CN114998314B - 一种基于计算机视觉的pcb电路板缺陷检测方法 - Google Patents
一种基于计算机视觉的pcb电路板缺陷检测方法 Download PDFInfo
- Publication number
- CN114998314B CN114998314B CN202210838382.XA CN202210838382A CN114998314B CN 114998314 B CN114998314 B CN 114998314B CN 202210838382 A CN202210838382 A CN 202210838382A CN 114998314 B CN114998314 B CN 114998314B
- Authority
- CN
- China
- Prior art keywords
- image
- pcb
- transverse line
- line segment
- convolution kernel
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000009826 distribution Methods 0.000 claims description 46
- 239000000203 mixture Substances 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram 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
- 230000001131 transforming effect Effects 0.000 description 1
- 238000003466 welding 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
- G06T7/0004—Industrial image inspection
-
- 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
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- 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
- G06T2207/30141—Printed circuit board [PCB]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于计算机视觉的PCB电路板缺陷检测方法,该方法包括:采集的PCB电路板图像并获取灰度图像,对灰度图像进行线段检测确定PCB电路板的晃动范围,根据晃动范围确定卷积核大小;将灰度图像利用滑窗遍历分成多个区域,并选取其中一个区域作为目标图像块;根据目标图像块和确定的卷积核大小,在保持卷积核大小不变的条件下对卷积核进行估计获得模糊核;根据灰度图像和模糊核构建PCB电路板清晰的灰度图像,将清晰的灰度图像与参照图像进行比对后确定缺陷类型。本发明利用计算机视觉对PCB电路板图像进行去运动模糊操作,获取PCB电路板清晰的灰度图像,结合清晰的灰度图像与参照图像进行比对确定PCB电路板的缺陷类型。
Description
技术领域
本发明涉及计算机视觉技术领域,具体涉及一种基于计算机视觉的PCB电路板缺陷检测方法。
背景技术
PCB电路板为电子设备的重要组成部分,在PCB电路板的生产过程中,不可避免的会出现短路、错件、焊桥、开路等缺陷,因此对PCB电路板缺陷的检测至关重要。目前对PCB电路板缺陷检测通常由人工或机械臂对PCB电路板进行抓取运送至检测台上方,同时在检测台正上方放置相机,使用相机拍摄PCB电路板图像,根据拍摄的PCB电路板图像的图像进行缺陷检测。
但由于机械臂移动过程中会产生机械振动,导致放置在检测台的PCB电路板产生轻微晃动。由于PCB板上元件都非常小,轻微的晃动都会影响图像的清晰度,晃动造成的模糊也称为运动模糊。运动模糊会导致在根据PCB电路板图像进行缺陷检测时出现误检或漏检。
发明内容
本发明提供一种基于计算机视觉的PCB电路板缺陷检测方法,旨在解决由于PCB电路板晃动产生运动模糊,由于运动模糊而导致的在根据PCB电路板图像进行缺陷检测时出现误检或漏检的问题。
本发明的一种基于计算机视觉的PCB电路板缺陷检测方法采用如下技术方案:该方法包括:
根据采集的PCB电路板图像获取灰度图像;
对所述灰度图像进行线段检测得到PCB电路板上的横向线段和纵向线段;
确定所述横向线段和所述纵向线段的晃动范围,根据晃动范围的上限值确定卷积核大小;
将所述灰度图像利用滑窗遍历分成多个区域,计算每个区域均衡化后的像素梯度分布直方图;
将所述像素梯度分布直方图与均值为0的混合高斯模型进行拟合,根据拟合结果选取相似度最大的区域作为目标图像块;
根据所述目标图像块和所述卷积核大小,在保持卷积核大小不变的条件下利用变分贝叶斯对卷积核进行估计,估计的最终结果作为模糊核;
根据所述灰度图像和所述模糊核构建PCB电路板清晰的灰度图像;
将所述PCB电路板清晰的灰度图像与参照图像进行比对后确定PCB电路板的缺陷类型。
上述确定所述横向线段和所述纵向线段的晃动范围,包括:
根据所述横向线段所在的位置对全部横向线段进行分组;
获取多组中距离最远的两条所述横向线段之间的距离数值,统计距离数值的众数并将该众数作为横向晃动范围;
根据所述纵向线段所在的位置对全部纵向线段进行分组;
获取多组中距离最远的两条所述纵向线段之间的距离数值,统计距离数值的众数并将该众数作为纵向晃动范围。
上述根据所述横向线段所在的位置对全部横向线段进行分组,包括:
根据所述横向线段所在的位置,获取该位置全部的横向线段;
确定该位置最大像素梯度的所述横向线段记为第一横向线段,确定该位置其余像素梯度的所述横向线段记为第二横向线段;
计算第二横向线段与其上下相邻的第一横向线段之间的距离;
根据所述距离将所述第二横向线段和与其距离最近的所述第一横向线段划分为一组。
上述将所述灰度图像利用滑窗遍历分成多个区域,计算每个区域均衡化后的像素梯度分布直方图,包括:
以所述灰度图像中每个像素点为中心,利用滑窗遍历将灰度图像分成多个区域;
对每个所述区域进行边缘检测得到的边缘作为PCB电路板上的线条;
以所述线条上每个像素点为中心获取该中心晃动范围内的全部像素点,由全部的像素点组成的范围作为区块;
获取每个所述区域内全部区块均衡化后的像素梯度分布直方图和非区块的像素梯度分布直方图,确定该区域均衡化后的像素梯度分布直方图。
上述根据所述目标图像块和所述卷积核大小,在保持卷积核大小不变的条件下利用变分贝叶斯对卷积核进行估计,估计的最终结果作为模糊核,包括:
根据所述线性图像和所述卷积核大小,在保持所述卷积核大小不变的条件下利用变分贝叶斯对卷积核进行估计,估计的最终结果作为模糊核。
上述根据所述灰度图像和所述模糊核构建PCB电路板清晰的灰度图像,包括:
利用非盲去卷积方法和所述模糊核对所述灰度图像进行处理构建PCB电路板清晰的灰度图像。
上述将所述PCB电路板清晰的灰度图像与参照图像进行比对后确定PCB电路板的缺陷类型,包括:
将所述PCB电路板清晰的灰度图像与参照图像进行比对后获取差值图像;
根据所述差值图像的特征确定PCB电路板的缺陷类型。
本发明的有益效果是:
1、本发明利用计算机视觉,对PCB电路板图像进行处理,分析PCB图像的特征,对采集的PCB电路板图像进行去运动模糊操作,获取清晰的PCB电路板图像。结合清晰的PCB电路板图像及参照图像,进行PCB电路板缺陷检测。
2、本发明中分析PCB电路板图像特征。首先获得PCB电路板的晃动范围,根据晃动范围的上限值确定卷积核的大小。将PCB电路板的灰度图像利用滑窗遍历分成多个区域,计算每个区域均衡化后的像素梯度分布直方图。自然图像梯度分布符合重尾分布,可以用均值为0的混合高斯模型来模拟重尾分布,因此将每个区域预估的梯度分布图与均值为0的混合高斯模型进行拟合,根据拟合结果选取相似度最大的区域作为目标图像块。根据目标图像块和卷积核大小,在保持卷积核大小不变的条件下利用变分贝叶斯对卷积核进行估计,估计的最终结果作为模糊核。在估计时我们选取的目标图像块最符合目标图像块,同时在估计时卷积核的大小保持不变,能明显的降低计算量,提高准确率。得到模糊核后根据灰度图像重新构建PCB电路板清晰的灰度图像。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种基于计算机视觉的PCB电路板缺陷检测方法的实施例1总体步骤的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
实施例1:
本发明的一种基于计算机视觉的PCB电路板缺陷检测方法的实施例,如图1所示,该方法包括:
S1、根据采集的PCB电路板图像获取灰度图像。
具体地,在使用时先利用机械臂抓取传送带上方的PCB电路板,将抓取后的PCB电路板放置在检测台上,在检测台上方设置平面光源,使得光均匀的照射在PCB电路板上。同时在检测台正上方放置相机,拍摄PCB电路板图像。为便于分析,将拍摄的PCB电路板图像,即为采集的PCB电路板图像转换为灰度图像,记为图像。
至此,完成了PCB电路板灰度图像的获取。
S2、对所述灰度图像进行线段检测得到PCB电路板上的横向线段和纵向线段。
具体地,由于PCB电路板为印制电路板,其上深色的线条表示导线,PCB电路板上的导线排布整齐,分布规律,通常有横向排布的横向线段以及纵向排布的纵向线段。使用EDline算法对图像A进行直线检测。计算每个检测到的线段的方向,获取PCB电路板上所有横向线段和纵向线段。
S3、确定所述横向线段和所述纵向线段的晃动范围,根据晃动范围的上限值确定卷积核大小。
具体地,由于PCB电路板发生晃动造成图像模糊,晃动路径即为要估计的卷积核,晃动范围即为卷积核大小。无论晃动方向如何,在PCB电路板发生晃动时横向线段和纵向线段都会发生晃动,根据横向线段和纵向线段晃动范围的上限值确定卷积核的大小。
S4、将所述灰度图像利用滑窗遍历分成多个区域,计算每个区域均衡化后的像素梯度分布直方图。
具体地,利用滑窗遍历分成多个区域,计算每个区域均衡化后的像素梯度分布直方图,获取每个区域均衡化后的像素梯度分布直方图。
S5、将所述像素梯度分布直方图与均值为0的混合高斯模型进行拟合,根据拟合结果选取相似度最大的区域作为目标图像块。
具体地,自然图像梯度分布符合重尾分布,可以用均值为0的混合高斯模型来模拟重尾分布,因此将每个区域预估的梯度分布图与均值为0的混合高斯模型进行拟合,根据拟合结果选取相似度最大的区域作为目标图像块。
S6、根据所述目标图像块和所述卷积核大小,在保持卷积核大小不变的条件下利用变分贝叶斯对卷积核进行估计,估计的最终结果作为模糊核。
具体地,目前对卷积核进行估计的先验条件是清晰的自然图像梯度分布符合重尾分布,按照S5步骤获取的目标图像块即为与重尾分布相似度最大的区域。
在估计模糊核的过程中,先对获得的目标图像块进行反变换。接着按照S3步骤确定的卷积核大小,初始化一个卷积核。之后利用变分贝叶斯对卷积核内部的数值进行估计,估计过程中卷积核大小保持不变,估计的最终数值结果作为模糊核。在估计过程中卷积核大小保持不变能明显的降低计算量,提高准确率。
S7、根据所述灰度图像和所述模糊核构建PCB电路板清晰的灰度图像;
具体地,灰度图像即为图像,图像是由于晃动而造成的模糊图像。由于模糊图像等于清晰图像乘以模糊核。那么已知我们拍摄的图像为模糊图像,同时已知模糊核,那么利用非盲去卷积方法就能重新构建出PCB电路板的清晰图像,记为图像。至此完成了PCB电路板清晰的灰度图像的获取。
S8、将所述PCB电路板清晰的灰度图像与参照图像进行比对后确定PCB电路板的缺陷类型。
具体地,参照图像也是利用检测台上的相机拍摄无缺陷的PCB电路板而获取的,那么为了保证参照图像为清晰图像,利用S1步骤到S6步骤中获取清晰图像的方法获取无缺陷的PCB电路板的清晰的灰度图像。即对参照图像进行去运动模糊后获取清晰的参照图像,记为图像。
使用图像作为模板图像,对S6步骤中获取的PCB电路板的清晰图像进行模板匹配。将模板区域仿射变换到匹配成功的区域,获取差值图像,结合差值图像特征(如面积、灰度等),进行PCB电路板缺陷检测,获取缺陷类型。至此,完成了PCB电路板缺陷的检测。
进一步地,所述确定所述横向线段和所述纵向线段的晃动范围,包括:根据所述横向线段所在的位置对全部横向线段进行分组;获取多组中距离最远的两条所述横向线段之间的距离数值,统计距离数值的众数并将该众数作为横向晃动范围;根据所述纵向线段所在的位置对全部纵向线段进行分组;获取多组中距离最远的两条所述纵向线段之间的距离数值,统计距离数值的众数并将该众数作为纵向晃动范围。
进一步地,所述根据所述横向线段所在的位置对全部横向线段进行分组,包括:根据所述横向线段所在的位置,获取该位置全部的横向线段;确定该位置最大像素梯度的所述横向线段记为第一横向线段,确定该位置其余像素梯度的所述横向线段记为第二横向线段;计算第二横向线段与其上下相邻的第一横向线段之间的距离;根据所述距离将所述第二横向线段和与其距离最近的所述第一横向线段划分为一组。
具体地,EDline算法检测到的直线通常为图像中的边缘。由于PCB电路板受机械臂或相机机械振动影响,产生的晃动为轻微晃动,晃动幅度较小,因此表示导线的线条的边缘及其重影的边缘分布非常近。
根据横向线段所在位置,获取该位置全部的横向线段。获取该位置最大像素梯度的横向线段,记为第一横向线段,则此些横向线段在图像中较为明显。同时获取该位置其余像素梯度的横向线段,记为第二横向线段。分布在为第一横向线段上下两侧的第二横向线段为重影。计算出第二横向线段与其上下相邻的第一横向线段之间的距离。根据距离将第二横向线段和距离其最近的第一横向线段划分为一组。
例如:如横向线段1(第二横向线段)到横向线段2(第一横向线段)的距离较到横向线段3(第一横向线段)的距离近,将横向线段1与横向线段2划分至一组,直至完成所有横向线段的分组,每个分组即为PCB电路板上的线条及其重影。
每个分组中距离最远的两条横向线段即为横向线段晃动最大范围的重影,计算所有分组中此两条直线的距离,分别记为。理论上所有的距离应该都相等。但由于EDline直线检测可能将少数不明显的直线未检测出来。导致部分分组的距离与其他分组的距离不一致。统计,以其中的众数作为PCB电路板横向线段的横向晃动范围,记为m。同理获取PCB电路板纵向线段的纵向晃动范围,记为n。根据横向线段的横向晃动范围和纵向线段的纵向晃动范围,确定卷积核大小为。
进一步地,所述将所述灰度图像利用滑窗遍历分成多个区域,计算每个区域均衡化后的像素梯度分布直方图,包括:以所述灰度图像中每个像素点为中心,利用滑窗遍历将灰度图像分成多个区域;对每个所述区域进行边缘检测得到的边缘作为PCB电路板上的线条;以所述线条上每个像素点为中心获取该中心晃动范围内的全部像素点,由全部的像素点组成的范围作为区块;获取每个所述区域内全部区块均衡化后的像素梯度分布直方图和非区块的像素梯度分布直方图,确定该区域均衡化后的像素梯度分布直方图。
具体地,以灰度图像A中每个像素点为中心,构建一个大小的窗口,将图像分成多个区域,统计每个区域的像素梯度分布直方图,获取每个区域的梯度分布分布直方图。若为清晰图像,则PCB电路板底色或者元件内部灰度一致,梯度基本为0,但由于晃动,导致部分地方出现重影,使得原本为0的梯度变大;若为清晰图像,则PCB电路板线条清晰,每个线条或元件的边缘像素的梯度较大。但由于晃动,导致线条或元件的边缘不再清晰,使得原本较大的梯度变小。
对每个区域进行边缘检测,检测得到的边缘作为PCB电路板上的线条,线条的两侧可能为线条的重影。以一个线条上每个像素点为中心获取该中心晃动范围内的全部像素点,由全部的像素点组成的范围作为区块。由于线条的横向晃动范围为m,线条的纵向晃动范围为n。则获取线条上每个像素点上下m个范围内的像素点,及左右n个范围内的像素点,由此些像素点组成的区域则为受晃动影响导致梯度变化的区块。
区块内原本较大的梯度受晃动影响变小,原本较小的梯度受晃动影响变大。绘制该区块的像素梯度分布直方图,梯度集中在中间部分,对像素梯度分布直方图进行均衡化,使得梯度分布分散。同理对区域内的每个区块的像素梯度直方图进行均衡化。获取区域内所有区块均衡化后的像素梯度分布直方图及其他非区块部分的像素梯度分布直方图,获取此些像素梯度分布直方图。认为该梯度分布近似区域清晰图像的梯度分布,将其称为该区域预估的梯度分布。
将每个区域预估的梯度分布图与均值为0的混合高斯模型进行拟合,根据拟合结果选取相似度最大的区域作为目标图像块。至此,完成了目标图像块的获取。
综上所述,本发明提供一种基于计算机视觉的PCB电路板缺陷检测方法,首先获得PCB电路板的晃动范围,根据晃动范围获取卷积核的大小。分析PCB电路板图像块的像素梯度分布,结合卷积核大小对清晰的图像块的梯度分布进行预估,从而获取目标图像块。根据获取的目标图像块再对卷积核进行估计,获取模糊核,重建清晰图像。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于计算机视觉的PCB电路板缺陷检测方法,其特征在于,该方法包括:
根据采集的PCB电路板图像获取灰度图像;
对所述灰度图像进行线段检测得到PCB电路板上的横向线段和纵向线段;
确定所述横向线段和所述纵向线段的晃动范围,根据晃动范围的上限值确定卷积核大小;
将所述灰度图像利用滑窗遍历分成多个区域,计算每个区域均衡化后的像素梯度分布直方图;
将所述像素梯度分布直方图与均值为0的混合高斯模型进行拟合,根据拟合结果选取相似度最大的区域作为目标图像块;
根据所述目标图像块和所述卷积核大小,在保持卷积核大小不变的条件下利用变分贝叶斯对卷积核进行估计,估计的最终结果作为模糊核;
根据所述灰度图像和所述模糊核构建PCB电路板清晰的灰度图像;
将所述PCB电路板清晰的灰度图像与参照图像进行比对后确定PCB电路板的缺陷类型。
2.根据权利要求1所述的一种基于计算机视觉的PCB电路板缺陷检测方法,其特征在于,所述确定所述横向线段和所述纵向线段的晃动范围,包括:
根据所述横向线段所在的位置对全部横向线段进行分组;
获取多组中距离最远的两条所述横向线段之间的距离数值,统计距离数值的众数并将该众数作为横向晃动范围;
根据所述纵向线段所在的位置对全部纵向线段进行分组;
获取多组中距离最远的两条所述纵向线段之间的距离数值,统计距离数值的众数并将该众数作为纵向晃动范围。
3.根据权利要求2所述的一种基于计算机视觉的PCB电路板缺陷检测方法,其特征在于,所述根据所述横向线段所在的位置对全部横向线段进行分组,包括:
根据所述横向线段所在的位置,获取该位置全部的横向线段;
确定该位置最大像素梯度的所述横向线段记为第一横向线段,确定该位置其余像素梯度的所述横向线段记为第二横向线段;
计算第二横向线段与其上下相邻的第一横向线段之间的距离;
根据所述距离将所述第二横向线段和与其距离最近的所述第一横向线段划分为一组。
4.根据权利要求1所述的一种基于计算机视觉的PCB电路板缺陷检测方法,其特征在于,所述将所述灰度图像利用滑窗遍历分成多个区域,计算每个区域均衡化后的像素梯度分布直方图,包括:
以所述灰度图像中每个像素点为中心,利用滑窗遍历将灰度图像分成多个区域;
对每个所述区域进行边缘检测得到的边缘作为PCB电路板上的线条;
以所述线条上每个像素点为中心获取该中心晃动范围内的全部像素点,由全部的像素点组成的范围作为区块;
获取每个所述区域内全部区块均衡化后的像素梯度分布直方图和非区块的像素梯度分布直方图,确定该区域均衡化后的像素梯度分布直方图。
6.根据权利要求1所述的一种基于计算机视觉的PCB电路板缺陷检测方法,其特征在于,所述根据所述灰度图像和所述模糊核构建PCB电路板清晰的灰度图像,包括:
利用非盲去卷积方法和所述模糊核对所述灰度图像进行处理构建PCB电路板清晰的灰度图像。
7.根据权利要求1所述的一种基于计算机视觉的PCB电路板缺陷检测方法,其特征在于,所述将所述PCB电路板清晰的灰度图像与参照图像进行比对后确定PCB电路板的缺陷类型,包括:
将所述PCB电路板清晰的灰度图像与参照图像进行比对后获取差值图像;
根据所述差值图像的特征确定PCB电路板的缺陷类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210838382.XA CN114998314B (zh) | 2022-07-18 | 2022-07-18 | 一种基于计算机视觉的pcb电路板缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210838382.XA CN114998314B (zh) | 2022-07-18 | 2022-07-18 | 一种基于计算机视觉的pcb电路板缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114998314A CN114998314A (zh) | 2022-09-02 |
CN114998314B true CN114998314B (zh) | 2022-10-11 |
Family
ID=83020993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210838382.XA Active CN114998314B (zh) | 2022-07-18 | 2022-07-18 | 一种基于计算机视觉的pcb电路板缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998314B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116664451B (zh) * | 2023-07-27 | 2023-10-10 | 中铁九局集团第一建设有限公司 | 基于多图像处理的测量机器人测量优化方法 |
CN117011304B (zh) * | 2023-10-08 | 2024-03-26 | 深圳思谋信息科技有限公司 | 缺陷检测方法、装置、计算机设备及计算机可读存储介质 |
CN117876367B (zh) * | 2024-03-11 | 2024-06-07 | 惠州威尔高电子有限公司 | 一种用于电路板印刷的曝光优化方法 |
CN117876365B (zh) * | 2024-03-11 | 2024-06-07 | 惠州威尔高电子有限公司 | 一种高频印刷电路板的显影质量检测方法 |
CN117876374B (zh) * | 2024-03-13 | 2024-05-28 | 西安航科创星电子科技有限公司 | 一种用于htcc陶瓷的金属浆料布线填孔及监控方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB9803179D0 (en) * | 1998-02-13 | 1998-04-08 | Scient Generics Ltd | PCB Inspection system |
CN106897994A (zh) * | 2017-01-20 | 2017-06-27 | 北京京仪仪器仪表研究总院有限公司 | 一种基于分层图像的pcb板缺陷检测***和方法 |
CN113155735B (zh) * | 2021-02-26 | 2022-05-20 | 智蜂机电科技(东莞)有限公司 | 环状pcb板的上下面光学检测***与工作方法 |
CN114047123B (zh) * | 2021-10-09 | 2024-04-09 | 无锡芯羿达微电子有限公司 | 一种用于集成板生产缺陷检测方法及检测*** |
-
2022
- 2022-07-18 CN CN202210838382.XA patent/CN114998314B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114998314A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114998314B (zh) | 一种基于计算机视觉的pcb电路板缺陷检测方法 | |
CN109870461B (zh) | 一种电子元器件质量检测*** | |
CN109685766B (zh) | 一种基于区域融合特征的布匹瑕疵检测方法 | |
CN114494259B (zh) | 一种基于人工智能的布匹缺陷检测方法 | |
CN111383209A (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN109671078B (zh) | 一种产品表面图像异常检测方法及装置 | |
CN112233067A (zh) | 一种热轧钢卷端面质量检测方法及*** | |
CN111489337B (zh) | 一种自动光学检测伪缺陷去除方法及*** | |
CN111972700A (zh) | 烟支外观检测方法及其装置、设备、***和介质 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN113034488B (zh) | 一种喷墨印刷品的视觉检测方法 | |
CN112150460A (zh) | 检测方法、检测***、设备和介质 | |
CN114022439B (zh) | 一种基于形态学图像处理的柔性电路板缺陷检测方法 | |
CN115330784A (zh) | 一种布匹表面缺陷检测方法 | |
CN112200790B (zh) | 布料缺陷检测方法、设备和介质 | |
CN113947598B (zh) | 基于图像处理的塑料餐盒缺陷检测方法、装置及*** | |
CN115719326A (zh) | Pcb板缺陷检测方法及装置 | |
CN116580026B (zh) | 精密零部件外观缺陷自动光学检测方法、设备及存储介质 | |
CN117218633A (zh) | 一种物品检测方法、装置、设备及存储介质 | |
CN115272340B (zh) | 工业产品缺陷检测方法和装置 | |
CN108982544B (zh) | 一种印制电路板瑕疵部件检测方法 | |
CN116433978A (zh) | 一种高质量瑕疵图像自动生成与自动标注方法及装置 | |
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 | |
CN114187269B (zh) | 小零器件表面缺陷边缘快速检测方法 | |
CN107123105A (zh) | 基于fast算法的图像匹配缺陷检测方法 |
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 |