CN118644483A - 一种柔性电路板瑕疵检测方法及系统 - Google Patents

一种柔性电路板瑕疵检测方法及系统 Download PDF

Info

Publication number
CN118644483A
CN118644483A CN202411111176.4A CN202411111176A CN118644483A CN 118644483 A CN118644483 A CN 118644483A CN 202411111176 A CN202411111176 A CN 202411111176A CN 118644483 A CN118644483 A CN 118644483A
Authority
CN
China
Prior art keywords
flaw
feature
pyramid
map
dimensional
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202411111176.4A
Other languages
English (en)
Other versions
CN118644483B (zh
Inventor
杨明卫
常利芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Changfeng Laser Knife Mould Co ltd
Original Assignee
Shenzhen Changfeng Laser Knife Mould Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Changfeng Laser Knife Mould Co ltd filed Critical Shenzhen Changfeng Laser Knife Mould Co ltd
Priority to CN202411111176.4A priority Critical patent/CN118644483B/zh
Publication of CN118644483A publication Critical patent/CN118644483A/zh
Application granted granted Critical
Publication of CN118644483B publication Critical patent/CN118644483B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional [3D] objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N2021/95638—Inspecting patterns on the surface of objects for PCB's
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30141—Printed circuit board [PCB]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及柔性电路板检测技术领域，尤其涉及一种柔性电路板瑕疵检测方法及系统。所述方法包括以下步骤：根据多光谱光源阵列对柔性电路板进行多通道图像序列采集，得到多通道图像序列；对多通道图像序列进行多光谱图像立方体构建，得到多光谱图像立方体；根据多光谱图像立方体进行材质区域分割，得到材质区域图；根据材质区域图进行多特征图像融合，得到光谱特征图谱；对柔性电路板进行多角度光度图像采集，得到多角度光度图像序列。本发明通过多光谱成像降低了光照变化的影响，通过材质区域分割和光谱特征提取克服了复杂纹理的干扰，通过三维表面重建和多尺度特征融合增强了微小瑕疵的检出能力，最终实现了在复杂光照环境下的精准瑕疵检测。

Description

一种柔性电路板瑕疵检测方法及系统
技术领域
本发明涉及柔性电路板检测技术领域，尤其涉及一种柔性电路板瑕疵检测方法及系统。
背景技术
柔性电路板（FPCB）由于其轻薄、可弯曲等特性，在电子产品中应用越来越广泛。然而，在生产过程中，FPCB容易出现各种瑕疵，如线路断裂、短路、异物等，这些瑕疵会严重影响产品的性能和可靠性。现有的方法对光照条件敏感，容易受到光线变化的影响，机器视觉依赖于对图像信息的分析，而光照条件的变化会直接影响图像的质量。例如，光线过强会导致图像过曝，细节丢失；光线过弱则会导致图像昏暗，信噪比降低。此外，环境光源的变化、阴影的存在都会对图像造成干扰，影响瑕疵的识别。在不同光照条件下，同一瑕疵的检测结果会有较大差异，导致检测结果不可靠。现有的方法难以检测复杂纹理和微小瑕疵，FPCB表面通常具有复杂的纹理，例如铜箔、覆盖层、丝印字符等，这些纹理会对瑕疵的识别造成干扰。此外，一些微小的瑕疵，例如细微的裂纹、毛刺等，由于尺寸非常小，在图像中只占据很小的区域，难以被算法准确识别。
发明内容
基于此，有必要提供一种柔性电路板瑕疵检测方法及系统，以解决至少一个上述技术问题。
为实现上述目的，一种柔性电路板瑕疵检测方法，包括以下步骤：
步骤S1：根据多光谱光源阵列对柔性电路板进行多通道图像序列采集，得到多通道图像序列；对多通道图像序列进行多光谱图像立方体构建，得到多光谱图像立方体；
步骤S2：根据多光谱图像立方体进行材质区域分割，得到材质区域图；根据材质区域图进行多特征图像融合，得到光谱特征图谱；
步骤S3：对柔性电路板进行多角度光度图像采集，得到多角度光度图像序列；根据多角度光度图像序列进行光谱特征高度配准图提取，得到光谱特征高度配准图；利用光谱特征高度配准图对材质区域图进行材质表面纹理数据库构建，得到材质表面纹理数据库；根据材质表面纹理数据库进行高分辨率模型优化，得到高分辨率三维表面模型；
步骤S4：对高分辨率三维表面模型进行曲率特征图金字塔构建，得到曲率特征图金字塔；对曲率特征图金字塔进行多尺度特征融合，得到多尺度融合特征图金字塔；对多尺度融合特征图金字塔进行多尺度特征聚合，得到多尺度特征金字塔；
步骤S5：对多尺度特征金字塔进行多尺度特征逐层编码，得到多尺度特征编码金字塔；对多尺度特征编码金字塔进行全局特征池化，得到全局特征向量；对全局特征向量进行非线性变换，得到深度瑕疵特征向量；
步骤S6：根据深度瑕疵特征向量进行类别激活图生成，得到类别激活图；对类别激活图进行瑕疵数据融合，得到瑕疵分类结果和定位图；
步骤S7：根据瑕疵分类结果和定位图以及高分辨率三维表面模型定位图进行瑕疵区域分割提取，得到瑕疵三维模型；对瑕疵三维模型进行三维缺陷信息叠加，得到三维瑕疵检测模型；利用三维瑕疵检测模型进行柔性线路板瑕疵检测分析，得到柔性线路板瑕疵检测数据。
本发明通过多光谱光源阵列采集多通道图像序列并构建多光谱图像立方体，能够获取柔性电路板丰富的光谱信息，为后续的材质分析和瑕疵检测提供更全面的数据基础。通过多光谱图像立方体进行材质区域分割和多特征图像融合，能够区分不同的材质区域，并生成突出材质差异的光谱特征图谱，为后续的瑕疵检测提供更准确的背景信息。通过多角度光度图像采集和光谱特征高度配准图提取，能够获取柔性电路板的三维形貌信息，并与光谱信息精确关联，构建包含丰富纹理信息的高分辨率三维表面模型，为后续的瑕疵检测提供更直观的视觉表达和更精确的定位依据。通过对高分辨率三维表面模型进行多尺度特征提取和融合，能够全面地描述柔性电路板的几何形状和纹理信息，构建包含丰富细节信息的多尺度特征金字塔，为后续的深度学习模型提供更具判别力的特征输入。通过对多尺度特征金字塔进行逐层编码、全局特征池化和非线性变换，能够提取出更抽象、更紧凑、更具语义信息的深度瑕疵特征向量，为后续的瑕疵分类和定位提供更有效的特征表示。通过深度学习模型的分类预测、类别激活图的生成和映射以及瑕疵定位优化，能够准确地识别瑕疵类别，并精确定位瑕疵区域，为后续的瑕疵分析和处理提供可靠的数据基础。通过将瑕疵信息映射到三维模型，并进行瑕疵三维建模、特征计算、信息叠加和分析，能够实现对柔性线路板瑕疵的三维可视化、定量分析和全面评估，为柔性线路板的质量控制和缺陷管理提供更强大、更高效的技术手段。因此，本发明提供了一种柔性电路板瑕疵检测方法及系统。通过多光谱成像降低了光照变化的影响，通过材质区域分割和光谱特征提取克服了复杂纹理的干扰，通过三维表面重建和多尺度特征融合增强了微小瑕疵的检出能力，最终实现了在复杂光照环境下的精准瑕疵检测。
优选地，步骤S1包括以下步骤：
步骤S11：通过多光谱光源阵列对柔性电路板进行LED光源照明调控，得到多光谱照明矩阵；
步骤S12：通过工业相机根据多光谱照明矩阵对柔性电路板进行多通道图像序列采集，得到多通道图像序列；
步骤S13：对多通道图像序列进行光谱响应校正，得到光谱响应校正数据；根据光谱响应校正数据对多通道图像序列进行图像精确配准，得到多通道图像校正配准序列；
步骤S14：按照波段顺序对多通道图像校正配准序列进行多光谱图像立方体构建，得到多光谱图像立方体。
本发明通过多光谱光源阵列对柔性电路板进行LED光源照明调控，能够针对不同材质和瑕疵类型，灵活地调整光谱照明条件，形成多光谱照明矩阵，为后续的多通道图像采集提供更丰富、更有针对性的光谱信息，从而提高瑕疵检测的准确性和可靠性。通过工业相机根据多光谱照明矩阵对柔性电路板进行多通道图像序列采集，能够获取在不同光谱照明条件下柔性电路板的图像信息，为后续的光谱分析和特征提取提供多维度的图像数据，从而提高对不同材质和瑕疵类型的区分能力。对多通道图像序列进行光谱响应校正和图像精确配准，能够消除相机传感器和光源光谱分布不均匀带来的影响，并确保每个像素点在不同光谱通道下的图像信息是对齐的，从而提高多光谱图像的质量和精度。按照波段顺序对多通道图像校正配准序列进行多光谱图像立方体构建，能够将多通道的二维图像序列整合成为一个包含丰富光谱信息的三维数据立方体，为后续的材质分析、特征提取和三维建模提供更直观、更全面的数据表达形式，从而提高瑕疵检测的效率和精度。
优选地，步骤S2包括以下步骤：
步骤S21：根据多光谱图像立方体进行多光谱像素向量构建，得到多光谱像素向量数据集；对多光谱像素向量数据集进行光谱维度降维，得到多光谱像素向量降维数据集；
步骤S22：对多光谱像素向量降维数据集进行光谱聚类分析，得到光谱聚类结果图；对光谱聚类结果图进行聚类结果空间平滑，得到光谱聚类结果平滑图；
步骤S23：对光谱聚类结果平滑图进行材质区域边界提取，得到材质区域边界图；
步骤S24：根据材质区域边界图对光谱聚类结果平滑图进行材质区域分割，得到材质区域图；对材质区域图进行光谱特征曲线拟合，得到材质区域光谱特征曲线；
步骤S25：对材质区域光谱特征曲线进行特征波段选择，得到特征波段集合；根据特征波段集合对多光谱图像立方体进行对应波段图像提取并进行特征图像构建，得到特征图像集；
步骤S26：对特征图像集进行多特征图像融合，得到光谱特征图谱。
本发明通过将多光谱图像立方体构建成多光谱像素向量数据集，并进行光谱维度降维，能够有效地提取每个像素点的光谱特征信息，并降低数据冗余度，为后续的光谱聚类分析提供更简洁、高效的数据表达形式。对多光谱像素向量降维数据集进行光谱聚类分析，并对聚类结果进行空间平滑，能够将光谱特征相似的像素点归为一类，并有效抑制噪声和孤立点的影响，从而得到更准确、更平滑的材质区域划分结果。对光谱聚类结果平滑图进行材质区域边界提取，能够准确地定位不同材质区域之间的边界，为后续的材质区域分割提供精确的指导信息，从而提高分割结果的准确性和可靠性。根据材质区域边界图对光谱聚类结果平滑图进行材质区域分割，并对每个材质区域进行光谱特征曲线拟合，能够将图像分割成不同的材质区域，并提取每个区域的光谱特征曲线，为后续的特征波段选择和特征图像构建提供基础数据。对材质区域光谱特征曲线进行特征波段选择，并根据特征波段集合提取对应波段的图像构建特征图像集，能够选取最能区分不同材质的特征波段，并构建包含更丰富信息的特征图像集，从而提高后续瑕疵检测的准确性和可靠性。对特征图像集进行多特征图像融合，得到光谱特征图谱，能够将多个特征波段的信息有效地融合到一张图像中，突出不同材质区域之间的差异，为后续的瑕疵检测提供更直观、更有价值的图像信息。
优选地，步骤S3包括以下步骤：
步骤S31：对柔性电路板进行多角度光度图像采集，得到多角度光度图像序列；根据多角度光度图像序列进行光谱特征高度配准图提取，得到光谱特征高度配准图；
步骤S32：利用光谱特征高度配准图对材质区域图进行材质区域分割优化，得到材质区域分割优化图；
步骤S33：对材质区域分割优化图中不同材质区域进行高度和光谱特征信息提取，得到高度和光谱特征参数；根据高度和光谱特征参数进行材质表面纹理数据库构建，得到材质表面纹理数据库；
步骤S34：利用光谱特征高度配准图进行三维网格模型构建，得到柔性电路板表面三维网格模型；
步骤S35：根据材质表面纹理数据库对柔性电路板表面三维网格模型进行纹理映射，得到纹理映射三维网格模型；
步骤S36：对纹理映射三维网格模型进行高分辨率模型优化，得到高分辨率三维表面模型。
本发明通过多角度光度图像采集和光谱特征高度配准图提取，能够获取柔性电路板表面的三维形貌信息和光谱信息，并将两者精确关联起来，为后续的材质区域分割优化、纹理数据库构建和三维模型构建提供基础数据。利用光谱特征高度配准图对材质区域图进行材质区域分割优化，能够结合高度信息对材质区域边界进行更精确的定位，提高材质区域分割的准确性，为后续的特征提取和三维建模提供更可靠的区域划分结果。对材质区域分割优化图中不同材质区域进行高度和光谱特征信息提取，并构建材质表面纹理数据库，能够提取每个材质区域的高度特征和光谱特征参数，并将其存储在数据库中，为后续的三维模型纹理映射提供丰富的纹理信息，提高三维模型的真实感和细节表现力。利用光谱特征高度配准图进行三维网格模型构建，能够根据高度信息和相机参数构建出柔性电路板表面的初始三维网格模型。根据材质表面纹理数据库对柔性电路板表面三维网格模型进行纹理映射，能够将材质的纹理信息映射到三维模型上，使模型能够真实地反映出不同材质区域的视觉差异，提高模型的真实感和可视化效果。对纹理映射三维网格模型进行高分辨率模型优化，能够对模型进行平滑处理和细节增强，提高模型的分辨率和精度，使模型能够更精细地表达出柔性电路板表面的形貌和纹理细节。
优选地，步骤S4包括以下步骤：
步骤S41：对高分辨率三维表面模型进行高斯金字塔构建，得到高斯金字塔；
步骤S42：对高斯金字塔进行顶点法线方向计算，得到顶点法线方向数据；根据顶点法线方向数据进行范围映射并进行法线方向图金字塔构建，得到法线方向图金字塔；
步骤S43：根据法线方向图金字塔进行形状指数计算并进行形状指数图金字塔构建，得到形状指数图金字塔；
步骤S44：对形状指数图金字塔进行曲率特征提取并进行曲率特征图金字塔构建，得到曲率特征图金字塔；
步骤S45：对高分辨率三维表面模型进行二维平面映射并进行纹理特征提取，得到纹理特征图金字塔；
步骤S46：对曲率特征图金字塔以及纹理特征图金字塔进行多尺度特征融合，得到多尺度融合特征图金字塔；
步骤S47：对多尺度融合特征图金字塔进行局部特征描述，得到局部特征描述图金字塔；对局部特征描述图金字塔进行显著性特征增强，得到显著性增强特征图金字塔；对显著性增强特征图金字塔进行多尺度特征聚合，得到多尺度特征金字塔。
本发明通过构建高斯金字塔能够在保留原始高分辨率三维表面模型细节信息的同时，生成一系列分辨率逐级降低的模型版本，有利于多尺度特征提取，提高算法对不同尺寸瑕疵的检测能力。计算每个顶点的法向量方向并构建法线方向图金字塔，能够将三维模型的表面朝向信息转换为图像形式，便于后续使用图像处理技术进行特征提取和分析。根据法线方向图金字塔计算形状指数并构建形状指数图金字塔，能够将表面的局部凹凸程度量化，有助于识别和区分不同类型的表面缺陷。对形状指数图金字塔进行曲率特征提取并构建曲率特征图金字塔，能够进一步描述表面的弯曲程度，有助于检测和识别表面上的裂纹、褶皱等缺陷。将高分辨率三维表面模型映射到二维平面并提取纹理特征，构建纹理特征图金字塔，能够将表面的纹理信息从三维空间转换到二维平面，便于使用成熟的图像处理技术进行特征提取和分析。将曲率特征图金字塔和纹理特征图金字塔进行多尺度特征融合，能够将表面的几何形状信息和纹理信息有效结合起来，得到包含更丰富表面信息的特征表示，提高后续瑕疵检测的准确性和鲁棒性。对多尺度融合特征图金字塔进行局部特征描述、显著性特征增强和多尺度特征聚合，能够进一步增强与瑕疵相关的特征信息，抑制背景噪声的影响，并构建最终的多尺度特征金字塔，为后续的深度学习模型提供更具判别力的特征输入。
优选地，步骤S5包括以下步骤：
步骤S51：对多尺度特征金字塔进行数据增强，得到数据增强特征金字塔；
步骤S52：将数据增强特征金字塔输入至预训练的深度特征提取器模型中，进行多尺度特征逐层编码，得到多尺度特征编码金字塔；
步骤S53：对多尺度特征编码金字塔进行注意力机制引入分析，得到注意力增强特征金字塔；对注意力增强特征金字塔进行特征图融合，得到融合特征金字塔；
步骤S54：对融合特征金字塔进行全局特征池化，得到全局特征向量；对全局特征向量进行特征向量降维，得到全局特征降维向量；
步骤S55：对全局特征降维向量进行瑕疵特征增强，得到瑕疵特征增强向量；对瑕疵特征增强向量进行瑕疵区分优化，得到瑕疵特征优化向量；
步骤S56：将瑕疵特征优化向量输入至全连接层中，进行非线性变换，得到深度瑕疵特征向量。
本发明通过对多尺度特征金字塔进行数据增强，能够通过对已有数据进行旋转、平移、缩放等操作，增加训练数据的数量和多样性，从而提高深度学习模型的泛化能力，降低过拟合风险。将数据增强特征金字塔输入至预训练的深度特征提取器模型中，进行多尺度特征逐层编码，能够利用预训练模型强大的特征提取能力，将不同尺度的特征信息映射到更抽象、更具语义信息的特征空间，为后续的瑕疵检测提供更具判别力的特征表示。对多尺度特征编码金字塔引入注意力机制，并进行特征图融合，能够使模型更加关注与瑕疵相关的关键特征，抑制背景噪声和无关信息的干扰，从而提高模型对瑕疵的敏感度和检测精度。对融合特征金字塔进行全局特征池化和特征向量降维，能够将多尺度、多通道的特征信息聚合为一个紧凑的全局特征向量，并去除冗余信息，为后续的分类器提供更简洁、更有效的特征输入。对全局特征降维向量进行瑕疵特征增强和瑕疵区分优化，能够进一步突出与瑕疵相关的特征信息，并优化特征权重，使特征向量更利于区分不同类型的瑕疵，从而提高后续瑕疵分类的准确率。将瑕疵特征优化向量输入至全连接层中，进行非线性变换，得到深度瑕疵特征向量，能够将特征信息映射到更高维的特征空间，增强特征的非线性表达能力，为后续的瑕疵分类和定位提供更准确、更鲁棒的特征表示。
优选地，步骤S6包括以下步骤：
步骤S61：将深度瑕疵特征向量输入至预训练的多分类器模型中，进行分类预测，得到瑕疵类别概率分布数据；
步骤S62：利用预设的置信度阈值对瑕疵类别概率分布数据进行瑕疵类别判定，得到瑕疵分类结果数据；
步骤S63：根据瑕疵分类结果数据进行类别激活图生成，得到类别激活图；
步骤S64：将类别激活图映射至多尺度特征金字塔中，进行瑕疵精确定位，得到多尺度瑕疵定位图；
步骤S65：对多尺度瑕疵定位图进行瑕疵区域边界优化，得到瑕疵定位优化图；
步骤S66：对瑕疵定位优化图以及瑕疵分类结果数据进行瑕疵数据融合，得到瑕疵分类结果和定位图。
本发明通过将深度瑕疵特征向量输入预训练的多分类器模型中，进行分类预测，可以利用训练好的模型对瑕疵特征进行分类，并输出每个类别对应的概率分布数据，为后续的瑕疵类别判定提供依据。利用预设的置信度阈值对瑕疵类别概率分布数据进行筛选，可以过滤掉置信度较低的分类结果，保留置信度高的结果作为最终的瑕疵类别判定结果，提高分类结果的可靠性。根据瑕疵分类结果数据生成类别激活图，可以将模型的分类决策过程可视化，直观地展示出哪些特征区域对最终的分类结果贡献较大，为后续的瑕疵定位提供指导信息。将类别激活图映射至多尺度特征金字塔中，进行瑕疵精确定位，可以利用类别激活图提供的特征区域信息，在不同尺度的特征图上进行加权融合，从而实现对瑕疵的精确定位。对多尺度瑕疵定位图进行瑕疵区域边界优化，可以利用图像分割算法对瑕疵区域边界进行精细化处理，得到更准确、更平滑的瑕疵边界，提高瑕疵定位的精度。将瑕疵定位优化图和瑕疵分类结果数据进行融合，可以将瑕疵的类别信息和精确定位信息结合起来，得到包含丰富信息的瑕疵分类结果和定位图，为后续的瑕疵分析和处理提供更全面的数据支持。
优选地，步骤S7包括以下步骤：
步骤S71：将瑕疵分类结果和定位图映射至高分辨率三维表面模型中，进行瑕疵区域三维定位，得到三维定位瑕疵区域数据；
步骤S72：根据三维定位瑕疵区域数据对高分辨率三维表面模型进行瑕疵区域分割提取，得到瑕疵三维模型；
步骤S73：对瑕疵三维模型进行瑕疵表面特征计算，得到瑕疵表面特征数据；
步骤S74：将瑕疵分类结果和定位图映射至瑕疵三维模型中，进行瑕疵类别标签匹配，得到类别标签瑕疵三维模型；
步骤S75：根据瑕疵表面特征数据对类别标签瑕疵三维模型进行三维缺陷信息叠加，得到三维瑕疵检测模型；
步骤S76：利用三维瑕疵检测模型进行柔性线路板瑕疵检测分析，得到柔性线路板瑕疵检测数据。
本发明通过将瑕疵分类结果和定位图映射至高分辨率三维表面模型中，进行瑕疵区域三维定位，能够将二维图像上的瑕疵信息与三维空间中的真实位置对应起来，为后续的瑕疵三维建模和分析提供精确的空间定位信息。根据三维定位瑕疵区域数据对高分辨率三维表面模型进行瑕疵区域分割提取，能够将瑕疵区域从完整的三维模型中分离出来，构建独立的瑕疵三维模型，为后续的瑕疵特征计算和分析提供更直观、更精确的对象。对瑕疵三维模型进行瑕疵表面特征计算，能够提取出更丰富的瑕疵几何特征信息，例如瑕疵的体积、面积、深度、曲率等。将瑕疵分类结果和定位图映射至瑕疵三维模型中，进行瑕疵类别标签匹配，能够将二维图像上的瑕疵类别信息与三维模型中的瑕疵区域对应起来，为后续的瑕疵可视化和分析提供更直观、更易于理解的信息表达方式。根据瑕疵表面特征数据对类别标签瑕疵三维模型进行三维缺陷信息叠加，能够将瑕疵的类别、尺寸、形状、位置等信息以更直观、更易于理解的三维方式呈现出来，方便后续的瑕疵分析。利用三维瑕疵检测模型进行柔性线路板瑕疵检测分析，能够对瑕疵进行更全面、更深入的分析，例如统计不同类型瑕疵的数量、尺寸分布、空间位置关系等，为柔性线路板的质量控制、缺陷诊断和维修提供更准确、更可靠的数据支持。
优选地，本发明还提供了一种柔性电路板瑕疵检测系统，用于执行如上所述的柔性电路板瑕疵检测方法，该柔性电路板瑕疵检测系统包括：
多谱融合成像模块，用于根据多光谱光源阵列对柔性电路板进行多通道图像序列采集，得到多通道图像序列；对多通道图像序列进行多光谱图像立方体构建，得到多光谱图像立方体；
光谱特征提取模块，用于根据多光谱图像立方体进行材质区域分割，得到材质区域图；根据材质区域图进行多特征图像融合，得到光谱特征图谱；
表面纹理重建模块，用于对柔性电路板进行多角度光度图像采集，得到多角度光度图像序列；根据多角度光度图像序列进行光谱特征高度配准图提取，得到光谱特征高度配准图；利用光谱特征高度配准图对材质区域图进行材质表面纹理数据库构建，得到材质表面纹理数据库；根据材质表面纹理数据库进行高分辨率模型优化，得到高分辨率三维表面模型；
多尺度特征金字塔模块，用于对高分辨率三维表面模型进行曲率特征图金字塔构建，得到曲率特征图金字塔；对曲率特征图金字塔进行多尺度特征融合，得到多尺度融合特征图金字塔；对多尺度融合特征图金字塔进行多尺度特征聚合，得到多尺度特征金字塔；
深度瑕疵特征学习模块，用于对多尺度特征金字塔进行多尺度特征逐层编码，得到多尺度特征编码金字塔；对多尺度特征编码金字塔进行全局特征池化，得到全局特征向量；对全局特征向量进行非线性变换，得到深度瑕疵特征向量；
瑕疵分类与定位模块，用于根据深度瑕疵特征向量进行类别激活图生成，得到类别激活图；对类别激活图进行瑕疵数据融合，得到瑕疵分类结果和定位图；
三维瑕疵检测模块，用于根据瑕疵分类结果和定位图以及高分辨率三维表面模型定位图进行瑕疵区域分割提取，得到瑕疵三维模型；对瑕疵三维模型进行三维缺陷信息叠加，得到三维瑕疵检测模型；利用三维瑕疵检测模型进行柔性线路板瑕疵检测分析，得到柔性线路板瑕疵检测数据。
本发明通过多光谱光源阵列采集多通道图像序列并构建多光谱图像立方体，能够获取柔性电路板丰富的光谱信息，为后续的材质分析和瑕疵检测提供更全面的数据基础。通过多光谱图像立方体进行材质区域分割和多特征图像融合，能够区分不同的材质区域，并生成突出材质差异的光谱特征图谱，为后续的瑕疵检测提供更准确的背景信息。通过多角度光度图像采集和光谱特征高度配准图提取，能够获取柔性电路板的三维形貌信息，并与光谱信息精确关联，构建包含丰富纹理信息的高分辨率三维表面模型，为后续的瑕疵检测提供更直观的视觉表达和更精确的定位依据。通过对高分辨率三维表面模型进行多尺度特征提取和融合，能够全面地描述柔性电路板的几何形状和纹理信息，构建包含丰富细节信息的多尺度特征金字塔，为后续的深度学习模型提供更具判别力的特征输入。通过对多尺度特征金字塔进行逐层编码、全局特征池化和非线性变换，能够提取出更抽象、更紧凑、更具语义信息的深度瑕疵特征向量，为后续的瑕疵分类和定位提供更有效的特征表示。通过深度学习模型的分类预测、类别激活图的生成和映射以及瑕疵定位优化，能够准确地识别瑕疵类别，并精确定位瑕疵区域，为后续的瑕疵分析和处理提供可靠的数据基础。通过将瑕疵信息映射到三维模型，并进行瑕疵三维建模、特征计算、信息叠加和分析，能够实现对柔性线路板瑕疵的三维可视化、定量分析和全面评估，为柔性线路板的质量控制和缺陷管理提供更强大、更高效的技术手段。因此，本发明提供了一种柔性电路板瑕疵检测方法及系统。通过多光谱成像降低了光照变化的影响，通过材质区域分割和光谱特征提取克服了复杂纹理的干扰，通过三维表面重建和多尺度特征融合增强了微小瑕疵的检出能力，最终实现了在复杂光照环境下的精准瑕疵检测。
附图说明
图1为柔性电路板瑕疵检测方法的步骤流程示意图；
图2为图1中步骤S3的详细实施步骤流程示意图；
图3为图1中步骤S5的详细实施步骤流程示意图。
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面结合附图对本发明的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图3，一种柔性电路板瑕疵检测方法，包括以下步骤：
步骤S1：根据多光谱光源阵列对柔性电路板进行多通道图像序列采集，得到多通道图像序列；对多通道图像序列进行多光谱图像立方体构建，得到多光谱图像立方体；
步骤S2：根据多光谱图像立方体进行材质区域分割，得到材质区域图；根据材质区域图进行多特征图像融合，得到光谱特征图谱；
步骤S3：对柔性电路板进行多角度光度图像采集，得到多角度光度图像序列；根据多角度光度图像序列进行光谱特征高度配准图提取，得到光谱特征高度配准图；利用光谱特征高度配准图对材质区域图进行材质表面纹理数据库构建，得到材质表面纹理数据库；根据材质表面纹理数据库进行高分辨率模型优化，得到高分辨率三维表面模型；
步骤S4：对高分辨率三维表面模型进行曲率特征图金字塔构建，得到曲率特征图金字塔；对曲率特征图金字塔进行多尺度特征融合，得到多尺度融合特征图金字塔；对多尺度融合特征图金字塔进行多尺度特征聚合，得到多尺度特征金字塔；
步骤S5：对多尺度特征金字塔进行多尺度特征逐层编码，得到多尺度特征编码金字塔；对多尺度特征编码金字塔进行全局特征池化，得到全局特征向量；对全局特征向量进行非线性变换，得到深度瑕疵特征向量；
步骤S6：根据深度瑕疵特征向量进行类别激活图生成，得到类别激活图；对类别激活图进行瑕疵数据融合，得到瑕疵分类结果和定位图；
步骤S7：根据瑕疵分类结果和定位图以及高分辨率三维表面模型定位图进行瑕疵区域分割提取，得到瑕疵三维模型；对瑕疵三维模型进行三维缺陷信息叠加，得到三维瑕疵检测模型；利用三维瑕疵检测模型进行柔性线路板瑕疵检测分析，得到柔性线路板瑕疵检测数据。
本发明通过多光谱光源阵列采集多通道图像序列并构建多光谱图像立方体，能够获取柔性电路板丰富的光谱信息，为后续的材质分析和瑕疵检测提供更全面的数据基础。通过多光谱图像立方体进行材质区域分割和多特征图像融合，能够区分不同的材质区域，并生成突出材质差异的光谱特征图谱，为后续的瑕疵检测提供更准确的背景信息。通过多角度光度图像采集和光谱特征高度配准图提取，能够获取柔性电路板的三维形貌信息，并与光谱信息精确关联，构建包含丰富纹理信息的高分辨率三维表面模型，为后续的瑕疵检测提供更直观的视觉表达和更精确的定位依据。通过对高分辨率三维表面模型进行多尺度特征提取和融合，能够全面地描述柔性电路板的几何形状和纹理信息，构建包含丰富细节信息的多尺度特征金字塔，为后续的深度学习模型提供更具判别力的特征输入。通过对多尺度特征金字塔进行逐层编码、全局特征池化和非线性变换，能够提取出更抽象、更紧凑、更具语义信息的深度瑕疵特征向量，为后续的瑕疵分类和定位提供更有效的特征表示。通过深度学习模型的分类预测、类别激活图的生成和映射以及瑕疵定位优化，能够准确地识别瑕疵类别，并精确定位瑕疵区域，为后续的瑕疵分析和处理提供可靠的数据基础。通过将瑕疵信息映射到三维模型，并进行瑕疵三维建模、特征计算、信息叠加和分析，能够实现对柔性线路板瑕疵的三维可视化、定量分析和全面评估，为柔性线路板的质量控制和缺陷管理提供更强大、更高效的技术手段。因此，本发明提供了一种柔性电路板瑕疵检测方法及系统。通过多光谱成像降低了光照变化的影响，通过材质区域分割和光谱特征提取克服了复杂纹理的干扰，通过三维表面重建和多尺度特征融合增强了微小瑕疵的检出能力，最终实现了在复杂光照环境下的精准瑕疵检测。
本发明实施例中，参考图1所述，为本发明柔性电路板瑕疵检测方法的步骤流程示意图，在本实例中，所述柔性电路板瑕疵检测方法包括以下步骤：
步骤S1：根据多光谱光源阵列对柔性电路板进行多通道图像序列采集，得到多通道图像序列；对多通道图像序列进行多光谱图像立方体构建，得到多光谱图像立方体；
本发明实施例中，利用多光谱光源阵列，控制不同波段LED光源的亮度和开关状态，形成多组光谱照明条件，并使用工业相机在每种光谱照明条件下采集柔性电路板图像，得到多通道图像序列，最后将所有通道的图像按照波段顺序排列组合成多光谱图像立方体。
步骤S2：根据多光谱图像立方体进行材质区域分割，得到材质区域图；根据材质区域图进行多特征图像融合，得到光谱特征图谱；
本发明实施例中，从多光谱图像立方体中提取每个像素点的多光谱信息组成向量，并进行降维处理，然后利用聚类算法对降维后的数据进行分类得到光谱聚类结果图，再经过平滑和边界提取后，根据材质区域边界图对图像进行分割，得到材质区域图。最后对每个材质区域进行光谱曲线拟合，选择特征波段并提取对应图像进行融合，得到光谱特征图谱。
步骤S3：对柔性电路板进行多角度光度图像采集，得到多角度光度图像序列；根据多角度光度图像序列进行光谱特征高度配准图提取，得到光谱特征高度配准图；利用光谱特征高度配准图对材质区域图进行材质表面纹理数据库构建，得到材质表面纹理数据库；根据材质表面纹理数据库进行高分辨率模型优化，得到高分辨率三维表面模型；
本发明实施例中，使用工业相机从多个角度拍摄柔性电路板，得到多角度光度图像序列，利用光度立体视觉技术和朗伯反射模型计算每个像素点的法向量，生成法线图，再根据法线图计算每个像素点的高度信息，生成高度图。最后将高度图与光谱特征图谱进行配准，得到光谱特征高度配准图。利用该配准图优化材质区域分割结果，并提取每个材质区域的高度和光谱特征信息构建材质表面纹理数据库。最后根据配准图进行三维网格模型构建，并将材质表面纹理数据库映射到模型上，经过优化得到高分辨率三维表面模型。
步骤S4：对高分辨率三维表面模型进行曲率特征图金字塔构建，得到曲率特征图金字塔；对曲率特征图金字塔进行多尺度特征融合，得到多尺度融合特征图金字塔；对多尺度融合特征图金字塔进行多尺度特征聚合，得到多尺度特征金字塔；
本发明实施例中，对高分辨率三维表面模型构建高斯金字塔，并计算每个顶点的法向量方向，构建法线方向图金字塔。然后根据法线方向图金字塔计算形状指数，构建形状指数图金字塔，并进一步提取曲率特征，构建曲率特征图金字塔。同时将三维模型映射到二维平面并提取纹理特征，构建纹理特征图金字塔。最后将曲率特征图金字塔和纹理特征图金字塔进行多尺度特征融合，并进行局部特征描述、显著性特征增强和多尺度特征聚合，得到最终的多尺度特征金字塔。
步骤S5：对多尺度特征金字塔进行多尺度特征逐层编码，得到多尺度特征编码金字塔；对多尺度特征编码金字塔进行全局特征池化，得到全局特征向量；对全局特征向量进行非线性变换，得到深度瑕疵特征向量；
本发明实施例中，对多尺度特征金字塔进行数据增强，然后输入到预训练的深度特征提取器模型中进行多尺度特征逐层编码。之后对编码后的特征金字塔引入注意力机制，并进行特征图融合。最后进行全局特征池化和特征向量降维，并对降维后的特征向量进行瑕疵特征增强和瑕疵区分优化，得到深度瑕疵特征向量。
步骤S6：根据深度瑕疵特征向量进行类别激活图生成，得到类别激活图；对类别激活图进行瑕疵数据融合，得到瑕疵分类结果和定位图；
本发明实施例中，将深度瑕疵特征向量输入到预训练的多分类器模型中进行分类预测，并根据置信度阈值判定瑕疵类别。然后根据分类结果生成类别激活图，并将类别激活图映射到多尺度特征金字塔中进行瑕疵精确定位。最后对定位结果进行边界优化，并将优化后的定位结果与分类结果融合，得到最终的瑕疵分类结果和定位图。
步骤S7：根据瑕疵分类结果和定位图以及高分辨率三维表面模型定位图进行瑕疵区域分割提取，得到瑕疵三维模型；对瑕疵三维模型进行三维缺陷信息叠加，得到三维瑕疵检测模型；利用三维瑕疵检测模型进行柔性线路板瑕疵检测分析，得到柔性线路板瑕疵检测数据；
本发明实施例中，将瑕疵分类结果和定位图映射到高分辨率三维表面模型中，进行瑕疵区域三维定位，并根据定位结果分割提取瑕疵三维模型。然后对瑕疵三维模型进行表面特征计算，并将瑕疵分类结果和定位图映射到瑕疵三维模型上进行类别标签匹配。最后根据瑕疵表面特征数据进行三维缺陷信息叠加，得到三维瑕疵检测模型，并利用该模型进行柔性线路板瑕疵检测分析，得到最终的检测结果数据。
优选地，步骤S1包括以下步骤：
步骤S11：通过多光谱光源阵列对柔性电路板进行LED光源照明调控，得到多光谱照明矩阵；
步骤S12：通过工业相机根据多光谱照明矩阵对柔性电路板进行多通道图像序列采集，得到多通道图像序列；
步骤S13：对多通道图像序列进行光谱响应校正，得到光谱响应校正数据；根据光谱响应校正数据对多通道图像序列进行图像精确配准，得到多通道图像校正配准序列；
步骤S14：按照波段顺序对多通道图像校正配准序列进行多光谱图像立方体构建，得到多光谱图像立方体。
本发明通过多光谱光源阵列对柔性电路板进行LED光源照明调控，能够针对不同材质和瑕疵类型，灵活地调整光谱照明条件，形成多光谱照明矩阵，为后续的多通道图像采集提供更丰富、更有针对性的光谱信息，从而提高瑕疵检测的准确性和可靠性。通过工业相机根据多光谱照明矩阵对柔性电路板进行多通道图像序列采集，能够获取在不同光谱照明条件下柔性电路板的图像信息，为后续的光谱分析和特征提取提供多维度的图像数据，从而提高对不同材质和瑕疵类型的区分能力。对多通道图像序列进行光谱响应校正和图像精确配准，能够消除相机传感器和光源光谱分布不均匀带来的影响，并确保每个像素点在不同光谱通道下的图像信息是对齐的，从而提高多光谱图像的质量和精度。按照波段顺序对多通道图像校正配准序列进行多光谱图像立方体构建，能够将多通道的二维图像序列整合成为一个包含丰富光谱信息的三维数据立方体，为后续的材质分析、特征提取和三维建模提供更直观、更全面的数据表达形式，从而提高瑕疵检测的效率和精度。
本发明实施例中，将多光谱光源阵列安装在柔性电路板上方，确保光线能够均匀照射到待测区域。根据预设的多光谱照明方案，控制多光谱光源阵列中不同波段 LED 光源的亮度和开关状态通过调整不同波段 LED 光源的组合，形成多组不同的光谱照明条件，并将每组照明条件下的光谱信息记录下来，构成多光谱照明矩阵。将工业相机固定在柔性电路板上方，与多光谱光源阵列保持相对静止。按照步骤 S11 中设定的多光谱照明矩阵，依次切换不同的光谱照明条件。使用标准白板或已知光谱反射率的色卡，在与采集图像相同的条件下进行拍摄，获取参考图像。计算参考图像与实际采集图像之间每个像素点在不同光谱通道下的差异，得到光谱响应校正数据。利用光谱响应校正数据对多通道图像序列进行校正，消除相机传感器和光源光谱分布不均匀带来的影响。使用图像配准算法，例如基于特征点的配准方法，对校正后的多通道图像序列进行精确配准，确保每个像素点在不同光谱通道下的图像信息是对齐的，得到多通道图像校正配准序列。将步骤 S13 中得到的每个通道的校正配准图像按照预设的光谱波段顺序进行排列。将排列好的多通道图像序列组合成一个三维数据立方体，其中两个维度代表图像的空间信息，第三个维度代表光谱信息，最终得到多光谱图像立方体。
优选地，步骤S2包括以下步骤：
步骤S21：根据多光谱图像立方体进行多光谱像素向量构建，得到多光谱像素向量数据集；对多光谱像素向量数据集进行光谱维度降维，得到多光谱像素向量降维数据集；
步骤S22：对多光谱像素向量降维数据集进行光谱聚类分析，得到光谱聚类结果图；对光谱聚类结果图进行聚类结果空间平滑，得到光谱聚类结果平滑图；
步骤S23：对光谱聚类结果平滑图进行材质区域边界提取，得到材质区域边界图；
步骤S24：根据材质区域边界图对光谱聚类结果平滑图进行材质区域分割，得到材质区域图；对材质区域图进行光谱特征曲线拟合，得到材质区域光谱特征曲线；
步骤S25：对材质区域光谱特征曲线进行特征波段选择，得到特征波段集合；根据特征波段集合对多光谱图像立方体进行对应波段图像提取并进行特征图像构建，得到特征图像集；
步骤S26：对特征图像集进行多特征图像融合，得到光谱特征图谱。
本发明通过将多光谱图像立方体构建成多光谱像素向量数据集，并进行光谱维度降维，能够有效地提取每个像素点的光谱特征信息，并降低数据冗余度，为后续的光谱聚类分析提供更简洁、高效的数据表达形式。对多光谱像素向量降维数据集进行光谱聚类分析，并对聚类结果进行空间平滑，能够将光谱特征相似的像素点归为一类，并有效抑制噪声和孤立点的影响，从而得到更准确、更平滑的材质区域划分结果。对光谱聚类结果平滑图进行材质区域边界提取，能够准确地定位不同材质区域之间的边界，为后续的材质区域分割提供精确的指导信息，从而提高分割结果的准确性和可靠性。根据材质区域边界图对光谱聚类结果平滑图进行材质区域分割，并对每个材质区域进行光谱特征曲线拟合，能够将图像分割成不同的材质区域，并提取每个区域的光谱特征曲线，为后续的特征波段选择和特征图像构建提供基础数据。对材质区域光谱特征曲线进行特征波段选择，并根据特征波段集合提取对应波段的图像构建特征图像集，能够选取最能区分不同材质的特征波段，并构建包含更丰富信息的特征图像集，从而提高后续瑕疵检测的准确性和可靠性。对特征图像集进行多特征图像融合，得到光谱特征图谱，能够将多个特征波段的信息有效地融合到一张图像中，突出不同材质区域之间的差异，为后续的瑕疵检测提供更直观、更有价值的图像信息。
本发明实施例中，将多光谱图像立方体中每个像素点在不同光谱通道下的灰度值提取出来，组成一个多维向量，作为该像素点的多光谱像素向量，所有像素的多光谱像素向量构成多光谱像素向量数据集。使用主成分分析法（PCA）或线性判别分析法（LDA）等降维算法对多光谱像素向量数据集进行光谱维度降维，降低数据冗余度，得到多光谱像素向量降维数据集。利用 K-means 聚类算法或模糊 C 均值聚类算法等对多光谱像素向量降维数据集进行光谱聚类分析，将光谱特征相似的像素点归为一类，得到光谱聚类结果图，图中每个像素点用所属类别标签表示。使用均值滤波或高斯滤波等空间平滑算法对光谱聚类结果图进行平滑处理，消除图像噪声和细小区域的影响，使材质区域边界更加平滑，得到光谱聚类结果平滑图。对光谱聚类结果平滑图进行边缘检测，提取出材质区域之间的边界，得到材质区域边界图，图中每个像素点用是否为边界点表示。根据材质区域边界图对光谱聚类结果平滑图进行区域分割，将属于同一材质区域的像素点划分到一起，得到材质区域图，图中每个像素点用所属材质区域标签表示。提取每个材质区域内所有像素点的多光谱像素向量，并对其进行光谱曲线拟合，例如使用多项式拟合或高斯拟合等方法，得到每个材质区域的光谱特征曲线。分析不同材质区域的光谱特征曲线，选择能够有效区分不同材质的特征波段，例如峰值波段、谷值波段或斜率变化明显的波段，构成特征波段集合。根据特征波段集合，从多光谱图像立方体中提取对应波段的图像，并使用这些图像构建特征图像集，每个特征图像对应一个特征波段。对特征图像集进行融合，将多个特征波段的信息融合到一张图像中，得到光谱特征图谱，该图谱突出了不同材质区域之间的差异。
优选地，步骤S3包括以下步骤：
步骤S31：对柔性电路板进行多角度光度图像采集，得到多角度光度图像序列；根据多角度光度图像序列进行光谱特征高度配准图提取，得到光谱特征高度配准图；
步骤S32：利用光谱特征高度配准图对材质区域图进行材质区域分割优化，得到材质区域分割优化图；
步骤S33：对材质区域分割优化图中不同材质区域进行高度和光谱特征信息提取，得到高度和光谱特征参数；根据高度和光谱特征参数进行材质表面纹理数据库构建，得到材质表面纹理数据库；
步骤S34：利用光谱特征高度配准图进行三维网格模型构建，得到柔性电路板表面三维网格模型；
步骤S35：根据材质表面纹理数据库对柔性电路板表面三维网格模型进行纹理映射，得到纹理映射三维网格模型；
步骤S36：对纹理映射三维网格模型进行高分辨率模型优化，得到高分辨率三维表面模型。
本发明通过多角度光度图像采集和光谱特征高度配准图提取，能够获取柔性电路板表面的三维形貌信息和光谱信息，并将两者精确关联起来，为后续的材质区域分割优化、纹理数据库构建和三维模型构建提供基础数据。利用光谱特征高度配准图对材质区域图进行材质区域分割优化，能够结合高度信息对材质区域边界进行更精确的定位，提高材质区域分割的准确性，为后续的特征提取和三维建模提供更可靠的区域划分结果。对材质区域分割优化图中不同材质区域进行高度和光谱特征信息提取，并构建材质表面纹理数据库，能够提取每个材质区域的高度特征和光谱特征参数，并将其存储在数据库中，为后续的三维模型纹理映射提供丰富的纹理信息，提高三维模型的真实感和细节表现力。利用光谱特征高度配准图进行三维网格模型构建，能够根据高度信息和相机参数构建出柔性电路板表面的初始三维网格模型。根据材质表面纹理数据库对柔性电路板表面三维网格模型进行纹理映射，能够将材质的纹理信息映射到三维模型上，使模型能够真实地反映出不同材质区域的视觉差异，提高模型的真实感和可视化效果。对纹理映射三维网格模型进行高分辨率模型优化，能够对模型进行平滑处理和细节增强，提高模型的分辨率和精度，使模型能够更精细地表达出柔性电路板表面的形貌和纹理细节。
作为本发明的一个实例，参考图2所示，在本实例中所述步骤S3包括：
步骤S31：对柔性电路板进行多角度光度图像采集，得到多角度光度图像序列；根据多角度光度图像序列进行光谱特征高度配准图提取，得到光谱特征高度配准图；
本发明实施例中，使用配备有可调节光源的工业相机，从多个预设角度对柔性电路板进行拍摄，获取多角度光度图像序列，每个角度对应一幅图像。基于光度立体视觉技术，利用多角度光度图像序列中不同角度下像素点的亮度差异，计算出每个像素点对应的法向量，构建法线图。利用法线图，结合相机参数和拍摄角度信息，计算出每个像素点的高度信息，生成高度图。将光谱特征图谱与高度图进行配准，确保每个像素点的光谱信息和高度信息是匹配的，生成光谱特征高度配准图。
步骤S32：利用光谱特征高度配准图对材质区域图进行材质区域分割优化，得到材质区域分割优化图；
本发明实施例中，利用步骤 S31 得到的光谱特征高度配准图，对材质区域图进行校正，例如，将高度信息与材质区域边界进行比对，对边界位置进行微调，得到材质区域分割优化图，使其更准确地反映不同材质区域的分布。
步骤S33：对材质区域分割优化图中不同材质区域进行高度和光谱特征信息提取，得到高度和光谱特征参数；根据高度和光谱特征参数进行材质表面纹理数据库构建，得到材质表面纹理数据库；
本发明实施例中，在材质区域分割优化图中，分别提取出每个材质区域内所有像素点的高度信息和光谱特征信息。计算每个材质区域的高度均值、高度标准差、光谱特征曲线等参数，并将这些参数存储起来，构建材质表面纹理数据库。
步骤S34：利用光谱特征高度配准图进行三维网格模型构建，得到柔性电路板表面三维网格模型；
本发明实施例中，利用光谱特征高度配准图，结合相机标定信息，使用三角测量法或其他三维重建算法，构建出柔性电路板表面的初始三维网格模型。
步骤S35：根据材质表面纹理数据库对柔性电路板表面三维网格模型进行纹理映射，得到纹理映射三维网格模型；
本发明实施例中，根据步骤 S33 构建的材质表面纹理数据库，将每个材质区域对应的光谱特征信息映射到三维网格模型中相应的区域，得到纹理映射三维网格模型。
步骤S36：对纹理映射三维网格模型进行高分辨率模型优化，得到高分辨率三维表面模型；
本发明实施例中，使用双边滤波、泊松重建等网格优化算法，对纹理映射三维网格模型进行平滑处理，提高模型分辨率，去除噪声，得到高分辨率三维表面模型。
优选地，步骤S31包括以下步骤：
步骤S311：根据多光谱光源阵列对柔性电路板进行多角度光度图像采集，得到多角度光度图像序列；
步骤S312：对多角度光度图像序列进行图像亮度差异分析，得到图像亮度差异数据；利用图像亮度差异数据以及朗伯反射模型对多角度光度图像序列进行像素点法向量方向计算，得到法线图；
步骤S313：利用法线图对柔性电路板进行表面高度信息计算，得到高度图；
步骤S314：对高度图以及光谱特征图谱进行图像精确配准，得到光谱特征高度配准图。
本发明通过在多光谱光源阵列的照明条件下，进行多角度光度图像采集，可以获取柔性电路板在不同角度和光谱条件下的表面反射信息，为后续表面法线和高度信息计算提供更丰富、更准确的原始数据。通过对多角度光度图像序列进行图像亮度差异分析，并结合朗伯反射模型，可以计算出每个像素点在三维空间中的法向量方向，生成法线图，从而准确地描述柔性电路板表面的朝向变化。利用法线图信息，结合相机参数和拍摄角度，可以计算出每个像素点相对于参考平面的高度信息，生成高度图，从而实现对柔性电路板表面三维形貌的数字化表达。将高度图与光谱特征图谱进行精确配准，得到光谱特征高度配准图，可以将每个像素点的三维形貌信息与其对应的光谱信息关联起来，为后续的材质分析、缺陷检测等提供更全面、更准确的数据基础。
本发明实施例中，在保持多光谱光源阵列开启且光照条件不变的情况下，控制工业相机从多个预设角度对柔性电路板进行拍摄，获取多角度光度图像序列，每个角度对应一幅图像。分析多角度光度图像序列中每个像素点在不同角度图像中的亮度差异，得到图像亮度差异数据。利用图像亮度差异数据，结合朗伯反射模型，计算出每个像素点对应的法向量方向，生成法线图，其中每个像素点用一个三维向量表示法线方向。利用法线图，结合相机参数、拍摄角度信息以及光度立体视觉技术，计算出每个像素点的高度信息，生成高度图，其中每个像素点用一个数值表示其相对于参考平面的高度。使用基于特征点的图像配准算法，对高度图和光谱特征图谱进行精确配准，确保每个像素点的高度信息和光谱信息在空间位置上是对齐的，得到光谱特征高度配准图。
优选地，步骤S4包括以下步骤：
步骤S41：对高分辨率三维表面模型进行高斯金字塔构建，得到高斯金字塔；
步骤S42：对高斯金字塔进行顶点法线方向计算，得到顶点法线方向数据；根据顶点法线方向数据进行范围映射并进行法线方向图金字塔构建，得到法线方向图金字塔；
步骤S43：根据法线方向图金字塔进行形状指数计算并进行形状指数图金字塔构建，得到形状指数图金字塔；
步骤S44：对形状指数图金字塔进行曲率特征提取并进行曲率特征图金字塔构建，得到曲率特征图金字塔；
步骤S45：对高分辨率三维表面模型进行二维平面映射并进行纹理特征提取，得到纹理特征图金字塔；
步骤S46：对曲率特征图金字塔以及纹理特征图金字塔进行多尺度特征融合，得到多尺度融合特征图金字塔；
步骤S47：对多尺度融合特征图金字塔进行局部特征描述，得到局部特征描述图金字塔；对局部特征描述图金字塔进行显著性特征增强，得到显著性增强特征图金字塔；对显著性增强特征图金字塔进行多尺度特征聚合，得到多尺度特征金字塔。
本发明通过构建高斯金字塔能够在保留原始高分辨率三维表面模型细节信息的同时，生成一系列分辨率逐级降低的模型版本，有利于多尺度特征提取，提高算法对不同尺寸瑕疵的检测能力。计算每个顶点的法向量方向并构建法线方向图金字塔，能够将三维模型的表面朝向信息转换为图像形式，便于后续使用图像处理技术进行特征提取和分析。根据法线方向图金字塔计算形状指数并构建形状指数图金字塔，能够将表面的局部凹凸程度量化，有助于识别和区分不同类型的表面缺陷。对形状指数图金字塔进行曲率特征提取并构建曲率特征图金字塔，能够进一步描述表面的弯曲程度，有助于检测和识别表面上的裂纹、褶皱等缺陷。将高分辨率三维表面模型映射到二维平面并提取纹理特征，构建纹理特征图金字塔，能够将表面的纹理信息从三维空间转换到二维平面，便于使用成熟的图像处理技术进行特征提取和分析。将曲率特征图金字塔和纹理特征图金字塔进行多尺度特征融合，能够将表面的几何形状信息和纹理信息有效结合起来，得到包含更丰富表面信息的特征表示，提高后续瑕疵检测的准确性和鲁棒性。对多尺度融合特征图金字塔进行局部特征描述、显著性特征增强和多尺度特征聚合，能够进一步增强与瑕疵相关的特征信息，抑制背景噪声的影响，并构建最终的多尺度特征金字塔，为后续的深度学习模型提供更具判别力的特征输入。
本发明实施例中，对步骤 S36 得到的高分辨率三维表面模型进行多次高斯滤波和下采样操作，构建一个包含多个分辨率版本的三维模型金字塔，即高斯金字塔。对高斯金字塔中每个分辨率版本的三维模型，计算每个顶点的法向量方向，得到顶点法线方向数据。将顶点法线方向数据的取值范围映射到[0， 255]，并将每个分辨率版本的法线方向数据存储为图像形式，构建法线方向图金字塔。根据法线方向图金字塔中每个像素点对应的法向量方向，计算该像素点的形状指数，并构建形状指数图金字塔，用于描述表面的局部凹凸程度。对形状指数图金字塔中每个像素点，使用Sobel算子等计算其梯度信息，提取曲率特征，构建曲率特征图金字塔，用于描述表面的弯曲程度。将高分辨率三维表面模型映射到二维平面上，例如使用球面映射或柱面映射。对映射后的二维图像进行纹理特征提取，例如使用灰度共生矩阵 (GLCM) 或局部二值模式 (LBP) 等方法，得到纹理特征图金字塔，用于描述表面的纹理信息。使用特征金字塔融合方法，将步骤 S44 得到的曲率特征图金字塔和步骤S45 得到的纹理特征图金字塔进行多尺度特征融合，得到包含更丰富表面信息的多尺度融合特征图金字塔。对多尺度融合特征图金字塔中每个像素点，使用局部二值模式 (LBP) 或方向梯度直方图 (HOG) 等方法，提取局部特征描述，得到局部特征描述图金字塔。对局部特征描述图金字塔进行显著性特征增强，突出重要的瑕疵特征。使用池化操作或特征连接等方法，对显著性增强特征图金字塔进行多尺度特征聚合，得到最终的多尺度特征金字塔，用于后续的瑕疵检测。
优选地，步骤S5包括以下步骤：
步骤S51：对多尺度特征金字塔进行数据增强，得到数据增强特征金字塔；
步骤S52：将数据增强特征金字塔输入至预训练的深度特征提取器模型中，进行多尺度特征逐层编码，得到多尺度特征编码金字塔；
步骤S53：对多尺度特征编码金字塔进行注意力机制引入分析，得到注意力增强特征金字塔；对注意力增强特征金字塔进行特征图融合，得到融合特征金字塔；
步骤S54：对融合特征金字塔进行全局特征池化，得到全局特征向量；对全局特征向量进行特征向量降维，得到全局特征降维向量；
步骤S55：对全局特征降维向量进行瑕疵特征增强，得到瑕疵特征增强向量；对瑕疵特征增强向量进行瑕疵区分优化，得到瑕疵特征优化向量；
步骤S56：将瑕疵特征优化向量输入至全连接层中，进行非线性变换，得到深度瑕疵特征向量。
本发明通过对多尺度特征金字塔进行数据增强，能够通过对已有数据进行旋转、平移、缩放等操作，增加训练数据的数量和多样性，从而提高深度学习模型的泛化能力，降低过拟合风险。将数据增强特征金字塔输入至预训练的深度特征提取器模型中，进行多尺度特征逐层编码，能够利用预训练模型强大的特征提取能力，将不同尺度的特征信息映射到更抽象、更具语义信息的特征空间，为后续的瑕疵检测提供更具判别力的特征表示。对多尺度特征编码金字塔引入注意力机制，并进行特征图融合，能够使模型更加关注与瑕疵相关的关键特征，抑制背景噪声和无关信息的干扰，从而提高模型对瑕疵的敏感度和检测精度。对融合特征金字塔进行全局特征池化和特征向量降维，能够将多尺度、多通道的特征信息聚合为一个紧凑的全局特征向量，并去除冗余信息，为后续的分类器提供更简洁、更有效的特征输入。对全局特征降维向量进行瑕疵特征增强和瑕疵区分优化，能够进一步突出与瑕疵相关的特征信息，并优化特征权重，使特征向量更利于区分不同类型的瑕疵，从而提高后续瑕疵分类的准确率。将瑕疵特征优化向量输入至全连接层中，进行非线性变换，得到深度瑕疵特征向量，能够将特征信息映射到更高维的特征空间，增强特征的非线性表达能力，为后续的瑕疵分类和定位提供更准确、更鲁棒的特征表示。
作为本发明的一个实例，参考图3所示，在本实例中所述步骤S5包括：
步骤S51：对多尺度特征金字塔进行数据增强，得到数据增强特征金字塔；
本发明实施例中，对多尺度特征金字塔进行数据增强操作，例如随机旋转、平移、缩放、添加噪声等，增加训练数据的数量和多样性，得到数据增强特征金字塔。
步骤S52：将数据增强特征金字塔输入至预训练的深度特征提取器模型中，进行多尺度特征逐层编码，得到多尺度特征编码金字塔；
本发明实施例中，将数据增强特征金字塔输入预训练的深度特征提取器模型，例如 ResNet、VGGNet 等，利用模型的多层卷积结构，对不同尺度的特征进行逐层编码，得到包含更抽象、更高级语义信息的多尺度特征编码金字塔。
步骤S53：对多尺度特征编码金字塔进行注意力机制引入分析，得到注意力增强特征金字塔；对注意力增强特征金字塔进行特征图融合，得到融合特征金字塔；
本发明实施例中，对多尺度特征编码金字塔引入注意力机制，例如空间注意力机制或通道注意力机制，使模型更加关注与瑕疵相关的特征区域，得到注意力增强特征金字塔。使用特征金字塔融合方法，例如将不同尺度的特征图进行拼接或加权求和，将注意力增强特征金字塔中不同层级的特征进行融合，得到融合特征金字塔。
步骤S54：对融合特征金字塔进行全局特征池化，得到全局特征向量；对全局特征向量进行特征向量降维，得到全局特征降维向量；
本发明实施例中，对融合特征金字塔应用全局平均池化或全局最大池化等操作，将每个特征图转换为一个数值，得到代表全局信息的全局特征向量。使用主成分分析(PCA) 或线性判别分析 (LDA) 等降维方法，对全局特征向量进行降维，去除冗余信息，得到全局特征降维向量。
步骤S55：对全局特征降维向量进行瑕疵特征增强，得到瑕疵特征增强向量；对瑕疵特征增强向量进行瑕疵区分优化，得到瑕疵特征优化向量；
本发明实施例中，对全局特征降维向量进行瑕疵特征增强，例如使用特征加权或特征选择方法，突出与瑕疵相关的特征，得到瑕疵特征增强向量。对瑕疵特征增强向量进行瑕疵区分优化，例如使用支持向量机或逻辑回归等分类器进行初步分类，并根据分类结果调整特征权重，得到更利于区分不同类型瑕疵的瑕疵特征优化向量。
步骤S56：将瑕疵特征优化向量输入至全连接层中，进行非线性变换，得到深度瑕疵特征向量；
本发明实施例中，将瑕疵特征优化向量输入全连接层，并使用 ReLU 或 Sigmoid等非线性激活函数进行非线性变换，得到深度瑕疵特征向量，用于后续的瑕疵分类和定位。
优选地，步骤S6包括以下步骤：
步骤S61：将深度瑕疵特征向量输入至预训练的多分类器模型中，进行分类预测，得到瑕疵类别概率分布数据；
步骤S62：利用预设的置信度阈值对瑕疵类别概率分布数据进行瑕疵类别判定，得到瑕疵分类结果数据；
步骤S63：根据瑕疵分类结果数据进行类别激活图生成，得到类别激活图；
步骤S64：将类别激活图映射至多尺度特征金字塔中，进行瑕疵精确定位，得到多尺度瑕疵定位图；
步骤S65：对多尺度瑕疵定位图进行瑕疵区域边界优化，得到瑕疵定位优化图；
步骤S66：对瑕疵定位优化图以及瑕疵分类结果数据进行瑕疵数据融合，得到瑕疵分类结果和定位图。
本发明通过将深度瑕疵特征向量输入预训练的多分类器模型中，进行分类预测，可以利用训练好的模型对瑕疵特征进行分类，并输出每个类别对应的概率分布数据，为后续的瑕疵类别判定提供依据。利用预设的置信度阈值对瑕疵类别概率分布数据进行筛选，可以过滤掉置信度较低的分类结果，保留置信度高的结果作为最终的瑕疵类别判定结果，提高分类结果的可靠性。根据瑕疵分类结果数据生成类别激活图，可以将模型的分类决策过程可视化，直观地展示出哪些特征区域对最终的分类结果贡献较大，为后续的瑕疵定位提供指导信息。将类别激活图映射至多尺度特征金字塔中，进行瑕疵精确定位，可以利用类别激活图提供的特征区域信息，在不同尺度的特征图上进行加权融合，从而实现对瑕疵的精确定位。对多尺度瑕疵定位图进行瑕疵区域边界优化，可以利用图像分割算法对瑕疵区域边界进行精细化处理，得到更准确、更平滑的瑕疵边界，提高瑕疵定位的精度。将瑕疵定位优化图和瑕疵分类结果数据进行融合，可以将瑕疵的类别信息和精确定位信息结合起来，得到包含丰富信息的瑕疵分类结果和定位图，为后续的瑕疵分析和处理提供更全面的数据支持。
本发明实施例中，将深度瑕疵特征向量输入到预训练的多分类器模型，例如支持向量机、随机森林或深度神经网络等，进行分类预测，得到每个类别对应的概率分布数据。根据预先设定的置信度阈值，对瑕疵类别概率分布数据进行筛选，判断每个像素点最属于哪一类瑕疵，并将判定结果存储为瑕疵分类结果数据。使用梯度反向传播等方法，将分类结果反向映射到多分类器模型的特征图上，生成类别激活图，用于可视化每个类别对应的特征区域。将类别激活图上采样到与多尺度特征金字塔相同的分辨率，并根据类别激活图中每个像素点的激活值，在多尺度特征金字塔中进行加权融合，得到多尺度瑕疵定位图，用于精确定位瑕疵区域。对多尺度瑕疵定位图应用图像分割算法，例如阈值分割、边缘检测或区域生长等，进一步优化瑕疵区域的边界，得到更精确的瑕疵定位优化图。将瑕疵分类结果数据与瑕疵定位优化图进行融合，得到最终的瑕疵分类结果和定位图，其中包含了每个瑕疵的类别信息和精确的边界位置信息。
优选地，步骤S7包括以下步骤：
步骤S71：将瑕疵分类结果和定位图映射至高分辨率三维表面模型中，进行瑕疵区域三维定位，得到三维定位瑕疵区域数据；
步骤S72：根据三维定位瑕疵区域数据对高分辨率三维表面模型进行瑕疵区域分割提取，得到瑕疵三维模型；
步骤S73：对瑕疵三维模型进行瑕疵表面特征计算，得到瑕疵表面特征数据；
步骤S74：将瑕疵分类结果和定位图映射至瑕疵三维模型中，进行瑕疵类别标签匹配，得到类别标签瑕疵三维模型；
步骤S75：根据瑕疵表面特征数据对类别标签瑕疵三维模型进行三维缺陷信息叠加，得到三维瑕疵检测模型；
步骤S76：利用三维瑕疵检测模型进行柔性线路板瑕疵检测分析，得到柔性线路板瑕疵检测数据。
本发明通过将瑕疵分类结果和定位图映射至高分辨率三维表面模型中，进行瑕疵区域三维定位，能够将二维图像上的瑕疵信息与三维空间中的真实位置对应起来，为后续的瑕疵三维建模和分析提供精确的空间定位信息。根据三维定位瑕疵区域数据对高分辨率三维表面模型进行瑕疵区域分割提取，能够将瑕疵区域从完整的三维模型中分离出来，构建独立的瑕疵三维模型，为后续的瑕疵特征计算和分析提供更直观、更精确的对象。对瑕疵三维模型进行瑕疵表面特征计算，能够提取出更丰富的瑕疵几何特征信息，例如瑕疵的体积、面积、深度、曲率等。将瑕疵分类结果和定位图映射至瑕疵三维模型中，进行瑕疵类别标签匹配，能够将二维图像上的瑕疵类别信息与三维模型中的瑕疵区域对应起来，为后续的瑕疵可视化和分析提供更直观、更易于理解的信息表达方式。根据瑕疵表面特征数据对类别标签瑕疵三维模型进行三维缺陷信息叠加，能够将瑕疵的类别、尺寸、形状、位置等信息以更直观、更易于理解的三维方式呈现出来，方便后续的瑕疵分析。利用三维瑕疵检测模型进行柔性线路板瑕疵检测分析，能够对瑕疵进行更全面、更深入的分析，例如统计不同类型瑕疵的数量、尺寸分布、空间位置关系等，为柔性线路板的质量控制、缺陷诊断和维修提供更准确、更可靠的数据支持。
本发明实施例中，将瑕疵分类结果和定位图，根据之前的配准关系，映射到高分辨率三维表面模型中，得到瑕疵区域在三维模型中的对应位置，生成三维定位瑕疵区域数据。根据三维定位瑕疵区域数据，使用三维模型分割算法，例如基于区域生长、边缘检测或图割等方法，将高分辨率三维表面模型中属于瑕疵区域的部分分割提取出来，得到瑕疵三维模型。对瑕疵三维模型进行表面特征计算，例如计算瑕疵区域的表面积、体积、曲率、粗糙度等几何特征，以及颜色、纹理等外观特征，得到瑕疵表面特征数据。将步瑕疵分类结果和定位图映射到瑕疵三维模型上，为每个瑕疵三维模型赋予对应的类别标签，得到类别标签瑕疵三维模型。根据瑕疵表面特征数据，对类别标签瑕疵三维模型进行三维缺陷信息叠加，例如将瑕疵的类别、面积、体积、深度等信息以文字、颜色或图形的方式标记在三维模型上，得到包含丰富信息的三维瑕疵检测模型。利用三维瑕疵检测模型，结合专家知识，对柔性线路板的瑕疵进行分析，例如统计不同类型瑕疵的数量、尺寸分布、位置信息等，得到柔性线路板瑕疵检测数据。
优选地，本发明还提供了一种柔性电路板瑕疵检测系统，用于执行如上所述的柔性电路板瑕疵检测方法，该柔性电路板瑕疵检测系统包括：
多谱融合成像模块，用于根据多光谱光源阵列对柔性电路板进行多通道图像序列采集，得到多通道图像序列；对多通道图像序列进行多光谱图像立方体构建，得到多光谱图像立方体；
光谱特征提取模块，用于根据多光谱图像立方体进行材质区域分割，得到材质区域图；根据材质区域图进行多特征图像融合，得到光谱特征图谱；
表面纹理重建模块，用于对柔性电路板进行多角度光度图像采集，得到多角度光度图像序列；根据多角度光度图像序列进行光谱特征高度配准图提取，得到光谱特征高度配准图；利用光谱特征高度配准图对材质区域图进行材质表面纹理数据库构建，得到材质表面纹理数据库；根据材质表面纹理数据库进行高分辨率模型优化，得到高分辨率三维表面模型；
多尺度特征金字塔模块，用于对高分辨率三维表面模型进行曲率特征图金字塔构建，得到曲率特征图金字塔；对曲率特征图金字塔进行多尺度特征融合，得到多尺度融合特征图金字塔；对多尺度融合特征图金字塔进行多尺度特征聚合，得到多尺度特征金字塔；
深度瑕疵特征学习模块，用于对多尺度特征金字塔进行多尺度特征逐层编码，得到多尺度特征编码金字塔；对多尺度特征编码金字塔进行全局特征池化，得到全局特征向量；对全局特征向量进行非线性变换，得到深度瑕疵特征向量；
瑕疵分类与定位模块，用于根据深度瑕疵特征向量进行类别激活图生成，得到类别激活图；对类别激活图进行瑕疵数据融合，得到瑕疵分类结果和定位图；
三维瑕疵检测模块，用于根据瑕疵分类结果和定位图以及高分辨率三维表面模型定位图进行瑕疵区域分割提取，得到瑕疵三维模型；对瑕疵三维模型进行三维缺陷信息叠加，得到三维瑕疵检测模型；利用三维瑕疵检测模型进行柔性线路板瑕疵检测分析，得到柔性线路板瑕疵检测数据。
本发明通过多光谱光源阵列采集多通道图像序列并构建多光谱图像立方体，能够获取柔性电路板丰富的光谱信息，为后续的材质分析和瑕疵检测提供更全面的数据基础。通过多光谱图像立方体进行材质区域分割和多特征图像融合，能够区分不同的材质区域，并生成突出材质差异的光谱特征图谱，为后续的瑕疵检测提供更准确的背景信息。通过多角度光度图像采集和光谱特征高度配准图提取，能够获取柔性电路板的三维形貌信息，并与光谱信息精确关联，构建包含丰富纹理信息的高分辨率三维表面模型，为后续的瑕疵检测提供更直观的视觉表达和更精确的定位依据。通过对高分辨率三维表面模型进行多尺度特征提取和融合，能够全面地描述柔性电路板的几何形状和纹理信息，构建包含丰富细节信息的多尺度特征金字塔，为后续的深度学习模型提供更具判别力的特征输入。通过对多尺度特征金字塔进行逐层编码、全局特征池化和非线性变换，能够提取出更抽象、更紧凑、更具语义信息的深度瑕疵特征向量，为后续的瑕疵分类和定位提供更有效的特征表示。通过深度学习模型的分类预测、类别激活图的生成和映射以及瑕疵定位优化，能够准确地识别瑕疵类别，并精确定位瑕疵区域，为后续的瑕疵分析和处理提供可靠的数据基础。通过将瑕疵信息映射到三维模型，并进行瑕疵三维建模、特征计算、信息叠加和分析，能够实现对柔性线路板瑕疵的三维可视化、定量分析和全面评估，为柔性线路板的质量控制和缺陷管理提供更强大、更高效的技术手段。因此，本发明提供了一种柔性电路板瑕疵检测方法及系统。通过多光谱成像降低了光照变化的影响，通过材质区域分割和光谱特征提取克服了复杂纹理的干扰，通过三维表面重建和多尺度特征融合增强了微小瑕疵的检出能力，最终实现了在复杂光照环境下的精准瑕疵检测。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种柔性电路板瑕疵检测方法，其特征在于，包括以下步骤：
步骤S1：根据多光谱光源阵列对柔性电路板进行多通道图像序列采集，得到多通道图像序列；对多通道图像序列进行多光谱图像立方体构建，得到多光谱图像立方体；
步骤S2：根据多光谱图像立方体进行材质区域分割，得到材质区域图；根据材质区域图进行多特征图像融合，得到光谱特征图谱；
步骤S3：对柔性电路板进行多角度光度图像采集，得到多角度光度图像序列；根据多角度光度图像序列进行光谱特征高度配准图提取，得到光谱特征高度配准图；利用光谱特征高度配准图对材质区域图进行材质表面纹理数据库构建，得到材质表面纹理数据库；根据材质表面纹理数据库进行高分辨率模型优化，得到高分辨率三维表面模型；
步骤S4：对高分辨率三维表面模型进行曲率特征图金字塔构建，得到曲率特征图金字塔；对曲率特征图金字塔进行多尺度特征融合，得到多尺度融合特征图金字塔；对多尺度融合特征图金字塔进行多尺度特征聚合，得到多尺度特征金字塔；
步骤S5：对多尺度特征金字塔进行多尺度特征逐层编码，得到多尺度特征编码金字塔；对多尺度特征编码金字塔进行全局特征池化，得到全局特征向量；对全局特征向量进行非线性变换，得到深度瑕疵特征向量；
步骤S6：根据深度瑕疵特征向量进行类别激活图生成，得到类别激活图；对类别激活图进行瑕疵数据融合，得到瑕疵分类结果和定位图；
步骤S7：根据瑕疵分类结果和定位图以及高分辨率三维表面模型定位图进行瑕疵区域分割提取，得到瑕疵三维模型；对瑕疵三维模型进行三维缺陷信息叠加，得到三维瑕疵检测模型；利用三维瑕疵检测模型进行柔性线路板瑕疵检测分析，得到柔性线路板瑕疵检测数据。
2.根据权利要求1所述的柔性电路板瑕疵检测方法，其特征在于，步骤S1包括以下步骤：
步骤S11：通过多光谱光源阵列对柔性电路板进行LED光源照明调控，得到多光谱照明矩阵；
步骤S12：通过工业相机根据多光谱照明矩阵对柔性电路板进行多通道图像序列采集，得到多通道图像序列；
步骤S13：对多通道图像序列进行光谱响应校正，得到光谱响应校正数据；根据光谱响应校正数据对多通道图像序列进行图像精确配准，得到多通道图像校正配准序列；
步骤S14：按照波段顺序对多通道图像校正配准序列进行多光谱图像立方体构建，得到多光谱图像立方体。
3.根据权利要求1所述的柔性电路板瑕疵检测方法，其特征在于，步骤S2包括以下步骤：
步骤S21：根据多光谱图像立方体进行多光谱像素向量构建，得到多光谱像素向量数据集；对多光谱像素向量数据集进行光谱维度降维，得到多光谱像素向量降维数据集；
步骤S22：对多光谱像素向量降维数据集进行光谱聚类分析，得到光谱聚类结果图；对光谱聚类结果图进行聚类结果空间平滑，得到光谱聚类结果平滑图；
步骤S23：对光谱聚类结果平滑图进行材质区域边界提取，得到材质区域边界图；
步骤S24：根据材质区域边界图对光谱聚类结果平滑图进行材质区域分割，得到材质区域图；对材质区域图进行光谱特征曲线拟合，得到材质区域光谱特征曲线；
步骤S25：对材质区域光谱特征曲线进行特征波段选择，得到特征波段集合；根据特征波段集合对多光谱图像立方体进行对应波段图像提取并进行特征图像构建，得到特征图像集；
步骤S26：对特征图像集进行多特征图像融合，得到光谱特征图谱。
4.根据权利要求1所述的柔性电路板瑕疵检测方法，其特征在于，步骤S3包括以下步骤：
步骤S31：对柔性电路板进行多角度光度图像采集，得到多角度光度图像序列；根据多角度光度图像序列进行光谱特征高度配准图提取，得到光谱特征高度配准图；
步骤S32：利用光谱特征高度配准图对材质区域图进行材质区域分割优化，得到材质区域分割优化图；
步骤S33：对材质区域分割优化图中不同材质区域进行高度和光谱特征信息提取，得到高度和光谱特征参数；根据高度和光谱特征参数进行材质表面纹理数据库构建，得到材质表面纹理数据库；
步骤S34：利用光谱特征高度配准图进行三维网格模型构建，得到柔性电路板表面三维网格模型；
步骤S35：根据材质表面纹理数据库对柔性电路板表面三维网格模型进行纹理映射，得到纹理映射三维网格模型；
步骤S36：对纹理映射三维网格模型进行高分辨率模型优化，得到高分辨率三维表面模型。
5.根据权利要求4所述的柔性电路板瑕疵检测方法，其特征在于，步骤S31包括以下步骤：
步骤S311：根据多光谱光源阵列对柔性电路板进行多角度光度图像采集，得到多角度光度图像序列；
步骤S312：对多角度光度图像序列进行图像亮度差异分析，得到图像亮度差异数据；利用图像亮度差异数据以及朗伯反射模型对多角度光度图像序列进行像素点法向量方向计算，得到法线图；
步骤S313：利用法线图对柔性电路板进行表面高度信息计算，得到高度图；
步骤S314：对高度图以及光谱特征图谱进行图像精确配准，得到光谱特征高度配准图。
6.根据权利要求1所述的柔性电路板瑕疵检测方法，其特征在于，步骤S4包括以下步骤：
步骤S41：对高分辨率三维表面模型进行高斯金字塔构建，得到高斯金字塔；
步骤S42：对高斯金字塔进行顶点法线方向计算，得到顶点法线方向数据；根据顶点法线方向数据进行范围映射并进行法线方向图金字塔构建，得到法线方向图金字塔；
步骤S43：根据法线方向图金字塔进行形状指数计算并进行形状指数图金字塔构建，得到形状指数图金字塔；
步骤S44：对形状指数图金字塔进行曲率特征提取并进行曲率特征图金字塔构建，得到曲率特征图金字塔；
步骤S45：对高分辨率三维表面模型进行二维平面映射并进行纹理特征提取，得到纹理特征图金字塔；
步骤S46：对曲率特征图金字塔以及纹理特征图金字塔进行多尺度特征融合，得到多尺度融合特征图金字塔；
步骤S47：对多尺度融合特征图金字塔进行局部特征描述，得到局部特征描述图金字塔；对局部特征描述图金字塔进行显著性特征增强，得到显著性增强特征图金字塔；对显著性增强特征图金字塔进行多尺度特征聚合，得到多尺度特征金字塔。
7.根据权利要求1所述的柔性电路板瑕疵检测方法，其特征在于，步骤S5包括以下步骤：
步骤S51：对多尺度特征金字塔进行数据增强，得到数据增强特征金字塔；
步骤S52：将数据增强特征金字塔输入至预训练的深度特征提取器模型中，进行多尺度特征逐层编码，得到多尺度特征编码金字塔；
步骤S53：对多尺度特征编码金字塔进行注意力机制引入分析，得到注意力增强特征金字塔；对注意力增强特征金字塔进行特征图融合，得到融合特征金字塔；
步骤S54：对融合特征金字塔进行全局特征池化，得到全局特征向量；对全局特征向量进行特征向量降维，得到全局特征降维向量；
步骤S55：对全局特征降维向量进行瑕疵特征增强，得到瑕疵特征增强向量；对瑕疵特征增强向量进行瑕疵区分优化，得到瑕疵特征优化向量；
步骤S56：将瑕疵特征优化向量输入至全连接层中，进行非线性变换，得到深度瑕疵特征向量。
8.根据权利要求1所述的柔性电路板瑕疵检测方法，其特征在于，步骤S6包括以下步骤：
步骤S61：将深度瑕疵特征向量输入至预训练的多分类器模型中，进行分类预测，得到瑕疵类别概率分布数据；
步骤S62：利用预设的置信度阈值对瑕疵类别概率分布数据进行瑕疵类别判定，得到瑕疵分类结果数据；
步骤S63：根据瑕疵分类结果数据进行类别激活图生成，得到类别激活图；
步骤S64：将类别激活图映射至多尺度特征金字塔中，进行瑕疵精确定位，得到多尺度瑕疵定位图；
步骤S65：对多尺度瑕疵定位图进行瑕疵区域边界优化，得到瑕疵定位优化图；
步骤S66：对瑕疵定位优化图以及瑕疵分类结果数据进行瑕疵数据融合，得到瑕疵分类结果和定位图。
9.根据权利要求1所述的柔性电路板瑕疵检测方法，其特征在于，步骤S7包括以下步骤：
步骤S71：将瑕疵分类结果和定位图映射至高分辨率三维表面模型中，进行瑕疵区域三维定位，得到三维定位瑕疵区域数据；
步骤S72：根据三维定位瑕疵区域数据对高分辨率三维表面模型进行瑕疵区域分割提取，得到瑕疵三维模型；
步骤S73：对瑕疵三维模型进行瑕疵表面特征计算，得到瑕疵表面特征数据；
步骤S74：将瑕疵分类结果和定位图映射至瑕疵三维模型中，进行瑕疵类别标签匹配，得到类别标签瑕疵三维模型；
步骤S75：根据瑕疵表面特征数据对类别标签瑕疵三维模型进行三维缺陷信息叠加，得到三维瑕疵检测模型；
步骤S76：利用三维瑕疵检测模型进行柔性线路板瑕疵检测分析，得到柔性线路板瑕疵检测数据。
10.一种柔性电路板瑕疵检测系统，其特征在于，用于执行如权利要求1所述的柔性电路板瑕疵检测方法，该柔性电路板瑕疵检测系统包括：
多谱融合成像模块，用于根据多光谱光源阵列对柔性电路板进行多通道图像序列采集，得到多通道图像序列；对多通道图像序列进行多光谱图像立方体构建，得到多光谱图像立方体；
光谱特征提取模块，用于根据多光谱图像立方体进行材质区域分割，得到材质区域图；根据材质区域图进行多特征图像融合，得到光谱特征图谱；
表面纹理重建模块，用于对柔性电路板进行多角度光度图像采集，得到多角度光度图像序列；根据多角度光度图像序列进行光谱特征高度配准图提取，得到光谱特征高度配准图；利用光谱特征高度配准图对材质区域图进行材质表面纹理数据库构建，得到材质表面纹理数据库；根据材质表面纹理数据库进行高分辨率模型优化，得到高分辨率三维表面模型；
多尺度特征金字塔模块，用于对高分辨率三维表面模型进行曲率特征图金字塔构建，得到曲率特征图金字塔；对曲率特征图金字塔进行多尺度特征融合，得到多尺度融合特征图金字塔；对多尺度融合特征图金字塔进行多尺度特征聚合，得到多尺度特征金字塔；
深度瑕疵特征学习模块，用于对多尺度特征金字塔进行多尺度特征逐层编码，得到多尺度特征编码金字塔；对多尺度特征编码金字塔进行全局特征池化，得到全局特征向量；对全局特征向量进行非线性变换，得到深度瑕疵特征向量；
瑕疵分类与定位模块，用于根据深度瑕疵特征向量进行类别激活图生成，得到类别激活图；对类别激活图进行瑕疵数据融合，得到瑕疵分类结果和定位图；
三维瑕疵检测模块，用于根据瑕疵分类结果和定位图以及高分辨率三维表面模型定位图进行瑕疵区域分割提取，得到瑕疵三维模型；对瑕疵三维模型进行三维缺陷信息叠加，得到三维瑕疵检测模型；利用三维瑕疵检测模型进行柔性线路板瑕疵检测分析，得到柔性线路板瑕疵检测数据。
CN202411111176.4A 2024-08-14 2024-08-14 一种柔性电路板瑕疵检测方法及系统 Active CN118644483B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411111176.4A CN118644483B (zh) 2024-08-14 2024-08-14 一种柔性电路板瑕疵检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411111176.4A CN118644483B (zh) 2024-08-14 2024-08-14 一种柔性电路板瑕疵检测方法及系统

Publications (2)

Publication Number Publication Date
CN118644483A true CN118644483A (zh) 2024-09-13
CN118644483B CN118644483B (zh) 2024-11-15

Family

ID=92661481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411111176.4A Active CN118644483B (zh) 2024-08-14 2024-08-14 一种柔性电路板瑕疵检测方法及系统

Country Status (1)

Country Link
CN (1) CN118644483B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118887214A (zh) * 2024-09-29 2024-11-01 宁波卓尔汽车零部件有限公司 可实现正面方向盘发光标志的方法
CN119228805A (zh) * 2024-12-04 2024-12-31 诸暨市锦向针织有限公司 一种基于机器视觉的针织面料瑕疵检测方法及系统
CN119334923A (zh) * 2024-12-17 2025-01-21 陕西金翼服装有限责任公司 一种基于紫外线的纺织物关键点高精度检测方法
CN119624964A (zh) * 2025-02-13 2025-03-14 珠海新立电子科技有限公司 高阶算力自动驾驶fpc传感模组的焊接质量检测方法及系统
CN119673330A (zh) * 2025-02-21 2025-03-21 中国人民解放军空军军医大学 基于光谱检测技术的胃肠肿瘤放疗增敏药物检测方法
CN119715591A (zh) * 2024-12-05 2025-03-28 泰石节能(青岛)有限公司 一种基于机器视觉的岩棉幕墙板缺陷检测方法及系统
CN119887731A (zh) * 2025-01-14 2025-04-25 郑州大学 电路板用质量分析方法、系统及存储介质
CN120084252A (zh) * 2025-02-07 2025-06-03 重庆邮电大学 一种基于多光谱激光散斑图像的粗糙度测量方法及装置
CN120314320A (zh) * 2025-06-17 2025-07-15 成都凌亚科技有限公司 一种计算处理模块成品监测方法及系统
CN120495774A (zh) * 2025-05-17 2025-08-15 北京空陆视觉科技有限公司 一种基于光度立体的识别系统及方法
CN120525820A (zh) * 2025-05-08 2025-08-22 广东省源天工程有限公司 一种绿色环保型管道模具制备方法
CN120612327A (zh) * 2025-08-06 2025-09-09 上海正项信息科技有限公司 一种工业产品微小瑕疵视觉检测系统及方法
CN120726049A (zh) * 2025-08-29 2025-09-30 四川羽佳模塑有限公司 一种基于机器视觉的注塑产品缺陷检测方法
CN120807406A (zh) * 2025-06-17 2025-10-17 意迪特压铸科技(苏州)有限公司 一种基于机器视觉压铸件毛刺检测系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314981A (zh) * 2023-08-11 2023-12-29 华夏国合(北京)空间科技有限公司 多源卫星数据图像自动配准方法及系统
US20240193752A1 (en) * 2022-12-08 2024-06-13 Hangzhou Dianzi University Fabric defect detection method

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240193752A1 (en) * 2022-12-08 2024-06-13 Hangzhou Dianzi University Fabric defect detection method
CN117314981A (zh) * 2023-08-11 2023-12-29 华夏国合(北京)空间科技有限公司 多源卫星数据图像自动配准方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
沈凌云;朱明;郎百和;韩太林;: "一种用于CTP版表面瑕疵的自适应检测算法", 长春理工大学学报(自然科学版), no. 06, 15 December 2014 (2014-12-15) *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118887214A (zh) * 2024-09-29 2024-11-01 宁波卓尔汽车零部件有限公司 可实现正面方向盘发光标志的方法
CN119228805A (zh) * 2024-12-04 2024-12-31 诸暨市锦向针织有限公司 一种基于机器视觉的针织面料瑕疵检测方法及系统
CN119715591A (zh) * 2024-12-05 2025-03-28 泰石节能(青岛)有限公司 一种基于机器视觉的岩棉幕墙板缺陷检测方法及系统
CN119334923A (zh) * 2024-12-17 2025-01-21 陕西金翼服装有限责任公司 一种基于紫外线的纺织物关键点高精度检测方法
CN119887731A (zh) * 2025-01-14 2025-04-25 郑州大学 电路板用质量分析方法、系统及存储介质
CN120084252A (zh) * 2025-02-07 2025-06-03 重庆邮电大学 一种基于多光谱激光散斑图像的粗糙度测量方法及装置
CN119624964A (zh) * 2025-02-13 2025-03-14 珠海新立电子科技有限公司 高阶算力自动驾驶fpc传感模组的焊接质量检测方法及系统
CN119673330A (zh) * 2025-02-21 2025-03-21 中国人民解放军空军军医大学 基于光谱检测技术的胃肠肿瘤放疗增敏药物检测方法
CN120525820A (zh) * 2025-05-08 2025-08-22 广东省源天工程有限公司 一种绿色环保型管道模具制备方法
CN120495774B (zh) * 2025-05-17 2026-03-20 北京空陆视觉科技有限公司 一种基于光度立体的识别系统及方法
CN120495774A (zh) * 2025-05-17 2025-08-15 北京空陆视觉科技有限公司 一种基于光度立体的识别系统及方法
CN120314320A (zh) * 2025-06-17 2025-07-15 成都凌亚科技有限公司 一种计算处理模块成品监测方法及系统
CN120314320B (zh) * 2025-06-17 2025-09-23 成都凌亚科技有限公司 一种计算处理模块成品监测方法及系统
CN120807406A (zh) * 2025-06-17 2025-10-17 意迪特压铸科技(苏州)有限公司 一种基于机器视觉压铸件毛刺检测系统及方法
CN120612327A (zh) * 2025-08-06 2025-09-09 上海正项信息科技有限公司 一种工业产品微小瑕疵视觉检测系统及方法
CN120726049A (zh) * 2025-08-29 2025-09-30 四川羽佳模塑有限公司 一种基于机器视觉的注塑产品缺陷检测方法

Also Published As

Publication number Publication date
CN118644483B (zh) 2024-11-15

Similar Documents

Publication Publication Date Title
CN118644483B (zh) 一种柔性电路板瑕疵检测方法及系统
CN118608504B (zh) 一种基于机器视觉的零部件表面质量检测方法及其系统
CN113592845A (zh) 一种电池涂布的缺陷检测方法及装置、存储介质
CN110148130B (zh) 用于检测零件缺陷的方法和装置
JP5546317B2 (ja) 外観検査装置、外観検査用識別器の生成装置及び外観検査用識別器生成方法ならびに外観検査用識別器生成用コンピュータプログラム
CN118037091A (zh) 一种基于计算机视觉技术的智能化报工质检方法及系统
CN119444658A (zh) 一种纺织品瑕疵的定位方法
Zhang et al. EGD-Net: Edge-guided and differential attention network for surface defect detection
CN119399579A (zh) 一种用于ai视觉识别的训练数据集标注方法及装置
CN118154562A (zh) 一种基于yolo7的深度学习的金属表面在线缺陷检测系统
CN119068486A (zh) 基于深度模型的中医舌象特征提取方法及系统
CN119784741A (zh) 一种用于5g柔体线路板缺陷检测模型的训练方法及系统
Pramunendar et al. A Robust Image Enhancement Techniques for Underwater Fish Classification in Marine Environment.
CN120126107A (zh) 基于图像技术的药材鉴别模型的构建方法
CN119991544A (zh) 基于二维图像的输电线路耐张线夹缺陷智能分类方法与系统
CN116109627A (zh) 基于迁移学习和小样本学习缺陷检测方法、装置及介质
CN119784754A (zh) 基于计算机视觉的电子器件检测系统
CN120707568A (zh) 基于多特征融合的覆盖膜缺陷智能检测方法及系统
CN119130912A (zh) 基于深度图的带钢表面缺陷检测方法及系统
CN119672426B (zh) 基于智能学习的rfid芯片图像异常检测方法及系统
CN121258912A (zh) 基于计算机视觉的玻璃瑕疵识别方法、系统、设备及介质
CN120088182A (zh) 精密注塑模具表面缺陷视觉识别系统及方法
CN115471494A (zh) 基于图像处理的沃柑质检方法、装置、装备及存储介质
CN119723101B (zh) 一种基于UNet++的多尺度芯片缺陷尺寸测量方法
CN121563979B (zh) 一种基于交互式特征学习的半导体晶圆视觉检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant