一、印刷电路板图像边缘检测算法的研究及软件实现（论文文献综述）
廖文杰[1]（2021）在《面向SMT的高精度元器件自动定位算法》文中指出关于PCB元器件自动定位是电子设计自动化领域一个重要的应用型研究任务,PCB元器件自动定位的目的是为了实现PCB元器件在机器进行贴装元器件的过程中,能够准确地贴装每一个元器件,减少人工去检查贴片位置的中间过程。人工智能发展的今天,极大地推动了工业自动化领域的发展,SMT自动贴片技术的发展在现阶段已经相当成熟,2018年美国“电子复兴计划”,强调美国制造业将人工智能的应用转移到电子智能制造产业,我国对于工业智能化方向的重视也逐渐提高,但是主要的核心技术还是依靠欧美等科技发达国家的技术,因此本文的研究主要是关于计算机视觉在工业自动化方向的应用,提高自主研发的竞争力,降低制造成本。本文的主要研究是对PCB图像中元器件的自动定位算法的研究,算法主要采用基于传统的数字图像处理的元器件自动定位和基于图卷积神经网络算法的元器件自动定位两种方法的研究。基于数字图像处理的元器件自动定位算法包括图像采集成像系统、图像预处理、元器件的匹配以及单应变换等步骤来实现PCB元器件的自动定位。自动定位过程中需要对PCB图像的偏置角度进行校正,因为像素待匹配点在与物理坐标点进行匹配的过程中,由于元器件之间比较密集,对于点与点之间的角度、长度要求比较严格,误差较大的情况下会导致像素坐标点与物理坐标匹配错误的现象,进而影响整个PCB图像元器件定位的精度,因此需要对PCB图像的偏置角度进行校正,提高PCB图像元器件初定位的精度。基于图卷积神经网络的元器件自动定位算法包括构建卷积神经网络提取特征、构建图结构、节点信息聚合以及反卷积输出结果等步骤来实现PCB元器件的自动定位。由于PCB图像中元器件的大小差异性较大,因而在对图像数据进行分割的过程,分割的方式会影响网络模型的训练效果,因而在实验过程对不同的分割方式的实验结果进行对比,选择最好的一种分割方式的数据集。本实验的定位算法还存在不足,希望在后续的研究中能进一步提高定位的准确度和精度,可以推动PCB元器件自动定位算法应用于实际生产中,实现SMT自动贴片机的自主研发,赶超国外的元器件自动定位技术,提高核心竞争力,对国内工业自动化的发展尽一份力。
陈思摇[2]（2021）在《PCB缺陷检测中的图像配准技术研究》文中研究指明随着电子产业的发展,印刷电路板（PCB）的发展越来越趋向于高密度,传统的人工检测已经无法满足PCB质量检测的要求。所以发展高效率、高精度的自动光学检测成为PCB缺陷检测的主流方向。本文以PCB裸板为研究对象,讨论了适合PCB图像的配准方法和基于模板匹配的缺陷检测算法。首先,讨论基于SURF的图像配准方法。SURF是点特征配准方法中速度快准确率高的算法,针对PCB图像上重复单元多,对点特征的匹配产生较大影响,本文根据在机械装置的限制下,每次PCB图像的角度和偏移较小的经验,提出了一种基于SURF与PCB图像坐标约束的图像配准方法。该方法提高了固定数目特征点对的匹配正确率和匹配速度,由此也提高了配准的速率。其次,讨论基于相位相关的图像配准方法。为了解决使用单侧峰的相位相关亚像素配准方法在整数位移处误差较大的问题,提出根据两侧峰峰值差值占主峰的比例来判断是否需要使用双侧峰法修正的方法;为了解决算法应用中的效率问题,讨论了不同降采样倍率对配准速度和精度的影响。实验结果表明,该改进算法的最大误差和平均误差均比原单侧峰法小;二千万像素的图像在五倍降采样情况下就能获得高精度,且速度约有20倍提升,该算法具有鲁棒性和实时性。最后,在图像配准的基础上,提出了一种基于模板匹配的缺陷检测方法,利用图像连通域和图像骨架端点初步定位缺陷位置,用图像差分法筛选最终的缺陷位置。实验表明,该算法可以检测短路和断路两种缺陷,处理一张二千万像素的图像需要约12秒。
付雪荣[3]（2021）在《基于机器视觉的钢网缺陷检测方法研究》文中研究指明随着电子制造业发展越来越快,相关产品的复杂度和集成度也在不断提高。表面贴装技术（Surface Mounted Technology,SMT）被视作组装电路板上电子元器件的一种普遍的工艺。锡膏印刷作为SMT的首步操作,其印刷质量影响后续的工艺流程。SMT钢网是将精确数量的锡膏沉积在电路板的对应位置上。故钢网网孔的正确性对锡膏的印刷具有直接影响。目前钢网检测的方法主要是人工视检,而钢网上网孔的面积和间距越来越小,加大了人工视检的难度,导致检测的准确度、稳定性、速度等性能指标无法满足工业的要求。基于机器视觉的缺陷检测方法,将软硬件结合起来,可以有效地处理钢网缺陷检测问题。本文以制造商提供的钢网作为主要的研究对象,首先总结了国内外在钢网缺陷检测技术的研究现状,结合检测方案的需求,选择了适用于本系统的相机、光源、运动装置等硬件设备,并针对钢网中存在的孔过大、孔过小、毛刺、孔位偏移、多孔、少孔六种缺陷设计了检测方法。其次,为方便后续缺陷检测的研究,需要对图像进行预处理的操作。先通过双边滤波和中值滤波叠加的方法对采集到的钢网图像中存在的噪声进行滤除,再将过滤后的图像以基于特征的拼接方法进行钢网图像的直接拼接,并且经过实验,对各匹配算法的质量指标进行统计,选择基于SURF的匹配算法作为拼接时使用的匹配算法,最后通过加权平均法的图像融合技术实现重叠率为29.26%的钢网图像的平滑拼接。再次,使用载入特征的SURF配准方法进行标准图与样本图的配准,通过OTSU阈值分割方法得到二值图。针对钢网的非毛刺缺陷的检测,本文设计了两种检测方法,分别为基于连通域的缺陷检测方法和基于差影法的缺陷检测方法。基于连通域的缺陷检测方法先将标准二值图和样本二值图通过连通域定位网孔,再根据缺陷判定规则进行缺陷的检测与分类。基于差影法的缺陷检测方法,将标准二值图和样本二值图进行异或操作,得到两幅图的差异部分,再经形态学处理去除干扰,完成缺陷的定位,最后根据分类标准实现缺陷的分类。在分类标准中,采用基于Hu不变矩的轮廓比较法和外扩的外接矩形扫描法实现缺陷的分类。对比两种缺陷检测方法,根据实验效果,选择基于差影法的缺陷检测方法作为非毛刺缺陷的检测方法。该方法对于非毛刺缺陷的漏检率和误检率均小于3%,且300mm×400mm的钢网平均检测时间控制在30s内,满足方案要求。最后,由于基于参考法的检测方法对毛刺缺陷的检测不够精准,易造成漏检,所以针对毛刺缺陷进行基于非参考的检测。本文先使用基于IFCM的分割算法进行网孔的分割处理,再由形态学操作和异或处理得到网孔的外边界,采用改进的Zhang-Suen算法完成网孔图像的细化,最后通过基于方向链码的骨刺去除算法来检测毛刺缺陷。毛刺缺陷的平均检测时间为13.16s,与基于差影法的缺陷检测方法所使用的时间累加起来,符合方案设计要求,满足工业需求。
张露文[4]（2021）在《PCB图像表面缺陷检测算法研究》文中研究说明在当今信息时代的背景和进程下,作为信息技术载体和媒介的印刷电路板（Printed Circuit Board,PCB）,从我们日常生活中经常接触和使用的手机、电脑等各类电子产品,到军事中的飞机、卫星等领域都有着广泛的应用。由于工业生产中对PCB更高的要求加之现在的电子产品高度的集成化,PCB板的生产更加细化、走线结构更加复杂,从而导致PCB板带有缺陷的概率大大提升。PCB板必须保证线路连接、线距以及外观等指标都符合工业生产中的标准要求,任何一个环节出现问题或瑕疵都会影响PCB的最终质量,变成不能流入市场的废板。PCB板常见的缺陷有短路、断路等物理缺陷,即真缺陷;同时,还有灰尘、氧化等伪缺陷。存在真缺陷的PCB是不允许进入市场的,存在伪缺陷的印刷电路板是可以经过清洗之后投入使用的。由于对PCB板精细的生产要求,传统的缺陷检测方法例如人工目测等技术难以支撑工业流水线上对PCB板细化、高效、精确的检测标准。故而在满足效率的情况下生产符合质量的PCB板,将不符合质量标准的PCB板剔除出生产线避免其流入市场尤为重要。为此,本文从降低PCB的误检率,提高PCB图像缺陷的识别率和降低算法复杂度角度考虑,提出了PCB图像表面缺陷检测算法,实现了对PCB的高效、快速、准确的检测。基于对PCB图像缺陷检测的研究和分析,提炼出了论文的几个研究方向如下:1、在PCB图像预处理方面,首先通过Hough变换对数据库中的PCB图像进行倾斜校正,为后续对PCB图像进行滤波预处理奠定基础;其次采用形态学自适应图像增强算法对PCB图像进行增强,凸显出了PCB图像的边缘信息;最后采用改进NLM的PCB图像去噪算法对PCB图像进行去噪并且与传统的去噪算法进行了对比实验。2、在PCB图像的缺陷特征提取方面,首先采用基于分水岭的PCB图像分割算法对缺陷图像进行缺陷和非缺陷区域的分割,便于之后进行特征提取;其次采用基于连通分量提取算法对PCB图像的缺陷进行粗定位,大致提取出缺陷的位置;最后,采用基于改进的区域生长法对PCB图像进行缺陷检测及特征提取。3、在PCB图像的缺陷检测方面,针对PCB缺陷检测效率低、误检率高、漏检率高的问题,本文构造了一个PCB缺陷检测网络。首先,将Faster R-CNN与特征金字塔卷积网络相结合应用于PCB缺陷检测问题。对于数据库中的693张PCB图像采用数据增强技术进行扩充,在扩充的数据集上训练Faster R-CNN模型。其次,在缺陷特征提取阶段,采用VGG16网络对PCB图像进行缺陷的特征提取;设计适合的锚点,采用多尺度特征融合的技术对PCB图像进行缺陷检测。最后,为了去除重复框,降低误检率,在缺陷检测的后续步骤采用了SoftNMS算法提高PCB图像缺陷检测的精度。目前学者对PCB图像的缺陷检测算法在缺陷识别率和算法鲁棒性方面存在一定的不足,本文针对这些不足主要在以上3个方面对PCB图像进行研究。对PCB图像的实验结果表明:本文提出的算法对PCB图像去噪、特征提取、缺陷检测方面效果显着,可以有效识别PCB短路、断路、孔洞缺失、灰尘、氧化等缺陷,算法的鲁棒性强,能满足对PCB图像缺陷检测的要求,具有一定的实用性,PCB图像缺陷检测的效率也有明显提高。
任浩[5]（2021）在《基于图像处理的印刷电路板质量检测技术研究》文中提出随着集成电路产业的飞速发展,印刷电路板（Printed Circuit Board,简称PCB）作为我们生活中常见的电子部件,正朝着集成化程度越来越高、面积越来越小和层数越来越多等方向发展。随着PCB生产需求的日益增长,PCB面临着生产质量的快速准确检测问题。传统的PCB缺陷检测方法有人工目测、电测试和红外检测法等,但它们都有一些自身的检测速度慢、准确率低等不足,为了弥补传统PCB缺陷检测方法的不足,满足工业流水线的检测需要,人们研发出了基于机器视觉技术的AOI检测系统,该系统是将机器视觉软件与硬件进行了综合,该系统的重点仍然是缺陷检测算法。本文主要的研究内容是是设计一个以数字图像处理为基础,利用FPGA技术,实现对PCB板缺陷的高速、高效检测的系统。PCB在生产制造过程中,可能会制造出一些有缺陷的PCB,所以需要对PCB中存在的一些常见缺陷进行识别。为了实现本系统的设计,所做的主要工作如下:1、对数字图像处理技术的应用进行了研究,图像处理技术的应用主要划分为四个部分,它们分别是:图像的获取、图像的预处理、图像的识别和图像的显示。其中,最核心的部分是图像的预处理和图像的识别这两个部分。2、对PCB缺陷检测系统进行了深入研究,并在此基础上提出了基于FPGA的PCB缺陷检测系统整体设计框架,主要由图像采集模块、图像预处理模块、图像缓存模块、缺陷检测模块和图像显示模块构成。但本文主要是利用FPGA技术对其中关键的模块进行设计。3、对PCB缺陷检测系统中图像预处理模块、图像缓存模块和缺陷检测模块这几个主要模块利用FPGA技术实现的设计思路和主要功能进行了分析,并在此基础上对系统各模块利用FPGA技术进行了逻辑设计。4、在PCB缺陷检测系统中,分别通过Matlab和Modelsim仿真软件对系统中的直方图均衡化模块、中值滤波模块和边缘检测模块以及PCB缺陷检测模块进行仿真验证,仿真结果表明,FPGA硬件处理的效果与Matlab软件处理的效果同样显着,但FPGA硬件处理更加高效、快速。
朱寒[6]（2020）在《基于机器视觉的PCB缺陷检测系统若干关键技术研究》文中研究指明随着社会经济的发展,印刷电路板（Printed Circuit Board,PCB）的应用日益广泛,对其质量要求也越来越高。针对人工目检劣势大及国外检测设备价格昂贵的问题,本文设计并搭建一套基于机器视觉的PCB缺陷检测系统。利用机器视觉技术结合数字图像处理技术,对图像定位校正、器件漏件缺陷检测及芯片极性缺陷检测等关键技术进行研究。完成主要研究内容如下:（1）分析基于机器视觉的PCB缺陷检测相关技术国内外研究与应用现状。结合检测系统的结构组成特点及缺陷检测技术上的不足,设计并搭建了应用机器视觉技术和图像处理技术的PCB缺陷检测平台;（2）针对传统定位校正方法准确率较低等问题,提出基于多方向改进Sobel算子的PCB图像定位校正方法。该方法采用多方向改进Sobel算子对PCB图像的G通道进行边缘信息提取;对边缘图像进行二值化处理,结合中值滤波提取图像轮廓,实现PCB区域定位;最后结合感兴趣区域采用仿射变换实现整幅图像校正,通过与现有图像定位校正算法进行对比实验分析,本文提出的PCB图像定位校正算法优于现有主要方法,有效地提高了图像定位校正的准确率;（3）针对目前应用于PCB缺陷检测系统的模板匹配方法及缺陷检测方法存在准确性不足的问题,本文提出一种基于改进模板匹配及图像差分法的PCB缺陷多级检测方法。首先,利用本文提出的改进模板匹配截取待测图像,针对PCB板中漏件缺陷,提出基于图像差分法的多级二值化检测法实现PCB图像的缺陷检测。结合实验平台测试发现,本文方法能够准确地提取出缺陷区域。与现有方法相比,该方法具有更好的稳定性以及更高的准确性;（4）针对PCB板缺陷检测中的芯片极性检测问题,提出一种结合感兴趣区域,改进模板匹配以及像素相加法的芯片极性检测方法,实现对芯片极性的检测。首先通过先验知识确定感兴趣区域,结合模板匹配实现对芯片位置快速准确地定位,随后引入直方图匹配及中值滤波对芯片图像进行预处理,最后利用图像二值化及像素相加法实现芯片极性判断。实验结果表明,本文提出方法在芯片定位及极性检测方面都有更高的准确性。通过实验对比分析发现本文提出的算法具有更高的有效性和可靠性,为后续功能扩展及现场环境下缺陷检测奠定基础。
李凡[7]（2020）在《基于多特征融合的PCB缺陷自动检测与分类方法研究》文中研究说明随着图像处理、模式识别、工业自动化和计算机技术的不断发展,计算机视觉技术在制造业的应用受到人们越来越广泛的关注,其中自动光学检测（Automatic Optical Inspection,AOI）技术在印刷电路板（Printed Circuit Board,PCB）生产行业的应用取得了显着的成效。我国是PCB生产大国,深入研究自动检测技术,提高AOI技术的速率、精度和缺陷检测的准确性、适用性能为我国PCB生产行业创造巨大的价值。除了运用AOI技术提高生产效率、节约劳动成本外,进行准确的缺陷分类不但可以更好地回收材料、控制成本,同时还能通过分析缺陷数据发现缺陷产生的原因,从而改进生产技术减少缺陷产品的产生。本文主要研究PCB表面缺陷的检测和分类方法,分析PCB自动缺陷检测系统的结构,描述了缺陷检测的流程,并重点研究了缺陷的检出方法和分类方法。首先,采用图形轮廓匹配的方法实现图像配准,使用参考法检出PCB缺陷的位置;通过分析PCB缺陷的种类和不同种类缺陷具有的外观特点,提取多种图形特征构成视觉词袋表述不同种类缺陷;使用样本训练分类模型,然后使用多分类支持向量机实现缺陷分类。本文具体研究工作如下:（1）PCB缺陷自动检测系统的总体设计,包括硬件构成和软件模块。阐述了系统各组成部分的功能、作用和缺陷检测的流程。（2）研究PCB生产的工艺流程和环境,分析PCB缺陷产生的原因和不同缺陷的特点,揭示了一种提取缺陷特征的方法和缺陷特征的描述方式,使用缺陷图形的轮廓、纹理、颜色特征构造视觉词袋来描述PCB复杂缺陷。（3）研究PCB图像的配准方法。分析目前比较流行的配准方法的优缺点,根据PCB检测的实际需求采用一种基于轮廓匹配的配准方法,实现图形的快速配准;然后使用连续域蚁群算法求最优解来改进轮廓匹配的配准精度,改善配准效果。（4）使用提取的特征训练分类模型,结合PCB缺陷种类多、样本少、样本不均衡的特点,训练多分类支持向量机（Support Vector Machine,SVM）实现多种PCB复杂缺陷的分类。综合以上研究,并结合企业对检测速度、精度、准确性、检测种类的实际要求,在实验环境中检验配准算法和分类算法,验证算法的运算效率、准确率。
王志豪[8]（2020）在《PCB板方向性元器件检测算法研究》文中指出PCB板元器件插件的正确与否决定了电路板的质量及生产成本,尤其是带有极性和方向性的元器件的反接将直接损坏电路板,给生产造成损失。而基于自动光学检测（Automatic Optical Inspection.AOI）的PCB元器件缺陷检测技术,因其与人工目检相比具有性能稳定、效率高等优势正逐渐替代人工。因此,研究适用于PCB板上带有方向性元器件的缺陷检测具有重要的意义。本文针对PCB板带有方向性元器件的缺陷检测,主要研究了电解电容的极性检测、多种插座的方向检测和二极管的极性检测算法,进而搭建了 PCB板在线检测系统,实现了带有方向性元器件的缺陷检测。本文的主要研究内容如下:（1）首先研究了图像亮度的初始化设置。通过计算图像像素偏差值的均值与方差来获取图像亮度参数指标,并根据亮度参数进行图像定标,依据该标准值来调节镜头光圈及相机曝光,从而降低因环境亮度的不同对算法检测性能的影响。（2）研究了PCB板图像的拼接算法。在相机采集图像时,由于不同位置的元器件拍照角度不同,使得较高的元器件存在遮挡及阴影等现象,为了避免该现象本文采用拼接的方式获取PCB板图像。而利用模板匹配的拼接算法,当重合区域内存在较高元器件时,会造成拼接位置发生偏移。针对该问题,本文提出差值匹配算法,并结合模板匹配算法进行二次匹配,以此来寻找图像重合区域,实现电路板的拼接。实验结果证明该方法能够减少拼接位置偏移现象的发生。（3）提出了基于轮廓特征与窗口平滑度的电解电容极性检测算法。由于PCB板上的电解电容存在歪斜及白色印制文字干扰等现象,对其内圆的定位与极性判断产生影响,传统算法难以适应复杂场景的检测,因此本文以近似圆形状描述子以及折线角度连续性特征作为筛选电解电容内圆轮廓的特征信息,并通过广义霍夫变换圆检测算法提取图像中的潜在圆,进而结合轮廓面积信息进行比例加权判定,由此确定电解电容内圆位置。利用滑动窗口计算电解电容圆环展开图的平滑度,排除非极性区域白色文字的干扰,实现电解电容极性检测。实验结果表明,本文算法适用于多种复杂场景,相较于传统Hough变换算法和SURF算法定位更准确,极性检测的准确率可以达到96.72%。（4）研究了三种不同类型插座的方向检测算法。针对彩色插座的检测,通过单通道图像的差值运算实现插座定位,利用最小面积外接矩形进行角度纠正,并根据投影直方图判断插座方向。针对白色插座的检测,本文通过二次阈值提取以及多次分割的方式保留插座特征信息,利用矩形检测确定其主体区域,并根据暗通道图像实现插座方向检测。针对凹槽插座的检测,本文采用高反差保留的方式增强图像边缘信息,再通过计算轮廓相似度提取方向特征,从而判断插座方向。通过实验验证了三种算法的有效性,其检测准确率分别为99.1%、97.35%、95.23%。（5）研究了二极管的极性检测算法,提出基于改进的图像匹配与梯度边缘特征的二极管极性检测。通过计算两幅图像的彩色直方图相似度来进行粗匹配,获取匹配的图框集合,再结合SSIM结构相似性提取出最佳匹配结果。然后利用梯度边缘特征获取到极性区域边缘图像,计算图像所有列中像素的最大连续范围,从而确定极性方向。实验表明本文算法优于对比算法,对存在印制文字以及自身反光干扰的二极管检测具有鲁棒性,其极性检测准确率为96.12%。本文针对PCB板上有方向性的元器件提出相应检测算法,并验证所提算法的有效性,能够适用于较为复杂的检测环境,检测准确率满足PCB板元器件缺陷检测的要求。
彭禹豪[9]（2020）在《基于CCD的高速PCB线宽线距及缺陷检测方法研究》文中进行了进一步梳理PCB作为汽车制造,通讯行业,计算机领域等领域的基础,PCB质量的好坏直接影响了各产品的质量,其中PCB的线宽线距影响了成板的良品率。随着线阵CCD的不断发展,为了对PCB板进行快速准确且成本较低的检测,本文针对使用线阵CCD相机对PCB进行快速实时的线宽线距测量和缺陷检测方法进行研究。首先,对CCD的结构和工作原理进行介绍,分析了使用线阵CCD对PCB进行缺陷检测和线宽线距测量的优势,根据线阵CCD的工作特性,对线阵CCD和工作台之间的匹配问题进行剖析,指出线阵CCD成像与速度之间的关系,设计了基于CCD的图像扫描采集系统。其次,分析了传统PCB线宽线距检测所存在的实时性和检测精度的不足,基于此,设计了基于CCD图像快速滤波及自适应拟合的PCB线宽线距测量算法,完成了在线检测。为了提高检测的速度与精度,改进并使用部分快速导向滤波方法,为了提高实时性,将图像增强、二值化处理及拟合直线进行了自适应的优化,为了突出本方法的有效性,将本方法与经过模型训练后的结果进行对比。再次,作为对线宽线距测量的补充检测,使用结构相似算法从图像中对PCB进行缺陷检测,利用线阵CCD完成图像滚动拼接,对拼接后的扫描图像进行缺陷检测,设计了基于CCD图像高速滚动重组及结构相似性算法的PCB缺陷检测算法,完成在线检测。将滚动图像进行重组后传入检测系统,利用结构相似性算法进行缺陷检测,对于使用结构相似性算法所带来的误检测使用自校正模块进行修正,将图像信息补全,修正了结构相似性算法的不足。最后,本文设计完成了PCB实时线宽线距测量和缺陷检测系统,用上位机程序控制光刻运动平台和具体的检测操作,对本文所述方法和系统进行多次实验验证,取得了较好的检测结果,对比传统的检测方法,本文所述的检测方法的不同之处在于,在一定速度扰动下的线宽线距检测有较好的鲁棒性,利用线阵CCD相机的特性,进行分部分同步检测,提高了效率,降低了检测的成本。
涂杏[10]（2019）在《基于机器视觉的PCB表面缺陷检测技术研究》文中研究表明近几年来,随着电路板印刷技术的不断发展和工艺水平的不断提高,PCB产品也向着超薄型、小元件、高密度、细间距方向快速发展,随着线路板上元器件组装密度提高,PCB的线宽、间距、焊盘越来越细小（已到微米级）,复合层数也越来越多,使得PCB的短路、断路、破损、铜渣等质量问题的精确快速检测成为PCB制造过程中的难题。传统的人工检测方法存在容易漏检、检测速度慢、检测时间长等问题,已经不能满足生产的需要。基于机器视觉的表面缺陷检测技术已经广泛地应用于视觉检测各个领域,然而PCB板表面缺陷检测技术仍面临着检测速度慢、识别精度低以及对在合理范围内破损的PCB板不能有效利用等难题。针对上述问题,本文设计了PCB缺陷视觉检测系统,具体研究内容如下:（1）研究了PCB图像分割算法,对比分析了双峰阈值法、Otsu阈值法和SVM法,得出SVM法更适合本文所研究的PCB板,实验验证表明,相较双峰阈值法和Otsu阈值法,SVM法能很好的保留像素完整性,并且对于细小区域也能较为准确的识别分割。（2）研究了PCB图像配准算法,对比分析了基于特征和基于互信息的图像配准算法,得出基于互信息的图像配准更适合本文所研究的PCB板,实验验证表明,相比基于特征配准,基于互信息配准精度更高、速度更快。（3）针对PCB电路板存在的各种缺陷,提出了一种灰度直方图缺陷检测方法。该方法首先对待测图像进行图像矫正,对模板图像和矫正后的待测图像进行图像差分处理,得到缺陷区域;然后对缺陷区域做Roberts边缘检测得到缺陷区域轮廓;最后通过计算得到的缺陷区域轮廓的灰度直方图来判断识别缺陷类型。实验结果表明,该算法能较准确的检测并识别出短路、断路、破损、铜渣等缺陷,识别精度高,检测速度快。（4）针对破损缺陷区域的破损率计算,提出了距离检测方法。该方法通过提取导体骨架,再计算骨架上的点到导体边缘的最大距离计算破损率,实验证明该方法能准确计算破损率。（5）设计了PCB缺陷检测系统,完成了相机、镜头、光源等硬件选型,编写了检测软件系统,经过现场实验测试,整个系统稳定且有效。
二、印刷电路板图像边缘检测算法的研究及软件实现（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、印刷电路板图像边缘检测算法的研究及软件实现（论文提纲范文）
（1）面向SMT的高精度元器件自动定位算法（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于图像处理定位算法研究现状 |
| 1.2.2 基于深度神经网络定位算法研究现状 |
| 1.3 研究内容 |
| 1.4 本文组织结构 |
| 第二章 SMT的元器件自动定位系统基础 |
| 2.1 SMT技术基础介绍 |
| 2.2 元器件自动定位问题描述 |
| 2.3 相机成像模型 |
| 2.3.1 小孔成像 |
| 2.3.2 线阵扫描相机 |
| 2.4 小孔成像图像畸变分析 |
| 2.4.1 径向畸变 |
| 2.4.2 切向畸变 |
| 2.5 线阵扫描相机图像畸变分析 |
| 2.5.1 线阵相机畸变原理 |
| 2.5.2 线阵相机畸变校正 |
| 2.6 本章小结 |
| 第三章 基于图像处理的元器件自动定位算法 |
| 3.1 基于图像处理的PCB元器件自动定位总体思路 |
| 3.1.1 网表分析 |
| 3.1.2 图像预处理 |
| 3.1.3 图像元器件初定位 |
| 3.1.4 元器件匹配 |
| 3.1.5 单应变换 |
| 3.2 基于SIFT特征匹配的PCBA元器件自动定位 |
| 3.2.1 尺度空间极点检测 |
| 3.2.2 关键点精确定位 |
| 3.2.3 关键点方向确定 |
| 3.2.4 SIFT特征点匹配 |
| 3.3 实验方案与结果分析 |
| 3.3.1 实验方法设计 |
| 3.3.2 实验结果定性分析 |
| 3.3.3 实验结果定量分析 |
| 3.4 本章小结 |
| 第四章 基于图卷积神经网络的元器件自动定位算法 |
| 4.1 引言 |
| 4.2 基于图卷积神经网络的元器件自动定位总体思路 |
| 4.2.1 CNN特征提取 |
| 4.2.2 图结构构建 |
| 4.2.3 节点信息聚合 |
| 4.2.4 反卷积 |
| 4.3 实验方案与结果分析 |
| 4.3.1 实验方案设计 |
| 4.3.2 实验方案实现 |
| 4.3.3 实验结果定性分析 |
| 4.3.4 实验结果定量分析 |
| 4.4 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读专业硕士学位期间取得的成果 |
（2）PCB缺陷检测中的图像配准技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 缺陷检测的国内外研究现状 |
| 1.3 PCB图像配准的国内外研究现状 |
| 1.4 论文研究内容及结构 |
| 1.4.1 研究内容 |
| 1.4.2 论文结构 |
| 第2章 图像配准基础理论 |
| 2.1 图像配准的定义 |
| 2.2 图像配准的步骤 |
| 2.3 空间变换模型 |
| 2.4 图像配准的分类 |
| 2.5 技术指标及PCB图像的特点 |
| 2.5.1 技术指标 |
| 2.5.2 PCB图像的特点 |
| 2.6 本章小结 |
| 第3章 基于SURF与 PCB图像坐标约束的配准方法 |
| 3.1 SURF特征提取及描述 |
| 3.1.1 积分图与盒式滤波 |
| 3.1.2 尺度空间的构建 |
| 3.1.3 特征点的位置及主方向的确定 |
| 3.1.4 生成特征描述符 |
| 3.2 特征匹配及空间变换模型估计 |
| 3.2.1 特征点匹配 |
| 3.2.2 变换模型及其参数求解 |
| 3.3 加入PCB图像坐标约束的特征点匹配方法 |
| 3.4 实验结果及分析 |
| 3.5 本章小结 |
| 第4章 基于降采样和相位相关的印刷电路板图像配准 |
| 4.1 基于相位相关法的配准方法 |
| 4.1.1 傅里叶梅林理论 |
| 4.1.2 相位相关法的亚像素配准 |
| 4.2 改进思路 |
| 4.2.1 算法思路 |
| 4.2.2 算法流程 |
| 4.3 基于降采样的PCB图像配准 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第5章 基于模板匹配的缺陷检测算法 |
| 5.1 整体算法流程 |
| 5.2 初步缺陷定位 |
| 5.2.1 图像二值化 |
| 5.2.2 图像连通域分析 |
| 5.2.3 图像骨架化及端点处理 |
| 5.3 确定最终的缺陷位置 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 附录1 攻读硕士学位期间发表的论文 |
| 附录2 攻读硕士学位期间参加的科研项目 |
（3）基于机器视觉的钢网缺陷检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究目标及内容 |
| 1.4 本文目录安排 |
| 第二章 钢网缺陷检测总体方案设计 |
| 2.1 方案需求分析 |
| 2.2 钢网缺陷概述 |
| 2.3 总体方案设计 |
| 2.3.1 硬件设计 |
| 2.3.2 软件设计 |
| 2.4 本章小结 |
| 第三章 钢网图像预处理方法研究 |
| 3.1 钢网图像滤波 |
| 3.1.1 滤波方法分析 |
| 3.1.2 滤波方法叠加 |
| 3.2 钢网图像拼接 |
| 3.2.1 图像拼接概述 |
| 3.2.2 特征点匹配算法对比 |
| 3.2.3 基于SURF匹配算法原理 |
| 3.2.4 图像粗拼接 |
| 3.2.5 图像平滑拼接 |
| 3.3 本章小结 |
| 第四章 基于参考的钢网非毛刺缺陷检测方法研究 |
| 4.1 检测方法概述 |
| 4.2 钢网图像配准 |
| 4.2.1 基于FFT的分区域配准 |
| 4.2.2 基于SURF的载入特征配准 |
| 4.3 钢网图像分割 |
| 4.3.1 直方图双峰法 |
| 4.3.2 OTSU阈值分割 |
| 4.4 基于连通域的钢网缺陷检测 |
| 4.4.1 连通域定位 |
| 4.4.2 缺陷检测 |
| 4.5 基于差影法的钢网缺陷检测 |
| 4.5.1 图像相减 |
| 4.5.2 形态学处理 |
| 4.5.3 缺陷识别 |
| 4.6 基于参考的钢网缺陷检测方法对比 |
| 4.7 本章小结 |
| 第五章 基于非参考的钢网毛刺缺陷检测方法研究 |
| 5.1 网孔图像提取 |
| 5.2 基于IFCM网孔图像分割 |
| 5.3 网孔外边界提取 |
| 5.4 基于模板的网孔图像细化 |
| 5.4.1 Zhang-Suen算法 |
| 5.4.2 消除冗余像素点 |
| 5.4.3 细化算法及改进 |
| 5.5 毛刺缺陷检测 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（4）PCB图像表面缺陷检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要研究内容 |
| 1.4 本章小结 |
| 第二章 PCB图像预处理算法研究 |
| 2.1 PCB图像去噪预处理概述 |
| 2.2 基于Hough的 PCB图像倾斜矫正 |
| 2.3 PCB图像增强算法 |
| 2.3.1 空间域的灰度变换 |
| 2.3.2 形态学权重自适应的图像增强算法 |
| 2.3.3 常用的几种去噪算法 |
| 2.4 本章小结 |
| 第三章 基于改进NLM的 PCB图像去噪算法研究 |
| 3.1 非局部均值去噪(NLM)算法 |
| 3.1.1 噪声模型 |
| 3.1.2 非局部均值去噪(NLM) |
| 3.2 PCB图像增强及特征匹配算法 |
| 3.2.1 PCB图像的形态学权重自适应图像增强 |
| 3.2.2 基于Harris的特征匹配 |
| 3.3 基于改进NLM的 PCB图像去噪算法 |
| 3.4 实验与分析 |
| 3.4.1 去噪结果主观评价 |
| 3.4.2 去噪效果客观评价 |
| 3.5 本章小结 |
| 第四章 PCB图像缺陷特征提取算法研究 |
| 4.1 基于分水岭的PCB图像分割算法 |
| 4.1.1 形态学图像重建 |
| 4.1.2 基于图像重建的分水岭分割算法 |
| 4.2 基于连通分量提取的PCB图像缺陷粗定位 |
| 4.3 基于改进的区域生长法的PCB图像缺陷检测算法研究 |
| 4.3.1 区域生长法 |
| 4.3.2 改进的区域生长法 |
| 4.4 本章小结 |
| 第五章 PCB图像缺陷检测及分类算法研究 |
| 5.1 基于深度学习的PCB缺陷检测概述 |
| 5.2 Faster R-CNN概述 |
| 5.3 基于深度学习的PCB缺陷检测网络 |
| 5.3.1 PCB图像数据增强和锚点选取 |
| 5.3.2 基于VGG16 的特征提取网络 |
| 5.3.3 多尺度特征融合 |
| 5.3.4 Soft-NMS算法 |
| 5.4 实验与分析 |
| 5.4.1 评价指标 |
| 5.4.2 实验结果主观评价 |
| 5.4.3 实验结果客观评价 |
| 5.5 PCB的真缺陷与伪缺陷分类 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读硕士学位期间成果 |
（5）基于图像处理的印刷电路板质量检测技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文的章节安排 |
| 第二章 数字图像处理及FPGA技术概述 |
| 2.1 数字图像的表示方法 |
| 2.1.1 灰度图像的阵列表示法 |
| 2.1.2 二值图像表示法 |
| 2.2 数字图像处理的基本算法 |
| 2.2.1 图像增强算法 |
| 2.2.2 中值滤波算法 |
| 2.2.3 边缘检测算法 |
| 2.2.4 目标识别的算法 |
| 2.3 FPGA技术介绍 |
| 2.3.1 FPGA基本原理与特点 |
| 2.3.2 硬件描述语言 |
| 2.3.3 基于Quartus II的 FPGA开发 |
| 2.4 本章小结 |
| 第三章 系统总体设计方案 |
| 3.1 电路板的主要缺陷 |
| 3.2 系统的整体设计 |
| 3.3 图像采集模块 |
| 3.4 图像预处理模块 |
| 3.5 图像缓存模块 |
| 3.6 缺陷检测模块 |
| 3.7 本章小结 |
| 第四章 系统各模块的FPGA实现 |
| 4.1 系统的FPGA逻辑框图 |
| 4.2 图像预处理模块 |
| 4.2.1 直方图均衡化的实现 |
| 4.2.2 中值滤波的实现 |
| 4.2.3 边缘检测的实现 |
| 4.3 图像缓存模块的实现 |
| 4.4 缺陷检测模块的实现 |
| 4.5 本章小结 |
| 第五章 系统的实验与仿真 |
| 5.1 FPGA图像处理仿真的关键技术 |
| 5.2 实验仿真与分析 |
| 5.2.1 直方图均衡化模块的仿真 |
| 5.2.2 中值滤波模块的仿真 |
| 5.2.3 边缘检测模块的仿真 |
| 5.2.4 缺陷检测模块的仿真 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 对将来工作的展望 |
| 参考文献 |
| 附录 A 主要模块的源代码 |
| 在学期间取得的科研成果和科研情况说明 |
| 致谢 |
（6）基于机器视觉的PCB缺陷检测系统若干关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.1.1 课题的研究背景 |
| 1.1.2 课题的研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文的主要章节安排 |
| 2. 基于机器视觉的PCB缺陷检测系统 |
| 2.1 PCB缺陷检测系统 |
| 2.1.1 主要的PCB缺陷检测系统分析 |
| 2.1.2 现有基于机器视觉的PCB缺陷检测系统不足 |
| 2.2 基于机器视觉的PCB缺陷检测实验平台搭建 |
| 2.2.1 系统硬件组成 |
| 2.2.2 系统光源设计 |
| 2.3 系统软件流程设计 |
| 2.4 本章小结 |
| 3.基于多方向改进Sobel算子的PCB图像定位校正方法 |
| 3.1 引言 |
| 3.2 PCB图像定位校正方法 |
| 3.2.1 图像预处理 |
| 3.2.2 基于图像轮廓的PCB区域定位 |
| 3.2.3 基于PCB区域的图像校正 |
| 3.3 图像校正评价函数 |
| 3.4 实验与分析 |
| 3.5 本章小结 |
| 4.基于改进模板匹配及图像差分法的PCB板缺陷多级检测方法 |
| 4.1 引言 |
| 4.2 PCB板缺陷多级检测方法 |
| 4.3 基于多方向Sobel算子的改进模板匹配方法 |
| 4.4 基于图像差分法的多级二值化检测方法 |
| 4.5 实验分析 |
| 4.5.1 模板匹配方法对比 |
| 4.5.2 缺陷检测方法对比 |
| 4.6 本章小结 |
| 5.基于感兴趣区域及像素相加法的芯片极性检测方法 |
| 5.1 引言 |
| 5.2 PCB板芯片极性检测方法 |
| 5.3 PCB板芯片的定位 |
| 5.4 基于像素相加法的PCB板芯片极性检测 |
| 5.5 实验分析 |
| 5.5.1 芯片定位实验对比 |
| 5.5.2 直方图匹配实验对比 |
| 5.5.3 芯片极性缺陷检测实验对比 |
| 5.6 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的学术论文 |
（7）基于多特征融合的PCB缺陷自动检测与分类方法研究（论文提纲范文）
| 摘要 |
| ABSTRAT |
| 第一章 绪论 |
| 1.1 课题研究的背景、目的和意义 |
| 1.1.1 选题背景 |
| 1.1.2 目的及意义 |
| 1.2 研究现状 |
| 1.2.1 机器视觉的研究现状 |
| 1.2.2 缺陷分类问题研究现状 |
| 1.3 本文研究思路、内容和框架 |
| 1.4 本章小结 |
| 第二章 印刷电路板缺陷检测系统设计 |
| 2.1 总体设计 |
| 2.2 图像采集模块 |
| 2.2.1 照明系统 |
| 2.2.2 摄像机与镜头 |
| 2.2.3 图像采集卡 |
| 2.3 系统工作流程 |
| 2.3.1 图像预处理 |
| 2.3.2 彩色图像的处理 |
| 2.3.3 缺陷定位 |
| 2.3.4 缺陷识别 |
| 2.4 本章小结 |
| 第三章 印刷电路板缺陷的定义与种类 |
| 3.1 印刷电路板生产工艺流程 |
| 3.2 印刷电路板缺陷的定义 |
| 3.3 印刷电路板缺陷的种类 |
| 3.4 缺陷特征的提取 |
| 3.4.1 基于Hu不变矩的特征提取 |
| 3.4.2 基于SIFT的纹理特征描述 |
| 3.4.3 基于颜色矩的颜色特征提取 |
| 3.4.4 构建视觉词袋模型 |
| 3.4.5 多特征融合 |
| 3.5 本章小结 |
| 第四章 基于轮廓匹配的配准方法 |
| 4.1 图像配准的意义 |
| 4.2 图像配准步骤 |
| 4.3 图像配准方法 |
| 4.3.1 基于区域的配准方法 |
| 4.3.2 基于特征的配准方法 |
| 4.4 基于轮廓匹配的配准方法 |
| 4.4.1 轮廓模板生成 |
| 4.4.2 相似性度量 |
| 4.4.3 网格切分 |
| 4.4.4 连续域的蚁群优化算法 |
| 4.4.5 配准结果 |
| 4.5 本章小结 |
| 第五章 基于多特征融合的缺陷分类方法 |
| 5.1 多分类SVM的构造方法 |
| 5.1.1 “一对多”多分类方法 |
| 5.1.2 “一对一”多分类方法 |
| 5.2 基于有向无环图的多分类算法 |
| 5.2.1 有向无环图支持向量机 |
| 5.2.2 基于节点优化的DAGSVM |
| 5.3 印刷电路板复杂缺陷检测实验 |
| 5.3.1 实验准备 |
| 5.3.2 实验结果 |
| 5.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及专利 |
| 致谢 |
（8）PCB板方向性元器件检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文的主要研究内容与结构安排 |
| 1.3.1 论文的主要研究内容 |
| 1.3.2 论文的结构安排 |
| 第二章 PCB板缺陷元器件检测系统的构成及原理概述 |
| 2.1 检测系统的构成 |
| 2.2 PCB检测的硬件平台 |
| 2.2.1 图像采集模块 |
| 2.2.2 光源系统 |
| 2.3 PCB检测的软件平台 |
| 2.3.1 图像获取模块 |
| 2.3.2 图像拼接模块 |
| 2.3.3 定位校准与模板建立模块 |
| 2.3.4 缺陷检测模块 |
| 2.4 本章小结 |
| 第三章 图像亮度调节和电路板图像拼接 |
| 3.1 图像亮度调节 |
| 3.1.1 镜头光圈与相机曝光 |
| 3.1.2 图像亮度检测与初始化设置 |
| 3.2 电路板图像拼接 |
| 3.3 本章小结 |
| 第四章 基于轮廓特征与窗口平滑度的电解电容极性检测 |
| 4.1 引言 |
| 4.2 算法流程 |
| 4.3 基于轮廓多特征与广义Hough变换的电解电容定位算法 |
| 4.3.1 近似圆形状描述子的定义 |
| 4.3.2 轮廓折线角度连续性特征 |
| 4.3.3 电解电容内圆的定位 |
| 4.4 基于滑动窗口平滑度的极性判断 |
| 4.5 实验结果与分析 |
| 4.5.1 电解电容定位对比试验 |
| 4.5.2 电解电容极性判断对比试验 |
| 4.6 本章小结 |
| 第五章 插座方向检测与二极管极性检测 |
| 5.1 插座种类 |
| 5.2 基于图像单通道差值运算与投影直方图的插座方向检测 |
| 5.2.1 基于图像单通道差值运算的插座定位 |
| 5.2.2 基于最小面积外接矩形的插座角度纠正 |
| 5.2.3 基于投影直方图的插座方向判断 |
| 5.2.4 检测结果与分析 |
| 5.3 基于矩形检测与暗通道的插座方向检测 |
| 5.3.1 基于矩形检测的插座定位 |
| 5.3.2 基于暗通道图像的插座方向判断 |
| 5.3.3 检测结果与分析 |
| 5.4 基于高反差保留与形状相似度的插座方向检测 |
| 5.4.1 高反差保留法提取图像边缘信息 |
| 5.4.2 基于轮廓相似度的插座方向判断 |
| 5.4.3 检测结果与分析 |
| 5.5 基于改进的图像匹配与梯度边缘特征的二极管极性检测 |
| 5.5.1 基于改进图像匹配的二极管定位 |
| 5.5.2 基于梯度边缘特征的二极管极性判断 |
| 5.5.3 检测结果与分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（9）基于CCD的高速PCB线宽线距及缺陷检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景 |
| 1.2 PCB缺陷检测的背景和意义 |
| 1.3 线宽线距缺陷检测的背景和意义 |
| 1.4 国内外研究现状 |
| 1.5 本文主要内容 |
| 第二章 基于CCD的图像扫描采集系统结构及工作原理 |
| 2.1 CCD工作原理及优势 |
| 2.1.1 CCD的结构和工作原理 |
| 2.1.2 线阵CCD用于PCB缺陷检测和线宽线距测量的优势 |
| 2.2 CCD与工作台之间的关系 |
| 2.3 缺陷检测方法分析 |
| 2.3.1 基于误差的图像质量评估方法 |
| 2.3.2 自校正的结构相似性算法 |
| 2.3.3 缺陷检测的类型和目的 |
| 2.4 关于使用的线阵CCD相机和PCB扫描检测的相关分析 |
| 2.5 基于CCD的图像扫描采集系统结构 |
| 2.5.1 扫描采集系统结构 |
| 2.5.2 扫描采集系统各部分工作原理 |
| 2.6 基于CCD的图像扫描采集系统设计目标 |
| 2.7 本章小结 |
| 第三章 基于CCD图像快速滤波及自适应拟合的PCB线宽线距测量算法 |
| 3.1 传统的PCB线宽线距测量系统及其存在的问题 |
| 3.2 线宽线距测量问题的相关分析 |
| 3.2.1 线宽线距测量的基本原理及存在的问题 |
| 3.2.2 图像拼接与线宽线距检测之间的关系 |
| 3.3 算法思路及总体流程设计 |
| 3.4 算法详细设计 |
| 3.4.1 部分图像的快速导向滤波 |
| 3.4.2 自适应归一化图像增强 |
| 3.4.3 自适应二值化 |
| 3.4.4 边界筛选和自适应拟合 |
| 3.4.5 斜率对真实差值的影响 |
| 3.5 仿真实验及结果分析 |
| 3.5.1 实验环境及参数 |
| 3.5.2 对比实验 |
| 3.6 本章小结 |
| 第四章 基于CCD图像高速滚动重组及结构相似性算法的PCB缺陷检测算法 |
| 4.1 传统PCB缺陷检测系统及其存在的问题 |
| 4.2 CCD图像高速滚动重组下结构相似性算法的基本原理及存在的问题 |
| 4.3 算法思路及总体流程设计 |
| 4.4 算法详细设计 |
| 4.4.1 滚动图像重组拼接 |
| 4.4.2 基于结构相似性算法的缺陷检测 |
| 4.4.3 自校正修正 |
| 4.5 本方法所带来的有益效果 |
| 4.6 本章小结 |
| 第五章 实验与测试 |
| 5.1 实验环境及上位机设计 |
| 5.1.1 实验环境及工作系统结构 |
| 5.1.2 上位机设计 |
| 5.2 实验结果及分析 |
| 5.2.1 线宽线距测量实验及分析 |
| 5.2.2 缺陷检测实验及分析 |
| 5.2.3 速度干扰下的检测实验及分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 课题展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（10）基于机器视觉的PCB表面缺陷检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状和发展趋势 |
| 1.2.1 PCB表面缺陷检测算法 |
| 1.2.2 图像配准 |
| 1.3 本文研究内容及创新点 |
| 第2章 PCB图像分割算法研究 |
| 2.1 传统阈值分割 |
| 2.1.1 双峰阀值分割 |
| 2.1.2 OTSU阀值分割 |
| 2.2 支持向量机 |
| 2.3 实验分析 |
| 2.4 本章小结 |
| 第3章 PCB图像配准算法研究 |
| 3.1 基于特征的图像配准 |
| 3.2 基于互信息的图像配准 |
| 3.2.1 熵及互信息 |
| 3.2.2 互信息配准原理 |
| 3.3 实验分析 |
| 3.4 本章小结 |
| 第4章 PCB缺陷检测及破损率计算 |
| 4.1 传统缺陷检测方法 |
| 4.1.1 轮廓对比缺陷检测方法 |
| 4.1.2 连通域缺陷检测方法 |
| 4.2 PCB缺陷检测算法设计 |
| 4.2.1 图像差分 |
| 4.2.2 区域编号 |
| 4.2.3 Roberts边缘检测 |
| 4.2.4 短路、铜渣缺陷检测 |
| 4.2.5 断路、破损缺陷检测 |
| 4.2.6 实验与分析 |
| 4.3 PCB破损率检测算法设计 |
| 4.3.1 提取骨架 |
| 4.3.2 Distance变换 |
| 4.3.3 破损率计算 |
| 4.4 本章小结 |
| 第5章 检测系统与实验结果分析 |
| 5.1 PCB缺陷检测系统硬件设计 |
| 5.1.1 PCB缺陷检测系统方案 |
| 5.1.2 工业相机选型 |
| 5.1.3 镜头选型 |
| 5.1.4 光源选型 |
| 5.1.5 计算机配置 |
| 5.1.6 初级整形夹板 |
| 5.1.7 运动板卡选型 |
| 5.2 PCB缺陷检测系统软件设计 |
| 5.2.1 PCB缺陷检测流程 |
| 5.2.2 系统软件设计方案 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录 |
四、印刷电路板图像边缘检测算法的研究及软件实现（论文参考文献）
- [1]面向SMT的高精度元器件自动定位算法[D]. 廖文杰. 电子科技大学, 2021(01)
- [2]PCB缺陷检测中的图像配准技术研究[D]. 陈思摇. 武汉科技大学, 2021(01)
- [3]基于机器视觉的钢网缺陷检测方法研究[D]. 付雪荣. 电子科技大学, 2021(01)
- [4]PCB图像表面缺陷检测算法研究[D]. 张露文. 昆明理工大学, 2021(01)
- [5]基于图像处理的印刷电路板质量检测技术研究[D]. 任浩. 天津理工大学, 2021(08)
- [6]基于机器视觉的PCB缺陷检测系统若干关键技术研究[D]. 朱寒. 福建工程学院, 2020(02)
- [7]基于多特征融合的PCB缺陷自动检测与分类方法研究[D]. 李凡. 广东工业大学, 2020(02)
- [8]PCB板方向性元器件检测算法研究[D]. 王志豪. 浙江理工大学, 2020(02)
- [9]基于CCD的高速PCB线宽线距及缺陷检测方法研究[D]. 彭禹豪. 电子科技大学, 2020(07)
- [10]基于机器视觉的PCB表面缺陷检测技术研究[D]. 涂杏. 湖北工业大学, 2019(06)