CN115619725A - 电子元器件检测方法、装置、电子设备及自动质检设备 - Google Patents

电子元器件检测方法、装置、电子设备及自动质检设备 Download PDF

Info

Publication number
CN115619725A
CN115619725A CN202211196572.2A CN202211196572A CN115619725A CN 115619725 A CN115619725 A CN 115619725A CN 202211196572 A CN202211196572 A CN 202211196572A CN 115619725 A CN115619725 A CN 115619725A
Authority
CN
China
Prior art keywords
electronic component
image
target
mask
target electronic
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
CN202211196572.2A
Other languages
English (en)
Inventor
王悦
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.)
Inspur Communication Technology Co Ltd
Original Assignee
Inspur Communication Technology 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 Inspur Communication Technology Co Ltd filed Critical Inspur Communication Technology Co Ltd
Priority to CN202211196572.2A priority Critical patent/CN115619725A/zh
Publication of CN115619725A publication Critical patent/CN115619725A/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供电子元器件检测方法、装置、电子设备及自动质检设备，其中方法包括：获取待检测对象的原始图像，并从原始图像中提取目标电子元器件的粗略定位图像；基于预先确定的目标电子元器件的颜色信息对应的掩膜，对粗略定位图像进行遮罩，得到保留目标电子元器件安装区域的遮罩图像；对遮罩图像进行形态学处理，得到处理后的遮罩图像；确定处理后的遮罩图像中的各轮廓的面积，并基于符合阈值要求的轮廓，确定待检测对象中目标电子元器件的精确位置的边界；基于精确位置的边界，在粗略定位图像中截取出目标电子元器件的图像。通过上述方式，本发明无需依赖预设图像模板，可以摆脱对主板放置位置和方向的严格控制，提高检测效率，降低检测成本。

Description

电子元器件检测方法、装置、电子设备及自动质检设备
技术领域
本发明涉及计算机视觉技术领域，尤其涉及电子元器件检测方法、装置、电子设备及自动质检设备。
背景技术
在PCB主板生产流程中，对主板的质量检测现在主要依靠PCB光学检测配合人工质检，传统人工目检质检员需要时刻保持注意力高度集中，从而发现缺陷元器件，对体力、脑力和专注力都有极高要求，且仍存在失误率较高、质检效率低、覆盖面小且质检标准不一等弊端。
电子元器件在主板上数量较多且零件体积小、方向不明显，因此人工质检难度大。传统人工质检配合PCB光学检测可以准确的进行质检，但其弊端同样明显，首先是需要高精度的预设图像作为模板，这就对主板的放置位置和方向有了严格的限制。其次是检测效率一般，成本较高。第三是对单一元器件质检的定制化较差。
发明内容
本发明提供电子元器件检测方法、装置、电子设备及自动质检设备，用以解决现有技术中电子元器件检测依赖人工和预设图像模板的缺陷。
本发明提供一种电子元器件检测方法，包括：获取待检测对象的原始图像，并从原始图像中提取目标电子元器件的粗略定位图像；基于预先确定的目标电子元器件的颜色信息对应的掩膜，对粗略定位图像进行遮罩，得到保留目标电子元器件安装区域的遮罩图像；对遮罩图像进行形态学处理，得到处理后的遮罩图像；确定处理后的遮罩图像中的各轮廓的面积，并基于符合阈值要求的轮廓，确定待检测对象中目标电子元器件的精确位置的边界；基于精确位置的边界，在粗略定位图像中截取出目标电子元器件的图像。
根据本发明提供的一种电子元器件检测方法，从原始图像中提取目标电子元器件的粗略定位图像，具体包括：将原始图像输入YOLOv7目标检测模型，获得目标电子元器件的粗略定位图像；其中，YOLOv7目标检测模型是通过对目标电子元器件的数据集进行模型训练而获得的。
根据本发明提供的一种电子元器件检测方法，基于预先确定的目标电子元器件的颜色信息对应的掩膜，对粗略定位图像进行遮罩，得到保留目标电子元器件安装区域的遮罩图像，具体包括：基于目标电子元器件在目标颜色空间内的目标颜色信息确定的目标掩膜；确定粗略定位图像在目标颜色空间下的指定图像；基于目标掩膜，对指定图像中的目标电子元器件安装区域进行遮罩，得到遮罩图像。
根据本发明提供的一种电子元器件检测方法，基于目标电子元器件在目标颜色空间内的目标颜色信息确定的目标掩膜，具体包括：基于目标颜色信息的取值范围，确定目标电子元器件的掩膜保留范围；基于掩膜保留范围，确定目标掩膜。
根据本发明提供的一种电子元器件检测方法，目标颜色空间包括：RGB颜色空间、灰度空间以及HSV颜色空间中的一种。
根据本发明提供的一种电子元器件检测方法，基于精确位置的边界，在粗略定位图像中截取出目标电子元器件的图像之后，还包括：将目标电子元器件的图像进行灰度化和二值化处理，判断像素值分布，得到目标电子元器件的安装情况。
本发明还提供一种电子元器件检测装置，包括：粗略定位图像模块，用于获取待检测对象的原始图像，并从原始图像中提取目标电子元器件的粗略定位图像；遮罩图像模块，用于基于预先确定的目标电子元器件的颜色信息对应的掩膜，对粗略定位图像进行遮罩，得到保留目标电子元器件安装区域的遮罩图像；形态学处理模块，用于对遮罩图像进行形态学处理，得到处理后的遮罩图像；精准位置模块，用于确定处理后的遮罩图像中的各轮廓的面积，并基于符合阈值要求的轮廓，确定待检测对象中目标电子元器件的精确位置的边界；目标电子元器件模块，用于基于精确位置的边界，在粗略定位图像中截取出目标电子元器件的图像。
本发明还提供一种自动质检设备，包括图像采集装置以及上述的电子元器件检测装置，图像采集装置与电子元器件检测装置连接；图像采集装置用于采集待检测对象的原始图像，并将原始图像发送至电子元器件检测装置；电子元器件检测装置用于获取原始图像，并基于原始图像，确定待检测对象中目标电子元器件的安装位置。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如上述任一种电子元器件检测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种电子元器件检测方法。
