本发明涉及摄像头检测，具体涉及一种摄像头模组ga组件外观自动检测方法。
背景技术：
1、随着科技的进步，摄像头模组的应用日益广泛，尤其视在智能手机、智能汽车和物联网等多个领域。随着像素不断提升，从千万像素发展到1亿甚至2亿像素，市场对摄像头模组组件的质量要求也越来越高。其中，摄像头模组ga组件的外观检测是确保整体产品质量的关键步骤之一。
2、传统的摄像头模组ga组件的外观检测大多依赖人工使用显微镜进行检查。这种方法虽然直观有效，但在实际应用中存在几个主要问题：需要大量的人力，检测效率低下，且由于人的主观判断差异，可能导致漏检或误检的问题出现。
技术实现思路
1、本发明的目的之一在于提供一种摄像头模组ga组件外观自动检测方法，能够实现对摄像头模组ga组件外观的自动准确检测，提高检测效率的同时减低检测漏检率。
2、为了达到上述目的，提供了一种摄像头模组ga组件外观自动检测方法，包括以下步骤：
3、s1、接收用户输入的当前测试的物料名字；
4、s2、在接收到用户输入的当前测试的物料名字后，从数据库中调取该物料名字所对应的物料适配参数，所述物料适配参数包括相机设置参数、光源控制参数以及运控设备参数；
5、s3、根据调取到的相机设置参数、光源控制参数、运控设备参数，对相机、光源设备以及运控设备进行参数配置；
6、s4、通过控制运控设备所携带的机械手从预设的物料放置区将装有多个待测的摄像头模组ga组件的托盘移动到相机的正下方，通过控制机械手移动托盘控制相机与托盘内的各个待测的摄像头模组ga组件的相对位置，逐一对托盘内的各个待测的摄像头模组ga组件进行拍照，并输出对应的托盘内各个待测的摄像头模组ga组件的图像信息；
7、s5、在完成托盘内所有的待测的摄像头模组ga组件的拍照后，根据输出各个待测的摄像头模组ga组件的图像信息，基于预先构建的aoi检测模型，对各个图像信息进行缺陷检测，并输出对应托盘内的各个图像信息的缺陷检测结果；所述缺陷检测结果包括对应的待测的摄像头模组ga组件的缺陷类型以及在图像信息中缺陷位置；
8、s6、在输出对应托盘内的各个图像信息的缺陷检测结果后，将该缺陷检测结果发送给运控设备，并在运控设备接收到缺陷检测结果后，根据在图像信息中的缺陷位置，通过控制机械手将对应的待测的摄像头模组ga组件取出并根据对应的缺陷分类放置到对应的不良品仓内。
9、本方案的技术原理及效果：在本方案中，首先获取用户输入的当前测试的物料名字，通过物料名字确定对应待测的摄像头模组ga组件的类型，然后实现从数据库中相机、光源以及运控设备所对应的参数的调取，即从数据库中调取该物料名字所对应的物料适配参数，所述物料适配参数包括相机设置参数、光源控制参数以及运控设备参数，此时相机、光源和运控设备已经被启动。
10、之后通过控制运控设备所携带的机械手从预设的物料放置区将装有多个待测的摄像头模组ga组件的托盘移动到相机的正下方，通过控制机械手移动托盘控制相机与托盘内的各个待测的摄像头模组ga组件的相对位置，逐一对托盘内的各个待测的摄像头模组ga组件进行拍照，并输出对应的托盘内各个待测的摄像头模组ga组件的图像信息；在完成托盘内所有的待测的摄像头模组ga组件的拍照后，根据输出各个待测的摄像头模组ga组件的图像信息，基于预先构建的aoi检测模型，对各个图像信息进行缺陷检测，并输出对应托盘内的各个图像信息的缺陷检测结果；所述缺陷检测结果包括对应的待测的摄像头模组ga组件的缺陷类型以及在图像信息中缺陷位置；在输出的对应托盘内的各个图像信息的缺陷检测结果后，将该缺陷检测结果发送给运控设备，并在运控设备接收到缺陷检测结果后，根据在图像信息中的缺陷位置，通过控制机械手将对应的待测的摄像头模组ga组件取出并根据对应的缺陷分类放置到对应的不良品仓内。
