CN113327237A - 一种适用于电源电路板的视觉检测*** - Google Patents
一种适用于电源电路板的视觉检测*** Download PDFInfo
- Publication number
- CN113327237A CN113327237A CN202110642873.2A CN202110642873A CN113327237A CN 113327237 A CN113327237 A CN 113327237A CN 202110642873 A CN202110642873 A CN 202110642873A CN 113327237 A CN113327237 A CN 113327237A
- Authority
- CN
- China
- Prior art keywords
- detection
- image
- circuit board
- module
- model
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 162
- 230000000007 visual effect Effects 0.000 title abstract description 9
- 230000007547 defect Effects 0.000 claims abstract description 43
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 21
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 12
- 238000011179 visual inspection Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 9
- 238000000034 method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 239000003990 capacitor Substances 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009413 insulation Methods 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
Images
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30141—Printed circuit board [PCB]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及视觉检测***，具体涉及一种适用于电源电路板的视觉检测***，通过检测区域分割模型能够根据检测任务对处理后的电路板图像中相应检测区域进行有效提取，缺陷检测模块将提取检测区域与标准化电路板图像进行对比，进行缺陷检测，从而能够根据检测任务准确提取检测区域，保证检测精度；通过待识别区域提取模型能够在铭牌图像中标注待识别区域，字符识别模块对标注的待识别区域进行字符识别，获取待测电源的电源型号、电源编号，从而能够对待测电源铭牌进行有效文字识别；本发明提供的技术方案能够有效克服现有技术所存在的检测精度较差、无法对电源铭牌进行文字识别的缺陷。
Description
技术领域
本发明涉及视觉检测***，具体涉及一种适用于电源电路板的视觉检测***。
背景技术
电源综合测试仪，能够在连续生产模式下完成电源机机装、电装检验工作。目前，电源综合测试仪主要由机器视觉识别模块、绝缘性能测试模块、电性能测试模块组成，通过这些模块能够完成日常生产所需的检测任务。
电路板又称为印刷线路板或印制电路板，在现代电子设备中占有重要地位。电路板缺陷检测是评估电路板质量的关键手段，直接影响到电源的性能和使用安全。传统上，电路板缺陷检测一般由人工完成，但是这部分工作枯燥乏味，而且人的精力有限，容易发生漏检和误检的情况，且检测效率不高。同时，随着互联网技术加速从生产工具向生产要素转变，其与传统行业的结合日益紧密，工业方面主要体现在互联网与制造业的结合，即“互联网+制造”，通过机器视觉进行电路板缺陷自动检测，已经成为业内迫切需求，同时也是必然的发展趋势。
然而，现有针对电路板的视觉检测***，其检测精度较差，检测效果不佳，存在漏检的情况，并且无法对电源铭牌进行文字识别，不能判断待检电源的电源型号、电源编号，检测起来较为不便。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点，本发明提供了一种适用于电源电路板的视觉检测***，能够有效克服现有技术所存在的检测精度较差、无法对电源铭牌进行文字识别的缺陷。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种适用于电源电路板的视觉检测***，包括控制器，以及
标准信息输入模块，用于输入标准化电路板图像、待测电源型号；
图像处理模块，用于对第一检测图像采集模块采集的电路板图像进行图像处理；
检测项目选择模块，用于选择电路板检测任务；
检测区域分割模型，根据检测任务对处理后的电路板图像中相应检测区域进行有效提取；
缺陷检测模块，将提取检测区域与标准化电路板图像进行对比，查找缺陷；
人工标注模块，对训练图像采集模块采集的标准化铭牌图像中的待识别区域进行人工标注；
待识别区域提取模型，通过人工标注待识别区域的标准化铭牌图像进行模型训练，并在第二检测图像采集模块采集的铭牌图像中标注待识别区域；
字符识别模块，用于对待识别区域提取模型标注的待识别区域进行字符识别；
数据对比模块，将字符识别模块得到的字符识别结果与待测电源型号进行对比。
优选地，所述检测区域分割模型通过模型训练对处理后的电路板图像中相应检测区域进行有效提取，包括：
采集多张标准化电路板图像，并根据电路板检测任务的不同，人工采用矩形框在电路板图像中标注出相应检测区域，建立训练数据集；
将训练数据集输入检测区域分割模型进行模型训练，得到训练后的检测区域分割模型；
将处理后的电路板图像输入检测区域分割模型中，检测区域分割模型根据检测任务对处理后的电路板图像中相应检测区域进行标注。
优选地，所述图像处理模块对电路板图像进行图像增强、图像降噪、图像提取，其中
图像增强：选定灰度变换区域，通过线性运算修改图像的灰度值，对灰度变换区域进行灰度变换；
图像降噪：以目标像素为中心选定降噪窗口，计算降噪窗口内所有像素的平均值来替换原像素值，保持窗口形状和大小，以图像中的每个像素为中心用平均值代替；
图像提取：通过检测图像灰度值阶梯变化的位置确定图像边缘，并按照图像边缘提取得到处理后的电路板图像。
优选地，所述检测项目选择模块用于从螺丝、排线、电感、保险丝、电解电容、PCB板中选择一项或多项检测任务。
优选地所述缺陷检测模块将标注检测区域的电路板图像与标准化电路板图像中对应区域通过逐像素比较进行缺陷检测。
优选地，还包括：
检测区域自定义模块，用于在标准化电路板图像中自定义标注检测区域；
检测信息统计模块，用于对缺陷检测模块的缺陷检测结果进行统计；
检测结果显示模块，用于显示电路板检测任务的相关检测结果以及检测信息统计模块的统计结果。
优选地，所述字符识别模块对待识别区域提取模型标注的待识别区域进行字符识别，包括：
获取标注待识别区域的铭牌图像并进行OCR识别，将OCR识别结果逐一输入语言模型中得到OCR输出序列集合；
将OCR输出序列集合中的输出序列逐一转换为数字向量，并进行降维处理，将降维后的数字向量逐一输入循环神经网络得到文本序列。
优选地，所述待识别区域提取模型通过人工标注待识别区域的标准化铭牌图像进行模型训练，包括：
对处于不同角度、不同光照条件下的标准化铭牌图像中，包括电源型号、电源编号所在区域的待识别区域进行人工标注，建立训练数据集；
将训练数据集输入待识别区域提取模型进行模型训练，得到训练后的待识别区域提取模型。
优选地，还包括机械臂控制模块，用于根据缺陷检测模块的缺陷检测结果、数据对比模块的对比结果控制机械臂；
当缺陷检测模块的缺陷检测结果低于良品对应检测任务的检测结果，或数据对比模块对比判断字符识别模块识别的电源型号与待测电源型号不一致时，控制器通过机械臂控制模块控制机械臂夹取对应待检电路板至不合格品处。
(三)有益效果
与现有技术相比，本发明所提供的一种适用于电源电路板的视觉检测***，具有以下优点：
1)通过检测区域分割模型能够根据检测任务对处理后的电路板图像中相应检测区域进行有效提取，缺陷检测模块将提取检测区域与标准化电路板图像进行对比，进行缺陷检测，从而能够根据检测任务准确提取检测区域，保证检测精度；
2)通过待识别区域提取模型能够在铭牌图像中标注待识别区域，字符识别模块对标注的待识别区域进行字符识别，获取待测电源的电源型号、电源编号，从而能够对待测电源铭牌进行有效文字识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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例，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为本发明的***示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
一种适用于电源电路板的视觉检测***，如图1所示，包括控制器，以及
标准信息输入模块，用于输入标准化电路板图像、待测电源型号；
图像处理模块，用于对第一检测图像采集模块采集的电路板图像进行图像处理；
检测项目选择模块，用于选择电路板检测任务；
检测区域分割模型，根据检测任务对处理后的电路板图像中相应检测区域进行有效提取；
缺陷检测模块，将提取检测区域与标准化电路板图像进行对比，查找缺陷；
人工标注模块，对训练图像采集模块采集的标准化铭牌图像中的待识别区域进行人工标注；
待识别区域提取模型，通过人工标注待识别区域的标准化铭牌图像进行模型训练，并在第二检测图像采集模块采集的铭牌图像中标注待识别区域；
字符识别模块，用于对待识别区域提取模型标注的待识别区域进行字符识别；
数据对比模块，将字符识别模块得到的字符识别结果与待测电源型号进行对比。
图像处理模块对电路板图像进行图像增强、图像降噪、图像提取，其中
图像增强：选定灰度变换区域，通过线性运算修改图像的灰度值，对灰度变换区域进行灰度变换；
图像降噪：以目标像素为中心选定降噪窗口，计算降噪窗口内所有像素的平均值来替换原像素值，保持窗口形状和大小，以图像中的每个像素为中心用平均值代替；
图像提取：通过检测图像灰度值阶梯变化的位置确定图像边缘，并按照图像边缘提取得到处理后的电路板图像。
本申请技术方案中，检测项目选择模块用于从螺丝、排线、电感、保险丝、电解电容、PCB板中选择一项或多项检测任务。
检测区域分割模型通过模型训练对处理后的电路板图像中相应检测区域进行有效提取，包括：
采集多张标准化电路板图像，并根据电路板检测任务的不同，人工采用矩形框在电路板图像中标注出相应检测区域，建立训练数据集；
将训练数据集输入检测区域分割模型进行模型训练，得到训练后的检测区域分割模型；
将处理后的电路板图像输入检测区域分割模型中，检测区域分割模型根据检测任务对处理后的电路板图像中相应检测区域进行标注。
缺陷检测模块将标注检测区域的电路板图像与标准化电路板图像中对应区域通过逐像素比较进行缺陷检测。
本申请技术方案中，还包括：
检测区域自定义模块，用于在标准化电路板图像中自定义标注检测区域；
检测信息统计模块，用于对缺陷检测模块的缺陷检测结果进行统计；
检测结果显示模块，用于显示电路板检测任务的相关检测结果以及检测信息统计模块的统计结果。
当用户通过检测区域自定义模块在标准化电路板图像中自定义标注检测区域时，检测区域分割模型直接根据自定义标注检测区域在处理后的电路板图像中提取出对应的检测区域，并由缺陷检测模块通过逐像素比较进行缺陷检测，使得检测区域的设定更加灵活。
待识别区域提取模型通过人工标注待识别区域的标准化铭牌图像进行模型训练，包括：
对处于不同角度、不同光照条件下的标准化铭牌图像中，包括电源型号、电源编号所在区域的待识别区域进行人工标注，建立训练数据集；
将训练数据集输入待识别区域提取模型进行模型训练，得到训练后的待识别区域提取模型。
字符识别模块对待识别区域提取模型标注的待识别区域进行字符识别，包括：
获取标注待识别区域的铭牌图像并进行OCR识别，将OCR识别结果逐一输入语言模型中得到OCR输出序列集合；
将OCR输出序列集合中的输出序列逐一转换为数字向量，并进行降维处理，将降维后的数字向量逐一输入循环神经网络得到文本序列。
其中，将降维后的数字向量逐一输入循环神经网络得到文本序列，包括：
将降维后的数字向量输入Bi-LSTM编码器，生成特征向量，并将特征向量输入Bi-LSTM解码器，得到输出向量；
将输出向量输入Softmax算法模块，得到字ID，根据字典的对应关系，将字ID转换为文本序列。
本申请技术方案中，还包括机械臂控制模块，用于根据缺陷检测模块的缺陷检测结果、数据对比模块的对比结果控制机械臂。
当缺陷检测模块的缺陷检测结果低于良品对应检测任务的检测结果，或数据对比模块对比判断字符识别模块识别的电源型号与待测电源型号不一致时，控制器通过机械臂控制模块控制机械臂夹取对应待检电路板至不合格品处。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种适用于电源电路板的视觉检测***，其特征在于：包括控制器，以及
标准信息输入模块，用于输入标准化电路板图像、待测电源型号；
图像处理模块，用于对第一检测图像采集模块采集的电路板图像进行图像处理；
检测项目选择模块，用于选择电路板检测任务；
检测区域分割模型，根据检测任务对处理后的电路板图像中相应检测区域进行有效提取；
缺陷检测模块，将提取检测区域与标准化电路板图像进行对比，查找缺陷；
人工标注模块，对训练图像采集模块采集的标准化铭牌图像中的待识别区域进行人工标注；
待识别区域提取模型，通过人工标注待识别区域的标准化铭牌图像进行模型训练，并在第二检测图像采集模块采集的铭牌图像中标注待识别区域；
字符识别模块，用于对待识别区域提取模型标注的待识别区域进行字符识别；
数据对比模块，将字符识别模块得到的字符识别结果与待测电源型号进行对比。
2.根据权利要求1所述的适用于电源电路板的视觉检测***，其特征在于：所述检测区域分割模型通过模型训练对处理后的电路板图像中相应检测区域进行有效提取，包括：
采集多张标准化电路板图像，并根据电路板检测任务的不同，人工采用矩形框在电路板图像中标注出相应检测区域，建立训练数据集；
将训练数据集输入检测区域分割模型进行模型训练，得到训练后的检测区域分割模型；
将处理后的电路板图像输入检测区域分割模型中，检测区域分割模型根据检测任务对处理后的电路板图像中相应检测区域进行标注。
3.根据权利要求2所述的适用于电源电路板的视觉检测***，其特征在于：所述图像处理模块对电路板图像进行图像增强、图像降噪、图像提取，其中
图像增强：选定灰度变换区域，通过线性运算修改图像的灰度值，对灰度变换区域进行灰度变换；
图像降噪：以目标像素为中心选定降噪窗口，计算降噪窗口内所有像素的平均值来替换原像素值，保持窗口形状和大小，以图像中的每个像素为中心用平均值代替；
