CN115861217A - 一种基于视觉的背光板电路板缺陷检测***及方法 - Google Patents
一种基于视觉的背光板电路板缺陷检测***及方法 Download PDFInfo
- Publication number
- CN115861217A CN115861217A CN202211498613.3A CN202211498613A CN115861217A CN 115861217 A CN115861217 A CN 115861217A CN 202211498613 A CN202211498613 A CN 202211498613A CN 115861217 A CN115861217 A CN 115861217A
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- pad
- detection
- pixel
- 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
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于视觉的背光板电路板缺陷检测***和方法,该检测方法包括以下步骤:采集图像,图像预处理,图像分割:采用基于Laplacian算子边缘信息的改进Ostu图像分割算法进行图像分割,边缘提取:先采用Canny边缘检测算子获取像素精度边缘进行粗定位,然后采用改进的Zernike矩亚像素边缘检测算法进行边缘提取精定位,焊盘位置和特征尺寸测量,焊盘缺陷判断。本发明可实现PCB焊盘位置和尺寸缺陷的自动检测,检测效率和精度高,检测成本低。
Description
技术领域
本发明属于PCB检测领域,特别涉及一种基于视觉的背光板电路板缺陷检测***及方法。
背景技术
近年来显示产业蓬勃发展,以Mini LED为代表的微米级背光板芯片作为光源的显示技术更是发展迅速,需求也随之增加。目前,Mini LED背光与LCD结合的Mini LED背光技术已实现商业化。但仍面临诸多挑战,背板技术就是其中一个难点。背板材料主要有玻璃基板和印刷电路板(printed circuit board,PCB),以PCB为主。PCB具有高韧性,但存在尺寸稳定性、基板平整性差等缺点。随着Mini LED产业技术的发展,LED芯片面积越来越小,对PCB焊盘的位置和尺寸精度要求非常高,导致焊盘缺陷检测难度和成本大大提高,严重制约了Mini LED产业的发展。在现有的PCB焊盘检测研究中,如专利CN202111583335.7公开了一种焊盘检测方法、装置、计算机设备及存储介质,通过标注焊盘的位置坐标,然后利用ResNet神经网络模型进行训练检测焊盘位置;但是该方法不能精确标注出焊盘的边缘信息,无法精确的测量出焊盘的特征尺寸和位置坐标,直接影响了焊盘缺陷检测的精度和效率。因此,提高Mini LED背光板PCB焊盘缺陷检测的精度和效率,降低检测成本,成为当前Mini LED产业的迫切需求。
发明内容
本发明的目的在于提供一种基于视觉的背光板电路板缺陷检测***及方法,可实现基于视觉的背光板电路板焊盘位置和尺寸缺陷的自动检测,检测效率和精度高,检测成本低。
本发明的目的通过下述技术方案实现:
一种基于视觉的背光板电路板缺陷检测方法,包括下述步骤:
(1)采集图像:采用相机采集背光板PCB焊盘的图像;
(2)图像预处理:对采集到的PCB焊盘图像进行图像预处理;
(3)图像分割:采用基于Laplacian算子边缘信息的改进Ostu图像分割算法进行图像分割;
(4)边缘提取:先采用Canny边缘检测算子获取像素精度边缘进行粗定位,然后采用改进的Zernike矩亚像素边缘检测算法进行边缘提取精定位;
(5)焊盘位置和特征尺寸测量:测量焊盘特征尺寸以及焊盘中心相对于标记点(即Mark点)的位置;
(6)焊盘缺陷判断:将焊盘测量结果与焊盘设计标准参数进行对比,若焊盘测量结果超出焊盘设计标准参数的误差范围,则判断存在焊盘缺陷。
步骤(1)中,图像采集模式为固定线扫描速度连续模式,采用外部触发模式作为相机曝光模式,其触发信号为光栅尺发出的脉冲信号。
步骤(2)中,所述图像预处理包括平滑滤波去除噪声,是采用中值滤波方法进行图像预处理,以有效解决采集到的图像受到椒盐噪声干扰的问题。
步骤(3)中,所述基于Laplacian算子边缘信息的改进Ostu图像分割算法,是先通过计算Laplacian算子的绝对值获取图像的边缘信息,然后再强化边缘信息,在此基础上再利用Ostu图像分割算法进行图像分割。
所述通过计算Laplacian算子的绝对值获取图像的边缘信息,然后再强化边缘信息,包括下述步骤:
(3-1)输入图像I(x,y),计算其Laplacian算子的绝对值,得到输入图像的边缘图像;
(3-2)指定一个高值阈值TL,为了只保留边缘图像中较大的值,使用阈值TL对在步骤(3-1)中获取的边缘进行阈值处理,产生二值图像g(x,y),g(x,y)用作标记图像;
所述Ostu图像分割算法,是通过选择一个阈值T将具有L个(L为灰度级,范围为0到255)不同灰度级像素分为目标C0和背景C1类;其中C0的像素灰度值在[0,T]范围内,C1的像素灰度值在[T+1,L-1]范围内;阈值T的最优值计算包括下述步骤:
(3-5)各灰度级的概率pi:
式中:ni为灰度级为i的像素个数,N为像素总数;
(3-6)C0类的概率ω0和C1类的概率ω1为:
(3-7)C0类的概率级均值u0和C1类的概率级均值u1分别为:
(3-8)总体均值uT为:
(3-9)类间方差σ2为:
σ2=ω0(u0-uT)2+ω1(u1-uT)2 (7)
当σ2达到最大时,即类间方差最大时,此时的T为所选取的最优阈值。
步骤(4)中,先利用形态学操作来腐蚀和膨胀去除毛刺和细化边缘。
步骤(4)中,所述改进的Zernike矩亚像素边缘检测算法,包括下述步骤:如图5所示为Zernike矩理想边缘示意图,L为对象的理想边缘,通过计算边缘参数h、t、d、α得到,其中h为图像背景部分的灰度值;t为目标和背景部分的灰度差,即目标部分的灰度值为h+t;;d为从原点到边缘的垂直距离;α为d与x轴间的夹角;通过3个不同阶Zernike矩计算出上述边缘参数,包括下述步骤:
(4-1)图像的n阶m次Zernike矩定义为:
在单位圆中,Znm可以表示为
(4-2)Zernike矩具有旋转不变性,即旋转后模不变,仅相位角变化,在顺时针旋转α后,图像的初始Zernike矩Znm与旋转后的Zernike矩Z′nm的关系为:
Z′nm=Znme-jmα (10)
(4-3)为了对边缘进行定位,通过计算的3个不同阶Zernike矩来实现,分别表示为Z00、Z11、Z20,与这3个矩对应的积分核函数为V00=1、V11=x+iy、V20=2x2+2y2-1;根据Zernike矩的定义和式(11)可计算Z00、Z11、Z20,再联立求得理想阶跃边缘模型的4个参数为:
(4-4)Zernike矩通过模板和图像的卷积计算,当尺寸为N×N的模板在图像上移动并与像素卷积时,模板中心周围覆盖有N2个像素,单位圆的半径变为N/2;单位圆上的距离d需放大N/2倍,亚像素边缘坐标公式修改为:
基于Zernike矩的阈值条件为
t≥tz∩d≤dz (16)
式中:tz为阶跃灰度的阈值;dz为从中心到边缘的垂直距离阈值,2dz应小于像素长度,考虑到模板效应,d≤2dz/N;
采用Ostu算法,计算目标区域和背景区域的像素阶跃灰度值的类间方差,各像素点的阶跃灰度值取该像素点与其8邻域像素点灰度值之差的最大值,当类间方差最大时,取此时的tz为阶跃灰度阈值。
步骤(5)中,先进行像素当量标定,通过标定板标定,将像素坐标转换为实际物理坐标下的像素当量。
一种基于视觉的背光板电路板缺陷检测装置,包括下述单元:
(1)采集图像单元:用于采集背光板PCB焊盘的图像;
(2)图像预处理单元:用于对采集到的PCB焊盘图像进行图像预处理;
(3)图像分割单元:用于采用基于Laplacian算子边缘信息的改进Ostu图像分割算法进行图像分割;
(4)边缘提取单元:用于先采用Canny边缘检测算子获取像素精度边缘进行粗定位,然后采用改进的Zernike矩亚像素边缘检测算法进行边缘提取精定位;
(5)位置和尺寸测量单元:用于PCB焊盘位置和特征尺寸测量,测量焊盘特征尺寸以及焊盘中心相对于标记点(Mark点)的位置;
(6)焊盘缺陷判断单元:用于将焊盘测量结果与焊盘设计标准参数进行对比,若焊盘测量结果超出焊盘设计标准参数的误差范围,则判断存在焊盘缺陷。
一种基于视觉的背光板电路板缺陷检测***,包括图像采集单元、运动控制单元、图像处理单元和人机交互单元。
所述图像采集单元,包括光源、光源控制器、线阵相机、远心镜头、图像传感器。
所述运动控制单元,包括运动控制卡、板卡、伺服电机、伺服驱动器、滚轴丝杆、光栅尺、机械平台、抽真空机组。运动控制卡和板卡用于控制整个***的每一个动作;伺服驱动器和伺服电机用于完成各轴的精确位置矫正;滚轴丝杆作为传动机构带动放置工件的机械平台到达指定位置;光栅尺用于对各轴位移进行检测,补偿运动误差;抽真空机组用于吸附工件,防止工件在运动过程中发生偏移。
所述图像处理单元,用于执行上述基于视觉的背光板电路板缺陷检测方法。
所述人机交互单元,包括相机参数设置、运动控制参数设置、检测精度设置(精度即误差范围)、图像处理结果显示界面、检测结果存储和查询等。
上述基于视觉的背光板电路板缺陷检测***的应用,包括下述步骤:
(1)导入Gerber文件,装夹PCB;Gerber文件作为标准参考图像,其包含焊盘的尺寸、外形、位置等线路板的基本参数,视觉测量结果将与该Gerber文件参数进行对比来判定产品合格与否;
(2)相机参数和运动参数设置运动初始化;
(3)PC端发送指令让相机运动到检测位置;
(4)当相机到达检测位置之后开始采集图像;
(5)对采集到的图像进行图像处理,执行上述背光板PCB缺陷检测方法,进行自动缺陷检测,将检测结果显示并保存下来;
(6)结果分析,对检测结果进行合格判定并记录缺陷信息,将测量结果与产品设计参数要求进行对比来判定合格与否,然后将不合格焊盘标记出来。
一种计算机可读存储介质,存储有程序,所述程序被处理器执行时,实现上述基于视觉的背光板电路板缺陷检测方法。
本发明与现有技术相比具有如下优点和效果:
(1)本发明通过视觉测量整板PCB焊盘的位置和特征尺寸来检测PCB的缺陷,极大地提高了检测的精度和效率;
(2)本发明采用基于Laplacian算子边缘信息的改进Ostu图像分割算法,通过计算确定最优的阈值T,然后进行自适应阈值分割,既兼顾图像的整体信息,同时强化了感光趣区域的边缘信息,提高了焊盘的分割效果;
(3)传统Zernike算法需要人工凭借经验选取阶跃灰度阈值tz,容易受到环境等各种因素的影响,需要反复调整阈值才能达到比较好的效果,效率低且精度难以保证;而本发明通过改进Zernike矩的阶跃灰度阈值选取方法,采用Ostu算法计算得到最优的tz,避免人工凭借经验反复调整阈值,提高了检测的精度和稳定性,可以将精度从像素级提升至亚像素级,获得更高的测量精度。
(4)本发明结构简单,成本低,***执行效率和可靠性高,检测时间短,能大大提高检测效率,减少成本。
附图说明
图1为本发明检测***的结构示意图。
图2为本发明检测***的框架示意图。
图3为本发明检测***的运行流程示意图。
图4为本发明检测方法的流程示意图。
图5为Zernike矩的理想模型示意图。
图6为实施例Mini LED背光板PCB焊盘缺陷检测示意图。
具体实施方式
为使本发明实现的技术手段、目的和优点更加清楚,下面将结合具体实施方法对本发明的方案进行阐述。以下实施例有助于本领域地技术人员进一步理解本发明,但是,不以任何形式限制本发明。应该指出的是,对本领域的技术人员来说,在不脱离本发明构思的前提下,本发明还可以做出若干变形和改进,这些都属于本发明的保护范围。
实施例
一种基于视觉的背光板电路板缺陷检测***,如图1、2所示,包括图像采集单元、运动控制单元、图像处理单元、人机交互单元。所述图像采集单元,包括光源、光源控制器、线阵相机、远心镜头、图像传感器。所述运动控制单元,包括运动控制卡、板卡、伺服电机、伺服驱动器、滚轴丝杆、光栅尺、机械平台、抽真空机组。所述图像处理单元,包括图像预处理、图像分割、边缘提取、位置尺寸测量。所述人机交互单元,包括相机参数设置、运动控制参数设置、检测精度设置、图像处理结果显示界面、检测结果存储和查询等。
如图3所示,为检测***的运行流程示意图,其步骤为:
(1)导入Gerber文件,装夹PCB。Gerber文件作为标准参考图像,其包含焊盘的尺寸、外形、位置等线路板的基本参数,视觉测量结果将与该Gerber文件参数进行对比来判定产品合格与否。
(2)相机参数和运动参数设置,运动初始化;
(3)PC端发送指令让相机运动到检测位置;
(4)当相机到达检测位置之后开始采集图像。图像采集模式为固定线扫描速度连续模式,采用外部触发模式作为相机曝光模式,其触发信号来自光栅尺发出的脉冲信号;
(5)对采集到的图像进行图像处理,采用本发明的背光板PCB缺陷检测方法进行自动缺陷检测,将检测结果显示并保存下来;
(6)结果分析。对检测结果进行合格判定并记录缺陷信息,将测量结果与产品设计参数要求进行对比来判定合格与否,然后将不合格焊盘标记出来便于后续的返修。
如图4所示,基于视觉的背光板电路板缺陷检测方法的流程示意图,主要包括如下步骤:
(1)由于采集到的图像多受椒盐噪声干扰,故采用中值滤波进行预处理。
(2)基于Laplacian算子边缘信息改进的Ostu算法分割图像。先通过计算Laplacian算子的绝对值获取图像的边缘信息,然后再强化边缘信息,在此基础上再利用Ostu分割算法进行图像分割。所述Ostu分割算法是通过选择一个阈值T将具有L个不同灰度级像素分为目标C0和背景C1类;其中C0的像素灰度值在[0,T]范围内,C1的像素灰度值在[T+1,L-1]范围内;本发明对阈值T的最优值计算是通过计算类间方差σ2,当σ2达到最大时,即类间方差最大时,此时的T为所选取的最优阈值。
(3)利用形态学操作腐蚀和膨胀去除毛刺和细化边缘;
(4)采用Canny边缘检测算子获取像素精度边缘来进行粗定位;
(5)为了获得更高的测量精度,通过改进的Zernike矩亚像素边缘检测将精度从像素级提升至亚像素级。本发明采用改进的Zernike矩亚像素边缘检测算法,具体是采用Ostu算法,计算目标区域和背景区域的像素阶跃灰度值的类间方差,各像素点的阶跃灰度值取该像素点与其8邻域像素点灰度值之差的最大值,当类间方差最大时,取此时的tz为阶跃灰度阈值。
(6)像素当量标定。通过标定板标定,将像素坐标转换为实际物理坐标下的像素当量;
(7)PCB焊盘位置和尺寸测量。测量焊盘尺寸以及焊盘中心相对于标记点(Mark点)的位置;
(8)焊盘缺陷判断:将焊盘测量结果与焊盘设计标准参数进行对比,若焊盘测量结果超出焊盘设计标准参数的误差范围,则判断存在焊盘缺陷。
图6为实施例Mini LED背光板PCB焊盘缺陷检测示意图,通过测量PCB焊盘几何中心与标记点的相对位置以及焊盘的特征尺寸(如宽、高和面积等),将测量结果与标准设计参数进行对比,可以根据产品精度要求设定误差范围,在设定误差允许范围内则判定为合格品,在误差允许范围外则判定为不良品。
Claims (10)
1.一种基于视觉的背光板电路板缺陷检测方法,其特征在于包括下述步骤:
(1)采集图像:采用相机采集背光板PCB焊盘的图像;
(2)图像预处理:对采集到的PCB焊盘图像进行图像预处理;
(3)图像分割:采用基于Laplacian算子边缘信息的改进Ostu图像分割算法进行图像分割;
(4)边缘提取:先采用Canny边缘检测算子获取像素精度边缘进行粗定位,然后采用改进的Zernike矩亚像素边缘检测算法进行边缘提取精定位;
(5)焊盘位置和特征尺寸测量:测量焊盘特征尺寸以及焊盘中心相对于标记点的位置;
(6)焊盘缺陷判断:将焊盘测量结果与焊盘设计标准参数进行对比,若焊盘测量结果超出焊盘设计标准参数的误差范围,则判断存在焊盘缺陷。
2.根据权利要求1所述的背光板电路板缺陷检测方法,其特征在于:步骤(1)中,图像采集模式为固定线扫描速度连续模式,采用外部触发模式作为相机曝光模式,其触发信号为光栅尺发出的脉冲信号。
3.根据权利要求1所述的背光板电路板缺陷检测方法,其特征在于:步骤(2)中,所述图像预处理包括平滑滤波去除噪声,是采用中值滤波方法进行图像预处理。
4.根据权利要求1所述的背光板电路板缺陷检测方法,其特征在于:步骤(3)中,所述基于Laplacian算子边缘信息的改进Ostu图像分割算法,是先通过计算Laplacian算子的绝对值获取图像的边缘信息,然后再强化边缘信息,在此基础上再利用Ostu图像分割算法进行图像分割。
5.根据权利要求4所述的背光板电路板缺陷检测方法,其特征在于:所述Ostu图像分割算法,是通过选择一个阈值T将具有L个不同灰度级像素分为目标C0和背景C1类;其中C0的像素灰度值在[0,T]范围内,C1的像素灰度值在[T+1,L-1]范围内;阈值T的最优值计算包括下述步骤:
(3-5)各灰度级的概率pi:
式中:ni为灰度级为i的像素个数,N为像素总数;
(3-6)C0类的概率ω0和C1类的概率ω1为:
(3-7)C0类的概率级均值u0和C1类的概率级均值u1分别为:
(3-8)总体均值uT为:
(3-9)类间方差σ2为:
σ2=ω0(u0-uT)2+ω1(u1-uT)2(7)当σ2达到最大时,即类间方差最大时,此时的T为所选取的最优阈值。
6.根据权利要求1所述的背光板电路板缺陷检测方法,其特征在于:步骤(4)中,所述改进的Zernike矩亚像素边缘检测算法,L为对象的理想边缘,通过计算边缘参数h、t、d、α得到,h为图像背景部分的灰度值;t为目标和背景部分的灰度差,即目标部分的灰度值为h+t;d为从原点到边缘的垂直距离;α为d与x轴间的夹角;通过3个不同阶Zernike矩计算出上述边缘参数,包括下述步骤:
(4-1)图像的n阶m次Zernike矩定义为:
在单位圆中,Znm可以表示为
(4-2)Zernike矩具有旋转不变性,即旋转后模不变,仅相位角变化,在顺时针旋转α后,图像的初始Zernike矩Znm与旋转后的Zernike矩Z′nm的关系为:
Z′nm=Znme-jmα(10)
(4-3)为了对边缘进行定位,通过计算的3个不同阶Zernike矩来实现,分别表示为Z00、Z11、Z20,与这3个矩对应的积分核函数为V00=1、V11=x+iy、V20=2x2+2y2-1;根据Zernike矩的定义和式(11)可计算Z00、Z11、Z20,再联立求得理想阶跃边缘模型的4个参数为:
(4-4)Zernike矩通过模板和图像的卷积计算,当尺寸为N×N的模板在图像上移动并与像素卷积时,模板中心周围覆盖有N2个像素,单位圆的半径变为N/2;单位圆上的距离d需放大N/2倍,亚像素边缘坐标公式修改为:
基于Zernike矩的阈值条件为
t≥tz∩d≤dz(16)
式中:tz为阶跃灰度的阈值;dz为从中心到边缘的垂直距离阈值,2dz应小于像素长度,考虑到模板效应,d≤2dz/N;
采用Ostu算法,计算目标区域和背景区域的像素阶跃灰度值的类间方差,各像素点的阶跃灰度值取该像素点与其8邻域像素点灰度值之差的最大值,当类间方差最大时,取此时的tz为阶跃灰度阈值。
7.一种基于视觉的背光板电路板缺陷检测装置,其特征在于包括下述单元:
(1)采集图像单元:用于采集背光板PCB焊盘的图像;
(2)图像预处理单元:用于对采集到的PCB焊盘图像进行图像预处理;
(3)图像分割单元:用于采用基于Laplacian算子边缘信息的改进Ostu图像分割算法进行图像分割;
(4)边缘提取单元:用于先采用Canny边缘检测算子获取像素精度边缘进行粗定位,然后采用改进的Zernike矩亚像素边缘检测算法进行边缘提取精定位;
(5)位置和尺寸测量单元:用于PCB焊盘位置和特征尺寸测量,测量焊盘特征尺寸以及焊盘中心相对于标记点的位置;
(6)焊盘缺陷判断单元:用于将焊盘测量结果与焊盘设计标准参数进行对比,若焊盘测量结果超出焊盘设计标准参数的误差范围,则判断存在焊盘缺陷。
8.一种基于视觉的背光板电路板缺陷检测***,其特征在于:包括图像采集单元、运动控制单元、图像处理单元和人机交互单元;所述图像处理单元,用于执行权利要求1~6中任一项所述的基于视觉的背光板电路板缺陷检测方法。
9.一种权利要求8所述的基于视觉的背光板电路板缺陷检测***的应用,其特征在于包括下述步骤:
(1)导入Gerber文件,装夹PCB;Gerber文件作为标准参考图像,其包含线路板的基本参数,视觉测量结果将与该Gerber文件的基本参数进行对比来判定产品合格与否;
(2)相机参数和运动参数设置运动初始化;
(3)PC端发送指令让相机运动到检测位置;
(4)当相机到达检测位置之后开始采集图像;
(5)对采集到的图像进行图像处理,执行权利要求1~6中任一项所述的基于视觉的背光板电路板缺陷检测方法,进行自动缺陷检测,将检测结果显示并保存下来;
(6)结果分析,对检测结果进行合格判定并记录缺陷信息,将测量结果与产品设计参数要求进行对比来判定合格与否,然后将不合格焊盘标记出来。
10.一种计算机可读存储介质,其特征在地:存储有程序,所述程序被处理器执行时,实现权利要求1~6中任一项所述的基于视觉的背光板电路板缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211498613.3A CN115861217A (zh) | 2022-11-28 | 2022-11-28 | 一种基于视觉的背光板电路板缺陷检测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211498613.3A CN115861217A (zh) | 2022-11-28 | 2022-11-28 | 一种基于视觉的背光板电路板缺陷检测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115861217A true CN115861217A (zh) | 2023-03-28 |
Family
ID=85666966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211498613.3A Pending CN115861217A (zh) | 2022-11-28 | 2022-11-28 | 一种基于视觉的背光板电路板缺陷检测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115861217A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116698753A (zh) * | 2023-07-25 | 2023-09-05 | 广州纳动半导体设备有限公司 | 一种基于机器视觉的mini-LED面板缺陷检测设备及方法 |
CN117571721A (zh) * | 2024-01-15 | 2024-02-20 | 北京兆维智能装备有限公司 | 一种电路板焊盘表面缺陷检测方法、装置及存储介质 |
-
2022
- 2022-11-28 CN CN202211498613.3A patent/CN115861217A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116698753A (zh) * | 2023-07-25 | 2023-09-05 | 广州纳动半导体设备有限公司 | 一种基于机器视觉的mini-LED面板缺陷检测设备及方法 |
CN116698753B (zh) * | 2023-07-25 | 2024-03-26 | 广州纳动半导体设备有限公司 | 一种基于机器视觉的mini-LED面板缺陷检测设备及方法 |
CN117571721A (zh) * | 2024-01-15 | 2024-02-20 | 北京兆维智能装备有限公司 | 一种电路板焊盘表面缺陷检测方法、装置及存储介质 |
CN117571721B (zh) * | 2024-01-15 | 2024-04-05 | 北京兆维智能装备有限公司 | 一种电路板焊盘表面缺陷检测方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109003258B (zh) | 一种高精度亚像素圆形零件测量方法 | |
CN115861217A (zh) | 一种基于视觉的背光板电路板缺陷检测***及方法 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN110189314B (zh) | 基于机器视觉的汽车仪表盘图像定位方法 | |
CN110675376A (zh) | 一种基于模板匹配的pcb缺陷检测方法 | |
CN114897864B (zh) | 基于数模信息的工件检测及缺陷判断方法 | |
CN107816943B (zh) | 一种物流箱体积重量测量***及其实现方法 | |
CN110706293B (zh) | 基于surf特征匹配的电子元器件定位和检测方法 | |
CN112686920A (zh) | 一种圆形零件几何尺寸参数视觉测量方法及*** | |
CN114494045A (zh) | 一种基于机器视觉的大型直齿轮几何参数测量***及方法 | |
CN111127417B (zh) | 一种基于sift特征匹配和改进ssd算法的印刷缺陷检测方法 | |
CN106501272B (zh) | 机器视觉焊锡定位检测*** | |
CN110260818B (zh) | 一种基于双目视觉的电子连接器鲁棒检测方法 | |
CN112200776A (zh) | 芯片封装缺陷检测方法和检测装置 | |
CN109978940A (zh) | 一种sab安全气囊尺寸视觉测量方法 | |
CN111536872A (zh) | 基于视觉的二维平面测距装置及方法、标记点识别装置 | |
CN115096206A (zh) | 一种基于机器视觉的零件尺寸高精度测量方法 | |
US6898333B1 (en) | Methods and apparatus for determining the orientation of an object in an image | |
CN111578838A (zh) | 一种齿轮尺寸视觉测量装置及测量方法 | |
CN113607058B (zh) | 一种基于机器视觉的直刃刀尺寸检测方法及*** | |
CN109685791B (zh) | 一种基于多窗自相关纹理检测的瓦楞纸板鲁棒检测方法 | |
US6813377B1 (en) | Methods and apparatuses for generating a model of an object from an image of the object | |
CN104655041A (zh) | 一种附加约束条件的工业零件轮廓线多特征提取方法 | |
CN111815580A (zh) | 一种图像边缘识别方法及小模数齿轮模数检测方法 | |
Li et al. | Vehicle seat detection based on improved RANSAC-SURF algorithm |
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 |