本发明专利技术公开了一种基于计算机视觉的PCB板线序检测方法及系统，涉及计算机视觉处理技术领域，包括：获取PCB板的图像数据，并进行预处理；使用目标检测算法识别不同元器件；将边缘检测算法与直线检测算法结合对PCB板中的导线进行识别；通过导线起点坐标、终点坐标与元器件边缘坐标的位置关系，生成多组连接对，并将实际生成的连接对与预期的正常连接对相比较进而对线序进行初步检测；逐一对初步判断正常的PCB板中的导线进行检测，生成宽度指数、间距指数以及夹角指数，并结合形成线序检测物理指数，将所有导线的线序检测物理指数的均值α与阈值相比较进而进一步对线序进行检测。
【技术实现步骤摘要】
本专利技术涉及计算机视觉处理，特别是一种基于计算机视觉的pcb板线序检测方法及系统。
技术介绍
1、pcb板是一种用于电子设备的基础组件，其主要功能是提供电子元器件的支撑和连接。它由线路和接插件组成，线路是用于电子元器件之间的导通，接插件则是用于线路与外部设备的连接。pcb板的线路可以被设计成不同的形状和布局，以适应不同的电子设备和应用场景。
2、pcb板检测在确保产品质量和可靠性方面起着至关重要的作用。通过及时的检测和发现pcb制造过程中的质量问题，可以及时采取措施，避免形成生产事故，减少经济损失。同时，pcb板检测还可以提高产品的可靠性和稳定性，从而降低故障率和维修成本，提高企业的声誉和竞争力。因此，pcb板检测是pcb制造过程中不可或缺的重要环节。
3、pcb板板线检测是pcb检测中的重点，其是通过多种方法来验证电路板的布线是否符合设计规则和生产要求，传统的检测方法包括人工检测和aoi检测。人工检测使用放大镜或校准的显微镜，由操作人员对电路板进行视觉检查以确定其是否合格。这种方法的局限性在于会受到人为主观因素的影响，且效率较低。
4、aoi检测是一种基于光学原理的方法，通过计算机和自动控制技术对生产中遇到的缺陷进行检测和处理。相较于人工检测，aoi检测的准确性和效率都有所提高；但aoi设备通常难以检测到一些灰阶或阴影明暗不明显的缺陷；此外，aoi设备的编程复杂性高，操作难度大，需要专业人员进行编程和操作。同时，aoi设备的价格和维护成本也较高。因此，使用aoi设备不是最佳的选择。
技术实现思路
1、(一)解决的技术问题
2、针对
技术介绍
中的技术问题，本专利技术提出一种基于计算机视觉的pcb板线序检测方法及系统，通过采集pcb表面的图像，并利用计算机分析技术对pcb板线序进行异常检测，不仅提高了检测的效率与准确度，也节省了人力成本。
3、(二)技术方案
4、为实现以上目的，本专利技术通过以下技术方案予以实现：
5、一种基于计算机视觉的pcb板线序检测方法，包括：
6、通过单目摄像头获取pcb板板面的图像数据，并对采集到的图像进行预处理；
7、建立直角坐标系，使用基于深度学习的yolov4目标检测算法对预处理后的pcb板整体图像进行元器件检测，识别不同元器件的边界框，并将元件的位置坐标范围与类别在图像中标注出来；
8、通过canny边缘检测算法与直线检测算法结合的方式对pcb板中的导线进行识别，将每个导线在图像中标注出来，并记录每个导线的起点与终点坐标；
9、通过导线起点坐标、终点坐标与元器件边缘坐标的位置关系，判断元器件与线段的连接状态，通过生成元器件间的连接对判断是否出现“孤岛”，并将实际生成的连接对与预期的正常连接对相比较进而对pcb板线序进行初步检测；
10、对初步判断正常的pcb板中的导线逐一进行导线宽度、导线间间距以及导线中夹角的检测，生成第i个导线的宽度指数α1i、第i个导线的间距指数α2i以及第i个导线的夹角指数α3i，并将三个指数结合形成第i个导线的线序检测物理指数αi，将所有导线的线序检测物理指数的均值α与阈值相比较进而进一步对pcb板线序进行检测，其中，第i个导线的宽度指数α1i计算如下：
11、将每个导线的宽度ci和与其对应的宽度阈值范围[c1i,c2i]相比较，得到每个导线的宽度指数α1i，具体为：
12、
13、其中，α1i表示第i个导线的宽度指数，且0<α1i<1。
14、具体的，元器件识别的具体步骤为：
15、从pcb板库中取出150个标注好的pcb板图像数据集，其中包含有不同元器件的边界框和类别信息；
16、使用yolov4算法对处理后的图像数据进行训练；在训练的过程中，模型从输入的图像中提取出包含有元器件的区域，并计算这些区域的边界框的位置和大小，以及相应的类别概率；同时，还会计算出每个边界框的置信度，这个置信度表示为该边界框中是否包含元器件，以及该元器件被正确分类的概率；此外，还会预测每个边界框中元器件的类别；
17、具体的，采用滑动窗口的方式在训练好的模型上进行目标检测，即在不同尺度和位置上对图像进行切割，并在每个切割后的图像上运行模型进行目标检测，具体通过训练好的元器件检测模型中的backbone网络，对待检测图像进行特征提取；进入元器件预测模型的neck网络，在提取出的特征上运行预先训练好的分类器和回归器，以得到每个可能的边界框的位置、大小和类别概率，以及相应的置信度；将概率超过概率阈值的边界框坐标范围与类别在图像中标注出来；待图像检测结束后，将经标注后的图像输出给用户以进行进一步处理。
18、具体的，导线识别的具体步骤为：
19、使用sobel算子计算图像梯度的幅值和方向；
20、对计算得到的梯度幅值图像进行非极大值抑制，去除梯度方向上不是局部最大值的像素点，以得到细化的边缘；
21、使用两个阈值对细化后的边缘进行处理，高于高阈值的像素点被确定为边缘，低于低阈值的像素点被排除，介于两者之间的像素点需要根据其连通性来决定是否为边缘；
22、对双阈值处理后的结果进行滞后阈值处理，根据边缘的连通性，将断开的边缘连接起来，同时去除孤立的噪声点；
23、在边缘检测的基础上，应用霍夫变换来检测图像中的直线；霍夫变换将边缘点映射到参数空间中，找到在参数空间中交叉点较多的点，这些点对应于图像中的直线。
24、将相交的直线段结合形成一条完整的导线，一个pcb板中有多个这样的导线，将形成的每条导线标注出来，并向每个导线赋予不同的标记，并记录导线的起点坐标与终点坐标。
25、具体的，判断导线与元器件的连接性，具体为：
26、将每条导线的起点坐标和终点坐标与元器件边缘坐标逐一比对，计算两个坐标之间的距离d，具体为：
27、
28、其中，xi、yi分别为第i条导线的起点或终点的坐标值；xj、yj分别表示第j个元器件的边缘坐标之一；
29、将计算出的距离d与距离误差d0相比较，若d≤d0，则表示该导线的起点或终点与该元器件相连；否则，表示该导线与该元器件不相连。
30、进一步的，对pcb板线序进行初步检测，具体为：
31、将每个导线中起点与终点的元器件相连接，并且指明两个元器件之间的导线，形成一组连接对((x，y)，a)，其中，a、y分别表示不同的元器件，a表示将这两个元器件连接起来的导线；若在连接对中出现时，表示线序出现异常，即“孤岛”；
32、在没有出现异常连接对的情况下，需要将所有连接对与预期的正常连接对进行对比；对于每一个实际的连接对，查找其是否在预期的连接对中，若找到匹配项，则表示该连接对是正常的，初步判断该pcb板线序正常；若在实际的连接对中找到了不在预期连接对列表中的项，或者本文档来自技高网
...
【技术保护点】
1.一种基于计算机视觉的PCB板线序检测方法，其特征在于：包括：
2.如权利要求1所述的一种基于计算机视觉的PCB板线序检测方法，其特征在于：
3.如权利要求2所述的一种基于计算机视觉的PCB板线序检测方法，其特征在于：
4.如权利要求1所述的一种基于计算机视觉的PCB板线序检测方法，其特征在于：
5.如权利要求4所述的一种基于计算机视觉的PCB板线序检测方法，其特征在于：
6.如权利要求4所述的一种基于计算机视觉的PCB板线序检测方法，其特征在于：
7.如权利要求1所述的一种基于计算机视觉的PCB板线序检测方法，其特征在于：
8.如权利要求1所述的一种基于计算机视觉的PCB板线序检测方法，其特征在于：
9.如权利要求8所述的一种基于计算机视觉的PCB板线序检测方法，其特征在于：
10.一种基于计算机视觉的PCB板线序检测系统，其特征在于：包括：
【技术特征摘要】
1.一种基于计算机视觉的pcb板线序检测方法，其特征在于：包括：
2.如权利要求1所述的一种基于计算机视觉的pcb板线序检测方法，其特征在于：
3.如权利要求2所述的一种基于计算机视觉的pcb板线序检测方法，其特征在于：
4.如权利要求1所述的一种基于计算机视觉的pcb板线序检测方法，其特征在于：
5.如权利要求4所述的一种基于计算机视觉的pcb板线序检测方法，其特征在于：
...
【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：安徽皖起电子科技有限公司，
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。