CN114202515A - 一种湿度传感器的印刷碳线缺陷的检测方法 - Google Patents
一种湿度传感器的印刷碳线缺陷的检测方法 Download PDFInfo
- Publication number
- CN114202515A CN114202515A CN202111433558.5A CN202111433558A CN114202515A CN 114202515 A CN114202515 A CN 114202515A CN 202111433558 A CN202111433558 A CN 202111433558A CN 114202515 A CN114202515 A CN 114202515A
- Authority
- CN
- China
- Prior art keywords
- image
- humidity sensor
- transformation
- defects
- threshold
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 64
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 60
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 239000000919 ceramic Substances 0.000 claims abstract description 25
- 239000000758 substrate Substances 0.000 claims abstract description 25
- 230000009466 transformation Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 23
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 13
- 238000003708 edge detection Methods 0.000 claims description 11
- 230000000877 morphologic effect Effects 0.000 claims description 11
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 10
- 229910052704 radon Inorganic materials 0.000 claims description 9
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 9
- 229920000642 polymer Polymers 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及湿度传感器缺陷检测领域,具体涉及一种湿度传感器印刷碳线缺陷的检测方法,该发明通过采集湿度传感器清晰图像,图像经过阈值分割、形态学处理、边缘检测、倾斜矫正、ROI区域提取、累计直方图、小波变换等处理,然后提取处理后的图像特征数据分别训练BP神经网络和fisher线性分类器建立新的分类器,BP神经网络分类器对湿度传感器印刷碳线缺陷和缺角分类。本发明能够快速、检测精度高、稳定的检测湿度传感器陶瓷基片印刷碳线缺陷并进行分类。
Description
技术领域
本发明涉及湿度传感器缺陷检测领域,具体涉及一种湿度传感器的印刷碳线缺陷的检测方法。
背景技术
湿度传感器是用于测试空气中水分含量的常用工具,在生活中被广泛应用于各行各业,其中高 分子电阻型湿度传感器是目前应用最广泛的湿度传感器之一。在湿度传感器的生产制造中,由于碳 线线路是在一整块陶瓷基片上对多个湿度传感器基片统一进行印刷,所以需要将印刷有碳线的陶瓷 基片进行切割,然后是对陶瓷片进行清洗并将引脚焊接在焊盘上,接下来是采用高分子溶液对湿度 传感器陶瓷片进行浸涂处理并进行烘干,形成高分子感湿薄膜。
在电阻型高分子湿度传感器的生产过程中,由于原材料的不均匀,生产车间温湿度的差异等原 因会造成产品存在瑕疵甚至是缺陷,需要对产品进行检测。目前,在高分子湿度传感器的生产中对 印刷线路检测主要有两个方面,一是性能检测,需要检验传感器的电气特性,这种方法比较耗时, 二则是外观检测,依靠工人对生产线下来的产品进行外观检查来判断其是否存在缺陷。而这种人工 检测存在很大的局限性,不仅效率低,检测精度和良品率也不高。
发明内容
本发明目的公开一种湿度传感器的印刷碳线缺陷的检测方法,实现对高分子湿度传感器的印刷 线路的快速检测。该***检测精度高,且能够提高生产效率和良品率。
为解决上述问题,本发明采用技术方案如下:
一种湿度传感器的印刷碳线缺陷的检测方法,其特征在于:所述方法包括如下步骤:
S1、陶瓷基片印刷碳线图像获取:通过摄像机获取湿度传感器的清晰图像;
S2、陶瓷基片印刷碳线图像处理:对S1中的图像进行阈值分割后再依次进行形态学处理、边 缘检测、倾斜矫正、ROI区域提取;
S3、陶瓷基片印刷碳线特征提取:提取S2处理后图像的几何形状特征训练BP神经网络,建立 分类器;
S4、陶瓷基片印刷碳线缺陷分类:分类器根据图像几何形状特征对印刷碳线缺陷分类;
所述步骤S1采用前向照明方式。
所述步骤S2中的阈值分割采用Otsu算法,通过阈值T将S1中的图像分割为湿度传感器图像 和背景,其确定阈值T步骤如下:
其中,L为整数灰度级个数,ni为灰度级i的像素总数;
2)设初始阈值T为最小灰度值g,将图像进行分割,计算出这两类的像素点数占图像比例W1和 W2,以及前背景的平均灰度U1和U2;
3)计算整个图像的平均灰度U:
4)计算出类间方差σ(k):
σ(k)=W1*(U1-U)2+W2*(U2-U)2;
5)遍历图像中所有灰度值k,重复步骤2)到步骤4),比较所有类间方差,当σ(k)取得最大值 时,k即为分割的最佳阈值,所述Otsu算法阈值分割后得到的湿度传感器图像为二值图。
所述步骤S2中采用边长为12的方形结构元进行开运算操作对阈值分割后的二值图进行形态学 处理,并使用matlab函数E=bwareaopen(E,n)去除湿度传感器图像中的碳线区域,所述边缘检测 采用Canny算法提取形态学处理后图像中的湿度传感器的轮廓,所述倾斜矫正采用基于Radon变换 和仿射变换的算法对湿度传感器图像角度和畸变的矫正。
所述Canny边缘检测算子提取湿度传感器轮廓,基本步骤如下:
(1)高斯滤波,
(2)计算梯度图像和角度图像,
(3)非极大值抑制,
(4)双阈值进行边缘连接。
所述Radon变换通过提取的湿度传感器轮廓找到靠近水平方向的直线,得到倾斜角度,接着对 湿度传感器图像进行水平矫正;再通过仿射变换的水平方向的偏移变换对湿度传感器图形进行竖直 方向的矫正;
其中Sh表示靠近竖直方向直线与水平方向直线夹角的正切值,通过Radon变换可得到该角。
所述ROI区域提取具体步骤为:
S231纵向截取,计算矫正后湿度传感器图像中每一列的像素累加值,得到统计直方图,然后 通过算法自动选取边界值对湿度传感器图像进行截取;
S232横向截取,将纵向截取得到的图像做一个90度的旋转变换,再计算图像中每一列的像素 累加值,得到统计直方图,通过算法自动选取边界值对湿度传感器图像进行截取,再做一个-90度 的旋转变换,得到完整的湿度传感器图像。
所述陶瓷基片印刷碳线缺陷检测中对缺角缺陷通过提取图像形状复杂度训练BP神经网络建立 分类器分类。
.本发明对印刷碳线检测分类采用前向照明方式突出湿度传感器表面上的印刷碳线进而获取图 像,图像依次进行阈值分割、形态学处理、边缘检测、倾斜矫正、ROI区域提取处理有效的突出湿 度传感器图像的几何形状特征,提高了对印刷碳线检测精度,且BP神经网络具有较好的容错率和 自适应能力,在面对复杂的图像仍能对印刷碳线缺陷准确分类。
另外,缺角检测不与其他缺陷一起参与建立分类器,而是通过提取阈值分割二值化和形态学处 理之后得到的图像的形状复杂度来实现分类,不需要对缺角图像进行后续处理如倾斜矫正等处理, 进而简化算法,减少检测运行时间,提高检测效率。同时本发明检测过程稳定且无需人工参与,提 高了湿度传感器生产效率和良品率,降低企业生产成本。
附图说明
图1为湿度传感器陶瓷基片印刷线路缺陷检测***流程框图。
图2为湿度传感器高分子感湿薄膜成膜缺陷检测***流程框图。
图3为湿度传感器陶瓷基片印刷线路缺陷图,从左到右依次为正常、断路、短路、大面积短路。
图4为形态学处理前后示意图,左是处理前,右是处理后。
图5为去除碳线前后的图像,左图为去除碳线区域前,右图为去除碳线区域后。
图6为Canny算子提取的湿度传感器轮廓示意图。
图7为基于Radon变换和仿射变换的倾斜矫正算法处理流程。
图8为湿度传感器图像水平矫正示意图。
图9为湿度传感器图像竖直矫正示意图。
图10为ROI区域提取湿度传感器前后示意图,左为提取前,右为提取后。
图11为湿度传感器图像最终处理效果图。
图12为BP神经网络分类识别算法流程图。
图13为BP神经网络结构示意图。
图14为缺角图像与非缺角图像示意图。
图15为缺角图像与非缺角图像分类流程示意图。
图16为BP神经网络测试结果。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于 用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技 术方案,但其不能理解为对本发明保护范围的限制。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发 明作进一步详细的说明。
如图1所示,一种湿度传感器印刷碳线缺陷和感湿膜缺陷的检测***及方法,包括陶瓷基片印 刷碳线缺陷检测和高分子感湿薄膜成膜缺陷检测,所述陶瓷基片印刷碳线缺陷检测包括如下步骤:
S1、陶瓷基片印刷碳线图像获取:使用黑色背景以及使用寿命长、响应速度快的LED光源,通 过LED光源和相机位于被拍物体的同侧的前向照明方式,进而通过摄像机获取湿度传感器表面清晰 图像。
前向照明方式能够有效的突出湿度传感器表面印刷碳线轮廓。
S2、陶瓷基片印刷碳线图像处理:对S1中的图像先采用Otsu(大津法)阈值分割算法,通过 算法得到一个阈值T,将图像分割为湿度传感器图像和背景图像两个部分,其确定阈值T的算法步 骤具体如下:
1)计算输入图像的归一化直方图,设MxN图像的灰度范围为{0,1,2,…,L-1},那么对应灰度值 为i的像素出现的概率Pi:
其中,L为整数灰度级个数,ni为灰度级i的像素总数。
2)设初始阈值T为最小灰度值g,将图像进行分割,计算出这两类的像素点数占图像比例W1和 W2,以及前背景的平均灰度U1和U2
3)计算整个图像的平均灰度U:
其中U1和U2为前背景的平均灰度,W1和W2为像素点数占图像比例。
4)计算出类间方差σ(k):
σ(k)=W1*(U1-U)2+W2*(U2-U)2
5)遍历图像中所有灰度值k,重复步骤2)到步骤4),比较所有类间方差,当σ(k)取得最大 值时,k即为分割的最佳阈值。
具体的阈值分割后得到了湿度传感器图像为二值图。
如图4所示,形态学处理:通过边长为12的方形结构元进行开运算操作的形态学处理削弱湿 度传感器图像边界边缘的锯齿状,变得较为平滑。
长为12的方形结构元进行开运算操作在平滑边界的同时对面积影响小。
在下一步边缘检测提取轮廓时,并不需要用到印刷碳线图像,所以提前将其去除,只留下最外 面的湿度传感器图像边框,使用matlab自带的函数E=bwareaopen(E,n);即可实现,处理结果如图 5所示。
边缘检测:通过Canny边缘检测算子提取湿度传感器轮廓,基本步骤如下:
(1)高斯滤波,
(2)计算梯度图像和角度图像,
(3)非极大值抑制,
(4)双阈值进行边缘连接。
Canny边缘提取算子能很好地提取如图6所示湿度传感器的轮廓。
如图7-9所示,倾斜矫正:提取的湿度传感器轮廓图像,利用Radon变换找到靠近水平方向的 直线,得到倾斜角度,接着对图像进行旋转进行水平方向的矫正,旋转后的图像是平行四边形,
再通过仿射变换将湿度传感器图形进行竖直方向的矫正,其矫正为矩形图像。
其中Sh为靠近竖直方向直线与水平方向直线夹角的正切值。
采用Radon变换和仿射变换的倾斜矫正算法能够减少程序运行时间,进而加快了缺陷检测*** 的运行速度。
如图10所示,ROI区域提取:湿度传感器图像在矩形图像中占比较小,对倾斜矫正处理后的 矩形图像先是纵向截取,计算图像中每一列的像素累加值,可以达到一个统计直方图,通过算法自 动选取边界值对图像进行截取。
再通过横向截取,将纵向截取得到的图像做一个90度的旋转变换,再执行和纵向截取同样的 算法,最后再做一个-90度的旋转变换,将矩形图像中的湿度传感器图像提取出来。
提取的湿度传感器图像对四周进行简单的填充即可消除四周黑色区域,得到如图11所示碳线 缺陷检测图像最终处理效果图。
具体步骤为,求取图像的尺寸,对图像的从左上角第一个像素点,横向截止到第15个像素点, 从上到下扫描每一行15个像素点的值,若为0,则赋予新值1,去除左侧黑色区域,以此类推即可 对去除图像四周黑色区域。经过去除四周的黑色区域,并对图像做一个非处理得到碳线缺陷检测图 像最终处理效果图。
如图12所示,S3、陶瓷基片印刷碳线特征提取:提取湿度传感器图像连通域数量、面积、平 均面积、周长、形状复杂度几何特征输入训练BP神经网络建立分类器。
缺陷图像的连通域数量N
提取特征的缺陷图像中,断路缺陷图像,其连通域数量为3,而对于短路缺陷图像,其连通域 数量为1。
缺陷图像的面积S
其中,D表示缺陷区域,I(x,y)表示经过分割后的缺陷图像,由于该图像经过了二值化,所以 缺陷区域的像素点的数值为1,背景区域像素点的值为0,通过求和可以得到缺陷图像的面积。
缺陷图像的平均面积MS:
MS=S/N
其中S为面积,N为连通域数量。
缺陷图像的轮廓周长L:
M,N表示并列或倾斜连接的轮廓的像素点数目。
缺陷图像的形状复杂度F:
F=L2/S L
L轮廓周长,S缺陷区域的面积。
S4、陶瓷基片印刷碳线缺陷分类:分类器根据图像几何形状特征数据对湿度传感器图像的印刷 碳线正常、断路、短路、大面积短路分类。
如图13所示,具体BP神经网络参数设置,输出层节点数为4,隐含层设置1层,隐含层节点 数为4,BP神经网络具有较好的容错率和自适应能力,同时对缺陷识别精度高。
如图14-15所示,湿度传感器缺角缺陷并未与印刷碳线正常、断路、短路、大面积短路一起建 立分类器,通过提取正常湿度传感器正常和缺角图像的形状复杂度特征输入训练BP神经网络建立 分类器,实现正常、断路、短路、大面积短路与缺角的湿度传感器分类,简化了算法,减少程序运 行时间,进而加快***识别速度。
以下为正常和缺角两种图像形状复杂度F的统计数据:
缺角图像形状复杂度
非缺角图像形状复杂度
具体地,当形状复杂度F>60时为缺角缺陷,反之为正常、短路、断路、大面积短路其中一种。
具体实施例:
湿度传感器印刷碳线缺陷检测分类:本实施例选择720张陶瓷基片印刷碳线图像进行训练和测 试,其中一部分来自相机拍摄所得图像,另一部分则是通过根据采集的样本和具体环境模拟生成的, 通过BP神经网络实现对陶瓷基片印刷碳线缺陷图像的分类,将480张样本图像作为训练样本用于 提取特征训练BP神经网络,其中480张样本图像中短路,断路,大面积短路,正常样本都是180 张,剩下240张为测试样本用于测试该分类器,可得到如图16所示测试结果。
湿度传感器缺角缺陷检测分类:本实施例使用60张图像用于缺角检测,分成两组,其中20 张缺角图像和20张非缺角图像用于训练分类器,寻找分类阈值,剩余10张缺角图像和10张非缺 角图像用于测试,得到测试结果如下:
缺角检测测试结果
可看到分类器能准确识别该湿度传感器图像是否为湿度传感器缺角图像。
最终BP神经网络分类器测试分类印刷碳线缺陷和缺角缺陷准识别精度均为100%,同时BP 神经网络具有较好的容错率和自适应能力,使得***在应对复杂的湿度传感器图像仍能准确分类缺 陷。
.本发明对印刷碳线检测分类采用前向照明方式突出湿度传感器表面上的印刷碳线进而获取图 像,图像依次进行阈值分割、形态学处理、边缘检测、倾斜矫正、ROI区域提取处理有效的突出湿 度传感器图像的几何形状特征,提高了对印刷碳线检测精度,且BP神经网络具有较好的容错率和 自适应能力,在面对复杂的图像仍能对印刷碳线缺陷准确分类。
缺角检测不与其他缺陷一起参与建立分类器,而是通过提取阈值分割二值化和形态学处理之后 得到的图像的形状复杂度来实现分类,不需要对缺角图像进行后续处理如倾斜矫正等处理,进而简 化算法,减少检测运行时间,提高检测效率。同时本发明检测过程稳定且无需人工参与,提高了湿 度传感器生产效率和良品率,降低企业生产成本。
以上所述仅为本发明的优选并不用于限制本发明,显然,本领域的技术人员可以对本发明进行 各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权 利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变形在内。
Claims (8)
1.一种湿度传感器的印刷碳线缺陷的检测方法,其特征在于:所述方法包括如下步骤:
S1、陶瓷基片印刷碳线图像获取:通过摄像机获取湿度传感器的清晰图像;
S2、陶瓷基片印刷碳线图像处理:对S1中的图像进行阈值分割后再依次进行形态学处理、边缘检测、倾斜矫正、ROI区域提取;
S3、陶瓷基片印刷碳线特征提取:提取S2处理后图像的几何形状特征训练BP神经网络,建立分类器;
S4、陶瓷基片印刷碳线缺陷分类:分类器根据图像几何形状特征对印刷碳线缺陷分类。
2.根据权利要求1所述的湿度传感器的印刷碳线缺陷的检测方法,其特征在于:所述步骤S1采用前向照明方式。
3.根据权利要求1所述的湿度传感器的印刷碳线缺陷的检测方法,其特征在于:所述步骤S2中的阈值分割采用Otsu算法,通过阈值T将S1中的图像分割为湿度传感器图像和背景,其确定阈值T步骤如下:
其中,L为整数灰度级个数,ni为灰度级i的像素总数;
2)设初始阈值T为最小灰度值g,将图像进行分割,计算出这两类的像素点数占图像比例W1和W2,以及前背景的平均灰度U1和U2;
3)计算整个图像的平均灰度U:
4)计算出类间方差σ(k):
σ(k)=W1*(U1-U)2+W2*(U2-U)2;
5)遍历图像中所有灰度值k,重复步骤2)到步骤4),比较所有类间方差,当σ(k)取得最大值时,k即为分割的最佳阈值,所述Otsu算法阈值分割后得到的湿度传感器图像为二值图。
4.根据权利要求1所述的湿度传感器的印刷碳线缺陷的检测方法,其特征在于:所述步骤S2中采用边长为12的方形结构元进行开运算操作对阈值分割后的二值图进行形态学处理,并使用matlab函数E=bwareaopen(E,n)去除湿度传感器图像中的碳线区域,所述边缘检测采用Canny算法提取形态学处理后图像中的湿度传感器的轮廓,所述倾斜矫正采用基于Radon变换和仿射变换的算法对湿度传感器图像角度和畸变的矫正。
5.根据权利要求4所述的湿度传感器的印刷碳线缺陷的检测方法,其特征在于:所述Canny边缘检测算子提取湿度传感器轮廓,基本步骤如下:
(1)高斯滤波,
(2)计算梯度图像和角度图像,
(3)非极大值抑制,
(4)双阈值进行边缘连接。
7.根据权利要求1所述的湿度传感器的印刷碳线缺陷的检测方法,其特征在于:所述ROI区域提取具体步骤为:
S231纵向截取,计算矫正后湿度传感器图像中每一列的像素累加值,得到统计直方图,然后通过算法自动选取边界值对湿度传感器图像进行截取;
