CN114663430A - 一种基于频域信息双确认的pcb表面缺陷检测方法 - Google Patents

一种基于频域信息双确认的pcb表面缺陷检测方法 Download PDF

Info

Publication number
CN114663430A
CN114663430A CN202210537741.8A CN202210537741A CN114663430A CN 114663430 A CN114663430 A CN 114663430A CN 202210537741 A CN202210537741 A CN 202210537741A CN 114663430 A CN114663430 A CN 114663430A
Authority
CN
China
Prior art keywords
image
pcb
amplitude
reference image
phase
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
Application number
CN202210537741.8A
Other languages
English (en)
Inventor
李峰平
孙维方
张昆鹏
冮建华
黄继宝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Agco Intelligent Technology Zhejiang Co ltd
Original Assignee
Agco Intelligent Technology Zhejiang Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Agco Intelligent Technology Zhejiang Co ltd filed Critical Agco Intelligent Technology Zhejiang Co ltd
Priority to CN202210537741.8A priority Critical patent/CN114663430A/zh
Publication of CN114663430A publication Critical patent/CN114663430A/zh
Pending legal-status Critical Current

Links

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color 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
    • G06T2207/20048—Transform domain processing
    • 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)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种基于频域信息双确认的PCB表面缺陷检测方法，首先将获取PCB板的基准图像（正常状态时）并转换至灰度空间；分别提取PCB基准图像傅里叶相位成分和幅值成分；获取PCB板的待测图像并转换至灰度空间；分别提取PCB待测图像傅里叶相位成分和幅值成分；分别计算归一化后基准图像和待测图像相位成分和幅值成分差；若同一位置的相位成分差和幅值成分差均大于预设阈值，则认为该位置存在缺陷。本发明具有评估速度快、鲁棒性高的优点，能够快速进行PCB表面缺陷的检测和定位，从而提高PCB供给质量的提升。

Description

一种基于频域信息双确认的PCB表面缺陷检测方法
技术领域
本发明涉及数字图像处理技术领域，特别涉及一种基于频域信息双确认的PCB表面缺陷检测方法。
背景技术
PCB 板是电子信息制造业的重要基础设施之一，是众多信息化电子产品的基础构件。其产品质量的快速评估对于保障产品安全状态，提升电子产品供给质量具有重要的意义。截止目前，产线上多数检测***均基于边缘检测算法进行相关质量的检测，然而边缘检测类方法易受成像噪声干扰，限制了PCB供给质量的进一步提升。
发明内容
本发明的目的在于，提供一种基于频域信息双确认的PCB表面缺陷检测方法。本发明具有评估速度快、鲁棒性高的优点，还能够快速进行PCB表面缺陷的检测和定位。
本发明的技术方案：一种基于频域信息双确认的PCB表面缺陷检测方法，包括以下步骤：
S1：获取PCB板的基准图像得到PCB基准图像，并转换至灰度空间；
S2：分别提取PCB基准图像傅里叶相位成分和幅值成分；
S3：获取PCB板的待测图像得到PCB待测图像，并转换至灰度空间；
S4：分别提取PCB待测图像傅里叶相位成分和幅值成分；
S5：分别计算归一化后PCB基准图像和PCB待测图像相位成分和幅值成分差；
S6：若同一位置的相位成分差和幅值成分差均大于预设阈值，则判断该位置存在缺陷。
前述的基于频域信息双确认的PCB表面缺陷检测方法中，所述的步骤S2和步骤S4中，图像傅里叶相位成分和幅值成分的提取方法，包括以下步骤：
SS1：计算图像的二维傅里叶变换；
SS2：分别提取二维傅里叶变换后的相位信息和幅值信息；
SS3：分别将相位信息和幅值信息反变换至空间域获得傅里叶相位成分和幅值成分。
前述的基于频域信息双确认的PCB表面缺陷检测方法中，所述的步骤SS1中，图像二维傅里叶变换的计算方法为：
Figure DEST_PATH_IMAGE001
其中，
Figure 706643DEST_PATH_IMAGE002
为生成的二维傅里叶变换，
Figure DEST_PATH_IMAGE003
为转换至灰度空间后的图像，M、 N分别为输入图像的长和宽尺寸。
前述的基于频域信息双确认的PCB表面缺陷检测方法中，所述的步骤SS3中，图像傅里叶相位成分和幅值成分的提取方法为：
Figure 287797DEST_PATH_IMAGE004
其中，
Figure DEST_PATH_IMAGE005
为反变换后的相位信息，
Figure 560647DEST_PATH_IMAGE006
为反变换后的幅值成分,
Figure DEST_PATH_IMAGE007
为傅里叶变换后的相位成分，
Figure 227251DEST_PATH_IMAGE008
为傅里叶变换后的幅值成分。
前述的基于频域信息双确认的PCB表面缺陷检测方法中，所述的步骤S5中，相位成分和幅值成分差计算方法为：
Figure DEST_PATH_IMAGE009
其中，
Figure 243749DEST_PATH_IMAGE010
为归一化后的相位成分差，
Figure DEST_PATH_IMAGE011
为归一化后的幅值成分差，
Figure 679409DEST_PATH_IMAGE012
表示基准图像，
Figure DEST_PATH_IMAGE013
表示待测图像，下标
Figure 385810DEST_PATH_IMAGE014
表示图像的相位成分，下标
Figure DEST_PATH_IMAGE015
表示图像的 幅值成分，符号
Figure 274131DEST_PATH_IMAGE016
表示计算函数的绝对值，
Figure DEST_PATH_IMAGE017
为基准图像相位成分的最小 值，
Figure 94320DEST_PATH_IMAGE018
为基准图像相位成分的最大值，
Figure DEST_PATH_IMAGE019
为基准图像幅值成分的最小 值，
Figure 384487DEST_PATH_IMAGE020
为基准图像幅值成分的最大值，
Figure DEST_PATH_IMAGE021
为待测图像相位成分的最小 值，
Figure 264718DEST_PATH_IMAGE022
为待测图像相位成分的最大值，
Figure DEST_PATH_IMAGE023
为待测图像幅值成分的最小 值，
