1基于多特征的SVM多分类PCB焊点缺陷检测方法

1）整体思路：

  1. 对焊点图像进行特征提取——提取焊点的形状和纹理特征参数及方向梯度（HOG特征）
  2. 针对焊点的形状和纹理特征参数，利用SVM中最优的核函数，进行第一次分类
  3. 将剩下的误测焊点再利用HOG特征的SVM分类算法进行第二次检测分类

I(51WCT~N5YC}2X3%$4E%1A.png

2）疑问点：

对于那些误测焊点是怎么处理得到？不可能人工一个个的去查。论文中，这一点没有过多的阐述。
![9J(}6RX9}UMXAHVA$YTG}V.png

3）实现过程：

1图像预处理

  1. 通过模板匹配算法识别焊点图像区域，定位焊点
  2. 处理图像——灰度化图像（防止噪声影响）、中值滤波与小波变换结合法（去除噪声）、灰度变换对其增强、灰度化后直方图以及增强后直方图

  3. 采用自动阈值的图像分割方法完成图像二值化（消除布线背景影响，焊点与布线分离）

    2特征提取

  4. 形状特征参数：周长，面积

  5. 纹理特征参数：灰度共生矩阵即角二阶矩、对比度、熵和相关性作检测特征

  6. HOG特征

    3分类

  7. 比较不同核函数构造 SVM 的分类结果，采用最优的核函数对 PCB 焊点多锡、少锡、 焊锡合适以及漏焊类型进行分类 。

  8. 将误测的分析出来，基于 HOG 特征分类器分类。

    4结果

    分类准确率达98.46%

    2基于图像处理的PCB焊接缺陷检测方法研究及实现——任柳清

    https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CMFD&dbname=CMFD202102&filename=1021638381.nh&uniplatform=NZKPT&v=JZqRvyVJQBptfNdsBvcaNWhKibGmCvrrkMGWolMTzJiyJSTxXyrL2USvlSAFi1UA

    1)基本统计特征：