S232横向截取,将纵向截取得到的图像做一个90度的旋转变换,再计算图像中每一列的像素累加值,得到统计直方图,通过算法自动选取边界值对湿度传感器图像进行截取,再做一个-90度的旋转变换,得到完整的湿度传感器图像。
8.根据权利要求1所述的湿度传感器的印刷碳线缺陷的检测方法,其特征在于:所述陶瓷基片印刷碳线缺陷检测中对缺角缺陷通过提取图像形状复杂度训练BP神经网络建立分类器分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111433558.5A CN114202515B (zh) | 2021-11-29 | 2021-11-29 | 一种湿度传感器的印刷碳线缺陷的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111433558.5A CN114202515B (zh) | 2021-11-29 | 2021-11-29 | 一种湿度传感器的印刷碳线缺陷的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114202515A true CN114202515A (zh) | 2022-03-18 |
CN114202515B CN114202515B (zh) | 2023-04-07 |
Family
ID=80649494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111433558.5A Active CN114202515B (zh) | 2021-11-29 | 2021-11-29 | 一种湿度传感器的印刷碳线缺陷的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114202515B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477065A (zh) * | 2009-01-08 | 2009-07-08 | 西安电子科技大学 | 基于缺陷边界值变化次数的ic缺陷分类方法 |
CN101482927A (zh) * | 2009-02-06 | 2009-07-15 | 中国农业大学 | 基于自动视觉检测的异性纤维模糊分类***及其方法 |
CN102937595A (zh) * | 2012-11-13 | 2013-02-20 | 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*** |
CN105844621A (zh) * | 2016-03-17 | 2016-08-10 | 阜阳市飞扬印务有限公司 | 一种印刷品质量检测方法 |
CN106127746A (zh) * | 2016-06-16 | 2016-11-16 | 广州视源电子科技股份有限公司 | 电路板元件漏件检测方法和*** |
CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测***及方法 |
CN107886131A (zh) * | 2017-11-24 | 2018-04-06 | 佛山科学技术学院 | 一种基于卷积神经网络检测电路板元器件极性方法和装置 |
CN109242848A (zh) * | 2018-09-21 | 2019-01-18 | 西华大学 | 基于otsu和ga-bp神经网络墙纸缺陷检测与识别方法 |
CN109859181A (zh) * | 2019-01-29 | 2019-06-07 | 桂林电子科技大学 | 一种pcb焊点缺陷检测方法 |
CN109886931A (zh) * | 2019-01-25 | 2019-06-14 | 中国计量大学 | 基于bp神经网络的轮速传感器齿圈表面缺陷检测方法 |
CN111882547A (zh) * | 2020-07-30 | 2020-11-03 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于神经网络的pcb漏件检测方法 |
CN112801947A (zh) * | 2021-01-14 | 2021-05-14 | 唐山学院 | 一种led显示终端坏点的视觉检测方法 |
-
2021
- 2021-11-29 CN CN202111433558.5A patent/CN114202515B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477065A (zh) * | 2009-01-08 | 2009-07-08 | 西安电子科技大学 | 基于缺陷边界值变化次数的ic缺陷分类方法 |
CN101482927A (zh) * | 2009-02-06 | 2009-07-15 | 中国农业大学 | 基于自动视觉检测的异性纤维模糊分类***及其方法 |
