【技术实现步骤摘要】
本专利技术涉及bga焊点，尤其涉及一种基于云平台的bga焊点缺陷自动识别方法、设备及存储介质。
技术介绍
1、
2、在电子制造领域，bga焊点的质量对最终产品的性能和可靠性有着至关重要的影响。现有的bga焊点缺陷检测方法主要依赖于人工目视检查和传统的机器视觉技术。这些方法在检测精度和效率方面存在明显的局限性，无法满足日益增长的电子产品制造需求。
3、人工目视检查是传统的bga焊点缺陷检测方法之一。虽然这种方法可以直接观察焊点的表面状态，但其效率低下，且容易受到人为因素的影响。操作人员的疲劳、经验和技术水平都会导致检测结果的不一致性和不可靠性。此外，人工检查过程耗时耗力，无法适应现代电子制造中高效、高速的生产节奏。
4、另一方面，传统的机器视觉技术利用简单的图像处理算法，如阈值分割、边缘检测和形态学处理等，对焊点图像进行分析。这些方法虽然能够在一定程度上提高检测效率，但由于算法的局限性，其在应对复杂的焊点缺陷时效果并不理想。例如，传统算法难以准确识别焊点中的微小空洞、细微裂纹和复杂短路缺陷。此外，传统机器视觉技术对图像预处理的依赖性较高，且在处理过程中容易受到图像噪声和光照变化的影响，导致检测结果不稳定。
5、因此，提供检测能力更强、检测效率更高、检测结果更加准确的方法，是本领域技术人员亟需解决的问题。
技术实现思路
1、
2、本专利技术的目的在于提出一种基于云平台的bga焊点缺陷自动识别方法、设备及存储介质，旨在通过在云平
3、本专利技术采取的技术方案如下：
4、一种基于云平台的bga焊点缺陷自动识别方法，包括以下步骤：
5、s1、使用成像设备对bga焊点进行拍摄，获取焊点图像；
6、s2、将获取的焊点图像通过本地存储平台上传至云平台，在云平台上对焊点图像进行预处理，包括去噪、增强对比度和灰度变换；
7、s3、在云平台上利用计算机视觉技术对步骤s2中预处理后的焊点图像进行特征提取，提取焊点的边缘特征、纹理特征和形状特征；
8、s4、在云平台上设计并训练卷积神经网络模型，使用标注好的焊点图像数据集进行模型训练，使卷积神经网络模型能够识别焊点的空洞、裂纹和短路缺陷；
9、s5、将步骤s2中预处理后的焊点图像输入训练好的卷积神经网络模型，在云平台上进行缺陷识别，自动检测出焊点中的各种缺陷；
10、s6、根据缺陷识别结果，在云平台上对焊点进行分类，判断当前批次bga产品是否合格；
11、s7、通过云平台将检测结果实时反馈到生产管理系统，实现对生产过程的即时监控和调整，帮助生产人员迅速识别和修正问题，以提高产品质量和生产合格率。
12、进一步地，所述步骤s1包括：
13、s11、选择工业相机作为成像设备，并配备显微镜，调整成像设备的参数，包括：
14、焦距f的范围设置在10mm至100mm之间，根据bga焊点尺寸选择；
15、曝光时间t设置在1ms至100ms之间；
16、光圈大小a设定在f/1.4至f/16之间，通过调整光圈大小控制图像的景深；
17、光源亮度l设置为可调节范围在100至1000流明；
18、s12、将bga焊点置于成像设备的工作范围内，使用机械手臂进行定位：
19、通过传感器检测焊点位置；
20、控制机械手臂在x、y、z三个轴方向的移动；
21、s13、采用多角度拍摄技术进行焊点图像采集：
22、在0°、45°、90°、135°和180°五个不同角度对每个bga焊点进行拍摄；
23、每个角度拍摄三张图像，使用多帧合成算法增加图像的信噪比；
24、s14、利用图像拼接算法对多角度拍摄的图像进行拼接和融合：
25、使用sift算法提取每张图像中的关键特征点，采用ransac算法对提取的关键特征点进行特征点匹配，消除误匹配点，使用全局优化算法进行图像拼接生成全景焊点图像；
26、所述图像拼接算法具体实现包括：
27、特征点提取：焊点图像为i(x, y)，使用sift算法提取每张图像中的关键特征点：
28、；
29、其中，()为关键点位置，为尺度，为方向，特征点提取的过程通过高斯差分实现，具体如下：
30、；
31、其中，为高斯函数，定义为：
32、；
33、为在两个不同尺度和下的高斯函数的差值；
34、k是尺度空间中的一个常数，用于生成不同尺度的图像，为输入的原始图像；
35、特征点匹配：采用ransac算法进行特征点匹配，消除误匹配点，对于特征点()和，匹配关系通过以下相似度函数s(i, j) 确定：
36、；
37、其中，和为特征描述符，为描述符间的标准差；为特征点位置；
38、图像配准与拼接：采用全局优化算法，通过最小化以下目标函数 e 实现多图像的拼接：
39、；
40、其中，为第k张图像，为变换矩阵，为透视变换矩阵，为重叠区域，为正则化参数；()和为匹配特征点对，透视变换矩阵h定义为：
41、；
42、通过最小化目标函数e，优化h的参数实现图像的无缝拼接，最终生成的拼接图像为；
43、和表示变换后特征点位置与实际特征点位置之间的欧氏距离，用于度量拼接过程中特征点的对齐程度；
44、s15、将生成的焊点图像以tiff或png格式数字格式保存到本地存储设备，并通过高速网络上传至云平台。
45、进一步地，所述在云平台上对上传的焊点图像进行预处理包括：
46、去噪处理：使用中值滤波算法去除焊点图像中的噪声点，对于焊点图像，中值滤波处理后的焊点图像定义为：
47、；
48、其中，k为滤波窗口的大小；
49、增强对比度：采用直方图均衡化方法对焊点图像进行对比度增强，均衡化后的焊点图像通过以下公式计算：
50、；
51、其中，和分别为焊点图像的最小和最大灰度值；
52、灰度变换：将rgb焊点图像转换为灰度焊点图像，转换后的灰度值按以下公式计算：
53、；
54、其中，r(x, y)、g(x, y)和b(x, y)分别为焊点图像中红、绿、蓝通道的灰度值。
55、进一步地，所述步骤s3包括：
56、s31、采用canny边缘检测算法对步骤s2中预处理后的焊点图像进行形状特征提取，获取焊点图像的边缘：
57、对焊点图像的灰度值进行高斯滤波，滤波后的图像灰度本文档来自技高网...
【技术保护点】
1.一种基于云平台的BGA焊点缺陷自动识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于云平台的BGA焊点缺陷自动识别方法，其特征在于，所述步骤S1包括：
3.根据权利要求1或2所述的一种基于云平台的BGA焊点缺陷自动识别方法，其特征在于，所述在云平台上对上传的焊点图像进行预处理包括：
4.根据权利要求3所述的一种基于云平台的BGA焊点缺陷自动识别方法，其特征在于，所述步骤S3包括：
5.根据权利要求3所述的一种基于云平台的BGA焊点缺陷自动识别方法，其特征在于，所述步骤S4包括：
6.根据权利要求3所述的一种基于云平台的BGA焊点缺陷自动识别方法，其特征在于，所述步骤S5包括：
7.根据权利要求3所述的一种基于云平台的BGA焊点缺陷自动识别方法，其特征在于，所述步骤S6包括：
8.一种电子设备，其特征在于，包括处理器、存储器和通信总线；所述存储器，用于存储计算机程序；所述处理器，用于执行所述存储器中所存储的程序，实现权利要求1-7任一项所述的一种基于云平台的BGA焊点缺陷自动
9.一种存储介质，其特征在于，所述存储介质存储有程序指令，其中，在所述程序指令运行时控制所述存储介质所在设备执行权利要求1-7中任意一项所述的一种基于云平台的BGA焊点缺陷自动识别方法。
...【技术特征摘要】
1.一种基于云平台的bga焊点缺陷自动识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于云平台的bga焊点缺陷自动识别方法，其特征在于，所述步骤s1包括：
3.根据权利要求1或2所述的一种基于云平台的bga焊点缺陷自动识别方法，其特征在于，所述在云平台上对上传的焊点图像进行预处理包括：
4.根据权利要求3所述的一种基于云平台的bga焊点缺陷自动识别方法，其特征在于，所述步骤s3包括：
5.根据权利要求3所述的一种基于云平台的bga焊点缺陷自动识别方法，其特征在于，所述步骤s4包括：
6.根据权利要求3所述的一种基于云平台的bga焊点缺陷自...
【专利技术属性】
技术研发人员：刘龙，江梦，张文兵，邹桐，龙登成，黄金鑫，孙绍福，金子铃，
申请(专利权)人：云南锡业新材料有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。