CN114372984A - 一种超分辨率元器件角度识别装置及方法 - Google Patents
一种超分辨率元器件角度识别装置及方法 Download PDFInfo
- Publication number
- CN114372984A CN114372984A CN202210279738.0A CN202210279738A CN114372984A CN 114372984 A CN114372984 A CN 114372984A CN 202210279738 A CN202210279738 A CN 202210279738A CN 114372984 A CN114372984 A CN 114372984A
- Authority
- CN
- China
- Prior art keywords
- image
- target component
- component
- resolution
- resolution picture
- 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 34
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 43
- 238000013136 deep learning model Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 12
- 239000004973 liquid crystal related substance Substances 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000005549 size reduction Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 11
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000003672 processing method Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- RSWGJHLUYNHPMX-UHFFFAOYSA-N Abietic-Saeure Natural products C12CCC(C(C)C)=CC2=CCC2C1(C)CCCC2(C)C(O)=O RSWGJHLUYNHPMX-UHFFFAOYSA-N 0.000 description 1
- KHPCPRHQVVSZAH-HUOMCSJISA-N Rosin Natural products O(C/C=C/c1ccccc1)[C@H]1[C@H](O)[C@@H](O)[C@@H](O)[C@@H](CO)O1 KHPCPRHQVVSZAH-HUOMCSJISA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- KHPCPRHQVVSZAH-UHFFFAOYSA-N trans-cinnamyl beta-D-glucopyranoside Natural products OC1C(O)C(O)C(CO)OC1OCC=CC1=CC=CC=C1 KHPCPRHQVVSZAH-UHFFFAOYSA-N 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4023—Scaling of whole images or parts thereof, e.g. expanding or contracting based on decimating pixels or lines of pixels; based on inserting pixels or lines of pixels
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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种超分辨率元器件角度识别装置及方法,对元器件的图像进行采集,并对采集到的目标元器件细节特征进行放大,再结合直线拟合方法,精确计算得到元器件贴装角度信息,并将元器件角度计算值与预设值进行比较,自动判定待测元器件是否符合测试要求。本发明的有益效果:对于小封装的元器件,本发明针对AOI设备以及人眼都难以精确判定元器件贴装角度,检测精度较差,很难满足生产和检测的问题,采用图像超分辨率处理方法,提高元器件的贴装精度,保证电路板运行稳定性。
Description
技术领域
本发明属于图像处理技术领域,是一种超分辨率元器件角度识别装置及方法。
背景技术
在制造业加工领域,无论是在表面贴装过程中或是最后的检测过程中都需要对于元器件放置角度进行检测,如果元器件放置角度与需求角度差距过大,则极易造成该元器件虚焊,影响整个电路板的稳定性。对于这一检测过程,传统方案是采用人眼检测的方法,但是对于元器件数量较多或元器件体积较小的情况,该方法很容易产生错漏,而且效率较低。现有其他方案采用AOI设备中的元器件检测的功能进行检测,相较于传统的人眼检测,该方法准确率有所提高,但是AOI设备造价高昂,并且在检测过程中也会需要人工进行参与,没有做到完全的自动化。并且对于小封装的元器件,AOI设备由于图像采集设备像素限制,对元器件角度识别误差较大,很难满足生产和检测要求,因此,如何能自动、高效、准确、低成本的对于元器件放置角度进行检测是需要解决的问题。
本发明针对现有方案的不足,采用图像处理技术对采集到的元器件图像进行超分辨率放大再进行元器件角度检测,不需要人工参与,将传统主观目视判别变为客观图像判别,可以提高元器件检测精度,降低漏检率和人工成本,提高生产测试效率。
发明内容
本发明所解决的技术问题在于提供一种元器件角度检测装置及方法,通过对元器件的图像进行采集和输入,并且对于输入图像采用图像超分辨率处理和识别技术得到元器件的角度信息,通过与元器件角度预设值进行比较,判断待测元器件是否符合测试要求,从而自动区分合格品和不合格品。
实现本发明目的的技术解决方案为:
首先公开了一种超分辨率元器件角度识别方法,包括以下步骤:
步骤1:获取元器件的高分辨率图片-低分辨率图片样本;
步骤2:以低分辨率图片为模型输入,以高分辨率图片为模型输出,建立图像超分辨率神经网络深度学习模型;
步骤3:采集目标元器件图像;
步骤4:目标元器件图像预处理获得目标元器件低分辨率图片;
步骤5:目标元器件低分辨率图片输入图像超分辨率神经网络深度学习模型,获取目标元器件高分辨率图片;
步骤6:将目标元器件高分辨率图片二值化并进行形态学处理,保留目标元器件的边缘信息;将目标元器件的边缘点拟合出一条最优直线,所述直线与水平方向的夹角即为目标元器件的角度。
优选的,它还包括步骤7:基于目标元器件的角度判断贴装误差是否小于误差允许值,并将判断结果传输给执行模块。
优选的,它还包括步骤8:执行模块根据步骤7中的判断结果控制下一环节执行方式。
具体的,步骤1中,首先获取元器件的高分辨率图片样本,将高分辨率图片转换为低分辨率图片以获得低分辨率图片样本。
具体的,图像尺寸缩小方法为,将每9个相邻像素点抽取每3个像素点之间的中间像素点,最终留下4个角点,重复上述步骤直到图像尺寸满足要求。
具体的,步骤3中,执行模块使用传送带将待测电路板移动至元器件图像采集模块工作区,元器件图像采集模块的摄像头对目标元器件进行图像采集。
具体的,步骤4中,图像进行预处理:删除与目标元器件无关的背景部分,消除干扰因素,保留目标元器件的轮廓和色彩信息,得到目标元器件的低分辨率图像。
本发明还公开了一种超分辨率元器件角度识别装置,包括:元器件图像采集模块、运算和处理模块、显示模块、通信模块、执行模块。
元器件图像采集模块,包括摄像头以及配套的图像传输线缆,用于采集元器件图像,并传输给运算和处理模块进行后续处理。
运算和处理模块,包括1个或多个高性能神经网络处理器,用于运行图像超分辨率处理算法,并且将算法结果传输给显示模块、通信模块和执行模块。图像超分辨率处理算法包括:
步骤1:将高分辨率图片传输至运算和处理模块,将图像尺寸缩小,把高分辨率图片转换为低分辨率图片。
步骤2:以步骤1的低分辨率图片为模型输入,以高分辨率图片为模型输出,建立图像超分辨率神经网络深度学习模型。
步骤3:执行模块使用传送带将待测电路板移动至元器件图像采集模块工作区,元器件图像采集模块的摄像头对目标元器件进行图像采集;将图像数据传输到运算和处理模块,并输入高性能处理器中。
步骤4:对输入的目标元器件图像进行预处理,删除与目标元器件无关的背景部分,消除干扰因素,保留目标元器件的轮廓和色彩信息,得到目标元器件的低分辨率图像。
步骤5:将步骤4中得到的低分辨率图像输入步骤2中建立的图像超分辨率神经网络深度学习模型,输出模型重建出的目标元器件的高分辨率图片。
步骤6:将步骤5中目标元器件的高分辨率重建图片二值化并进行形态学处理,保留目标元器件的边缘信息。将目标元器件的边缘点拟合出一条最优直线,所述直线与水平方向的夹角即为目标元器件的角度。
步骤7:将计算出的目标元器件角度与元器件角度预设值进行比较,判断贴装误差是否小于误差允许值,以此判定目标元器件判定是否为合格品,并将判断结果传输给执行模块。
步骤8:执行模块根据步骤7中的判断结果控制下一环节执行方式:若产品合格,向下一环节进行传输;如果不合格,则将其单独检出。
显示模块,包括一个液晶显示器以及其配套的传输线缆,通过传输线缆将从运算和处理模块中得到的算法结果实时显示在液晶显示器上。
通信模块,包括无线网络通信单元,可用于访问网络,将从运算和处理模块得到的检测数据传到云端。
执行模块,包括传送带和机械臂,用于元器件的传输,并根据运算和处理模块的判定结果进行后续控制流程的执行,若接收到的结果合格,元器件向下一环节进行传输,如果不合格,则单独检出。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明方案采用图像处理技术进行图像检测,不需要人工参与,提高了检测效率,降低人工成本。
2、本发明采用超分辨率方案对摄像头拍摄到的元器件进行放大并还原为高分辨率图片,使得人眼难以准确判断角度的小封装元器件可以通过算法精确得出放置角度,大幅降低因元器件表贴问题导致的电路板故障。
附图说明
图1本发明的超分辨率元器件角度识别装置框图。
图2本发明超分辨率元器件角度识别方法框图。
图3本发明图像超分辨率神经网络深度学习模型框图。
具体实施方式
为了更好地理解本发明,下面结合附图和具体的实施方式对本发明进行更为详细描述。在以下描述中,当已有的现有技术的详细描述也许会淡化本发明的主题内容时,这些描述在这儿将被忽略。
如图1所示,超分辨率元器件角度识别装置10包括元器件图像采集模块100,运算和处理模块101,显示模块102,执行模块103,通信模块104。本发明选用电路板上小封装电阻角度检测作为本发明的一个实施例,用于阐述本发明装置的应用过程。
所述的元器件图像采集模块100,包括摄像头1000以及配套的数据传输线缆,用于采集小封装电阻图像,并将采集到的图像传输给运算和处理模块101进行后续处理。
所述的运算和处理模块101,包括多个高性能处理器1010。在本发明的一个实施例中,运算和处理模块101接收摄像头1000采集到的目标图像用于运行图像处理算法,并且将算法结果传输给显示模块102。
所述的显示模块102,包括一个液晶显示屏1020。所述的液晶显示屏1020对运算和处理模块101发送的算法结果进行实时显示。
所述的执行模块103,包括传送带和机械臂1030,用于电路板的传输,并根据运算和处理模块101的判定结果进行后续控制流程的执行,若接收到的结果合格,电路板向下一环节进行传输,如果不合格,则单独检出。
所述通信模块104包括无线网络通信单元1040。所述的无线网络通信单元1040用于网络数据传输,并将算法生成的图像和检测结果传到数据库存储,用于产品追溯。
所述的执行模块103使用传送带和机械臂1030将电路板移动至元器件图像采集模块100采集范围,通过元器件图像采集模块100对元器件进行图像采集,本发明的实施例中选用的元器件图像采集模块为摄像头1000。所述的元器件图像采集模块100将图像数据传输到运算和处理模块101,与预存的元器件角度预设值共同输入高性能处理器1010中,所选用的处理器(优选RK3399)具有复杂算法模型的运算能力,通过图像处理算法进行计算。
本发明还包括一种超分辨率元器件角度识别方法,该方法包括两部分内容:得到目标元器件的高分辨率图片和确定目标元器件的角度。结合图2,所述的超分辨率元器件角度识别方法包括以下步骤:
步骤1:在本发明的实施例中,将准备好的图像尺寸为200×200的高分辨率图片共80000张,传输至运算和处理模块101,通过将每9个相邻像素点抽取每3个像素点之间的中间像素点,最终留下4个角点的方式缩小图像尺寸,重复上述步骤直到图像尺寸满足25×25,把高分辨率图片转换为低分辨率图片。将上述高分辨率和相对应的低分辨率图片综合得到样本集。
步骤2:
(1)以步骤1中得到图像大小为25×25的低分辨率图片作为模型输入,以图像大小200×200的高分辨率图片作为模型输出,建立图像超分辨率神经网络深度学习模型。在本发明的一个实施例中,以步骤1得到的样本集的80%作为训练集,以样本集的20%作为测试集。
(2)构建图像超分辨率神经网络深度学习模型。深度学习模型采用卷积神经网络(如图3所示)构成,所述的深度学习模型分为三部分,分别为特征提取模块,特征映射模块,重建模块。所述的特征提取模块,主要用以提取低分辨率图像的抽象特征;所述的特征映射模块,主要用以建立低分辨率图像到高分辨图像之间的特征映射;所述的重建模块,主要用以重建高分辨率图像。在本发明的一个实施例中,特征提取模块卷积层一中的卷积核尺寸为9×9,卷积核数量为128,激励函数为ReLU。特征映射模块卷积层二中的卷积核尺寸为1×1,卷积核数量为64,激励函数为ReLU。重建模块反卷积层一和反卷积层二中的卷积核尺寸为5×5,卷积核数量为3,激励函数为ReLU。所述的反卷积层一的步长为4,反卷积层二的步长为2。
