[go: up one dir, main page]

CN117007600A - 缺陷检测方法、装置、设备及计算机可读存储介质 - Google Patents

缺陷检测方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN117007600A
CN117007600A CN202310908469.4A CN202310908469A CN117007600A CN 117007600 A CN117007600 A CN 117007600A CN 202310908469 A CN202310908469 A CN 202310908469A CN 117007600 A CN117007600 A CN 117007600A
Authority
CN
China
Prior art keywords
circuit board
determining
defect
target
component
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
CN202310908469.4A
Other languages
English (en)
Inventor
谭喜平
阳荣军
刘文娟
李建文
唐川
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.)
MFS TECHNOLOGY (HUNAN) CO LTD
Original Assignee
MFS TECHNOLOGY (HUNAN) 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 MFS TECHNOLOGY (HUNAN) CO LTD filed Critical MFS TECHNOLOGY (HUNAN) CO LTD
Priority to CN202310908469.4A priority Critical patent/CN117007600A/zh
Publication of CN117007600A publication Critical patent/CN117007600A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N2021/95638—Inspecting patterns on the surface of objects for PCB's
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Biochemistry (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本申请公开了一种缺陷检测方法、装置、设备及计算机可读存储介质，涉及缺陷检测技术领域，所述缺陷检测方法包括：获取待检测的电路板图像，识别所述电路板图像中待进行缺陷检测的所有部件；确定各所述部件的部件类型，确定各所述部件类型中与预设管控尺寸部件类型匹配的目标部件类型；确定所述目标部件类型对应的目标部件，确定所述目标部件对应的实际尺寸信息；确定所述目标部件对应的标准尺寸信息，若所述实际尺寸信息与所述标准尺寸信息不一致，则确定所述电路板图像存在缺陷。本申请成功检出了PCB板的尺寸缺陷。

Description

缺陷检测方法、装置、设备及计算机可读存储介质
技术领域
本申请涉及缺陷检测技术领域，尤其涉及一种缺陷检测方法、装置、设备及计算机可读存储介质。
背景技术
PCB(Printed Circuit Board，印制电路板)板是一种重要的电子部件，几乎所有的电子设备都需要印制电路板的支持，因此印制电路板是全球电子元件产品中市场份额占有率最高的产品。在对PCB板上的各个部件进行焊接、封装后，需要对PCB电路板进行缺陷的检测，以确保输出的PCB板为合格品，为PCB板的安装或后续的PCB板的出厂销售等提供保障。
现有技术中，一般采用图像匹配的方法来进行PCB板的缺陷检测，然而图像匹配的缺陷检测方式仅能检测出部件错焊、漏焊、错印、漏印等明显错漏式缺陷，对于一些需要管控尺寸的部件，如导电孔孔径、线路线宽、线路线距、插件孔孔距、插件孔开窗大小、字符字宽等等，这些都需要严格管控尺寸，若PCB板中需要管控尺寸的部件的尺寸不符合标准，此PCB板也是不合格的产品，但现有的PCB板缺陷检测方式中仅能检测出部件错焊、漏焊、错印、漏印等明显错漏式缺陷，无法检测出PCB板的部件尺寸是否存在缺陷。
综上，如何成功检出PCB板的尺寸缺陷已成为本技术领域亟待解决的技术问题。
发明内容
本申请的主要目的在于提供一种缺陷检测方法、装置、设备及计算机可读存储介质，旨在解决如何成功检出PCB板的尺寸缺陷的技术问题。
为实现上述目的，本申请提供一种缺陷检测方法，所述缺陷检测方法包括以下步骤：
获取待检测的电路板图像，识别所述电路板图像中待进行缺陷检测的所有部件；
确定各所述部件的部件类型，确定各所述部件类型中与预设管控尺寸部件类型匹配的目标部件类型；
确定所述目标部件类型对应的目标部件，确定所述目标部件对应的实际尺寸信息；
确定所述目标部件对应的标准尺寸信息，若所述实际尺寸信息与所述标准尺寸信息不一致，则确定所述电路板图像存在缺陷。
可选地，所述确定所述目标部件对应的实际尺寸信息的步骤，包括：
确定所述目标部件对应的检测位置，基于所述检测位置裁剪所述电路板图像得到电路板子图像；
获取所述电路板子图像的每一像素点的像素值，检测各所述像素值中与预设标准像素阈值匹配的目标像素值；
确定所述目标像素值对应的目标像素点，确定所述目标像素点对应的目标尺寸；
将所述目标尺寸作为所述目标部件对应的实际尺寸信息。
可选地，所述确定所述目标像素点对应的目标尺寸的步骤，包括：
确定所述电路板子图像包括的总像素点数量，识别所述电路板子图像的总尺寸；
基于所述总像素点数量与所述总尺寸得到第一比值，其中，所述第一比值包括所述总尺寸与所述总像素点数量的比值；
确定所述目标像素点包括的目标像素点数量，将所述目标像素点数量乘所述第一比值得到目标尺寸。
可选地，所述确定所述目标部件对应的检测位置的步骤，包括：
确定所述目标部件在预设坐标系中的目标坐标位置；
若所述目标部件类型包括管控自身尺寸部件类型，将所述目标坐标位置作为检测位置；
若所述目标部件类型包括管控间隔尺寸部件类型，确定各所述部件中与所述目标部件邻接的第一原部件，确定所述第一原部件在预设坐标系中的第一坐标位置，计算所述第一坐标位置与所述第一坐标位置的中心坐标位置，将所述中心坐标位置作为检测位置。
可选地，所述基于所述检测位置裁剪所述电路板图像得到电路板子图像的步骤，包括：
确定所述检测位置对应的检测点，以所述检测点为原点在所述电路板图像上裁剪预设像素的部分局部区域图像；
将裁剪到的所述部分局部区域图像作为电路板子图像。
可选地，所述获取待检测的电路板图像的步骤之后，所述方法还包括：
获取预设标准电路板图像的标准电路板图像，对所述电路板图像进行图像矫正，得到矫正后的电路板图线；
将所述矫正后的电路板图像与所述标准电路板图像进行相似度计算，得到相似度计算结果；
若所述相似度计算结果小于预设相似度阈值，则确定所述电路板图像存在缺陷。
可选地，所述确定所述电路板图像存在缺陷的步骤之后，所述方法还包括：
获取所述电路板图像的缺陷数据，其中，所述缺陷数据包括缺陷位置、缺陷类别、缺陷级别、缺陷尺寸中的一种或多种；
将所述缺陷数据作为所述电路板图像的缺陷检测结果，并输出所述缺陷检测结果。
此外，为实现上述目的，本申请还提供一种缺陷检测装置，所述缺陷检测装置，还包括：
获取模块，用于获取待检测的电路板图像，识别所述电路板图像中待进行缺陷检测的所有部件；
第一确定模块，用于确定各所述部件的部件类型，确定各所述部件类型中与预设管控尺寸部件类型匹配的目标部件类型；
第二确定模块，用于确定所述目标部件类型对应的目标部件，确定所述目标部件对应的实际尺寸信息；
第三确定模块，用于确定所述目标部件对应的标准尺寸信息，若所述实际尺寸信息与所述标准尺寸信息不一致，则确定所述电路板图像存在缺陷。
此外，为实现上述目的，本申请还提供一种缺陷检测设备，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缺陷检测程序，所述缺陷检测程序被所述处理器执行时实现如上述的缺陷检测方法的步骤。
此外，为实现上述目的，本申请还提供一种计算机可读存储介质，计算机可读存储介质上存储有缺陷检测程序，缺陷检测程序被处理器执行时实现如上述的缺陷检测方法的步骤。
本申请中获取待检测的电路板图像，识别所述电路板图像中待进行缺陷检测的所有部件；确定各所述部件的部件类型，确定各所述部件类型中与预设管控尺寸部件类型匹配的目标部件类型；确定所述目标部件类型对应的目标部件，确定所述目标部件对应的实际尺寸信息；确定所述目标部件对应的标准尺寸信息，若所述实际尺寸信息与所述标准尺寸信息不一致，则确定所述电路板图像存在缺陷。如此，与现有技术中通过图像匹配对PCB板进行缺陷检测的方式相比，本申请实施例中对需要管控尺寸的目标部件，将其实际尺寸信息与标准尺寸信息匹配，若目标部件的实际尺寸信息与标准尺寸信息不一致，则确定电路板图像存在缺陷，也即确定电路板图像对应的电路板存在缺陷，从而实现了对PCB板的尺寸缺陷的成功检出。
附图说明
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
图1是本申请实施例方案涉及的硬件运行环境的终端\装置结构示意图；
图2为本申请缺陷检测方法第一实施例的流程示意图；
图3为本申请缺陷检测方法第二实施例的流程示意图；
图4为本申请缺陷检测方法第二实施例的另一流程示意图；
图5是本申请缺陷检测装置的装置模块示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，图1为本申请实施例方案涉及的硬件运行环境的缺陷检测设备结构示意图。
如图1所示，该缺陷检测设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对缺陷检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机可读存储介质的存储器1005中可以包括操作装置、数据存储模块、网络通信模块、用户接口模块以及缺陷检测程序。
在图1所示的缺陷检测设备中，网络接口1004主要用于与其他设备进行数据通信；用户接口1003主要用于与用户进行数据交互；本申请缺陷检测设备中的处理器1001、存储器1005可以设置在缺陷检测设备中，所述缺陷检测设备通过处理器1001调用存储器1005中存储的缺陷检测程序，并执行本申请实施例提供的缺陷检测方法。
参照图2，本申请提供一种缺陷检测方法，在缺陷检测方法的第一实施例中，所述缺陷检测方法包括以下步骤：
步骤S10，获取待检测的电路板图像，识别所述电路板图像中待进行缺陷检测的所有部件；
PCB场景出现的缺陷类型多样，判定逻辑涵盖：形态，色差，尺寸，长宽等不同维度的标准，采用AI(Artificial Intelligence，人工智能)模型对PCB板进行缺陷检测，需要AI模型不止从单一维度对PCB板的缺陷进行分析，基于此本实施例提供一种多模态组合AI模型对PCB板进行缺陷检测，在多模态组合AI模型中通过一组AI模型，协同处理，输出PCB板缺陷类别、等级、尺寸、长宽、位置等缺陷数据。本实施例的执行主体可以为缺陷检测软件，此缺陷检测软件中可采用此模态组合AI模型进行缺陷检测。
在一种可行的实施方式中，此多模态组合AI模型可以包括分类模型与分割模型，分类模型用于对PCB板存在的缺陷进行缺陷类别分类和缺陷严重程度分类，分割模型用于对PCB板进行AI检测，获取缺陷尺寸信息，根据尺寸信息与标准尺寸信息的比较结果，确定PCB板是否存在缺陷。对于一些特定的只需检测缺陷要检测有无的场景，我们采用分类模型进行有无检测。采用这种多模型AI模型的算法方案，能够匹配PCB场景的不同缺陷进行有效检测，提升整体检出率。对于一些特定缺陷要检测有无的场景，采用分类模型对PCB板进行缺陷有无检测。对于部分需要通过尺寸大小进行管控的缺陷类别，可以采用分割的算法方案进行AI检测，获取缺陷尺寸信息。此多模态组合AI模型能够匹配PCB场景的不同缺陷进行有效检测，提升整体检出率。可选地，分类模型可采用CNN(Convolutional NeuralNetworks，卷积神经网络)网络进行特征提取，最后用Softmax(归一化指数函数)输出缺陷类别。分割网络采用CNN网络进行特征提取然后采用反卷积结构得到缺陷像素。分类模型与分割模型共同协同对PCB板进行缺陷判断，两者协同工作的方式可以如下：1)两各模型并列分析PCB版是否存在缺陷：分类模型或分割模型中任一模型检测到缺陷存在，则认为PCB板存在缺陷。2)先使用分类模型对PCB板存在的缺陷的缺陷类型进行分类判断，根据分类结果，仅在特定类别(如管控尺寸缺陷类别)的缺陷数据上再采用分割模型进行分割，这部分数据最后结果以分割模型的分割结果确定是否存在缺陷。
可通过图像采集设备，如工业相机，采集待检测的PCB板的电路板图像。在一种可行的应用场景中，可在PCB板传送带的固定缺陷检测位置的上方安装光源，该光源可采用漫射法对放置在固定缺陷检测位置处的待检测PCB板进行照明，以提高后续拍摄所得的待检测PCB板的表面图像的清晰度，然后使用工业相机拍摄待检测PCB板，从而得到待检测的PCB板的电路板图像，该电路板图像可为RGB(Red Green Blue，三原色)图像。
多模态组合AI模型可通过调用图像获取接口获取到待检测的电路板图像，优选地，可直接将此电路板图像输入到多模态组合AI模型的输入层，多模态组合AI模型的输入层得到此电路板图像后，则确认多模态组合AI模型成功获取到电路板图像。
识别电路板图像中需要进行缺陷检测的部件，用户可根据实际设置需要进行缺陷检测部件的部件类型，采用图像识别算法即可在电路板图像中识别出需要进行缺陷检测的部件，该部件可以包括但不限于焊盘、过孔、安装孔、导线、接插件、二极管、电容器、电阻器、晶体管、滤波器、插件孔、导电孔、字符、线路等。
步骤S20，确定各所述部件的部件类型，确定各所述部件类型中与预设管控尺寸部件类型匹配的目标部件类型；
对于需要管控尺寸的部件，用户可预设需要管控尺寸部件的部件类型，如字符部件、线路部件、插件孔部件、导电孔部件、非金属化槽孔部件等。从而确定每一部件的部件类型，将部件类型中与预设管控尺寸部件类型匹配的目标部件类型。可选地，用户可设置每一管控尺寸部件的部件类型对应的尺寸管控方式的管控方式表，管控尺寸部件的不同部件类型对应的尺寸管控方式不同。其对应关系可参照表一所示。可以理解地是，表一仅是对管控尺寸部件的不同部件类型于尺寸管控方式对应关系的示例性说明，本实施例并不对两者的对应关系做任何限制，用户可根据实际情况任意设置需要管控尺寸的部件以及对应的尺寸管控方式。
表一
步骤S30，确定所述目标部件类型对应的目标部件，确定所述目标部件对应的实际尺寸信息；
需要说明的是，在一种可行的实施方式中，用户可通过上述方式设置管控方式表，若成功获取到管控方式表，可查找管控方式表中与此目标部件匹配的目标管控尺寸部件，确定管控方式表中此目标管控尺寸部件对应的目标尺寸管控方式，基于此目标尺寸管控方式确定需要管控尺寸的管控位置，获取此管控位置对应的实际尺寸信息，即获取到此目标部件对应的实际尺寸信息。举例来说，假设此目标部件为字符部件，管控方式表参照上述表一所示，则通过查找表一可确定此目标部件的尺寸管控方式为“字符字宽大于或等于0.153mm，字符字高大于或等于0.811mm”，需要管控尺寸的管控位置为【字符字宽、字符字高】，从而进一步可基于电路板图像可获取到目标部件实际的字符字宽与字符字高等实际尺寸信息。
那么，可以理解地是，若存在多个目标部件，则可获取每一目标部件对应的实际尺寸信息。举例来说，假设目标部件包括插件孔部件与线路部件，管控方式表参照上述表一所示，则通过查找表一可确定插件孔部件的尺寸管控方式为“插件孔孔径大于元器件管脚直径，插件孔孔间距大于0.3mm”，需要管控尺寸的管控位置为【插件孔孔径、插件孔孔间距】，从而进一步可基于电路板图像可获取到插件孔部件实际的插件孔孔径与插件孔孔间距等实际尺寸信息；类似的，通过查找表一可确定线路部件的尺寸管控方式为“线路线宽大于0.127mm，线路线距大于0.127mm”，需要管控尺寸的管控位置为【线路线宽、线路线距】，从而进一步可基于电路板图像可获取到线路部件实际的线路线宽与线路线距等实际尺寸信息。
步骤S40，确定所述目标部件对应的标准尺寸信息，若所述实际尺寸信息与所述标准尺寸信息不一致，则确定所述电路板图像存在缺陷。
标准尺寸信息也是用户可以根据实际情况预先设置。以上述表一所示的管控方式表为例，从上述管控方式表中即可获取到目标部件对应的标准尺寸信息。由此，将目标部件的实际尺寸信息与标准尺寸信息进行比较得到比较结果，若比较结果为两者一致，则确定电路板图像对应的电路板不存在尺寸缺陷，若比较结果为不一致，则确定电路板图像存在缺陷，也即电路板图像对应的电路板存在缺陷。举例来说，在一场景中，假设目标部件为字符部件，基于电路板图像识别得到字符部件的实际尺寸信息为【字符字宽0.145mm、字符字高0.8mm】，假设字符部件对应的标准尺寸信息为【字符字宽>＝0.153mm、字符字高>＝0.811mm】，通过将字符部件的实际尺寸信息与标准尺寸信息对比可知，字符部件的实际字符字宽与标准字符字宽不一致，也即目标部件的实际尺寸信息与所述标准尺寸信息不一致，此时，则可以确定电路板图像存在缺陷。
那么，可以理解地是，若存在多个目标部件，则任一目标部件的实际尺寸信息与其对应的标准尺寸信息不一致，均可确定电路板图像存在缺陷，每一目标部件的实际尺寸信息与其对应的标准尺寸信息均一致，则可确定电路板图像不存在尺寸缺陷。举例来说，在一场景中，假设目标部件包括插件孔部件与线路部件，元器件管脚直径为0.5mm，基于电路板图像识别得到电路部件的实际尺寸信息为【插件孔孔径0.6mm、插件孔孔间距0.4mm】，假设字符部件对应的标准尺寸信息为【插件孔孔径>0.5mm、插件孔孔间距>0.3mm】，基于电路板图像识别得到线路部件的实际尺寸信息为【线路线宽0.12mm、线路线距0.12mm】，假设线路部件对应的标准尺寸信息为【线路线宽>0.127mm、线路线距>0.127mm】，通过将插件孔部件的实际尺寸信息与标准尺寸信息对比可知，插件孔部件的实际尺寸信息与标准尺寸信息一致，通过将线路部件的实际尺寸信息与标准尺寸信息对比可知，线路部件的实际尺寸信息与标准信息不一致，则确定电路板图像存在缺陷。
进一步地，在确定电路板图像存在缺陷之后，可在电路板图像中标记此缺陷的缺陷位置，同时可将此缺陷的缺陷位置、缺陷类别、缺陷级别、缺陷尺寸等信息关联存储为此电路板图像对应的缺陷数据。其中，缺陷位置是电路板图像中存在缺陷的位置，例如，对于电路板图像存在的缺陷仅是由其部件自身尺寸不符合标准导致的，部件自身的位置即为缺陷位置，对于部件之间的间距的尺寸也管控的部件，若电路板图像存在缺陷仅是因为部件之间尺寸间距不符合标准的，则不符合标准的间距处为缺陷位置，对于两者皆有的，则部件自身位置与间距处均为缺陷位置。缺陷类别，可由用户设置缺陷的分类方式，或者也可预设默认缺陷分类方式，如尺寸缺陷、错焊缺陷、漏焊缺陷、错印缺陷、漏印缺陷等。缺陷尺寸，可以是缺陷的缺陷类型为尺寸缺陷时，此缺陷对应的实际尺寸信息，或者也可以记录实际尺寸信息与标准尺寸信息的差值，或者两者均可记录。缺陷级别，可用户设置不同缺陷的缺陷级别，也可预设默认的不同缺陷对应的缺陷级别，如尺寸缺陷对应的缺陷级别为1、错焊缺陷对应的缺陷级别为2、漏焊缺陷对应的缺陷级别为2、错印缺陷对应的缺陷级别为3、漏印缺陷对应的缺陷级别为3。举例来说，假设某电路板图像中识别到某一线路部件存在缺陷，且线路部件的实际尺寸信息为【线路线宽0.12mm、线路线距0.12mm】，线路部件对应的标准尺寸信息为【线路线宽>0.127mm、线路线距>0.127mm】，则此线路部件对应的缺陷位置为线路部件自身所在的位置记为位置A与线距所在的位置记为位置B，对应的缺陷类别为尺寸缺陷，对应的缺陷尺寸可以【线路线宽0.12mm、线路线距0.12mm】，缺陷尺寸也可为【线路线宽-0.007mm，线路线距-0.007mm】，也可为【线路线宽0.12mm、线路线距0.12mm，线路线宽-0.007mm，线路线距-0.007mm】，其中，-0.007mm表示比标准尺寸少0.007mm，对应的缺陷级别可以1。假设电路板图像仅此一个线路部件存在缺陷，则其对应的一个可能的缺陷数据可参照如下表二所示。
缺陷位置 缺陷类别 缺陷级别 缺陷尺寸
A 尺寸缺陷 1 线路线宽-0.007mm
B 尺寸缺陷 1 线路线距-0.007mm
表二
本领域人员可知地，通过AI模型还可以检测出电路板图像中的除尺寸之外的其他缺陷，也即可将电路板图像输出到缺陷检测模型中，以供所述缺陷检测模型输出得到检测结果，若此检测结果为存在缺陷，也确定电路板图像存在缺陷，其中，缺陷检测模型可以为现有的对PCB板进行缺陷检测到的模型，另外可以采用本实施例的方式检测电路板图像是否存在尺寸缺陷，同时可采用现有缺陷检测方式检测电路板是否存在其他缺陷，两者任意一个检测出电路板存在缺陷，均确定电路板图像存在缺陷，由此，可提高电路板图像的检出率，提高对PCB板的缺陷检测的检测准确度。且每一缺陷对应的缺陷位置、缺陷类别、缺陷级别、缺陷尺寸等缺陷数据。对于非尺寸缺陷，其缺陷尺寸可为空。例如，电路板图像对应的一个可能的缺陷数据可参照如下表三所示。
表三
可选地，还可以在电路板图像中的缺陷位置处绘制缺陷框，如矩形框、圆形框等，以缺陷框框出缺陷位置，使用户可直观的感受到电路板图像中存在缺陷的位置，进而在对应的电路板上查找到对应的位置，定位缺陷，在进一步通过查看缺陷数据定位缺陷原因，以便采取相应解决措施克服电路板存在的缺陷或及时对无法克服缺陷的电路板进行后续报废或者废品留样等处理。
本实施例中获取待检测的电路板图像，识别所述电路板图像中待进行缺陷检测的所有部件；确定各所述部件的部件类型，确定各所述部件类型中与预设管控尺寸部件类型匹配的目标部件类型；确定所述目标部件类型对应的目标部件，确定所述目标部件对应的实际尺寸信息；确定所述目标部件对应的标准尺寸信息，若所述实际尺寸信息与所述标准尺寸信息不一致，则确定所述电路板图像存在缺陷。如此，与现有技术中通过图像匹配对PCB板进行缺陷检测的方式相比，本申请实施例中对需要管控尺寸的目标部件，将其实际尺寸信息与标准尺寸信息匹配，若目标部件的实际尺寸信息与所述标准尺寸信息不一致，则确定电路板图像存在缺陷，也即确定电路板图像对应的电路板存在缺陷，从而实现了对PCB板的尺寸缺陷的成功检出。
进一步地，基于上述本申请的第一实施例，提出本申请缺陷检测方法的第二实施例，与上述第一实施例相同或相似的内容，可以参考上文介绍，后续不再赘述。在本实施例中，上述实施例步骤S30，确定所述目标部件类型对应的目标部件，确定所述目标部件对应的实际尺寸信息的步骤细化，参照图3，包括：
步骤A10，确定所述目标部件对应的检测位置，基于所述检测位置裁剪所述电路板图像得到电路板子图像；
在电路板图像上建立坐标系，该检测位置可以为一个坐标点位置，也可以为一个坐标区域范围，目标部件可以有一个或多个检测位置，每一检测位置均可以是一个坐标点位置，也可以是一个坐标区域范围，可以先确定目标部件在坐标系中的坐标，基于目标部件的目标部件类型与其坐标位置确定其对应的检测位置，举例来说，部件的与其检测位置的对应关系可以如下表四所示。对于表四中间距处的坐标位置可以是目标部件与相邻部件的间距位置的中心点坐标位置，也可以是目标部件与相邻部件的间距坐标范围，类似地，部件自身的坐标位置也可以是部件自身中心点坐标位置，也可以是部件自身所占的坐标范围。
表四
基于检测位置裁剪所述电路板图像得到电路板子图像，该电路板子图像为至少包括检测位置的图像。
步骤A20，获取所述电路板子图像的每一像素点的像素值，检测各所述像素值中与预设标准像素阈值匹配的目标像素值；
可以理解地是，不同部件对应的预设标准像素阈值可以不同，同一部件的不同检测位置对应的预设标准像素阈值也可以不同，预设标准像素阈值可以为一个像素值，也可以为一个像素值范围，当预设标转像素阈值为一个像素值范围时，若一个像素点的像素值在此像素值范围内，确定此像素值为与预设标准像素阈值匹配的目标像素值。可选地，可通过采集标准电路板的标准电路板图像，从标准电路板图像中获取对应电路板图像的检测位置处的第一像素值，基于从标准电路板图像中获取到在检测位置处的第一像素值确定预设标准像素阈值，如将第一像素值作为预设标准像素阈值，或者取第一像素值正负一定像素范围内的像素值作为预设标准像素阈值。
对于仅管控某一方向上的部件，如长度、高度、宽度中仅宽度管控、长度、高度、宽度中仅长度管控、长度、高度、宽度中仅高度管控、孔径管控、间距管控等也可将电路板图像中在此方向上的像素点的像素值与预设标准像素阈值匹配，得到目标像素值。例如，线路部件，管控线宽，并不管控线长，假设线宽为X轴方向，那么可从电路板子图像中选择一个X坐标最小的像素点，以此像素点开始沿X轴方向依次遍历每一像素点，其他轴方向的像素点不在遍历，将遍历每一像素点的像素值与预设标准像素阈值匹配，得到目标目标像素点。
在需要管控尺寸的管控方向上，可以分别检测每一方向上的像素点的像素值中与预设标准像素阈值匹配的目标像素点。
步骤A30，确定所述目标像素值对应的目标像素点，确定所述目标像素点对应的目标尺寸；
步骤A40，将所述目标尺寸作为所述目标部件对应的实际尺寸信息。
在一实施例中，所述确定所述目标像素点对应的目标尺寸的步骤，包括：
步骤A301，确定所述电路板子图像包括的总像素点数量，识别所述电路板子图像的总尺寸；
步骤A302，基于所述总像素点数量与所述总尺寸得到第一比值，其中，所述第一比值包括所述总尺寸与所述总像素点数量的比值；
步骤A303，确定所述目标像素点包括的目标像素点数量，将所述目标像素点数量乘所述第一比值得到目标尺寸。
也是，可获取电路板子图像在各方向上的总像素点数量与电路板图像在各方向上的总尺寸，由此，得到电路板子图像在各管控方向上对应的第一比值，可通过检测每一管控方向上的目标像素点的目标像素点数量，确定其在此管控方向上的目标尺寸。进而得到目标部件对应的实际尺寸信息。
在一实施例中，包括所述确定所述目标部件对应的检测位置的步骤，包括：
步骤B10，确定所述目标部件在预设坐标系中的目标坐标位置；
步骤B20，若所述目标部件类型包括管控自身尺寸部件类型，将所述目标坐标位置作为检测位置；
步骤B30，若所述目标部件类型包括管控间隔尺寸部件类型，确定各所述部件中与所述目标部件邻接的第一原部件，确定所述第一原部件在预设坐标系中的第一坐标位置，计算所述第一坐标位置与所述第一坐标位置的中心坐标位置，将所述中心坐标位置作为检测位置。
该第一原部件可以是管控方向上与目标部件邻接的部件。
需要说明地是，目标部件类型可能即管控自身尺寸也管控间隔尺寸，那么目标部件自身的目标坐标位置与间距的中心坐标位置均为检测位置。也可设置其他管控尺寸的方式，对需要管控尺寸的每一处均选择对应的检测位置进行尺寸测量。
在本实施例中，目标部件类型包括管控自身尺寸部件类型，将所述目标坐标位置作为检测位置，目标部件类型包括管控间隔尺寸部件类型，确定各所述部件中与所述目标部件邻接的第一原部件，确定所述第一原部件在预设坐标系中的第一坐标位置，计算所述第一坐标位置与所述第一坐标位置的中心坐标位置，将所述中心坐标位置作为检测位置，不同的尺寸管控方式选择对应的检测位置，从而保证了检测位置的有效性，保证了后续可裁剪到有效的电路板子图像。
在一实施例中，所述基于所述检测位置裁剪所述电路板图像得到电路板子图像的步骤，包括：
步骤C10，确定所述检测位置对应的检测点，以所述检测点为原点在所述电路板图像上裁剪预设像素的部分局部区域图像；步骤C20，将裁剪到的所述部分局部区域图像作为电路板子图像。
该预设像素可以由用户设置，不同的目标部件对应的有预设像素可以不同，也是可仅在管控方向上裁剪预设像素的部分局部区域图像。
在本实施例中，将所述检测位置对应的检测点作为中心点，以所述中心点为原点在所述电路板图像上裁剪预设像素的部分局部区域图像，将裁剪到的所述部分局部区域图像作为电路板子图像，保证了电路板子图像的有效裁剪。
在一实施例中，所述获取待检测的电路板图像的步骤之后，所述方法还包括：
步骤D10，获取预设标准电路板图像的标准电路板图像，对所述电路板图像进行图像矫正，得到矫正后的电路板图线；
步骤D20，将所述矫正后的电路板图像与所述标准电路板图像进行相似度计算，得到相似度计算结果；
步骤D30，若所述相似度计算结果小于预设相似度阈值，则确定所述电路板图像存在缺陷。
可通过平均误差平方和算法将矫正后的电路板图像与标准电路板图像进行相似度计算。本实施例中，通过平均误差平方和算法进行图像相似度计算，若计算出的相似度不满足要求，则可确定所述电路板图像存在缺陷。
可对电路板图像进行特征点识别提取，得到电路板图像特征点，将电路板图像特征点与标准电路板图像特征点进行匹配，得到正确匹配点，利用正确匹配点对电路板图像进行姿态计算，得到电路板图像的姿态数据，利用姿态数据对电路板图像进行图像矫正，得到矫正后的电路板图像，将矫正后的电路板图像与标准电路板图像进行相似度计算，得到检测结果，由于利用正确匹配点对电路板图像进行了姿态计算及矫正，大幅降低了光照变化或相机偏移等因素造成的电路板图像与标准电路板图像之间存在不一致的情况，与现有技术相比，能够矫正光照变化或相机偏移等因素造成的影响，提高图像匹配的精确性，保证检测的准确率。
利用正确匹配点通过最小二乘法对电路板图像进行姿态计算。本实施例中，当得到正确的匹配点对后，便可利用该匹配点通过最小二乘法对电路板图像进行姿态计算，也就是说，只需知道电路板图像与标准电路板图像特征点的匹配点的坐标，结合工业相机内参数后，便可利用最小二乘法估算当前电路板图像的旋转参数和平移参数等，也即电路板图像的姿态数据。
在一实施例中，所述获取预设标准电路板图像的标准电路板图像的步骤之后，所述方法，还包括：
步骤E10，对所述电路板图像进行特征点识别提取，得到电路板图像特征点；
步骤E20，对所述标准电路板图像进行特征点识别提取，得到标准电路板图像特征点；
步骤E30，若所述电路板图像特征点与标准电路板图像特征点匹配失败，则执行对所述电路板图像进行图像矫正的步骤。
在步骤E10之前，还可以对待检测的电路板图像进行图像预处理操作，该图像预处理可以包括通过图像增强法和图像去噪法对待检测的电路板图像进行图像预处理的操作。
可通过HARRIS(角点提取算法)算法对电路板图像于标准电路板图像进行特征点识别提取。本实施例中，HARRIS算法受信号处理中自相关函数的启发，给出了与自相关函数相联系的矩阵，而矩阵的特征值是自相关函数的一阶曲率，因此，如果在电路板图像中某点的行列曲率值都高，则认为该点是特征点。标准电路板图像的特征点识别方法类似，这里不再赘述。
可通过随机树匹配算法将电路板图像特征点与标准电路板图像的图像特征点进行匹配。随机树匹配算法具体为：以步骤E10中提取出的电路板图像特征点为中心，将其周围单位像素区域内的图片进行截取，并对该片元进行随机仿射变换，模拟从不同角度和距离上观察此物体，将仿射后的片元放入随机树中，在随机树的每一层节点中随机的获取两个像素点的灰度值，并比较大小，大于落入右节点，小于落入左节点，通过层层比较该片元最终将落在随机树的某个子节点；通过大量训练片元的输入，将会在终端节点上获得片元落入量的一个概率分布，该分布意味着当被测试片元落入该终端节点后，被测片元在多大程度上于某一训练样本片元相似；通过此方法，便可将电路板图像特征点与标准电路板图像特征点进行匹配。
在一实施例中，参照图4，所述确定所述电路板图像存在缺陷的步骤之后，所述方法还包括：
步骤F10，获取所述电路板图像的缺陷数据，其中，所述缺陷数据包括缺陷位置、缺陷类别、缺陷级别、缺陷尺寸中的一种或多种；
步骤F20，将所述缺陷数据作为所述电路板图像的缺陷检测结果，并输出所述缺陷检测结果。
本实施例中，将缺陷数据作为电路板图像的缺陷检测结果进行输出，可使用户可直观的感受到电路板图像中存在缺陷的位置，进而在对应的电路板上查找到对应的位置，定位缺陷，在进一步通过查看缺陷数据定位缺陷原因，以便采取相应解决措施克服电路板存在的缺陷或及时对无法克服缺陷的电路板进行后续报废或者废品留样等处理。
此外，参照图5，本申请还提供一种缺陷检测装置，所述缺陷检测装置，包括：
获取模块10，用于获取待检测的电路板图像，识别所述电路板图像中待进行缺陷检测的所有部件；
第一确定模块20，用于确定各所述部件的部件类型，确定各所述部件类型中与预设管控尺寸部件类型匹配的目标部件类型；
第二确定模块30，用于确定所述目标部件类型对应的目标部件，确定所述目标部件对应的实际尺寸信息；
第三确定模块40，用于确定所述目标部件对应的标准尺寸信息，若所述实际尺寸信息与所述标准尺寸信息不一致，则确定所述电路板图像存在缺陷。
此外，本申请实施例还提出一种缺陷检测设备，缺陷检测设备括存储器、处理器及存储在所述存储器上并可在所述处理器上执行的缺陷检测程序，所述缺陷检测程序被所述处理器执行时实现如上述的缺陷检测方法的步骤。
本申请缺陷检测设备具体实施方式与上述缺陷检测方法各实施例基本相同，在此不再赘述。
此外，为实现上述目的，本申请还提供一种计算机可读存储介质，计算机可读存储介质上存储有缺陷检测程序，缺陷检测程序被处理器执行时实现如上述的缺陷检测方法的步骤。
本申请计算机可读存储介质具体实施方式与上述缺陷检测方法各实施例基本相同，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的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，该计算机软件产品存储在如上所述的一个计算机可读存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，云端服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种缺陷检测方法，其特征在于，所述缺陷检测方法包括以下步骤：
获取待检测的电路板图像，识别所述电路板图像中待进行缺陷检测的所有部件；
确定各所述部件的部件类型，确定各所述部件类型中与预设管控尺寸部件类型匹配的目标部件类型；
确定所述目标部件类型对应的目标部件，确定所述目标部件对应的实际尺寸信息；
确定所述目标部件对应的标准尺寸信息，若所述实际尺寸信息与所述标准尺寸信息不一致，则确定所述电路板图像存在缺陷。
2.如权利要求1所述的缺陷检测方法，其特征在于，所述确定所述目标部件对应的实际尺寸信息的步骤，包括：
确定所述目标部件对应的检测位置，基于所述检测位置裁剪所述电路板图像得到电路板子图像；
获取所述电路板子图像的每一像素点的像素值，检测各所述像素值中与预设标准像素阈值匹配的目标像素值；
确定所述目标像素值对应的目标像素点，确定所述目标像素点对应的目标尺寸；
将所述目标尺寸作为所述目标部件对应的实际尺寸信息。
3.如权利要求2所述的缺陷检测方法，其特征在于，所述确定所述目标像素点对应的目标尺寸的步骤，包括：
确定所述电路板子图像包括的总像素点数量，识别所述电路板子图像的总尺寸；
基于所述总像素点数量与所述总尺寸得到第一比值，其中，所述第一比值包括所述总尺寸与所述总像素点数量的比值；
确定所述目标像素点包括的目标像素点数量，将所述目标像素点数量乘所述第一比值得到目标尺寸。
4.如权利要求2所述的缺陷检测方法，其特征在于，所述确定所述目标部件对应的检测位置的步骤，包括：
确定所述目标部件在预设坐标系中的目标坐标位置；
若所述目标部件类型包括管控自身尺寸部件类型，将所述目标坐标位置作为检测位置；
若所述目标部件类型包括管控间隔尺寸部件类型，确定各所述部件中与所述目标部件邻接的第一原部件，确定所述第一原部件在预设坐标系中的第一坐标位置，计算所述第一坐标位置与所述第一坐标位置的中心坐标位置，将所述中心坐标位置作为检测位置。
5.如权利要求4所述的缺陷检测方法，其特征在于，所述基于所述检测位置裁剪所述电路板图像得到电路板子图像的步骤，包括：
确定所述检测位置对应的检测点，以所述检测点为原点在所述电路板图像上裁剪预设像素的部分局部区域图像；
将裁剪到的所述部分局部区域图像作为电路板子图像。
6.如权利要求1所述的缺陷检测方法，其特征在于，所述获取待检测的电路板图像的步骤之后，所述方法还包括：
获取预设标准电路板图像的标准电路板图像，对所述电路板图像进行图像矫正，得到矫正后的电路板图线；
将所述矫正后的电路板图像与所述标准电路板图像进行相似度计算，得到相似度计算结果；
若所述相似度计算结果小于预设相似度阈值，则确定所述电路板图像存在缺陷。
7.如权利要求1或6所述的缺陷检测方法，其特征在于，所述确定所述电路板图像存在缺陷的步骤之后，所述方法还包括：
获取所述电路板图像的缺陷数据，其中，所述缺陷数据包括缺陷位置、缺陷类别、缺陷级别、缺陷尺寸中的一种或多种；
将所述缺陷数据作为所述电路板图像的缺陷检测结果，并输出所述缺陷检测结果。
8.一种缺陷检测装置，其特征在于，所述缺陷检测装置，包括：
获取模块，用于获取待检测的电路板图像，识别所述电路板图像中待进行缺陷检测的所有部件；
第一确定模块，用于确定各所述部件的部件类型，确定各所述部件类型中与预设管控尺寸部件类型匹配的目标部件类型；
第二确定模块，用于确定所述目标部件类型对应的目标部件，确定所述目标部件对应的实际尺寸信息；
第三确定模块，用于确定所述目标部件对应的标准尺寸信息，若所述实际尺寸信息与所述标准尺寸信息不一致，则确定所述电路板图像存在缺陷。
9.一种缺陷检测设备，其特征在于，所述缺陷检测设备包括：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缺陷检测程序，所述缺陷检测程序被所述处理器执行时实现如权利要求1至7中任一项所述的缺陷检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有缺陷检测程序，所述缺陷检测程序被处理器执行时实现如权利要求1至7中任一项所述的缺陷检测方法的步骤。
CN202310908469.4A 2023-07-24 2023-07-24 缺陷检测方法、装置、设备及计算机可读存储介质 Pending CN117007600A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310908469.4A CN117007600A (zh) 2023-07-24 2023-07-24 缺陷检测方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310908469.4A CN117007600A (zh) 2023-07-24 2023-07-24 缺陷检测方法、装置、设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN117007600A true CN117007600A (zh) 2023-11-07

Family

ID=88575620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310908469.4A Pending CN117007600A (zh) 2023-07-24 2023-07-24 缺陷检测方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN117007600A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117665006A (zh) * 2023-12-20 2024-03-08 皆利士多层线路版(中山)有限公司 绿油塞孔缺陷检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117665006A (zh) * 2023-12-20 2024-03-08 皆利士多层线路版(中山)有限公司 绿油塞孔缺陷检测方法

Similar Documents

Publication Publication Date Title
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
CN114266773B (zh) 显示面板缺陷定位方法、装置、设备及存储介质
CN112508846B (zh) 缺陷检测方法及装置、电子设备和存储介质
CN113379680B (zh) 缺陷检测方法、装置、电子设备和计算机可读存储介质
CN109389110B (zh) 一种区域确定方法及装置
CN109738450B (zh) 笔记本键盘的检测方法和装置
CN113870256B (zh) Pcb板缺陷评估方法、装置、设备及介质
CN111223078B (zh) 瑕疵等级判定的方法及存储介质
WO2024169750A1 (zh) 缺陷检测模型的训练方法、装置及电子设备
CN112668566A (zh) 表格处理方法、装置、电子设备及存储介质
CN111738247B (zh) 极性标识的识别方法、识别装置、电子设备及存储介质
CN112419207A (zh) 一种图像矫正方法及装置、系统
CN110490190A (zh) 一种结构化图像文字识别方法及系统
CN117152165B (zh) 感光芯片缺陷的检测方法、装置、存储介质及电子设备
CN115861327A (zh) 一种pcb颜色变化缺陷检测方法、装置、设备及介质
CN117007600A (zh) 缺陷检测方法、装置、设备及计算机可读存储介质
CN115731208A (zh) 金属复杂面高精度缺陷检测方法、装置、设备及存储介质
CN113902740A (zh) 图像模糊程度评价模型的构建方法
US11176419B1 (en) Method for labeling image
CN112529923A (zh) 一种控件识别方法及装置
CN110874837B (zh) 一种基于局部特征分布的缺陷自动检测方法
CN116091503B (zh) 一种面板异物缺陷的判别方法、装置、设备及介质
CN116883385A (zh) 一种红外人脸图像质量评价的方法及装置
CN116993654A (zh) 摄像头模组缺陷检测方法、装置、设备、存储介质及产品
CN114861155A (zh) 一种基于图像识别的滑块拼图验证检验方法及装置

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