CN115713499A - 一种贴片元件贴装后质量检测方法 - Google Patents
一种贴片元件贴装后质量检测方法 Download PDFInfo
- Publication number
- CN115713499A CN115713499A CN202211392080.0A CN202211392080A CN115713499A CN 115713499 A CN115713499 A CN 115713499A CN 202211392080 A CN202211392080 A CN 202211392080A CN 115713499 A CN115713499 A CN 115713499A
- Authority
- CN
- China
- Prior art keywords
- angle
- pin
- pad
- component
- area
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- Image Analysis (AREA)
- Supply And Installment Of Electrical Components (AREA)
- Image Processing (AREA)
Abstract
一种贴片元件贴装后质量检测方法,属于图像处理领域。本发明为解决现有对贴装质量检测方法存在准确性差和速度慢的问题。它用工业相机采集贴装后元件电路板图片;使用标注软件对电路板图片进行标注,搭建SSD卷积神经网络模型,并进行训练,利用训练完成的SSD卷积神经网络模型对待检测元件的电路板图片进行识别,截取元件及周边区域,作为感兴趣区域;对感兴趣区域进行图像分割,提取出电子元件的引脚位置、引脚角度、焊盘位置和焊盘角度;并判断电子元件的位置与焊盘的位置之间的距离和电子元件的角度与焊盘的角度差是否小于阈值,对电子元件贴装是否正常进行判断。本发明适用于贴片元件贴装后质量检测。
Description
技术领域
本发明属于图像处理领域。
背景技术
贴片机是电子元件表面贴装产线上的核心设备,其主要作用是将电子元件自动化的贴装在电路板指定位置上。正确的贴装才能让电路板正常工作,错误的贴装会导致在后续的回流焊接中出现错位、翘起等问题,影响电路板的正常工作。因此,在电子元件完成贴装后,需要对电子元件的贴装质量进行检查。然而,现有对贴装质量检测方法存在准确性差和速度慢的问题,无法满足工业化自动化生产的需求。
发明内容
本发明目的是为了解决现有对贴装质量检测方法存在准确性差和速度慢的问题,提出了一种贴片元件贴装后质量检测方法。
本发明所述一种贴片元件贴装后质量检测方法,包括:
步骤一:使用工业相机采集贴装后元件电路板图片;
步骤二:使用标注软件对电路板图片进行标注,标注信息包括:元件位置、元件角度以及元件种类;
步骤三:搭建SSD卷积神经网络模型,利用所述电路板图片及标注信息对所述SSD卷积神经网络模型进行训练;获取训练完成的SSD卷积神经网络模型;
步骤四:利用训练完成的SSD卷积神经网络模型对待检测元件的电路板图片进行识别,识别元件电路板上元件的位置、角度以及种类信息;
步骤五:截取元件及周边区域,并将截取的区域作为感兴趣区域;
步骤六:对所述感兴趣区域进行图像分割,提取出电子元件每个引脚中心位置、角度、每个焊盘中心的位置和角度;
步骤七:计算电子元件的引脚中心位置与对应焊盘的中心位置之间的距离和电子元件的引脚角度与对应焊盘的角度差,判断所述距离是否在距离阈值范围内和所述角度差是否小于角度阈值,若所述距离在距离阈值范围内,同时所述角度差小于角度阈值,则电子元件贴装正常,否则,认定电子元件贴装异常。
进一步地,本发明中,步骤二中,使用标注软件对电路板图片进行标注的具体方法为:
根据电路板图片中电子元件的特征,对电子元件类型进行确定,并对电子元件在图片中的位置、元件的角度以及元件种类进行标注。
进一步地,本发明中,电子元件类型包括:CHIP类型、BGA类型、SOP类型、SOT类型和Other类型五类;
其中,CHIP类型指矩形无引脚元件;BGA类型指球形栅格阵列元件,SOP类型指双列引脚元件;SOT类型指矩形非对称引脚元件,Other类型指其他形状元件。
进一步地,本发明中,步骤五中,截取电子元件周边区域,并将截取的区域作为感兴趣区域的具体方法为:
以元件中心位置为中心,截取1.2倍元件尺寸的区域,将截取的区域作为感兴趣区域。
进一步地,本发明中,步骤六中,对所述感兴趣区域进行图像分割,提取出电子元件的引脚位置、引脚角度、焊盘位置和焊盘角度的具体方法为:
步骤六一:根据感兴趣区域内元件的种类和测量的尺寸确定第一分割像素阈值T1,将电子元件感兴趣区域内灰度超过第一分割像素阈值T1的区域作为元件的引脚区域,在所述引脚区域内提取二值引脚图像;
步骤六二:基于二值引脚图像,使用连通域分析方法提取引脚区域中所有白色像素区域;
步骤六三:计算每个白色像素位置的像素平均值,将所述像素平均值的位置作为对应引脚的中心位置(xr,yr);
步骤六四:以所述引脚的中心位置(xr,yr)为中心,拟合二值引脚图像中所有白色像素位置的最小外接矩形,将所述最小外接矩形的角度作为对应引脚的角度rr;
步骤六五:设定第二分割像素阈值T2,T2<T1,提取二值引脚图像中所有白色像素位置的最小外接矩形内像素超过阈值T2小于阈值T1的二值焊盘图像;
步骤六六:基于所述二值焊盘图像,使用连通域分析方法提取元件焊盘区域所有白色像素的位置;
步骤六七:计算焊盘区域每个白色像素区域的平均值,将所述白色像素区域的平均值位置作为焊盘的中心位置(xt,yt);
步骤六八:以焊盘的中心位置(xt,yt)为中心,拟合焊盘区域白色像素的最小外接矩形,并将该最小外接矩形的角度作为对应焊盘的角度rt。
进一步地,本发明中,步骤七中,计算电子元件的位置与焊盘的位置之间的距离和电子元件的角度与焊盘的角度差的方法为:
利用公式:
(Δx,Δy,Δz)=|(xr,yr,rr)-(xt,yt,rt)|
计算获得,其中,(Δx,Δy,Δz)分别为电子元件与焊盘的X方向位置差值、Y方向位置差值和旋转角度差值,(xr,yr,rr)为图像分割得到的元件引脚的X方向位置数据、Y方向位置数据和旋转角度数据,(xt,yt,rt)为图像分割得到的元件焊盘的X方向位置数据、Y方向位置数据和旋转角度数据。
本发明所述方法用于贴片机生产后对贴片元件贴装质量进行检测,结合了神经网络检测定位方法和图像分割方法,直观的评价了贴装质量,整个过程高效、快速、稳定,能够解决贴片后对元件贴装质量进行检查的问题。
附图说明
图1为本发明的方法流程图;
图2为本发明的图像分割示意图。
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作出创造性劳动的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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
具体实施方式一:下面结合图1说明本实施方式,本实施方式所述一种贴片元件贴装后质量检测方法,包括:
步骤一:使用工业相机采集贴装后元件电路板图片;
步骤二:使用标注软件对电路板图片进行标注,标注信息包括:元件位置、元件旋转角度以及元件种类;
步骤三:搭建SSD卷积神经网络模型,利用所述电路板图片及标注信息对所述SSD卷积神经网络模型进行训练;
步骤四:利用步骤三训练完成的SSD卷积神经网络模型对待检测元件的电路板图片进行识别,识别元件电路板上电子元件的位置、旋转角度以及种类信息;
步骤五:截取电子元件及周边区域,并将截取的区域作为感兴趣区域;
步骤六:对所述感兴趣区域进行图像分割,提取出电子元件每个引脚中心位置、角度、每个焊盘中心的位置和角度;
步骤七:计算电子元件的引脚中心位置与对应焊盘的中心位置之间的距离和电子元件的引脚角度与对应焊盘的角度差,判断所述距离是否在距离阈值范围内和所述角度差是否小于角度阈值,若所述距离在距离阈值范围内,同时所述角度差小于角度阈值,则电子元件贴装正常,否则,认定电子元件贴装异常。
进一步地,本发明中,步骤二中,使用标注软件对电路板图片进行标注的具体方法为:
根据电路板图片中电子元件的特征,对电子元件类型进行确定,并对电子元件在图片中的位置、元件的角度以及元件种类进行标注。
进一步地,本发明中,电子元件类型包括:CHIP类型、BGA类型、SOP类型、SOT类型和Other类型五类;
其中,CHIP类型指矩形无引脚元件;BGA类型指球形栅格阵列元件,SOP类型指双列引脚元件;SOT类型指矩形非对称引脚元件,Other类型指其他形状元件。
进一步地,本发明中,步骤五中,截取电子元件周边区域,并将截取的区域作为感兴趣区域的具体方法为:
以元件中心位置为中心,截取1.2倍元件尺寸的区域,将截取的区域作为感兴趣区域。
进一步地,本发明中,步骤六中,对所述感兴趣区域进行图像分割,提取出电子元件的引脚位置、引脚角度、焊盘位置和焊盘角度的具体方法为:
步骤六一:根据感兴趣区域内元件的种类和测量的尺寸确定第一分割像素阈值T1,将电子元件感兴趣区域内灰度超过第一分割像素阈值T1的区域作为元件的引脚区域,在所述引脚区域内提取二值引脚图像;其中,T1最优值为150;
步骤六二:基于二值引脚图像,使用连通域分析方法提取引脚区域中所有白色像素区域;
步骤六三:计算每个白色像素位置的像素平均值,将所述像素平均值的位置作为对应引脚的中心位置(xr,yr);
步骤六四:以所述引脚的中心位置(xr,yr)为中心,拟合二值引脚图像中所有白色像素位置的最小外接矩形,将所述最小外接矩形的角度作为对应引脚的角度rr;
步骤六五:设定第二分割像素阈值T2,T2<T1,提取二值引脚图像中所有白色像素位置的最小外接矩形内像素超过阈值T2小于阈值T1的二值焊盘图像;其中,T2最优值为120;
步骤六六:基于所述二值焊盘图像,使用连通域分析方法提取元件焊盘区域所有白色像素的位置;
步骤六七:计算焊盘区域每个白色像素区域的平均值,将所述白色像素区域的平均值位置作为焊盘的中心位置(xt,yt);
步骤六八:以焊盘的中心位置(xt,yt)为中心,拟合焊盘区域白色像素的最小外接矩形,并将该最小外接矩形的角度作为对应焊盘的角度rt。
本实施方式中,在计算引脚位置及角度时,对二值引脚图像中每个白色像素区域分别进行计算均值,获取每个引脚的中心像素位置,再对焊盘区域的每个白色像素区域的平均值,将所述白色像素区域的平均值位置作为焊盘的中心位置,还包括对引脚区域进行编号,并在获得焊盘区域后对应进行标号,在计算焊盘与引脚角度及距离差时,根据标号将引脚及焊盘之间的距离和角度作差,进行判断。距离阈值范围和角度阈值根据实际情况进行确定。
进一步地,本发明中,步骤七中,计算电子元件的引脚中心位置与对应焊盘的中心位置之间的距离和电子元件的引脚角度与对应焊盘的角度差的方法为:
利用公式:
(Δx,Δy,Δz)=|(xr,yr,rr)-(xt,yt,rt)|
计算获得,其中,(Δx,Δy,Δz)分别为电子元件与焊盘的X方向位置差值、Y方向位置差值和旋转角度差值,(xr,yr,rr)为图像分割得到的元件引脚的X方向位置数据、Y方向位置数据和旋转角度数据,(xt,yt,rt)为图像分割得到的元件焊盘的X方向位置数据、Y方向位置数据和旋转角度数据。
本发明采集电路板图片;对电子元件进行分类,并对电路板图片进行标注;搭建神经网络;对神经网络进行训练;让训练好的神经网络检测待检测图像获得电子元件种类和位置信息;截取元件感兴趣区域;对感兴趣区域图像分割,提取元件引脚和焊盘区域;比较电子元件引脚和焊盘在位置、旋转角度上的差异,判断贴装是否合格。本发明应用于贴片元件质量检测,提高了质量检测的效率和精度,降低了人工成本,提高了工作可靠性。
虽然在本文中参照了特定的实施方式来描述本发明,但是应该理解的是,这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是,可以对示例性的实施例进行许多修改,并且可以设计出其他的布置,只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是,可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是,结合单独实施例所描述的特征可以使用在其他所述实施例中。
Claims (7)
1.一种贴片元件贴装后质量检测方法,其特征在于,包括:
步骤一:使用工业相机采集贴装后元件电路板图片;
步骤二:使用标注软件对电路板图片进行标注,标注信息包括:元件位置、元件角度以及元件种类;
步骤三:搭建SSD卷积神经网络模型,利用所述电路板图片及标注信息对所述SSD卷积神经网络模型进行训练;获取训练完成的SSD卷积神经网络模型;
步骤四:利用训练完成的SSD卷积神经网络模型对待检测元件的电路板图片进行识别,识别元件电路板上元件的位置、角度以及种类信息;
步骤五:截取元件及周边区域,并将截取的区域作为感兴趣区域;
步骤六:对所述感兴趣区域进行图像分割,提取出电子元件每个引脚中心位置、角度、每个焊盘中心的位置和角度;
步骤七:计算电子元件的引脚中心位置与对应焊盘的中心位置之间的距离和电子元件的引脚角度与对应焊盘的角度差,判断所述距离是否在距离阈值范围内和所述角度差是否小于角度阈值,若所述距离在距离阈值范围内,同时所述角度差小于角度阈值,则电子元件贴装正常,否则,认定电子元件贴装异常。
2.根据权利要求1所述的一种贴片元件贴装后质量检测方法,其特征在于,步骤二中,使用标注软件对电路板图片进行标注的具体方法为:
根据电路板图片中电子元件的特征,对电子元件类型进行确定,并对电子元件在图片中的位置、元件的角度以及元件种类进行标注。
3.根据权利要求2所述的一种贴片元件贴装后质量检测方法,其特征在于,电子元件类型包括:CHIP类型、BGA类型、SOP类型、SOT类型和Other类型五类;
其中,CHIP类型指矩形无引脚元件;BGA类型指球形栅格阵列元件,SOP类型指双列引脚元件;SOT类型指矩形非对称引脚元件,Other类型指其他形状元件。
4.根据权利要求1、2或3所述的一种贴片元件贴装后质量检测方法,其特征在于,步骤五中,截取电子元件周边区域,并将截取的区域作为感兴趣区域的具体方法为:
以元件中心位置为中心,截取1.2倍元件尺寸的区域,将截取的区域作为感兴趣区域。
5.根据权利要求1所述的一种贴片元件贴装后质量检测方法,其特征在于,步骤六中,对所述感兴趣区域进行图像分割,提取出电子元件的引脚位置和引脚角度具体方法为:
步骤六一:根据感兴趣区域内元件的种类和测量的尺寸确定第一分割像素阈值T1,将电子元件感兴趣区域内灰度超过第一分割像素阈值T1的区域作为元件的引脚区域,在所述引脚区域内提取二值引脚图像;
步骤六二:基于二值引脚图像,使用连通域分析方法提取引脚区域中所有白色像素区域;
步骤六三:计算每个白色像素位置的像素平均值,将所述像素平均值的位置作为对应引脚的中心位置(xr,yr);
步骤六四:以所述引脚的中心位置(xr,yr)为中心,拟合二值引脚图像中所有白色像素位置的最小外接矩形,将所述最小外接矩形的角度作为对应引脚的角度rr。
6.根据权利要求5所述的一种贴片元件贴装后质量检测方法,其特征在于,步骤六中,,提取出电子元件的焊盘位置和焊盘角度的具体方法为:
步骤六五:设定第二分割像素阈值T2,T2<T1,提取二值引脚图像中所有白色像素位置的最小外接矩形内像素超过阈值T2小于阈值T1的二值焊盘图像;
步骤六六:基于所述二值焊盘图像,使用连通域分析方法提取元件焊盘区域所有白色像素的位置;
步骤六七:计算焊盘区域每个白色像素区域的平均值,将所述白色像素区域的平均值位置作为焊盘的中心位置(xt,yt);
步骤六八:以焊盘的中心位置(xt,yt)为中心,拟合焊盘区域白色像素的最小外接矩形,并将该最小外接矩形的角度作为对应焊盘的角度rt。
7.根据权利要求6所述的一种贴片元件贴装后质量检测方法,其特征在于,步骤七中,计算电子元件的位置与焊盘的位置之间的距离和电子元件的角度与焊盘的角度差的方法为:
利用公式:
(Δx,Δy,Δz)=|(xr,yr,rr)-(xt,yt,rt)|
计算获得,其中,(Δx,Δy,Δz)分别为电子元件与焊盘的X方向位置差值、Y方向位置差值和旋转角度差值,(xr,yr,rr)为图像分割得到的元件引脚的X方向位置数据、Y方向位置数据和旋转角度数据,(xt,yt,rt)为图像分割得到的元件焊盘的X方向位置数据、Y方向位置数据和旋转角度数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211392080.0A CN115713499B (zh) | 2022-11-08 | 2022-11-08 | 一种贴片元件贴装后质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211392080.0A CN115713499B (zh) | 2022-11-08 | 2022-11-08 | 一种贴片元件贴装后质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115713499A true CN115713499A (zh) | 2023-02-24 |
CN115713499B CN115713499B (zh) | 2023-07-14 |
Family
ID=85232441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211392080.0A Active CN115713499B (zh) | 2022-11-08 | 2022-11-08 | 一种贴片元件贴装后质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115713499B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197027A (zh) * | 2023-03-17 | 2023-12-08 | 中勍科技股份有限公司 | 一种电子封装优化方法和*** |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761534A (zh) * | 2014-01-22 | 2014-04-30 | 哈尔滨工业大学 | 一种用于qfp元件视觉定位的检测方法 |
CN107909613A (zh) * | 2017-11-14 | 2018-04-13 | 哈尔滨工业大学 | 一种基于顶点的矩形引脚元件定位方法 |
CN108982508A (zh) * | 2018-05-23 | 2018-12-11 | 江苏农林职业技术学院 | 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法 |
CN109308489A (zh) * | 2018-09-03 | 2019-02-05 | 中国人民解放军国防科技大学 | 一种元件电弧焊焊接质量检测方法 |
CN110865087A (zh) * | 2019-11-27 | 2020-03-06 | 科士恩科技(上海)有限公司 | 一种基于人工智能的pcba质量检测方法 |
CN112419225A (zh) * | 2020-07-17 | 2021-02-26 | 宁波智能装备研究院有限公司 | 一种基于引脚分割的sop型芯片检测方法及*** |
CN113506243A (zh) * | 2021-06-04 | 2021-10-15 | 联合汽车电子有限公司 | Pcb焊接缺陷检测方法、装置及存储介质 |
CN113591965A (zh) * | 2021-07-26 | 2021-11-02 | 格力电器(南京)有限公司 | 一种aoi检测图像处理方法、装置、存储介质及计算机设备 |
CN113706525A (zh) * | 2021-10-20 | 2021-11-26 | 武汉飞恩微电子有限公司 | 一种基于图像处理的印刷电路板贴片缺陷智能识别方法 |
CN114299036A (zh) * | 2021-12-30 | 2022-04-08 | 中国电信股份有限公司 | 电子元件的检测方法及装置、存储介质、电子设备 |
CN114330224A (zh) * | 2021-12-30 | 2022-04-12 | 中国科学院长春光学精密机械与物理研究所 | 一种元器件引脚成形参数的验证的方法和装置 |
CN114549390A (zh) * | 2020-11-25 | 2022-05-27 | 鸿富锦精密电子(成都)有限公司 | 电路板检测方法、电子装置及存储介质 |
-
2022
- 2022-11-08 CN CN202211392080.0A patent/CN115713499B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761534A (zh) * | 2014-01-22 | 2014-04-30 | 哈尔滨工业大学 | 一种用于qfp元件视觉定位的检测方法 |
CN107909613A (zh) * | 2017-11-14 | 2018-04-13 | 哈尔滨工业大学 | 一种基于顶点的矩形引脚元件定位方法 |
US20190147580A1 (en) * | 2017-11-14 | 2019-05-16 | Harbin Institute Of Technology | Positioning Method of Rectangular Pin Element Based on Vertex Points |
CN108982508A (zh) * | 2018-05-23 | 2018-12-11 | 江苏农林职业技术学院 | 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法 |
CN109308489A (zh) * | 2018-09-03 | 2019-02-05 | 中国人民解放军国防科技大学 | 一种元件电弧焊焊接质量检测方法 |
CN110865087A (zh) * | 2019-11-27 | 2020-03-06 | 科士恩科技(上海)有限公司 | 一种基于人工智能的pcba质量检测方法 |
CN112419225A (zh) * | 2020-07-17 | 2021-02-26 | 宁波智能装备研究院有限公司 | 一种基于引脚分割的sop型芯片检测方法及*** |
CN114549390A (zh) * | 2020-11-25 | 2022-05-27 | 鸿富锦精密电子(成都)有限公司 | 电路板检测方法、电子装置及存储介质 |
CN113506243A (zh) * | 2021-06-04 | 2021-10-15 | 联合汽车电子有限公司 | Pcb焊接缺陷检测方法、装置及存储介质 |
CN113591965A (zh) * | 2021-07-26 | 2021-11-02 | 格力电器(南京)有限公司 | 一种aoi检测图像处理方法、装置、存储介质及计算机设备 |
CN113706525A (zh) * | 2021-10-20 | 2021-11-26 | 武汉飞恩微电子有限公司 | 一种基于图像处理的印刷电路板贴片缺陷智能识别方法 |
CN114299036A (zh) * | 2021-12-30 | 2022-04-08 | 中国电信股份有限公司 | 电子元件的检测方法及装置、存储介质、电子设备 |
CN114330224A (zh) * | 2021-12-30 | 2022-04-12 | 中国科学院长春光学精密机械与物理研究所 | 一种元器件引脚成形参数的验证的方法和装置 |
Non-Patent Citations (2)
Title |
---|
LIFEI BAI ET AL: "A Novel coarse-fine method for ball grid array component positioning and defect inspection", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》, vol. 65, no. 6, pages 5023 - 5031, XP011677186, DOI: 10.1109/TIE.2017.2748053 * |
袁小平;龚戬;: "基于图像饱和度分量Zernike矩的元件封装识别", 科学技术与工程, no. 14, pages 219 - 223 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197027A (zh) * | 2023-03-17 | 2023-12-08 | 中勍科技股份有限公司 | 一种电子封装优化方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN115713499B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115049653B (zh) | 基于计算机视觉的集成电路板质量检测*** | |
JP6922168B2 (ja) | 表面実装ラインの品質管理システム及びその制御方法 | |
JP3051279B2 (ja) | バンプ外観検査方法およびバンプ外観検査装置 | |
CN105510348A (zh) | 一种印制电路板的缺陷检测方法、装置及检测设备 | |
CN112053318A (zh) | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 | |
JP2002358509A (ja) | 穴検査装置 | |
CN114152627B (zh) | 芯片电路缺陷检测方法、装置、电子设备及存储介质 | |
CN108648175B (zh) | 一种检测方法和装置 | |
CN115713499B (zh) | 一种贴片元件贴装后质量检测方法 | |
CN113030121A (zh) | 用于电路板元器件的自动光学检测方法、***、及设备 | |
CN115239626A (zh) | 缺陷检测方法、光学检测设备、电子设备以及存储介质 | |
CN112115948A (zh) | 一种基于深度学习的芯片表面字符识别方法 | |
JP5045591B2 (ja) | 検査領域の領域設定データの作成方法および基板外観検査装置 | |
CN116168218A (zh) | 一种基于图像识别技术的电路板故障诊断方法 | |
CN114485450A (zh) | 一种pcb板翘曲检测装置、方法和*** | |
CN112419274A (zh) | 一种锡膏检测方法、***、电子设备及介质 | |
CN117152165A (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
CN103247548A (zh) | 一种晶圆缺陷检测装置及方法 | |
CN117589770A (zh) | Pcb贴片板检测方法、装置、设备及介质 | |
CN111816579B (zh) | 用于检测被助焊剂残留物污染的芯片的方法和装置 | |
CN116993654B (zh) | 摄像头模组缺陷检测方法、装置、设备、存储介质及产品 | |
Nevliudov et al. | Automated System Development for the Printed Circuit Boards Optical Inspection Using Machine Learning Methods | |
CN113569854B (zh) | 一种芯片焊接金丝跨距测量方法 | |
CN112529902A (zh) | 一种pcb板的检孔方法 | |
CN117690846B (zh) | 太阳能硅片视觉检测方法、装置、设备及存储介质 |
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 |