玻璃封装绝缘端子的检测方法技术

本申请提供一种玻璃封装绝缘端子的检测方法

【技术实现步骤摘要】
玻璃封装绝缘端子的检测方法、装置和设备


[0001]本专利技术涉及图像检测领域，特别是涉及一种玻璃封装绝缘端子的检测方法
、
装置和设备
。

技术介绍

[0002]玻璃金属封装耐高温高压，在极端环境下表现良好，因此玻璃封装绝缘端子被广泛应用于航天航空
、
石油天然气钻探
、
高辐射高温等场景
。
在实际生产过程中，非均匀的热应力可能造成玻璃封装开裂，降低玻璃封装绝缘端子的介电性能，导致漏电甚至击穿
、
短路，给电子设备造成不可估量的损坏
。
目前，行业借助显微镜肉眼观察检测绝缘端子的玻璃封装质量，耗时耗力，主观性强，极易漏检
。
因此，玻璃封装绝缘端子外观质量自动检测是电子封装制造领域迫在眉睫
、
亟需解决的问题
。
[0003]相比于普通封装电子元件，玻璃封装绝缘端子较为少见，且其玻璃封装表面反光严重，表面脱落区域与未脱落区域没有显著的对比度差异
。
因此，基于机器视觉的玻璃绝缘端子玻璃封装质量检测研究极其少见
。Liu
等人使用经典的自适应全局阈值方法二值化玻璃封装绝缘端子图像，基于形态学特征对各连通域进行分析定位气孔缺陷
。
但是，绝缘端子的玻璃封装脱落往往极其不规则，难以用形态学特征进行表征
。
鉴于深度学习具有的强大自学习能力，他们引入
Fast R
‑
CNN
检测玻璃封装绝缘端子的气孔缺陷
。
因为数据驱动型的深度学习方法需要大量样本，所以他们使用深度卷积对抗生成网络
(Deep Convolutional Generative AdversarialNetworks,DCGAN)
生成具有微小黑色气孔的玻璃封装绝缘端子仿真数据
。
但是，绝缘端子的玻璃封装脱落往往形态各异，外观表征极其不规则，颜色差异大，实际生产中难以采集到大量外观表征各异的玻璃封装绝缘端子真实缺陷样本，因此生成的仿真数据与真实数据有很大的偏差，导致深度学习方法在检测绝缘端子玻璃封装脱落缺陷时将不可避免地遇到困难
。
[0004]也有一些文献研究与绝缘端子玻璃封装外观形态
、
材质高度相似的产品外观质量检测
。
现有技术中融合中值滤波
、Canny
算子
、
几何特征提取及
Otsu
等经典图像处理方法检测透明玻璃药瓶瓶口的裂纹
、
缺边
、
污点等缺陷
。
这些方法高度依赖连通域检测，可是
Otsu
方法会让背景复杂
、
干扰较大的玻璃封装绝缘端子图像无法分割出理想的连通域区域
。
现有技术中基于
Otsu
分割结果和4个方向像素点关系获取发光二极管
(Light Emitting Diode,LED)
环氧树脂封装穹顶的感兴趣区域，然后采用块离散余弦变换和灰色关联分析抑制高频分量，最后重建图像并消除随机纹理和不均匀光照，检测微小缺陷
。
绝缘端子的玻璃封装严重反光导致众多区域在图像上表征为高频信息，因此这种方法将会滤除这些重要区域，使得检测无法进行
。
现有技术中提出一种熵率超像素圆检测方法来定位啤酒瓶底区域，融合调频显著性检测
、
各向异性扩散
、
超像素分割等方法定位中心区域内缺陷，基于小波变换和多尺度滤波定位环形区域内缺陷
。
可是，超像素分割对于玻璃封装绝缘端子这类感兴趣目标区域对比度较低的图像往往分割效果并不好，进而影响后续的缺陷定位
。

技术实现思路

[0005]本专利技术的目的是克服现有技术中的不足之处，提供一种有利于定位脱落区域的玻璃封装绝缘端子的检测方法
、
装置和设备
。
[0006]本专利技术的目的是通过以下技术方案来实现的：
[0007]本申请提供一种玻璃封装绝缘端子的检测方法，其包括：
[0008]根据各当前扇区的信息，构建内部特征；
[0009]将所述内部特征输入第一分类模型进行分类，得到邻域扇区的扇区邻域特征；其中，所述邻域扇区为所述当前扇区的邻域上的扇区，所述扇区邻域特征为所述邻域扇区在所述第一分类模型下的分类结果；
[0010]将所述内部特征和所述扇区邻域特征输入第二分类模型进行分类，确定脱落区域
。
[0011]在其中一个实施例中，所述根据各当前扇区的信息，构建内部特征之前，包括：
[0012]对端子图像进行划分，得到所述当前扇区
。
[0013]在其中一个实施例中，所述第一分类模型为
GBDT
模型
。
[0014]在其中一个实施例中，所述第二分类模型为
GBDT
模型
。
[0015]在其中一个实施例中，所述内部特征包括基本统计特征
、
灰度变化率
、
反光特征和方向统计特征中的至少一个
。
[0016]本申请还提供一种玻璃封装绝缘端子的检测装置，其包括：
[0017]特征构建模块：用于根据各当前扇区的信息，构建内部特征；
[0018]粗略分类模块：用于将所述内部特征输入第一分类模型进行分类，得到邻域扇区的扇区邻域特征；其中，所述邻域扇区为所述当前扇区的邻域上的扇区，所述扇区邻域特征为所述邻域扇区在所述第一分类模型下的分类结果；
[0019]精细分类模块：用于将所述内部特征和所述扇区邻域特征输入第二分类模型进行分类，确定脱落区域
。
[0020]在其中一个实施例中，所述玻璃封装绝缘端子的检测装置还包括：
[0021]划分扇区模块：用于对端子图像进行划分，得到所述当前扇区
。
[0022]本申请还提供一种璃封装绝缘端子的检测设备，其包括上述任一实施例所述的玻璃封装绝缘端子的检测装置
。
[0023]本申请还提供一种电子设备，包括：
[0024]处理器；以及
[0025]存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法
。
[0026]本申请还提供一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法
。
[0027]与现有技术相比，本专利技术至少具有以下优点：根据各当前扇区的信息，构建内部特征，将内部特征输入第一分类模型进行分类，得到邻域扇区的扇区邻域特征；其中，邻域扇区为当前扇区的邻域上的扇区，扇区邻域特征为邻域扇区在第一分类模型下的分类结果，将内部特征和扇区邻域特征输入第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种玻璃封装绝缘端子的检测方法，其特征在于，包括：根据各当前扇区的信息，构建内部特征；将所述内部特征输入第一分类模型进行分类，得到邻域扇区的扇区邻域特征；其中，所述邻域扇区为所述当前扇区的邻域上的扇区，所述扇区邻域特征为所述邻域扇区在所述第一分类模型下的分类结果；将所述内部特征和所述扇区邻域特征输入第二分类模型进行分类，确定脱落区域
。2.
根据权利要求1所述的玻璃封装绝缘端子的检测方法，其特征在于，所述根据各当前扇区的信息，构建内部特征之前，包括：对端子图像进行划分，得到所述当前扇区
。3.
根据权利要求1所述的玻璃封装绝缘端子的检测方法，其特征在于：所述第一分类模型为
GBDT
模型
。4.
根据权利要求1所述的玻璃封装绝缘端子的检测方法，其特征在于：所述第二分类模型为
GBDT
模型
。5.
根据权利要求1所述的玻璃封装绝缘端子的检测方法，其特征在于：所述内部特征包括基本统计特征
、
灰度变化率
、
反光特征和方向统计特征中的至少一个
。6.
一...

【专利技术属性】
技术研发人员：陶涛，杨海东，张志宏，周程，曾卉莹，陈新度，王宗忠，郑丹阳，袁锋，
申请(专利权)人：惠州市广工大物联网协同创新研究院有限公司，
类型：发明
国别省市：