传统方法的pcb缺陷检测

本文转载自新机器视觉，文章仅用于学术分享。

基于统计分类的方法：

（1）基于KNN方法（最近邻法）：利用相似度，找出k个训练样本，然后打分，按得分值排序。

（2）基于Naive Bayes算法：计算概率，构建分类模型。

引导：

医生对病人进行诊断就是一个典型的分类过程，任何一个医生都无法直接看到病人的病情，只能观察病人表现出的症状和各种化验检测数据来推断病情，这时医生就好比一个分类器，而这个医生诊断的准确率，与他当初受到的教育方式（构造方法）、病人的症状是否突出（待分类数据的特性）以及医生的经验多少（训练样本数量）都有密切关系。

一、KNN分类器

1.1.1最近邻算法

定义：计算未知样本与所有训练样本的距离，并以最近邻者的类别作为决策未知样本类别的唯一依据。

缺陷：对噪声数据过于敏感。

措施：将被决策样本周边的多个最近样本计算在内，扩大参与决策的样本量，以避免个别数据直接决定决策结果。

1.1.2K-最近邻算法（KNN）

基本思路：选择未知样本一定范围内的K个样本，该K个样本中某一类型出现的次数最大，则未知样本判定为该类型。

举例说明：

如果K=3，绿色圆点的最近的3个邻居是2个红色小三角形和1个蓝色小正方形，少数从属于多数，基于统计的方法，判定绿色的这个待分类点属于红色的三角形一类。如果K=5，绿色圆点的最近的5个邻居是2个红色三角形和3个蓝色的正方形，还是少数从属于多数，基于统计的方法，判定绿色的这个待分类点属于蓝色的正方形一类。

算法执行步骤：

（1）输入测试集。

（2）设定参数k。

（3）遍历测试集，对于测试集中每个样本，计算该样本（测试集中）到训练集中每个样本的距离；取出训练集中到该样本（测试集中）的距离最小的k个样本的类别标签；对类别标签进行计数，类别标签次数最多的就是该样本（测试集中）的类别标签。

（4）遍历完毕,输出测试集的类别。

1.1.3 知识补充

距离度量表示的是两样本之间的相似程度。

常用距离度量方式：

二、朴素贝叶斯分类器

2.1贝叶斯公式

贝叶斯公式理解

（怎样用非数学语言讲解贝叶斯定理（Bayes’s theorem）？）

2.2朴素贝叶斯分类器

2.2.1基本思想

对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。

2.2.2朴素贝叶斯“公式”

2.2.3朴素贝叶斯分类器

三、瑕疵缺陷检测

检测方法：

（1）瑕疵缺陷图像特征的选择与提取。

（2）计算缺陷图像与标准图像关于灰度的差值。

（3）通过差值与设定阈值比较判断是否存在缺陷。

3.1缺陷图像差分法

3.1.1基本原理

3.1.2基本流程

（1）有效检测区域的设定

（2）图像配准与剪裁

（3）设定差分阈值

（4）缺陷位置的判别

3.2缺陷图像特征的选择与提取

3.2.1特征提取方法

（1）灰度值特征

（2）灰度差特征

（3）直方图特征

（4）变换系数特征

（5）线条和角点的特征

（5）灰度边缘特征

（6）纹理特征

3.2.2特征选择（数据降维）

降维的原因：在机器学习中，如果特征值即维度过多，会引发维度灾难。维度灾难最直接的后果就是过拟合现象，进而导致分类识别的错误，因此我们需要对所提的特征进行降维处理。

基本原理：特征选择是将原始空间进行变换，重新生成一个维数更小各维之间更独立的特征空间。

降维面临的问题：

（1）降维后数据应该包含更多的信息？

（2）降维后会损失多少信息？

（3）降维后对分类识别效果有多大影响？

数据降维后的好处：

（1）进行数据压缩，减少数据存储所需空间以及计算所需时间。

（2）消除数据间的冗余，以简化数据，提高计算效率。

（3）去除噪声，提高模型性能。

（4）改善数据的可理解性，提高学习算法的精度。

（5）将数据维度减少到2维或者3维，进行可视化。

常用方法：主成分分析，随机映射，非负矩阵分解。

3.2.3主成分分析（PCA）

方法概述：此方法目标是找到数据中最主要的元素和结构，去除噪音冗余，将原有的复杂数据降维，揭露出隐藏在复杂数据背后的简单结构。主成分分析就是试图在力保数据信息丢失最少的原则下，对这种多变量的数据表进行最佳综合简化。这些综合指标就称为主成分，也就是说，对高维变量空间进行降维处理，很显然，识辨系统在一个低维空间要比在一个高维空间容易得多。从线性代数角度来看，PCA目标是找到一组新正交基去重新描述得到的数据空间，这个维度就是主元。

3.3灰度形态学的缺陷检测

3.3.1概述

灰度数学形态学的基本运算有膨胀、腐独、开启和关闭，其中利用膨胀和腐蚀的组合可构成开启和关闭，而利用开启和关闭又可构成形态滤波器。

在灰度图像的形态分析中，结构元素可以是何的三维结构，常用的有圆锥、圆柱、半球或抛物线。模板尺寸总是奇数，这样檬板中心正好对应一个像素。

3.3.2 形态操作对图像影响

（1）膨胀灰度图像的结果是，比背景亮的部分得到扩张，而比背景暗的部分受到收缩。

（2）腐蚀灰度图像的结果是，比背景暗的部分得到扩张，而比背景亮的部分受到收缩。

（3）开启一幅图像可消除图中的孤岛或尖峰等过亮的点。

（4）关闭一幅图可将比背景暗且尺寸比结构元素小的结构除掉。

（5）形态滤波器是非线性信号滤波器，它通过变换来局部地修改信号的几何特征。将开运算和闭运算结合起来可消除噪声。

（6）如果用一个小的结构元素先开启再闭合一幅图像，就有可能将图像中小于结构元素的类似噪声结构除去。

3.3.3实例说明

电路板布线的缺陷检测：对于一幅大小为1100×870、灰度级为256的电路板灰度图像，其布线缺陷分为断线和毛刺，利用灰度形态学检测这些缺陷。取结构元素为5×5的半球模板，首先对原图灰度开启，消除比邻域亮且尺寸比结构元素小的区域；然后对原图灰度闭合，消除比邻域暗且尺寸比结构元素小的区域，两次结果差异即为缺陷。

四、划痕检查

概述：划痕检测的基本分析过程分为两步首张，确定检测产品表面是否有划痕，其次，在确定被分析图像上存在划痕之后，对划痕进行提取。由于在工业检测中图像的多样性，对于每一种圈像，都要经过分析综合考虑各种手段来进行处理达到效果。一般来说，划痕部分的灰度值和周围正常部分相比要暗，也就是划痕部分灰度值偏小，而且大多都是在光滑表面，所以整幅图的灰度变化总体来说非常均匀，缺乏纹理特征。

基本方法：基于统计的灰度特征或者阈值分割的方法将划痕部分标出。

原文链接：

传统方法的pcb缺陷检测相关推荐

论文研究 | 基于机器视觉的 PCB 缺陷检测算法研究现状及展望
前面分享了机器视觉在汽车行业与交通行业的应用,其实机器视觉在工业上的应用是最广泛也是最具挑战性的,其中PCB板缺陷检测一直是机器视觉待攻克的难题.印刷电路板(PCB)是电子零件的基板,需求量极大,承载 ...
基于OPENCV和图像减法的PCB缺陷检测
基于OPENCV和图像减法的PCB缺陷检测原文地址:PCB defect detection USING OPENCV with image subtraction method Abstract ...
PCB缺陷检测—TDD-net论文笔记随笔
目录 0.简介 1.介绍 2.相关工作 2.1参照方法 2.2非参照方法 2.3混合方式 3.faster R-CNN的概述 4.TDD-net 4.1合理的anchors设计和数据增强 4.2多尺度 ...
基于yolov5的PCB缺陷检测
1.简述基于图像识别技术实现自动印刷电路板(PCB)缺陷检测,具有高效.准确.可靠.自动化程度高和可扩展性强等优点,大大提高了检测效率,节省了人力成本.传统的检测方法通常需要大量的人力和时间,并且容 ...
YOLOv5 实践之PCB缺陷检测
前言 YOLO模型思想简述:YOLO (You Only Look Once) 是属于目标检测中的one-stage方法,主要的思想是通过将原始的图像划分为 ppp ×\times× ppp 大小 ...
Halcon:PCB缺陷检测
图像处理结果: 主要思想: *Blob+差分+特征 Blob:使用灰度值的开运算图像A,使用灰度值的闭运算图像B 差分:A-75>B,选择其中暗的,A+75<B,选择其中亮的特征:可以再 ...
【缺陷检测】基于形态学实现印刷电路板缺陷检测技术附matlab代码
1 简介当今,电子工业在国家经济发展中扮演着越来越重要的角色,作为各种电子元器件的高度信息集合,印刷电路板(PCB)被广泛应用在电子工业中的各个领域.经济的不断发展促使电子技术不断地提高,轻薄.便捷 ...
探索工业智能检测，基于轻量级YOLOv5s开发构建焊接缺陷检测识别系统
前面也有讲过将智能模型应用和工业等领域结合起来是有不错市场前景的,比如:布匹瑕疵检测.瓷砖瑕疵检测.PCB缺陷检测等等,在工业领域内也有很多可为的方向,本文的核心目的就是想要基于目标检测模型来开发构建 ...
缺陷检测 | PCB AOI质量检测之自动定位核选取算法
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 PCB产品AOI检测,需要将模版与实际图像对齐,因此需要定位功能.定位功能就需要选取定位核,定位核的提 ...

传统方法的pcb缺陷检测

传统方法的pcb缺陷检测相关推荐

最新文章

热门文章