Figure 640336DEST_PATH_IMAGE024
为待测图像幅值成分的最大值。
前述的基于频域信息双确认的PCB表面缺陷检测方法中，所述的步骤S6中，缺陷存在与否的判断算法为：
Figure DEST_PATH_IMAGE025
其中，i, j为图像的坐标，
Figure 998636DEST_PATH_IMAGE026
为当前像素点异常与否的判断结果，1表示当 前像素点存在缺陷，0表示当前像素点为正常状态，
Figure DEST_PATH_IMAGE027
为归一化后基准图像和待测图像 相位成分差，
Figure 408889DEST_PATH_IMAGE028
为预设的相位成分差阈值，
Figure DEST_PATH_IMAGE029
归一化后基准图像和待测图像幅值成分 差，
Figure 457092DEST_PATH_IMAGE030
为预设的幅值成分差阈值。
与现有技术相比，本发明具有以下优点：
本发明首先将获取PCB板的基准图像（正常状态时）并转换至灰度空间；分别提取PCB基准图像傅里叶相位成分和幅值成分；获取PCB板的待测图像并转换至灰度空间；分别提取PCB待测图像傅里叶相位成分和幅值成分；分别计算归一化后基准图像和待测图像相位成分和幅值成分差；若同一位置的相位成分差和幅值成分差均大于预设阈值，则认为该位置存在缺陷。本发明具有评估速度快、鲁棒性高的优点，能够快速进行PCB表面缺陷的检测和定位，从而提高PCB供给质量的提升。
附图说明
图1是本发明的流程图；
图2是本发明的实施例1中的PCB基准图像；
图3是本发明中实施例1中提取到的基准图像傅里叶相位成分；
图4是本发明中实施例1中提取到的基准图像傅里叶幅值成分；
图5是本发明的实施例1中的PCB待测图像；
图6是本发明中实施例1中提取到的待测图像傅里叶相位成分；
图7是本发明中实施例1中提取到的待测图像傅里叶幅值成分；
图8是本发明中实施例1中获得的图像傅里叶相位成分差；
图9是本发明中实施例1中获得的图像傅里叶幅值成分差；
图10是本发明中实施例1中识别到的缺陷辨识结果；
图11是本发明中实施例1中形态学滤波后的缺陷辨识结果；
图12是本发明的实施例2中的PCB基准图像；
图13是本发明中实施例2中提取到的基准图像傅里叶相位成分；
图14是本发明中实施例2中提取到的基准图像傅里叶幅值成分；
图15是本发明的实施例2中的PCB待测图像；
图16是本发明中实施例2中提取到的待测图像傅里叶相位成分；
图17是本发明中实施例2中提取到的待测图像傅里叶幅值成分；
图18是本发明中实施例2中获得的图像傅里叶相位成分差；
图19是本发明中实施例2中获得的图像傅里叶幅值成分差；
图20是本发明中实施例2中识别到的缺陷辨识结果；
图21是本发明中实施例2中形态学滤波后的缺陷辨识结果。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。
实施例1：一种基于频域信息双确认的PCB表面缺陷检测方法，其流程图如图1所示，建立PCB图像采集设备，还包括以下步骤：
S1：获取PCB板的基准图像得到PCB基准图像（正常状态时），并转换至灰度空间；如附图2所示，其具体转换方法为：
Figure DEST_PATH_IMAGE031
其中，I为生成的灰度图像，R为彩色图像的红色通道，G为彩色图像的绿色通道，B为彩色图像的蓝色通道
S2：分别提取PCB基准图像傅里叶相位成分和幅值成分；分别如附图3、附图4所示，图像傅里叶相位成分和幅值成分的提取方法，包括以下步骤：
SS1：计算图像的二维傅里叶变换；图像二维傅里叶变换的计算方法为：
Figure 320005DEST_PATH_IMAGE032
其中，
Figure 544313DEST_PATH_IMAGE002
为生成的二维傅里叶变换，
Figure 543493DEST_PATH_IMAGE003
为转换至灰度空间后的图像，M、 N分别为输入图像的长和宽尺寸
SS2：分别提取二维傅里叶变换后的相位信息和幅值信息；
SS3：分别将相位信息和幅值信息反变换至空间域获得傅里叶相位成分和幅值成分；图像傅里叶相位成分和幅值成分的提取方法为：
Figure DEST_PATH_IMAGE033
其中，
Figure 765527DEST_PATH_IMAGE005
为反变换后的相位信息，
Figure 178054DEST_PATH_IMAGE006
为反变换后的幅值成分,
Figure 206053DEST_PATH_IMAGE007
为傅里叶变换后的相位成分，
Figure 325319DEST_PATH_IMAGE008
为傅里叶变换后的幅值成分，本实例中 M、N分别为819、795（单位：像素）。
S3：获取PCB板的待测图像得到PCB待测图像，并转换至灰度空间，如附图5所示，其具体方法如前述步骤S1；
S4：分别提取PCB待测图像傅里叶相位成分和幅值成分，分别如附图6、附图7所示，其具体方法如前述步骤S2；
S5：分别计算归一化后PCB基准图像和PCB待测图像相位成分和幅值成分差；相位成分和幅值成分差计算方法为：
Figure 514992DEST_PATH_IMAGE009
其中，
Figure 352498DEST_PATH_IMAGE034
为归一化后的相位成分差，
Figure DEST_PATH_IMAGE035
为归一化后的幅值成分差，
Figure 856291DEST_PATH_IMAGE012
表示基准图像，
Figure 157960DEST_PATH_IMAGE013
表示待测图像，下标
Figure 456217DEST_PATH_IMAGE014
表示图像的相位成分，下标
Figure 843336DEST_PATH_IMAGE015
表示图像的 幅值成分，符号
Figure 147891DEST_PATH_IMAGE016
表示计算函数的绝对值，
Figure 38486DEST_PATH_IMAGE036
为基准图像相位成分的最小 值，
Figure 773224DEST_PATH_IMAGE018
为基准图像相位成分的最大值，
Figure 382060DEST_PATH_IMAGE019
为基准图像幅值成分的最小 值，
Figure 493236DEST_PATH_IMAGE020
为基准图像幅值成分的最大值，
Figure 503917DEST_PATH_IMAGE021
为待测图像相位成分的最小 值，
Figure 471873DEST_PATH_IMAGE022
为待测图像相位成分的最大值，
Figure 505688DEST_PATH_IMAGE023
为待测图像幅值成分的最小 值，
Figure 217292DEST_PATH_IMAGE024
为待测图像幅值成分的最大值，本实例中归一化相位成分差和幅值成分差分 别如附图8、附图9所示；
S6：若同一位置的相位成分差和幅值成分差均大于预设阈值，则判断该位置存在缺陷；如附图10所示，其具体判断的算法为
Figure DEST_PATH_IMAGE037
其中，i, j为图像的坐标，
Figure 20163DEST_PATH_IMAGE038
为当前像素点异常与否的判断结果，1表示当 前像素点存在缺陷，0表示当前像素点为正常状态，
Figure 96703DEST_PATH_IMAGE027
为归一化后基准图像和待测图像 相位成分差，
Figure 680131DEST_PATH_IMAGE028
为预设的相位成分差阈值，本实例中其具体阈值为0.01，
Figure 867530DEST_PATH_IMAGE029
归一化后 基准图像和待测图像幅值成分差，
Figure 852804DEST_PATH_IMAGE030
为预设的幅值成分差阈值，本实例中其具体阈值 为0.04；
最后，再对缺陷位置图像进行形态学滤波以去除噪声干扰突出缺陷目标，如附图11所示。
实施例2：一种基于频域信息双确认的PCB表面缺陷检测方法，其流程图如图1所示，建立PCB图像采集设备，还包括以下步骤：
S1：获取PCB板的基准图像得到PCB基准图像（正常状态时），并转换至灰度空间；如附图12所示，其具体转换方法为：
Figure 162562DEST_PATH_IMAGE031
其中，I为生成的灰度图像，R为彩色图像的红色通道，G为彩色图像的绿色通道，B为彩色图像的蓝色通道
S2：分别提取PCB基准图像傅里叶相位成分和幅值成分；分别如附图13、附图14所示，图像傅里叶相位成分和幅值成分的提取方法，包括以下步骤：
SS1：计算图像的二维傅里叶变换；图像二维傅里叶变换的计算方法为：
Figure 170970DEST_PATH_IMAGE001
其中，
Figure 224376DEST_PATH_IMAGE002
为生成的二维傅里叶变换，
Figure 998910DEST_PATH_IMAGE003
为转换至灰度空间后的图像，M、 N分别为输入图像的长和宽尺寸
SS2：分别提取二维傅里叶变换后的相位信息和幅值信息；
SS3：分别将相位信息和幅值信息反变换至空间域获得傅里叶相位成分和幅值成分；图像傅里叶相位成分和幅值成分的提取方法为：
Figure 479570DEST_PATH_IMAGE033
其中，
Figure 709694DEST_PATH_IMAGE005
为反变换后的相位信息，
Figure 566792DEST_PATH_IMAGE006
为反变换后的幅值成分,
Figure 198761DEST_PATH_IMAGE007
为傅里叶变换后的相位成分，
Figure 850322DEST_PATH_IMAGE008
为傅里叶变换后的幅值成分，本实例中 M、N分别为2813、1716（单位：像素）。
S3：获取PCB板的待测图像得到PCB待测图像，并转换至灰度空间，如附图15所示，其具体方法如前述步骤S1；
S4：分别提取PCB待测图像傅里叶相位成分和幅值成分，分别如附图16、附图17所示，其具体方法如前述步骤S2；
S5：分别计算归一化后PCB基准图像和PCB待测图像相位成分和幅值成分差；相位成分和幅值成分差计算方法为：
Figure 895639DEST_PATH_IMAGE009
其中，
Figure 228531DEST_PATH_IMAGE034
为归一化后的相位成分差，
Figure 777324DEST_PATH_IMAGE035
为归一化后的幅值成分差，
Figure 803049DEST_PATH_IMAGE012
表示基准图像，
Figure 70082DEST_PATH_IMAGE013
表示待测图像，下标
Figure 206666DEST_PATH_IMAGE014
表示图像的相位成分，下标
Figure 609965DEST_PATH_IMAGE015
表示图像的 幅值成分，符号
Figure 806591DEST_PATH_IMAGE016
表示计算函数的绝对值，
Figure 560921DEST_PATH_IMAGE036
为基准图像相位成分的最小 值，
Figure 235615DEST_PATH_IMAGE018
为基准图像相位成分的最大值，
Figure 759001DEST_PATH_IMAGE019
为基准图像幅值成分的最小 值，
Figure 188845DEST_PATH_IMAGE020
为基准图像幅值成分的最大值，
Figure 99645DEST_PATH_IMAGE021
为待测图像相位成分的最小 值，
Figure 640347DEST_PATH_IMAGE022
为待测图像相位成分的最大值，
Figure 221502DEST_PATH_IMAGE023
为待测图像幅值成分的最小 值，
Figure 556668DEST_PATH_IMAGE024
为待测图像幅值成分的最大值，本实例中归一化相位成分差和幅值成分差分 别如附图18、附图19所示；
S6：若同一位置的相位成分差和幅值成分差均大于预设阈值，则判断该位置存在缺陷；如附图20所示，其具体判断的算法为
Figure DEST_PATH_IMAGE039
其中，i, j为图像的坐标，
Figure 160956DEST_PATH_IMAGE026
为当前像素点异常与否的判断结果，1表示当 前像素点存在缺陷，0表示当前像素点为正常状态，
Figure 239770DEST_PATH_IMAGE027
为归一化后基准图像和待测图像 相位成分差，
Figure 675431DEST_PATH_IMAGE028
为预设的相位成分差阈值，本实例中其具体阈值为0.01，
Figure 181498DEST_PATH_IMAGE029
归一化后 基准图像和待测图像幅值成分差，
Figure 397716DEST_PATH_IMAGE030
为预设的幅值成分差阈值，本实例中其具体阈值 为0.03；
最后，再对缺陷位置图像进行形态学滤波以去除噪声干扰突出缺陷目标，如附图21所示。

Claims (6)

1.一种基于频域信息双确认的PCB表面缺陷检测方法，其特征在于：包括以下步骤：
S1：获取PCB板的基准图像得到PCB基准图像，并转换至灰度空间；
S2：分别提取PCB基准图像傅里叶相位成分和幅值成分；
S3：获取PCB板的待测图像得到PCB待测图像，并转换至灰度空间；
S4：分别提取PCB待测图像傅里叶相位成分和幅值成分；
S5：分别计算归一化后PCB基准图像和PCB待测图像相位成分和幅值成分差；
S6：若同一位置的相位成分差和幅值成分差均大于预设阈值，则判断该位置存在缺陷。
2.根据权利要求1所述的基于频域信息双确认的PCB表面缺陷检测方法，其特征在于，所述的步骤S2和步骤S4中，图像傅里叶相位成分和幅值成分的提取方法，包括以下步骤：
SS1：计算图像的二维傅里叶变换；
SS2：分别提取二维傅里叶变换后的相位信息和幅值信息；
SS3：分别将相位信息和幅值信息反变换至空间域获得傅里叶相位成分和幅值成分。
3.根据权利要求2所述的基于频域信息双确认的PCB表面缺陷检测方法，其特征在于，所述的步骤SS1中，图像二维傅里叶变换的计算方法为：
Figure 880261DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
为生成的二维傅里叶变换，
Figure 732154DEST_PATH_IMAGE003
为转换至灰度空间后的图像，M、N分 别为输入图像的长和宽尺寸。
4.根据权利要求2所述的基于频域信息双确认的PCB表面缺陷检测方法，其特征在于，所述的步骤SS3中，图像傅里叶相位成分和幅值成分的提取方法为：
Figure DEST_PATH_IMAGE004
其中，
Figure 449575DEST_PATH_IMAGE005
为反变换后的相位信息，
Figure DEST_PATH_IMAGE006
为反变换后的幅值成分,
Figure 782467DEST_PATH_IMAGE007
为傅里叶变换后的相位成分，
Figure DEST_PATH_IMAGE008
为傅里叶变换后的幅值成分。
5.根据权利要求1所述的基于频域信息双确认的PCB表面缺陷检测方法，其特征在于，所述的步骤S5中，相位成分和幅值成分差计算方法为：
Figure 534522DEST_PATH_IMAGE009
其中，
Figure DEST_PATH_IMAGE010
为归一化后的相位成分差，
Figure 294668DEST_PATH_IMAGE011
为归一化后的幅值成分差，
Figure DEST_PATH_IMAGE012
表示基 准图像，
Figure 499384DEST_PATH_IMAGE013
表示待测图像，下标
Figure DEST_PATH_IMAGE014
表示图像的相位成分，下标
Figure 635968DEST_PATH_IMAGE015
表示图像的幅值成 分，符号
Figure DEST_PATH_IMAGE016
表示计算函数的绝对值，
Figure 242530DEST_PATH_IMAGE017
为基准图像相位成分的最小值，
Figure DEST_PATH_IMAGE018
为基准图像相位成分的最大值，
Figure 506584DEST_PATH_IMAGE019
为基准图像幅值成分的最小值，
Figure DEST_PATH_IMAGE020
为基准图像幅值成分的最大值，
Figure 198597DEST_PATH_IMAGE021
为待测图像相位成分的最小值，
Figure DEST_PATH_IMAGE022
为待测图像相位成分的最大值，
Figure 873292DEST_PATH_IMAGE023
为待测图像幅值成分的最小值，
Figure DEST_PATH_IMAGE024
为待测图像幅值成分的最大值。
6.根据权利要求1所述的基于频域信息双确认的PCB表面缺陷检测方法，其特征在于，所述的步骤S6中，缺陷存在与否的判断算法为：
Figure 334360DEST_PATH_IMAGE025
其中，i, j为图像的坐标，
Figure DEST_PATH_IMAGE026
为当前像素点异常与否的判断结果，1表示当前像 素点存在缺陷，0表示当前像素点为正常状态，
Figure 701887DEST_PATH_IMAGE027
为归一化后基准图像和待测图像相位 成分差，
Figure DEST_PATH_IMAGE028
为预设的相位成分差阈值，
Figure 943513DEST_PATH_IMAGE029
归一化后基准图像和待测图像幅值成分差，
Figure DEST_PATH_IMAGE030
为预设的幅值成分差阈值。
CN202210537741.8A 2022-05-18 2022-05-18 一种基于频域信息双确认的pcb表面缺陷检测方法 Pending CN114663430A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210537741.8A CN114663430A (zh) 2022-05-18 2022-05-18 一种基于频域信息双确认的pcb表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210537741.8A CN114663430A (zh) 2022-05-18 2022-05-18 一种基于频域信息双确认的pcb表面缺陷检测方法

