Nothing Special   »   [go: up one dir, main page]

CN114674836A - 一种高精度镜头检测设备及检测算法 - Google Patents

一种高精度镜头检测设备及检测算法 Download PDF

Info

Publication number
CN114674836A
CN114674836A CN202210201349.6A CN202210201349A CN114674836A CN 114674836 A CN114674836 A CN 114674836A CN 202210201349 A CN202210201349 A CN 202210201349A CN 114674836 A CN114674836 A CN 114674836A
Authority
CN
China
Prior art keywords
detection
assembly
image
bearing support
matching
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.)
Pending
Application number
CN202210201349.6A
Other languages
English (en)
Inventor
辛雅桥
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202210201349.6A priority Critical patent/CN114674836A/zh
Publication of CN114674836A publication Critical patent/CN114674836A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G01N21/9501—Semiconductor wafers
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Signal Processing (AREA)
  • Image Processing (AREA)

Abstract

一种高精度镜头检测设备及检测算法，它涉及一种封装检测技术。它包含工作平台，工作平台上设有检测龙门组件，检测龙门组件的下方设有第一移动模组和第二移动模组，第一移动模组和第二移动模组之间设有第一工作台、第二工作台、第一工作盒、第二工作盒、第一检测组件和激光检测组件，所述的第一检测组件的底部设有第一固定镜头，激光检测组件的底部设有第二固定镜头，所述的检测龙门组件的右侧设有第一承载支架、第二承载支架、第三检测装和第二镭射检测装置，所述的工作平台的左侧设有第一推料组件、第一上料升降机、第二推料组件和第二上料升降机。本发明采用固定镜头使成像效果好，同时利用双轨拍照识别检测和高效检测算法，使效率效率和精度更高。

Description

一种高精度镜头检测设备及检测算法
技术领域
本发明涉及封装技术领域，具体涉及一种高精度镜头检测设备及检测算法。
背景技术
当前在LED/IC封装领域的固晶焊线检测行业，芯片封装的过程中需要进行固晶焊线缺陷检测，受限于精度的影响，常规AOI装备无法完成缺陷检测，行业内目前精度仅能做到5um，无法满足实际使用需求。
发明内容
本发明的目的在于针对现有技术的缺陷和不足，提供一种高精度镜头检测设备及检测算法，它采用固定镜头使成像效果好，同时利用双轨同时拍照识别检测和采用高效的检测算法，使效率更高，同时采用双轨流水线式的检测方式，即可独立运行，也可同时运行，极大提高了对元件检测效率，同时实现了检测的灵活性和高精度性。
为实现上述目的，本发明采用以下技术方案是：一种高精度镜头检测设备，它包含工作平台1，工作平台1上设有检测龙门组件2，检测龙门组件2的下方设有第一移动模组3和第二移动模组4，第一移动模组3和第二移动模组4位于工作平台1的上表面，第一移动模组3和第二移动模组4之间设有第一工作台5、第二工作台6、第一工作盒7、第二工作盒8、第一检测组件9和激光检测组件10，且第一工作台5、第二工作台6、第一工作盒7、第二工作盒8、第一检测组件9和激光检测组件10位于检测龙门组件2的左侧，所述的第一检测组件9的底部设有第一固定镜头21，激光检测组件10的底部设有第二固定镜头22，所述的第一工作盒7位于第一固定镜头21的正下方，第二工作盒8位于第二固定镜头22的正下方；
所述的检测龙门组件2的右侧设有第一承载支架11、第二承载支架12、第一镭射检测装置13和第二镭射检测装置14，所述的第一承载支架11位于第一检测组件9的右侧，第一镭射检测装置13位于第一承载支架11的上方，第一镭射检测装置13、第二镭射检测装置14与第一承载支架11、第二承载支架12相对称设置；
所述的工作平台1的左侧设有第一推料组件15、第一上料升降机16、第二推料组件17和第二上料升降机18，所述的第一上料升降机16位于第一工作台5的左侧，第一推料组件15连接在第一上料升降机16的左侧，第二推料组件17、第二上料升降机18与第二推料组件17、第二上料升降机18相对称设置。
进一步的，所述的第一工作台5位于第一移动模组3的后侧，第一工作盒7位于第一工作台5的上方，第一检测组件9位于第一工作盒7的右侧，第二工作台6、第二工作盒8和激光检测组件10与第一工作台5、第一工作盒7和第一检测组件9相对称设置。
进一步的，所述的工作平台1的右侧设有第一收料组件19和第二收料组件20，所述的第一收料组件19位于第一承载支架11的右侧，第二收料组件20与第一承载支架11相对称设置。
进一步的，所述的第一收料组件19、第二收料组件20与第一承载支架11、第二承载支架12之间设有门架23。
一种高精度镜头检测设备检测算法，它包含以下步骤：
步骤S1，图片训练；
步骤S2，将完成步骤1后的图片进行合成虚拟图像；
步骤S3，特征训练；
步骤S4，实时抓拍；
步骤S5，匹配特征值；
步骤S6，动态定位；
步骤S7，运动控制；
步骤S8，匹配模型；
步骤S9，自动识别；
步骤S10，判断NG/OK；
所述的步骤S1中的图片训练包含图片预处理，所述图片预处理的步包括图像的灰度变换和直方图均衡化的处理，所述的图像的灰度变换的方法采用平均值法，所述的平均值法利用公式,取各个颜色分量的平均值作为其灰度值，所述的直方图均衡化通过有效地扩展常用的亮度，以增强图像局部的对比度，从而达到图像清晰的目的；
所述的步骤S2中的特性训练为采用AdaBoost数学模型，通过对步骤S2中的合成虚拟图像进行提取Haar特征，通过训练正常元件样本分类器来实现，所述的AdaBoost数学模型是基于样本权重调整的方法，在样本权重相同的情况下训练一个弱分类器，针对错分及正确分类的样本，分别增大及降低其相应权重，在新的样本权重情况下，训练处新的弱分类器，同理，经过N次循环获得N个弱分类器，并将其按一定权重叠加，得到强分类器，所述的正常元件类Haar特征利用图像训练分类器，之后将该分类器用于待识别图像的目标区域；
所述的步骤S5中的匹配特征值为将步骤4实时抓拍的图像与经过步骤S3特性训练的分类器进行特征值匹配，所述的特征值匹配的算法包含以下步骤：
步骤S10，根据设定好的尺度因子，将步骤S3中的图像分类器和步骤4实时抓拍的标准图像进行等比例缩小；
步骤S20，提取缩小后的合成虚拟图像与缩小后的标准图像之间的特征点对，由特征点对计算出变换矩阵；
步骤S30，根据步骤S10中的尺度因子和步骤S20中的变换矩阵，推导出缩小前的图像变换矩阵；
步骤S40，根据步骤S30得到的缩小前的图像变换矩阵进行图像特征匹配；
所述的步骤S6中的动态定位基于步骤S4中提取特征值，结合步骤S5匹配特征值，将进料板定位至其图像特征值相匹配的区域。
所述的步骤S7中的运动控制为通过运动控制其控制相关伺服系统移动进料板；
所述的步骤S8中的匹配模型为根据步骤S5中的匹配特征值算法建立匹配模型，并在模型中设定匹配阈值。
本发明的工作原理：
本发明工作时，首先将待检测元件放置在第一推料组件15上，第一推料组件15通过第一上料升降机16移动至第一检测组件9的左侧，接着通过第一移动模组3将待检测元件推入第一检测组件9下方的第一工作盒7上，通过第一检测组件9上的第一固定镜头21并配合光源对元件进行检测，其中第一检测组件9为固定结构构，不可移动，待检测元件放置在第一工作盒7上，并跟随第一工作盒7在X轴和Y轴空间上移动，接受第一固定镜头21的检测，其检测元件的芯片是否正常，在检测机构作用下完成检测后，元件第一移动模组3通过进一步流入到第一镭射检测装置13下方的第二工作盒11，元件通过第一镭射检测装置13的检测后，元件流入到第一收料组件19，进而对元件进行激光打标，由于该装置设有相互对称的检测线，元件可通过选择放置在第一推料组件15和第二推料组件17中的一个或两个进行接受检测。
在具体检测时首先通过选取进料支架视觉镜头选取的图片，对这些图片进行训练处理，其训练处理包括对图片的预处理，通过对图像进行灰度变换和直方图均衡化处理，进而使图片达到清晰的效果，接着将训练后的图片合成虚拟图像，之后通过采用AdaBoost数学模型，对其虚拟图像进行特性训练，并得到图像分类器，然后通过工业相机对待检测元件进行实时抓拍，将抓拍后得到的图像与图像分类器通过特点算法进行特征值匹配，之后通过控制其对工业相机进行动态定位和运动控制，以得到准确的图像，接着建立匹配模型，设定匹配阈值，通过算法实现自动识别，当识别的结果与阈值做比对，依次做成移动动作，同时系统根据比对结果，记录不良品特征和位置。
采用上述技术方案后，本发明有益效果为：
1、本发明通过在工作平台上分别设置两个固定镜头检测组件，并在其下方分别设置两组轨道移动机构，通过将待检测元件放置在轨道上的工作盒上，其接受检测时随轨道移动平台上不停的在XY轴方向上移动，检测完成后，该方式采用固定镜头使成像效果好，同时利用双轨同时拍照识别检测使效率更高，同时采用双轨流水线式的检测方式，即可独立运行，也可同时运行，极大提高了对元件检测效率，同时实现了检测的灵活性；
2、本发明通过采用AdaBoost数学模型进行图像特征训练，和运用算法进行图像匹配特征值，并建立匹配模型，实现系统自动识别，其采用的算法具有理论可靠、移动精度高等特点，其检测精度精确到1.5um，满足行业生产生产使用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的结构示意图。
图2是图1的立体示意图。
图3是图2的另一方向示意图。
图4是本发明的流程示意图。
图5是本发明中采用的AdaBoost数学模型的流程图。
附图标记说明：工作平台1、检测龙门组件2、第一移动模组3、第二移动模组4、第一工作台5、第二工作台6、第一工作盒7、第二工作盒8、第一检测组件9、激光检测组件10、第一承载支架11、第二承载支架12、第一镭射检测装置13、第二镭射检测装置14、第一推料组件15、第一上料升降机16、第二推料组件17、第二上料升降机18、第一收料组件19、第二收料组件20、第一固定镜头21、第二固定镜头22、门架23。
具体实施方式
参看图1-图5所示，本具体实施方式采用的技术方案是：它包含工作平台1，工作平台1上设有检测龙门组件2，检测龙门组件2的下方设有第一移动模组3和第二移动模组4，第一移动模组3和第二移动模组4位于工作平台1的上表面，第一移动模组3和第二移动模组4之间设有第一工作台5、第二工作台6、第一工作盒7、第二工作盒8、第一检测组件9和激光检测组件10，且第一工作台5、第二工作台6、第一工作盒7、第二工作盒8、第一检测组件9和激光检测组件10位于检测龙门组件2的左侧，所述的第一检测组件9的底部设有第一固定镜头21，激光检测组件10的底部设有第二固定镜头22，所述的第一工作盒7位于第一固定镜头21的正下方，第二工作盒8位于第二固定镜头22的正下方；
所述的检测龙门组件2的右侧设有第一承载支架11、第二承载支架12、第一镭射检测装置13和第二镭射检测装置14，所述的第一承载支架11位于第一检测组件9的右侧，第一镭射检测装置13位于第一承载支架11的上方，第一镭射检测装置13、第二镭射检测装置14与第一承载支架11、第二承载支架12相对称设置；
所述的工作平台1的左侧设有第一推料组件15、第一上料升降机16、第二推料组件17和第二上料升降机18，所述的第一上料升降机16位于第一工作台5的左侧，第一推料组件15连接在第一上料升降机16的左侧，第二推料组件17、第二上料升降机18与第二推料组件17、第二上料升降机18相对称设置，第一上料升降机16和第二上料升降机18采用伺服电机驱动。
所述的第一工作台5位于第一移动模组3的后侧，第一工作盒7位于第一工作台5的上方，第一检测组件9位于第一工作盒7的右侧，第二工作台6、第二工作盒8和激光检测组件10与第一工作台5、第一工作盒7和第一检测组件9相对称设置。
所述的工作平台1的右侧设有第一收料组件19和第二收料组件20，所述的第一收料组件19位于第一承载支架11的右侧，第二收料组件20与第一承载支架11相对称设置。
所述的第一收料组件19、第二收料组件20与第一承载支架11、第二承载支架12之间设有门架23。
应用于LED/IC封装的高精度镜头检测算法，它包含以下步骤：
步骤S1，图片训练；
步骤S2，将完成步骤1后的图片进行合成虚拟图像；
步骤S3，特征训练；
步骤S4，实时抓拍；
步骤S5，匹配特征值；
步骤S6，动态定位；
步骤S7，运动控制；
步骤S8，匹配模型；
步骤S9，自动识别；
步骤S10，判断NG/OK；
所述的步骤S1中的图片训练包含图片预处理，所述图片预处理的步包括图像的灰度变换和直方图均衡化的处理，所述的图像的灰度变换的方法采用平均值法，所述的平均值法利用公式,取各个颜色分量的平均值作为其灰度值，所述的直方图均衡化通过有效地扩展常用的亮度，以增强图像局部的对比度，从而达到图像清晰的目的；
所述的步骤S2中的特性训练为采用AdaBoost数学模型，通过对步骤S2中的合成虚拟图像进行提取Haar特征，通过训练正常元件样本分类器来实现，所述的AdaBoost数学模型是基于样本权重调整的方法，在样本权重相同的情况下训练一个弱分类器，针对错分及正确分类的样本，分别增大及降低其相应权重，在新的样本权重情况下，训练处新的弱分类器，同理，经过四次循环获得四个弱分类器，并将其按一定权重叠加，得到强分类器，所述的正常元件类Haar特征利用图像训练分类器，之后将该分类器用于待识别图像的目标区域；
所述的步骤S5中的匹配特征值为将步骤4实时抓拍的图像与经过步骤S3特性训练的分类器进行特征值匹配，所述的特征值匹配的算法包含以下步骤：
步骤S10，根据设定好的尺度因子，将步骤S3中的图像分类器和步骤4实时抓拍的标准图像进行等比例缩小；
步骤S20，提取缩小后的合成虚拟图像与缩小后的标准图像之间的特征点对，由特征点对计算出变换矩阵；
步骤S30，根据步骤S10中的尺度因子和步骤S20中的变换矩阵，推导出缩小前的图像变换矩阵；
步骤S40，根据步骤S30得到的缩小前的图像变换矩阵进行图像特征匹配；
所述的步骤S6中的动态定位基于步骤S4中提取特征值，结合步骤S5匹配特征值，将进料板定位至其图像特征值相匹配的区域。
所述的步骤7中的运动控制为通过运动控制其控制相关伺服系统移动进料板；
所述的步骤S8中的匹配模型为根据步骤S5中的匹配特征值算法建立匹配模型，并在模型中设定匹配阈值。
本实施例工作时，首先将待检测元件放置在第一推料组件15上，第一推料组件15通过第一上料升降机16移动至第一检测组件9的左侧，接着通过第一移动模组3将待检测元件推入第一检测组件9下方的第一工作盒7上，通过第一检测组件9上的第一固定镜头21并配合光源对元件进行检测，其中第一检测组件9为固定结构构，不可移动，待检测元件放置在第一工作盒7上，并跟随第一工作盒7在X轴和Y轴空间上移动，接受第一固定镜头21的检测，在检测机构作用下完成检测后，元件第一移动模组3通过进一步流入到第一镭射检测装置13下方的第二工作盒11，元件通过第一镭射检测装置13的检测后，元件流入到第一收料组件19，进而完成对元件检测，即激光打标，由于该装置设有相互对称的检测线，元件可通过选择放置在第一推料组件15和第二推料组件17中的两个进行接受检测。
在具体检测时首先通过选取进料支架视觉镜头选取的图片，对这些图片进行训练处理，其训练处理包括对图片的预处理，通过对图像进行灰度变换和直方图均衡化处理，进而使图片达到清晰的效果，接着将训练后的图片合成虚拟图像，之后通过采用AdaBoost数学模型，对其虚拟图像进行特性训练，并得到图像分类器，然后通过工业相机对待检测元件进行实时抓拍，将抓拍后得到的图像与图像分类器通过特点算法进行特征值匹配，之后通过控制其对工业相机进行动态定位和运动控制，以得到准确的图像，接着建立匹配模型，设定匹配阈值，通过算法实现自动识别，当识别的结果与阈值做比对，依次做成移动动作，同时系统根据比对结果，记录不良品特征和位置。
采用上述技术方案后，本实施例有益效果为：
1、本实施例通过在工作平台上分别设置两个固定镜头检测组件，并在其下方分别设置两组轨道移动机构，通过将待检测元件放置在轨道上的工作盒上，其接受检测时随轨道移动平台上不停的在XY轴方向上移动，检测完成后，该方式采用固定镜头使成像效果好，同时利用双轨同时拍照识别检测使效率更高，同时采用双轨流水线式的检测方式，即可独立运行，也可同时运行，极大提高了对元件检测效率，同时实现了检测的灵活性；
2、本实施例通过采用AdaBoost数学模型进行图像特征训练，和运用算法进行图像匹配特征值，并建立匹配模型，实现系统自动识别，其采用的算法具有理论可靠、移动精度高等特点，其检测精度精确到1.5um，满足行业生产生产使用。
以上所述，仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其它修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种高精度镜头检测设备，其特征在于：它包含工作平台(1)，工作平台(1)上设有检测龙门组件(2)，检测龙门组件(2)的下方设有第一移动模组(3)和第二移动模组(4)，第一移动模组(3)和第二移动模组(4)位于工作平台(1)的上表面，第一移动模组(3)和第二移动模组(4)之间设有第一工作台(5)、第二工作台(6)、第一工作盒(7)、第二工作盒(8)、第一检测组件(9)和激光检测组件(10)，且第一工作台(5)、第二工作台(6)、第一工作盒(7)、第二工作盒(8)、第一检测组件(9)和激光检测组件(10)位于检测龙门组件(2)的左侧，所述的第一检测组件(9)的底部设有第一固定镜头(21)，激光检测组件(10)的底部设有第二固定镜头(22)，所述的第一工作盒(7)位于第一固定镜头(21)的正下方，第二工作盒(8)位于第二固定镜头(22)的正下方；
所述的检测龙门组件(2)的右侧设有第一承载支架(11)、第二承载支架(12)、第一镭射检测装置(13)和第二镭射检测装置(14)，所述的第一承载支架(11)位于第一检测组件(9)的右侧，第一镭射检测装置(13)位于第一承载支架(11)的上方，第一镭射检测装置(13)、第二镭射检测装置(14)与第一承载支架(11)、第二承载支架(12)相对称设置；
所述的工作平台(1)的左侧设有第一推料组件(15)、第一上料升降机(16)、第二推料组件(17)和第二上料升降机(18)，所述的第一上料升降机(16)位于第一工作台(5)的左侧，第一推料组件(15)连接在第一上料升降机(16)的左侧，第二推料组件(17)、第二上料升降机(18)与第二推料组件(17)、第二上料升降机(18)相对称设置。
2.根据权利要求(1)所述的一种高精度镜头检测设备，其特征在于：所述的第一工作台(5)位于第一移动模组(3)的后侧，第一工作盒(7)位于第一工作台(5)的上方，第一检测组件(9)位于第一工作盒(7)的右侧，第二工作台(6)、第二工作盒(8)和激光检测组件(10)与第一工作台(5)、第一工作盒(7)和第一检测组件(9)相对称设置。
3.根据权利要求(1)所述的一种高精度镜头检测设备，其特征在于：所述的工作平台(1)的右侧设有第一收料组件(19)和第二收料组件(20)，所述的第一收料组件(19)位于第一承载支架(11)的右侧，第二收料组件(20)与第一承载支架(11)相对称设置。
4.根据权利要求(3)所述的一种高精度镜头检测设备，其特征在于：所述的第一收料组件(19)、第二收料组件(20)与第一承载支架(11)、第二承载支架(12)之间设有门架(23)。
5.一种高精度镜头检测设备检测算法，它包含以下步骤：
步骤S1，图片训练；
步骤S2，将完成步骤1后的图片进行合成虚拟图像；
步骤S3，特征训练；
步骤S4，实时抓拍；
步骤S5，匹配特征值；
步骤S6，动态定位；
步骤S7，运动控制；
步骤S8，匹配模型；
步骤S9，自动识别；
步骤S10，判断NG/OK；
所述的步骤S1中的图片训练包含图片预处理，所述图片预处理的步包括图像的灰度变换和直方图均衡化的处理，所述的图像的灰度变换的方法采用平均值法，所述的平均值法利用公式,取各个颜色分量的平均值作为其灰度值，所述的直方图均衡化通过有效地扩展常用的亮度，以增强图像局部的对比度，从而达到图像清晰的目的；
所述的步骤S2中的特性训练为采用AdaBoost数学模型，通过对步骤S2中的合成虚拟图像进行提取Haar特征，通过训练正常元件样本分类器来实现，所述的AdaBoost数学模型是基于样本权重调整的方法，在样本权重相同的情况下训练一个弱分类器，针对错分及正确分类的样本，分别增大及降低其相应权重，在新的样本权重情况下，训练处新的弱分类器，同理，经过N次循环获得N个弱分类器，并将其按一定权重叠加，得到强分类器，所述的正常元件类Haar特征利用图像训练分类器，之后将该分类器用于待识别图像的目标区域；
所述的步骤S5中的匹配特征值为将步骤4实时抓拍的图像与经过步骤S3特性训练的分类器进行特征值匹配，所述的特征值匹配的算法包含以下步骤：
步骤S10，根据设定好的尺度因子，将步骤S3中的图像分类器和步骤4实时抓拍的标准图像进行等比例缩小；
步骤S20，提取缩小后的合成虚拟图像与缩小后的标准图像之间的特征点对，由特征点对计算出变换矩阵；
步骤S30，根据步骤S10中的尺度因子和步骤S20中的变换矩阵，推导出缩小前的图像变换矩阵；
步骤S40，根据步骤S30得到的缩小前的图像变换矩阵进行图像特征匹配；
所述的步骤S6中的动态定位基于步骤S4中提取特征值，结合步骤S5匹配特征值，将进料板定位至其图像特征值相匹配的区域。
所述的步骤S7中的运动控制为通过运动控制其控制相关伺服系统移动进料板；
所述的步骤S8中的匹配模型为根据步骤S5中的匹配特征值算法建立匹配模型，并在模型中设定匹配阈值。
CN202210201349.6A 2022-03-03 2022-03-03 一种高精度镜头检测设备及检测算法 Pending CN114674836A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210201349.6A CN114674836A (zh) 2022-03-03 2022-03-03 一种高精度镜头检测设备及检测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210201349.6A CN114674836A (zh) 2022-03-03 2022-03-03 一种高精度镜头检测设备及检测算法

Publications (1)

Publication Number Publication Date
CN114674836A true CN114674836A (zh) 2022-06-28

Family

ID=82073517

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210201349.6A Pending CN114674836A (zh) 2022-03-03 2022-03-03 一种高精度镜头检测设备及检测算法

Country Status (1)

Country Link
CN (1) CN114674836A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117890371A (zh) * 2024-01-18 2024-04-16 马鞍山芯乔科技有限公司 一种晶圆外观检测功能影像迭合的方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117890371A (zh) * 2024-01-18 2024-04-16 马鞍山芯乔科技有限公司 一种晶圆外观检测功能影像迭合的方法

Similar Documents

Publication Publication Date Title
CN110314854B (zh) 一种基于视觉机器人的工件检测分拣的装置及方法
CN109991166B (zh) 用于产品外观缺陷检测的设备及其组合光源装置、方法
CN109115785B (zh) 一种铸件打磨质量检测方法、装置及其使用方法
CN111729869B (zh) 一种机器视觉分析的汽车功率器件检测系统
CN110216080A (zh) 一种基于图像对比的pcb加工产线的质量监控系统
CN109142381B (zh) 一种高速视觉检测识别设备
CN107944504B (zh) 木板识别及木板识别的机器学习方法、装置及电子设备
CN110044909A (zh) 一种基于图像处理的电机转子焊点缺陷检测装置及方法
CN208574964U (zh) 一种基于机器视觉的自动辨识及分拣烟盒装置
CN109085179A (zh) 一种木板表面缺陷检测装置及检测方法
CN109840900A (zh) 一种应用于智能制造车间的故障在线检测系统及检测方法
CN114674836A (zh) 一种高精度镜头检测设备及检测算法
US11378520B2 (en) Auto focus function for vision inspection system
CN112345553A (zh) 一种硬盘零件检测装置及检测方法
CN106583273A (zh) 全自动ccd检测排除设备
CN106353331A (zh) 一种晶片质量检测装置
CN115610997A (zh) 全自动板卡烧录测试一体机及方法
CN110097042A (zh) 一种具有弧度的剃须刀外壳的字符检测系统及检测方法
CN212597236U (zh) 一种汽车功率器件品质检测装置
JP6823156B2 (ja) バックアップピンの認識方法および部品実装装置
CN111486790A (zh) 一种电池全尺寸检测方法与装置
CN114998279B (zh) 一种石材大板表面凹坑和裂缝的识别定位方法
CN106442536A (zh) 基于机器视觉的ic卡自动挑线装置及方法
CN117761060A (zh) 一种视觉检测系统及其检测方法
CN107068589A (zh) 一种基于图像识别的晶粒挑选系统及方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication