一種pcb板檢測方法及裝置的制造方法
【技術領域】
[0001] 本發明涉及測試領域，尤其涉及一種PCB板檢測方法及裝置。
【背景技術】
[0002] 印刷電路板（Printed Circuit Board，PCB)是電子元器件電氣連接的提供者，其 上安裝有多個元件，且這些元件根據預先設置的邏輯電路設計連接而成，以實現特定的功 能。由于生產加工或者在裝配中可能出現的各種情況，可能導致某些PCB板上漏裝了一個 或多個元件，從而造成這些PCB板無法正常工作或運行，這些無法正常工作或運行的PCB板 需被檢測出來，重新進行修復。
[0003] 現有的檢測方法主要有人工檢測法和模板匹配法，對于人工檢測法，由于PCB板 的數量和每塊PCB板上的元件眾多，因而僅依靠人工方法難以挑選出這些漏裝了元件的 PCB板，且容易由于人工疲勞導致檢測效果下降；而模板匹配基于"有元件"和"漏插"兩點 線性匹配，不能充分利用已知樣本信息，導致算法穩定性不夠，不能滿足使用需求。
【發明內容】
[0004] 針對上述問題，本發明的目的在于提供一種PCB板檢測方法及裝置，能提供高識 別效率、穩定的檢測。
[0005] 本發明實施例提供一種PCB板檢測方法，包括如下步驟：
[0006] 基于樣本的局部紋理特征建立高斯判別分析模型，其中，所述樣本包括第一類型 樣本和第二類型樣本，所述第一類型樣本為沒有漏裝元件的PCB板，所述第二類型樣本為 漏裝了至少一個元件的PCB板；
[0007] 獲取待檢測的PCB板的圖片，并提取所述待檢測的PCB板的圖片的局部紋理特征； 及
[0008] 根據所述待檢測的PCB板的圖片的局部紋理特征及所述建立的高斯判別分析模 型，確定所述待檢測的PCB板的類型。
[0009] 作為上述方案的改進，所述基于樣本的局部紋理特征建立高斯判別分析模型，包 括：
[0010] 采集若干第一類型樣本及若干第二類型樣本的圖片；
[0011] 提取所述采集的樣本圖片的局部紋理特征；及
[0012] 利用所述提取的局部紋理特征建立高斯判別分析模型。
[0013] 作為上述方案的改進，所述提取所述采集的樣本圖片的局部紋理特征，包括：
[0014] 利用一 3 X 3掃描窗口掃描米集的圖片，其中，所述掃描窗口包含9個子窗口，每個 子窗口在掃描時獲得所述子窗口當前所在的圖片上的點的像素灰度值；
[0015] 將位于非中心的八個子窗口的像素灰度值與位于中心的子窗口的像素灰度值進 行比較，若位于非中心的子窗口的像素灰度值大于或等于位于中心的子窗口的像素灰度 值，則將該子窗口內的數值置為1，否則置為〇 ; 8
[0016] 利用公式= Σ2"1 Λ?γ)獲得本次掃描窗口提取的局部紋理特征，其中， P=1 .S(V) = IJ3 X為非中心的子窗口中的數值，P為該子窗口的標記值，其中，位于左上 角的子窗口的標記值為1，其余非中心子窗口的標記值按順時針方向遞增，每次遞增1 ;及
[0017] 在所述圖片上移動所述掃描窗口，獲得所述圖片的全部局部紋理特征。
[0018] 作為上述方案的改進，所述利用提取的局部紋理特征建立高斯判別分析模型，具 體包括：
[0019] 將提取的局部紋理特征投影到二維坐標中，得到關于第一類型樣本和第二類型樣 本的特征分布圖；及
[0020] 根據所述第一類型樣本和第二類型樣本的特征分布圖計算高斯判別模型的模型 參數，獲得高斯判別分析模型。
[0021] 作為上述方案的改進，所述根據所述待檢測的PCB板的圖片的局部紋理特征及所 述建立的高斯判別分析模型，確定所述待檢測的PCB板的類型，包括：
[0022] 將所述待檢測的PCB板的圖片的局部紋理特征分別輸入第一類型樣本的分布密 度公式和第二類型樣本的分布密度公式，其中，所述分布密度公式由高斯判別分析模型及 模型參數給出；及
[0023] 計算所述待檢測的PCB板的圖片的局部紋理特征在第一類型樣本的分布密度公 式的概率P tl和在第二類型樣本的分布密度公式的概率P i，若P(|< P i，則確定所述待檢測的 PCB板為第一類型PCB板，否則確定為第二類型PCB板。
[0024] 本發明還提供一種PCB板檢測裝置，包括模型建立單元、特征提取單元及判別單 元，其中：
[0025] 所述模型建立單元，用于基于樣本的局部紋理特征建立高斯判別分析模型，其中， 所述樣本包括第一類型樣本和第二類型樣本，所述第一類型樣本為沒有漏裝元件的PCB 板，所述第二類型樣本為漏裝了至少一個元件的PCB板；
[0026] 所述特征提取單元，用于提取待檢測的PCB板的圖片的局部紋理特征；及
[0027] 所述判別單元，用于根據所述待檢測的PCB板的圖片的局部紋理特征及所述建立 的高斯判別分析模型，確定所述待檢測的PCB板的類型。
[0028] 作為上述方案的改進，所述模型建立單元包括：
[0029] 采集單元，用于采集若干第一類型樣本及若干第二類型樣本的圖片；
[0030] 提取單元，用于提取所述采集的樣本圖片的局部紋理特征；及
[0031] 建模單元，用于利用所述提取的局部紋理特征建立高斯判別分析模型。
[0032] 作為上述方案的改進，所述特征提取單元包括：
[0033] 掃描單元，用于利用一 3X3掃描窗口掃描采集的圖片，其中，所述掃描窗口包含9 個子窗口，每個子窗口在掃描時獲得所述子窗口當前所在的圖片上的點的像素灰度值；
[0034] 比較單元，用于將位于非中心的八個子窗口的像素灰度值與位于中心的子窗口的 像素灰度值進行比較，若位于非中心的子窗口的像素灰度值大于或等于位于中心的子窗口 的像素灰度值，則該子窗口內的數值置為1，否則置為〇 ; 8
[0035] 特征計算單元，用于利用公式./~力〃Y = Σ2" 1 AvH十算本次掃描窗口提取的局部 i?=l 紋理特征，其中，.ν(.ν)=仏^，X為非中心的子窗口中的數值，P為該子窗口的標記值， 其中，位于左上角的子窗口的標記值為1，其余非中心子窗口的標記值按順時針方向遞增， 每次遞增1 ;及
[0036] 移動單元，用于在所述圖片上移動所述掃描窗口，獲得所述圖片的全部局部紋理 特征。
[0037] 作為上述方案的改進，所述建模單元具體包括：
[0038] 投影單元，用于將提取的局部紋理特征投影到二維坐標中，得到關于第一類型樣 本和第二類型樣本的特征分布圖；
[0039] 參數計算單元，用于根據所述第一類型樣本和第二類型樣本的特征分布圖計算高 斯判別模型的模型參數，獲得高斯判別分析模型。
[0040] 作為上述方案的改進，所述判別單元包括：
[0041] 輸入單元，用于將所述待檢測的PCB板的圖片的局部紋理特征分別輸入第一類型 樣本的分布密度公式和第二類型樣本的分布密度公式，其中，所述分布密度公式由高斯判 別分析模型及模型參數給出；及
[0042] 判斷單元，用于計算所述待檢測的PCB板的圖片的局部紋理特征在第一類型樣本 的分布密度公式的概率P tl和在第二類型樣本的分布密度公式的概率P i，若Ρ〇< P i，則確定 所述待檢測的PCB板為第一類型PCB板，否則確定為第二類型PCB板。
[0043] 本發明實施例提供的PCB板檢測方法及裝置，通過提取PCB板的局部紋理特征， 并建立基于局部紋理特征的高斯判別分析模型，對第一類型樣本和第二類型樣本各自進行 建模，充分利用了樣本的已知信息，使得算法穩定，由于模型綜合考慮了所有樣本的已知信 息，所以當給定樣本出現極端情況時算法所受的影響很小。此外，本方法還具有對光照條件 不敏感，對生產過程干擾小，不需要額外的生產數據等優點，解決了現有技術中通過人工識 別PCB板的缺陷所帶來的識別效率低、主觀性強的問題。
【附圖說明】
[0044] 為了更清楚地說明本發明的技術方案，下面將對實施方式中所需要使用的附圖作 簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施方式，對于本領域普 通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
[0045] 圖1是本發明實施例提供PCB板檢測方法的流程示意圖。
[0046] 圖2是掃描窗口掃描得到的像素灰度值的示意圖。
[0047] 圖3是對掃描窗口進而二進制化后的示意圖。
[0048] 圖4是掃描窗口的標記值示意圖。
[0049] 圖5是對局部紋理特征歸一化后的直方圖。
[0050] 圖6是第一類型樣本和第二類型樣本的特征分布圖。
[0051] 圖7是本發明實施例提供PCB板檢測裝置的結構示意圖。
[0052] 圖8是圖7所示的模型建立單元的結構示意圖。
[0053] 圖9是圖8所示的第二提取單元的結構示意圖。
[0054] 圖10是圖8所示的建模單元的結構示意圖。
[0055] 圖11是圖7所示的判別單元的結構示意圖。
【具體實施方式】
[0056] 下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完 整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于 本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他 實施例，都屬于本發明保護的范圍。
[0057] 請參閱圖1，本發明實施例提供一種PCB板檢測方法，其至少包括如下步驟：
[0058] S101，基于樣本的局部紋理特征建立高斯判別分析模型，其中，所述樣本包括第一 類型樣本和第二類型樣本，所述第一類型樣本為沒有漏裝元件的PCB板，所述第二類型樣 本