一种铜线镀锡缺陷识别方法与流程

1.本发明涉及数据处理技术领域，具体涉及一种铜线镀锡缺陷识别方法。


背景技术：

2.扁铜线、铜带镀锡工艺是指在铜线的表面镀上一层薄薄的金属锡的工艺；由于铜在空气中长时间暴露表面会被氧化，形成一层氧化膜，也称为铜绿，铜绿的导电性很差，会增加电阻，会导致扁铜线或者铜带的导电性能降低，而扁铜线或者铜带表面镀锡可以防止铜发生氧化还原反应，避免铜绿的产生，还可以增加散热，改善导电性能；同时，扁铜线或者铜带镀锡还可以防止绝缘橡皮发粘，线芯发黑变脆，提高可焊性能，改善扁铜线或者铜带与绝缘皮之间的避障作用。但是当扁铜线或者铜带表面镀锡不均匀或者出现镀锡缺陷时，将会导致扁铜线或者铜带表面的防护效果降低，部分区域出现氧化现象，形成铜绿，同样会导致扁铜线或者铜带的导电性降低，使用寿命减小，因此对扁铜线或者铜带镀锡进行缺陷识别或者缺陷检测至关重要。
3.现有的对扁铜线或者铜带镀锡进行缺陷识别或者缺陷检测的方法一般是基于人工来实现对扁铜线或者铜带镀锡的缺陷识别，但是这种方式主观性较强，容易出现误检或者漏检的现象，因此基于人工对扁铜线或者铜带镀锡进行缺陷识别或者缺陷检测的方法准确性较低。


技术实现要素：

4.本发明提供基于一种铜线镀锡缺陷识别方法，用于解决现有方法对扁铜线或者铜带镀锡进行缺陷识别或者缺陷检测时准确性较低的问题，所采用的技术方案具体如下：本发明实施例提供了一种铜线镀锡缺陷识别方法，包括以下步骤：获取待检测镀锡铜的目标表面图像；所述镀锡铜包括镀锡铜带和镀锡扁铜线；根据目标表面图像上的各像素点，拟合得到目标表面图像对应的第一高斯模型和第二高斯模型以及目标表面图像上的各像素点对应的第一高斯模型的高斯函数值和各像素点对应的第二高斯模型的高斯函数值；根据第一高斯模型的高斯函数值和第二高斯模型的高斯函数值，得到目标表面图像上的各待定像素点；获取各待定像素点的局部灰度共生矩阵的特征参数；根据各待定像素点的局部灰度共生矩阵的特征参数，得到各待定像素点的第一判定指标；获取各待定像素点的特征亮度指标；根据亮度特征指标，得到各待定像素点的第二判定指标；获取各待定像素点对应的梯度变化矩阵；根据各待定像素点对应的梯度变化矩阵的特征值，得到各待定像素点对应的结构分布表征值；根据各待定像素点对应的第一判定指标、第二判定指标以及结构分布表征值，得到各待定像素点的镀锡缺陷判定值；根据镀锡缺陷判定值，得到各待定像素点中的各镀锡缺陷像素点；根据各镀锡缺陷像素点的镀锡缺陷判定值，得到待检测镀锡铜的镀锡缺陷程度。
5.优选的，得到目标表面图像上的各待定像素点的方法，包括：对于目标表面图像上的任一像素点：若该像素点对应的第一高斯模型的高斯函数值大于该像素点对应的第二高斯模型的高斯函数值，则将该像素点记为第一类别；若该像素点对应的第一高斯模型的高斯函数值等于该像素点对应的第二高斯模型的高斯函数值，则将该像素点记为待定像素点；若该像素点对应的第一高斯模型的高斯函数值小于该像素点对应的第二高斯模型的高斯函数值，则将该像素点记为第二类别；统计第一类别和第二类别中的像素点数量；将像素点数量较多对应的类别中的像素点作为镀锡正常像素点，将另一个类别中的各像素点记为待定像素点。
6.优选的，获取各待定像素点的局部灰度共生矩阵的特征参数；根据各待定像素点的局部灰度共生矩阵的特征参数，得到各待定像素点的第一判定指标的方法，包括：对目标表面图像进行灰度化处理，得到目标表面图像对应的目标表面灰度图像；目标表面图像和目标表面灰度图像上的像素点一一对应；对于目标表面灰度图像上的任一待定像素点：以该待定像素点为中心，获取该待定像素点邻域范围内的局部邻域像素点，并将局部邻域像素点的灰度值进行灰度级量化，划分成8个灰度等级，并得到对应的灰度共生矩阵，记为局部灰度共生矩阵；计算局部灰度共生矩阵对应的特征参数，所述特征参数包括局部灰度共生矩阵对应的纹理对比度、熵值以及能量值；获取镀锡正常像素点对应的局部灰度共生矩阵的纹理对比度、熵值以及能量值；根据镀锡正常像素点对应的局部灰度共生矩阵的纹理对比度、熵值和能量值以及该待定像素点对应的局部灰度共生矩阵的纹理对比度、熵值和能量值，得到该待定像素点的第一判定指标。
7.优选的，根据如下公式计算该待定像素点的第一判定指标：其中，为该待定像素点的第一判定指标，为该待定像素点对应的局部灰度共生矩阵的纹理对比度，为该待定像素点对应的局部灰度共生矩阵的熵值，为该待定像素点对应的局部灰度共生矩阵的能量值，为镀锡正常像素点对应的局部灰度共生矩阵的纹理对比度，为镀锡正常像素点对应的局部灰度共生矩阵的熵值，为镀锡正常像素点对应的局部灰度共生矩阵的能量值，max（ ）为取最大值函数。
8.优选的，获取各待定像素点的特征亮度指标；根据亮度特征指标，得到各待定像素点的第二判定指标的方法，包括：对目标表面图像进行hsv色彩空间转换，得到各待定像素点的亮度值；并获取镀锡
正常像素点对应的亮度值；根据各待定像素点的亮度值和镀锡正常像素点对应的亮度值，得到各待定像素点的亮度特征指标；对于目标表面图像上的任一待定像素点，根据如下公式计算该待定像素点的亮度特征指标：其中，为该待定像素点的第二判定指标，为该待定像素点的亮度值，为镀锡正常像素点对应的亮度值，为模型参数；根据该待定像素点的亮度特征指标，得到该待定像素点的第二判定指标；根据如下公式计算该待定像素点的第二判定指标：其中，为该待定像素点的第二判定指标，e为自然常数。
9.优选的，获取各待定像素点对应的梯度变化矩阵；根据各待定像素点对应的梯度变化矩阵的特征值，得到各待定像素点对应的结构分布表征值的方法，包括：对于目标表面灰度图像上的任一待定像素点i：设置边缘检测算子在水平方向的算子，设置边缘检测算子在水平方向的算子；通过两个算子分别对待定像素点i进行梯度信息的提取：，，其中，为卷积操作，为以待定像素点i为中心的八邻域所对应的邻域灰度矩阵，分别为待定像素点i在水平方向、竖直方向的梯度幅值，为待定像素点i的梯度角，为待定像素点i的灰度值，x为待定像素点i的横坐标，y为待定像素点i的纵坐标，为目标表面灰度图像上横坐标为纵坐标为的像素点的灰度值，为目标表面灰度图像上横坐标为纵坐标为的像素点的灰度值，为目标表面灰度图像上横坐标为纵坐标为的像素点的灰度值，为目标表面灰度图像上横坐标为纵坐标为的像素点的灰度值，为目标表面灰度图像上横坐标为纵坐标为的像素点的灰度值，为目标表面灰度图像上横坐标为纵坐标为的像素点的灰度值，为目标表面灰度图像上横坐标为纵坐标为
的像素点的灰度值， 为目标表面灰度图像上横坐标为纵坐标为的像素点的灰度值；获取待定像素点i对应的各梯度变化特征值，待定像素点i对应的梯度变化特征值分别为：、，其中，；根据待定像素点i对应的四个梯度变化特征值，构建待定像素点i的梯度变化矩阵，代表待定像素点i的梯度变化矩阵；然后计算待定像素点i对应的梯度变化矩阵的特征值；根据待定像素点i对应的梯度变化矩阵的特征值，得到待定像素点i的结构分布表征值；根据如下公式计算待定像素点i的结构分布表征值：其中，为待定像素点i结构分布表征值，和为待定像素点i对应的梯度变化矩阵的特征值。
10.优选的，根据各待定像素点对应的第一判定指标、第二判定指标以及结构分布表征值，得到各待定像素点的镀锡缺陷判定值；根据镀锡缺陷判定值，得到各待定像素点中的各镀锡缺陷像素点；根据各镀锡缺陷像素点的镀锡缺陷判定值，得到待检测镀锡铜的镀锡缺陷程度饿到方法，包括：对于目标表面灰度图像上的任一待定像素点i：根据待定像素点i的第一判定指标、第二判定指标以及结构分布表征值，得到待定像素点i的镀锡缺陷判定值：其中，为待定像素点i的镀锡缺陷判定值，为待定像素点i的第一判定指标，为待定像素点i的第二判定指标，为待定像素点i的结构分布表征值；当待定像素点i的镀锡缺陷判定值高于判定阈值时，则认为待定像素点i为镀锡缺陷像素点；然后根据镀锡铜的目标表面图像上的镀锡缺陷像素点数量和各镀锡缺陷像素点的镀锡缺陷判定值，得到待检测镀锡铜的镀锡缺陷程度；根据如下公式计算镀锡铜的镀锡缺陷程度：
其中，为待检测镀锡铜的镀锡缺陷程度，为目标表面图像上的镀锡缺陷像素点数量，为目标表面图像上第u个镀锡缺陷像素点镀锡缺陷判定值；对待检测镀锡铜的镀锡缺陷程度进行归一化处理；当归一化处理后的待检测镀锡铜的镀锡缺陷程度高于阈值时，则认为待检测镀锡铜的镀锡效果不好。
11.有益效果：本发明首先获取待检测镀锡铜的目标表面图像；所述镀锡铜包括镀锡铜带和镀锡扁铜线；其次根据目标表面图像上的各像素点，拟合得到目标表面图像对应的第一高斯模型和第二高斯模型以及目标表面图像上的各像素点对应的第一高斯模型的高斯函数值和各像素点对应的第二高斯模型的高斯函数值；根据第一高斯模型的高斯函数值和第二高斯模型的高斯函数值，得到目标表面图像上的各待定像素点；紧接着获取各待定像素点的局部灰度共生矩阵的特征参数；根据各待定像素点的局部灰度共生矩阵的特征参数，得到各待定像素点的第一判定指标；获取各待定像素点的特征亮度指标；根据亮度特征指标，得到各待定像素点的第二判定指标；然后获取各待定像素点对应的梯度变化矩阵；根据各待定像素点对应的梯度变化矩阵的特征值，得到各待定像素点对应的结构分布表征值；最后根据各待定像素点对应的第一判定指标、第二判定指标以及结构分布表征值，得到各待定像素点的镀锡缺陷判定值；根据镀锡缺陷判定值，得到各待定像素点中的各镀锡缺陷像素点；根据各镀锡缺陷像素点的镀锡缺陷判定值，得到待检测镀锡铜的镀锡缺陷程度。本发明提供的方法是一种自动化程度较高的方法，能够克服基于人工对扁铜线或者铜带镀锡进行缺陷识别或者缺陷检测的方法准确性较低的问题，即该方法能够提高检测效率以及检测精度，因此可靠性较高。
附图说明
12.为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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它附图。
13.图1为本发明一种铜线镀锡缺陷识别方法的流程图。
具体实施方式
14.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明实施例，本领域普通技术人员所获得的所有其它实施例，都属于本发明实施例保护的范围。
15.除非另有定义，本文所使用的所有的技术和科学技术术语与属于本发明的技术人员通常理解的含义相同。
16.本实施例提供了一种铜线镀锡缺陷识别方法，详细说明如下：
如图1所示，该一种铜线镀锡缺陷识别方法，包括以下步骤：步骤s001，获取待检测镀锡铜的目标表面图像；所述镀锡铜包括镀锡铜带和镀锡扁铜线。
17.本实施例主要是对镀锡铜带或者镀锡扁铜线进行镀锡缺陷识别，本实施例提供的铜带或者扁铜线镀锡的缺陷识别方法是基于图像采集设备获取镀锡铜不同角度的图像数据，所述镀锡铜包括镀锡铜带和镀锡扁铜线，然后构建镀锡铜特征分析模型，用于获取分析镀锡铜的表面像素点的特征参数，基于所提取的特征参数，对镀锡铜表面的镀锡缺陷像素点进行识别提取，实现对铜带或者扁铜线镀锡的缺陷的自动识别，因此本实施例提供的方法是一种自动化程度较高的方法，能够克服基于人工对扁铜线或者铜带镀锡进行缺陷识别或者缺陷检测的方法准确性较低的问题，即该方法能够提高检测效率以及检测精度，因此可靠性较高。
18.本实施例首先将通过图像采集设备获取待检测镀锡铜的表面图像，所述图像采集设备主要包括相机、光源、放置台等，具体设备实施者可根据实际情况自行部署，并且相机视角、分辨率以及拍摄范围等实施者需要根据拍摄过程中的实际情况进行设置。为保证对镀锡缺陷的准确识别，本实施例将对待检测镀锡铜的表面图像进行去噪操作，避免噪点数据对后续分析的影响，同时对表面图像进行锐化处理，提高图像的清晰度，以便对缺陷像素点进行识别检测，因此本实施例将去噪操作以及锐化处理后的表面图像记为目标表面图像；对目标表面图像进行灰度化处理，得到目标表面图像对应的目标表面灰度图像；目标表面图像和目标表面灰度图像上的像素点一一对应。
19.本实施例中去噪操作以及锐化处理为公知技术，因此不再详细描述。
20.步骤s002，根据目标表面图像上的各像素点，拟合得到目标表面图像对应的第一高斯模型和第二高斯模型以及目标表面图像上的各像素点对应的第一高斯模型的高斯函数值和各像素点对应的第二高斯模型的高斯函数值；根据第一高斯模型的高斯函数值和第二高斯模型的高斯函数值，得到目标表面图像上的各待定像素点。
21.本实施例接下来将对待检测镀锡铜的目标表面图像的像素点进行分析，建立镀锡铜线特征分析模型，提取镀锡铜的目标表面像素点的特征参数，用于对待检测镀锡铜的镀锡缺陷的分析，以识别镀锡缺陷像素点；具体为：首先根据目标表面图像上的各像素点，拟合得到目标表面图像对应的第一高斯模型和第二高斯模型，并获取目标表面图像上的各像素点对应的第一高斯模型的高斯函数值和各像素点对应的第二高斯模型的高斯函数值；对于任一像素点：若该像素点对应的第一高斯模型的高斯函数值大于该像素点对应的第二高斯模型的高斯函数值，则将该像素点记为第一类别；若该像素点对应的第一高斯模型的高斯函数值等于该像素点对应的第二高斯模型的高斯函数值，则将该像素点记为待定像素点；若该像素点对应的第一高斯模型的高斯函数值小于该像素点对应的第二高斯模型的高斯函数值，则将该像素点记为第二类别；统计第一类别和第二类别中的像素点数量；一般情况下正常像素点较多，因此将像素点数量较多对应的类别中的像素点作为镀锡正常像素点，将另一个类别中的各像素点记为待定像素点；因此通过上述过程得到了目标表面图像上的各待定像素点，后续将对待定像素点进行分析。
22.步骤s003，获取各待定像素点的局部灰度共生矩阵的特征参数；根据各待定像素
点的局部灰度共生矩阵的特征参数，得到各待定像素点的第一判定指标；获取各待定像素点的特征亮度指标；根据亮度特征指标，得到各待定像素点的第二判定指标；接下来本实施例将对待定像素点进行进一步的分析，以识别真实镀锡缺陷像素点；具体为：（1）得到各待定像素点的第一判定指标的过程为：对于目标表面灰度图像上的任一待定像素点：以该待定像素点为中心，获取该待定像素点邻域范围内的局部邻域像素点，并将局部邻域像素点的灰度值进行灰度级量化，划分成8个灰度等级，并得到对应的灰度共生矩阵，记为局部灰度共生矩阵，即得到了该待定像素点对应的局部灰度共生矩阵；计算局部灰度共生矩阵对应的特征参数，所述特征参数包括局部灰度共生矩阵对应的纹理对比度、熵值以及能量值；获取镀锡正常像素点对应的局部灰度共生矩阵的纹理对比度、熵值以及能量值；然后根据镀锡正常像素点对应的局部灰度共生矩阵的纹理对比度、熵值和能量值以及该待定像素点对应的局部灰度共生矩阵的纹理对比度、熵值和能量值，得到该待定像素点的第一判定指标；根据如下公式计算该待定像素点的第一判定指标：其中，为该待定像素点的第一判定指标，为该待定像素点对应的局部灰度共生矩阵的纹理对比度，为该待定像素点对应的局部灰度共生矩阵的熵值，为该待定像素点对应的局部灰度共生矩阵的能量值，为镀锡正常像素点对应的局部灰度共生矩阵的纹理对比度，为镀锡正常像素点对应的局部灰度共生矩阵的熵值，为镀锡正常像素点对应的局部灰度共生矩阵的能量值，max（ ）为取最大值函数；第一判定指标函数值越大，则认为该待定像素点的局部邻域分布情况与镀锡正常像素点的分布状况差异较大，越有可能为镀锡缺陷像素点。
