[发明专利]一种基于图像处理的焊点焊接缺陷检测方法与系统

说明书

本发明公开了一种基于图像处理的焊点焊接缺陷检测方法与系统，涉及电子检测领域，主要包括步骤：获取带有焊点焊接缺陷的电路板的图像样本集并预处理；通过卷积神经网络选择并提取图像样本集中的焊接缺陷特征，并生成检测模型；获取电路板的完整图像，并调用检测模型获得完整图像的焊接缺陷边界框；根据焊接缺陷边界框生成标注图片并输出。本发明通过利用CascadeR‑CNN算法对样本集进行卷积神经网络训练，利用该算法使得提取的特征更加符合实际焊点缺陷的特征，同时还能够对更多类型的贴片元件焊接缺陷进行检测。

技术领域

本发明涉及电子检测领域，具体涉及一种基于图像处理的焊点焊接缺陷检测方法与系统。

背景技术

目前市场上推出的电路板元件质量光学自动检测步骤复杂，主要以基于参考的缺陷检测方法为主，每次对新的产品型号进行检测，都需要重新进行统计建模，还要通过对人工目检为合格的样本进行统计学习以建立模板，再进行自动检测。同时，相关的软体设计还不够完整(例如：自动检测无法明确区别出电极针痕、刮痧和污染)。目前来说自动检测只是用来减少目检的工作量，还不能够完全取代人工目检。因此，开发一套低成本、高精度的自动化电路板焊点检测方法，是实现电子制造工业自动化的一个重要环节，具有很大的市场价值和社会价值。

发明内容

为解决上述问题，提高电路板焊点检测的通用性，减少人力成本，本发明提出了一种基于图像处理的焊点焊接缺陷检测方法，包括步骤：

S1：获取带有焊点焊接缺陷的电路板的图像样本集并预处理；

S2：通过卷积神经网络选择并提取图像样本集中的焊接缺陷特征，并生成检测模型；

S3：获取电路板的完整图像，并调用检测模型获得完整图像的焊接缺陷边界框；

S4：根据焊接缺陷边界框生成标注图片并输出。

进一步地，所述步骤S1中，预处理包括：调整图像样本尺寸至预设尺寸、随机翻转和归一化处理。

进一步地，所述步骤S2中，卷积神经网络选用Cascade R-CNN算法对图像样本集进行训练，具体步骤为：

获取图像样本每一层R-CNN网络中疑似焊接缺陷特征的输出结果，将输出结果作为下一级R-CNN网络的输入，并最终获得元件焊接特征的边界框，所述各级R-CNN网络间基于各自的IoU阀值级联。

进一步地，所述步骤S3中，检测模型是通过Cascade R-CNN算法对焊接缺陷进行两个阶段的判断，具体阶段为：

根据焊接缺陷特征利用Cascade R-CNN算法获取完整图像中缺陷初步判定区域；

将缺陷初步判定区域再次带入Cascade R-CNN算法，根据焊接缺陷特征对缺陷初步判定区域进行二次判定，获得焊接缺陷边界框。

进一步地，所述步骤3中，完整图像的获取具体包括步骤：

获取电路板上各部分预设尺寸大小的局部图像，并根据各部分在电路板上的顺序将局部图像拼接为完整图像。

本发明还提出了一种基于图像处理的焊点焊接缺陷检测系统，包括：

预处理单元，用于获取带有焊点焊接缺陷的电路板的图像样本集并预处理；

模型构建单元，用于通过卷积神经网络选择并提取图像样本集中的焊接缺陷特征，并生成检测模型；

缺陷判断单元，用于调用检测模型提取完整图像中的焊接缺陷边界框；

输出单元，用于根据焊接缺陷边界框生成标注图片并输出。

进一步地，所述预处理单元，预处理包括：调整图像样本尺寸至预设尺寸、随机翻转和归一化处理。