PCB图像校正方法、装置、终端设备和存储介质与流程

pcb图像校正方法、装置、终端设备和存储介质
技术领域
1.本发明实施例涉及光学质量检测技术领域，尤其涉及pcb图像校正方法、装置、终端设备和存储介质。

背景技术：

2.在三维自动光学检测(3-dimension automated optical inspection)领域中，通过结构光等三维成像的方法对pcb(printed circuit board，印刷电路板)等目标物体(这里主要针对pcb)进行扫描，获得目标物体的深度信息，并与摄像机采集到的二维纹理图像结合起来，与数据库中的标准合格数据进行对比，从而实现pcb板的缺陷检测。通常3daoi机器在出厂前会设定一个参考平面(高度为0)，可看作与机器导轨平面平行，传感器模组最终获取的深度信息是相对于这个参考平面的相对深度。
3.发明人在使用现有的检测设备进行光学检测时，由于pcb元件引脚和基板弯曲等原因，放置在导轨上的pcb不一定与参考平面平行，会导致获取的深度与需要得到的深度差别过大，从而导致误检。

技术实现要素：

4.本发明提供了一种pcb图像校正方法、装置、设备和存储介质，以解决现有技术对pcb检测因为变形或倾斜导致检测不准的技术问题。
5.第一方面，本发明实施例提供了一种pcb图像校正方法，包括：
6.根据待测pcb的深度图和二维图确认对应的基板区域；
7.基于所述深度图的深度信息和二维图的坐标，确认所述基板区域的三维坐标数据；
8.从所述三维坐标数据中随机选择设定数量的点进行拟合，得到基准面；
9.基于所述基准面，以预设的参考平面为参考，对所述深度图中每个点的深度进行校正，得到校正后的深度图。
10.第二方面，本发明实施例提供了一种pcb图像校正方法，包括：
11.根据待测pcb的深度图和二维图确认对应的基板区域；
12.将所述深度图与所述基板区域关联的深度信息，以及所述二维图中与所述基板区域关联的像素坐标，作为样本训练得到bp神经网络模型，所述bp神经网络模型用于输出所述像素坐标对应于预设参考面的高度值；
13.将所述二维图中的像素坐标，输入所述bp神经网络模型，得到每个像素坐标对应于所述预设参考面的高度值；
14.将所述深度图的深度信息和对应的高度值的差值，作为校正后的深度信息。
15.第三方面，本发明实施例还提供了一种pcb图像校正装置，包括：
16.基板区域确定单元，用于根据待测pcb的深度图和二维图确认对应的基板区域；
17.坐标数据确认单元，用于基于所述深度图的深度信息和二维图的坐标，确认所述
基板区域的三维坐标数据；
18.坐标数据拟合单元，用于从所述三维坐标数据中随机选择设定数量的点进行拟合，得到基准面；
19.深度图校正单元，用于基于所述基准面，以预设的参考平面为参考，对所述深度图中每个点的深度进行校正，得到校正后的深度图。
20.第四方面，本发明实施例还提供了一种pcb图像校正装置，包括：
21.基板区域确定单元，用于根据待测pcb的深度图和二维图确认对应的基板区域；
22.模型训练单元，用于将所述深度图与所述基板区域关联的深度信息，以及所述二维图中与所述基板区域关联的像素坐标，作为样本训练得到bp神经网络模型，所述bp神经网络模型用于输出所述像素坐标对应于预设参考面的高度值；
23.高度值输出单元，用于将所述二维图中的像素坐标，输入所述bp神经网络模型，得到每个像素坐标对应于所述预设参考面的高度值；
24.深度信息校正单元，用于将所述深度图的深度信息和对应的高度值的差值，作为校正后的深度信息。
25.第五方面，本发明实施例还提供了一种终端设备，包括：
26.一个或多个处理器；
27.存储器，用于存储一个或多个程序；
28.当所述一个或多个程序被所述一个或多个处理器执行，使得所述终端设备实现如第一方面或第二方面所述的pcb图像校正方法。
29.第六方面，本发明实施例还提供了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面或第二方面所述的pcb图像校正方法。
30.上述pcb图像校正方法、装置、终端设备和存储介质，该方法中根据待测pcb的深度图和二维图确认对应的基板区域；基于所述深度图的深度信息和二维图的坐标，确认所述基板区域的三维坐标数据；从所述三维坐标数据中随机选择设定数量的点进行拟合，得到基准面；基于所述基准面，以预设的参考平面为参考，对所述深度图中每个点的深度进行校正，得到校正后的深度图。通过综合深度图中的深度信息和二维图中的颜信息，进行基板区域的确认，基于基板区域的三维坐标数据进行基准面的拟合，并根据基准面以预设的参考平面为参考，对深度图中每个点的深度进行校正，保证光学检测过程中获得的图像，最终能得到尽可能准确的深度数据，有效减少误检结果的出现。