CN102937595A (zh) * | 2012-11-13 | 2013-02-20 | 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*** |
CN105844621A (zh) * | 2016-03-17 | 2016-08-10 | 阜阳市飞扬印务有限公司 | 一种印刷品质量检测方法 |
CN106127746A (zh) * | 2016-06-16 | 2016-11-16 | 广州视源电子科技股份有限公司 | 电路板元件漏件检测方法和*** |
CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测***及方法 |
CN107886131A (zh) * | 2017-11-24 | 2018-04-06 | 佛山科学技术学院 | 一种基于卷积神经网络检测电路板元器件极性方法和装置 |
CN109242848A (zh) * | 2018-09-21 | 2019-01-18 | 西华大学 | 基于otsu和ga-bp神经网络墙纸缺陷检测与识别方法 |
CN109886931A (zh) * | 2019-01-25 | 2019-06-14 | 中国计量大学 | 基于bp神经网络的轮速传感器齿圈表面缺陷检测方法 |
CN109859181A (zh) * | 2019-01-29 | 2019-06-07 | 桂林电子科技大学 | 一种pcb焊点缺陷检测方法 |
CN111882547A (zh) * | 2020-07-30 | 2020-11-03 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于神经网络的pcb漏件检测方法 |
CN112801947A (zh) * | 2021-01-14 | 2021-05-14 | 唐山学院 | 一种led显示终端坏点的视觉检测方法 |
Non-Patent Citations (2)
Title |
---|
熊振姣: ""基于图像的线路板缺陷检测方法研究"", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
郭联金 等: ""基于亚像素的 PCB 表面质量检测"", 《电子质量》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114202515B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
CN109035195B (zh) | 一种织物疵点检测方法 | |
WO2021168733A1 (zh) | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 | |
CN105158258A (zh) | 一种基于计算机视觉的竹条表面缺陷检测方法 | |
CN107490582B (zh) | 一种流水线工件检测*** | |
CN109389566B (zh) | 基于边界特征的地铁高度调节阀紧固螺母不良状态检测方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN111753794B (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
CN113706490B (zh) | 一种晶片缺陷检测方法 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测*** | |
CN113506246B (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及*** | |
CN113628161A (zh) | 缺陷检测方法、装置及计算机可读存储介质 | |
KR102242996B1 (ko) | 자동차 사출제품의 비정형 불량 검출 방법 | |
CN115953373A (zh) | 玻璃缺陷检测方法、装置、电子设备及存储介质 | |
CN114166849B (zh) | 一种湿度传感器印刷碳线缺陷和感湿膜缺陷的检测方法 | |
CN109141829B (zh) | 一种靶线清晰度计算及工业相机后截距的检测方法 | |
CN114140426B (zh) | 一种湿度传感器陶瓷基片印刷碳线图像处理倾斜矫正算法 | |
CN114202515B (zh) | 一种湿度传感器的印刷碳线缺陷的检测方法 | |
CN110516725B (zh) | 基于机器视觉的木板条纹间距和颜色的检测方法 | |
CN108898584B (zh) | 一种基于图像分析的全自动贴面电容装焊极性判别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |