CN114638792A - 一种用于插件电路板电解电容极性缺陷检测的方法 - Google Patents
一种用于插件电路板电解电容极性缺陷检测的方法 Download PDFInfo
- Publication number
- CN114638792A CN114638792A CN202210202542.1A CN202210202542A CN114638792A CN 114638792 A CN114638792 A CN 114638792A CN 202210202542 A CN202210202542 A CN 202210202542A CN 114638792 A CN114638792 A CN 114638792A
- Authority
- CN
- China
- Prior art keywords
- polarity
- circuit board
- plug
- electrolytic capacitor
- detection
- 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
- 239000003990 capacitor Substances 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000007547 defect Effects 0.000 title claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000002950 deficient Effects 0.000 claims description 4
- 239000006002 Pepper Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 235000002566 Capsicum Nutrition 0.000 claims description 2
- 235000016761 Piper aduncum Nutrition 0.000 claims description 2
- 235000017804 Piper guineense Nutrition 0.000 claims description 2
- 244000203593 Piper nigrum Species 0.000 claims description 2
- 235000008184 Piper nigrum Nutrition 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 150000003839 salts Chemical class 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 3
- 230000000877 morphologic effect Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001915 proofreading effect Effects 0.000 description 1
- 238000011179 visual inspection 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine 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
- G06T2207/20081—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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于插件电路板电解电容极性缺陷检测的方法,主要解决现有技术中电容极性检测精度低和准确度低等技术问题。本发明通过机器学习极性判定和电容俯视图展开极性判定的融合算法,配合检测灯箱多光源设计以采集电容图片,可提高检测结果准确性和检测精度。尤其是其中的电容俯视图展开极性检测方法,可通过形态学处理,将经过预处理的俯视图片进行依据极坐标展开,将所电测的电容俯视图中的极坐标系环状图像转换为便于处理的笛卡尔坐标系矩形图像,从而将环形图像特征转换为直线图像特征,提升检测精度、确保检测结果的准确性。
Description
技术领域
本发明涉及电子元器件检测技术领域,尤其涉及一种用于插件电路板电解电容极性缺陷检测的方法。
背景技术
根据电路板上元器件引脚是否穿透电路板,可分为贴片元器件和直插元器件两类。其中尺寸较大、较长或者异形直插元器件的插装仍然需要由人工完成,存在漏插、误插、反插等情况,进而影响产品合格率。电解电容作为直插元件板元件中最常用元件之一在电路板中被大量应用。电解电容具有高度尺寸相差大、容易倒伏、有安装极性等原因,容易在人工插装中产生极性错误,因此必须对电解电容的极性缺陷进行有效检测。而电解电容的极性错误是最常见且难以检测的必要项目。目前电路板组装行业采用机器视觉方法或者人工目视检测方式对一些电解电容极性缺陷进行检测。机器视觉因兼容性等原因,无法有效检测较高的电容元器件。人工目视检测方式有易疲劳、错误率高、效率极低的缺点。
例如,在中国专利文献上公开的“一种印刷电路元件极性的机器视觉检测方法”,其公告号为CN103675588A,该发明在测试区域内设置传送待测印刷电路板的导轨,导轨上设有由传感器控制的行程开关,导轨上方设有罩住测试区域的封闭工作箱,在封闭工作箱内部设置可调节亮度的光源和多个传感器,将不同类型待测元件依次放在含有可调节光源的封闭工作箱测试区域内,获取元件样本;按照电容或二极管型号分类,确定待检元件需要的检测参数,针对印刷电路板元件位置不同,划定不同元件在电路板上的相对位置,通过版型标识符号、元件型号、位置和检测参数值制定不同印刷电路板对应的标准版型;利用机器视觉代替人工目检的方式,减少人员疏忽和极性元件的极性方向漏检错误的情形,降低生产成本,提升产品质量。
该发明中通过采集电容图片,识别电容标识是否在指定方向位置来判断电容极性是否正确,但其检测结果准确性完全依赖于所采集到的图片质量以及与标准版型的对比结果,检测精度和准确度均有待提升。
发明内容
本发明主要解决现有技术中电容极性检测精度低和准确度低的问题,提供了一种用于插件电路板电解电容极性缺陷检测的方法,通过机器学习极性判定和电容俯视图展开极性判定的融合算法,配合检测灯箱多光源设计以采集电容图片,提高检测结果准确性和检测精度。
本发明的上述技术问题主要是通过下述技术方案得以解决的:
一种用于插件电路板电解电容极性缺陷检测的方法,包括以下步骤:
S1:采集电容图片;
S2:利用训练好的机器学习检测模型,进行电容极性判定;
S3:利用电容俯视图坐标系展开检测法进行电容极性判定;
S4:将两种结果进行分析,若两种判定结果一致,且判定结果与模板极性一致,则判定当前电测的电容为良品;否则,判定当前电测的电容出现极性反向缺陷,为次品。
本方案通过机器学习检测模型和电容俯视图极坐标展开检测法两种检测方式完成二次检测,并就两次检测结果与模板极性进行比对,最终确定所电测的电容是否为良品,对硬件设备要求不高,且大大提高了检测结果的准确性。
作为优选,步骤S1具体包括以下过程:在检测灯箱顶部和四周分别设置LED平面光源;在检测灯箱顶部设置工业相机以采集电容图片。通过在检测灯箱中立体设置多个平面光源,保证图片采集环境的亮度均匀,提高工业相机所采集到的检测样品俯视图的图片质量,降低可能由于图片质量引起的判断结果错误可能性。
作为优选,步骤S2具体包括:图片预处理;HOG特征提取;将处理结果输入训练好的机器学习检测模型完成极性判定,其中的SVM支持向量机。通过预先采集电容图片形成训练集,进行机器学习检测模型的训练,并输出训练文件,为后续机器学习模型进行极性判断做好准备。
作为优选,所述图片预处理具体包括:灰度化处理、统一像素尺寸(如x*x)以及滤波去噪,即图像去噪;所述HOG特征提取具体包括:以像素尺寸(x*x)的胞元单位获取图像的梯度统计信息。
作为优选,步骤S3具体包括:俯视图片预处理、图片从极坐标转换为笛卡尔坐标、干扰信息滤除、特征信息提取以及极性判定。通过形态学处理,将经过预处理的俯视图片进行依据极坐标展开,将所电测的电容俯视图中的环状图像转换为便于处理的矩形图像,方便后续干扰信息滤除以及特征信息提取,最终提高极性判断准确度,并可就判断结果与机器学习方法判断结果进行比对,互相进行校对,融合成新的算法,提高检测性能。
作为优选,所述俯视图片预处理过程具体包括:灰度化处理、像素尺寸统一、灰度梯度强化、以及高斯滤波。
作为优选,所述极坐标转换过程具体包括:首次极坐标映射、映射中心校正、二次展开,其中映射中心校正根据首次极坐标映射展开后的内外圆分界曲线的水平度进行调整,最后将极坐标图片展开到笛卡尔系坐标。由于电容俯视图可能不是标准的环状图像,在首次极坐标映射之后得到的矩形图像信息可能并不规则,因此需根据首次极坐标映射展开后的内外圆分界曲线的水平度对映射中心进行校正,保证极坐标映射形成的图像信息准确完整。
作为优选,所述干扰信息滤出过程具体包括:文字信息滤除以及椒盐噪声滤除,其中文字信息为电容顶部塑封区域中除极性标识之外的其他符号信息。可滤除可能影响判断结果的数字、字母等其他符号信息,得到准确的极性标识图像信息,并据此进一步判断极性情况。
作为优选,所述特征信息提取过程具体包括:内外圆分界曲线提取、分界平滑、提取极性ROI区域以及局部ROI区域自适应二值化,得到经过处理后的极性标识区域图像,包括极性标识区域灰度高于阈值的亮点数量等信息。
作为优选,所述极性判定过程具体包括:设定极性区域内灰度高于阈值的亮点个数对应的极性情况,计算极性区域内灰度高于阈值的亮点个数,判定极性。通过极性区域内亮点个数识别极性标识形状,最终判定所电测的电容极性是否正常。
本发明的有益效果是:
1.采用机器学习模型检测法进行电容极性的初步检测,训练模型简单有效,对处理器等硬件设备要求不高。
2.采用电容俯视图检测法进行电容极坐标检测,将电容俯视图中的环状图像通过极坐标映射转换为矩形图像,便于后续图像处理完成极性判定,大大提高的实际检测性能。
3.结合机器学习模型检测法和电容俯视图检测法两种检测方式,将两种检测结果以及模板极性进行比对,最终得出极性判断结果,两种检测结果的判定结果可以互相校对,大大提高了电容极性检测的可靠性。
4.独特的检测灯箱环境光源设计,保证采集到的电容图像质量,方便后续的图片处理,提高了检测准确度。
附图说明
图1是本发明的一种用于插件电路板电解电容极性缺陷检测的方法流程图。
图2是本发明的机器学习模型电容极性检测方法流程图。
图3是本发明的电容俯视图展开的电容极性检测方法流程图。
图4是本发明实施例中电容俯视图展开检测法中的图片处理过程示意图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
本实施例的一种用于插件电路板电解电容极性缺陷检测的方法,如图1所示,包括以下步骤:
一种用于插件电路板电解电容极性缺陷检测的方法,包括以下步骤:
S1:采集电容图片,在检测灯箱顶部和四周分别设置LED平面光源,在检测灯箱顶部设置工业相机以采集电容图片。
具体地,本实施例中,光源设计采用顶部和四周的五个LED平面光源,其中四周光源与顶部面光源呈垂直结构。
S2:如图2所示,利用训练好的机器学习检测模型,进行电容极性判定;具体包括以下过程:对采集到的图像进行预处理,包括灰度化处理、统一像素尺寸以及滤波去噪;进行HOG特征提取,具体包括:以像素尺寸的胞元单位获取图像的梯度统计信息;将处理结果输入训练好的SVM机器学习检测模型完成极性判定。
