CN115170478A - 一种电子元件视觉识别方法 - Google Patents

一种电子元件视觉识别方法 Download PDF

Info

Publication number
CN115170478A
CN115170478A CN202210650525.4A CN202210650525A CN115170478A CN 115170478 A CN115170478 A CN 115170478A CN 202210650525 A CN202210650525 A CN 202210650525A CN 115170478 A CN115170478 A CN 115170478A
Authority
CN
China
Prior art keywords
area
core package
core
liquid
dropping
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
CN202210650525.4A
Other languages
English (en)
Inventor
郭名鹏
王桂林
黄光显
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.)
Hunan Yunyan Intelligent Equipment Co ltd
Original Assignee
Hunan Yunyan Intelligent Equipment 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 Hunan Yunyan Intelligent Equipment Co ltd filed Critical Hunan Yunyan Intelligent Equipment Co ltd
Priority to CN202210650525.4A priority Critical patent/CN115170478A/zh
Publication of CN115170478A publication Critical patent/CN115170478A/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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Geometry (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种电子元件视觉识别方法，包括以下步骤：S1、建立用于统计芯包点液前后参数的学习模块，统计干芯包点液前后参数；S2、判断已学习的数量是否满足：满足进入步骤S3，不满足回到步骤S1；S3、对统计到的参数进行阈值提取，并根据提取的阈值进行检测。本发明通过本发明通过建立用于统计芯包点液前后参数的学习模块，统计干芯包点液前后参数，并根据统计得到的参数进行芯包滴液检测，可以保证产品质量，避免产品不合格报废造成损失。

Description

一种电子元件视觉识别方法
技术领域
本发明涉及电子元件零件检测技术领域，特别涉及一种采用视觉识别对于电子元件内部芯包点液进行检测的方法。
背景技术
在电子元件的制作过程中，需要对电子元件内部的芯包进行点液(电解液)操作，点液操作直接影响到电子元件的一些物理特性方面的参数值。
中国公开授权发明：一种锂电池芯包结构X－Ray检测***及检测方法(公开(公告)号：CN106945890B)，公开了关于锂电池芯包的检测方法，其通过传送装置、上下料装置将锂电池芯包送入X－Ray检测装置，流水线式的传送***并和感应开关结合，增加了检测效率，通过采用平稳旋转放置架，可实现锂电池芯包360度无死角连续检测，增加了检测数据的准确率，通过设置了不同功能区域，使用灵活快捷，可有效地提升锂电池整个生产工艺流程效率，通过采用了全封闭式防护外罩，有效地隔绝了X－Ray的辐射，检测包括褶皱、扭曲、极片层数、极耳高度，却还存在一定不足：
现有的芯包检测方法对芯包的点液效果却没有很好的检测手段，尤其是当点液后的芯包存在芯包倾斜异常、图片顺序异常、芯包滴液异常时，产品质量不能保证，易出现产品不合格报废造成损失。
为此，提出一种电子元件视觉识别方法。
发明内容
有鉴于此，本发明实施例希望提供一种电子元件视觉识别方法，以解决或缓解现有技术中存在的技术问题，至少提供一种有益的选择。
本发明实施例的技术方案是这样实现的：一种电子元件视觉识别方法，包括以下步骤：
S1、建立用于统计芯包点液前后参数的学习模块，统计干芯包点液前后参数；
S2、判断已学习的数量是否满足：满足进入步骤S3，不满足回到步骤S1；
S3、对统计到的参数进行阈值提取，并根据提取的阈值进行检测。
进一步优选的：所述S1中，学习模块统计芯包点液前后参数时，包括以下步骤：
S11、输入芯包滴液前后图片；
S12、提取芯包本***置；
S13、获取芯包本体面积；
S14、提取芯包白色位置；
S15、获取白色区域的面积；
S16、提取芯包底部位置；
S17、获取芯包滴液面积。
进一步优选的：所述S13中，获取芯包本体面积时，通过contourArea函数获取轮廓的最大面积，将最大面积作为芯包本体面积的学习参数。
进一步优选的：所述S15中，获取白色区域的面积时，通过contourArea函数获取白色区域轮廓的面积并筛选出最大值，最大值作为芯包白色区域面积的学习值。
进一步优选的：所述S3中，根据提取的阈值进行检测时，包括以下步骤：
S31、输入滴液前后芯包图片；
S32、ROI操作；
S33、查找芯包本体操作；
S34、角度检测操作；
S35、滴液前白色面积区域位置查找操作；
S36、图片顺序异常检测操作；
S37、滴液位置提取操作；
S38、滴液面积检测操作。
进一步优选的：所述S34中，角度检测操作时，提取轮廓左右两边的边界点，并将边界点拟合成直线，获取到直线的斜率，根据斜率获取左右两边的角度偏差与角度偏差阈值进行比较；
角度检测操作时，对芯包本体最大面积进行检测，如果芯包本体面积大于芯包本体面积阈值，同时左右两边的角度偏差都大于角度偏差阈值，则判断芯包角度异常；
如果芯包本体面积小于芯包本体面积阈值，则左右两边任意一边的角度偏差大于角度偏差阈值，判断芯包角度异常。
进一步优选的：所述S36中，图片顺序异常检测操作时，获取到芯包白色区域的最大面积，然后与芯包白色区域阈值进行比较，若小于阈值，则表示图片顺序异常。
进一步优选的：所述S38中，滴液面积检测操作时，检测芯包底部位置是否无滴液或者滴液量少，将无滴液或者滴液量少的进行剔除；
并根据步骤S37得到的底部滴液面积与滴液面积阈值进行比较，如果滴液面积少于阈值，则芯包滴液异常。
本发明还提供了一种电子元件视觉识别***，包括学习模块、检测模块和判定模块：
所述学习模块，用于统计干芯包点液前后参数；
所述检测模块，用于根据干芯包点液前后参数阈值对干芯包进行检测；
所述判定模块，用于判定干芯包点液后是否出现芯包倾斜异常、图片顺序异常、芯包滴液异常。
本发明还提供了一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行上述方法中的步骤。
本发明实施例由于采用以上技术方案，其具有以下优点：
本发明通过本发明通过建立用于统计芯包点液前后参数的学习模块，统计干芯包点液前后参数，并根据统计得到的参数进行芯包滴液检测，可以保证产品质量，避免产品不合格报废造成损失。
上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或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申请的一些实施例，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为本发明学习模块学习步骤的流程图；
图2为本发明芯包滴液后的检测流程图；
图3为未滴液芯包的示意图；
图4为滴液后芯包的示意图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
下面结合附图对本发明的实施例进行详细说明。
实施例一
如图1－4所示，本发明实施例提供了一种电子元件视觉识别方法，包括以下步骤：
S1、建立用于统计芯包点液前后参数的学习模块，统计干芯包点液前后参数；
S2、判断已学习的数量是否满足：满足进入步骤S3，不满足回到步骤S1；
S3、对统计到的参数进行阈值提取，并根据提取的阈值进行检测。
本实施例中，具体的：所述S1中，学习模块统计芯包点液前后参数时，包括以下步骤：
S11、输入芯包滴液前后图片；
S12、提取芯包本***置；
S13、获取芯包本体面积；
S14、提取芯包白色位置；
S15、获取白色区域的面积；
S16、提取芯包底部位置；
S17、获取芯包滴液面积。
本实施例中，具体的：所述S13中，获取芯包本体面积时，通过contourArea函数获取轮廓的最大面积，将最大面积作为芯包本体面积的学习参数。
本实施例中，具体的：所述S15中，获取白色区域的面积时，通过contourArea函数获取白色区域轮廓的面积并筛选出最大值，最大值作为芯包白色区域面积的学习值。
本实施例中，具体的：所述S3中，根据提取的阈值进行检测时，包括以下步骤：
S31、输入滴液前后芯包图片；
S32、ROI操作；
S33、查找芯包本体操作；
S34、角度检测操作；
S35、滴液前白色面积区域位置查找操作；
S36、图片顺序异常检测操作；
S37、滴液位置提取操作；
S38、滴液面积检测操作。
本实施例中，具体的：所述S34中，角度检测操作时，提取轮廓左右两边的边界点，并将边界点拟合成直线，获取到直线的斜率，根据斜率获取左右两边的角度偏差与角度偏差阈值进行比较；
角度检测操作时，对芯包本体最大面积进行检测，如果芯包本体面积大于芯包本体面积阈值，同时左右两边的角度偏差都大于角度偏差阈值，则判断芯包角度异常；
如果芯包本体面积小于芯包本体面积阈值，则左右两边任意一边的角度偏差大于角度偏差阈值，判断芯包角度异常。
本实施例中，具体的：所述S36中，图片顺序异常检测操作时，获取到芯包白色区域的最大面积，然后与芯包白色区域阈值进行比较，若小于阈值，则表示图片顺序异常。
本实施例中，具体的：所述S38中，滴液面积检测操作时，检测芯包底部位置是否无滴液或者滴液量少，将无滴液或者滴液量少的进行剔除；
并根据步骤S37得到的底部滴液面积与滴液面积阈值进行比较，如果滴液面积少于阈值，则芯包滴液异常。
本发明还提供了一种电子元件视觉识别***，包括学习模块、检测模块和判定模块：
所述学习模块，用于统计干芯包点液前后参数；
所述检测模块，用于根据干芯包点液前后参数阈值对干芯包进行检测；
所述判定模块，用于判定干芯包点液后是否出现芯包倾斜异常、图片顺序异常、芯包滴液异常。
本发明还提供了一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行上述方法中的步骤。
实施例二
本发明还提供了一种根据实施例一实施步骤对芯包进行滴液的操作数据：
1、二值化图像方式
1.1、threshold方式
先使用cvtColor函数将彩色图像转换成灰度图像
再使用threshold函数根据阈值将灰度图像二值化
1.2、色域方式
先使用cvtColor函数将彩色图像转换成色域图像
再使用inRange函数根据阈值将色域图像二值化
寻找芯包本体白色区域的操作及阈值如下：
cv：：Scalar lower(0，200，0)；
cv：：Scalar upper(255，255，255)；
cv：：inRange(hls，lower，upper，hlsMask)；
2.二值图像加工方式
2.1、形态学方式
使用erode函数对二值图像进行腐蚀操作，去除孤立小点、毛刺和小桥；
使用dilate函数对二值图像进行膨胀操作，填平小孔与拟合小裂缝；
使用morphologyEx函数直接进行形态学操作；
芯包本体二至图像筛选操作及阈值如下：
cv::Mat kernel＝cv::getStructuringElement(cv::MORPH_RECT,cv::Size(151,111))；
cv::morphologyEx(mask,open,cv::MORPH_OPEN,kernel)；
2.2、floodFill方式
使用floodFill函数对二值图像进行填充操作
芯包本体二值图像筛选操作及阈值如下：
cv::Mat mask1＝～mask；
cv::floodFill(mask1,cv::Point(0,0),cv::Scalar(0))；
cv::floodFill(mask1,cv::Point(mask.cols-1,0),cv::Scalar(0))；
cv::floodFill(mask1,cv::Point(0,mask.rows-1),cv::Scalar(0))；
cv::floodFill(mask1,cv::Point(mask.cols-1,mask.rows-1),cv::Scalar(0))；
mask+＝mask1；
轮廓提取
使用findContours函数对二值图像进行轮廓提取
芯包本体轮廓提取操作及参数如下：
Figure BDA0003687540480000071
统计学习流程
1.整体流程介绍
通过统计的方式，学习检测时所需要用到的阈值。包括芯包本体面积、芯包滴液前白色区域面积、芯包底部位置、滴液面积等阈值统计学习。学习流程如下：
2.学习步骤介绍
2.1、提取芯包本***置
通过threshold函数获取二值图像操作及阈值如下：
cv::threshold(gray,mask,70,255,cv::THRESH_BINARY)；
通过floodFill函数对二值图像进行填充
cv::Mat mask1＝～mask；
cv::floodFill(mask1,cv::Point(0,0),cv::Scalar(0))；
cv::floodFill(mask1,cv::Point(mask.cols-1,0),cv::Scalar(0))；
cv::floodFill(mask1,cv::Point(0,mask.rows-1),cv::Scalar(0))；
cv::floodFill(mask1,cv::Point(mask.cols-1,mask.rows-1),cv::Scalar(0))；
mask+＝mask1；
通过morphologyEx函数对二值图像进行筛选操作
cv::Mat kernel＝
cv::getStructuringElement(cv::MORPH_RECT,cv::Size(151,111))；
cv::morphologyEx(mask,open,cv::MORPH_OPEN,kernel)；
通过findContours函数获取芯包轮廓
std::vector<std::vector<cv::Point>>contours；
std::vector<cv::Vec4i>hierarchy；
cv::findContours(open,contours,hierarchy,cv::RETR_EXTERNAL,cv::CHAIN_APPROX_SIMPLE,cv::Point(0,0))；
2.2、获取芯包本体面积
通过contourArea函数获取轮廓的最大面积，将最大面积作为芯包本体面积的学习参数
Figure BDA0003687540480000081
2.3、提取芯包白色位置
通过色域提取白色区域的二值图像操作及阈值如下
cv::Mat hls；
cv::cvtColor(image,hls,cv::COLOR_BGR2HLS)；
cv::Scalar lower(0,200,0)；
cv::Scalar upper(255,255,255)；
cv::Mat hlsMask；
cv::inRange(hls,lower,upper,hlsMask)；
通过findContours函数获取白色区域轮廓
Figure BDA0003687540480000093
2.4、获取芯包白色区域面积
通过contourArea函数获取白色区域轮廓的面积并筛选出最大值。最大值作为芯包白色区域面积的学习值
Figure BDA0003687540480000091
2.5、获取芯包底部的区域
使用absdiff函数将滴液前后两张图片进行差分操作
cv::Mat diff；
cv::absdiff(firstImage,secondImage,diff)；
使用threshold函数进行图像二值化操作
cv::Mat roiGray；
cv::cvtColor(diff,roiGray,cv::COLOR_BGR2GRAY)；
cv::Mat roiMask；
cv::threshold(roiGray,roiMask,40,255,cv::THRESH_BINARY)；
使用morphologyEx函数进行形态学操作
Figure BDA0003687540480000092
使用findContours函数提取轮廓
Figure BDA0003687540480000101
获取面积最大轮廓的矩形区域作为芯包底部位置的学习参数
Figure BDA0003687540480000102
2.6、获取滴液面积
获取轮廓的最大面积作为滴液面积的学习参数
Figure BDA0003687540480000103
2.7、对统计学习参数进行阈值提取
根据检测要求，有些学习参数是需要最大值，有些是需要最小值。提取完成后可将提取到的阈值作为检测阈值使用。动态完成产品型号的适配
Figure BDA0003687540480000104
Figure BDA0003687540480000111
检测流程
1.整体流程介绍
主要检测三大瑕疵，芯包倾斜异常、图片顺序异常、芯包滴液异常。检测流程如下：
2.检测步骤介绍
2.1、ROI操作
相机拍照时，无法确保只拍到芯包，识别的首要步骤是将图像进行ROI，只截取芯包部分进行识别，ROI的范围参数通过界面框选传入(感兴趣区域。机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域，ROI。在Halcon、OpenCV、Matlab等机器视觉软件上常用到各种算子(Operator)和函数来求得感兴趣区域ROI，并进行图像的下一步处理)
2.2、查找芯包本体操作
通过threshold函数获取二值图像操作及阈值如下：
cv::threshold(gray,mask,70,255,cv::THRESH_BINARY)；
通过floodFill函数对二值图像进行填充
cv::Mat mask1＝～mask；
cv::floodFill(mask1,cv::Point(0,0),cv::Scalar(0))；
cv::floodFill(mask1,cv::Point(mask.cols-1,0),cv::Scalar(0))；
cv::floodFill(mask1,cv::Point(0,mask.rows-1),cv::Scalar(0))；
cv::floodFill(mask1,cv::Point(mask.cols-1,mask.rows-
1),cv::Scalar(0))；
mask+＝mask1；
通过morphologyEx函数对二值图像进行筛选操作
cv::Mat kernel＝
cv::getStructuringElement(cv::MORPH_RECT,cv::Size(151,111))；
cv::morphologyEx(mask,open,cv::MORPH_OPEN,kernel)；
通过findContours函数获取芯包轮廓
Figure BDA0003687540480000121
通过contourArea函数获取轮廓的面积并筛选出面积最大的轮廓
通过boundingRect函数获取轮廓的矩形位置
Figure BDA0003687540480000122
2.3、角度检测操作
检测说明：
角度检测是检测芯包左右倾斜情况，将倾斜严重的剔除。
实现方式：
提取轮廓左右两边的边界点，并将边界点拟合成直线，获取到直线的斜率，根据斜率获取左右两边的角度偏差与角度偏差阈值进行比较。
若芯包的背景中存在芯包，则会影响左右两边的角度提取，因此角度检测时，还需对芯包本体最大面积进行检测，如果芯包本体面积大于芯包本体面积阈值，需要左右两边的角度偏差都大于角度偏差阈值，才会判芯包角度异常。如果芯包本体面积小于芯包本体面积阈值，则左右两边任意一边的角度偏差大于角度偏差阈值，就会判芯包角度异常。
std::vector<cv::Point>leftPoints；
std::vector<cv::Point>rightPoints；
cv::Vec4f leftLinePara；
cv::Vec4f rightLinePara；
cv::fitLine(leftPoints,leftLinePara,cv::DIST_L2,0,1e-2,1e-2)；
cv::fitLine(rightPoints,rightLinePara,cv::DIST_L2,0,1e-2,1e-2)
2.4、滴液前白色面积区域位置查找操作
通过色域提取白色区域的二值图像操作及阈值如下
cv::Mat hls；
cv::cvtColor(image,hls,cv::COLOR_BGR2HLS)；
cv::Scalar lower(0,200,0)；
cv::Scalar upper(255,255,255)；
cv::Mat hlsMask；
cv::inRange(hls,lower,upper,hlsMask)；
通过findContours函数获取白色区域轮廓
Figure BDA0003687540480000131
通过contourArea函数获取白色区域轮廓的面积并筛选出最大值
Figure BDA0003687540480000132
2.5、图片顺序异常检测操作
检测说明：检测时是将芯包滴液前后的图片同时进行检测，顺序异常检测主要是检测由于相机丢帧、或者网络问题导致图像丢失，检测的图像两张图片不是同一个芯包的(前一个芯包滴液前的图片+当前芯包滴液前的图片、前一个芯包滴液后的图片+当前芯包滴液前的图片、前一个芯包滴液后的图片+当前芯包+当前芯包滴液后的图片)，这时需要重新恢复初始状态。
检测实现：获取到芯包白色区域的最大面积，然后跟芯包白色区域阈值进行比较，若小于阈值，则表示图片顺序异常。
2.6、滴液位置提取操作
使用absdiff函数将滴液前后两张图片进行差分操作
cv::Mat diff；
cv::absdiff(firstImage,secondImage,diff)；
使用threshold函数进行图像二值化操作
cv::Mat roiGray；
cv::cvtColor(diff,roiGray,cv::COLOR_BGR2GRAY)；
cv::Mat roiMask；
cv::threshold(roiGray,roiMask,40,255,cv::THRESH_BINARY)；
使用morphologyEx函数进行形态学操作
Figure BDA0003687540480000141
使用阈值提取芯包底部位置(二值化图像只保留底部部分)
Figure BDA0003687540480000142
使用findContours函数提取轮廓
Figure BDA0003687540480000143
Figure BDA0003687540480000151
通过contourArea函数获取白色区域轮廓的面积并筛选出最大值
Figure BDA0003687540480000152
2.7、滴液面积检测操作
检测说明：
检测芯包底部位置是否无滴液或者滴液量少，将无滴液或者滴液量少的进行剔除
检测操作：
根据上一步骤得到的底部滴液面积与滴液面积阈值进行比较，如果滴液面积少于阈值，则芯包滴液异常。
本发明通过建立用于统计芯包点液前后参数的学习模块，统计干芯包点液前后参数，并根据统计得到的参数进行芯包滴液检测，可以保证产品质量，避免产品不合格报废造成损失。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种电子元件视觉识别方法，其特征在于，包括以下步骤：
S1、建立用于统计芯包点液前后参数的学习模块，统计干芯包点液前后参数；
S2、判断已学习的数量是否满足：满足进入步骤S3，不满足回到步骤S1；
S3、对统计到的参数进行阈值提取，并根据提取的阈值进行检测。
2.根据权利要求1所述的一种电子元件视觉识别方法，其特征在于：所述S1中，学习模块统计芯包点液前后参数时，包括以下步骤：
S11、输入芯包滴液前后图片；
S12、提取芯包本***置；
S13、获取芯包本体面积；
S14、提取芯包白色位置；
S15、获取白色区域的面积；
S16、提取芯包底部位置；
S17、获取芯包滴液面积。
3.根据权利要求2所述的一种电子元件视觉识别方法，其特征在于：所述S13中，获取芯包本体面积时，通过contourArea函数获取轮廓的最大面积，将最大面积作为芯包本体面积的学习参数。
4.根据权利要求2所述的一种电子元件视觉识别方法，其特征在于：所述S15中，获取白色区域的面积时，通过contourArea函数获取白色区域轮廓的面积并筛选出最大值，最大值作为芯包白色区域面积的学习值。
5.根据权利要求1所述的一种电子元件视觉识别方法，其特征在于：所述S3中，根据提取的阈值进行检测时，包括以下步骤：
S31、输入滴液前后芯包图片；
S32、ROI操作；
S33、查找芯包本体操作；
S34、角度检测操作；
S35、滴液前白色面积区域位置查找操作；
S36、图片顺序异常检测操作；
S37、滴液位置提取操作；
S38、滴液面积检测操作。
6.根据权利要求5所述的一种电子元件视觉识别方法，其特征在于：所述S34中，角度检测操作时，提取轮廓左右两边的边界点，并将边界点拟合成直线，获取到直线的斜率，根据斜率获取左右两边的角度偏差与角度偏差阈值进行比较；
角度检测操作时，对芯包本体最大面积进行检测，如果芯包本体面积大于芯包本体面积阈值，同时左右两边的角度偏差都大于角度偏差阈值，则判断芯包角度异常；
如果芯包本体面积小于芯包本体面积阈值，则左右两边任意一边的角度偏差大于角度偏差阈值，判断芯包角度异常。
7.根据权利要求5所述的一种电子元件视觉识别方法，其特征在于：所述S36中，图片顺序异常检测操作时，获取到芯包白色区域的最大面积，然后与芯包白色区域阈值进行比较，若小于阈值，则表示图片顺序异常。
8.根据权利要求5所述的一种电子元件视觉识别方法，其特征在于：所述S38中，滴液面积检测操作时，检测芯包底部位置是否无滴液或者滴液量少，将无滴液或者滴液量少的进行剔除；
并根据步骤S37得到的底部滴液面积与滴液面积阈值进行比较，如果滴液面积少于阈值，则芯包滴液异常。
9.一种根据权利要求1－8任意一项所述的电子元件视觉识别***，其特征在于，包括学习模块、检测模块和判定模块：
所述学习模块，用于统计干芯包点液前后参数；
所述检测模块，用于根据干芯包点液前后参数阈值对干芯包进行检测；
所述判定模块，用于判定干芯包点液后是否出现芯包倾斜异常、图片顺序异常、芯包滴液异常。
10.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1－8任一所述方法中的步骤。
CN202210650525.4A 2022-06-10 2022-06-10 一种电子元件视觉识别方法 Pending CN115170478A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210650525.4A CN115170478A (zh) 2022-06-10 2022-06-10 一种电子元件视觉识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210650525.4A CN115170478A (zh) 2022-06-10 2022-06-10 一种电子元件视觉识别方法

Publications (1)

Publication Number Publication Date
CN115170478A true CN115170478A (zh) 2022-10-11

Family

ID=83484986

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210650525.4A Pending CN115170478A (zh) 2022-06-10 2022-06-10 一种电子元件视觉识别方法

Country Status (1)

Country Link
CN (1) CN115170478A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883434A (zh) * 2023-09-05 2023-10-13 昆明理工大学 一种基于语义分割的加速度传感器芯片封装缺陷检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883434A (zh) * 2023-09-05 2023-10-13 昆明理工大学 一种基于语义分割的加速度传感器芯片封装缺陷检测方法
CN116883434B (zh) * 2023-09-05 2023-11-17 昆明理工大学 一种基于语义分割的加速度传感器芯片封装缺陷检测方法

Similar Documents

Publication Publication Date Title
US7936926B2 (en) Apparatus, method, and program for face feature point detection
CN109785316B (zh) 一种芯片表观缺陷检测方法
CN110619333B (zh) 一种文本行分割方法、文本行分割装置及电子设备
CN102713579B (zh) 外观检查装置
CN115170478A (zh) 一种电子元件视觉识别方法
CN106780473A (zh) 一种磁环缺陷多目视觉检测方法及***
CN114511583A (zh) 图像清晰度检测方法、装置、电子装置和存储介质
CN115294114A (zh) 一种基于ecu电路焊接的质量检测方法
CN108805144A (zh) 基于形态学矫正的弹孔识别方法及***、报靶设备
CN110969267A (zh) 社区垃圾处理方法、社区服务器及计算机可读存储介质
CN115035391A (zh) 垃圾桶满溢判别方法以及判别***
CN112188190A (zh) 污渍检测方法、烹饪器具、服务器和存储介质
CN110580459B (zh) 一种安全检查的方法、以及控制设备
WO2020183837A1 (ja) 計数システム、計数装置、機械学習装置、計数方法、部品配置方法、および、プログラム
CN113283439B (zh) 基于图像识别的智能计数方法、装置及***
CN114037730A (zh) 车流量统计方法、装置、设备及存储介质
CN111008960B (zh) 基于机器视觉的铝电解电容底部外观检测方法及装置
CN108352092B (zh) 数据获取装置、打印装置、真实性辨别装置、方法及程序
CN115963114B (zh) 一种锂电池生产质检***
JP2001141426A (ja) 外観検査装置及び印刷装置
CN112016533A (zh) 物料检测方法、装置、电子设备和计算机可读存储介质
CN115018849B (zh) 基于边缘检测的瓶体歪盖识别方法
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
JP2021051381A (ja) 付着物検出装置および付着物検出方法
US20220261974A1 (en) Method of detecting an abnormality and abnormality detection device

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