CN115359043B - 一种pcb板面异物智能检测方法 - Google Patents
一种pcb板面异物智能检测方法 Download PDFInfo
- Publication number
- CN115359043B CN115359043B CN202211270025.4A CN202211270025A CN115359043B CN 115359043 B CN115359043 B CN 115359043B CN 202211270025 A CN202211270025 A CN 202211270025A CN 115359043 B CN115359043 B CN 115359043B
- Authority
- CN
- China
- Prior art keywords
- shadow
- degree
- gray
- edge
- pcb
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 30
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 2
- 238000005538 encapsulation Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30141—Printed circuit board [PCB]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及印刷电路板检测技术领域,具体涉及一种PCB板面异物智能检测方法,该方法采集PCB板图像并得到灰度图像;提取灰度图像中的闭合连通域,得到异物区域;统计异物区域中阴影像素点的数量,获取阴影大小程度;基于阴影像素点的灰度值获取阴影灰度程度;进而得到异物区域的边缘阴影程度;基于异物区域内像素点的灰度值获取包裹油墨像素点和显露像素点,以包裹油墨像素点和显露像素点的数量差值在对应异物区域中的数量占比作为油墨包裹程度;根据边缘阴影程度和油墨包裹程度获取脱落风险指数;基于脱落风险指数的大小筛选出不合格产品。本发明能够保留存在脱落风险较小的异物的PCB板,在保证使用安全的前提下减少生产成本。
Description
技术领域
本发明涉及印刷电路板检测技术领域,具体涉及一种PCB板面异物智能检测方法。
背景技术
PCB板的应用领域非常之广泛,只要是电子设备,PCB板就不可缺少,然而PCB板载生产过程中也存在着各种缺陷,其中不同的缺陷有不同的接受程度,其中PCB板面异物缺陷存在着一定的安全隐患,若表面异物在装配过程中或者使用过程中脱落,会对PCB板带来一定的安全影响,小则烧毁PCB板,大则可能会带来火灾隐患,因此,表面异物的缺陷检测极其重要,我们在检测过程中,必须要保证后续的装配过程中与使用过程异物不会脱落,若不脱落就可以接受此缺陷。
现有技术对于PCB板的图像进行分析,只能得到异物是否存在,划分出异物存在的范围,却不能判断该异物在装配过程中是否会脱落,进而不知该PCB板存在的异物缺陷是否可接受。
发明内容
为了解决上述技术问题,本发明提供一种PCB板面异物智能检测方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种PCB板面异物智能检测方法,该方法包括以下步骤:
俯视采集传送带上的PCB板图像,分割出PCB板区域的图像并灰度化得到灰度图像;
提取灰度图像中的闭合连通域,通过计算连通域边缘的梯度方向变化率,得到异物区域;统计异物区域中阴影像素点的数量,以阴影像素点在异物区域中的数量占比作为阴影大小程度;基于阴影像素点的灰度值获取阴影灰度程度;对阴影大小程度和阴影灰度程度加权求和得到异物区域的边缘阴影程度;
基于异物区域内像素点的灰度值获取包裹油墨像素点和显露像素点,以包裹油墨像素点和显露像素点的数量差值在对应异物区域中的数量占比作为油墨包裹程度;
根据所述边缘阴影程度和所述油墨包裹程度获取脱落风险指数;基于脱落风险指数的大小筛选出不合格产品。
优选的,所述闭合连通域的提取方法为:
通过自适应阈值法将所述灰度图像进行二值化处理得到二值图像,在二值图像中进行连通域分析得到闭合连通域。
优选的,所述梯度方向变化率的获取方法为:
以连通域的顶点作为连通域的边缘起点,获取该像素点的梯度方向,根据边缘像素点的邻域灰度值特征,沿着白色边缘点顺时针滑至下一边缘像素点,并获取下一边缘像素点的梯度方向,直至得到整个连通域边缘的所有梯度方向,基于梯度方向变化的角度获取连通域边缘的梯度方向变化率。
优选的,所述基于梯度方向变化的角度获取连通域边缘的梯度方向变化率,包括:
设置夹角阈值,将夹角度数为0的梯度方向编码为0,对于不为0的夹角,将夹角度数小于所述夹角阈值的梯度方向编码为1,否则编码为2,统计编码为2的数量作为所述梯度方向变化率。
优选的,所述异物区域的获取方法为:
统计编码的总数量,并以总数量的三分之二作为异物阈值,将所述梯度方向变化率与异物阈值进行比较,大于所述异物阈值时,对应的连通域为异物区域。
优选的,所述统计异物区域中阴影像素点的数量,包括:
获取所述灰度图像的灰度直方图,统计灰度直方图中频数最大的灰度值,作为PCB板表面的灰度值特征,灰度值小于灰度值特征的像素点为阴影像素点,获取阴影像素点的数量。
优选的,所述阴影灰度程度的获取方法为:
计算阴影区域内每个像素点灰度值与所述灰度值特征之间的差值,计算所有差值的平均值作为所述阴影灰度程度。
优选的,所述基于异物区域内像素点的灰度值获取包裹油墨像素点和显露像素点,包括:
将异物区域内灰度值在灰度值特征范围内的像素点作为包裹油墨像素点,将灰度值大于灰度值特征+5的像素点作为异物未被油墨包裹的显露像素点。
优选的,所述脱落风险指数的获取方法为:
分别对所述边缘阴影程度和所述油墨包裹程度赋予不同的权重,得到相应的加权结果,以边缘阴影程度的加权结果与油墨包裹程度的加权结果的比值作为所述脱落风险指数。
优选的,所述基于脱落风险指数的大小筛选出不合格产品,包括:
将所述脱落风险指数归一化,设置脱落阈值,当脱落风险指数的归一化结果大于所述脱落阈值时,存在脱落风险,此时的PCB板为不合格产品。
本发明实施例至少具有如下有益效果:
首先基于连通域区域边缘的梯度方向变化率得到异物区域,依据异物边缘不规则的特征提取异物区域;然后获取异物区域的阴影大小程度和阴影灰度程度,异物形成的阴影区域越大,异物越突出,阴影部分的灰度越深,利用阴影大小程度和阴影灰度程度获取边缘阴影程度,表征了阴影的突出程度;再根据包裹油墨像素点和显露像素点的数量差值获取油墨包裹程度,异物被油墨包裹得多时不易脱落,不影响PCB板的使用,油墨包裹程度在一定程度上反映异物是否容易脱落;根据边缘阴影程度和油墨包裹程度获取脱落风险指数,进行不合格产品的筛选,异物的阴影越突出,油墨包裹越少便越容易脱落,当脱落程度较大时,说明异物容易脱落,会在后续使用中造成安全隐患,对于脱落风险较小的异物,不影响正常使用,不再挑选为不合格产品。本发明能够对识别到的异物进行脱落风险评估,进而保留存在脱落风险较小的异物的PCB板,在保证使用安全的前提下减少生产成本。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种PCB板面异物智能检测方法的步骤流程图;
图2为本发明一个实施例提供的PCB板的灰度图像。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种PCB板面异物智能检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种PCB板面异物智能检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种PCB板面异物智能检测方法的步骤流程图,该方法包括以下步骤:
步骤S001,俯视采集传送带上的PCB板图像,分割出PCB板区域的图像并灰度化得到灰度图像。
具体的步骤包括:
通过相机俯视拍摄获得输送带上PCB板的图像,为了避免输送带对检测带来的影响,通过语义分割提取出PCB板区域的图像,为了方便后续检测,对该图像使用加权平均值法进行灰度化,得到PCB板的灰度图像,如图2所示。
步骤S002,提取灰度图像中的闭合连通域,通过计算连通域边缘的梯度方向变化率,得到异物区域;统计异物区域中阴影像素点的数量,以阴影像素点在异物区域中的数量占比作为阴影大小程度;基于阴影像素点的灰度值获取阴影灰度程度;对阴影大小程度和阴影灰度程度加权求和得到异物区域的边缘阴影程度。
