一种电源适配器生产质量智能检测方法

摘要

本发明公开了一种电源适配器生产质量智能检测方法，属于图像处理技术领域，该方法包括：获取待测线路板的背面图像和标准线路板的背面图像；其中，待测线路板指的是在待测电源适配器的生产过程中实时生产的电源适配器线路板；基于线路板焊锡区域的光强反射现象和光强分化现象，分别对待测线路板的背面图像和标准线路板的背面图像进行锡焊特征点提取，然后进行图像匹配；基于图像匹配结果判断待测线路板质量是否合格，完成电源适配器生产质量检测。本发明可更加准确地识别焊锡区域的缺陷，并提高了算法计算效率。

权利要求

1.一种电源适配器生产质量智能检测方法，其特征在于，包括：获取待测线路板的背面图像和标准线路板的背面图像；其中，所述待测线路板指的是在待测电源适配器的生产过程中实时生产的电源适配器线路板，所述标准线路板指的是所述待测电源适配器对应的无生产质量缺陷的线路板；

基于线路板焊锡区域的光强反射现象和光强分化现象，分别对待测线路板的背面图像和标准线路板的背面图像进行锡焊特征点提取；

基于提取的锡焊特征点，采用预设的图像匹配算法，对待测线路板的背面图像和标准线路板的背面图像进行图像匹配；

基于待测线路板的背面图像和标准线路板的背面图像之间的图像匹配结果，判断待测线路板的质量是否合格，完成对电源适配器生产质量的检测；

所述基于线路板焊锡区域的光强反射现象和光强分化现象，分别对待测线路板的背面图像和标准线路板的背面图像进行锡焊特征点提取，包括：针对待提取锡焊特征点的图像，基于线路板焊锡区域的光强反射现象和光强分化现象，计算其中每一像素点的焊锡特征指数；其中，所述待提取锡焊特征点的图像为待测线路板的背面图像或标准线路板的背面图像；

基于图像中各像素点的焊锡特征指数，对所述待提取锡焊特征点的图像中的像素点进行筛选，得到所述待提取锡焊特征点的图像中的焊锡特征点；

所述针对待提取锡焊特征点的图像，基于线路板焊锡区域的光强反射现象和光强分化现象，计算其中每一像素点的焊锡特征指数，包括：针对待提取锡焊特征点的图像，计算出其中每一像素点的光强反射率；

基于图像中各像素点的光强反射率，计算出待提取锡焊特征点的图像中每一像素点的光强分化程度；

基于图像中各像素点的光强反射率和光强分化程度，计算出待提取锡焊特征点的图像中每一像素点的焊锡特征指数；

所述针对待提取锡焊特征点的图像，计算出其中每一像素点的光强反射率，包括：将待提取锡焊特征点的图像转化为Lab色彩模式的图像，并提取出所转化出的Lab色彩模式的图像中的每个像素点的亮度；

以当前待处理的像素点 为中心，设置预设大小的滑动窗口；

将像素点 所对应的滑动窗口内的各像素点的亮度按照预设排序方式进行排序，生成像素点 所对应的亮度渐变序列 ：；

式中， 表示 中的第个亮度值， ，表示像素点 所对应的滑动窗口内的像素点的总数；

利用预设突变检测算法对 进行突变检测，得到 中的突变点，将 中相邻两个突变点之间的数据点作为一个亮度类，从而将 分割成不同大小的亮度类，根据每个亮度类中亮度的特点，计算每个亮度类的反光程度，公式为：；

式中， 表示第 个亮度类的反光程度， 表示极差归一化函数，表示第 个亮度类中数据的数目， 表示第 个亮度类中第 个数据点的亮度；

将反光程度高于预设判定阈值的亮度类中的数据所对应的像素点标记为强反光像素点；将反光程度不高于预设判定阈值的亮度类中的数据所对应的像素点标记为弱反光像素点，并统计强反光像素点数目和弱反光像素点数目；

根据像素点 所对应的滑动窗口内每个亮度类的反光程度，以及强反光像素点数目和弱反光像素点数目，计算出像素点 的光强反射率 ，公式为：；

式中， 表示归一化函数， 表示像素点 所对应的滑动窗口内的强反光像素点数目， 表示像素点 所对应的滑动窗口内的弱反光像素点数目，表示像素点 所对应的滑动窗口内亮度类的个数；

所述基于图像中各像素点的光强反射率，计算出待提取锡焊特征点的图像中每一像素点的光强分化程度，包括：利用预设聚类算法，将像素点 所对应的滑动窗口内的所有像素点的光强反射率分成不同的类集，基于类集间的差异，构建光强分化程度，公式为：；

；

式中， 表示像素点 的光强分化程度， 表示像素点 所对应的滑动窗口内第 个类集的类间光强差异， 表示像素点 所对应的滑动窗口内类集的数目， 和 分别表示像素点 所对应的滑动窗口内第 个类集和第 个类集内的光强反射率均值， 和分别表示像素点 所对应的滑动窗口内像素点所对应的最大光强反射率和最小光强反射率。

2.如权利要求1所述的电源适配器生产质量智能检测方法，其特征在于，所述获取待测线路板的背面图像和标准线路板的背面图像，包括：使用相机在同一拍摄角度和位姿下，分别对待测线路板的背面和标准线路板的背面进行拍摄，得到待测线路板和标准线路板对应的RGB色彩模式的图像；

对相机拍摄到的RGB色彩模式的图像进行去噪处理，并对去噪后的图像进行灰度化处理，得到待测线路板的背面图像和标准线路板的背面图像。

3.如权利要求1所述的电源适配器生产质量智能检测方法，其特征在于，所述焊锡特征指数的计算公式为：；

式中， 表示像素点 的焊锡特征指数， 表示像素点 的光强反射率， 表示极差归一化函数， 表示像素点 的光强分化程度。

4.如权利要求1所述的电源适配器生产质量智能检测方法，其特征在于，所述基于图像中各像素点的焊锡特征指数，对所述待提取锡焊特征点的图像中的像素点进行筛选，得到所述待提取锡焊特征点的图像中的焊锡特征点，包括：基于待提取锡焊特征点的图像中的各像素点的焊锡特征指数，利用大津阈值分割法对待提取锡焊特征点的图像进行分割，将高于分割阈值的部分作为焊锡区域，得到焊锡区域图像，提取出焊锡区域图像中的特征点，作为焊锡特征点。

5.如权利要求1所述的电源适配器生产质量智能检测方法，其特征在于，所述基于提取的锡焊特征点，采用预设的图像匹配算法，对待测线路板的背面图像和标准线路板的背面图像进行图像匹配，包括：对提取的焊锡特征点求取主方向，生成每个焊锡特征点的特征点描述子；

基于焊锡特征点的特征点描述子，对待测线路板的背面图像和标准线路板的背面图像进行图像匹配。

6.如权利要求1所述的电源适配器生产质量智能检测方法，其特征在于，所述基于待测线路板的背面图像和标准线路板的背面图像之间的图像匹配结果，判断待测线路板的质量是否合格，完成对电源适配器生产质量的检测，包括：基于待测线路板的背面图像和标准线路板的背面图像之间的图像匹配结果，根据两幅图像中焊锡特征点的总数目和有效匹配对数，得到有效匹配率 ：；

式中， 表示待测线路板的背面图像和标准线路板的背面图像中的焊锡特征点的总数目，表示两幅图像中焊锡特征点的有效匹配对数；

若 高于预设有效匹配率阈值，则认为待测线路板的质量合格，否则，认为待测线路板的质量不合格，从而完成对电源适配器生产质量的检测。

说明书

一种电源适配器生产质量智能检测方法

技术领域

[0001] 本发明涉及图像处理技术领域，特别涉及一种电源适配器生产质量智能检测方法。

背景技术

[0002] 随着科学技术的日益发展，大量的电子产品涌入市场，随之而来的，市场上各种电子产品的电源适配器也呈现多样化现象。而电源适配器生产质量往往会受到多种因素的影响，使用有质量缺陷的电源适配器，存在许多的隐患，不合格的电源适配器有可能会损坏电子产品，甚至会产生极大的安全隐患。作为电源适配器核心零件之一的PCB（Printed Circuit Board，印制电路板），其在焊锡的过程中，容易发生连锡、锡尖、空焊以及虚焊的缺陷，这些缺陷会对电源适配器生产质量产生极大的负面影响。因此，在电源适配器的生产过程中，对电源适配器的PCB板的质量进行有效检测至关重要。

[0003] 目前，对电源适配器的PCB板的质量检测方式有很多，而随着图像处理技术的发展，目前主要采用图像匹配的方式识别待测电源适配器PCB板是否存在缺陷。比如，常见的SIFT（Scale‑invariant feature transform，尺度不变特征转换）图像匹配算法，其利用全局图像唯一性的特征点来进行匹配。但是，传统的SIFT图像匹配算法得到的候选特征点较多，且大多不属于所需要的特征点，往往需要筛选候选特征点。同时，传统的SIFT图像匹配算法筛选特征点主要是基于像素点梯度来衡量对照度的大小，一般将低对照度的特征点剔除，而这种方法无法准确得到电源适配器的PCB板的焊锡区域的特征点。而且，由于传统的SIFT图像匹配算法得到的候选特征点较多，也会对算法效率造成影响。

[0004] 综上，现有的电源适配器生产质量检测方法，由于采用传统的SIFT图像匹配算法进行图像匹配，因此会造成算法效率较低，且检测准确度不高的问题。

发明内容

[0005] 本发明提供了一种电源适配器生产质量智能检测方法，以解决现有的电源适配器生产质量检测方法，由于采用传统的SIFT图像匹配算法进行图像匹配，因此会造成算法效率较低，且检测准确度不高的技术问题。

[0006] 为解决上述技术问题，本发明提供了如下技术方案：

[0007] 一种电源适配器生产质量智能检测方法，包括：

[0008] 获取待测线路板的背面图像和标准线路板的背面图像；其中，所述待测线路板指的是在待测电源适配器的生产过程中实时生产的电源适配器线路板，所述标准线路板指的是所述待测电源适配器对应的无生产质量缺陷的线路板；

[0009] 基于线路板焊锡区域的光强反射现象和光强分化现象，分别对待测线路板的背面图像和标准线路板的背面图像进行锡焊特征点提取；

[0010] 基于提取的锡焊特征点，采用预设的图像匹配算法，对待测线路板的背面图像和标准线路板的背面图像进行图像匹配；

[0011] 基于待测线路板的背面图像和标准线路板的背面图像之间的图像匹配结果，判断待测线路板的质量是否合格，完成对电源适配器生产质量的检测。

[0012] 进一步地，获取待测线路板的背面图像和标准线路板的背面图像，包括：

[0013] 使用相机在同一拍摄角度和位姿下，分别对待测线路板的背面和标准线路板的背面进行拍摄，得到待测线路板和标准线路板对应的RGB色彩模式的图像；

[0014] 对相机拍摄到的RGB色彩模式的图像进行去噪处理，并对去噪后的图像进行灰度化处理，得到待测线路板的背面图像和标准线路板的背面图像。

[0015] 进一步地，基于线路板焊锡区域的光强反射现象和光强分化现象，分别对待测线路板的背面图像和标准线路板的背面图像进行锡焊特征点提取，包括：

[0016] 针对待提取锡焊特征点的图像，基于线路板焊锡区域的光强反射现象和光强分化现象，计算其中每一像素点的焊锡特征指数；其中，所述待提取锡焊特征点的图像为待测线路板的背面图像或标准线路板的背面图像；

[0017] 基于图像中各像素点的焊锡特征指数，对所述待提取锡焊特征点的图像中的像素点进行筛选，得到所述待提取锡焊特征点的图像中的焊锡特征点。

[0018] 进一步地，所述针对待提取锡焊特征点的图像，基于线路板焊锡区域的光强反射现象和光强分化现象，计算其中每一像素点的焊锡特征指数，包括：

[0019] 针对待提取锡焊特征点的图像，计算出其中每一像素点的光强反射率；

[0020] 基于图像中各像素点的光强反射率，计算出待提取锡焊特征点的图像中每一像素点的光强分化程度；

[0021] 基于图像中各像素点的光强反射率和光强分化程度，计算出待提取锡焊特征点的图像中每一像素点的焊锡特征指数。

[0022] 进一步地，所述针对待提取锡焊特征点的图像，计算出其中每一像素点的光强反射率，包括：

[0023] 将待提取锡焊特征点的图像转化为Lab色彩模式的图像，并提取出所转化出的Lab色彩模式的图像中的每个像素点的亮度；

[0024] 以当前待处理的像素点 为中心，设置预设大小的滑动窗口；

[0025] 将像素点 所对应的滑动窗口内的各像素点的亮度按照预设排序方式进行排序，生成像素点 所对应的亮度渐变序列 ：

[0026] ；

[0027] 式中， 表示 中的第 个亮度值， ，表示像素点 所对应的滑动窗口内的像素点的总数；

[0028] 利用预设突变检测算法对 进行突变检测，得到 中的突变点，将 中相邻两个突变点之间的数据点作为一个亮度类，从而将 分割成不同大小的亮度类，根据每个亮度类中亮度的特点，计算每个亮度类的反光程度，公式为：

[0029] ；

[0030] 式中， 表示第 个亮度类的反光程度， 表示极差归一化函数，表示第 个亮度类中数据的数目， 表示第 个亮度类中第 个数据点的亮度；

[0031] 将反光程度高于预设判定阈值的亮度类中的数据所对应的像素点标记为强反光像素点；将反光程度不高于预设判定阈值的亮度类中的数据所对应的像素点标记为弱反光像素点，并统计强反光像素点数目和弱反光像素点数目；

[0032] 根据像素点 所对应的滑动窗口内每个亮度类的反光程度，以及强反光像素点数目和弱反光像素点数目，计算出像素点 的光强反射率 ，公式为：

[0033] ；

[0034] 式中， 表示归一化函数， 表示像素点 所对应的滑动窗口内的强反光像素点数目， 表示像素点 所对应的滑动窗口内的弱反光像素点数目，表示像素点 所对应的滑动窗口内亮度类的个数。

[0035] 进一步地，所述基于图像中各像素点的光强反射率，计算出待提取锡焊特征点的图像中每一像素点的光强分化程度，包括：

[0036] 利用预设聚类算法，将像素点 所对应的滑动窗口内的所有像素点的光强反射率分成不同的类集，基于类集间的差异，构建光强分化程度，公式为：

[0037] ；

[0038] ；

[0039] 式中， 表示像素点 的光强分化程度， 表示像素点 所对应的滑动窗口内第个类集的类间光强差异， 表示像素点 所对应的滑动窗口内类集的数目， 和 分别表示像素点 所对应的滑动窗口内第 个类集和第 个类集内的光强反射率均值， 和分别表示像素点 所对应的滑动窗口内像素点所对应的最大光强反射率和最小光强反射率。

[0040] 进一步地，所述焊锡特征指数的计算公式为：

[0041] ；

[0042] 式中， 表示像素点 的焊锡特征指数， 表示像素点 的光强反射率，表示极差归一化函数， 表示像素点 的光强分化程度。

[0043] 进一步地，所述基于图像中各像素点的焊锡特征指数，对所述待提取锡焊特征点的图像中的像素点进行筛选，得到所述待提取锡焊特征点的图像中的焊锡特征点，包括：

[0044] 基于待提取锡焊特征点的图像中的各像素点的焊锡特征指数，利用大津阈值分割法对待提取锡焊特征点的图像进行分割，将高于分割阈值的部分作为焊锡区域，得到焊锡区域图像，提取出焊锡区域图像中的特征点，作为焊锡特征点。

[0045] 进一步地，所述基于提取的锡焊特征点，采用预设的图像匹配算法，对待测线路板的背面图像和标准线路板的背面图像进行图像匹配，包括：

[0046] 对提取的焊锡特征点求取主方向，生成每个焊锡特征点的特征点描述子；

[0047] 基于焊锡特征点的特征点描述子，对待测线路板的背面图像和标准线路板的背面图像进行图像匹配。

[0048] 进一步地，所述基于待测线路板的背面图像和标准线路板的背面图像之间的图像匹配结果，判断待测线路板的质量是否合格，完成对电源适配器生产质量的检测，包括：

[0049] 基于待测线路板的背面图像和标准线路板的背面图像之间的图像匹配结果，根据两幅图像中焊锡特征点的总数目和有效匹配对数，得到有效匹配率 ：

[0050] ；

[0051] 式中， 表示待测线路板的背面图像和标准线路板的背面图像中的焊锡特征点的总数目，表示两幅图像中焊锡特征点的有效匹配对数；

[0052] 若 高于预设有效匹配率阈值，则认为待测线路板的质量合格，否则，认为待测线路板的质量不合格，从而完成对电源适配器生产质量的检测。

[0053] 本发明提供的技术方案带来的有益效果至少包括：

[0054] 本发明基于焊锡区域的光强反射现象以及光强分化现象，构建焊锡特征指数，用于识别焊锡区域的特征点，从而可以更加准确地获取焊锡区域的特征点，并且可以保证只获取焊锡区域的特征点，进而使图像匹配过程只针对焊锡区域进行匹配，可更加准确地识别焊锡区域的缺陷，排除其他非焊锡区域的干扰。同时，只针对焊锡区域进行图像匹配，也在一定程度上提高了算法的计算效率。

附图说明

[0055] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0056] 图1是本发明实施例提供的电源适配器生产质量智能检测方法的流程图。

具体实施方式

[0057] 为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

[0058] 为了通过图像匹配的方式识别电源适配器PCB板的焊锡区域的缺陷，需要提取PCB板图像中焊锡区域的特征点。而传统的SIFT算法无法准确地得到焊锡区域的特征点且计算效率较低。对此，本实施例提供了一种新的电源适配器生产质量智能检测方法，该方法的执行流程如图1所示，包括以下步骤：

[0059] S1，获取待测线路板的背面图像和标准线路板的背面图像；其中，所述待测线路板指的是在待测电源适配器的生产过程中实时生产的电源适配器线路板，所述标准线路板指的是所述待测电源适配器对应的无生产质量缺陷的线路板。

[0060] 其中，需要说明的是，本实施例中的电源适配器线路板特指电源适配器PCB板，当然可理解的是，此处的线路板也可以是其他任何带有焊锡区域的线路板。

[0061] 具体地，在本实施例中，上述S1的实现过程包括：

[0062] S11，使用相机分别对待测线路板的背面和标准线路板的背面进行拍摄，得到待测线路板和标准线路板对应的RGB色彩模式的图像；其中，本实施例使用的相机为CMOS相机，在拍摄待测线路板和标准线路板的背面图像时，拍摄的角度以及位姿需要完全相同，以避免外界环境变化对后续匹配结果的干扰。

[0063] S12，对相机拍摄到的RGB色彩模式的图像进行去噪处理，并对去噪后的图像进行灰度化处理，得到待测线路板的背面图像和标准线路板的背面图像。

[0064] 其中，需要说明的是，本实施例采用中值滤波对图像进行去噪处理，从而消除部分噪声以及外界干扰造成的不良影响，增强后续图像匹配的准确性。当然，可以理解的是，此处也可以采用其他的去噪算法，本实施例对于去噪算法不作具体限定。而图像灰度转化为本领域的公知技术，故，在此不再赘述。

[0065] S2，基于线路板焊锡区域的光强反射现象和光强分化现象，分别对待测线路板的背面图像和标准线路板的背面图像进行锡焊特征点提取。

[0066] 其中，需要说明的是，由于需要通过图像匹配的方式识别电源适配器的PCB板上的缺陷。对此，本实施例以待测PCB板灰度图像的处理过程为例进行分析，标准PCB板灰度图像采取相同的处理方式。

[0067] 传统的SIFT算法可以得到PCB板上的候选特征点，但是候选特征点往往较多，需要通过响应阈值进行特征点的筛选，传统的SIFT算法将低对照度的特征点剔除，保留对比度较大的特征点。但是，保留对比度较大的特征点并非全是所需要的特征点，往往会对算法的效率，以及匹配准确度造成影响。

[0068] 此外，传统的SIFT图像匹配算法，通过构造尺度空间，利用高斯差分DOG特征检测算法，对尺度空间中PCB板图像进行特征提取。根据DOG算法对不同尺度的PCB板图像进行特征提取的结果，搜索PCB板图像上所有的候选特征点。而候选特征点往往比较密集，且大多不属于所需要的特征点，往往需要耗费大量时间筛选候选特征点。而且，传统算法筛选特征点主要是基于像素点梯度来衡量对照度的大小，将低对照度的特征点剔除，而这种方法提取到的PCB板上的主要特征的特征点并不准确。

[0069] 对于传统的SIFT图像匹配算法所存在的上述问题，本实施例根据PCB板灰度图像的具体细节特征，分析PCB板重要区域的焊锡特点，构建特征指标，用于筛选PCB板上重要的特征点，得到相应的锡焊特征点，进而进行图像特征点之间的匹配。具体地，在本实施例中，上述S2的实现过程包括：

[0070] S21，针对待提取锡焊特征点的图像，基于线路板焊锡区域的光强反射现象和光强分化现象，计算其中每一像素点的焊锡特征指数；其中，所述待提取锡焊特征点的图像为待测线路板的背面图像或标准线路板的背面图像。

[0071] 进一步地，焊锡特征指数的计算过程包括：

[0072] S211，针对待提取锡焊特征点的图像，计算出其中每一像素点的光强反射率；具体地，光强反射率的计算过程如下：

[0073] S2111，将待提取锡焊特征点的图像转化为Lab色彩模式的图像，并提取出所转化出的Lab色彩模式的图像中的每个像素点的亮度。

[0074] 其中，需要说明的是，本实施例中图像匹配的目的主要是为了识别电源适配器PCB板的焊锡区域的缺陷，因此焊锡区域为主要的特征区域。而PCB板中焊锡区域往往比较复杂，有较大的可能出现焊锡故障，如连锡、锡尖、空焊以及虚焊等缺陷。焊锡的材质一般是金属合金，在PCB板上一般会产生反光效应。但是，由于光线的角度以及焊锡的结构问题，反光较强的一般是焊锡上的局部区域。对此，为了更加准确反映电源适配器PCB板的反光效应，基于物体反光能力越强，亮度越大的特征，在此将电源适配器PCB板的原始RGB空间上的图像转化为Lab空间上的彩色图像，并提取每个像素点的亮度，记为L。

[0075] S2112，以当前待处理的像素点 为中心，设置11×11的滑动窗口。

[0076] S2113，将像素点 所对应的滑动窗口内的各像素点的亮度按照预设排序方式进行排序，生成像素点 所对应的亮度渐变序列 ：

[0077] ；

[0078] 式中， 表示 中的第 个亮度值， ，表示像素点 所对应的滑动窗口内的像素点的总数；

[0079] 其中，本实施例采用的亮度排序方式为：根据滑动窗口内每个像素点的亮度，随机生成亮度序列，并根据亮度序列将内部的亮度值，按照从小到大的顺序排列，以及将大小相等的亮度值进行连续排列的方式重新生成亮度渐变序列。

[0080] S2114，利用预设突变检测算法对 进行突变检测，得到 中的突变点，将 中相邻两个突变点之间的数据点作为一个亮度类，从而将 分割成不同大小的亮度类，根据每个亮度类中亮度的特点计算每个亮度类的反光程度，公式为：

[0081] ；

[0082] 式中， 表示第 个亮度类的反光程度， 表示极差归一化函数，表示第 个亮度类中数据的数目， 表示第 个亮度类中第 个数据点的亮度。

[0083] 其中，需要说明的是，根据得到的亮度渐变序列，由于每一个局部区域亮度有较大的可能会出现离散程度较大的现象，在此，本实施例利用BG分割算法，得到亮度渐变序列中的突变点，BG分割算法为公知技术，故，在此不再赘述。

[0084] S2115，将反光程度高于预设判定阈值的亮度类中的数据所对应的像素点标记为强反光像素点；将反光程度不高于预设判定阈值的亮度类中的数据所对应的像素点标记为弱反光像素点，并统计强反光像素点数目和弱反光像素点数目。

[0085] 其中，需要说明的是，反光程度的大小一定程度上反映了每个亮度类的平均亮度水平，由于反光程度越大，说明该亮度类中的数据点越有可能为焊锡局部区域的像素点。在此，本实施例根据每个亮度类的反光程度，设置判定阈值Q，将反光程度高于Q的亮度类内的数据点对应的像素点记为强反光像素点；将反光程度低于Q的亮度类内的数据点对应的像素点记为弱反光像素点，其中，Q的经验取值为0.5。由此，可以得到强反光像素点数目以及弱反光像素点数目。

[0086] S2116，根据像素点 所对应的滑动窗口内每个亮度类的反光程度，以及强反光像素点数目和弱反光像素点数目，计算出像素点 的光强反射率 ，公式为：

[0087] ；

[0088] 式中， 表示归一化函数， 表示像素点 所对应的滑动窗口内的强反光像素点数目， 表示像素点 所对应的滑动窗口内的弱反光像素点数目，表示像素点 所对应的滑动窗口内亮度类的个数。

[0089] 由于PCB板焊锡区域中有较多反光性较强的像素点，因此，滑动窗口内的强反光像素点数目 越大，且弱反光像素点数目 越小，说明窗口内强反光像素点占比越大，则光强反射率 越大，相应区域越具有焊锡局部区域反光效应较强的特征。同时，累计反光程度 越大，则光强反射率越大，说明该亮度类中的数据点越有可能为焊锡局部区域的像素点，相应区域越具有焊锡局部区域反光效应较强的特征。

[0090] 此外，PCB板上焊锡区域虽然会出现反光效应，但是往往是焊锡区域的局部反光，这是因为拍摄到的图像往往受到光源以及拍摄角度的影响较大。由此，焊锡区域上除了反光性较强的区域，还会有较大的可能会出现反光性较弱的区域，此时在焊锡区域上这两部分会形成明显的对比。基于此，对滑动窗口内的光强反射率进行分析，当滑动窗口位于焊锡区域上时，滑动窗口内光强反射率的分布主要集中在两种密集区域，一种是反光性较强区域像素点的光强反射率，另一种是反光性较弱区域像素点的光强反射率，即焊锡区域上滑动窗口内的光强反射率有不同的分布范围。对此，本实施例计算光强分化程度，具体如下。

[0091] S212，基于图像中各像素点的光强反射率，计算出待提取锡焊特征点的图像中每一像素点的光强分化程度；具体地，光强分化程度的计算过程如下：

[0092] 利用预设聚类算法，将像素点 所对应的滑动窗口内的所有像素点的光强反射率分成不同的类集，由于当窗口位于焊锡区域时，类集密集点之间的差异较大，由此基于类集间的差异，构建光强分化程度，公式为：

[0093] ；

[0094] ；

[0095] 式中， 表示像素点 的光强分化程度， 表示像素点 所对应的滑动窗口内第个类集的类间光强差异， 表示像素点 所对应的滑动窗口内类集的数目， 和 分别表示像素点 所对应的滑动窗口内第 个类集和第 个类集内的光强反射率均值， 和分别表示像素点 所对应的滑动窗口内像素点所对应的最大光强反射率和最小光强反射率。

[0096] 其中，本实施例采用的聚类算法为均值漂移聚类算法。

[0097] 由于光强反射率均值所在位置为类集中的密集中心，而焊锡区域内除了反光性较强的区域，还会有较大的可能会出现反光性较弱的区域，两者之间存在较大的差异，因此，像素点x所对应的滑动窗口内第i个类集内的光强反射率均值与第k个类集内的光强反射率均值的差异 越大，且像素点x所对应的滑动窗口内的光强反射率极差越大，则像素点x的光强分化程度 越大，即像素点x越具有焊锡区域
的特征。

[0098] 至此，根据电源适配器PCB板上焊锡区域的光强反射现象以及光强分化现象，得到每个像素点的光强反射率以及光强分化程度。但是，由于光强分化效应是有较大的可能发生，但是不能排除特殊现象的发生，即焊锡区域不存在光强分化现象。而本方法是为了识别PCB板上焊锡区域的特征点，在此将光强反射现象以及光强分化现象结合，使后续得到的焊锡区域特征点的完备性更强。由此，基于上述的分析，本实施例同时考虑焊锡区域的光强反射现象以及光强分化现象，计算每个像素点的焊锡特征指数，具体如下。

[0099] S213，基于图像中各像素点的光强反射率和光强分化程度，计算出待提取锡焊特征点的图像中每一像素点的焊锡特征指数，公式如下：

[0100] ；

[0101] 式中， 表示像素点 的焊锡特征指数， 表示像素点 的光强反射率，表示极差归一化函数， 表示像素点 的光强分化程度。

[0102] 光强反射率 越大，反光程度越大，说明该亮度类中的数据点越有可能为焊锡局部区域的像素点，则焊锡特征指数 越大。同时，光强分散程度 越大，由于焊锡区域内除了反光性较强的区域，还会有较大的可能会出现反光性较弱的区域，两者之间存在较大的差异，则焊锡特征指数 越大。

[0103] S22，基于图像中各像素点的焊锡特征指数，对所述待提取锡焊特征点的图像中的像素点进行筛选，得到所述待提取锡焊特征点的图像中的焊锡特征点；

[0104] 具体地，焊锡特征点的获取方式如下：

[0105] 由于本方法中图像匹配的目的主要是为了识别电源适配器PCB板的焊锡区域的缺陷，因此需要筛选出焊锡区域的特征点，在此，本实施例基于待提取锡焊特征点的图像中的各像素点的焊锡特征指数，利用大津阈值分割法对待提取锡焊特征点的图像进行分割，将高于分割阈值的部分作为焊锡区域，得到焊锡区域图像，进而得到焊锡区域图像中的特征点，作为焊锡特征点。

[0106] 标准线路板图像的处理方式与待测线路板图像相同，在此不再赘述。

[0107] S3，基于提取的锡焊特征点，采用预设的图像匹配算法，对待测线路板的背面图像和标准线路板的背面图像进行图像匹配；

[0108] 具体地，在本实施例中，上述S3的实现过程包括：

[0109] S31，根据得到的焊锡特征点，基于SIFT算法，对提取的焊锡特征点求取主方向，生成每个焊锡特征点的特征点描述子；

[0110] S32，基于焊锡特征点的特征点描述子，对待测线路板的背面图像和标准线路板的背面图像进行图像匹配。

[0111] S4，基于待测线路板的背面图像和标准线路板的背面图像之间的图像匹配结果，判断待测线路板的质量是否合格，完成对电源适配器生产质量的检测。

[0112] 具体地，在本实施例中，上述S4的实现过程包括：

[0113] S41，基于待测线路板的背面图像和标准线路板的背面图像之间的图像匹配结果，根据两幅图像中焊锡特征点的总数目和有效匹配对数，得到有效匹配率 ：

[0114] ；

[0115] 式中， 表示待测线路板的背面图像和标准线路板的背面图像中的焊锡特征点的总数目，表示两幅图像中焊锡特征点的有效匹配对数；

[0116] S42，若计算出的有效匹配率 高于预设有效匹配率阈值（本实施例取80%），则认为待测线路板的焊锡区域无缺陷，即待测线路板的质量合格，否则，认为待测线路板的焊锡区域有缺陷，即待测线路板的质量不合格。

[0117] 至此，完成对电源适配器生产质量的智能检测。

[0118] 综上，本实施例提供了一种电源适配器生产质量智能检测方法，通过基于焊锡区域的光强反射现象以及光强分化现象，构建焊锡特征指数，用于识别焊锡区域的特征点，从而可以更加准确地获取焊锡区域的特征点，并且可以保证只获取焊锡区域的特征点，进而使图像匹配过程只针对焊锡区域进行匹配，可更加准确地识别焊锡区域的缺陷，排除其他非焊锡区域的干扰。同时，只针对焊锡区域进行图像匹配，也在一定程度上提高了算法的计算效率。

[0119] 此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。

[0120] 本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0121] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

[0122] 还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

[0123] 最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。