[發(fā)明專利]一種LED檢測(cè)方法、裝置及其電子設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202211629193.8
• 申請(qǐng)日: 2022-12-19
• 公開（公告）號(hào): CN115900829A
• 公開（公告）日: 2023-04-04
• 發(fā)明（設(shè)計(jì)）人: 余標(biāo);冀運(yùn)景;劉鵬飛
• 申請(qǐng)（專利權(quán)）人: 深圳明銳理想科技有限公司
• 主分類號(hào): G01D21/02
• 分類號(hào): G01D21/02;G06T7/00;G06T7/13;G06T7/73;G06V10/141
• 代理公司: 深圳市六加知識(shí)產(chǎn)權(quán)代理有限公司 44372
• 代理人: 李于明

1.一種LED檢測(cè)方法，其特征在于，包括：

在LED芯片具有極性的情況下，通過比較所述LED芯片的正向相似度和反向相似度，判斷所述LED芯片的極性缺陷；

獲取LED芯片在PCB板上的芯片中心和芯片角度，以此判斷所述LED芯片的位置缺陷。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

檢測(cè)所述LED芯片的膠體直徑以及膠體圓心；

根據(jù)所述芯片中心以及所述膠體圓心計(jì)算出膠體偏心距；

檢測(cè)所述LED芯片上的膠體缺陷。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述獲取所述LED芯片在PCB板上的芯片中心和芯片角度，以此判斷所述LED芯片的位置缺陷，包括：

以白色光源照射所述PCB板，獲取所述PCB板的芯片圖像；

錄入所述LED芯片的模板圖像；

通過預(yù)設(shè)的邊緣對(duì)比度和預(yù)設(shè)的邊緣長度，提取所述模板圖像中的邊緣信息；

根據(jù)所述邊緣信息，并通過形狀匹配算法定位所述LED芯片在所述芯片圖像中的匹配位置；

以所述PCB板的左上角為原點(diǎn)，根據(jù)所述匹配位置獲得所述芯片中心及所述芯片角度；

根據(jù)所述芯片中心和所述PCB板上所述LED芯片的焊盤中心，計(jì)算獲得芯片偏心距；

判斷所述芯片偏心距是否大于預(yù)設(shè)的位置閾值；

若是，則確定所述LED芯片存在位置缺陷；

判斷所述芯片角度是否大于預(yù)設(shè)的角度閾值；

若是，則確定所述LED芯片存在位置缺陷。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述在LED芯片具有極性的情況下，通過比較所述LED芯片的正向相似度和反向相似度，判斷所述LED芯片的極性缺陷，包括：

錄入所述LED芯片的正向圖像；

判斷所述LED芯片是否具有極性；

若否，則將所述模板圖像旋轉(zhuǎn)180度獲得反向圖像，錄入所述反向圖像，所述模板圖像包括所述正向圖像和所述反向圖像；若是，則導(dǎo)入所述反向圖像，并通過形狀匹配算法獲取所述反向圖像與所述匹配位置的目標(biāo)圖像的反向相似度，所述模板圖像包括所述正向圖像；

通過形狀匹配算法獲取所述正向圖像與所述匹配位置的目標(biāo)圖像的正向相似度；

判斷所述反向相似度是否小于正向相似度；

若是，則確定所述LED芯片沒有貼反，所述LED芯片沒有極性缺陷；

若否，則確定所述LED芯片貼反，所述LED芯片有極性缺陷。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述檢測(cè)所述LED芯片的膠體直徑以及膠體圓心，包括：

以同軸光源照射所述PCB板上的膠體，獲取所述PCB板的膠體圖像；

將所述膠體圖像通過自適應(yīng)閾值分割，獲得膠體輪廓圖像；

通過形態(tài)學(xué)操作，去除所述膠體輪廓圖像的干擾信息；

將所述膠體輪廓圖像通過連通域分析，獲得輪廓擬合圖像；

以所述PCB板的左上角為原點(diǎn)，根據(jù)所述輪廓擬合圖像，獲得所述膠體圓心和所述膠體直徑；

根據(jù)所述芯片中心和所述膠體中心，獲得所述膠體偏心距。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述檢測(cè)所述LED芯片上的膠體缺陷，包括：

以白色光源照射所述PCB板，獲取所述LED芯片上的膠體的待檢測(cè)圖像；

對(duì)所述待檢測(cè)圖像進(jìn)行缺陷分類檢測(cè)；

對(duì)所述待檢測(cè)圖像進(jìn)行缺陷位置檢測(cè)以及缺陷尺寸檢測(cè)。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述對(duì)所述待檢測(cè)圖像進(jìn)行缺陷分類檢測(cè)，包括：

預(yù)設(shè)分類網(wǎng)絡(luò)以及分類損失函數(shù)；

將已知的缺陷類型的缺陷數(shù)據(jù)導(dǎo)入所述分類網(wǎng)絡(luò)，采用梯度下降法進(jìn)行機(jī)器訓(xùn)練，通過所述分類損失函數(shù)獲得分類模型；

加載所述分類模型，將所述待測(cè)試圖像傳入所述分類模型，獲取所述待測(cè)試圖像上存在的膠體缺陷類型。