具体的步骤包括:
通过自适应阈值法将灰度图像进行二值化处理得到二值图像,在二值图像中进行连通域分析得到闭合连通域。
以连通域的顶点作为连通域的边缘起点,获取该像素点的梯度方向,根据边缘像素点的邻域灰度值特征,沿着白色边缘点顺时针滑至下一边缘像素点,并获取下一边缘像素点的梯度方向,直至得到整个连通域边缘的所有梯度方向,基于梯度方向变化的角度获取连通域边缘的梯度方向变化率。
设置夹角阈值,将夹角度数为0的梯度方向编码为0,对于不为0的夹角,将夹角度数小于夹角阈值的梯度方向编码为1,否则编码为2,统计编码为2的数量作为梯度方向变化率。
对于每一个连通域,以连通域的最顶点作为连通域的边缘起点,获取该像素点的梯度方向,根据边缘像素点的邻域灰度值特征,沿着白色边缘点顺时针滑至下一边缘像素点,获取该像素点的梯度方向/>,两个梯度方向之间的夹角即为边缘梯度方向变化率,以此类推,便可以得到整个边缘的边缘梯度方向的变化情况,对该边缘梯度方向变化进行编码处理,在本发明实施例中夹角阈值为20°,即夹角度数为零则编码为0,夹角度数在之间则编码为1,夹角度数大于20°则编码为2。统计编码中2的存在个数作为边缘梯度方向变化率。
统计编码的总数量,并以总数量的三分之二作为异物阈值,将梯度方向变化率与异物阈值进行比较,大于异物阈值时,对应的连通域为异物区域。
编码2存在的个数越多,说明边缘相邻两像素点的梯度方向夹角较大,边缘方向变化较为频繁,即边缘的规整性较差,异物存在的概率较大。
在PCB板中,存在的结构形状均为规则形状,每一个结构的连通域边缘都较为整齐划一,但是异物存在区域就较为不规则,因此可以通过连通域边缘处的规整性来提取出异物存在区域。
获取灰度图像的灰度直方图,统计灰度直方图中频数最大的灰度值,作为PCB板表面的灰度值特征,灰度值小于灰度值特征的像素点为阴影像素点,获取阴影像素点的数量。
获得异物存在区域的灰度图像,异物会突出PCB板表面,因此会在其边缘处形成阴影区域,突出PCB板表面越突出,阴影部分的灰度程度就会越深,即灰度值越接近于0,相反,要是突出PCB板表面较少,边缘阴影部分灰度程度就较浅,与周围灰度程度相差不大。
获取整个PCB板表面的灰度直方图,统计灰度直方图中频数最大的灰度值,即灰度直方图中最高的峰值,用于表征PCB表面的灰度值特征,记作,获取异物区域的灰度直方图,统计直方图中灰度值小于灰度值特征/>的像素点的个数/>,灰度值小于灰度值特征的像素点为阴影区域像素点。通过阴影像素点数/>与异物区域全部像素点数/>的比值评估阴影区域的大小程度:/>,Bs表示阴影大小程度。
计算阴影区域内每个像素点灰度值与灰度值特征之间的差值,计算所有差值的平均值作为阴影灰度程度/>。
在图像中,突出的异物边缘处会存在不同程度的阴影部分,突出程度较高,得到的阴影部分颜色就较深,突出程度较小的,阴影的颜色就较浅。
对阴影大小程度和阴影灰度程度加权求和得到异物区域的边缘阴影程度:,其中/>与/>为权重值,/>与/>为Ge与Bs经过归一化后的值,Ge的值较大,Bs的值较小,为消除两者之间差异性,将两者进行归一化后得到值为/>与/>。因Bs与Ge的重要程度不同,因此两者选取不同的权值/>与/>,权重值可以根据实际情况而定,在本发明实施例中给予参考值/>,/>。
阴影大小程度Bs可以衡量阴影部分的大小,Bs越大,表示阴影部分面积越大,而阴影灰度程度Ge可以衡量阴影部分的灰度程度,Ge越大,表示阴影部分的灰度程度更深,进而边缘阴影程度Es就越大。
步骤S003,基于异物区域内像素点的灰度值获取包裹油墨像素点和显露像素点,以包裹油墨像素点和显露像素点的数量差值在对应异物区域中的数量占比作为油墨包裹程度。
具体的步骤包括:
在灰度图像中,异物区域的部分异物被油墨完全包裹住,整体灰度值与PCB板灰度值相差不大,有一些异物被油墨只能部分包裹,一部分异物表面显露出来,在异物区域的中心部分就会表现亮区域。
因此,将异物区域内灰度值在灰度值特征范围内的像素点作为包裹油墨像素点,将灰度值大于灰度值特征/>的像素点作为异物未被油墨包裹的显露像素点。
