495A (zh) * | 2012-07-12 | 2014-01-29 | 浙江大华技术股份有限公司 | 一种识别图像类别的方法及*** |
CN102937595B (zh) * | 2012-11-13 | 2015-05-20 | 浙江省电力公司电力科学研究院 | 一种pcb板检测方法、装置及*** |
CN103473537B (zh) * | 2013-09-17 | 2017-03-29 | 湖北工程学院 | 一种目标图像轮廓特征表示方法及装置 |
CN105957059B (zh) * | 2016-04-20 | 2019-03-01 | 广州视源电子科技股份有限公司 | 电子元件漏件检测方法和*** |
-
2016
- 2016-04-20 CN CN201610251817.5A patent/CN105957059B/zh active Active
- 2016-12-29 WO PCT/CN2016/112888 patent/WO2017181724A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289825A (zh) * | 2011-07-08 | 2011-12-21 | 暨南大学 | 一种实时图像边缘检测电路及其实现方法 |
CN104794472A (zh) * | 2014-01-20 | 2015-07-22 | 富士通株式会社 | 用于提取手势边缘图像的方法和装置以及手势提取方法 |
CN104809732A (zh) * | 2015-05-07 | 2015-07-29 | 山东鲁能智能技术有限公司 | 一种基于图像比对的电力设备外观异常检测方法 |
Non-Patent Citations (1)
Title |
---|
智能图像检索关键技术研究;毛金莲;《北京理工大学出版社》;20150630;参见第2.2,2.2.2节 |
Also Published As
Publication number | Publication date |
---|---|
WO2017181724A1 (zh) | 2017-10-26 |
CN105957059A (zh) | 2016-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105957059B (zh) | 电子元件漏件检测方法和*** | |
CN111028213B (zh) | 图像缺陷检测方法、装置、电子设备及存储介质 | |
CN105913093B (zh) | 一种用于文字识别处理的模板匹配方法 | |
CN103035013B (zh) | 一种基于多特征融合的精确运动阴影检测方法 | |
CN113688807B (zh) | 一种自适应缺陷检测方法、装置、识别***及存储介质 | |
CN110119680B (zh) | 一种基于图像识别的电气柜接线自动查错*** | |
CN108520514B (zh) | 基于计算机视觉的印刷电路板电子元器一致性检测方法 | |
CN106529559A (zh) | 一种指针式圆形多仪表盘实时读数识别方法 | |
CN105405142A (zh) | 一种玻璃面板的边缺陷检测方法及*** | |
CN103345755A (zh) | 一种基于Harris算子的棋盘格角点亚像素提取方法 | |
CN104992496A (zh) | 一种纸币面向识别方法及装置 | |
CN103268481A (zh) | 一种复杂背景图像中的文本提取方法 | |
CN103942777A (zh) | 一种基于主成分分析的手机玻璃盖板缺陷检测方法 | |
CN107067000B (zh) | 一种纸币污损程度的识别方法及装置 | |
CN108510491A (zh) | 虚化背景下人体骨骼关键点检测结果的过滤方法 | |
CN106790898B (zh) | 一种基于显著性分析的手机屏幕坏点自动检测方法和*** | |
CN114627080B (zh) | 基于计算机视觉的车辆冲压配件缺陷检测方法 | |
CN104123554A (zh) | 基于mmtd的sift图像特征提取方法 | |
CN106485710A (zh) | 一种元件错件检测方法和装置 | |
Kagarlitsky et al. | Piecewise-consistent color mappings of images acquired under various conditions | |
CN105354816B (zh) | 一种电子元件定位方法及装置 | |
CN110516527B (zh) | 一种基于实例分割的视觉slam回环检测改进方法 | |
CN105509657A (zh) | 一种ic卡芯片划痕面积及灰度参量的高精度测量方法 | |
CN105389818B (zh) | 元件的定位方法和*** | |
CN112418226A (zh) | 一种鱼眼分合闸状态识别的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |