买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安交通大学申请的专利一种PCB板元器件缺陷检测方法、系统、设备和介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119048837B 。

龙图腾网通过国家知识产权局官网在2025-10-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411228537.3，技术领域涉及：G06V10/764；该发明授权一种PCB板元器件缺陷检测方法、系统、设备和介质是由孙孝飞;魏灿名;郭捷;赵飞;梅雪松设计研发完成，并于2024-09-03向国家知识产权局提交的专利申请。

本一种PCB板元器件缺陷检测方法、系统、设备和介质在说明书摘要公布了：一种PCB板元器件缺陷检测方法、系统、设备和介质，检测方法包括：获取大量带标签的PCB板元器件图像数据来构造训练集和测试集；训练联合卷积和视觉Transformer网络对PCB板元器件图像数据进行检测获取图像数据的种类信息和可信度；对PCB板元器件图像进行轮廓提取，获取Mark点信息；获取PCB板元器件图像字符区域并利用OCR字符识别网络得到图像的字符信息；将获取的种类信息、Mark点信息以及OCR字符信息与标准的PCB板元器件进行对比，判断元器件是否存在缺陷；本发明可以解决人工检测带来的检测效率低、检测精度差等问题，可以在无接触检测的条件下，完成高效率高速度的实时检测；另外本发明还包括该方法下的系统、设备和介质。

本发明授权一种PCB板元器件缺陷检测方法、系统、设备和介质在权利要求书中公布了：1.一种PCB板元器件缺陷检测方法，其特征在于，步骤包括： 步骤S1:原始图像获取 利用CCD相机采用不重叠拍摄方式采集PCB板元器件图像数据，获取数据集样本，取数据集样本中图片分辨率的众值为预设分辨率，把数据集中所有的样本统一转化为预设分辨率大小； 步骤S2:图像预处理 将数据集样本按照比例划分为训练集和测试集，且保证训练集和测试集中的样本分布保持一致都包含了所有类型的元器件，基于PyTorch的Transforms模块对训练集的样本图像进行随机中心裁剪、翻转、旋转的数据增强操作； 步骤S3:建立深度学习模型CVM 深度学习模型CVM分为三个部分，分别为：浅层网络、深层网络和分类器，浅层网络包括三个下采样模块，每个下采样模块又分别由一个1x1卷积层、一个BN层、一个ReLU激活函数、一个3x3卷积层和一个最大池化层组成；深层网络分为两条支路，一条是卷积支路，另一条是Transformer支路，卷积支路由三个3x3卷积层依次连接而成，Transformer支路由三个稀疏视觉编码器依序连接组成，每一个稀疏视觉编码器包括局部特征提取模块、全局特征提取模块和特征混合模块；分类器由一个全连接层和softmax函数组成，全连接层的输出通道数等于目标类别个数； 通过在浅层网络进行下采样操作，在深层网络采用卷积和视觉编码器两条不同支路分别完成局部信息和全局信息学习，并在两条支路间建立联系加强信息交互，实现低层次-高层次特征联合学习，所述的三个稀疏视觉编码器通过将图片分为不同组别的patch块，只在patch块间计算自注意力； 步骤S4：模型训练 首先，设置batchsize、epoch、优化器和损失函数超参数，采用Adam优化器和余弦退火策略来指引网络参数向理论最优值靠近；然后，将训练集样本数据输入到步骤S3中的深度学习模型CVM中，去学习样本的特点，损失函数选择交叉熵损失函数，目标为损失函数值最小，评价指标选择测试集准确率；最后，深度学习模型CVM不断迭代训练，不断更新网络参数直至模型收敛或者迭代次数达到设定的终止值，得到最终的网络模型Ours； 步骤S5:元器件图像分类 元器件图像分类的过程如下所述：将待检测图像输入到网络模型Ours中，网络模型给出识别结果和可信度α，如果α≥α0则认为模型识别结果可信，直接输出检测结果，其中，α0为人工设定的经验值，相反地，如果α＜α0则认为网络识别错误，需要进入下一阶段基于经典图像处理方法完成检测来重新检测； 步骤S6:经典图像处理 采用中值滤波方式来平滑图像；再采用直方图均衡化方法，调整原始图像像素的分布，使其更加均匀的分布在0,255区间范围内，从而增强图像的对比度； 步骤S7:图像二值化 将经过步骤S6处理后的图像转为灰度图，然后将灰度图通过自适应阈值法进行二值化，按图像的灰度特性将图像分为前景和背景两部分，把图像中不感兴趣的区域遮掉； 步骤S8:边缘提取 对步骤S7二值化图像进行形态学开闭运算，分割出独立的图像元素，然后采取基于Canny算子的边缘检测方法，根据像素梯度初步得到目标的边缘，接着采用非极大值像素梯度抑制方法消除边缘检测带来的杂散响应，剔除掉大部分非边缘点，通过设置高低阈值将梯度强度高于高阈值的像素点定义为强边缘，低于低阈值的像素点不作为边缘点，处于两者之间的像素点再通过孤立弱边缘抑制方法进行判断，如果该像素点的领域像素中存在强边缘像点，则判定该点为强像素点，直到获取物体的边缘； 步骤S9:Mark点识别 首先根据步骤S8得到的物体的边缘实现物体轮廓提取，检索所有的轮廓并重构嵌套轮廓的整个层次，然后根据物体轮廓的坐标得到物体的外接矩形，通过轮廓外接矩形的横纵比来判断该轮廓是否为圆形，得到所有的圆后再根据圆的面积进行筛选，得到最终的Mark点，如果检测出了Mark点，则直接输出圆心坐标并与正常元器件Mark点信息进行匹配，输出检测结果；如果没有识别到Mark点，则需要进入下一步骤文字区域提取。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安交通大学，其通讯地址为：710049 陕西省西安市碑林区咸宁西路28号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。