具体地,本实施例中,通过预先采集大量电容图片形成机器学习模型训练集,进行SVM训练,并输出训练文件,将所采集到的图像进行处理,对处理完成的图像进行SVM测试,并输出极性测试结果,极性测试结果与模板一致。
S3:如图3所示,利用电容俯视图展开检测法进行电容极性判定,包括:俯视图片预处理、极坐标转换、干扰信息滤除、特征信息提取以及极性判定。其中俯视图片预处理过程具体包括:灰度化处理、像素尺寸统一、灰度梯度强化以及高斯滤波;极坐标转换过程具体包括:首次极坐标映射、映射中心校正、二次展开,其中映射中心校正通过展开后的内外圆分界曲线的水平度进行调整;干扰信息滤出过程具体包括:文字信息滤除以及椒盐噪声滤除,其中文字信息为电容顶部塑封区域中除极性标识之外的其他符号信息;特征信息提取过程具体包括:内外圆分界曲线提取、分界平滑、提取极性ROI区域以及局部ROI区域自适应二值化;极性判定过程具体包括:设定极性区域内灰度高于阈值的亮点个数对应的极性情况,计算极性区域内灰度高于阈值的亮点个数,判定极性。
具体地,本实施例中,如图4所示,对采集得到的电容俯视图进行预处理之后,通过极坐标映射将环状图像转换为矩形图像,将其中的数字、字母等符号信息滤除,提取极性ROI区域并进行局部ROI区域自适应二值化,得到经过处理后的极性标识区域图像,图像中包括对应于极性标识形状的3个亮点,3个亮点对应的极性与模板一致。
S4:将两种结果进行分析,若两种判定结果一致,且判定结果与模板极性一致,则判定当前电测的电容为良品;否则,判定当前电测的电容出现极性反向缺陷,为次品,检测到有次品时会通过检测灯箱上的指示灯和扬声器进行声光报警。
具体地,本实施例中两种判定结果一致,且判定结果与模板极性一致,判定当前电测的电容为良品。
应理解,实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
Claims (10)
1.一种用于插件电路板电解电容极性缺陷检测的方法,其特征在于,包括以下步骤:
S1:采集电容图片;
S2:利用训练好的机器学习检测模型,进行电容极性判定;
S3:利用电容俯视图坐标系展开检测法进行电容极性判定;
S4:将上述两种结果进行分析,若两种判定结果一致,且判定结果与模板极性一致,则判定当前电测的电容为良品;否则,判定当前电测的电容出现极性反向缺陷,为次品。
2.根据权利要求1所述的一种用于插件电路板电解电容极性缺陷检测的方法,其特征在于,步骤S1具体包括以下过程:在检测灯箱顶部和四周分别设置LED平面光源;在检测灯箱顶部设置工业相机以采集电容图片。
3.根据权利要求1或2所述的一种用于插件电路板电解电容极性缺陷检测的方法,其特征在于,步骤S2具体包括:图片预处理;HOG特征提取;将处理结果输入训练好的机器学习检测模型完成极性判定。
4.根据权利要求3所述的一种用于插件电路板电解电容极性缺陷检测的方法,其特征在于,所述图片预处理过程具体包括:灰度化处理、统一像素尺寸以及滤波去噪;所述HOG特征提取具体包括:以像素尺寸的胞元单位获取图像的梯度统计信息。
5.根据权利要求1所述的一种用于插件电路板电解电容极性缺陷检测的方法,其特征在于,步骤S3具体包括:俯视图片预处理、图片从极坐标转换为笛卡尔坐标、干扰信息滤除、特征信息提取以及极性判定。
6.根据权利要求5所述的一种用于插件电路板电解电容极性缺陷检测的方法,其特征在于,所述俯视图片预处理过程具体包括:灰度化处理、像素尺寸统一、灰度梯度强化以及高斯滤波。
7.根据权利要求5所述的一种用于插件电路板电解电容极性缺陷检测的方法,其特征在于,所述极坐标转换过程具体包括:首次极坐标映射、映射中心校正以及二次展开,其中映射中心校正根据首次极坐标映射展开后的内外圆分界曲线的水平度进行调整,最后将极坐标图片展开到笛卡尔系坐标。
8.根据权利要求5或7所述的一种用于插件电路板电解电容极性缺陷检测的方法,其特征在于,所述干扰信息滤出过程具体包括:文字信息滤除以及椒盐噪声滤除,其中文字信息为电容顶部塑封区域中除极性标识之外的其他符号信息。
9.根据权利要求5所述的一种用于插件电路板电解电容极性缺陷检测的方法,其特征在于,所述特征信息提取过程具体包括:内外圆分界曲线提取、分界平滑、提取极性ROI区域以及局部ROI区域自适应二值化。
10.根据权利要求9所述的一种用于插件电路板电解电容极性缺陷检测的方法,其特征在于,所述极性判定过程具体包括:设定极性区域内灰度高于阈值的亮点个数对应的极性情况,计算极性区域内灰度高于阈值的亮点个数,判定极性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210202542.1A CN114638792A (zh) | 2022-03-03 | 2022-03-03 | 一种用于插件电路板电解电容极性缺陷检测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210202542.1A CN114638792A (zh) | 2022-03-03 | 2022-03-03 | 一种用于插件电路板电解电容极性缺陷检测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114638792A true CN114638792A (zh) | 2022-06-17 |
Family
ID=81947333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210202542.1A Pending CN114638792A (zh) | 2022-03-03 | 2022-03-03 | 一种用于插件电路板电解电容极性缺陷检测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114638792A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115267617A (zh) * | 2022-08-03 | 2022-11-01 | 深圳市新中元电子有限公司 | 一种铝电解电容器的极性方向判定方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590228A (zh) * | 2012-02-10 | 2012-07-18 | 台达电子企业管理(上海)有限公司 | 检测带有电解电容的电路板的方法以及设备 |
CN103675588A (zh) * | 2013-11-20 | 2014-03-26 | 中国矿业大学 | 印刷电路元件极性的机器视觉检测方法及设备 |
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 |
CN111951237A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 外观视觉检测方法 |
CN114092448A (zh) * | 2021-11-22 | 2022-02-25 | 浙大城市学院 | 一种基于深度学习的插件电解电容混合检测方法 |
-
2022
- 2022-03-03 CN CN202210202542.1A patent/CN114638792A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590228A (zh) * | 2012-02-10 | 2012-07-18 | 台达电子企业管理(上海)有限公司 | 检测带有电解电容的电路板的方法以及设备 |
CN103675588A (zh) * | 2013-11-20 | 2014-03-26 | 中国矿业大学 | 印刷电路元件极性的机器视觉检测方法及设备 |
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 |
CN111951237A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 外观视觉检测方法 |
CN114092448A (zh) * | 2021-11-22 | 2022-02-25 | 浙大城市学院 | 一种基于深度学习的插件电解电容混合检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115267617A (zh) * | 2022-08-03 | 2022-11-01 | 深圳市新中元电子有限公司 | 一种铝电解电容器的极性方向判定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112053318B (zh) | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 | |
CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和*** | |
CN107389701A (zh) | 一种基于图像的pcb表观缺陷自动检测***及方法 | |
US20190213725A1 (en) | Board defect filtering method and device thereof and computer-readable recording medium | |
CN107945184A (zh) | 一种基于彩色图像分割和梯度投影定位的贴装元件检测方法 | |
Mahalingam et al. | Pcb-metal: A pcb image dataset for advanced computer vision machine learning component analysis | |
CN106251333B (zh) | 元件反件检测方法和*** | |
CN108520514B (zh) | 基于计算机视觉的印刷电路板电子元器一致性检测方法 | |
CN106651857B (zh) | 一种印刷电路板贴片缺陷检测方法 | |
CN109472271A (zh) | 印刷电路板图像轮廓提取方法及装置 | |
CN106501272B (zh) | 机器视觉焊锡定位检测*** | |
TWI669519B (zh) | 電路板瑕疵篩選方法及其裝置與電腦可讀取記錄媒體 | |
CN111640088B (zh) | 基于深度学习的电子元件极性检测方法、***及电子装置 | |
CN116109635B (zh) | 复合悬式绝缘子表面质量检测方法、装置、设备及介质 | |
CN110096980A (zh) | 字符检测识别*** | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN113111903A (zh) | 智能产线监测***及监测方法 | |
CN113034488A (zh) | 一种喷墨印刷品的视觉检测方法 | |
CN110533660B (zh) | 一种电子产品外壳丝印缺陷的检测方法 | |
CN114092448B (zh) | 一种基于深度学习的插件电解电容混合检测方法 | |
CN114638792A (zh) | 一种用于插件电路板电解电容极性缺陷检测的方法 | |
CN115170497A (zh) | 一种基于ai视觉检测技术的pcba在线检测平台 | |
CN116993725B (zh) | 一种柔性电路板智能贴片信息处理*** | |
CN115375610A (zh) | 检测方法及装置、检测设备和存储介质 | |
CN112415013A (zh) | 一种铜箔缺陷检测*** |
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 |