本发明提供的电子元器件检测方法、装置、电子设备及自动质检设备，通过从原始图像中提取目标电子元器件的粗略定位图像；基于预先确定的目标电子元器件的颜色信息对应的掩膜，对粗略定位图像中进行遮罩，得到保留目标电子元器件安装区域的遮罩图像；对遮罩图像进行形态学处理，得到处理后的遮罩图像；确定处理后的遮罩图像中的各轮廓的面积，并基于符合阈值要求的轮廓，确定待检测对象中目标电子元器件的精确位置的边界；基于精确位置的边界，在粗略定位图像中截取出目标电子元器件的图像。通过上述方式，本发明利用机器视觉替代人工视觉质检与PCB光学检测，摆脱了PCB光学质检中对预设图像模板的依赖，从而取消了待检测对象放置位置和方向的限制，降低了质检机器入料口的成本和主板放置的时间成本。实现了提高检测效率，降低检测成本的目的。同时对目标电子元器件的质检属于定制化处理，每种元器件的检测方法都有区别，比PCB光学质检有更强的针对性，提高了质检效率和准确率
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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他的附图。
图1是本发明电子元器件检测方法一实施例的流程示意图；
图2是本发明电子元器件检测装置一实施例的结构示意图；
图3是本发明自动质检设备一实施例的结构示意图；
图4是本发明电子设备一实施例的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
本发明提供一种电子元器件检测方法，请参阅图1，图1是本发明电子元器件检测方法一实施例的流程示意图，在本实施例中，电子元器件检测方法可以包括步骤S110～S160，各步骤具体如下：
S110：获取待检测对象的原始图像，并从原始图像中提取目标电子元器件的粗略定位图像。
本实施例可通过自动质检设备中的图像采集装置获取待检测对象的原始图像。其中原始图像为图像采集装置拍摄的整个待检测对象的图像，原始图像中可能包括一个或多个目标电子元器件。
可选地，待检测对象包括主板，目标电子元器件包括连接器元器件，图像采集装置包括工业质检相机。
因为主板的放置位置和方向存在一定的随机性，因此首先需要定位连接器的位置。具体地，可以从原始图像中基于人工智能领域的目标检测算法提取待检测对象内目标电子元器件的粗略定位图像。
可选地，从原始图像中提取目标电子元器件的粗略定位图像，具体包括：将原始图像输入YOLOv7目标检测模型，获得目标电子元器件的粗略定位图像；其中，YOLOv7目标检测模型是通过对目标电子元器件的数据集进行模型训练而获得的。
使用目标电子元器件数据可以进行数据集构建；数据集可以训练目标电子元器件的YOLOv7目标检测模型；基于YOLOv7目标检测模型，检测目标电子元器件，将检测到目标电子元器件的区域作为粗略定位图像。
本实施例使用YOLOv7目标检测算法识别待检测区域中的连接器，YOLOv7算法是当前目标检测领域最先进的方法之一，相较其他YOLO版本，具备更高的检测速度和精度。除此之外，YOLOv7训练速度更快，后续算法迭代也具备更高的效率。经过YOLOv7,可以得到连接器的粗略定位，将该定位区域截取出来，用于后续步骤。
S120：基于预先确定的目标电子元器件的颜色信息对应的掩膜，对粗略定位图像进行遮罩，得到保留目标电子元器件安装区域的遮罩图像。
可选地，基于预先确定的目标电子元器件的颜色信息对应的掩膜，对粗略定位图像进行遮罩，得到保留目标电子元器件安装区域的遮罩图像，具体包括：
基于目标电子元器件在目标颜色空间内的目标颜色信息确定的目标掩膜；确定粗略定位图像在目标颜色空间下的指定图像；基于目标掩膜，对指定图像中的目标电子元器件安装区域进行遮罩，得到遮罩图像。
可选地，基于目标电子元器件在目标颜色空间内的目标颜色信息确定的目标掩膜，具体包括：
基于目标颜色信息的取值范围，确定目标电子元器件的掩膜保留范围；基于掩膜保留范围，确定目标掩膜。
其中，目标颜色空间包括：RGB颜色空间、灰度空间以及HSV颜色空间中的一种。
具体地，可以将得到的目标电子元器件区域粗略定位图像从RGB颜色空间变换到HSV颜色空间，目的是将图像的红、绿、蓝分量转换为色调、饱和度、明度。目标电子元器件的颜色大多为纯色，HSV颜色空间可以通过设定上下阈值，取得目标电子元器件对应色彩的Mask掩膜，使用Mask掩膜对目标电子元器件原图像进行遮罩，得到遮罩图像。
其中，遮罩图像中色调不在Mask掩膜阈值范围内的部分将会被置为黑色，遮罩图像中色调在Mask掩膜阈值范围内的部分将会被置为白色。
S130：对遮罩图像进行形态学处理，得到处理后的遮罩图像。
对遮罩图像进行灰度化后，再将其进行二值化处理。使用腐蚀和膨胀的图像形态学处理办法，处理图像中出现的白色区域，去除面积过小的白色区域，使距离相近的白色区域连接在一起。
S140：确定处理后的遮罩图像中的各轮廓的面积，并基于符合阈值要求的轮廓，确定待检测对象中目标电子元器件的精确位置的边界。
识别当前图像中轮廓的数量，并设定轮廓面积阈值，只保留大于阈值的轮廓，如果轮廓过小则删除该轮廓，最终得到目标电子元器件主体的轮廓。计算轮廓中白色像素点出现的上下左右四个边界值，这就是目标电子元器件的精确定位坐标。
S150：基于精确位置的边界，在粗略定位图像中截取出目标电子元器件的图像。
根据上述步骤中得到的四个边界值，得到目标电子元器件的精确定位坐标，就可以得到目标电子元器件的精确定位图像。
此外，在步骤S150：基于精确位置的边界，在粗略定位图像中截取出目标电子元器件的图像之后，还可以包括：将目标电子元器件的图像进行灰度化和二值化处理，判断像素值分布，得到目标电子元器件的安装情况。
将连接器精确定位图像灰度化，再二值化，且黑白反色显示。计算整个图像中白色像素点的个数，如果白色像素大于总像素的50％，则连接器未安装。如果小于50％，则判断连接器左右两侧的白色像素数量多少，连接器方向总是指向白色像素少的一边。由此可以判断连接器方向。
本发明提供的电子元器件检测方法，通过从原始图像中提取目标电子元器件的粗略定位图像；基于预先确定的目标电子元器件的颜色信息对应的掩膜，对粗略定位图像进行遮罩，得到保留目标电子元器件安装区域的遮罩图像；对遮罩图像进行形态学处理，得到处理后的遮罩图像；确定处理后的遮罩图像中的各轮廓的面积，并基于符合阈值要求的轮廓，确定待检测对象中目标电子元器件的精确位置的边界；基于精确位置的边界，在粗略定位图像中截取出目标电子元器件的图像。通过上述方式，本发明无需依赖预设图像模板，可以摆脱对主板放置位置和方向的严格控制，提高检测效率，降低检测成本；对电子元器件的质检进行定制化处理，针对性更强。既可以减轻质检员工作负担，又可以提高质检效率和准确率。
以上，本发明可以使用安装在自动质检设备中的工业相机获取待检测主板上的待检测区域图像，使用YOLOv7目标检测技术寻找连接器位置，并截取对应位置图像。将得到的连接器元器件区域图像从RGB颜色空间变换到HSV颜色空间，通过先验知识设定HSV颜色空间上下阈值，取得连接器元器件对应色彩的Mask掩膜，使用Mask掩膜对连接器元器件原图像进行遮罩，得到遮罩图像。基于遮罩图像中轮廓面积大小，筛选得到可以表征连接器边缘的轮廓，通过边界像素左边，确定连接器上、下、左、右边界，截取图像，得到位置精确的连接器图像。将精确连接器图像灰度化和二值化处理，并判断二值化图像中连接器左半部分和右半部分的白色像素数量，即可准确判断连接器方向和有无。通过上述设计，实现对连接器元器件安装方向和有无的快速、精确、稳定、可靠检测，极大的降低了质检方面人力成本。
下面对本发明提供的电子元器件检测装置进行描述，下文描述的电子元器件检测装置与上文描述的电子元器件检测方法可相互对应参照。
本发明还提供一种电子元器件检测装置，请参阅图2，图2是本发明电子元器件检测装置一实施例的结构示意图。在本实施例中，电子元器件检测装置包括：粗略定位图像模块210、遮罩图像模块220、形态学处理模块230、精准位置模块240和目标电子元器件模块250。
具体地：
粗略定位图像模块210，用于获取待检测对象的原始图像，并从原始图像中提取目标电子元器件的粗略定位图像；
遮罩图像模块220，用于基于预先确定的目标电子元器件的颜色信息对应的掩膜，对粗略定位图像进行遮罩，得到保留目标电子元器件安装区域的遮罩图像；
形态学处理模块230，用于对遮罩图像进行形态学处理，得到处理后的遮罩图像；
精准位置模块240，用于确定处理后的遮罩图像中的各轮廓的面积，并基于符合阈值要求的轮廓，确定待检测对象中目标电子元器件的精确位置的边界；
目标电子元器件模块250，用于基于精确位置的边界，在粗略定位图像中截取出目标电子元器件的图像。
在一些实施例中，粗略定位图像模块210用于：将原始图像输入YOLOv7目标检测模型，获得目标电子元器件的粗略定位图像；其中，YOLOv7目标检测模型是通过对目标电子元器件的数据集进行模型训练而获得的。
在一些实施例中，遮罩图像模块220用于：基于目标电子元器件在目标颜色空间内的目标颜色信息确定的目标掩膜；确定粗略定位图像在目标颜色空间下的指定图像；基于目标掩膜，对指定图像中的目标电子元器件安装区域进行遮罩，得到遮罩图像。
在一些实施例中，遮罩图像模块220用于：基于目标颜色信息的取值范围，确定目标电子元器件的掩膜保留范围；基于掩膜保留范围，确定目标掩膜。
在一些实施例中，目标颜色空间可以包括：RGB颜色空间、灰度空间以及HSV颜色空间中的一种。
在一些实施例中，电子元器件检测装置还可以包括安装情况模块，其中，安装情况模块用于将目标电子元器件的图像进行灰度化和二值化处理，判断像素值分布，得到目标电子元器件的安装情况。
本发明还提供一种自动质检设备，请参阅图3，图3是本发明自动质检设备一实施例的结构示意图。在本实施例中，自动质检设备可以包括图像采集装置310以及上述的电子元器件检测装置320，图像采集装置310与电子元器件检测装置320连接。
图像采集装置310用于采集待检测对象的原始图像，并将原始图像发送至电子元器件检测装置320；电子元器件检测装置320用于获取原始图像，并基于原始图像，确定待检测对象中目标电子元器件的安装位置。
下面以主板作为待检测对象、连接器元器件作为目标电子元器件进行举例说明。需要注意的是，本申请中的待检测对象包括但不仅限于主板，目标电子元器件包括连接器元器件但不仅限于连接器元器件。
本实施例使用安装在自动质检设备中的工业相机获取待检测主板上的待检测区域图像，区域内包含多种元器件。考虑到成本与效率，待检测主板在镜头下可以较为随意的放置，放置角度和放置位置不是完全固定的。
为了从图像中找到待检测元器件连接器，本实施例使用YOLOv7目标检测算法，找到连接器的位置。将得到的连接器元器件区域图像从RGB颜色空间变换到HSV颜色空间，通过先验知识设定HSV颜色空间上下阈值，可以筛选出连接器主体。取得连接器元器件对应色彩的Mask掩膜，使用Mask掩膜对连接器元器件原图像进行遮罩，得到遮罩图像。在遮罩图像中寻找白色像素在上、下、左、右四个方向出现的最外侧边界。使用该边界值，在连接器主体图像中截取，得到位置精确的连接器图像。将精确连接器图像灰度化和二值化处理，并判断二值化图像中连接器左半部分和右半部分的白色像素数量，即可准确判断连接器方向和有无。
另一方面，本发明还提供一种电子设备，请参阅图4，图4是本发明电子设备一实施例的结构示意图。在本实施例中，电子设备可以包括存储器(memory)420、处理器(processor)410及存储在存储器420上并可在处理器410上运行的计算机程序。处理器410执行程序时实现上述各方法所提供的电子元器件检测方法。
可选地，电子设备还可以包括通信总线430和通信接口(CommunicationsInterface)440，其中，处理器410，通信接口440，存储器420通过通信总线430完成相互间的通信。处理器410可以调用存储器420中的逻辑指令，以执行电子元器件检测方法，该方法包括：
获取待检测对象的原始图像，并从原始图像中提取目标电子元器件的粗略定位图像；基于预先确定的目标电子元器件的颜色信息对应的掩膜，对粗略定位图像进行遮罩，得到保留目标电子元器件安装区域的遮罩图像；对遮罩图像进行形态学处理，得到处理后的遮罩图像；确定处理后的遮罩图像中的各轮廓的面积，并基于符合阈值要求的轮廓，确定待检测对象中目标电子元器件的精确位置的边界；基于精确位置的边界，在粗略定位图像中截取出目标电子元器件的图像。
此外，上述的存储器420中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的电子元器件检测方法，其步骤和原理在上述方法已详细介绍，在此不再赘述。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种电子元器件检测方法，其特征在于，包括：
获取待检测对象的原始图像，并从所述原始图像中提取目标电子元器件的粗略定位图像；
基于预先确定的所述目标电子元器件的颜色信息对应的掩膜，对所述粗略定位图像进行遮罩，得到保留所述目标电子元器件安装区域的遮罩图像；
对所述遮罩图像进行形态学处理，得到处理后的遮罩图像；
确定所述处理后的遮罩图像中的各轮廓的面积，并基于符合阈值要求的轮廓，确定所述待检测对象中所述目标电子元器件的精确位置的边界；
基于所述精确位置的边界，在所述粗略定位图像中截取出目标电子元器件的图像。
2.根据权利要求1所述的电子元器件检测方法，其特征在于，所述从所述原始图像中提取目标电子元器件的粗略定位图像，具体包括：
将所述原始图像输入YOLOv7目标检测模型，获得所述目标电子元器件的粗略定位图像；
其中，所述YOLOv7目标检测模型是通过对所述目标电子元器件的数据集进行模型训练而获得的。
3.根据权利要求1所述的电子元器件检测方法，其特征在于，所述基于预先确定的所述目标电子元器件的颜色信息对应的掩膜，对所述粗略定位图像进行遮罩，得到保留所述目标电子元器件安装区域的遮罩图像，具体包括：
基于所述目标电子元器件在目标颜色空间内的目标颜色信息确定的目标掩膜；
确定所述粗略定位图像在所述目标颜色空间下的指定图像；
基于所述目标掩膜，对所述指定图像中的目标电子元器件安装区域进行遮罩，得到所述遮罩图像。
4.根据权利要求3所述的电子元器件检测方法，其特征在于，所述基于所述目标电子元器件在目标颜色空间内的目标颜色信息确定的目标掩膜，具体包括：
基于所述目标颜色信息的取值范围，确定所述目标电子元器件的掩膜保留范围；
基于所述掩膜保留范围，确定所述目标掩膜。
5.根据权利要求4所述的电子元器件检测方法，其特征在于，所述目标颜色空间包括：RGB颜色空间、灰度空间以及HSV颜色空间中的一种。
6.根据权利要求1-5中任一项所述的电子元器件检测方法，其特征在于，所述基于所述精确位置的边界，在所述粗略定位图像中截取出目标电子元器件的图像之后，还包括：
将所述目标电子元器件的图像进行灰度化和二值化处理，判断像素值分布，得到所述目标电子元器件的安装情况。
7.一种电子元器件检测装置，其特征在于，包括：
粗略定位图像模块，用于获取待检测对象的原始图像，并从所述原始图像中提取目标电子元器件的粗略定位图像；
遮罩图像模块，用于基于预先确定的所述目标电子元器件的颜色信息对应的掩膜，对所述粗略定位图像进行遮罩，得到保留所述目标电子元器件安装区域的遮罩图像；
形态学处理模块，用于对所述遮罩图像进行形态学处理，得到处理后的遮罩图像；
精准位置模块，用于确定所述处理后的遮罩图像中的各轮廓的面积，并基于符合阈值要求的轮廓，确定所述待检测对象中所述目标电子元器件的精确位置的边界；
目标电子元器件模块，用于基于所述精确位置的边界，在所述粗略定位图像中截取出目标电子元器件的图像。
8.一种自动质检设备，其特征在于，包括图像采集装置以及如权利要求7所述的电子元器件检测装置，所述图像采集装置与所述电子元器件检测装置连接；
所述图像采集装置用于采集待检测对象的原始图像，并将所述原始图像发送至所述电子元器件检测装置；
所述电子元器件检测装置用于获取所述原始图像，并基于所述原始图像，确定所述待检测对象中所述目标电子元器件的安装位置。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述电子元器件检测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述电子元器件检测方法。
CN202211196572.2A 2022-09-29 2022-09-29 电子元器件检测方法、装置、电子设备及自动质检设备 Pending CN115619725A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211196572.2A CN115619725A (zh) 2022-09-29 2022-09-29 电子元器件检测方法、装置、电子设备及自动质检设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211196572.2A CN115619725A (zh) 2022-09-29 2022-09-29 电子元器件检测方法、装置、电子设备及自动质检设备

Publications (1)

Publication Number Publication Date
CN115619725A true CN115619725A (zh) 2023-01-17

Family

ID=84860759

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211196572.2A Pending CN115619725A (zh) 2022-09-29 2022-09-29 电子元器件检测方法、装置、电子设备及自动质检设备

Country Status (1)

Country Link
CN (1) CN115619725A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116934745A (zh) * 2023-09-14 2023-10-24 创新奇智(浙江)科技有限公司 一种电子元器件插接卡子质量检测方法及检测***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116934745A (zh) * 2023-09-14 2023-10-24 创新奇智(浙江)科技有限公司 一种电子元器件插接卡子质量检测方法及检测***
CN116934745B (zh) * 2023-09-14 2023-12-19 创新奇智(浙江)科技有限公司 一种电子元器件插接卡子质量检测方法及检测***

Similar Documents

Publication Publication Date Title
CN108460757B (zh) 一种手机TFT-LCD屏Mura缺陷在线自动检测方法
CN106960208B (zh) 一种仪表液晶数字自动切分和识别的方法及***
CN112837290B (zh) 一种基于种子填充算法的裂缝图像自动识别方法
CN109767445B (zh) 一种高精度的pcb缺陷智能检测方法
CN111259891B (zh) 一种自然场景下身份证识别方法、装置、设备和介质
CN108918093B (zh) 一种滤光片镜面缺陷检测方法、装置及终端设备
CN110909640A (zh) 水位线的确定方法及装置、存储介质、电子装置
US20240233112A1 (en) Machine vision-based automatic identification and rating method and system for low-magnification acid etching defect
CN111695373B (zh) 斑马线的定位方法、***、介质及设备
CN115205223B (zh) 透明物体的视觉检测方法、装置、计算机设备及介质
CN110569774B (zh) 基于图像处理与模式识别的折线图图像自动数字化方法
CN108460344A (zh) 屏幕中的动态区域智能识别***及智能识别方法
CN108709500B (zh) 一种电路板元件定位匹配方法
CN110795955A (zh) 一种快速识别多条码的***及其方法
CN113971681A (zh) 一种复杂环境下带式输送机边缘检测方法
CN115619725A (zh) 电子元器件检测方法、装置、电子设备及自动质检设备
CN115272290A (zh) 一种缺陷检测方法、装置、电子设备及存储介质
CN113283439B (zh) 基于图像识别的智能计数方法、装置及***
CN109635679B (zh) 一种实时的靶纸定位及环线识别方法
CN112634259A (zh) 一种键盘键帽自动建模定位方法
CN112967224A (zh) 一种基于人工智能的电子电路板检测***、方法及介质
CN116542998B (zh) 用于光刻薄膜电感的轮廓检测方法、装置、设备及介质
CN117351472A (zh) 烟叶信息检测方法、装置及电子设备
CN110310341B (zh) 颜色算法中默认参数的生成方法、装置、设备和存储介质
WO2018068414A1 (zh) 色环电阻的检测方法、装置和自动光学检测***

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