如何对表面贴装印刷电路板(SMT PCB)进行缺陷检查

在最近十年,伴随着表面贴装印刷电路板生产自动化程度的飞速发展,对其相应的质量缺陷检查也提出了更高的要求,从简单的摄像系统到复杂的“3-D”X光检测系统,自动光学检测系统大量被各生产厂家采用。本文从表面贴装印刷电路板的缺陷分析和缺陷种类及缺陷检查过程各方面分析了自动光学检测系统的应用。     

基于机器视觉的板材表面缺陷检测方法

基于机器视觉技术对板材表面缺陷检测进行研究,设计了在线检测的硬件系统和软件处理流程,介绍了图像预处理、图像分割和目标提取等处理方法并对缺陷图像进行相应处理。利用C#软件对板材缺陷在线检测进行人机交互界面设计和在线调试及在线检测。实验结果表明,本检测方法可行,误检率低,可很好地应用于木材自动化生产过程的在线检测。     

摄影测量算法设计课程中的插件技术

针对摄影测量专业实践教学的需求及课程特点,对摄影测量算法设计课程的内容和授课方法进行了创新性的改进.具体是将软件开发中的插件技术与算法设计训练有机结合,将各个算法模块通过插件嵌入到系统框架中.教师设计系统框架、预先定义插件接口,由学生编程实现算法插件,构成完整的数据实验系统,利用统一的数据和可视化软件框架进行验证和评估.该教学方式使得算法设计的实践过程既独立又统一,增强了学生对专业理论和技术应用研究的系统化理解和掌握,激发了学生对实践课程的参与热情和创新意识.     

基于Basler工业相机图像的丝绸表面缺陷检测

在缺陷检测过程中,由于光照角度和亮度等因素导致采集的图像亮度较小,对比度不明显,使用一般相机采集某些材料表面图像时不能取得较好的效果。工业相机成像质量通常高于普通相机,因此利用Basler工业相机获取丝绸材料表面缺陷,基于图像处理缺陷检测技术提取丝绸表面缺陷图像。首先对图像进行灰度转换,得到单通道灰度图像,以便进行图像二值化处理。由于二值化图像有噪声点,用简单的模糊处理无法有效消除,需对图像进行开运算。将图像腐蚀后再进行膨胀,基本上可解决图像噪声问题,根据最后提取的图像轮廓进行筛选,提取出轮廓缺陷。经过检测发现,该算法对工业工件表面缺陷提取更准确,效果更好,可高效检测丝绸表面缺陷,提高生产效率。     

基于机器视觉的钢轨表面面型缺陷分类实验设计

随着城市轨道交通的飞速发展,实现钢轨表面缺陷实时检测对铁路行业稳步发展意义重大。如何实时检测钢轨表面缺陷是保障铁路运行安全亟须解决的一个关键问题。鉴于此,设计了一套基于机器视觉的钢轨表面缺陷检测实验仿真方法。搭建图像采集、图像预处理和缺陷分类等模块;提出自拟合亮度调整算法完成像素值统计,得到清晰的缺陷特征图像;用750组数据训练网络权值,实现缺陷分类预测;经过数据分析和误差评估,识别准确率在90%以上,相关系数高达0.96,单幅图像平均耗时1.267 s,测试表明,所提方法能准确、高效地实现钢轨表面缺陷信息的缺陷分类与识别。     

汽车零配件表面缺陷检测算法研究与实现

通过对机器视觉的研究,建立检测算法模型。文章分析了图像相减匹配法工作机理,结合汽车零配件生产系统,建立了一种基于Siemens PLC的表面缺陷检测仿真平台,验证该算法的可靠性。实验结果表明,该算法模型可以稳定地检测到缺陷目标。     

基于Faster R-CNN的圆柱形金属工件表面缺陷检测

为有效进行圆柱形金属工件表面缺陷检测,设计一套利用深度学习框架——Faster R-CNN的表面缺陷检测系统。该系统算法利用Resnet网络进行特征提取,采用RPN方法提取缺陷的候选目标矩形区域,再利用Fast R-CNN在候选区域基础上进行缺陷检测。此外,为克服金属表面反光并获得高质量图片,设计一套合适的图像采集系统。实验表明,该检测系统能有效克服光滑金属表面的强反射,从而获取高质量图片;同时利用基于Faster R-CNN框架的方法进行缺陷检测,较好地解决了圆柱形金属表面缺陷检测能力弱的问题,在置信度阈值为0.9时,其查全率为95.0%,查准率为96.0%,检测速度为65ms/幅。     

基于改进Faster RCNN的金属丝网缺陷检测方法

作为一种传统的纺织产品,金属丝网在工业生产、日常生活、科研等领域起着举足轻重的作用,而金属丝网在编制过程中,表面会产生斑点、断线等缺陷,严重影响金属丝网的质量。为保障产品质量,研究了一种基于改进Faster RCNN算法的金属丝网表面缺陷检测方法。首先,为提高模型缺陷特征提取能力,特征提取网络选用深度残差网络（ResNet50）代替原视觉几何群网络（VGG16）,并引入注意力模块;随后,训练过程中利用有预热的余弦退火学习率衰减机制,以提高网络检测精度;同时引入k-means算法和遗传算法,设计了更适合金属丝网数据集的锚框尺寸,以提高候选框的精度,解决缺陷定位不准的问题。经实验验证,利用改进Faster RCNN算法检测的平均精度均值（mean average precision,mAP）达86.95%,较原Faster RCNN算法提高18.81%,为金属丝网缺陷的检测提供了一个有效可行的方案。     

基于模板匹配的透明盒缺陷检测

模板匹配是图像处理中最基本与常用的匹配方法。为解决印刷、烫金字符与图案在使用模板匹配方法检测透明盒缺陷时,大量产品因字符、图案边缘效应干扰出现误检的问题,采用HALCON软件编写用于去除字符与图案边缘效应干扰的算法及透明盒缺陷检测算法。经过生产流水线上的实际验证,该算法可以有效避免因字符、图案边缘效应产生的误检问题,实现对透明盒缺陷快速、精确的自动化检测,并剔除缺陷产品。     

基于LT-YOLOv5s的PCB缺陷检测方法

针对传统PCB缺陷检测算法检测准确度低、实时性差等问题，提出一种改进的YOLOv5s网络PCB缺陷检测方法。针对缺陷特性，去除大目标的检测尺度，保留中小目标检测尺度；在网络模型末端用Transformer替代BottleneckCSP模块，提升了网络模型捕获目标特征的能力；结合坐标注意力模块，提升模型的性能并减少参数。以某PCB数据集为测试对象，结果表明，改进后的算法平均精度均值(mAP)达到99.04%,平均检测速度为19ms/帧，改进后的算法能够更加快速有效的检测出PCB缺陷。