C++OpencvPCB板子引脚缺陷检测

最新推荐文章于 2024-09-16 11:36:36 发布
最新推荐文章于 2024-09-16 11:36:36 发布
阅读量1.6k 收藏 10
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 机器视觉 C++OpenCV项目实战 文章标签： c++ opencv 缺陷检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/bigData1994pb/article/details/125562030
利用OpenCV的图像预处理和轮廓提取，通过对PCB板引脚的区域生长和掩膜图像处理，检测引脚总数、形心坐标、面积等，判断是否存在引脚缺失、位置偏移和高度偏移等缺陷。通过引脚ROI的排序和拟合，确定芯片中心坐标和旋转角度。

首先感谢杉木~，若侵权，请联系删除。
论文里面提出利用区域生长法获取引脚的总数及各个引脚主体部分的形心坐标及面积。通过与实际引脚总数进行对比, 判断是否存在引脚缺失的缺陷, 并和实际引脚的间距、面积的设定值进行对比, 当测定值超过设定值一定范围时, 认为该芯片存在引脚位置偏移以及高度偏移等缺陷。
与作者不同之处在于我使用提取轮廓，构建掩膜图像的方式获取引脚的主体部分，其余部分均按照论文思路判别缺陷。
步骤：

  1. 图像预处理；
  2. 提取轮廓，构建掩膜图像，获取引脚主体；
  3. 引脚分割为4个ROI，排序，获取引脚质心；
  4. 通过引脚数目 ，面积，质心间距指标分别判别缺脚，高度偏移，位置偏移；
  5. 通过拟合4个ROI内引脚质心，获取4线方程，从而获取芯片中心坐标，即可获得相对参考坐标的偏移量；
  6. 选择上下两线的斜率平均值，即可获取芯片的旋转量
void find(Mat &src, vector<vector<Point>>con_new) {
	int num = con_new.size();
	cout << "num = " << num << endl;
	//缺脚判断
	vector<Moments>mu(con_new.size());
	vector<Point2f>mc(con_new.size());
	double area = 0;
	if (num == 12) {
		//偏移判断
		for (int i = 0; i < con_new.size(); i++) {
了解本专栏 订阅专栏 解锁全文 超级会员免费看
C++ OpenCV实践：复杂划痕背景下检测缺陷
DU_YULIN的博客
10-02 3914
文章目录前言1.2. C++ OpenCV实现3. 结果展示：总结 前言 1. 2. C++ OpenCV实现 #include <opencv2\imgcodecs.hpp> #include <opencv2\core.hpp> #include <opencv2\imgproc.hpp> #include <opencv2\highgui.hpp> #include <vector> using namespace cv; int m
基于 OpenCV 的 PCB 核心缺陷检测：短路、断路与焊盘脱落实现详解
品质生活，极致编程。
09-17 815
本文实现的 PCB 缺陷检测方案基于 OpenCV 的基础图像处理算法，具有轻量化、易部署、成本低的优势，适用于中低端 PCB 生产线的质量检测需求。对于高精度场景（如微米级线路），可结合深度学习算法（如 U-Net 分割网络）进一步提升缺陷识别精度。实际应用时，需根据具体 PCB 产品的工艺参数优化算法细节，确保检测系统的稳定性与可靠性。
基于opencv C++实现毛衣衣服的瑕疵检测
03-23
基于C++中添加的opencv函数库来实现图像处理中衣物的特别是毛衣的瑕疵检测 属于毕业设计 功能完整
电路板缺陷检测-分水岭-OpenCV
12-04
基于OpenCV和分水岭算法，对电路板进行缺陷检测。效果还可以，提供给大家学习。
OpenCV C++案例实战三十三《缺陷检测》
Zero___Chen的博客
09-02 8439
本案例将使用OpenCV C++ 进行PCB印刷缺陷检测。目前缺陷检测算法可分为两大类：一：基于模板匹配的缺陷检测二：基于深度学习的缺陷检测，主要利用目标检测去识别缺陷部分。本文算法主要是基于模板匹配算法进行缺陷检测，参考《基于差异模型的印刷标签缺陷检测算法》一文，进行算法复现，感兴趣的朋友可以去阅读一下原文。本文使用OpenCV C++ 进行PCB印刷缺陷检测，主要操作有以下几点。1、将图像进行仿射变换，与模板图像进行配准2、计算差异图像，得到基于模板的亮、暗阈值图像。
opencv c++ 传统瑕疵检测简例
m0_56838271的博客
09-26 1805
基于Opencv、C++的传统瑕疵检测的简单示例。
基于Qt5+OpenCV3+C++实现的PCB缺陷检测系统+源码+文档（毕业设计&课程设计&项目开发）
04-17
基于Qt5+OpenCV3+C++实现的PCB缺陷检测系统+源码+文档，适合毕业设计、课程设计、项目开发。项目源码已经过严格测试，可以放心参考并在此基础上延申使用~ 基于Qt5+OpenCV3+C++实现的PCB缺陷检测系统+源码+文档，...
基于Qt5+OpenCV3+C++实现的PCB缺陷检测系统源码+文档说明（高分毕设）
10-28
基于Qt5+OpenCV3+C++实现的PCB缺陷检测系统源码+文档说明（高分毕设）基于Qt5+OpenCV3+C++实现的PCB缺陷检测系统源码+文档说明（高分毕设）基于Qt5+OpenCV3+C++实现的PCB缺陷检测系统源码+文档说明（高分毕设）基于...
基于Qt5+OpenCV3+C++实现的PCB缺陷检测系统源码+文档说明（毕业设计）
10-28
基于Qt5+OpenCV3+C++实现的PCB缺陷检测系统源码+文档说明（毕业设计）基于Qt5+OpenCV3+C++实现的PCB缺陷检测系统源码+文档说明（毕业设计）基于Qt5+OpenCV3+C++实现的PCB缺陷检测系统源码+文档说明（毕业设计）基于...
基于QT实现的缺陷检测系统c++源码含图像检测+目标检测支持ONNXRuntime加速.zip
05-01
基于QT的缺陷检测系统，包括图像检测以及目标检测两个部分。 图像检测包括二值化和边缘检测以及图像矩运算，目标检测使用ONNXRuntime推理yolov5s训练模型，支持GPU加速。 支持奥比中光工业相机检测、视频检测以及...
opencv缺陷检测
whaosoft143ai的博客
06-17 2787
为了方便后面计算，也为了计数方便，我先定义了一个产品类型的结构体myproduct，里面包含外接Rect,质心cx,xy,还有对应索引index. 为了去除重复，每次计算每个轮廓的位置，再根据当前帧里面的所有产品坐标与上一帧图像中产品里面的坐标进行对比，如果有两个产品在上下两帧中偏移的距离很小，那么我们可以认为它是同一件产品，否则就是新出现的产品，就需要放入我们的product容器里面，这其实在实际抓拍检测过程中，比较常用的去重方法：​​​​​​​。我们看一下这个函数的原型：​​​​​​​whaosoft
基于Opencv的机器视觉缺陷检测、印刷检测
07-08
源码，免费可执行exe参看文章
基于Opencv的图像缺陷识别简单例子
11-25
用Opencv写的一个图像处理的例子，图像处理算法包括灰度，二值化，连通域标记，以及缺陷统计等。可作为深入研究的入门代码。
OpenCV缺陷检测
热门推荐
hechaoqi09的博客
12-06 2万+
新手上路，欢迎高手指点。 原图： OpenCV缺陷检测代码： // An highlighted block #include "head.h" int main() { Mat img = imread("image/1204.bmp"); //assert(im.data); if (!img.data) { cout &lt;&lt; "cuowu!" &lt;&lt; endl...
Halcon缺陷检测实例转OpenCV实现(二) PCB印刷缺陷检测
Color Space的博客
12-14 3395
后面连续几周将开启缺陷检测专题模式，这是第二篇，上篇链接如下，敬请关注！ Halcon缺陷检测实例转OpenCV实现(一)---网格缺陷检测 本期来用OpenCV实现Halcon中一个简单的PCB印刷缺陷检测实例。 Halcon中对应的例子为pcb_inspection.hdev，源图和结果图如下： Halcon代码比较简单，这里也贴出来，短短13行： read_image...
Opencv实现瓶口缺陷检测（源码）
小白学视觉
03-29 2593
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达摘要本文使用opencv实现Halcon中的一个瓶口缺陷检测实例（C++实现），Halcon中对应的例子为inspect_bottle_mouth.hdev，用于检测酒瓶瓶口是否出现破损等缺陷情形。Halcon实例主要步骤包含五步，分别是：使用阈值处理和形态学粗定位品口位置；XLD轮廓拟合最近似的圆形区域作为瓶口的轮廓；极坐标...
基于C++的OpenCV项目实战——缺陷检测
m0_73077283的博客
09-16 790
【代码】基于C++的OpenCV项目实战——缺陷检测。
PCB板上带PIN针的元器件，需要检测PIN针是否右偏移，可以采取的检测方法有哪些
最新发布
11-28
<think> 我们讨论的是PCB板上带PIN针的元器件的PIN针右偏移检测问题。这是一个机器视觉或自动光学检测（AOI）领域的问题。以下是一些可能的检测方法： 1. **模板匹配（Template Matching）**：通过将标准元器件的图像作为模板，与待检测的元器件图像进行匹配，从而检测出偏移。 2. **边缘检测（Edge Detection）**：检测PIN针的边缘，通过计算边缘位置与标准位置的偏差来判断是否偏移。 3. **特征点匹配（Feature Point Matching）**：提取PIN针的特征点（如角点），然后与标准位置的特征点进行匹配，计算偏移量。 4. **霍夫变换（Hough Transform）**：如果PIN针是直线状的，可以使用霍夫变换检测直线，然后计算直线的位置偏移。 5. **形态学操作（Morphological Operations）**：通过形态学处理，如腐蚀、膨胀等，将PIN针与背景分离，然后通过计算重心或边界框位置来检测偏移。 6. **机器学习方法（Machine Learning）**：使用训练好的分类器或目标检测模型（如YOLO, SSD）来定位PIN针并检测偏移。 由于我们通常是在自动光学检测系统中实现，这里我们以边缘检测为例，给出一个简单的图像处理流程，使用OpenCV库（Python）来实现。 假设我们有一个参考图像（标准位置）和待检测图像。我们可以通过以下步骤检测右偏移： 步骤： 1. 读取参考图像和待检测图像。 2. 对两幅图像进行预处理（灰度化、滤波、二值化等）。 3. 使用边缘检测算法（如Canny）获取边缘。 4. 在参考图像中确定一个ROI（Region of Interest，感兴趣区域）作为标准位置。 5. 在待检测图像中寻找对应的ROI区域（可以通过模板匹配或特征匹配来定位元器件）。 6. 在ROI区域内，检测PIN针的边缘，计算参考图像和待检测图像中PIN针边缘的位置（如x坐标平均值）。 7. 计算位置偏移量，如果偏移量超过阈值，则判断为偏移。 下面是一个简化的示例代码，用于检测单个PIN针的偏移（假设我们已经定位到元器件的区域，并且PIN针是竖直的，我们只关心水平方向的偏移）： </think>### PCB板上带PIN针元器件的PIN针右偏移检测方法 针对PCB板上带PIN针元器件的PIN针右偏移检测，以下是几种有效的机器视觉检测方法及其实现原理： --- #### 1. **模板匹配法（Template Matching）** **原理**：通过对比实际图像与标准模板图像的差异来检测偏移 **实现步骤**： 1. 创建标准PIN针位置的模板图像 2. 在实际图像中搜索匹配区域 3. 计算匹配区域与标准位置的偏移量 4. 判断偏移是否超过阈值 ```python import cv2 import numpy as np # 读取图像和模板 img = cv2.imread('pcb_image.jpg', 0) template = cv2.imread('pin_template.jpg', 0) # 模板匹配 result = cv2.matchTemplate(img, template, cv2.TM_CCOEFF_NORMED) min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result) # 计算偏移量 standard_position = (100, 50) # 标准位置坐标 detected_position = max_loc # 检测到的位置 x_offset = detected_position[0] - standard_position[0] # 判断右偏移 threshold = 5 # 允许偏移阈值(像素) if x_offset > threshold: print(f"右偏移警告: 偏移量 {x_offset} 像素") # 在图像上标记偏移 cv2.rectangle(img, detected_position, (detected_position[0] + template.shape[1], detected_position[1] + template.shape[0]), (0, 0, 255), 2) cv2.imwrite('result.jpg', img) ``` --- #### 2. **边缘检测+位置计算法** **原理**：通过边缘检测定位PIN针边界，计算中心位置 **实现步骤**： 1. 使用Canny算法检测边缘 2. 通过霍夫变换检测直线边界 3. 计算PIN针中心坐标 4. 与标准位置对比 ```python import cv2 import numpy as np img = cv2.imread('pcb_image.jpg') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 边缘检测 edges = cv2.Canny(gray, 50, 150) # 霍夫直线检测 lines = cv2.HoughLinesP(edges, 1, np.pi/180, 50, minLineLength=50, maxLineGap=10) # 计算PIN针边界 left_boundary = min(line[0][0] for line in lines) right_boundary = max(line[0][2] for line in lines) pin_center = (left_boundary + right_boundary) // 2 # 判断右偏移 standard_center = 100 # 标准中心X坐标 if pin_center > standard_center + 5: # 5像素阈值 offset = pin_center - standard_center print(f"右偏移检测: 偏移量 {offset} 像素") # 可视化标记 cv2.line(img, (standard_center, 50), (standard_center, 150), (0, 255, 0), 2) cv2.line(img, (pin_center, 50), (pin_center, 150), (0, 0, 255), 2) cv2.imwrite('offset_result.jpg', img) ``` --- #### 3. **特征点匹配法** **原理**：提取PIN针特征点并与标准位置特征点匹配 ```python import cv2 # 初始化SIFT检测器 sift = cv2.SIFT_create() # 标准图像特征 ref_img = cv2.imread('reference.jpg') kp_ref, des_ref = sift.detectAndCompute(ref_img, None) # 检测图像特征 test_img = cv2.imread('test_pcb.jpg') kp_test, des_test = sift.detectAndCompute(test_img, None) # 特征匹配 bf = cv2.BFMatcher() matches = bf.knnMatch(des_ref, des_test, k=2) # 计算偏移向量 good_matches = [] for m, n in matches: if m.distance < 0.75 * n.distance: good_matches.append(m) src_pts = np.float32([kp_ref[m.queryIdx].pt for m in good_matches]) dst_pts = np.float32([kp_test[m.trainIdx].pt for m in good_matches]) # 计算平均偏移量 x_offsets = [dst[0] - src[0] for src, dst in zip(src_pts, dst_pts)] avg_offset = np.mean(x_offsets) if avg_offset > threshold: print(f"特征点检测到右偏移: {avg_offset:.2f} 像素") ``` --- #### 4. **深度学习方法（YOLO示例）** **原理**：使用目标检测模型直接定位PIN针并计算偏移 ```python import torch from PIL import Image # 加载预训练模型 model = torch.hub.load('ultralytics/yolov5', 'yolov5s') # 推理 img = Image.open('pcb.jpg') results = model(img) # 解析结果 detections = results.pandas().xyxy[0] pin_detections = detections[detections['name'] == 'pin'] # 计算偏移 for _, det in pin_detections.iterrows(): pin_center_x = (det['xmin'] + det['xmax']) / 2 offset = pin_center_x - standard_x_position if offset > threshold: print(f"PIN针 {det['name']} 右偏移 {offset} 像素") # 可添加可视化标记代码 ``` --- ### 选择建议 1. **精度要求高**：首选边缘检测+霍夫变换（精度可达0.1mm） 2. **速度要求高**：模板匹配法（适用于固定位置元件） 3. **复杂背景**：深度学习方法（抗干扰能力强） 4. **三维偏移检测**：需使用3D AOI或X-ray检测 ---
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

AI炮灰

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值