(3)初始化图像超分辨率神经网络深度学习模型的所有参数,并设置模型训练结束条件,使用占80%样本集的训练样本来完成深度学习模型的训练过程;训练过程即以步骤1中得到的低分辨率图片作为深度学习模型的输入,以高分辨率图片作为深度学习模型的输出,不断调整深度学习模型的所有参数,直到达到训练终止条件(即达到最大迭代次数)的过程。
(4)所述占样本集20%的测试集包括低分辨率图片及其对应的高分辨率图片。将测试样本低分辨率图片输入到训练后的深度学习模型中得到测试样本对应的测试输出,即测试样本的高分辨率重建图片。然后,将模型输出的高分辨率重建图片与测试样本集中的高分辨率原图进行对比,通过计算损失函数的结果大小,评价模型优劣,并进行模型超参数调节,确定最终模型函数;
所述损失函数为均方损失函数:
步骤3:执行模块103使用传送带和机械臂1030将待测电路板移动至元器件图像采集模块100工作区,元器件图像采集模块100的摄像头1000对目标元器件进行图像采集;将图像数据传输到运算和处理模块101,并输入高性能处理器1010中。
步骤4:对输入的目标元器件图像进行预处理,删除与目标元器件无关的背景部分,消除干扰因素,保留目标元器件的轮廓和色彩信息,得到目标元器件的低分辨率图像,并统一低分辨率图像尺寸。在本发明的一个实施例中,低分辨率图像尺寸为25×25。
步骤5:将步骤4中得到的低分辨率图像输入步骤2中建立的图像超分辨率神经网络深度学习模型,输出模型重建出的目标元器件的高分辨率图片。在本发明的一个实施例中,模型重建得到的高分辨率图像尺寸为200×200。
步骤6:将步骤5中目标元器件的高分辨率重建图片二值化并进行形态学处理,保留目标元器件的边缘信息。在本发明的一个实施例中,所述的图片二值化的阈值取60。所述的形态学处理方法包括,先将二值化后的图片以3×3为核尺寸进行膨胀操作2次,再以3×3为核尺寸进行腐蚀操作3次。再将目标元器件的边缘点拟合出一条最优直线,所述直线与水平方向的夹角即为目标元器件的角度。在本发明的一个实施例中,所述的像轮廓拟合最优直线的方法为,令图像轮廓点i到直线l距离为r i ,当之和取最小值时,直线l为拟合最优直线,其中
步骤7:将计算出的目标元器件角度与元器件角度预设值进行比较,判断贴装误差是否小于误差允许值,以此判定目标元器件判定是否为合格品,并将判断结果传输给执行模块103和显示模块102。显示模块102把判定结果通过液晶显示屏1020进行实时显示;在本发明的一个实施例中,判定当目标元器件角度与元器件角度预设值偏差大于0.1度时,产品不合格。
步骤8:执行模块103根据步骤7中的判断结果控制下一环节执行方式:若产品合格,向下一环节进行传输;如果不合格,则将其单独检出,以便人工后续处理。
本文中所描述的具体实施例仅仅是对本发明精神做举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (9)
1.一种超分辨率元器件角度识别方法,其特征在于包括以下步骤:
步骤1:获取元器件的高分辨率图片-低分辨率图片样本;
步骤2:以低分辨率图片为模型输入,以高分辨率图片为模型输出,建立图像超分辨率神经网络深度学习模型;
步骤3:采集目标元器件图像;
步骤4:目标元器件图像预处理获得目标元器件低分辨率图片;
步骤5:目标元器件低分辨率图片输入图像超分辨率神经网络深度学习模型,获取目标元器件高分辨率图片;
步骤6:将目标元器件高分辨率图片二值化并进行形态学处理,保留目标元器件的边缘信息;将目标元器件的边缘点拟合出一条最优直线,所述直线与水平方向的夹角即为目标元器件的角度。
2.根据权利要求1所述的方法,其特征在于方法还包括步骤7:基于目标元器件的角度判断贴装误差是否小于误差允许值,并将判断结果传输给执行模块。
3.根据权利要求1所述的方法,其特征在于方法还包括步骤8:执行模块根据步骤7中的判断结果控制下一环节执行方式。
4.根据权利要求1所述的方法,其特征在于步骤1中,首先获取元器件的高分辨率图片样本,将高分辨率图片转换为低分辨率图片以获得低分辨率图片样本。
5.根据权利要求4所述的方法,其特征在于图像尺寸缩小方法为,将每9个相邻像素点抽取每3个像素点之间的中间像素点,最终留下4个角点,重复上述步骤直到图像尺寸满足要求。
6.根据权利要求1所述的方法,其特征在于步骤3中,执行模块使用传送带将待测电路板移动至元器件图像采集模块工作区,元器件图像采集模块的摄像头对目标元器件进行图像采集。