图像提取：通过检测图像灰度值阶梯变化的位置确定图像边缘，并按照图像边缘提取得到处理后的电路板图像。
4.根据权利要求2所述的适用于电源电路板的视觉检测***，其特征在于：所述检测项目选择模块用于从螺丝、排线、电感、保险丝、电解电容、PCB板中选择一项或多项检测任务。
5.根据权利要求3所述的适用于电源电路板的视觉检测***，其特征在于：所述缺陷检测模块将标注检测区域的电路板图像与标准化电路板图像中对应区域通过逐像素比较进行缺陷检测。
6.根据权利要求5所述的适用于电源电路板的视觉检测***，其特征在于：还包括：
检测区域自定义模块，用于在标准化电路板图像中自定义标注检测区域；
检测信息统计模块，用于对缺陷检测模块的缺陷检测结果进行统计；
检测结果显示模块，用于显示电路板检测任务的相关检测结果以及检测信息统计模块的统计结果。
7.根据权利要求5所述的适用于电源电路板的视觉检测***，其特征在于：所述字符识别模块对待识别区域提取模型标注的待识别区域进行字符识别，包括：
获取标注待识别区域的铭牌图像并进行OCR识别，将OCR识别结果逐一输入语言模型中得到OCR输出序列集合；
将OCR输出序列集合中的输出序列逐一转换为数字向量，并进行降维处理，将降维后的数字向量逐一输入循环神经网络得到文本序列。
8.根据权利要求7所述的适用于电源电路板的视觉检测***，其特征在于：所述待识别区域提取模型通过人工标注待识别区域的标准化铭牌图像进行模型训练，包括：
对处于不同角度、不同光照条件下的标准化铭牌图像中，包括电源型号、电源编号所在区域的待识别区域进行人工标注，建立训练数据集；
将训练数据集输入待识别区域提取模型进行模型训练，得到训练后的待识别区域提取模型。
9.根据权利要求8所述的适用于电源电路板的视觉检测***，其特征在于：还包括机械臂控制模块，用于根据缺陷检测模块的缺陷检测结果、数据对比模块的对比结果控制机械臂；
当缺陷检测模块的缺陷检测结果低于良品对应检测任务的检测结果，或数据对比模块对比判断字符识别模块识别的电源型号与待测电源型号不一致时，控制器通过机械臂控制模块控制机械臂夹取对应待检电路板至不合格品处。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110642873.2A CN113327237A (zh) | 2021-06-09 | 2021-06-09 | 一种适用于电源电路板的视觉检测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110642873.2A CN113327237A (zh) | 2021-06-09 | 2021-06-09 | 一种适用于电源电路板的视觉检测*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113327237A true CN113327237A (zh) | 2021-08-31 |
Family
ID=77420328
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110642873.2A Pending CN113327237A (zh) | 2021-06-09 | 2021-06-09 | 一种适用于电源电路板的视觉检测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113327237A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113869300A (zh) * | 2021-09-30 | 2021-12-31 | 江西省通讯终端产业技术研究院有限公司 | 基于多视觉融合的工件表面缺陷和字符识别的方法及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170304732A1 (en) * | 2014-11-10 | 2017-10-26 | Lego A/S | System and method for toy recognition |
| CN107767379A (zh) * | 2017-11-16 | 2018-03-06 | 桂林电子科技大学 | Pcb板标注印刷质量检测方法 |
| CN109584215A (zh) * | 2018-11-10 | 2019-04-05 | 东莞理工学院 | 一种电路板在线视觉检测*** |
| CN110909735A (zh) * | 2019-11-07 | 2020-03-24 | 国网辽宁省电力有限公司电力科学研究院 | 基于卷积神经网络的智能电能表芯片视觉识别比对***及方法 |
| CN110929720A (zh) * | 2019-10-28 | 2020-03-27 | 杭州电子科技大学 | 一种基于logo匹配和ocr的元器件检测方法 |
| CN112435222A (zh) * | 2020-11-11 | 2021-03-02 | 深圳技术大学 | 一种电路板检测方法、装置及计算机可读存储介质 |
