[发明专利]基于HSV和CNN的FPC缺陷检测方法、系统及存储介质

说明书

本发明公开了一种基于HSV和CNN的FPC缺陷检测方法、系统及存储介质，检测方法包括：按照颜色和亮度提取待检原图中的检测区域；将待检原图从RGB颜色空间转变为HSV颜色空间，并根据预设的缺陷参数，从HSV颜色空间中初步判断出候选缺陷区域；将候选缺陷区域与检测区域间的交集作为最终缺陷区域；将最终缺陷区域面积与预设阈值进行比较，判断当前检测的FPC为良品、次品或不确定品；利用预先训练好的深度学习模型对不确定品的检测区域进行识别，预测不确定品属于良品或次品。本发明通过采用图像处理和深度学习模型相结合的方式对待检FPC进行缺陷检测，兼具成本低和精度高的优点。

技术领域

本发明涉及智能制造技术领域，更具体的说是涉及一种基于HSV和CNN的FPC缺陷检测方法、系统及存储介质。

背景技术

传统的针对柔性电路板(Flexible Printed Circuit简称FPC)的质量检测还主要依靠人工目测，成本高且效率低。而随着电子产业飞速发展，电路板设计越来越趋于高精度、高密度化，传统的人工检测方法已无法满足生产需求，FPC缺陷自动化检测成为产业发展必然趋势。

目前，FPC缺陷的自动化检测常用以下几种方法：(1)传统图像处理的方法，针对缺陷的颜色、形状、位置等特征，手工设计相应的区分算法，然后设置关键的阈值，最后检出良次品；该方法容易受设定的阈值影响，在工业生产场景中，许多因素会发生改变，如不同批次的产品在颜色、形状上会有差异；不同灯光、相机的参数有差异，这导致传统的处理方法对阈值参数十分敏感，图像的微小改变使程序的准确率大幅下降，泛化能力很低。(2)深度学习方法，工业检测所用的深度学习方法通常是卷积神经网络(Convolution NeuralNetwork简称CNN)，能识别图像中较为抽象、难以手工设计的特征，使用大量图片对CNN模型进行训练，使CNN模型具有分拣良次品的能力。该方法需要大量的图像样本进行长时间的训练，也需要运行在GPU中，且模型每次对目标进行推断预测的时间远远超过传统的图像处理方法，很难适应某些需要高速运作的检测场景。

发明内容

有鉴于此，本发明提供了一种基于HSV和CNN的FPC缺陷检测方法、系统及存储介质，通过采用图像处理和深度学习模型相结合的方式对待检FPC进行缺陷检测，兼具成本低和精度高的优点。

为了实现上述目的，本发明采用如下技术方案：

一种基于HSV和CNN的FPC缺陷检测方法，包括：

按照颜色和亮度提取待检原图中的检测区域；

将待检原图从RGB颜色空间转变为HSV颜色空间，并根据预设的缺陷参数，从HSV颜色空间中初步判断出候选缺陷区域；

将所述候选缺陷区域与检测区域间的交集作为最终缺陷区域；

将所述最终缺陷区域面积与预设阈值进行比较，判断当前检测的FPC为良品、次品或不确定品；

利用预先训练好的深度学习模型对不确定品的检测区域进行识别，预测不确定品属于良品或次品。

可选的，在上述一种基于HSV和CNN的FPC缺陷检测方法中，所述按照颜色和亮度提取待检原图中的检测区域，包括：

按照颜色和亮度提取待检原图中的掩码，得到掩膜图；

将掩膜图与待检原图进行与运算，得到所述检测区域。

可选的，在上述一种基于HSV和CNN的FPC缺陷检测方法中，所述按照颜色和亮度提取待检原图中的掩码，得到掩膜图，包括：

调整待检原图的尺寸为固定大小；

提取待检原图RGB三个通道的数值，将R通道数值与G通道数值相加后再求平均，得到各像素的亮度值；

将亮度值高于阈值的像素认定为包含在所述检测区域内，得到初步的掩膜图；