7.根据权利要求1所述的方法,其特征在于步骤4中,图像进行预处理:删除与目标元器件无关的背景部分,消除干扰因素,保留目标元器件的轮廓和色彩信息,得到目标元器件的低分辨率图像。
9.一种超分辨率元器件角度识别装置,其特征在于装置包括元器件图像采集模块、运算和处理模块、显示模块、通信模块、执行模块;
元器件图像采集模块,包括摄像头以及配套的图像传输线缆,用于采集元器件图像,并传输给运算和处理模块进行后续处理;
运算和处理模块,包括至少1个高性能神经网络处理器,用于运行图像超分辨率处理算法,并且将算法结果传输给显示模块、通信模块和执行模块;
所述图像超分辨率处理算法包括以下步骤:
步骤1:获取元器件的高分辨率图片-低分辨率图片样本;
步骤2:以低分辨率图片为模型输入,以高分辨率图片为模型输出,建立图像超分辨率神经网络深度学习模型;
步骤3:采集目标元器件图像;
步骤4:目标元器件图像预处理获得目标元器件低分辨率图片;
步骤5:目标元器件低分辨率图片输入图像超分辨率神经网络深度学习模型,获取目标元器件高分辨率图片;
步骤6:将目标元器件高分辨率图片二值化并进行形态学处理,保留目标元器件的边缘信息;将目标元器件的边缘点拟合出一条最优直线,所述直线与水平方向的夹角即为目标元器件的角度;
步骤7:基于目标元器件的角度判断贴装误差是否小于误差允许值,并将判断结果传输给执行模块;
步骤8:执行模块根据步骤7中的判断结果控制下一环节执行方式;
显示模块,包括一个液晶显示器以及其配套的传输线缆,通过传输线缆将从运算和处理模块中得到的算法结果实时显示在液晶显示器上;
通信模块,包括无线网络通信单元,用于访问网络,将从运算和处理模块得到的检测数据传到云端;
执行模块,包括传送带和机械臂,用于元器件的传输,并根据运算和处理模块的判定结果进行后续控制流程的执行,若接收到的结果合格,元器件向下一环节进行传输,如果不合格,则单独检出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210279738.0A CN114372984A (zh) | 2022-03-22 | 2022-03-22 | 一种超分辨率元器件角度识别装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210279738.0A CN114372984A (zh) | 2022-03-22 | 2022-03-22 | 一种超分辨率元器件角度识别装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114372984A true CN114372984A (zh) | 2022-04-19 |
Family
ID=81146636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210279738.0A Pending CN114372984A (zh) | 2022-03-22 | 2022-03-22 | 一种超分辨率元器件角度识别装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114372984A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6064758A (en) * | 1996-11-27 | 2000-05-16 | Daewoo Electronics Co., Ltd. | Mounting coordinate input method and apparatus for surface mount device |
CN101477066A (zh) * | 2009-01-09 | 2009-07-08 | 华南理工大学 | 基于超分辨率图像重建的电路板元件安装/焊接质量检测方法及*** |
CN103729655A (zh) * | 2014-01-22 | 2014-04-16 | 哈尔滨工业大学 | 一种用于片式元件视觉定位的检测方法 |
CN104359402A (zh) * | 2014-11-17 | 2015-02-18 | 南京工业大学 | 一种用于矩形引脚元件视觉定位的检测方法 |
CN104915963A (zh) * | 2015-06-25 | 2015-09-16 | 哈尔滨工业大学 | 一种用于plcc元件的检测与定位方法 |
CN104933720A (zh) * | 2015-06-25 | 2015-09-23 | 哈尔滨工业大学 | 一种基于视觉的sop元件定位和缺陷检测方法 |
CN104981105A (zh) * | 2015-07-09 | 2015-10-14 | 广东工业大学 | 一种快速精确获得元件中心和偏转角度的检测及纠偏方法 |
