CN113791090A - 一种回收电路板焊接缺陷快速检定***及方法 - Google Patents
一种回收电路板焊接缺陷快速检定***及方法 Download PDFInfo
- Publication number
- CN113791090A CN113791090A CN202111083947.XA CN202111083947A CN113791090A CN 113791090 A CN113791090 A CN 113791090A CN 202111083947 A CN202111083947 A CN 202111083947A CN 113791090 A CN113791090 A CN 113791090A
- Authority
- CN
- China
- Prior art keywords
- circuit board
- classification
- defect
- recovered
- image
- 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
Images
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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8874—Taking dimensions of defect into account
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G01N21/956—Inspecting patterns on the surface of objects
- G01N2021/95638—Inspecting patterns on the surface of objects for PCB's
- G01N2021/95646—Soldering
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种回收电路板焊接缺陷快速检定方法,包括:步骤一、向回收电路板的正面照射反射光用的可见光,反面照射透射光用的非可见光,并获取回收电路板的正面的图像;步骤二、对图像进行解析,得到回收电路板的焊接缺陷区域;步骤三、通过对焊接缺陷区域进行特征识别,得到回收电路板的缺陷特征参数;步骤四、根据回收电路板的类型,通过预设的算法库,选择分类算法,基于缺陷特征参数,得到分类结果,并根据分类结果进行分类处理,通过可见光反射和非可见光透射能够快速检测到回收电路板的表面及内部缺陷,进一步通过特征识别和分类算法,得到回收电路板的分类结果,进行分类处理,能够提高电路板的回收效率和利用率,节能环保。
Description
技术领域
本发明涉及电路板回收技术领域,特别涉及一种回收电路板焊接缺陷快速检定***及方法。
背景技术
随着近年来“互联网+”背景下对电子设备的需求牵引,以及电子设备向小型化、轻量化、高速化、高可靠、经济化发展的趋势,PCB的使用规模仍将放大。特别是航空、航天这类对可靠性要求较高的电子设备,由于电子设备应用环境的苛刻要求,导致对内部配套的PCB的可靠性要求更高,如果电子设备中的PCB出现焊接缺陷,就必须报废整个产品或重新拆装PCB。
随着不断更新替换,废旧的电路板则逐渐的加多,因其含有大量的可再利用物料,为了减少资源的浪费,通常对这类废弃的电路板进行有效的回收处理,将电路板破碎后提取其中的贵金属等有价值成分,在进行焚烧处理,鲜少将回收的电路板进行分级评定,采取不同的处理手段,这样不仅会造成资源的极大浪费,回收利用率低,还会污染环境,因此,有必要提出一种回收电路板焊接缺陷快速检定***及方法。
发明内容
本发明提供了一种回收电路板焊接缺陷快速检定方法,基于可见光反射和非可见光透射采集回收电路板图像,解析出电路板缺陷,进而识别出电路板的缺陷特征参数,并基于缺陷特征参数进行分类,能够快速检测到回收电路板的表面和内部缺陷,分类速度快,精度高。
一种回收电路板焊接缺陷快速检定方法,包括:
步骤一、向回收电路板的正面照射反射光用的可见光,反面照射透射光用的非可见光,并获取回收电路板的正面的图像;
步骤二、对图像进行解析,得到回收电路板的焊接缺陷区域;
步骤三、通过对焊接缺陷区域进行特征识别,得到回收电路板的缺陷特征参数;
步骤四、根据回收电路板的类型,通过预设的算法库,选择分类算法,基于缺陷特征参数,得到分类结果,并根据分类结果进行分类处理。
优选的是,可见光为白色光源,非可见光为近红外线光源。
优选的是,步骤二包括:
采用3×3滤波模板进行双边滤波,消除图像中的噪声;
采用最大类间方差法将图像进行阈值分割,并输出二值化图像;
将二值化图像与电路板标准二值化图像进行对比,采用差分法得到缺陷区域。
优选的是,缺陷特征参数包括形态特征、颜色特征和纹理特征。
优选的是,形态特征包括:
通过对焊接缺陷区域中互不连通的区域进行标号,可得到缺陷点数量;
对缺陷点在水平面投影的横截面积内的像素进行统计计算,得到缺陷面积A=πmn,其中m表示缺陷点长半轴,n表示缺陷点短半轴;
通过计算缺陷点脊线的像素数目得到缺陷点周长C=2πn+4(m-n)。
优选的是,纹理特征包括:
设定像素位移参数(a,b),a表示角度,a∈(0°,45°,90°,135°),b表示距离;
单个像素点及其偏移点生成灰度值对;
遍历每个像素点生成灰度共生矩阵,并计算灰度共生矩阵的特征值;
其中,所述特征值包括能量、对比度、逆差距和熵。
优选的是,分类算法包括Canopy聚类算法、逻辑回归算法和Xmeans聚类算法。
优选的是,选择分类算法包括:
获取多个同一类型回收电路板的缺陷特征参数和人工分类结果,并保存到回收电路板数据库;
将缺陷特征参数进行归一化处理,并分别输入Canopy聚类算法、逻辑回归算法和Xmeans聚类算法,以得到第一分类结果、第二分类结果和第三分类结果;
将第一分类结果、第二分类结果和第三分类结果与人工分类结果进行匹配,筛选出匹配度最高的所述分类结果对应的分类算法。
优选的是,分类结果包括:
优秀型,其修复难度小,修复后能够二次利用;
良好型,其修复难度适中,根据回收电路板的类型,选择修复或直接废弃;
较差型,其修复难度大,直接废弃。
一种回收电路板焊接缺陷快速检定***,包括:
算法库,其用于保存分类算法;
回收电路板数据库,其用于保存回收电路板的类型、缺陷特征参数和人工分类结果;
可见光照明模块,其向回收电路板的正面照射反射光用的可见光;
非可见光照明模块,其向回收电路板的反面照射透射光用的非可见光;
拍摄装置,其拍摄回收电路板的正面的图像;
图像处理模块,其连接拍摄装置,能够对图像进行解析,得到回收电路板的焊接缺陷区域,并提取缺陷特征参数;
分类处理模块,其连接算法库和回收电路板数据库,能够根据回收电路板的类型,通过预设的算法库,选择分类算法,并基于所述缺陷特征参数,得到分类结果;
结果输出模块,其连接分类处理模块,能够显示分类结果。
本发明的有益效果是:
1、本发明提供了一种回收电路板焊接缺陷快速检定方法,通过在电路板正面照射可见光,反面照射非可见光,再进行图像采集,进而提取出电路板的缺陷区域,识别出电路板的缺陷特征参数,根据电路板类型选择分类算法,并基于缺陷特征参数进行分类,能够快速检测到回收电路板的表面和内部缺陷,分类速度快,精度高,能够有效提高回收效率,提高利用率,节能环保。
2、本发明建立了算法库,能够根据回收电路板的类型,以算法分类结果与人工分类结果的匹配度作为评价指标,选取匹配度高的分类算法,有利于提高分类精度,将算法分类与人工分类相关联,用分类算法取代人工分类,不仅提高了分类效率,还减少了人工成本,经济效益高。
3、本发明提供了一种回收电路板焊接缺陷快速检定***,能够实现回收电路板缺陷快速识别和回收电路板分类,操作简单,性能稳定,分类精度高。
附图说明
图1为本发明提供的一种回收电路板焊接缺陷快速检定方法流程图。
图2为本发明的一个实施例中图像解析的流程图。
图3为本发明的一个实施例中缺陷特征参数提取的流程图。
图4为本发明提供的一种回收电路板焊接缺陷快速检定***框架图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,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。
“内”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
电子设备上的废弃电路板回收后,通常由于长时间的负荷、疲劳或拆卸过程产生锈蚀、污渍等,因此需要进行预处理在进行检定,预处理的过程一般为:将电路板置于清洗剂中浸泡,有效去除表面杂质,经水冲洗后,进行干燥处理,采用低温干燥,防止破坏电路板性能,可以减少图像采集噪声,提高缺陷识别的效率。
如图1所示,一种回收电路板焊接缺陷快速检定方法包括:
S110、向回收电路板的正面照射反射光用的可见光,反面照射透射光用的非可见光,并获取回收电路板的正面的图像。
其中,可见光为白色光源,非可见光为近红外线光源。
单一可见光照射采集的回收电路板图像,难以识别出表面图像差异小和内部不可见的缺陷,利用非可见光进行透射,能够根据透过缺陷区域的非可见光量和正常区域的非可见光量的差异,使得缺陷区域与正常区域的差异显现在采集图像上,有利于快速识别出电路板表面和内部缺陷,且可操作性强。
S120、对图像进行解析,得到回收电路板的焊接缺陷区域。
S130、通过对焊接缺陷区域进行特征识别,得到回收电路板的缺陷特征参数。
其中,缺陷特征参数包括形态特征、颜色特征和纹理特征。
S140、根据回收电路板的类型,通过预设的算法库,选择分类算法,基于缺陷特征参数,得到分类结果,并根据分类结果进行分类处理。
其中,分类算法包括Canopy聚类算法、逻辑回归算法和Xmeans聚类算法。
通过在电路板正面照射可见光,反面照射非可见光,再进行图像采集,进而及洗出电路板的缺陷区域,进一步识别出电路板的缺陷特征参数,根据电路板类型选择分类算法,并基于缺陷特征参数进行分类,能够快速检测到回收电路板的表面和内部缺陷,分类速度快,精度高,能够有效提高回收效率和利用率。
进一步的,如图2所示步骤S120包括:
S121、采用3×3滤波模板进行双边滤波,消除图像中的噪声。
双边滤波也是一种非线性的滤波算法,不仅考虑空间临近度,和高斯滤波一样去除噪声,还考虑了像素值相似度,具有高斯滤波所没有的保边特性,本发明或获取的采集图像,采集的为可见光和透射光共同照射下的图像信息,非可见光透过量为重要的图像特征,且图像的像素值相近度较高,因而优选双边滤波去噪。
S122、采用最大类间方差法将图像进行阈值分割,并输出二值化图像。
通过最大类间方差法可以将特征图像和背景图像进行分割,提高特征识效率。
S122、将二值化图像与电路板标准二值化图像进行对比,采用差分法得到缺陷区域。
其中,标准二值化图像为完整电路板,经过双边滤波去噪、最大类间方差法阈值分割后输出的二值化图像。
如图3所示,为本发明的一个实施例中缺陷特征参数提取流程。
其中,形态特征包括:
S131、通过对焊接缺陷区域中互不连通的区域进行标号,可得到焊点个数;
S132、对焊点在水平面投影的横截面积内的像素进行统计计算,得到焊点面积A=πmn,其中m表示焊点长半轴,n表示焊点短半轴;
S133、通过计算焊点脊线的像素数目得到焊点周长C=2πn+4(m-n)。
纹理特征包括:
S134、设定像素位移参数(a,b),a表示角度,a∈(0°,45°,90°,135°),b表示距离;
S135、单个像素点及其偏移点生成灰度值对;
S136、遍历每个像素点生成灰度共生矩阵,并计算灰度共生矩阵的特征值。
我们通常可以用一些标量来表现灰度共生矩阵的特征,常用的有以下几个:
(1)能量,又称角二阶矩。公式为:
其中,G表示灰度共生矩阵,其大小为κ×κ,(x,y)表示像素坐标。从式中可以看到,能量是灰度共生矩阵元素值的平方和,其反映了图像灰度分布的均匀程度和纹理的粗细度。如果灰度共生矩阵的所有值均相等时,表示图像的灰度分布比较平均,纹理较细,则ASM值小;相反,如果其值大小不一,说明图像的灰度值在某个区域出现了剧烈变化,在图像上表现为粗纹理,则ASM值大。
(2)对比度。公式为:
对比度反映了图像的清晰度和纹理沟纹深浅的程度。如果纹理沟纹深,说明纹理从视觉上较为明显,其对比度就大;反之,对比度小,图像的灰度分布平均,沟纹浅,从视觉上较难分辨出纹理。
(3)逆差距,又称为同质性。公式为:
同质性用来度量图像纹理局部变化的多少。其值大说明图像纹理的不同区域间缺少变化,图像的灰度分布非常平均。反之,则说明图像纹理在不同区域出现了剧烈变化。
(4)熵。公式为:
熵是图像所具有的信息量的度量,纹理信息也属于图像的信息,当共生矩阵中所有元素有最大的随机性时,表示原始图像中出现较为明显的纹理,此时熵较大。反之,图像分布较均匀时,无明显纹理,此时熵较小。
进一步的,选择分类算法包括:
获取多个同一类型回收电路板的缺陷特征参数和人工分类结果,并保存到回收电路板数据库;
将缺陷特征参数进行归一化处理,并分别输入Canopy聚类算法、逻辑回归算法和Xmeans聚类算法,以得到第一分类结果、第二分类结果和第三分类结果;
将第一分类结果、第二分类结果和第三分类结果与人工分类结果进行匹配,筛选出匹配度最高的所述分类结果对应的分类算法。
进一步的,分类结果包括:
优秀型,其修复难度小,修复后能够二次利用;
良好型,其修复难度适中,根据回收电路板的类型,选择修复或直接废弃;
较差型,其修复难度大,直接废弃。
建立了算法库,能够根据回收电路板的类型,以算法分类结果与人工分类结果的匹配度作为评价指标,选取匹配度高的分类算法,有利于提高分类精度,将算法分类与人工分类相关联,用分类算法取代人工分类,将回收的电路板分为优秀型、良好型和较差型,进而分类处理,不仅提高了分类效率,还减少了人工成本,经济效益高。
实际应用时,对于较差型的电路板,可进行粉粹处理,提取电路板上可回收利用的重金属等材料,对于优秀型的电路板,可进行修复二次利用,对于良好型的电路板可根据电路板的类型、使用环境等选择性的粉碎回收或修复再利用。
如图4所示,一种回收电路板焊接缺陷快速检定***,包括算法库110、回收电路板数据库120、可见光照明模块210、非可见光照明模块220、拍摄装置230、图像处理模块310、分类处理模块320和结果输出模块330。
算法库110用于保存分类算法,回收电路板数据库120用于保存回收电路板的类型、缺陷特征参数和人工分类结果,可见光照明模块210向回收电路板的正面照射反射光用的可见光,非可见光照明模块220向回收电路板的反面照射透射光用的非可见光,拍摄装置230拍摄回收电路板的正面的图像,图像处理模块310连接拍摄装置230,能够对图像进行解析,得到回收电路板的焊接缺陷区域,并提取缺陷特征参数,分类处理模块320连接算法库110和回收电路板数据库120,能够根据回收电路板的类型,通过预设的算法库110,选择分类算法,并基于缺陷特征参数,得到分类结果,结果输出模块330连接分类处理模块320,能够显示分类结果。
本发明提供了的回收电路板焊接缺陷快速检定***,能够实现回收电路板缺陷快速识别和回收电路板分类,易于实现,操作简单,性能稳定,分类精度高。
以上内容仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不脱离本发明的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。
Claims (10)
1.一种回收电路板焊接缺陷快速检定方法,其特征在于,包括:
步骤一、向回收电路板的正面照射反射光用的可见光,反面照射透射光用的非可见光,并获取所述回收电路板的正面的图像;
步骤二、对所述图像进行解析,得到所述回收电路板的焊接缺陷区域;
步骤三、通过对所述焊接缺陷区域进行特征识别,得到所述回收电路板的缺陷特征参数;
步骤四、根据所述回收电路板的类型,通过预设的算法库,选择分类算法,基于所述缺陷特征参数,得到分类结果,并根据所述分类结果进行分类处理。
2.如权利要求1所述的回收电路板焊接缺陷快速检定方法,其特征在于,所述可见光为白色光源,所述非可见光为近红外线光源。
3.如权利要求2所述的回收电路板焊接缺陷快速检定方法,其特征在于,所述步骤二包括:
采用3×3滤波模板进行双边滤波,消除所述图像中的噪声;
采用最大类间方差法将所述图像进行阈值分割,并输出二值化图像;
将所述二值化图像与电路板标准二值化图像进行对比,采用差分法得到缺陷区域。
4.如权利要求3所述的回收电路板焊接缺陷快速检定方法,其特征在于,所述缺陷特征参数包括形态特征、颜色特征和纹理特征。
5.如权利要求4所述的回收电路板焊接缺陷快速检定方法,其特征在于,所述形态特征包括:
通过对所述焊接缺陷区域中互不连通的区域进行标号,可得到缺陷点数量;
对所述缺陷点在水平面投影的横截面积内的像素进行统计计算,得到缺陷面积A=πmn,其中m表示缺陷点长半轴,n表示缺陷点短半轴;
通过计算缺陷点脊线的像素数目得到缺陷点周长C=2πn+4(m-n)。
6.如权利要求5所述的回收电路板焊接缺陷快速检定方法,其特征在于,所述纹理特征包括:
设定像素位移参数(a,b),a表示角度,a∈(0°,45°,90°,135°),b表示距离;
单个像素点及其偏移点生成灰度值对;
遍历每个像素点生成灰度共生矩阵,并计算所述灰度共生矩阵的特征值;
其中,所述特征值包括能量、对比度、逆差距和熵。
7.如权利要求6所述的回收电路板焊接缺陷快速检定方法,其特征在于,所述分类算法包括Canopy聚类算法、逻辑回归算法和Xmeans聚类算法。
8.如权利要求7所述的回收电路板焊接缺陷快速检定方法,其特征在于,所述选择分类算法包括:
获取多个同一类型回收电路板的所述缺陷特征参数和人工分类结果,并保存到回收电路板数据库;
将所述缺陷特征参数进行归一化处理,并分别输入所述Canopy聚类算法、所述逻辑回归算法和所述Xmeans聚类算法,以得到第一分类结果、第二分类结果和第三分类结果;
将所述第一分类结果、第二分类结果和第三分类结果与所述人工分类结果进行匹配,筛选出匹配度最高的所述分类结果对应的分类算法。
9.如权利要求8所述的回收电路板焊接缺陷快速检定方法,其特征在于,所述分类结果包括:
优秀型,其修复难度小,修复后能够二次利用;
良好型,其修复难度适中,根据所述回收电路板的类型,选择修复或直接废弃;
较差型,其修复难度大,直接废弃。
10.一种回收电路板焊接缺陷快速检定***,其特征在于,包括:
算法库,其用于保存分类算法;
回收电路板数据库,其用于保存回收电路板的类型、缺陷特征参数和人工分类结果;
可见光照明模块,其向回收电路板的正面照射反射光用的可见光;
非可见光照明模块,其向所述回收电路板的反面照射透射光用的非可见光;
拍摄装置,其拍摄所述回收电路板的正面的图像;
图像处理模块,其连接所述拍摄装置,能够对所述图像进行解析,得到所述回收电路板的焊接缺陷区域,并提取缺陷特征参数;
分类处理模块,其连接所述算法库和所述回收电路板数据库,能够根据所述回收电路板的类型,通过预设的算法库,选择分类算法,并基于所述缺陷特征参数,得到分类结果;
结果输出模块,其连接所述分类处理模块,能够显示分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111083947.XA CN113791090A (zh) | 2021-09-14 | 2021-09-14 | 一种回收电路板焊接缺陷快速检定***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111083947.XA CN113791090A (zh) | 2021-09-14 | 2021-09-14 | 一种回收电路板焊接缺陷快速检定***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113791090A true CN113791090A (zh) | 2021-12-14 |
Family
ID=79183592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111083947.XA Pending CN113791090A (zh) | 2021-09-14 | 2021-09-14 | 一种回收电路板焊接缺陷快速检定***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113791090A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA1229898A (en) * | 1985-04-04 | 1987-12-01 | Northern Telecom Limited | Automatic optical inspection system |
US4772125A (en) * | 1985-06-19 | 1988-09-20 | Hitachi, Ltd. | Apparatus and method for inspecting soldered portions |
US4809308A (en) * | 1986-02-20 | 1989-02-28 | Irt Corporation | Method and apparatus for performing automated circuit board solder quality inspections |
US5197105A (en) * | 1990-05-30 | 1993-03-23 | Dainippon Screen Mfg. Co. Ltd. | Method of reading optical image of inspected surface and image reading system employabale therein |
US5204912A (en) * | 1990-02-26 | 1993-04-20 | Gerber Systems Corporation | Defect verification and marking system for use with printed circuit boards |
CN1138213A (zh) * | 1995-01-30 | 1996-12-18 | 日本电气株式会社 | 用肉眼检查半导体器件引线的方法及设备 |
US6205239B1 (en) * | 1996-05-31 | 2001-03-20 | Texas Instruments Incorporated | System and method for circuit repair |
US6292582B1 (en) * | 1996-05-31 | 2001-09-18 | Lin Youling | Method and system for identifying defects in a semiconductor |
US20040218808A1 (en) * | 1999-05-04 | 2004-11-04 | Prince David P. | Systems and methods for detecting defects in printed solder paste |
CN103529041A (zh) * | 2013-10-31 | 2014-01-22 | 广州华工机动车检测技术有限公司 | 基于图像特征的电路板新旧程度判定方法和*** |
CN103926254A (zh) * | 2014-05-08 | 2014-07-16 | 康代影像科技(苏州)有限公司 | 一种用于pcb板缺陷检测的统计***及方法 |
EP2801816A2 (de) * | 2013-05-07 | 2014-11-12 | WiTrins s.r.o. | Verfahren und Vorrichtung zur optischen Analyse eines PCBs |
CN110288260A (zh) * | 2019-07-02 | 2019-09-27 | 太原理工大学 | 基于半监督聚类的煤泥浮选药剂添加量评价方法 |
-
2021
- 2021-09-14 CN CN202111083947.XA patent/CN113791090A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA1229898A (en) * | 1985-04-04 | 1987-12-01 | Northern Telecom Limited | Automatic optical inspection system |
US4772125A (en) * | 1985-06-19 | 1988-09-20 | Hitachi, Ltd. | Apparatus and method for inspecting soldered portions |
US4809308A (en) * | 1986-02-20 | 1989-02-28 | Irt Corporation | Method and apparatus for performing automated circuit board solder quality inspections |
US5204912A (en) * | 1990-02-26 | 1993-04-20 | Gerber Systems Corporation | Defect verification and marking system for use with printed circuit boards |
US5197105A (en) * | 1990-05-30 | 1993-03-23 | Dainippon Screen Mfg. Co. Ltd. | Method of reading optical image of inspected surface and image reading system employabale therein |
CN1138213A (zh) * | 1995-01-30 | 1996-12-18 | 日本电气株式会社 | 用肉眼检查半导体器件引线的方法及设备 |
US6205239B1 (en) * | 1996-05-31 | 2001-03-20 | Texas Instruments Incorporated | System and method for circuit repair |
US6292582B1 (en) * | 1996-05-31 | 2001-09-18 | Lin Youling | Method and system for identifying defects in a semiconductor |
US20040218808A1 (en) * | 1999-05-04 | 2004-11-04 | Prince David P. | Systems and methods for detecting defects in printed solder paste |
EP2801816A2 (de) * | 2013-05-07 | 2014-11-12 | WiTrins s.r.o. | Verfahren und Vorrichtung zur optischen Analyse eines PCBs |
CN103529041A (zh) * | 2013-10-31 | 2014-01-22 | 广州华工机动车检测技术有限公司 | 基于图像特征的电路板新旧程度判定方法和*** |
CN103926254A (zh) * | 2014-05-08 | 2014-07-16 | 康代影像科技(苏州)有限公司 | 一种用于pcb板缺陷检测的统计***及方法 |
CN110288260A (zh) * | 2019-07-02 | 2019-09-27 | 太原理工大学 | 基于半监督聚类的煤泥浮选药剂添加量评价方法 |
Non-Patent Citations (1)
Title |
---|
贾永红 等: "《数字图像处理实习教程》", 30 November 2016, 武汉大学出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rasheed et al. | Fabric defect detection using computer vision techniques: a comprehensive review | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN105894036B (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
CN111833306B (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
Tsa et al. | Automated surface inspection using Gabor filters | |
Anitha et al. | A survey on defect detection in bare PCB and assembled PCB using image processing techniques | |
CN105067638B (zh) | 基于机器视觉的轮胎胎膜表面字符缺陷检测方法 | |
CN102937595B (zh) | 一种pcb板检测方法、装置及*** | |
CN109409355B (zh) | 一种新型变压器铭牌识别的方法及装置 | |
Zhang et al. | Fabric defect classification based on LBP and GLCM | |
CN110618134A (zh) | 钢板表面质量缺陷检测评级***及方法 | |
CN109101976B (zh) | 一种灭弧栅片表面缺陷的检测方法 | |
CN110473201A (zh) | 一种刹车片表面缺陷的自动检测方法及装置 | |
CN107610085A (zh) | 一种基于计算机视觉的焊点缺陷检测*** | |
CN109816627B (zh) | 平面玻璃元件油墨区弱小缺陷目标检测方法 | |
CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
CN111681213A (zh) | 一种基于深度学习的导光板线划伤缺陷检测方法 | |
CN108020554A (zh) | 一种带钢表面缺陷识别检测方法 | |
CN111415330A (zh) | 基于深度学习的铜箔外观缺陷检测方法 | |
CN103091330A (zh) | 模拟人类视觉感知机理的铜带表面缺陷辨识装置及方法 | |
Lin et al. | Surface defect detection of machined parts based on machining texture direction | |
Tang et al. | Surface inspection system of steel strip based on machine vision | |
CN113822836B (zh) | 标记图像的方法 | |
Zhang et al. | An automatic defect detection method for TO56 semiconductor laser using deep convolutional neural network |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211214 |