一种电子元器件缺陷识别方法与流程

本发明涉及图像识别，特别是涉及一种电子元器件缺陷识别方法。

背景技术：

1、随着社会经济的发展、工业化社会的推进，工业生产领域人工智能系统飞速发展，电子产品应用随之提高，电子元器件作为电子产品的重要构件，其质量的好坏直接影响电子产品使用效果。

2、电子元器件通常由很多部件构成，且构成部件的体积较小，在生产过程中容易出现组装漏装部件的现象，并且通过rgb相机很难获得元器件内部的部件组装情况，因而需利用x光机采集保险的内部信息图像。

3、但是，由于x光机拍摄的图像清晰度相对小，同时其颜色信息丰富度也相对较少，因而检测时其很容易出现误检现象。因此，设计一种电子元器件缺陷识别方法是十分有必要的。

技术实现思路

1、本发明的目的是提供一种电子元器件缺陷识别方法，以通过边缘检测技术提高图像识别的精确度，并通过人工智能实现自动化检测。

2、为实现上述目的，本发明提供了如下方案：

3、一种电子元器件缺陷识别方法，包括如下步骤：

4、采集电子元器件的结构图像，并对结构图像进行降噪处理，得到降噪图像；

5、通过图像分割技术将降噪图像划分为若干个分割图像；

6、提取全部分割图像的显著点；

7、分别计算分割图像中全部像素点的特征矩阵；

8、通过神经网络模型得到全部特征矩阵的特征向量；

9、计算特征向量的相似度，若计算结果未超过相似度阈值，则认为特征向量对应的结构图像内存在缺陷。

10、可选地，对结构图像进行降噪处理的具体方法为：通过高斯滤波器对结构图像进行滤波降噪处理；滤波降噪的具体公式为：；其中 ，为降噪图像，为结构图像， x为图像中像素的的横坐标， y为图像中像素的纵坐标， i为横坐标的增量， j为纵坐标的增量， g( x,y)为高斯滤波器的权重， k为高斯滤波器的大小。

11、可选地，图像分割技术采用灰度阈值分割法。

12、可选地，提取全部分割图像的显著点，具体步骤如下：

13、计算分割图像各个像素点的特征幅值和特征方向，将特征方向相同的像素点的特征幅值进行对比，选取特征幅值最大的像素点作为显著点。

14、可选地，特征幅值的计算公式为：；其中，m为特征幅值，分别为像素点8个方向的变化率；像素点8个方向分别为：水平的左右方向、垂直的上下方向、左上、左下、右上和右下。

15、可选地，特征方向的计算公式为：；其中，为特征方向的角度值，为水平方向参数，为垂直方向参数。

16、可选地，分别计算分割图像中全部像素点的特征矩阵，具体步骤为：将像素点8个方向上的单位向量进行向量组合，得到特征矩阵；特征矩阵的表达式为：a=（α1，α2，....，α8）；其中，a为特征矩阵，α1~α8分别为8个方向上的单位向量。

17、可选地，神经网络模型为卷积神经网络模型。

18、可选地，特征向量的相似度的计算公式为：

19、；

20、其中，t为相似度，为目标特征向量，为目标特征向量相邻的第n个特征向量。

21、可选地，灰度阈值分割法的具体步骤为：

22、获取降噪图像全部像素点的灰度值；

23、统计不同灰度值的出现频率并生成灰度直方图；

24、通过对灰度直方图中的灰度值和出现频率进行加权平均操作得到灰度阈值；

25、将全部像素点均与灰度阈值进行比较，筛选出灰度值高于灰度阈值的像素点；

26、以筛选出的像素点为中心分别划分出不同大小的分割图像。

27、根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的电子元器件缺陷识别方法，该方法包括：采集电子元器件的x光结构图像，并对结构图像进行降噪处理，得到降噪图像；通过图像分割技术将降噪图像划分为若干个分割图像；提取全部分割图像的显著点；分别计算全部显著点的特征矩阵；通过神经网络模型得到全部特征矩阵的特征向量；计算特征向量的相似度，若计算结果高于相似度阈值，则认为特征向量对应的结构图像内存在缺陷。该方法通过边缘检测技术提高了图像识别的精确度，并通过人工智能实现了自动化检测。

技术特征：

1.一种电子元器件缺陷识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的电子元器件缺陷识别方法，其特征在于，对所述结构图像进行降噪处理的具体方法为：通过高斯滤波器对所述结构图像进行滤波降噪处理；所述滤波降噪的具体公式为：；其中，为降噪图像，为结构图像，x为图像中像素的横坐标，y为图像中像素的纵坐标，i为横坐标的增量，j为纵坐标的增量，g(x,y)为高斯滤波器的权重，k为高斯滤波器的大小。

3.根据权利要求1所述的电子元器件缺陷识别方法，其特征在于，所述图像分割技术采用灰度阈值分割法。

4.根据权利要求1所述的电子元器件缺陷识别方法，其特征在于，提取全部所述分割图像的显著点，具体步骤如下：

5.根据权利要求4所述的电子元器件缺陷识别方法，其特征在于，所述特征幅值的计算公式为：；其中，m为特征幅值，分别为像素点8个方向的变化率；所述像素点8个方向分别为：水平的左右方向、垂直的上下方向、左上、左下、右上和右下。

6.根据权利要求5所述的电子元器件缺陷识别方法，其特征在于，所述特征方向的计算公式为：；其中，为特征方向的角度值，为水平方向参数，为垂直方向参数。

7.根据权利要求5所述的电子元器件缺陷识别方法，其特征在于，分别计算所述分割图像中全部像素点的特征矩阵，具体步骤为：将所述像素点8个方向上的单位向量进行向量组合，得到所述特征矩阵；所述特征矩阵的表达式为：a=（α1，α2，....，α8）；其中，a为特征矩阵，α1~α8分别为8个方向上的单位向量。

8.根据权利要求1所述的电子元器件缺陷识别方法，其特征在于，所述神经网络模型为卷积神经网络模型。

9.根据权利要求5所述的电子元器件缺陷识别方法，其特征在于，所述特征向量的相似度的计算公式为：

10.根据权利要求3所述的电子元器件缺陷识别方法，其特征在于，所述灰度阈值分割法的具体步骤为：

技术总结本发明提供了一种电子元器件缺陷识别方法，涉及图像识别技术领域，该方法包括：采集电子元器件的结构图像，并对结构图像进行降噪处理，得到降噪图像；通过图像分割技术将降噪图像划分为若干个分割图像；提取全部分割图像的显著点；分别计算分割图像中全部像素点的特征矩阵；通过神经网络模型得到全部特征矩阵的特征向量；计算特征向量的相似度，若计算结果未超过相似度阈值，则认为特征向量对应的结构图像内存在缺陷。该方法通过边缘检测技术提高了图像识别的精确度，并通过人工智能实现了自动化检测。技术研发人员：赵臣龙受保护的技术使用者：俐玛光电科技（北京）有限公司技术研发日：技术公布日：2024/9/9