基于机器视觉的SOP芯片引脚缺陷检测系统设计

为解决人工检测SOP芯片引脚存在的诸多弊端,设计一套基于机器视觉的ARM-DSP双核结构的SOP芯片引脚缺陷自动检测系统。设计实现图像采集电路、图像处理电路和其他外围控制电路等,开发运行在 DSP上的SOP芯片引脚缺陷检测算法,并进行实验研究。实验结果表明设计的引脚缺陷检测系统快速、准确、可行。     

QFN芯片表面划痕检测定位方法设计

在工业应用中,需要对方形扁平无引脚封装(Quad flat no-lead package, QFN)芯片表面划痕实时 准确检测,提出了一种快速的芯片表面划痕检测定位方法。通过图像分割算法获取缺陷图像,结合 轮廓提取算法可以较好地实现芯片表面划痕定位。同时,为了保证对芯片表面划痕实时检测,采用 基于粒子群的Otsu多阈值算法进行图像分割,不仅使得图像中缺陷区域更加明显,而且缩短了芯片 表面划痕检测时间。与直接采用Otsu算法相比,芯片表面划痕检测时间由秒级缩短至毫秒级,提高 了芯片质量检测效率。该划痕快速定位检测方法对芯片检测设备软件系统开发与应用具有重要的参考价值。     

目标检测与图像分类网络融合的金属化陶瓷环缺陷检测

针对金属化陶瓷环缺陷面积小、可利用信息少的特点和缺陷检测精度低的问题，提出一种目标检测与图像分类网络融合的金属化陶瓷环缺陷检测方法。首先，使用针对小面积目标检测特点改进的Faster-RCNN目标检测网络实现对缺陷的初步识别与定位。接着，使用插值方法将定位到的缺陷区域放大，利用图像相邻像素之间的信息关联，增加缺陷检测的特征信息量。然后，使用ResNet图像分类网络对放大后的区域进行缺陷类别判断。最后，融合目标检测网络和图像分类网络的结果，获得最终的缺陷检测结果。实验结果表明，所提方法能在保障缺陷检测查全率的同时有效提升查准率，且能准确定位缺陷区域。     

基于点模式匹配的芯片缺陷检测算法研究

针对高速与高精度场景下芯片缺陷检测实时性和准确性难以同时保证的问题,提出一种基于方位环境特征的点模式匹配定位算法(Azimuth Environment Feature Vector-Based Point Pattern Matching Localization Algorithm,AEF-PPMLA),提升检测的实时性、准确性和易用性。该算法含两个部分:方位环境特征向量计算方法(Azimuthal Environment Feature Vector Calculator Method,AEF-VCM)和相似度计算方法 (Matching Degree Calculator Method,MDCM)。AEF-VCM对芯片的方位环境特征进行向量描述,减少点匹配的计算量,提高检测的实时性;MDCM采用卡方检验算法来度量特征向量的相似度,提高检测的准确度。实验部分验证算法的定位精度、耗时以及缺陷识别的准确率,结果表明所提出的AEF-PPMLA能够快速准确定位芯片并识别引脚缺陷,满足高质量生产需要。     

基于级联式卷积神经网络的芯片检测方法

在智能物料排序系统中,芯片存在大小不一、 分布密集、 摆放角度多样性的情况.针对小体积和带有角度的目标在大尺寸拍摄图像中检测精度较低的问题,提出了一种基于级联式卷积神经网络的芯片识别定位方法来检测芯片的位置和角度.搭建二级级联神经网络,第1级网络利用改进后的YOLOv5s模型检测芯片位置,根据所得位置裁剪出单个芯片图像...     

基于深度学习的ＰＣＢ芯片极性检测算法

电路板芯片极性检测是电路板缺陷检测的重要组成部分。针对传统电路板芯片尤其是小型芯片的极性检测算法准确性的不足,文中提出一种基于深度学习的电路板芯片极性检测方法。方法首先使用模板匹配对不同电路板上不同型号芯片进行识别定位;其次,对电路板参考图像与待测图像进行配准、灰度化、二值化,并对两幅图像进行差分处理得到差分图;最后,结合芯片识别定位结果提取差分图中的芯片区域,并采用提出的卷积神经网络实现对芯片的极性检测。实验表明,文中方法比传统方法具有更高的检测准确率,准确率可达98.26%,满足工业检测精度要求。     

基于高密度点云的激光焊接缺陷智能在线检测（特邀）

铝合金薄板激光焊接经常会出现咬边、凹陷等表面缺陷。这两种缺陷由于尺寸小、特征相似,难以通过传统视觉在线检测手段对其进行精确分类和测量。开发了一种基于深度学习缺陷分类-点云测量的在线监测系统,利用高密度的点云数据对缺陷进行识别、分类与测量,解决了上述检测难题。通过双目结构光传感器采集点云数据;利用基于区域推荐网络的卷积神经网络模型识别和定位缺陷;在识别和定位缺陷后,通过对局部缺陷区域的点云进行操作,快速测量缺陷尺寸。高密度点云数据训练的模型的识别准确率达到93%,高于传统二维视觉传感器图像训练的模型。该检测系统在线检测允许的最大焊接速度为316.87 mm/s,适用于大多数激光焊接。     

基于Radon变换的倾斜彩色图像自动矫正方法

在图像处理系统中,通过采集设备获得的图像如彩色扫描文档不可避免地会出现倾斜现象,虽然文档图像处理技术已经取得很多进展,但是,对于倾斜图像的矫正还存在困难.本文根据图像的结构特征 ,给出了基于Canny边缘检测和Radon变换相结合的算法,根据Radon变换取得的倾斜角度进行图像的倾斜矫正.实验表明,算法对彩色图像进行自动矫正是准确、高效的.     

集成电路粘片机视觉检测技术研究

集成电路粘片机是将半导体晶圆上微芯片贴装到引线基架的半导体制造后工序关键性生产设备。基于视觉检测的全自动集成电路粘片机,其视觉检测技术是关键及核心技术。利用图像处理、模式识别技术,采用固定阈值分割、图像投影、像素统计、区域生长、边界坐标点提取、模板匹配等方法,完成了待检测芯片的定位与墨点、缺角、崩边、角度偏移等芯片缺陷的检测。实现了贴装过程中芯片识别检测功能。     

基于序贯相似性与光源自动调节的芯片表面缺陷检测算法

为了解决当前缺陷检查算法在保护罩反光环境下易导致采集芯片连接器图像光照不均,使其缺陷检测精度较低,无法精确定位出浅插与破损的不足,设计了基于序贯相似性检测匹配与光源自动调节的芯片连接器表面缺陷检测识别算法。首先,基于序贯相似性检测匹配,定位出连接器位置,提取出连接器不良常发区域;然后设计了光源自动调节机制,视觉软件通过光源数字控制器SDK与网线触发光源关闭或调暗,消除保护罩反光对图像质量的影响;最后采用线检测,统计缺陷区域二值图特征,完成缺陷检查。实验数据显示,与当前缺陷检查技术相比,在面对保护罩反光严重环境下的芯片连接器缺陷检查时,该算法具有更高的检查精度。     

基于Transformer的航空目标检测算法

近几年，基于深度学习的目标检测算法在航空图像检测任务中得到了广泛应用。针对传统水平目标检测算法无法定位航空图像中大量密集排列的倾斜目标问题，提出了TF-BBAVectors模型算法来实现航空图像中倾斜目标的检测任务。为了避免深度卷积神经网络(Deep Convolutional Neural Network, DCNN)带来的网络退化等问题，使用Transformer结构搭建特征提取网络；针对密集的、小尺度图像目标的问题，采用多尺度特征融合的方法提升检测效果；针对倾斜目标检测的问题，通过边界框边缘感知向量表示任意角度的倾斜目标。在DOTA1.0和SSDD+数据集上的部分测试结果表明，此方法的平均精度分别为72.39%和79.98%,证明了TF-BBAVectors模型算法的有效性。     

基于肤色及AdaBoost算法的自动调焦人脸检测

提出一种结合肤色检测和AdaBoost算法的自动调焦实时人脸检测方法。采用肤色信息定位皮肤区域,针对AdaBoost算法对待检人脸尺寸小于训练样本人脸尺寸时检测率低的缺陷,并采用自动调焦算法调整图像大小后再利用AdaBoost算法进行人脸检测。实验结果表明,结合肤色信息和自动调焦后的AdaBoost算法性能较传统AdaBoost算法有明显提高,同时对小人脸图像也有更好的检测效果。     

基于机器视觉的铣刀几何参数测量

为了提高pcb铣刀鱼尾槽切削的精度和效率,设计了一套影像检测系统并研究铣刀刃面的图像处理算法,根据铣刀刃面的特征,设计了专门的照明系统来获取清晰的,变形小的铣刀刃面图像,采用边缘检测算法对图像进行边缘提取,并对所提取的边缘采用基于空间矩的亚像素算法进行图像边缘的亚像素定位,然后采用直线拟合等一系列算法对铣刀刃面图像进行尺寸计算和缺陷检测。     

粘片胶固化对塑封集成电路可靠性的影响

当具有诸如分层等可靠性缺陷的微电子器件焊接在线路板上,通过回流焊时会产生塑封体裂缝、塑封体鼓胀等重要缺陷。粘片胶未充分固化、水汽未完全排除、环境湿气较大易吸湿等原因导致水汽沿着塑封体与引线引脚向内部扩散。表现为各结合面的分层,粘片胶与芯片之间、塑封体与引线之间、塑封体与芯片之间,各种分层在快速加热产生的热应力下水汽快速膨胀,从而引起器件可靠性隐患。     

IC芯片的高速高精度视觉检测定位算法及实现

多引脚小间距IC器件是电子产品生产过程中视觉检测与定位的难点.针对高速高精度贴片机生产中IC芯片的图像识别对中问题,介绍了IC的视觉检测任务,提出一种自主研发的识别与定位算法及其实现技术.现场实际运行结果表明,该算法的速度和精度能满足实际生产的需要,并具有较强的鲁棒性.     

基于HALCON的刹车片尺寸和表面缺陷检测系统

针对刹车片尺寸和表面缺陷人工检测效率低下的问题,文中提出了一种基于机器视觉软件HALCON的检测系统。该系统充分利用了刹车片的形态学和灰度值特征,运用边缘提取和局部阈值分割算法,定位出刹车片外边缘,最终计算出刹车片尺寸,并标记出缺陷位置。通过对200张图像样本进行测试,检测系统将尺寸误差控制在0.47%,刹车片缺陷检查的误判率为1%。该系统运行高效稳定,满足了实际需求。     

共烧陶瓷多层基板表面缺陷视觉检测方法研究

介绍了共烧陶瓷多层基板自动光学检测系统中的计算机视觉检测识别的研究,重点介绍了基板图像的采集、预处理、缺陷图像的提取和分类识别方法等文中提出了一种基于多模板比较和链码跟踪识别的缺陷分类识别算法。实验表明,该算法运算简单,运行速度较快,故障识别率高。     

基于人工智能的芯片表面缺陷检测研究

为了准确地检测芯片的表面缺陷,提出了一种基于反向传播神经网络(BPNN)的检测算法。首先,中值滤波方法被用于滤除芯片表面图像的噪声;然后,提取芯片表面缺陷的Hu不变矩特征和局部二值模式(LBP)特征,并采用核主成分分析(KPCA)算法降维级联后的特征;最后,离线学习芯片表面正常模式和各种缺陷模式的BPNN模型。在线检测时使用BPNN判断芯片是否存在表面缺陷,使用最近邻(Nearest Neighbor, NN)算法具体分类缺陷的模式。提出算法在芯片表面图像数据库中的检测准确率为88.41%,可以应用于芯片生产线中的表面缺陷检测。     

基于模糊C均值聚类和Canny算子的红外图像边缘识别与缺陷定量检测

针对脉冲红外热成像检测缺陷构件时,红外图像噪声较大、边缘信息模糊等特点,提出了一种基于模糊C均值聚类和Canny算子相结合的边缘检测新方法。该方法首先对输入的红外图像进行整体灰度变换,采用模糊C均值聚类对图像进行区域分割、提取和二值化;再将各个区域进行叠加,使红外图像的边缘变得连续;最后,采用Canny算子对处理后的图像进行边缘检测,实现缺陷的识别。在图像边缘检测基础上,分析了图像定位缺陷位置与实际缺陷位置之间的相对误差,并运用物像关系,实现缺陷几何尺寸的定量检测。结果表明:该方法对缺陷边缘识别完整清晰,具有较高的定位精度和抗噪能力,有利于缺陷的识别与定量检测。     

基于改进高斯卷积核的变电站设备红外图像检测方法

在无锚点算法CenterNet模型的基础上,针对基于红外图像的目标检测算法检测精度低、耗时长的问题,给出了一种基于改进高斯卷积核的变电站设备红外图像检测方法,该目标检测方法模型网络结构精简,模型计算量较小。通过现场变电站巡检机器人设备收集数据样本,进行算法模型的训练及验证,实现红外图像变电站设备精准识别及定位。本文以变电站巡检机器人搭配红外热成像仪采集到的红外图像库为基础,用深度学习方法对数据集进行训练和测试,研究变电站红外图像的目标检测技术。通过深度学习技术判断设备中心点位实现目标分类和回归。实验结果表明,该方法提高了变电站目标检测方法的识别定位精度,为变电站设备红外图像智能检测提供了新的思路。