23.（2）得到各待定像素点的第二判定指标的过程为：对目标表面图像进行hsv色彩空间转换，得到各待定像素点的亮度值；并获取镀锡正常像素点对应的亮度值；根据各待定像素点的亮度值和镀锡正常像素点对应的亮度值，得到各待定像素点的亮度特征指标；对于目标表面图像上的任一待定像素点，根据如下公式计算该待定像素点的亮度特征指标：其中，为该待定像素点的第二判定指标，为该待定像素点的亮度值，为镀锡正常像素点对应的亮度值，为模型参数；c是为了避免分母为零，本实施例设置c=0.5；为待定像素点局部邻域范围的亮度分布状况与正常像素点亮度状况之间的相似度，取值为[0,1]，亮度特征指标代表的是该待定像素点相对于镀锡正常像素点之间的亮度
差异度，值越大，则认为该待定像素点与镀锡正常像素点的差异越大；然后根据该待定像素点的亮度特征指标，得到该待定像素点的第二判定指标；根据如下公式计算该待定像素点的第二判定指标：其中，为该待定像素点的第二判定指标，e为自然常数；第二判定指标函数值越大，则认为该待定像素点为镀锡缺陷像素点的可能性越高。
[0024]
步骤s004，获取各待定像素点对应的梯度变化矩阵；根据各待定像素点对应的梯度变化矩阵的特征值，得到各待定像素点对应的结构分布表征值。
[0025]
本实施例将对待定像素点的自身特征信息进行检测，即获取待定像素点对应的结构分布表征值，用于表征像素点的特征属性，进一步实现对镀锡缺陷像素点的识别；各待定像素点对应的结构分布表征值的获取过程为：对于目标表面灰度图像上的任一待定像素点i：采用sobel边缘检测算子对待定像素点i进行梯度信息的提取，本实施例中的边缘检测算子在水平方向和竖直方向的算子分别为：，，为边缘检测算子在水平方向的算子，为边缘检测算子在竖直方向的算子；然后通过两个算子分别对待定像素点i进行梯度信息的提取：，，其中，为卷积操作，为以待定像素点i为中心的八邻域所对应的邻域灰度矩阵，分别为待定像素点i在水平方向、竖直方向的梯度幅值，为待定像素点i的梯度角，为待定像素点i的灰度值，x为待定像素点i的横坐标，y为待定像素点i的纵坐标，为目标表面灰度图像上横坐标为纵坐标为的像素点的灰度值，为目标表面灰度图像上横坐标为纵坐标为的像素点的灰度值，为目标表面灰度图像上横坐标为纵坐标为的像素点的灰度值，为目标表面灰度图像上横坐标为纵坐标为的像素点的灰度值，为目标表面灰度图像上横坐标为纵坐标为的像素点的灰度值，为目标表面灰度图像上横坐标为纵坐标为的像素点的灰度值，为目标表面灰度图像上横坐标为纵坐标为的像素点的灰度值， 为目标表面灰度图像上横坐标为纵坐标为的像素点的灰度
值。根据所述方法获取待定像素点八邻域像素点的梯度角：，后续用于分析待定像素点周围的分布杂乱状况。
[0026]
获取待定像素点的梯度信息后，本实施例考虑到边缘检测算子在进行梯度信息检测提取多出现不准确问题，为提高识别精度，对待定像素点i的邻域分布特征属性进行准确检测，本实施例将对像素点梯度的变化状况进行分析，以便准确提取待定像素点的分布特征，所述梯度变化特征具体为：，得到待定像素点i所对应的梯度变化特征值：、，基于所提取的待定像素点i对应的四个梯度变化特征值，构建待定像素点i的梯度变化矩阵，代表待定像素点i的梯度变化矩阵，且梯度变化矩阵可对待定像素点i的纹理分布特征进行表征。
[0027]
然后计算待定像素点i对应的梯度变化矩阵的特征值，得到待定像素点i的结构分布表征值：，其中，为待定像素点i结构分布表征值，和为待定像素点i对应的梯度变化矩阵的特征值，且可对待定像素点i梯度的变化状况进行检测，梯度变化表征值越大，则认为待定像素点i处的结构分布越杂乱。
[0028]
步骤s005，根据各待定像素点对应的第一判定指标、第二判定指标以及结构分布表征值，得到各待定像素点的镀锡缺陷判定值；根据镀锡缺陷判定值，得到各待定像素点中的各镀锡缺陷像素点；根据各镀锡缺陷像素点的镀锡缺陷判定值，得到待检测镀锡铜的镀锡缺陷程度。
[0029]
通过上述步骤得到了各待定像素点的第一判定指标、第二判定指标以及结构分布表征值，接下来基于各待定像素点的第一判定指标、第二判定指标以及结构分布表征值实现对镀锡缺陷像素点的提取识别；具体为：对于目标表面灰度图像上的任一待定像素点i：根据待定像素点i的第一判定指标、第二判定指标以及结构分布表征值，得到待定像素点i的镀锡缺陷判定值：设定判定阈值为0.6，当待定像素点i的镀锡缺陷判定值高于判定阈值时，则认为待定像素点i为镀锡缺陷像素点；因此通过上述过程可以获取各个待定像素点的镀锡缺陷判定值，并依据各个待定像素点的镀锡缺陷判定值，得到各待定像素点中的各镀锡缺陷像素点，即得到了待检测镀锡铜的目标表面图像上的各镀锡缺陷像素点。
[0030]
然后根据镀锡铜的目标表面图像上的镀锡缺陷像素点数量和各镀锡缺陷像素点
的镀锡缺陷判定值，得到待检测镀锡铜的镀锡缺陷程度；根据如下公式计算镀锡铜的镀锡缺陷程度：其中，为待检测镀锡铜的镀锡缺陷程度，为目标表面图像上的镀锡缺陷像素点数量，为目标表面图像上第u个镀锡缺陷像素点镀锡缺陷判定值；对待检测镀锡铜的镀锡缺陷程度进行归一化处理，保证值处于（0，1），设置预设镀锡缺陷程度阈值为0.5，当待检测镀锡铜的镀锡缺陷程度高于阈值时，则认为待检测镀锡铜的镀锡效果越不好，存在的缺陷越严重，需要对镀锡铜表面再次进行镀锡加工处理，以保证镀锡铜表面的镀锡效果。
[0031]
本实施例首先获取待检测镀锡铜的目标表面图像；所述镀锡铜包括镀锡铜带和镀锡扁铜线；其次根据目标表面图像上的各像素点，拟合得到目标表面图像对应的第一高斯模型和第二高斯模型以及目标表面图像上的各像素点对应的第一高斯模型的高斯函数值和各像素点对应的第二高斯模型的高斯函数值；根据第一高斯模型的高斯函数值和第二高斯模型的高斯函数值，得到目标表面图像上的各待定像素点；紧接着获取各待定像素点的局部灰度共生矩阵的特征参数；根据各待定像素点的局部灰度共生矩阵的特征参数，得到各待定像素点的第一判定指标；获取各待定像素点的特征亮度指标；根据亮度特征指标，得到各待定像素点的第二判定指标；然后获取各待定像素点对应的梯度变化矩阵；根据各待定像素点对应的梯度变化矩阵的特征值，得到各待定像素点对应的结构分布表征值；最后根据各待定像素点对应的第一判定指标、第二判定指标以及结构分布表征值，得到各待定像素点的镀锡缺陷判定值；根据镀锡缺陷判定值，得到各待定像素点中的各镀锡缺陷像素点；根据各镀锡缺陷像素点的镀锡缺陷判定值，得到待检测镀锡铜的镀锡缺陷程度。本实施例提供的方法是一种自动化程度较高的方法，能够克服基于人工对扁铜线或者铜带镀锡进行缺陷识别或者缺陷检测的方法准确性较低的问题，即该方法能够提高检测效率以及检测精度，因此可靠性较高。
[0032]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围，均应包含在本技术的保护范围之内。