WO2018192251A1 (zh) * | 2017-04-18 | 2018-10-25 | 冀月斌 | 一种贴片机导入生产数据的校正方法及*** |
CN108780570A (zh) * | 2016-01-16 | 2018-11-09 | 菲力尔***公司 | 使用迭代协同滤波的图像超分辨率的***和方法 |
CN109118432A (zh) * | 2018-09-26 | 2019-01-01 | 福建帝视信息科技有限公司 | 一种基于快速循环卷积网络的图像超分辨率重建方法 |
CN112508789A (zh) * | 2020-12-16 | 2021-03-16 | 广州佳帆计算机有限公司 | 一种基于残差的贴片图像增强识别方法及装置 |
CN112529883A (zh) * | 2020-12-16 | 2021-03-19 | 广州佳帆计算机有限公司 | 一种基于图像边缘识别的贴片检测方法及装置 |
CN113409234A (zh) * | 2020-03-16 | 2021-09-17 | 耐斯泰科技2001有限公司 | 卷积神经网络(cnn)算法支持的晶片的最小监督自动检查(ai) |
CN113792725A (zh) * | 2021-11-15 | 2021-12-14 | 南京熊猫电子制造有限公司 | 元器件检测装置和方法 |
CN114004815A (zh) * | 2021-11-03 | 2022-02-01 | 哈工大机器人(合肥)国际创新研究院 | 一种pcba外观检测方法及装置 |
-
2022
- 2022-03-22 CN CN202210279738.0A patent/CN114372984A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6064758A (en) * | 1996-11-27 | 2000-05-16 | Daewoo Electronics Co., Ltd. | Mounting coordinate input method and apparatus for surface mount device |
CN101477066A (zh) * | 2009-01-09 | 2009-07-08 | 华南理工大学 | 基于超分辨率图像重建的电路板元件安装/焊接质量检测方法及*** |
CN103729655A (zh) * | 2014-01-22 | 2014-04-16 | 哈尔滨工业大学 | 一种用于片式元件视觉定位的检测方法 |
CN104359402A (zh) * | 2014-11-17 | 2015-02-18 | 南京工业大学 | 一种用于矩形引脚元件视觉定位的检测方法 |
CN104915963A (zh) * | 2015-06-25 | 2015-09-16 | 哈尔滨工业大学 | 一种用于plcc元件的检测与定位方法 |
CN104933720A (zh) * | 2015-06-25 | 2015-09-23 | 哈尔滨工业大学 | 一种基于视觉的sop元件定位和缺陷检测方法 |
CN104981105A (zh) * | 2015-07-09 | 2015-10-14 | 广东工业大学 | 一种快速精确获得元件中心和偏转角度的检测及纠偏方法 |
CN108780570A (zh) * | 2016-01-16 | 2018-11-09 | 菲力尔***公司 | 使用迭代协同滤波的图像超分辨率的***和方法 |
WO2018192251A1 (zh) * | 2017-04-18 | 2018-10-25 | 冀月斌 | 一种贴片机导入生产数据的校正方法及*** |
CN109118432A (zh) * | 2018-09-26 | 2019-01-01 | 福建帝视信息科技有限公司 | 一种基于快速循环卷积网络的图像超分辨率重建方法 |
CN113409234A (zh) * | 2020-03-16 | 2021-09-17 | 耐斯泰科技2001有限公司 | 卷积神经网络(cnn)算法支持的晶片的最小监督自动检查(ai) |
CN112508789A (zh) * | 2020-12-16 | 2021-03-16 | 广州佳帆计算机有限公司 | 一种基于残差的贴片图像增强识别方法及装置 |
CN112529883A (zh) * | 2020-12-16 | 2021-03-19 | 广州佳帆计算机有限公司 | 一种基于图像边缘识别的贴片检测方法及装置 |
CN114004815A (zh) * | 2021-11-03 | 2022-02-01 | 哈工大机器人(合肥)国际创新研究院 | 一种pcba外观检测方法及装置 |
CN113792725A (zh) * | 2021-11-15 | 2021-12-14 | 南京熊猫电子制造有限公司 | 元器件检测装置和方法 |
Non-Patent Citations (6)
Title |
---|
CHAO DONG 等: "Accelerating the Super-Resolution Convolutional Neural Network", 《ARXIV》 * |
CHAO DONG 等: "Learning a Deep Convolutional Network for Image Super-Resolution", 《ECCV 2014》 * |
HUIJUN GAO 等: "A Line-Based-Clustering Approach for Ball Grid Array Component Inspection in Surface-Mount Technology", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
刘瑞祯,于仕琪: "《OpenCV教程-基础篇》", 30 June 2007 * |
杜思思: "电子元器件图像外形特征的精确定位技术研究", 《武汉理工大学学报 信息与管理工程版》 * |
罗振威: "基于机器视觉的贴片机定位算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875381B (zh) | 一种基于深度学习的手机外壳缺陷检测方法 | |
CN108765416B (zh) | 基于快速几何对准的pcb表面缺陷检测方法及装置 | |
CN109635806B (zh) | 基于残差网络的电表数值识别方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
WO2023168972A1 (zh) | 一种基于线阵相机的铜表面缺陷检测方法及装置 | |
CN106248686A (zh) | 基于机器视觉的玻璃表面缺陷检测装置及方法 | |
CN109949725B (zh) | 一种aoi***图像灰度标准化方法及*** | |
CN109872309A (zh) | 检测***、方法、装置及计算机可读存储介质 | |
CN111598771B (zh) | 一种基于ccd相机的pcb电路板缺陷检测***及方法 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN108871185B (zh) | 零件检测的方法、装置、设备以及计算机可读存储介质 | |
CN114821376B (zh) | 一种基于深度学习的无人机影像地质灾害自动提取方法 | |
CN111157532A (zh) | 一种手机外壳划痕视觉检测装置及方法 | |
CN113688817A (zh) | 一种自动巡检的仪表识别方法及识别*** | |
CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
CN116071315A (zh) | 一种基于机器视觉的产品可视缺陷检测方法及*** | |
CN115775236A (zh) | 基于多尺度特征融合的表面微小缺陷视觉检测方法及*** | |
CN112381751A (zh) | 一种基于图像处理算法的在线智能检测***及方法 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN110579184A (zh) | 一种产品外观在线检测装置及其使用方法 | |
CN114372984A (zh) | 一种超分辨率元器件角度识别装置及方法 | |
CN114913086B (zh) | 基于生成对抗网络的人脸图像质量增强方法 | |
CN116091506A (zh) | 一种基于yolov5的机器视觉缺陷质检方法 | |
CN114332069B (zh) | 一种基于机器视觉的接插件检测方法及装置 | |
CN115731195A (zh) | 一种缺陷检测方法、装置、设备以及*** |
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: 20220419 |
|
RJ01 | Rejection of invention patent application after publication |