CN111709937A - 一种基于机器视觉的电路板pin针检测的方法 - Google Patents
一种基于机器视觉的电路板pin针检测的方法 Download PDFInfo
- Publication number
- CN111709937A CN111709937A CN202010560194.6A CN202010560194A CN111709937A CN 111709937 A CN111709937 A CN 111709937A CN 202010560194 A CN202010560194 A CN 202010560194A CN 111709937 A CN111709937 A CN 111709937A
- Authority
- CN
- China
- Prior art keywords
- image
- area
- pin
- row
- column
- 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
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 10
- 241001292396 Cirrhitidae Species 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 235000002566 Capsicum Nutrition 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 claims description 3
- 235000016761 Piper aduncum Nutrition 0.000 claims description 3
- 235000017804 Piper guineense Nutrition 0.000 claims description 3
- 235000008184 Piper nigrum Nutrition 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 244000203593 Piper nigrum Species 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 7
- 241000722363 Piper Species 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉的电路板pin针检测的方法,其方法包括以下步骤:A、调整相机垂直芯片上方拍照取得二维灰度图像:相机垂直芯片上方,利用halcon采集图像算子grab‑image‑async(Image,AcqHandle,‑1)获取到二维灰度图像Image;B、对图像进行去噪和阈值处理:根据二维图像Image,分别进行行方向的去噪声和阈值处理;C、对处理后的图像计算连通域并计算连通域的个数和每个连通域的面积以及坐标。本发明能达到不借助人能实现了自动检测芯片的pin针的目的,不仅节约了人力成本,还提高了检测精度,降低了废品率,提高了产品的整体质量,扩大了本产品的市场竞争力,符合企业自身的利益。
Description
技术领域
本发明涉及电子器件检测技术领域,具体为一种基于机器视觉的电路板pin针检测的方法。
背景技术
近些年来,随着科技的发展和生活水平的提高,电子芯片的生产无论从质量还是品种都在发生着质的变化,电子产品的体积越做越小,但是功能和质量却要求越来越高,因此对电子芯片的要求也越来越高。
Pin针是芯片上常用的一种硬质合金:硬质合金具有很高的硬度、强度、耐磨性和耐腐蚀性,Pin针运用在芯片上,能很好的起到链接电路元器件的作用,在尖端科技领域,特别对芯片的质量要求高,因此pin针的好坏直接关系到产品的质量问题,芯片越做越小,而逻辑要求却成倍的增加,因此芯片上的pin针通常非常小,而数量却非常多。
在正常的生产过程中用人工的方法去识别,而人工由于受主观因素影响,容易对匹配结果造成误判,特别是在很小的芯片上发现pin针的问题,几乎是肉眼不肯能达到的要求,为此,我们提出一种基于机器视觉的电路板pin针检测的方法。
发明内容
本发明的目的在于提供一种基于机器视觉的电路板pin针检测的方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于机器视觉的电路板pin针检测的方法,其方法包括以下步骤:
A、调整相机垂直芯片上方拍照取得二维灰度图像:相机垂直芯片上方,利用halcon采集图像算子grab-image-async(Image,AcqHandle,-1)获取到二维灰度图像Image;
B、对图像进行去噪和阈值处理:根据二维图像Image,分别进行行方向的去噪声和阈值处理;
C、对处理后的图像计算连通域并计算连通域的个数和每个连通域的面积以及坐标:根据所述的去噪和平滑后的图像,通过对其进行四连通域算子处理,把pin针分为每个小的区域,并计算连通域的个数和每个连通域的面积,以及每个连通域的所在行和列的坐标位置;
D、根据个数和面积判断是否为正常的pin针:与真实的pin针区域进行比较,首先比较个数是否相等,包括每一行每一列的个数是否相等,最后对每一个pin针进行面积比较。
优选的,所述步骤A中的AcqHandle为相机的设备号,且相机设置于安装机构上,同时,安装机构包括支架、活动节、横杆和夹头,且夹头固定安装于横杆的一侧,横杆的另一侧通过活动节与支架的顶部连接。
优选的,所述步骤B具体包括以下步骤:
B1、根据二维灰度图像Image,采用中值滤波算子median-image(Image:Median,“circle”,“r”,continued)对图像进行去掉椒盐噪声处理,其中Median为处理后的图像,参数“circle”和“r”表示以半径R=r的圆区域对图像Image的每个像素点进行遍历;
B2、根据二维图像Median,用阈值算子threshold(Median,Segment,Min,Max)对图像进行阈值分割,其中Segment是分割后得到的图像,Min和Max分别是选取的像素点灰度值的下限和上限。
优选的,所述步骤C具体包括以下步骤:
C1、根据分割后的图像Segment,采用四连通域处理算子Connect(Segment,ConnectedRegions)可以求得各个连通域,其中Connected Regions保存了所有的连通域的信息;
C2、根据连通域函数Connected Regions,首先利用算子select-shape(SelectedRegions:Select Regions,Features,Operation,Min,Max)对其进行筛选处理,筛选出那些干扰区域,其中Select Regions是筛选后的区域,Features是筛选的条件,比如按照行或者列筛选等,Operation是操作类型“and”或者“or”,Min和Max分别是选取的下限和上限;
C3、根据筛选后的区域Select Regions,采用计算面积和行列坐标的的算子area-center(Select Regions:Area,Row,Column)计算出每个连通域的面积和行列坐标,其中Area表示面积,Row表示行,Column表示列。
优选的,所述步骤D具体包括以下步骤:
D1、根据行Row,遍历当前行的每一列,读取行列对应的pin面积大小,并与真实数值进行比较,如果两者相差大于预设定值R,则认为当前段匹配不成功,直接结束比较,认为当前pin存在问题;
D2、如果两者相差小于预设定值R,则认为当前段匹配成功,紧接着读取下一行的每一列元素,并从D1中的操作,直到每一行pin面积都小于R,则认为pin没有问题。
与现有技术相比,本发明的有益效果如下:
本发明能达到不借助人能实现了自动检测芯片的pin针的目的,不仅节约了人力成本,还提高了检测精度,降低了废品率,提高了产品的整体质量,扩大了本产品的市场竞争力,符合企业自身的利益。
具体实施方式
下面将结合本发明的实施例,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。
一种基于机器视觉的电路板pin针检测的方法,其方法包括以下步骤:
A、调整相机垂直芯片上方拍照取得二维灰度图像:相机垂直芯片上方,利用halcon采集图像算子grab-image-async(Image,AcqHandle,-1)获取到二维灰度图像Image;
B、对图像进行去噪和阈值处理:根据二维图像Image,分别进行行方向的去噪声和阈值处理;
C、对处理后的图像计算连通域并计算连通域的个数和每个连通域的面积以及坐标:根据所述的去噪和平滑后的图像,通过对其进行四连通域算子处理,把pin针分为每个小的区域,并计算连通域的个数和每个连通域的面积,以及每个连通域的所在行和列的坐标位置;
D、根据个数和面积判断是否为正常的pin针:与真实的pin针区域进行比较,首先比较个数是否相等,包括每一行每一列的个数是否相等,最后对每一个pin针进行面积比较。
能达到不借助人能实现了自动检测芯片的pin针的目的,不仅节约了人力成本,还提高了检测精度,降低了废品率,提高了产品的整体质量,扩大了本产品的市场竞争力,符合企业自身的利益。
步骤A中的AcqHandle为相机的设备号,且相机设置于安装机构上,同时,安装机构包括支架、活动节、横杆和夹头,且夹头固定安装于横杆的一侧,横杆的另一侧通过活动节与支架的顶部连接,且AcqHandle=140721069145216,Image的长宽为1280*720。
步骤B具体包括以下步骤:
B1、根据二维灰度图像Image,采用中值滤波算子median-image(Image:Median,“circle”,“r”,continued)对图像进行去掉椒盐噪声处理,其中Median为处理后的图像,参数“circle”和“r”表示以半径R=r的圆区域对图像Image的每个像素点进行遍历,r选取3作为半径;
B2、根据二维图像Median,用阈值算子threshold(Median,Segment,Min,Max)对图像进行阈值分割,其中Segment是分割后得到的图像,Min和Max分别是选取的像素点灰度值的下限和上限,min设定为80,max设定为200。
步骤C具体包括以下步骤:
C1、根据分割后的图像Segment,采用四连通域处理算子Connect(Segment,ConnectedRegions)可以求得各个连通域,其中Connected Regions保存了所有的连通域的信息;
C2、根据连通域函数Connected Regions,首先利用算子select-shape(SelectedRegions:Select Regions,Features,Operation,Min,Max)对其进行筛选处理,筛选出那些干扰区域,其中Select Regions是筛选后的区域,Features是筛选的条件,比如按照行或者列筛选等,Operation是操作类型“and”或者“or”,Min和Max分别是选取的下限和上限,min设定为500,max设定为999999,即选取面积在500到999999之间的区域作为pin针,其中选取500作为下限的原因是为了是算法鲁棒性更强,避免外界的干扰;
C3、根据筛选后的区域Select Regions,采用计算面积和行列坐标的的算子area-center(Select Regions:Area,Row,Column)计算出每个连通域的面积和行列坐标,其中Area表示面积,其数值为[590,560,555,785,541,567],Row表示行,其数值为[200,201,198,420,412,419],Column表示列,其数值为[654,721,864,652,719,870],从数据可以得出pin针的数量是两排三列。
步骤D具体包括以下步骤:
D1、根据行Row,遍历当前行的每一列,读取行列对应的pin面积大小,并与真实数值进行比较,如果两者相差大于预设定值R,则认为当前段匹配不成功,直接结束比较,认为当前pin存在问题,R为10;
D2、如果两者相差小于预设定值R,则认为当前段匹配成功,紧接着读取下一行的每一列元素,并从D1中的操作,直到每一行pin面积都小于R,则认为pin没有问题。
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 (5)
1.一种基于机器视觉的电路板pin针检测的方法,其特征在于:其方法包括以下步骤:
A、调整相机垂直芯片上方拍照取得二维灰度图像:相机垂直芯片上方,利用halcon采集图像算子grab-image-async(Image,AcqHandle,-1)获取到二维灰度图像Image;
B、对图像进行去噪和阈值处理:根据二维图像Image,分别进行行方向的去噪声和阈值处理;
C、对处理后的图像计算连通域并计算连通域的个数和每个连通域的面积以及坐标:根据所述的去噪和平滑后的图像,通过对其进行四连通域算子处理,把pin针分为每个小的区域,并计算连通域的个数和每个连通域的面积,以及每个连通域的所在行和列的坐标位置;
D、根据个数和面积判断是否为正常的pin针:与真实的pin针区域进行比较,首先比较个数是否相等,包括每一行每一列的个数是否相等,最后对每一个pin针进行面积比较。
2.根据权利要求1所述的一种基于机器视觉的电路板pin针检测的方法,其特征在于:所述步骤A中的AcqHandle为相机的设备号,且相机设置于安装机构上,同时,安装机构包括支架、活动节、横杆和夹头,且夹头固定安装于横杆的一侧,横杆的另一侧通过活动节与支架的顶部连接。
3.根据权利要求1所述的一种基于机器视觉的电路板pin针检测的方法,其特征在于:所述步骤B具体包括以下步骤:
B1、根据二维灰度图像Image,采用中值滤波算子median-image(Image:Median,“circle”,“r”,continued)对图像进行去掉椒盐噪声处理,其中Median为处理后的图像,参数“circle”和“r”表示以半径R=r的圆区域对图像Image的每个像素点进行遍历;
B2、根据二维图像Median,用阈值算子threshold(Median,Segment,Min,Max)对图像进行阈值分割,其中Segment是分割后得到的图像,Min和Max分别是选取的像素点灰度值的下限和上限。
4.根据权利要求1所述的一种基于机器视觉的电路板pin针检测的方法,其特征在于:所述步骤C具体包括以下步骤:
C1、根据分割后的图像Segment,采用四连通域处理算子Connect(Segment,ConnectedRegions)可以求得各个连通域,其中Connected Regions保存了所有的连通域的信息;
C2、根据连通域函数Connected Regions,首先利用算子select-shape(SelectedRegions:Select Regions,Features,Operation,Min,Max)对其进行筛选处理,筛选出那些干扰区域,其中Select Regions是筛选后的区域,Features是筛选的条件,比如按照行或者列筛选等,Operation是操作类型“and”或者“or”,Min和Max分别是选取的下限和上限;
C3、根据筛选后的区域Select Regions,采用计算面积和行列坐标的的算子area-center(Select Regions:Area,Row,Column)计算出每个连通域的面积和行列坐标,其中Area表示面积,Row表示行,Column表示列。
5.根据权利要求1所述的一种基于机器视觉的电路板pin针检测的方法,其特征在于:所述步骤D具体包括以下步骤:
D1、根据行Row,遍历当前行的每一列,读取行列对应的pin面积大小,并与真实数值进行比较,如果两者相差大于预设定值R,则认为当前段匹配不成功,直接结束比较,认为当前pin存在问题;
D2、如果两者相差小于预设定值R,则认为当前段匹配成功,紧接着读取下一行的每一列元素,并从D1中的操作,直到每一行pin面积都小于R,则认为pin没有问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010560194.6A CN111709937A (zh) | 2020-06-18 | 2020-06-18 | 一种基于机器视觉的电路板pin针检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010560194.6A CN111709937A (zh) | 2020-06-18 | 2020-06-18 | 一种基于机器视觉的电路板pin针检测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111709937A true CN111709937A (zh) | 2020-09-25 |
Family
ID=72541987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010560194.6A Pending CN111709937A (zh) | 2020-06-18 | 2020-06-18 | 一种基于机器视觉的电路板pin针检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709937A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024007871A1 (zh) * | 2022-07-06 | 2024-01-11 | 深圳青澜生物技术有限公司 | 微针贴片检测方法、装置、计算机设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761534A (zh) * | 2014-01-22 | 2014-04-30 | 哈尔滨工业大学 | 一种用于qfp元件视觉定位的检测方法 |
CN108961275A (zh) * | 2018-07-23 | 2018-12-07 | 南京师范大学 | 基于投影偏离特征向量的pcb芯片定位与字符分割方法 |
CN109100370A (zh) * | 2018-06-26 | 2018-12-28 | 武汉科技大学 | 一种基于投影法和连通域分析的pcb板缺陷检测方法 |
CN109859186A (zh) * | 2019-01-31 | 2019-06-07 | 江苏理工学院 | 一种基于halcon的锂电池模组正负极检测方法 |
CN110473165A (zh) * | 2019-07-02 | 2019-11-19 | 深圳市格灵人工智能与机器人研究院有限公司 | 一种电路板焊接质量检测方法及装置 |
-
2020
- 2020-06-18 CN CN202010560194.6A patent/CN111709937A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761534A (zh) * | 2014-01-22 | 2014-04-30 | 哈尔滨工业大学 | 一种用于qfp元件视觉定位的检测方法 |
CN109100370A (zh) * | 2018-06-26 | 2018-12-28 | 武汉科技大学 | 一种基于投影法和连通域分析的pcb板缺陷检测方法 |
CN108961275A (zh) * | 2018-07-23 | 2018-12-07 | 南京师范大学 | 基于投影偏离特征向量的pcb芯片定位与字符分割方法 |
CN109859186A (zh) * | 2019-01-31 | 2019-06-07 | 江苏理工学院 | 一种基于halcon的锂电池模组正负极检测方法 |
CN110473165A (zh) * | 2019-07-02 | 2019-11-19 | 深圳市格灵人工智能与机器人研究院有限公司 | 一种电路板焊接质量检测方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024007871A1 (zh) * | 2022-07-06 | 2024-01-11 | 深圳青澜生物技术有限公司 | 微针贴片检测方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107369136B (zh) | 聚晶金刚石复合片表面裂纹视觉检测方法 | |
CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
US8520892B2 (en) | Method and apparatus for detecting objects | |
CN108132017A (zh) | 一种基于激光视觉***的平面焊缝特征点提取方法 | |
CN108665458B (zh) | 透明体表面缺陷提取及识别方法 | |
CN102005051B (zh) | 一种边缘检测方法以及相关装置 | |
CN103914827B (zh) | 汽车密封条轮廓缺陷的视觉检测方法 | |
CN116735612B (zh) | 一种精密电子元器件焊接缺陷检测方法 | |
CN114399522A (zh) | 一种基于高低阈值的Canny算子的边缘检测方法 | |
CN112669295A (zh) | 一种基于二次阈值分割理论的锂电池极片缺陷检测方法 | |
CN110111350A (zh) | 一种焊接熔池边缘检测方法、装置及存储介质 | |
CN116363126B (zh) | 一种数据线usb插头焊接质量检测方法 | |
CN115100191A (zh) | 基于工业检测的金属铸件缺陷识别方法 | |
CN108802051B (zh) | 一种柔性ic基板直线线路气泡及折痕缺陷检测***及方法 | |
CN117152165B (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
CN111709937A (zh) | 一种基于机器视觉的电路板pin针检测的方法 | |
CN106600615B (zh) | 一种图像边缘检测算法评价***及方法 | |
CN111639556A (zh) | 一种非均匀插值的手指轴旋转指静脉图像纠正方法 | |
CN114693686B (zh) | 一种用于床单布匹污渍检测的方法 | |
CN109211919B (zh) | 磁瓦崩缺区域的识别方法及装置 | |
CN115880481A (zh) | 一种基于边缘轮廓的曲线定位算法及*** | |
CN112767491B (zh) | 焊道拐点的确定方法、装置和计算机可读存储介质 | |
CN113902699A (zh) | 焊缝拐点的确定方法、确定装置、处理器与焊接机器人 | |
CN109949245B (zh) | 十字激光检测定位方法、装置、存储介质及计算机设备 | |
CN111986208B (zh) | 一种目标标记定位圆的捕捉定位方法、装置、计算机设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200925 |
|
RJ01 | Rejection of invention patent application after publication |