附图说明
31.图1为本发明实施例提供的一种pcb图像校正方法的方法流程图；
32.图2为基板倾斜状态示意图；
33.图3为本发明实施例提供的pcb图像中基准面为平面的校正示意图；
34.图4为本发明实施例提供的pcb图像中基准面为曲面的校正示意图；
35.图5为本发明实施例提供的一种pcb图像校正方法的方法流程图；
36.图6位本发明实施例提供的bp神经网络模型的结构示意图；
37.图7为本发明实施例提供的一种pcb图像校正装置的结构示意图；
38.图8为本发明实施例提供的一种pcb图像校正装置的结构示意图；
39.图9为本发明实施例提供的一种终端设备的结构示意图。
具体实施方式
40.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
41.需要注意的是，由于篇幅所限，本技术说明书没有穷举所有可选的实施方式，本领域技术人员在阅读本技术说明书后，应该能够想到，只要技术特征不互相矛盾，那么技术特征的任意组合均可以构成可选的实施方式。
42.例如，在实施例的一个实施方式中，记载了一个技术特征：通过深度图的深度信息对深度图进行分割得到第一基板区域，在实施例的另一实施方式中，记载了另一个技术特征：通过对二维图像中的颜通道统计确认二维图中的第二基板区域，本领域技术人员在阅读本技术说明书之后，应该能够想到，同时具有这两个特征的实施方式也是一种可选的实施方式，即在具体实施过程中，基于深度信息得到第一基板区域，基于颜通道统计得到第二基板区域，从而确认待测pcb的基板区域。
43.下面对各实施例进行详细说明。
44.图1为本发明实施例提供的一种pcb图像校正方法的方法流程图，该pcb图像校正方法，用于终端设备，如图所示，该pcb图像校正方法，包括：
45.步骤s110：根据待测pcb的深度图和二维图确认对应的基板区域。
46.在实际生产过程中，为降低生产成本，一种pcb通常会一次完成数量较大的生产任务，即一批待测pcb具有几乎相同的表面形状和布局，基于此，可以在生产出第一件产品时，将其作为待测pcb的样品从其深度图和二维图中对应标识基板区域，后续即以此基板区域进行相关图像校正。每块pcb在完成生产后，作为待测pcb进入检测设备进行检测时，检测设备通过结构光等三维成像方法进行扫描，会对应检测得到深度图和二维图。标识基板区域即在该深度图和/或二维图中进行标识。
47.在具体实现过程中，步骤s110还可以通过步骤s111-步骤s113实施：
48.步骤s111：对待测pcb的深度图进行预处理，得到第一基板区域。
49.在对待测pcb的深度图进行预处理时，主要是基于预设的高度阈值，对待测pcb的深度图进行分割，提取所述深度图中低于所述高度阈值的部分，得到第一基板区域。即通过深度图的处理，去除了深度图中对应于pcb上较高的元件区域，例如芯片区域、电容区域等。
50.步骤s112：对待测pcb的二维图进行预处理，得到第二基板区域。
51.对待测pcb的二维图的预处理，主要是根据pcb的颜特征，将其中对应于基板的区域识别出来，对pcb而言，基板的区域一般为绿对应的掩膜区域，此时可以将识别到的连续带状分布的绿区域作为掩膜区域。
52.在具体实现过程中，步骤s112还可以通过步骤s1121-步骤s1123实施：
53.步骤s1121：对所述二维图的三个颜通道分别进行灰度直方图统计。
54.步骤s1122：基于预设的灰度范围值，确认每个颜通道对应的待定掩膜区域。
55.步骤s1123：根据每个颜通道对应的待定掩膜区域的交集，得到第二基板区域。
56.对于采集到的二维图，实际是待测pcb的rgb纹理图像，对r、g和b三个颜通道分
别进行灰度直方图统计，基于设定的灰度范围值，得到像素数量最多的灰度范围[i1,i2]，进而得到对应的待定掩膜区域mask(i,j)。
[0057][0058]
r、g和b三个颜通道，可以分别求得对应的待定掩膜区域maskr(i,j)、maskg(i,j)和maskb(i,j)，最终的掩膜区域mask(即第二基板区域)为：
[0059]
mask＝maskr(i,j)&maskg(i,j)&maskb(i,j)。
[0060]
步骤s113：基于所述第一基板区域和第二基板区域的交集区域，确认所述基板区域。
[0061]
在具体的交集区域处理过程中，可以有不同的处理细节的变化。例如分别进行第一基板区域和第二基板区域的计算，然后取第一基板区域和第二基板区域的交集；也可以是先进行第一基板区域的计算，在第一基板区域的范围内进行第二基板区域的计算，即在基于高度阈值分割得到的第一基板区域的基础上，仅对该区域对应的二维图进行预处理，得到第二基板区域，此时，三个通道的交集即为第二基板区域，也对应为最终的基板区域。
[0062]
步骤s120：基于所述深度图的深度信息和二维图的坐标，确认所述基板区域的三维坐标数据。
[0063]
通过最原始获得的深度图中的深度信息，可以直接得到基板区域的三维点的z坐标，另外，在检测设备中，二维图一般通过远心镜头采集得到；对应基于远心镜头的参数对所述二维图的像素坐标做等比换算得到所述三维坐标数据中的x坐标和y坐标，将对应的x坐标、y坐标和z坐标作为所述基板区域的三维点的三维坐标数据。
[0064]
步骤s130：从所述三维坐标数据中随机选择设定数量的点进行拟合，得到基准面。
[0065]
在本方案中，对于基板区域对应的大量三维坐标数据，可以不将每个点拟合到一个面中，而是从中随机选择设定数量的点进行拟合，得到基准面。
[0066]
为保证拟合结果准确，可以随机选择多组三维坐标数据进行多次拟合，从中选择最优结果作为基准面。即在具体实现过程中，步骤s130可以通过步骤s131-步骤s134实施：
[0067]
步骤s131：从所述三维坐标数据中随机选择预设数量的点进行拟合，得到至少两个初始基准面。
[0068]
步骤s132：根据所述三维坐标数据计算每个点到每个所述初始基准面的距离。
[0069]
步骤s133：统计每个初始基准面对应的有效点，所述有效点为与该初始基准面的距离小于预设距离阈值的点。
[0070]
步骤s134：将所述有效点最多的初始基准面作为所述基板区域的基准面。
[0071]
对于每组三维坐标数据的拟合，与现有的拟合方式相同。对于拟合得到的多个初始基准面，进一步计算三维坐标数据与每个初始基准面的距离，将距离小于预设距离阈值的点记为该初始基准面的有效点，初始基准面的有效点越多，说明拟合结果越接近点的分布，由此，将有效点最多的初始基准面作为基板区域的基准面，通过多次随机采样，能够有效避免异常点对最终拟合结果的影响，得到的结果更加准确。拟合得到的初始基准面以及最终确认的基准面，通过空间方程的方式进行描述。
[0072]
步骤s140：基于所述基准面，以预设的参考平面为参考，对所述深度图中每个点的
深度进行校正，得到校正后的深度图。
[0073]
所述基准面为平面或曲面，所述平面的空间方程为k0x+k1y+z+k2＝0，所述曲面的空间方程为k3x2+k4y2+k5xy+k6x+k7y+k8+z＝0；
[0074]
所述基于所述基准面，以预设的参考平面为参考，对所述深度图中每个点的深度进行校正，得到校正后的深度图，包括：
[0075]
若所述基准面为平面，所述深度图中的点通过如下第一深度校正公式进行校正：
[0076][0077]
若所述基准面为曲面，所述深度图中的点通过如下第二深度校正公式进行校正：
[0078][0079]
其中，(i,j)为所述三维坐标数据中点(x,y)对应的像素坐标，h'(i,j)为所述三维坐标数据中点(x,y)对应的校正深度，h(i,j)为所述三维坐标数据中点(x,y)对应的测量深度，mi＝x，mj＝y，m为采集所述二维图的相机的物方分辨率(um/pixel)。
[0080]
对于平面k0x+k1y+z+k2＝0，可以建立如图3所示的校正模型，其中拟合得到的基准面为π1，参考平面为π0，基准面的法向量为参考平面的法向量为两个平面之间的夹角设为θ，可以计算得到：
[0081][0082]
如图3所示，pcb中某点相对于基准面的实际高度为h'，但是检测设备的测得高度为h，此时通过基准面的空间方程可得：
[0083][0084]
在三维坐标数据中，(x,y)是物理坐标，将物理坐标(x,y)用像素坐标(i,j)表示，mi＝x，mj＝y，(i,j)为像素坐标，m为采集所述二维图的相机的物方分辨率，从而可以得到基准面为平面时的第一深度校正公式：
[0085][0086]
对于曲面k3x2+k4y2+k5xy+k6x+k7y+k8+z＝0，可以建立如图4所示的校正模型，其中拟合得到的基准面为s1，参考平面为π0，参考平面的法向量为实际高度h'和测量高度h的夹角为θ，由于pcb基板校正时一般θ较θ小，h'处的法向量可以近似为测量位
置曲面的法向量，即进一步可以算得：
[0087][0088]
与图3对应的计算方式类似：
[0089][0090]
最终得到第二校正公式：
[0091][0092]
上述，根据待测pcb的深度图和二维图确认对应的基板区域；基于所述深度图的深度信息和二维图的坐标，确认所述基板区域的三维坐标数据；从所述三维坐标数据中随机选择设定数量的点进行拟合，得到基准面；基于所述基准面，以预设的参考平面为参考，对所述深度图中每个点的深度进行校正，得到校正后的深度图。通过综合深度图中的深度信息和二维图中的颜信息，进行基板区域的确认，基于基板区域的三维坐标数据进行基准面的拟合，并根据基准面以预设的参考平面为参考，在将基准面校正到参考平面的同时，将其它区域也校正到相对应的高度值，从而实现对深度图中每个点的深度进行校正，保证光学检测过程中获得的图像，最终能得到尽可能准确的深度数据，有效减少误检结果的出现。
[0093]
图5为本发明实施例提供的另一种pcb图像校正方法的方法流程图，如图所示，该pcb图像校正方法，包括：
[0094]
步骤s210：根据待测pcb的深度图和二维图确认对应的基板区域。
[0095]
步骤s220：将所述深度图与所述基板区域关联的深度信息，以及所述二维图中与所述基板区域关联的像素坐标，作为样本训练得到bp神经网络模型，所述bp神经网络模型用于输出所述像素坐标对应于预设参考面的高度值。
[0096]
步骤s230：将所述二维图中的像素坐标，输入所述bp神经网络模型，得到每个像素坐标对应于所述预设参考面的高度值。
[0097]
步骤s240：将所述深度图的深度信息和对应的高度值的差值，作为校正后的深度信息。
[0098]
对于较为复杂的pcb基面情况，可以采用bp神经网络拟合二维图中像素坐标(i，j)与深度信息z之间的关系。具体来说，采用步骤s210中分割出的基板区域的深度图像素点，训练三层bp神经网络来建立像素坐标(i，j)与深度信息z之间的映射关系，也就是pcb的基准面的模型。在具体训练过程中，可以采用如图6所示的bp神经网络模型，对像素点区域进行下采样以加快训练过程。bp神经网络模型的输入样本的分割出的基板区域的像素坐标(i，j)，输出样本为对应的高度值，通过误差反向传播，逐层修正bp神经网络模型中各层的连接权值和神经元阈值，使得误差逐渐减小，重复训练直至误差满足精度要求。
[0099]
将二维图中的像素坐标输入训练好的bp神经网络模型，可以对应得到每个像素坐标对应于预设参考面的高度值，深度图中各点的校正结果即为该点的实际深度h'(i,j)，可以直接通过bp神经网络求得的高度值进行校正，即：
[0100]
h'(i,j)＝h(i,j)-z(i,j)
[0101]
其中h(i，j)为点(i,j)对应测得的深度信息，z(i，j)为点(i,j)对应由bp神经网络模型求得的高度值。
[0102]
对于较为复杂的pcb基面情况，通过训练bp神经网络模型，可以对应于每个点获得高度值，并基于高度值进行校正，有效校正了基板倾斜或弯曲导致的深度图偏差问题，进而减少误检。
[0103]
图7为本发明实施例提供的一种pcb图像校正装置的结构示意图。参考图7，该pcb图像校正装置包括：基板区域确定单元310、坐标数据确认单元320、坐标数据拟合单元330和深度图校正单元340。
[0104]
其中，基板区域确定单元310，用于根据待测pcb的深度图和二维图确认对应的基板区域；坐标数据确认单元320，用于基于所述深度图的深度信息和二维图的坐标，确认所述基板区域的三维坐标数据；坐标数据拟合单元330，用于从所述三维坐标数据中随机选择设定数量的点进行拟合，得到基准面；深度图校正单元340，用于基于所述基准面，以预设的参考平面为参考，对所述深度图中每个点的深度进行校正，得到校正后的深度图。
[0105]
在上述实施例的基础上，所述坐标数据拟合单元330，包括：
[0106]
初始拟合模块，用于从所述三维坐标数据中随机选择预设数量的点进行拟合，得到至少两个初始基准面；
[0107]
距离计算模块，用于根据所述三维坐标数据计算每个点到每个所述初始基准面的距离；
[0108]
有效点统计模块，用于统计每个初始基准面对应的有效点，所述有效点为与该初始基准面的距离小于预设距离阈值的点；
[0109]
基准面确认模块，用于将所述有效点最多的初始基准面作为所述基板区域的基准面。
[0110]
在上述实施例的基础上，所述基板区域确定单元310，包括：
[0111]
第一预处理模块，用于对待测pcb的深度图进行预处理，得到第一基板区域；
[0112]
第二预处理模块，用于对待测pcb的二维图进行预处理，得到第二基板区域；
[0113]
交集确认模块，用于基于所述第一基板区域和第二基板区域的交集区域，确认所述基板区域。
[0114]
在上述实施例的基础上，所述第一预处理模块，具体用于基于预设的高度阈值，对待测pcb的深度图进行分割，提取所述深度图中低于所述高度阈值的部分，得到第一基板区域。
[0115]
在上述实施例的基础上，所述第二预处理模块，包括：
[0116]
灰度统计子模块，用于对所述二维图的三个颜通道分别进行灰度直方图统计；
[0117]
待定区域确认子模块，用于基于预设的灰度范围值，确认每个颜通道对应的待定掩膜区域；
[0118]
交集区域确认子模块，用于根据每个颜通道对应的待定掩膜区域的交集，得到
第二基板区域。
[0119]
在上述实施例的基础上，所述二维图通过远心镜头采集得到；
[0120]
所述坐标数据确认单元，具体用于基于所述远心镜头的参数对所述二维图的像素坐标做等比换算得到所述三维坐标数据中的x坐标和y坐标，获取所述基板区域对应于所述深度图的深度信息作为z坐标，将对应的x坐标、y坐标和z坐标作为所述基板区域的三维坐标数据。
[0121]
在上述实施例的基础上，基准面为平面或曲面，平面的空间方程为k0x+k1y+z+k2＝0，曲面的空间方程为k3x2+k4y2+k5xy+k6x+k7y+k8+z＝0；
[0122]
所述深度图校正单元340，包括：
[0123]
第一校正模块，用于若所述基准面为平面，所述深度图中的点通过如下第一深度校正公式进行校正：
[0124][0125]
第二校正模块，用于若所述基准面为曲面，所述深度图中的点通过如下第二深度校正公式进行校正：
[0126][0127]
其中，(i,j)为所述三维坐标数据中点(x,y)对应的像素坐标，h'(i,j)为所述三维坐标数据中点(x,y)对应的校正深度，h(i,j)为所述三维坐标数据中点(x,y)对应的测量深度，mi＝x，mj＝y，m为采集所述二维图的相机的物方分辨率。
[0128]
本发明实施例提供的pcb图像校正装置包含在终端设备中，且可用于执行上述实施例中提供的pcb图像校正方法，具备相应的功能和有益效果。
[0129]
值得注意的是，上述pcb图像校正装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0130]
图8为本发明实施例提供的一种pcb图像校正装置的结构示意图。参考图8，该pcb图像校正装置包括：基板区域确定单元410、模型训练单元420、高度值输出单元430和深度信息校正单元440。
[0131]
其中，基板区域确定单元，用于根据待测pcb的深度图和二维图确认对应的基板区域；
[0132]
模型训练单元，用于将所述深度图与所述基板区域关联的深度信息，以及所述二维图中与所述基板区域关联的像素坐标，作为样本训练得到bp神经网络模型，所述bp神经网络模型用于输出所述像素坐标对应于预设参考面的高度值；
[0133]
高度值输出单元，用于将所述二维图中的像素坐标，输入所述bp神经网络模型，得到每个像素坐标对应于所述预设参考面的高度值；
[0134]
深度信息校正单元，用于将所述深度图的深度信息和对应的高度值的差值，作为校正后的深度信息。
[0135]
本发明实施例提供的pcb图像校正装置包含在终端设备中，且可用于执行上述实施例中提供的pcb图像校正方法，具备相应的功能和有益效果。
[0136]
值得注意的是，上述pcb图像校正装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0137]
图9为本发明实施例提供的一种终端设备的结构示意图。如图9所示，该电子设备包括处理器510、存储器520、输入装置530、输出装置540以及通信装置550；电子设备中处理器510的数量可以是一个或多个，图9中以一个处理器510为例；电子设备中的处理器510、存储器520、输入装置530、输出装置540以及通信装置550可以通过总线或其他方式连接，图9中以通过总线连接为例。
[0138]
存储器520作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的pcb图像校正方法对应的程序指令/模块(例如，pcb图像校正装置中的基板区域确定单元310、坐标数据确认单元320、坐标数据拟合单元330和深度图校正单元340)，当然，对应不同电子设备实现其功能的程序指令/模块位于对应的电子设备。处理器310通过运行存储在存储器320中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的pcb图像校正方法。
[0139]
存储器320可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器320可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器320可进一步包括相对于处理器310远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0140]
输入装置330可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
[0141]
上述电子设备包含pcb图像校正装置，可以用于执行任意pcb图像校正方法，具备相应的功能和有益效果。
[0142]
本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行本技术任意实施例中提供的pcb图像校正方法中的相关操作，且具备相应的功能和有益效果。
[0143]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。
[0144]
因此，本技术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，本技术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(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本技术是参照根据本技术实施例的方法、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、专用计算机、嵌入式处理机或其他可编程数据处理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。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设备上，使得在计算机或其他可编程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。
[0145]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0146]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0147]
还需要说明的是，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、商品或者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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0148]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

技术特征：

1.一种pcb图像校正方法，其特征在于，包括：根据待测pcb的深度图和二维图确认对应的基板区域；基于所述深度图的深度信息和二维图的坐标，确认所述基板区域的三维坐标数据；从所述三维坐标数据中随机选择设定数量的点进行拟合，得到基准面；基于所述基准面，以预设的参考平面为参考，对所述深度图中每个点的深度进行校正，得到校正后的深度图。2.根据权利要求1所述的方法，其特征在于，所述从所述三维坐标数据中随机选择设定数量的点进行拟合，得到基准面，包括：从所述三维坐标数据中随机选择预设数量的点进行拟合，得到至少两个初始基准面；根据所述三维坐标数据计算每个点到每个所述初始基准面的距离；统计每个初始基准面对应的有效点，所述有效点为与该初始基准面的距离小于预设距离阈值的点；将所述有效点最多的初始基准面作为所述基板区域的基准面。3.根据权利要求1所述的方法，其特征在于，所述根据待测pcb的深度图和二维图确认对应的基板区域，包括：对待测pcb的深度图进行预处理，得到第一基板区域；对待测pcb的二维图进行预处理，得到第二基板区域；基于所述第一基板区域和第二基板区域的交集区域，确认所述基板区域。4.根据权利要求3所述的方法，其特征在于，所述对待测pcb的深度图进行预处理，得到第一基板区域，具体为：基于预设的高度阈值，对待测pcb的深度图进行分割，提取所述深度图中低于所述高度阈值的部分，得到第一基板区域。5.根据权利要求3所述的方法，其特征在于，对待测pcb的二维图进行预处理，得到第二基板区域，具体为：对所述二维图的三个颜通道分别进行灰度直方图统计；基于预设的灰度范围值，确认每个颜通道对应的待定掩膜区域；根据每个颜通道对应的待定掩膜区域的交集，得到第二基板区域。6.根据权利要求1所述的方法，其特征在于，所述二维图通过远心镜头采集得到；所述基于所述深度图的深度信息和二维图的坐标，确认所述基板区域的三维坐标数据，具体为：基于所述远心镜头的参数对所述二维图的像素坐标做等比换算得到所述三维坐标数据中的x坐标和y坐标，获取所述基板区域对应于所述深度图的深度信息作为z坐标，将对应的x坐标、y坐标和z坐标作为所述基板区域的三维坐标数据。7.根据权利要求1所述的方法，其特征在于，所述基准面为平面或曲面，所述平面的空间方程为k0x+k1y+z+k2＝0，所述曲面的空间方程为k3x2+k4y2+k5xy+k6x+k7y+k8+z＝0；所述基于所述基准面，以预设的参考平面为参考，对所述深度图中每个点的深度进行校正，得到校正后的深度图，包括：若所述基准面为平面，所述深度图中的点通过如下第一深度校正公式进行校正：
若所述基准面为曲面，所述深度图中的点通过如下第二深度校正公式进行校正：其中，(i,j)为所述三维坐标数据中点(x,y)对应的像素坐标，h'(i,j)为所述三维坐标数据中点(x,y)对应的校正深度，h(i,j)为所述三维坐标数据中点(x,y)对应的测量深度，mi＝x，mj＝y，m为采集所述二维图的相机的物方分辨率。8.一种pcb图像校正方法，其特征在于，包括：根据待测pcb的深度图和二维图确认对应的基板区域；将所述深度图与所述基板区域关联的深度信息，以及所述二维图中与所述基板区域关联的像素坐标，作为样本训练得到bp神经网络模型，所述bp神经网络模型用于输出所述像素坐标对应于预设参考面的高度值；将所述二维图中的像素坐标，输入所述bp神经网络模型，得到每个像素坐标对应于所述预设参考面的高度值；将所述深度图的深度信息和对应的高度值的差值，作为校正后的深度信息。9.一种pcb图像校正装置，其特征在于，包括：基板区域确定单元，用于根据待测pcb的深度图和二维图确认对应的基板区域；坐标数据确认单元，用于基于所述深度图的深度信息和二维图的坐标，确认所述基板区域的三维坐标数据；坐标数据拟合单元，用于从所述三维坐标数据中随机选择设定数量的点进行拟合，得到基准面；深度图校正单元，用于基于所述基准面，以预设的参考平面为参考，对所述深度图中每个点的深度进行校正，得到校正后的深度图。10.一种pcb图像校正装置，其特征在于，包括：基板区域确定单元，用于根据待测pcb的深度图和二维图确认对应的基板区域；模型训练单元，用于将所述深度图与所述基板区域关联的深度信息，以及所述二维图中与所述基板区域关联的像素坐标，作为样本训练得到bp神经网络模型，所述bp神经网络模型用于输出所述像素坐标对应于预设参考面的高度值；高度值输出单元，用于将所述二维图中的像素坐标，输入所述bp神经网络模型，得到每个像素坐标对应于所述预设参考面的高度值；深度信息校正单元，用于将所述深度图的深度信息和对应的高度值的差值，作为校正后的深度信息。11.一种终端设备，其特征在于，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述终端设备实现如权利
要求1-8任一所述的pcb图像校正方法。12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的pcb图像校正方法。

技术总结

本发明实施例公开了PCB图像校正方法、装置、终端设备和存储介质，该方法中根据待测PCB的深度图和二维图确认对应的基板区域；基于所述深度图的深度信息和二维图的坐标，确认所述基板区域的三维坐标数据；从所述三维坐标数据中随机选择设定数量的点进行拟合，得到基准面；基于所述基准面，以预设的参考平面为参考，对所述深度图中每个点的深度进行校正，得到校正后的深度图。通过综合深度图中的深度信息和二维图中的颜信息，进行基板区域的确认，基于基板区域的三维坐标数据进行拟合，并以预设的参考平面为参考，对深度图中每个点的深度进行校正，保证光学检测过程中获得的图像，最终能得到尽可能准确的深度数据，有效减少误检结果的出现。果的出现。果的出现。