-
2021
- 2021-06-09 CN CN202110642873.2A patent/CN113327237A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170304732A1 (en) * | 2014-11-10 | 2017-10-26 | Lego A/S | System and method for toy recognition |
| CN107767379A (zh) * | 2017-11-16 | 2018-03-06 | 桂林电子科技大学 | Pcb板标注印刷质量检测方法 |
| CN109584215A (zh) * | 2018-11-10 | 2019-04-05 | 东莞理工学院 | 一种电路板在线视觉检测*** |
| CN110929720A (zh) * | 2019-10-28 | 2020-03-27 | 杭州电子科技大学 | 一种基于logo匹配和ocr的元器件检测方法 |
| CN110909735A (zh) * | 2019-11-07 | 2020-03-24 | 国网辽宁省电力有限公司电力科学研究院 | 基于卷积神经网络的智能电能表芯片视觉识别比对***及方法 |
| CN112435222A (zh) * | 2020-11-11 | 2021-03-02 | 深圳技术大学 | 一种电路板检测方法、装置及计算机可读存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113869300A (zh) * | 2021-09-30 | 2021-12-31 | 江西省通讯终端产业技术研究院有限公司 | 基于多视觉融合的工件表面缺陷和字符识别的方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110119680B (zh) | 一种基于图像识别的电气柜接线自动查错*** | |
| CN111289538A (zh) | 基于机器视觉的pcb板元件检测***及检测方法 | |
| CN113256598B (zh) | 一种用于芯片生产的视觉检测*** | |
| CN116718600B (zh) | 一种用于对线束产品进行智能化检测的检测装置 | |
| CN112381175A (zh) | 一种基于图像处理的电路板识别与分析方法 | |
| CN108460344A (zh) | 屏幕中的动态区域智能识别***及智能识别方法 | |
| CN113111903A (zh) | 智能产线监测***及监测方法 | |
| CN114842275B (zh) | 电路板缺陷判别方法、训练方法、装置、设备及存储介质 | |
| CN115775246A (zh) | 一种pcb元器件缺陷检测的方法 | |
| CN112288741A (zh) | 一种基于语义分割的产品表面缺陷检测方法、*** | |
| CN113327237A (zh) | 一种适用于电源电路板的视觉检测*** | |
| CN110909735B (zh) | 基于卷积神经网络的智能电能表芯片视觉识别比对***及方法 | |
| CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
| Anitha et al. | SMT component inspection in PCBA’s using image processing techniques | |
| CN116993725B (zh) | 一种柔性电路板智能贴片信息处理*** | |
| CN111307817B (zh) | 一种智能产线pcb生产过程的在线检测方法及*** | |
| CN113776670A (zh) | 一种基于红外图像的电力设备监测***及方法 | |
| CN112415013A (zh) | 一种铜箔缺陷检测*** | |
| CN114782431B (zh) | 一种印刷电路板缺陷检测模型训练方法及缺陷检测方法 | |
| CN115170476B (zh) | 基于图像处理的印制线路板缺陷检测方法 | |
| CN114742823A (zh) | 一种物体表面划痕智能检测方法 | |
| CN115479891A (zh) | 基于图像识别的电路板载元器件自动检测***和方法 | |
| CN115471684A (zh) | 注塑工件模板匹配方法、电子设备及存储介质 | |
| Fabrice et al. | SMD Detection and Classification Using YOLO Network Based on Robust Data Preprocessing and Augmentation Techniques | |
| CN112465002A (zh) | 一种火灾现场铜导线熔痕智能识别方法及装置 |
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 |