PCB载板的针孔缺陷检测方法、系统、设备及存储介质技术方案

本发明专利技术提供了PCB载板的针孔缺陷检测方法、系统、设备及存储介质，涉及缺陷检测技术领域，所述方法步骤为：（1）将待检测的PCB载板图像P1输入缺陷筛选模型M1或者针脚筛选模型M2；（2）通过缺陷筛选模型M1输出针孔缺陷框Bbox1，或者通过针脚筛选模型M2输出针脚定位框Bbox2；（3）对针孔缺陷框Bbox1，或者对针脚定位框Bbox2进行像素处理和轮廓提取处理；（4）基于轮廓提取处理结果进行几何信息和位置信息计算，并且基于几何信息和位置信息计算结果进行针孔缺陷判定。本发明专利技术基于深度学习和图像处理技术，实现了针孔缺陷的准确检测，解决了现有针孔缺陷检测容易出现漏检、过检的问题。过检的问题。过检的问题。

【技术实现步骤摘要】
PCB载板的针孔缺陷检测方法、系统、设备及存储介质


[0001]本专利技术涉及缺陷检测
，具体而言，涉及PCB载板的针孔缺陷检测方法、系统、设备及存储介质。

技术介绍

[0002]PCB（Printed Circuit Board，印刷电路板）载板生产制造复杂且繁琐，制造过程中容易引入各种各样的产品缺陷，并且产品缺陷的类型多种多样，在颜色种类、形状大小、颜色深浅上表现不一。
[0003]在实际产线质量把控过程中，出于整体产品良率考虑，需要评估产品缺陷的严重性，判断产品缺陷所属的缺陷类型，缺陷类型包括可允收的产品缺陷和不可允收的产品缺陷，对于不可允收的产品缺陷，则需要对PCB载板进行报废，对于可允收的产品缺陷，则可以将PCB载板流到后道制程处理，所以对PCB载板进行精确的缺陷检测，并且结合缺陷检测结果准确评估缺陷严重程度，对于工厂成本控制至关重要。
[0004]目前，很多PCB载板生产厂商已经引入了AOI（Automatic Optical Inspection， 自动光学检测）、ADC（Automatic Defect Classification，自动缺陷分类）等智能化缺陷检测系统，这些系统能够通过对存在缺陷的历史PCB载板的特征学习，对线上生产的PCB载板进行缺陷实时检测，但是只能单纯的检测到缺陷的位置，不能直接评估出缺陷的严重程度；特别是针对于针孔位置的缺陷，由于针孔缺陷位置的特殊性以及复杂性，因此无法准确地对针孔缺陷以及针孔缺陷严重程度进行判定，导致针孔缺陷检测出现漏检、过检的问题。r/>
技术实现思路

[0005]为了解决现有针孔缺陷检测容易出现漏检、过检的问题，本专利技术实施例提供了PCB载板的针孔缺陷检测方法、系统、设备及介质。
[0006]在第一方面，本专利技术实施例中提供一种PCB载板的针孔缺陷检测方法，所述方法包括以下步骤：将待检测的PCB载板图像P1输入缺陷筛选模型M1或者针脚筛选模型M2；通过所述缺陷筛选模型M1输出针孔缺陷框Bbox1，通过所述针脚筛选模型M2输出针脚定位框Bbox2；对所述针孔缺陷框Bbox1或者所述针脚定位框Bbox2进行像素处理和轮廓提取处理；基于轮廓提取处理结果进行几何信息和位置信息计算，并且基于几何信息和位置信息计算结果进行针孔缺陷判定。
[0007]于上述实施例中，首先通过历史的PCB载板图像P0对缺陷筛选模型M1或者针脚筛选模型M2进行训练，并且通过训练后的缺陷筛选模型M1或者针脚筛选模型M2对待检测的PCB载板图像P1进行目标框选择；然后通过进行图像处理、轮廓提取处理，得到待检测的针孔缺陷轮廓图像P2；最后基于针孔缺陷轮廓图像P2的几何信息和位置信息进行针孔缺陷判定。即基
于深度学习和图像处理技术，实现了针孔缺陷的准确检测，解决了现有针孔缺陷检测容易出现漏检、过检的问题。
[0008]作为本申请一些可选实施方式，基于针孔缺陷框Bbox1，进行针孔缺陷判定的流程为：对所述针孔缺陷框Bbox1进行图像灰度处理和图像二值化处理，并且对图像二值化处理后的所述针孔缺陷框Bbox1进行轮廓提取处理，得到针孔缺陷轮廓图像P2；基于针孔缺陷轮廓图像P2计算所述针孔缺陷轮廓图像P2的长、宽以及面积，并且基于所述针孔缺陷轮廓图像P2的长、宽以及面积进行针孔缺陷判定。
[0009]于上述实施例中，通过针孔缺陷框Bbox1提取孔缺陷轮廓图像P2，通过对轮廓图像的长、宽以及面积进行综合的判断，能够非常准确地判断缺陷的严重程度。
[0010]作为本申请一些可选实施方式，基于针脚定位框Bbox2，进行针孔缺陷判定的流程为：对所述针脚定位框Bbox2进行像素处理和缺陷定位处理，并且对缺陷定位处理后的所述针脚定位框Bbox2进行轮廓提取处理，得到针孔缺陷轮廓图像P2以及针孔缺陷到针脚的距离；基于针孔缺陷轮廓图像P2计算针孔缺陷轮廓图像P2的长、宽以及面积；基于针孔缺陷轮廓图像P2的长、宽、面积以及针孔缺陷到针脚的距离，进行针孔缺陷判定。
[0011]于上述实施例中，通过针脚定位框Bbox2提取针孔缺陷轮廓图像P2，通过对针孔缺陷轮廓图像P2的长、宽、面积以及针孔缺陷到针脚的距离进行综合的判断，能够非常准确地判断缺陷的严重程度。
[0012]作为本申请一些可选实施方式，所述缺陷筛选模型M1和针脚筛选模型M2均基于深度学习网络模型训练得到。
[0013]作为本申请一些可选实施方式，所述深度学习网络模型包括卷积层、池化层以及全连接层。
[0014]作为本申请一些可选实施方式，所述缺陷筛选模型M1的训练流程如下：采集历史的PCB载板图像P0，并且对PCB载板图像P0进行针孔缺陷标注；将针孔缺陷标注后的PCB载板图像P0输入深度学习网络模型进行图像特征提取和训练学习，得到缺陷筛选模型M1。
[0015]作为本申请一些可选实施方式，所述针脚筛选模型M2的训练流程如下：采集历史的PCB载板图像P0，并且对PCB载板图像P0进行针脚标注；将针脚标注后的PCB载板图像P0输入深度学习网络模型进行图像特征提取和训练学习，得到针脚筛选模型M2。
[0016]作为本申请一些可选实施方式，通过缺陷筛选模型M1输出针孔缺陷框Bbox1的流程如下：将待检测的PCB载板图像P1输入缺陷筛选模型M1，通过缺陷筛选模型M1输出所有针孔缺陷位置以及针孔缺陷的置信度；根据针孔缺陷的置信度对针孔缺陷的位置进行筛选，得到最终的针孔缺陷位置；根据最终的针孔缺陷位置的中心点，并且对PCB载板图像P1进行图像裁剪，得到针
孔缺陷框Bbox1。
[0017]作为本申请一些可选实施方式，通过针脚筛选模型M2输出针脚定位框Bbox2的流程如下：将待检测的PCB载板图像P1输入针脚筛选模型M2，通过针脚筛选模型M2输出所有针脚位置；以针脚的位置为中心点，并且对PCB载板图像P1进行图像裁剪，得到针脚定位框Bbox2。
[0018]作为本申请一些可选实施方式，基于针孔缺陷轮廓图像P2的长、宽以及面积进行针孔缺陷判定的流程如下：预设针孔缺陷轮廓图像P2的长、宽、面积对应的权重值，并且对针孔缺陷轮廓图像P2的长、宽、面积进行比重计算和加权求和；基于比重计算的结果对针孔缺陷类型进行判定，并且基于加权求和的结果对针孔缺陷等级进行判定。
[0019]作为本申请一些可选实施方式，基于针孔缺陷轮廓图像P2的长、宽、面积以及针孔缺陷到针脚的距离，进行针孔缺陷判定的流程如下：预设针孔缺陷轮廓图像P2的长、宽、面积以及针脚缺陷到针脚的距离对应的权重值，并且对针孔缺陷轮廓图像P2的长、宽、面积以及针脚缺陷到针脚的距离进行比重计算和加权求和；基于比重计算的结果对针孔缺陷类型进行判定，并且基于加权求和的结果对针孔缺陷等级进行判定。
[0020]作为本申请一些可选实施方式，对针脚定位框Bbox2进行缺陷定位处理的流程如下：以像素处理后的针脚定位框Bbox2的中心为圆心，以不同的半径向外延伸设置若干圆环；将圆框的像素值设置为0，并且以针脚定位框Bbox2对应图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种PCB载板的针孔缺陷检测方法，其特征在于，所述方法包括以下步骤：将待检测的PCB载板图像P1输入缺陷筛选模型M1或者针脚筛选模型M2；通过所述缺陷筛选模型M1输出针孔缺陷框Bbox1，通过所述针脚筛选模型M2输出针脚定位框Bbox2；对所述针孔缺陷框Bbox1或者所述针脚定位框Bbox2进行像素处理和轮廓提取处理；基于轮廓提取处理结果进行几何信息和位置信息计算，并且基于几何信息和位置信息计算结果进行针孔缺陷判定。2.根据权利要求1所述的一种PCB载板的针孔缺陷检测方法，其特征在于，基于针孔缺陷框Bbox1，进行针孔缺陷判定的流程为：对所述针孔缺陷框Bbox1进行图像灰度处理和图像二值化处理，并且对图像二值化处理后的所述针孔缺陷框Bbox1进行轮廓提取处理，得到针孔缺陷轮廓图像P2；基于针孔缺陷轮廓图像P2计算所述针孔缺陷轮廓图像P2的长、宽以及面积，并且基于所述针孔缺陷轮廓图像P2的长、宽以及面积进行针孔缺陷判定。3.根据权利要求1所述的一种PCB载板的针孔缺陷检测方法，其特征在于，基于针脚定位框Bbox2，进行针孔缺陷判定的流程为：对所述针脚定位框Bbox2进行像素处理和缺陷定位处理，并且对缺陷定位处理后的所述针脚定位框Bbox2进行轮廓提取处理，得到针孔缺陷轮廓图像P2以及针孔缺陷到针脚的距离；基于针孔缺陷轮廓图像P2计算针孔缺陷轮廓图像P2的长、宽以及面积；基于针孔缺陷轮廓图像P2的长、宽、面积以及针孔缺陷到针脚的距离，进行针孔缺陷判定。4.根据权利要求1所述的一种PCB载板的针孔缺陷检测方法，其特征在于：所述缺陷筛选模型M1和针脚筛选模型M2均基于深度学习网络模型训练得到。5.根据权利要求4所述的一种PCB载板的针孔缺陷检测方法，其特征在于：所述深度学习网络模型包括卷积层、池化层以及全连接层。6.根据权利要求4所述的一种PCB载板的针孔缺陷检测方法，其特征在于：所述缺陷筛选模型M1的训练流程如下：采集历史的PCB载板图像P0，并且对PCB载板图像P0进行针孔缺陷标注；将针孔缺陷标注后的PCB载板图像P0输入深度学习网络模型进行图像特征提取和训练学习，得到缺陷筛选模型M1。7.根据权利要求4所述的一种PCB载板的针孔缺陷检测方法，其特征在于：所述针脚筛选模型M2的训练流程如下：采集历史的PCB载板图像P0，并且对PCB载板图像P0进行针脚标注；将针脚标注后的PCB载板图像P0输入深度学习网络模型进行图像特征提取和训练学习，得到针脚筛选模型M2。8.根据权利要求1所述的一种PCB载板的针孔缺陷检测方法，其特征在于：通过缺陷筛选模型M1输出针孔缺陷框Bbox1的流程如下：将待检测的PCB载板图像P1输入缺陷筛选模型M1，通过缺陷筛选模型M1输出所有针孔缺陷位置以及针孔缺陷的置信度；
根据针孔缺陷的置信度对针孔缺陷的位置进行筛选，得到最终的针孔缺陷位置；根据最终的针孔缺陷位置的中心点，并且对PCB载板图像P1进行图像裁剪，得到针孔缺陷框Bbox1。9.根据权利要求1所述的一种PCB载板的针孔缺陷检测方法，其特征在于：通过针脚筛选模型M2输出针脚定位框Bbox2...

【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：成都数之联科技股份有限公司，
类型：发明
国别省市：