11、1、通过精确的参数配置和自动化检测过程并在检测的过程中通过预设的aoi检测模型进行缺陷检测，极大降低了由于人为因素导致的误检率同时提高了检测效率，能够实现对摄像头模组ga组件外观的自动准确检测，提高检测准确度的同时减低检测漏检率。
12、2、自动化流程大大减少了人工干预的需求，提高了检测的速度和一致性，在进行不同类型的摄像头模组ga组件进行检测时自动调取对应的物料适配参数，相比现有的需要手动设置多项参数，本方案缩小产线切换检测物料的时间。
13、3、记录了每个组件的检测结果，便于后续的质量追溯和数据分析。
14、4、系统可以根据不同物料的特点自动调整检测参数，适用于多种类型的摄像头模组检测。
15、进一步，所述aoi检测模型的构建步骤如下：
16、从历史数据库中采集大量的摄像头模组ga组件样本所对应的图像数据作为对应的ga组件样本图片，并对其进行缺陷分类和缺陷定位，形成对应的带标注的ga组件数据集，并对带标注的ga组件数据集进行预处理；
17、构建aoi检测模型；
18、将带标注的ga组件数据集传入到aoi检测模型中，对该模型进行迭代训练，并输出训练后的aoi检测模型。
19、有益效果：从历史数据库中收集大量的摄像头模组ga组件的图像数据，对这些图像进行缺陷分类和标注，比如划痕、污点等不同类型的缺陷。形成带有标签的图像数据集，并对数据集进行预处理，标注的数据集可以确保模型能够学习到正确的特征，数据预处理可以增加模型的鲁棒性，使其在面对未见过的数据时也能做出准确判断，减少过拟合风险，高质量的数据集有助于减少模型过拟合的风险。
20、将预处理过的数据集输入到模型中进行训练，调整超参数以优化模型性能，进行多轮迭代训练直至达到预期性能指标，经过充分训练的模型能够更准确地识别出缺陷，一旦模型训练完成并验证有效，就可以快速部署到实际生产线中使用。
21、进一步，所述对带标注的ga组件数据集进行预处理包括以下步骤：
22、根据带标注的ga组件数据集，从带标注的ga组件数据集中识别出缺陷类型为灰尘缺陷和污渍缺陷所对应的ga组件样本图片；
23、使用局部对比度增强的clahe算法调整对应的ga组件样本图片的灰尘缺陷、污渍缺陷灰度等级分布来增强识别出来的ga组件样本图片中灰尘缺陷和物质缺陷的细节，形成增强后的ga组件样本图片并存储到带标注的ga组件数据集中；
24、根据此时的带标注的ga组件数据集，匹配出缺陷类型为划痕缺陷和裂纹缺陷所对应的ga组件样本图片；
25、使用连续拉普拉斯算法增强匹配出来的ga组件样本图片中划痕缺陷和裂纹缺陷的边缘特征；
26、使用高斯滤波器抑制连续拉普拉斯算法增强边缘特征时引入的噪声，并输出对应的抑制后的ga组件样本图片，并存储到带标注的ga组件数据集中形成预处理后的带标注的ga组件数据集。
27、有益效果：在本方案中，通过对ga组件样本图片中灰尘和污渍缺陷应用局部对比度增强的clahe算法，显著增强了缺陷的细节，使灰尘和污渍在图像中更加明显，提高了它们的对比度，减少了vgg模型在训练过程中的过拟合问题，使得模型能够更好地泛化到新的检测环境中。
28、采用连续拉普拉斯算法结合高斯滤波器处理划痕和裂纹缺陷，增强了这些缺陷的边缘特征，同时减少了处理过程中产生的噪声，提升了缺陷的清晰度，有助于训练出更加准确的缺陷检测模型，降低了误检率和漏检率，提高了整体检测精度。
29、通过对带标注的ga组件数据集中ga组件样本图片的预处理的方式使得后续在对模型进行训练的过程中能够更好的适应实际应用场景中的各自变化包括光照条件的变化、背景杂乱等多种因素。
30、进一步，所述s5还包括：
31、在完成托盘内所有的待测的摄像头模组ga组件的拍照后，将托盘移动到相机的视野内，并控制相机对托盘内的各个待测的摄像头模组ga组件进行拍照，形成对应的组件全体图片，基于该组件全体图片，对组件全体图片中的各个待测的摄像头模组ga组件在托盘内的位置坐标进行识别，并与输出的对应托盘内的各个图像信息的缺陷检测结果进行合并，形成最终的各个图像信息所对应的缺陷检测结果。
32、有益效果：在本方案中，通过对托盘内的各个待测的摄像头模组ga组件进行全体拍照的方式来确定各个待测的摄像头模组ga组件在托盘上的位置坐标，并且将该位置坐标与对应的缺陷检测结果进行合并，使得在后续的控制机械手对待测的摄像头模组ga组件进行取出时，可以结合位置坐标和对应的位置信息两个位置来实现对待测的摄像头模组ga组件的位置的快速且准确的确定，便于机械手对待测的摄像头模组ga组件的抓取。
33、进一步，所述将带标注的ga组件数据集传入到aoi检测模型中，对该模型进行迭代训练包括以下步骤：
34、将预处理好之后的带标注的ga组件数据集按照预设比例划分为训练集、验证集和测试集；
35、将训练集所对应的带标注的ga组件数据集输入到aoi检测模型中，进行迭代训练；
36、在每一次迭代训练完成之后，输出训练后的aoi检测模型；通过输入验证集中的带标注的ga组件数据集到训练后的aoi检测模型中，输出对应的验证结果，所述验证结果包括验证缺陷类型和验证缺陷位置，基于预设的训练检测判断策略，对训练后的aoi检测模型的训练效果进行验证，判断对应的训练是否结束，若否，则继续训练，若是，则通过测试集中的带标注的ga组件数据集输入到对应的aoi检测模型进行测试，输出对应的测试结果，并基于当前的测试结果、以及历史的测试结果，基于预设的测试可行性计算公式，计算出对应的aoi检测模型的测试可行性，若不可行，则继续训练，反之则输出对应的aoi检测模型；
37、所述预设的训练检测判断策略为：
38、根据输出的验证结果，与该验证结果所对应的带标注的ga组件数据集中的实际结果进行比较，所述实际结果包括实际缺陷类型以及实际缺陷定位，基于相似度计算公式，计算出验证结果与实际结果之间的相似度；
39、所述相似度计算公式为：
40、
41、式中，d为相似度，l1为实际缺陷类型，l1为验证结果中的验证缺陷类型，(x2,y2)为验证缺陷位置的坐标，(x1,y1)为实际缺陷定位的坐标，∝为对应的加权系数；
42、根据计算出来的验证结果与实际结果之间的相似度，判断对应的相似度是否大于预设相似度阈值，若是，则对应的训练结束，反之，则继续训练；
43、所述预设的测试可行性计算公式为：
44、
45、式中，k为测试可行性，n为当前的测试结果与历史的测试结果相同的个数，n为当前的测试结果所对应的总个数。
46、有益效果：通过将带标注的数据集自动划分为训练集、验证集和测试集，实现了训练流程的自动化，减少了手动操作的需求。每次训练完成后，立即进行验证，快速反馈训练效果，从而加速模型优化过程。根据验证结果动态调整训练过程，确保模型性能持续提升，直至达到预期的标准，通过对训练效果的实时监测和评估，可以及时发现问题并进行调整，避免无效训练。通过训练检测判断策略的设置极大提高了aoi检测模型的训练可靠性和准确性，极大提高了训练后的aoi检测模型对摄像头模组ga组件外观的高效且准确的检测。
1.一种摄像头模组ga组件外观自动检测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种摄像头模组ga组件外观自动检测方法，其特征在于：所述aoi检测模型的构建步骤如下：
3.根据权利要求2所述的一种摄像头模组ga组件外观自动检测方法，其特征在于：所述对带标注的ga组件数据集进行预处理包括以下步骤：
4.根据权利要求3所述的一种摄像头模组ga组件外观自动检测方法，其特征在于：所述s5还包括：
5.根据权利要求4所述的一种摄像头模组ga组件外观自动检测方法，其特征在于：所述将带标注的ga组件数据集传入到aoi检测模型中，对该模型进行迭代训练包括以下步骤：