Publications (1)

Publication Number Publication Date
CN114663430A true CN114663430A (zh) 2022-06-24

Family

ID=82037530

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210537741.8A Pending CN114663430A (zh) 2022-05-18 2022-05-18 一种基于频域信息双确认的pcb表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN114663430A (zh)

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070230819A1 (en) * 2004-04-27 2007-10-04 Japan Science And Technology Agency Method and Apparatues for Image Inspection
NL2003588A (en) * 2008-12-15 2010-06-16 Asml Holding Nv Reticle inspection systems and method.
CN102645436A (zh) * 2012-04-09 2012-08-22 天津大学 基于磨削纹理去除技术的工程陶瓷磨削表面损伤检测方法
JP2012194030A (ja) * 2011-03-16 2012-10-11 Research Institute Of Advanced Technology Co Ltd 画像の検査方法および装置
CN102830121A (zh) * 2012-08-17 2012-12-19 浙江工业大学 一种软性磨粒流磨粒群实时检测方法
CN104820987A (zh) * 2015-04-30 2015-08-05 中国电子科技集团公司第四十一研究所 一种基于光学图像及微波图像检测目标散射性能缺陷的方法
CN106442556A (zh) * 2016-11-16 2017-02-22 哈尔滨理工大学 一种板状带孔工件表面缺陷检测装置和方法
CN108459027A (zh) * 2018-03-21 2018-08-28 华北电力大学 一种基于图像处理的风力发电机叶片表面缺陷检测方法
CN109829886A (zh) * 2018-12-25 2019-05-31 苏州江奥光电科技有限公司 一种基于深度信息的pcb板缺陷检测方法
CN109886952A (zh) * 2019-02-25 2019-06-14 京东方科技集团股份有限公司 一种屏幕缺陷点检测方法及其装置、计算机可读介质
CN110827278A (zh) * 2019-11-27 2020-02-21 云南电网有限责任公司电力科学研究院 一种变电站绝缘子缺陷在线检测方法及装置
CN111161222A (zh) * 2019-12-13 2020-05-15 北京印刷学院 一种基于视觉显著性的印刷辊筒缺陷检测方法
CN112669275A (zh) * 2020-12-23 2021-04-16 中国电子技术标准化研究院 基于YOLOv3算法的PCB表面缺陷检测方法及装置
CN112800881A (zh) * 2021-01-15 2021-05-14 浙江工业大学 一种基于相位相关的场景偏移检测方法和***
CN113538405A (zh) * 2021-07-30 2021-10-22 吉林大学 基于图像融合的玻璃纤维复合材料无损检测方法及***
CN113643271A (zh) * 2021-08-24 2021-11-12 凌云光技术股份有限公司 一种基于频域滤波的图像瑕疵检测方法及装置
CN113706462A (zh) * 2021-07-21 2021-11-26 南京旭锐软件科技有限公司 产品表面缺陷检测方法、装置、设备及存储介质
CN114324359A (zh) * 2021-12-30 2022-04-12 合肥工业大学 物体双端面离面变形梯度分布同步测量***

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070230819A1 (en) * 2004-04-27 2007-10-04 Japan Science And Technology Agency Method and Apparatues for Image Inspection
NL2003588A (en) * 2008-12-15 2010-06-16 Asml Holding Nv Reticle inspection systems and method.
JP2012194030A (ja) * 2011-03-16 2012-10-11 Research Institute Of Advanced Technology Co Ltd 画像の検査方法および装置
CN102645436A (zh) * 2012-04-09 2012-08-22 天津大学 基于磨削纹理去除技术的工程陶瓷磨削表面损伤检测方法
CN102830121A (zh) * 2012-08-17 2012-12-19 浙江工业大学 一种软性磨粒流磨粒群实时检测方法
CN104820987A (zh) * 2015-04-30 2015-08-05 中国电子科技集团公司第四十一研究所 一种基于光学图像及微波图像检测目标散射性能缺陷的方法
CN106442556A (zh) * 2016-11-16 2017-02-22 哈尔滨理工大学 一种板状带孔工件表面缺陷检测装置和方法
CN108459027A (zh) * 2018-03-21 2018-08-28 华北电力大学 一种基于图像处理的风力发电机叶片表面缺陷检测方法
CN109829886A (zh) * 2018-12-25 2019-05-31 苏州江奥光电科技有限公司 一种基于深度信息的pcb板缺陷检测方法
CN109886952A (zh) * 2019-02-25 2019-06-14 京东方科技集团股份有限公司 一种屏幕缺陷点检测方法及其装置、计算机可读介质
CN110827278A (zh) * 2019-11-27 2020-02-21 云南电网有限责任公司电力科学研究院 一种变电站绝缘子缺陷在线检测方法及装置
CN111161222A (zh) * 2019-12-13 2020-05-15 北京印刷学院 一种基于视觉显著性的印刷辊筒缺陷检测方法
CN112669275A (zh) * 2020-12-23 2021-04-16 中国电子技术标准化研究院 基于YOLOv3算法的PCB表面缺陷检测方法及装置
CN112800881A (zh) * 2021-01-15 2021-05-14 浙江工业大学 一种基于相位相关的场景偏移检测方法和***
CN113706462A (zh) * 2021-07-21 2021-11-26 南京旭锐软件科技有限公司 产品表面缺陷检测方法、装置、设备及存储介质
CN113538405A (zh) * 2021-07-30 2021-10-22 吉林大学 基于图像融合的玻璃纤维复合材料无损检测方法及***
CN113643271A (zh) * 2021-08-24 2021-11-12 凌云光技术股份有限公司 一种基于频域滤波的图像瑕疵检测方法及装置
CN114324359A (zh) * 2021-12-30 2022-04-12 合肥工业大学 物体双端面离面变形梯度分布同步测量***

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
X. BAI ET AL: "Saliency-Based Defect Detection in Industrial Images by Using Phase Spectrum", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》 *
Y. JIN ET AL: "A Conjugate Gradient Neural Network for inspection of glass defects", 《2014 11TH INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS AND KNOWLEDGE DISCOVERY (FSKD)》 *
乔丽: "基于CNN的工件缺陷检测方法研究及***设计", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
刘慧: "检测红外线的锁相热图像无损检测技术研究", 《中国博士学位论文全文数据库 信息科技辑》 *
毛立: "基于机器学习的太阳能电池板颜色分类与缺陷检测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
金永著: "《基于光栅投影的玻璃缺陷在线检测技术》", 30 June 2016 *

Similar Documents

Publication Publication Date Title
CN109870461B (zh) 一种电子元器件质量检测***
CN106780486B (zh) 一种钢板表面缺陷图像提取方法
CN111369516B (zh) 基于红外图像识别的变压器套管发热缺陷检测方法
CN111080582B (zh) 工件内外表面缺陷检测方法
CN109872303B (zh) 表面缺陷视觉检测方法、装置和电子设备
CN109816645B (zh) 一种钢卷松卷的自动检测方法
CN109727244A (zh) 一种磁瓦表面裂纹检测方法
CN111539927B (zh) 汽车塑料组合件紧固卡扣缺装检测装置的检测方法
CN114757913A (zh) 一种显示屏缺陷检测方法
CN111489337A (zh) 一种自动光学检测伪缺陷去除方法及***
CN111638218A (zh) 一种涂层表面缺陷的检测方法
CN106353324B (zh) 磁环表面缺陷提取方法
CN111242888A (zh) 一种基于机器视觉的图像处理方法及***
CN114332081B (zh) 基于图像处理的纺织品表面异常判定方法
CN115272336A (zh) 基于梯度向量的金属零件缺陷精准检测方法
CN117333467B (zh) 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及***
CN106530292B (zh) 一种基于线扫描相机的带钢表面缺陷图像快速辨识方法
CN112613456A (zh) 一种基于多帧差分图像累积的小目标检测方法
CN114663430A (zh) 一种基于频域信息双确认的pcb表面缺陷检测方法
CN117036259A (zh) 一种基于深度学习的金属板材表面缺陷检测方法
CN112419228A (zh) 盖板立体边缘缺陷的检测方法及装置
CN114332069B (zh) 一种基于机器视觉的接插件检测方法及装置
CN109359646A (zh) 基于巡检机器人的液位型仪表识别方法
CN111179211A (zh) 原油管道巡检用无人机红外视频的管线发热诊断方法
CN111882537B (zh) 视觉检测方法及***

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220624