以包裹油墨像素点和显露像素点的数量差值在对应异物区域中的数量占比作为油墨包裹程度:,其中,/>表示异物区域中包裹油墨像素点的数量,/>表示异物区域中显露像素点的数量,/>的值越大,则表明油墨存在的面积比显露处来的异物面积大得越多,因而油墨包裹程度就越大,即Iw的值就越大。
步骤S004,根据边缘阴影程度和油墨包裹程度获取脱落风险指数;基于脱落风险指数的大小筛选出不合格产品。
具体的步骤包括:
分别对边缘阴影程度和油墨包裹程度赋予不同的权重,得到相应的加权结果,以边缘阴影程度的加权结果与油墨包裹程度的加权结果的比值作为脱落风险指数。因边缘阴影程度与油墨包裹程度的重要性不同,因此给予不同权重/>与/>,该权重值可以根据实际情况而定,在本发明实施例中给予参考值/>=0.7、/>=0.3。
对于PCB板来说,表面存在的异物越突出,即边缘阴影程度越大,异物脱落的概率就会较大,而异物若被油墨全部包裹,则脱落的概率又会特别小,因而,对于PCB板表面存在的异物,越突出且油墨包裹部分较小时,脱落的风险就较高。
将脱落风险指数归一化,设置脱落阈值,当脱落风险指数的归一化结果大于脱落阈值时,存在脱落风险,此时的PCB板为不合格产品。
将脱落风险指数归一化:,其中,/>表示以自然常数e为底数,以/>为指数的指数函数,/>为脱落风险指数的归一化结果。
根据不同PCB板生产厂家对于PCB板质量要求的不同,对于脱落风险指数的归一化结果设置不同的脱落阈值,在本发明实施例中脱落阈值为0.8。脱落风险指数的归一化结果/>大于或等于脱落阈值时,异物的脱落风险较高,存在安全隐患,相反,小于该阈值,说明脱落风险较小,在可接受范围内,可以正常投入使用,因此,运用本方法可以较好的识别PCB表面异物是否存在脱落风险,过滤存在表面异物的PCB板,挑选出可接受范围内的PCB板,进而为生产PCB板厂商减少成本。
综上所述,本发明实施例俯视采集传送带上的PCB板图像,分割出PCB板区域的图像并灰度化得到灰度图像;提取灰度图像中的闭合连通域,通过计算连通域边缘的梯度方向变化率,得到异物区域;统计异物区域中阴影像素点的数量,以阴影像素点在异物区域中的数量占比作为阴影大小程度;基于阴影像素点的灰度值获取阴影灰度程度;对阴影大小程度和阴影灰度程度加权求和得到异物区域的边缘阴影程度;基于异物区域内像素点的灰度值获取包裹油墨像素点和显露像素点,以包裹油墨像素点和显露像素点的数量差值在对应异物区域中的数量占比作为油墨包裹程度;根据边缘阴影程度和油墨包裹程度获取脱落风险指数;基于脱落风险指数的大小筛选出不合格产品。本发明能够对识别到的异物进行脱落风险评估,进而保留存在脱落风险较小的异物的PCB板,在保证使用安全的前提下减少生产成本。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围,均应包含在本申请的保护范围之内。
Claims (4)
1.一种PCB板面异物智能检测方法,其特征在于,该方法包括以下步骤:
俯视采集传送带上的PCB板图像,分割出PCB板区域的图像并灰度化得到灰度图像;
提取灰度图像中的闭合连通域,通过计算连通域边缘的梯度方向变化率,得到异物区域;统计异物区域中阴影像素点的数量,以阴影像素点在异物区域中的数量占比作为阴影大小程度;基于阴影像素点的灰度值获取阴影灰度程度;对阴影大小程度和阴影灰度程度加权求和得到异物区域的边缘阴影程度;
基于异物区域内像素点的灰度值获取包裹油墨像素点和显露像素点,以包裹油墨像素点和显露像素点的数量差值在对应异物区域中的数量占比作为油墨包裹程度;
根据所述边缘阴影程度和所述油墨包裹程度获取脱落风险指数;基于脱落风险指数的大小筛选出不合格产品;
所述梯度方向变化率的获取方法为:
以连通域的顶点作为连通域的边缘起点,获取该像素点的梯度方向,根据边缘像素点的邻域灰度值特征,沿着白色边缘点顺时针滑至下一边缘像素点,并获取下一边缘像素点的梯度方向,直至得到整个连通域边缘的所有梯度方向,基于梯度方向变化的角度获取连通域边缘的梯度方向变化率;
所述基于梯度方向变化的角度获取连通域边缘的梯度方向变化率,包括:
设置夹角阈值,将夹角度数为0的梯度方向编码为0,对于不为0的夹角,将夹角度数小于所述夹角阈值的梯度方向编码为1,否则编码为2,统计编码为2的数量作为所述梯度方向变化率;
所述异物区域的获取方法为:
统计编码的总数量,并以总数量的三分之二作为异物阈值,将所述梯度方向变化率与异物阈值进行比较,大于所述异物阈值时,对应的连通域为异物区域;
所述统计异物区域中阴影像素点的数量,包括:
获取所述灰度图像的灰度直方图,统计灰度直方图中频数最大的灰度值,作为PCB板表面的灰度值特征,灰度值小于灰度值特征的像素点为阴影像素点,获取阴影像素点的数量;
所述阴影灰度程度的获取方法为:
计算阴影区域内每个像素点灰度值与所述灰度值特征之间的差值,计算所有差值的平均值作为所述阴影灰度程度;
所述基于异物区域内像素点的灰度值获取包裹油墨像素点和显露像素点,包括:
将异物区域内灰度值在灰度值特征范围内的像素点作为包裹油墨像素点,将灰度值大于灰度值特征+5的像素点作为异物未被油墨包裹的显露像素点。
2.根据权利要求1所述的一种PCB板面异物智能检测方法,其特征在于,所述闭合连通域的提取方法为:
通过自适应阈值法将所述灰度图像进行二值化处理得到二值图像,在二值图像中进行连通域分析得到闭合连通域。
3.根据权利要求1所述的一种PCB板面异物智能检测方法,其特征在于,所述脱落风险指数的获取方法为:
分别对所述边缘阴影程度和所述油墨包裹程度赋予不同的权重,得到相应的加权结果,以边缘阴影程度的加权结果与油墨包裹程度的加权结果的比值作为所述脱落风险指数。
4.根据权利要求1所述的一种PCB板面异物智能检测方法,其特征在于,所述基于脱落风险指数的大小筛选出不合格产品,包括:
将所述脱落风险指数归一化,设置脱落阈值,当脱落风险指数的归一化结果大于所述脱落阈值时,存在脱落风险,此时的PCB板为不合格产品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211270025.4A CN115359043B (zh) | 2022-10-18 | 2022-10-18 | 一种pcb板面异物智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211270025.4A CN115359043B (zh) | 2022-10-18 | 2022-10-18 | 一种pcb板面异物智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115359043A CN115359043A (zh) | 2022-11-18 |
CN115359043B true CN115359043B (zh) | 2023-08-22 |
Family
ID=84007790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211270025.4A Active CN115359043B (zh) | 2022-10-18 | 2022-10-18 | 一种pcb板面异物智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115359043B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115760884B (zh) * | 2023-01-06 | 2023-04-14 | 山东恩信特种车辆制造有限公司 | 基于图像处理的半挂车表面焊渣优化分割方法 |
CN116091503B (zh) * | 2023-04-10 | 2023-06-13 | 成都数之联科技股份有限公司 | 一种面板异物缺陷的判别方法、装置、设备及介质 |
CN116385435B (zh) * | 2023-06-02 | 2023-09-26 | 济宁市健达医疗器械科技有限公司 | 基于图像分割的制药胶囊计数方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340752A (zh) * | 2019-12-04 | 2020-06-26 | 京东方科技集团股份有限公司 | 屏幕的检测方法、装置、电子设备及计算机可读存储介质 |
-
2022
- 2022-10-18 CN CN202211270025.4A patent/CN115359043B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723701A (zh) * | 2022-03-31 | 2022-07-08 | 南通博莹机械铸造有限公司 | 基于计算机视觉的齿轮缺陷检测方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN115359043A (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115359043B (zh) | 一种pcb板面异物智能检测方法 | |
CN109934802B (zh) | 一种基于傅里叶变换和图像形态学的布匹疵点检测方法 | |
CN113538433B (zh) | 基于人工智能的机械铸件缺陷检测方法及*** | |
CN110909690B (zh) | 一种基于区域生成的遮挡人脸图像检测方法 | |
CN110006907A (zh) | 一种基于机器视觉的压铸件表面缺陷检测方法及*** | |
CN114494256A (zh) | 基于图像处理的电线生产缺陷检测方法 | |
CN116883408B (zh) | 基于人工智能的积算仪壳体缺陷检测方法 | |
CN117522870B (zh) | 基于机器视觉的航空发动机零部件的缺陷智能检测方法 | |
CN115330795A (zh) | 布匹毛刺缺陷检测方法 | |
CN115266732B (zh) | 基于机器视觉的碳纤维丝束缺陷检测方法 | |
CN114792316A (zh) | 一种盘刹车轴底板点焊缺陷检测方法 | |
CN117853493B (zh) | 一种基于图像处理的墙板生产质量检测方法 | |
CN111008967B (zh) | 一种绝缘子rtv涂层缺陷识别方法 | |
CN116229378A (zh) | 一种smc电缆分接箱异常监测、预警方法 | |
CN108805144A (zh) | 基于形态学矫正的弹孔识别方法及***、报靶设备 | |
CN115330796A (zh) | 一种铜线镀锡缺陷识别方法 | |
CN114998356A (zh) | 一种基于图像处理的车桥缺陷检测方法 | |
CN117809379A (zh) | 一种基于监控摄像机的智能人形识别报警***及方法 | |
CN117437238A (zh) | 一种封装ic表面缺陷视觉检测方法 | |
CN117011291B (zh) | 一种手表外壳质量视觉检测方法 | |
CN116703925B (zh) | 一种轴承缺陷检测方法、装置、电子设备及存储介质 | |
CN116468958B (zh) | 通信铁塔安全检测方法及*** | |
CN112037137A (zh) | 一种红外图像中绝缘子盘面边缘模糊区域消除方法及装置 | |
CN115115622B (zh) | 一种冲压端子视觉检测装置 | |
CN117036314A (zh) | 一种高密度柔性ic基板氧化区域检测方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230728 Address after: 323000 F11-496, Building 15, International Auto City, 309 Lvgu Avenue, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province Applicant after: Zhejiang Jingyin Electronic Technology Co.,Ltd. Address before: 226000 Huifengmiaojiao Industrial Park, Qidong City, Nantong City, Jiangsu Province Applicant before: QIDONG HANGXIN PRACTICAL TECHNOLOGY Research Institute |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |