CN108090897A - 印刷线路板缺陷的检测方法、检测装置及存储介质 - Google Patents
印刷线路板缺陷的检测方法、检测装置及存储介质 Download PDFInfo
- Publication number
- CN108090897A CN108090897A CN201711370684.4A CN201711370684A CN108090897A CN 108090897 A CN108090897 A CN 108090897A CN 201711370684 A CN201711370684 A CN 201711370684A CN 108090897 A CN108090897 A CN 108090897A
- Authority
- CN
- China
- Prior art keywords
- identified
- region
- defect
- image
- result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30141—Printed circuit board [PCB]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种印刷线路板缺陷的检测方法、检测装置及存储介质。本发明的检测装置对待测印刷线路板进行图像扫描，获得所述待测印刷线路板的当前图像，将所述当前图像与预设标准图像进行对比，获得所述当前图像中的待识别区域，通过预设神经网络模型对所述待识别区域进行缺陷识别，获得所述待识别区域的识别结果，利用训练之后的神经网络模型对印刷线路板进行缺陷识别，提高了线路板缺陷识别的效率和准确率。
Description
技术领域
本发明涉及线路板领域，尤其涉及一种印刷线路板缺陷的检测方法、检测装置及存储介质。
背景技术
目前，印刷线路板制造企业检测电路缺陷的方法主要是将设计图转换生成的图像为模板作为对比信息，对后续每一块印刷线路板进行自动光学扫描，将超出设定误差阀值的差异点判定为缺陷，此种方法会产生很大比例的误报，真正需要修复的缺陷只占2％～10％，需花费大量的人力、物力对误报的缺陷进行过滤，效率太低，造成资源浪费。
另外，传统的检测方法过于死板，检测的结果不会反馈，也不能自动优化检测方法，重复发生的误报一直出现。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种印刷线路板缺陷的检测方法、检测装置及存储介质，旨在解决现有技术中线路板缺陷检测效率低、误报率高的技术问题。
为实现上述目的，本发明提供一种印刷线路板缺陷的检测方法，所述方法包括以下步骤：
对待测印刷线路板进行图像扫描，获得所述待测印刷线路板的当前图像；
将所述当前图像与预设标准图像进行对比，获得所述当前图像中的待识别区域；
通过预设神经网络模型对所述待识别区域进行缺陷识别，获得所述待识别区域的识别结果。
优选地，所述对待检测印刷线路板进行图像扫描，获得所述待测印刷线路板的当前图像之前，所述方法还包括：
获取若干样本区域和各样本区域的人工识别结果，根据所述样本区域和所述人工识别结果建立所述预设神经网络模型。
优选地，所述获取若干样本区域和各样本区域的人工识别结果，根据所述样本区域和所述人工识别结果建立所述预设神经网络模型，具体包括：
获取若干样本区域和各样本区域的人工识别结果，并获取初始神经网络模型；
通过所述样本区域和各样本区域的人工识别结果对所述初始神经网络模型进行训练；
将训练后的初始神经网络模型作为所述预设神经网络模型。
优选地，所述将所述当前图像与预设标准图像进行对比，获得所述当前图像中的待识别区域，具体包括：
将所述当前图像与预设标准图像进行对比；
在所述当前图像与预设标准图像存在差异时，将所述当前图像中与所述预设标准图像存在差异的图像部分作为所述当前图像中的待识别区域。
优选地，所述通过预设神经网络模型对所述待识别图像进行缺陷识别，获取识别结果之后，所述方法还包括：
根据所述识别结果，将所述待识别区域存储至相应的预设存储区域。
优选地，所述识别结果包括合格或缺陷；
相应地，所述根据所述识别结果，将所述待识别区域存储至相应的预设存储区域之后，所述方法还包括：
在所述待识别区域的识别结果为缺陷时，展示所述待识别区域以及所述待识别区域对应的识别结果；
接收用户输入的确认指令，并从所述确认指令中获取所述待识别区域的人工复查结果；
在所述待识别区域的人工复查结果与所述待识别区域的识别结果不匹配时，更改所述待识别区域的存储区域。
优选地，所述在所述待识别区域的人工复查结果与所述待识别区域的识别结果不匹配时，更改所述待识别区域的存储区域之后，所述方法还包括：
根据所述待识别区域和所述待识别区域的人工复查结果对所述预设网络神经模型进行训练。
优选地，所述对待测印刷线路板进行扫描，获取所述待测印刷线路板的当前图像之前，所述方法还包括：
将印刷线路板设计图转换生成的图像设置成标准图像。
此外，为实现上述目的，本发明还提供一种检测装置，所述检测装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的印刷线路板缺陷的检测程序，所述印刷线路板缺陷的检测程序配置为实现上文所述的印刷线路板缺陷的检测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有印刷线路板缺陷的检测程序，所述印刷线路板缺陷的检测程序被处理器执行时实现上文所述的印刷线路板缺陷的检测方法的步骤。
本发明的检测装置对待测印刷线路板进行图像扫描，获得所述待测印刷线路板的当前图像，将所述当前图像与预设标准图像进行对比，获得所述当前图像中的待识别区域，通过预设神经网络模型对所述待识别区域进行缺陷识别，获得所述待识别区域的识别结果，利用训练之后的神经网络模型对印刷线路板进行缺陷识别，提高了线路板缺陷识别的效率和准确率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的检测装置结构示意图；
图2为本发明印刷线路板缺陷的检测方法第一实施例的流程示意图；
图3为本发明印刷线路板缺陷的检测方法第二实施例的流程示意图；
图4为本发明印刷线路板缺陷的检测方法第三实施例的流程示意图；
图5为本发明印刷线路板缺陷的检测方法第四实施例的流程示意图；
图6为本发明印刷线路板缺陷的检测方法第五实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的检测装置的结构示意图。
如图1所示，该检测装置可以包括：处理器1001，所述处理器可以是中央处理器(Central Processing Unit，CPU)、还可以是图形处理器(Graphics Processing Unit，GPU)、也可以是张量处理器(Tensor Procession Unit，TPU)以及现场可编程逻辑门阵列(Field Programmable Gate Array，FPGA)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对检测装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及印刷线路板缺陷的检测程序。
图1所示的检测装置中，网络接口1004主要用于与外部网络进行数据通信；用户接口1003主要用于接收用户的输入指令；所述检测装置通过处理器1001调用存储器1005中存储的印刷线路板缺陷的检测程序，并执行以下操作：
对待测印刷线路板进行图像扫描，获得所述待测印刷线路板的当前图像；
将所述当前图像与预设标准图像进行对比，获得所述当前图像中的待识别区域；
通过预设神经网络模型对所述待识别区域进行缺陷识别，获得所述待识别区域的识别结果。
进一步地，处理器1001可以调用存储器1005中存储的印刷线路板缺陷的检测程序，还执行以下操作：
获取若干样本区域和各样本区域的人工识别结果，根据所述样本区域和所述人工识别结果建立所述预设神经网络模型。
进一步地，处理器1001可以调用存储器1005中存储的印刷线路板缺陷的检测程序，还执行以下操作：
获取若干样本区域和各样本区域的人工识别结果，并获取初始神经网络模型；
通过所述样本区域和各样本区域的人工识别结果对所述初始神经网络模型进行训练；
将训练后的初始神经网络模型作为所述预设神经网络模型。
进一步地，处理器1001可以调用存储器1005中存储的印刷线路板缺陷的检测程序，还执行以下操作：
将所述当前图像与预设标准图像进行对比；
在所述当前图像与预设标准图像存在差异时，将所述当前图像中与所述预设标准图像存在差异的图像部分作为所述当前图像中的待识别区域。
进一步地，处理器1001可以调用存储器1005中存储的印刷线路板缺陷的检测程序，还执行以下操作：
根据所述识别结果，将所述待识别区域存储至相应的预设存储区域。
进一步地，处理器1001可以调用存储器1005中存储的印刷线路板缺陷的检测程序，还执行以下操作：
在所述待识别区域的识别结果为缺陷时，展示所述待识别区域以及所述待识别区域对应的识别结果；
接收用户输入的确认指令，并从所述确认指令中获取所述待识别区域的人工复查结果；
在所述待识别区域的人工复查结果与所述待识别区域的识别结果不匹配时，更改所述待识别区域的存储区域。
进一步地，处理器1001可以调用存储器1005中存储的印刷线路板缺陷的检测程序，还执行以下操作：
根据所述待识别区域和所述待识别区域的人工复查结果对所述预设网络神经模型进行训练。
进一步地，处理器1001可以调用存储器1005中存储的印刷线路板缺陷的检测程序，还执行以下操作：
将印刷线路板设计图转换生成的图像设置成标准图像。
本实施例通过上述方案，检测装置对待测印刷线路板进行图像扫描，获得所述待测印刷线路板的当前图像，将所述当前图像与预设标准图像进行对比，获得所述当前图像中的待识别区域，通过预设神经网络模型对所述待识别区域进行缺陷识别，获得所述待识别区域的识别结果，利用训练之后的神经网络模型对印刷线路板进行缺陷识别，提高了线路板缺陷识别的效率和准确率。
基于上述硬件结构，提出本发明印刷线路板缺陷的检测方法实施例。
参照图2，图2为本发明印刷线路板缺陷的检测方法第一实施例的流程示意图。
在第一实施例中，所述印刷线路板缺陷的检测方法包括以下步骤：
S10：对待测印刷线路板进行图像扫描，获得所述待测印刷线路板的当前图像；
需要说明的是，本实施例的方法的执行主体是能够对印刷检测板上存在的缺陷进行检测的装置。
可理解的是，所述印刷线路板，又称印刷电路板，是以绝缘材料辅以导体配线所形成的结构性元件。
S20:将所述当前图像与预设标准图像进行对比，获得所述当前图像中的待识别区域；
可以理解的是，由于现在线路板的线路越来越密集，过孔尺寸越来越小，所以在生产过程中可能产生各种各样的缺陷，检测过程中，可以获取待测印刷线路板的图像，通过与标准图像的对比，将与标准图像存在差异的图像部分作为缺陷识别的区域，从而确定线路板上各种缺陷的位置。
本实施例中，可以将获取的当前图像与预设标准图像进行对比，在所述当前图像与预设标准图像存在差异时，将所述当前图像中与所述预设标准图像存在差异的图像部分作为所述当前图像中的待识别区域。
可以理解的是，一块线路板，板上孔之间的位置、孔径、走线宽度、电子元件都可能出现缺陷，所以，在具体实施中，所述获得的所述当前图像中的待识别区域可能是1个、2个或者多个，本实施例对此不加以限制。
在具体的对比过程中，可以预先设置一个差异阀值，在当前图像与预设标准图像之间的差异超过设置的差异阀值时，将所述当前图像中与所述预设标准图像存在差异的图像部分作为所述当前图像中的待识别区域，这样可以筛除一些不必要的识别区域，提高检测装置的工作效率。具体的差异阀值可以根据具体的情况进行设置，本实施例对此不加以限制。
需要说明的是，本实施例中，会对所述印刷线路板的设计图进行处理，将印刷线路板的设计图转换生成的图像设置成标准图像。
当然，还可以通过对生产出的合格印刷线路板进行扫描，获得所述合格印刷线路板的图像，并将所述合格印刷线路板的图像设置成标准图像，本实施例对此不以限制。
S30：通过预设神经网络模型对所述待识别区域进行缺陷识别，获得所述待识别区域的识别结果。
本实例的检测装置对待测印刷线路板进行图像扫描，获得所述待测印刷线路板的当前图像，将所述当前图像与预设标准图像进行对比，获得所述当前图像中的待识别区域，通过预设神经网络模型对所述待识别区域进行缺陷识别，获得所述待识别区域的识别结果，利用训练之后的神经网络模型对印刷线路板进行缺陷识别，提高了线路板缺陷识别的效率和准确率。
进一步地，如图3所示，基于第一实施例提出本发明印刷线路板缺陷的检测方法第二实施例，在本实施例中，步骤S10之前，所述方法还包括：
S01：获取若干样本区域和各样本区域的人工识别结果，根据所述样本区域和所述人工识别结果建立所述预设神经网络模型。
可以理解的是，在通过神经网络模型对所述待识别区域进行缺陷识别之前，需要大量的数据对神经网络模型进行训练。
具体实现时，可以获取若干样本区域和各样本区域的人工识别结果，并获取初始神经网络模型，将样本区域作为初始网络模型的输入，将各样本区域的人工识别结果作为初始神经网络模型的输出，对所述初始神经网络模型进行训练，获得所述初始神经网络的模型参数，并将训练后的初始神经网络模型作为所述预设神经网络模型。
本实施例中通过若干样本区域和各样本区域的人工识别结果训练初始神经网络模型，获得预设神经网络模型，并通过获得的预设神经网络模型对印刷线路板进行缺陷识别，提高了缺陷识别的效率和准确率。
进一步地，如图4所示，基于第一实施例或第二实施例提出本发明印刷线路板缺陷的检测方法第三实施例，图4以基于图2所示的实施例为例。
在本实施例中，步骤S30之后，所述方法还包括：
S40：根据所述识别结果，将所述待识别区域存储至相应的预设存储区域。
可以理解的是，在通过所述预设网络模型对所述待识别区域进行缺陷识别之后，所述待识别区域的识别结果可能是合格，也可能是缺陷。
本实施例中，检测装置在通过所述预设网络模型对所述待识别区域进行缺陷识别，获得所述待识别区域的识别结果之后，可以根据所述识别结果，将所述待识别区域存储至相应的预设存储区域。
在具体实现时，检测装置可以在其存储器中预先划分不同的存储区域，在获取相应的识别结果之后，可以根据预先设定的对应关系，将所述待识别区域存储至相应的存储区域中。
需要说明的是，检测装置根据所述待识别区域的识别结果，将所述待识别区域存储至相应的位置之后，检修人员可以查看这些待识别区域，在发现所述预设神经网络模型对所述待识别区域的识别结果出现误判时，可以进行一些操作，将识别结果判断有误的待识别区域放置在正确的存储区域。
本实施例在获取所述待识别区域的识别结果之后，将所述待识别区别存储至相应的预设存储区域，可以方便检修人员对所述待识别结果进行复审。
进一步地，如图5所示，基于第三实施例提出本发明印刷线路板缺陷的检测方法第四实施例，本实施例中，步骤S40之后，所述方法还包括：
S50：在所述待识别区域的识别结果为缺陷时，展示所述待识别区域以及所述待识别区域对应的识别结果；
可以理解的是，在所述待识别区域的识别结果为缺陷时，即需要对所述待识别区域对应的线路板位置进行及时的人工检修，所以，在识别出所述待识别区域为缺陷时，向用户展示所述待识别区域以及所述待识别区域对应的识别结果，以提醒用户及时对缺陷作出相应的处理。
S60：接收用户输入的确认指令，并从所述确认指令中获取所述待识别区域的人工复查结果；
可以理解的是，为了防止线路板缺陷误报情况的发生，检修人员在接收到所述待识别区域的识别结果之后，会复查所述待识别区域，并可通过预设方式，例如按压虚拟按键向检测装置输入确认指令，检测装置在接收到用户输入的确认指令时，可对所述确认指令进行解析，获取所述待识别区域的人工复查结果。
S70：在所述待识别区域的人工复查结果与所述待识别区域的识别结果不匹配时，更改所述待识别区域的存储区域。
本实施例中，在所述待识别区域的识别结果为缺陷时，会展示所述待识别区域以及所述待识别区域对应的识别结果，以提醒用户及时对判断为缺陷的待识别区域进行及时的复查，并反馈相应的复查结果，在所述待识别区域的人工复查结果与所述待识别区域的识别结果不匹配时，更改所述待识别区域的存储区域，从而保证了线路板缺陷识别的准确性。
进一步地，如图6所示，基于第四实施例提出本发明印刷线路板缺陷的检测方法第五实施例，本实施例中，步骤S70之后，所述方法还包括：
S80：根据所述待识别区域和所述待识别区域的人工复查结果对所述预设神经网络模型进行训练。
在具体实现中，在所述待识别区域的人工复查结果与所述待识别区域的识别结果不匹配时，检测装置更改所述待识别区域的存储区域之后，会将所述待识别区域以及所述待识别区域的人工复查结果作为新一轮的学习数据，对所述预设神经网络模型进行训练，以优化所述预设神经网络模型的结构。
可以理解的是，只要出现神经网络模型对识别区域的识别结果与识别区域的人工复查结果不匹配时，就会对所述待识别区域以及所述待识别区域的人工复查结果进行学习，所以所述神经网络模型的学习以及训练是一个持续、循环的过程，从而能够实现所述神经网络模型结构的不断优化。
本实施例中，所述待识别区域的人工复查结果与所述待识别区域的识别结果不匹配时，更改所述待识别区域的存储区域之后，将通过所述待识别区域的人工复查结果和所述待识别区域对所述神经网络模型进行训练，经过持续、循环的学习及训练过程，使所述预设神经网络模型的结构能够得到不断的优化，能够有效规避缺陷误报的重复发生，提高了缺陷识别的准确率。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有印刷线路板缺陷的检测程序，所述印刷线路板缺陷的检测程序被处理器执行时实现如下操作：
对待测印刷线路板进行图像扫描，获得所述待测印刷线路板的当前图像；
将所述当前图像与预设标准图像进行对比，获得所述当前图像中的待识别区域；
通过预设神经网络模型对所述待识别区域进行缺陷识别，获得所述待识别区域的识别结果。
进一步地，所述印刷线路板缺陷的检测程序被处理器执行时还实现如下操作：
获取若干样本区域和各样本区域的人工识别结果，根据所述样本区域和所述人工识别结果建立所述预设神经网络模型。
进一步地，所述印刷线路板缺陷的检测程序被处理器执行时还实现如下操作：
获取若干样本区域和各样本区域的人工识别结果，并获取初始神经网络模型；
通过所述样本区域和各样本区域的人工识别结果对所述初始神经网络模型进行训练；
将训练后的初始神经网络模型作为所述预设神经网络模型。
进一步地，所述印刷线路板缺陷的检测程序被处理器执行时还实现如下操作：
将所述当前图像与预设标准图像进行对比；
在所述当前图像与预设标准图像存在差异时，将所述当前图像中与所述预设标准图像存在差异的图像部分作为所述当前图像中的待识别区域。
进一步地，所述印刷线路板缺陷的检测程序被处理器执行时还实现如下操作：
根据所述识别结果，将所述待识别区域存储至相应的预设存储区域。
进一步地，所述印刷线路板缺陷的检测程序被处理器执行时还实现如下操作：
在所述待识别区域的识别结果为缺陷时，展示所述待识别区域以及所述待识别区域对应的识别结果；
接收用户输入的确认指令，并从所述确认指令中获取所述待识别区域的人工复查结果；
在所述待识别区域的人工复查结果与所述待识别区域的识别结果不匹配时，更改所述待识别区域的存储区域。
进一步地，所述印刷线路板缺陷的检测程序被处理器执行时还实现如下操作：
根据所述待识别区域和所述待识别区域的人工复查结果对所述预设网络神经模型进行训练。
进一步地，所述印刷线路板缺陷的检测程序被处理器执行时还实现如下操作：
将印刷线路板设计图转换生成的图像设置成标准图像。
本实施例通过上述方案，检测装置对待测印刷线路板进行图像扫描，获得所述待测印刷线路板的当前图像，将所述当前图像与预设标准图像进行对比，获得所述当前图像中的待识别区域，通过预设神经网络模型对所述待识别区域进行缺陷识别，获得所述待识别区域的识别结果，利用训练之后的神经网络模型对印刷线路板进行缺陷识别，提高了缺陷识别的效率和准确率。
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***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***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，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种印刷线路板缺陷的检测方法，其特征在于，所述方法包括以下步骤：
对待测印刷线路板进行图像扫描，获得所述待测印刷线路板的当前图像；
将所述当前图像与预设标准图像进行对比，获得所述当前图像中的待识别区域；
通过预设神经网络模型对所述待识别区域进行缺陷识别，获得所述待识别区域的识别结果。
2.如权利要求1所述的方法，其特征在于，所述对待检测印刷线路板进行图像扫描，获得所述待测印刷线路板的当前图像之前，所述方法还包括：
获取若干样本区域和各样本区域的人工识别结果，根据所述样本区域和所述人工识别结果建立所述预设神经网络模型。
3.如权利要求2所述的方法，其特征在于，所述获取若干样本区域和各样本区域的人工识别结果，根据所述样本区域和所述人工识别结果建立所述预设神经网络模型，具体包括：
获取若干样本区域和各样本区域的人工识别结果，并获取初始神经网络模型；
通过所述样本区域和各样本区域的人工识别结果对所述初始神经网络模型进行训练；
将训练后的初始神经网络模型作为所述预设神经网络模型。
4.如权利要求3所述的方法，其特征在于，所述将所述当前图像与预设标准图像进行对比，获得所述当前图像中的待识别区域，具体包括：
将所述当前图像与预设标准图像进行对比；
在所述当前图像与预设标准图像存在差异时，将所述当前图像中与所述预设标准图像存在差异的图像部分作为所述当前图像中的待识别区域。
5.如权利要求3所述的方法，其特征在于，所述通过预设神经网络模型对所述待识别图像进行缺陷识别，获取识别结果之后，所述方法还包括：
根据所述识别结果，将所述待识别区域存储至相应的预设存储区域。
6.如权利要求5所述的方法，其特征在于，所述识别结果包括合格或缺陷；
相应地，所述根据所述识别结果，将所述待识别区域存储至相应的预设存储区域之后，所述方法还包括：
在所述待识别区域的识别结果为缺陷时，展示所述待识别区域以及所述待识别区域对应的识别结果；
接收用户输入的确认指令，并从所述确认指令中获取所述待识别区域的人工复查结果；
在所述待识别区域的人工复查结果与所述待识别区域的识别结果不匹配时，更改所述待识别区域的存储区域。
7.如权利要求6所述的方法，其特征在于，所述在所述待识别区域的人工复查结果与所述待识别区域的识别结果不匹配时，更改所述待识别区域的存储区域之后，所述方法还包括：
根据所述待识别区域和所述待识别区域的人工复查结果对所述预设网络神经模型进行训练。
8.如权利要求1-7所述的方法，其特征在于，所述对待测印刷线路板进行扫描，获取所述待测印刷线路板的当前图像之前，所述方法还包括：
将印刷线路板设计图转换生成的图像设置成标准图像。
9.一种检测装置，其特征在于，所述检测装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的印刷线路板缺陷的检测程序，所述印刷线路板缺陷的检测程序配置为实现如权利要求1至8中任一项所述的印刷线路板缺陷的检测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有印刷线路板缺陷的检测程序，所述印刷线路板缺陷的检测程序被处理器执行时实现如权利要求1至8中任一项所述的印刷线路板缺陷的检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711370684.4A CN108090897A (zh) | 2017-12-18 | 2017-12-18 | 印刷线路板缺陷的检测方法、检测装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711370684.4A CN108090897A (zh) | 2017-12-18 | 2017-12-18 | 印刷线路板缺陷的检测方法、检测装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108090897A true CN108090897A (zh) | 2018-05-29 |
Family
ID=62176092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711370684.4A Pending CN108090897A (zh) | 2017-12-18 | 2017-12-18 | 印刷线路板缺陷的检测方法、检测装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108090897A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109118420A (zh) * | 2018-08-21 | 2019-01-01 | 杭州朗和科技有限公司 | 水印识别模型建立及识别方法、装置、介质及电子设备 |
| CN109146875A (zh) * | 2018-09-05 | 2019-01-04 | 深圳灵图慧视科技有限公司 | 用于织物表面缺陷检测的方法、装置和设备 |
| CN109685151A (zh) * | 2018-12-27 | 2019-04-26 | 深圳市鹰眼在线电子科技有限公司 | 电路板料号识别方法、装置及计算机可读存储介质 |
| CN109741310A (zh) * | 2018-12-27 | 2019-05-10 | 深圳市鹰眼在线电子科技有限公司 | Pcb板的图像处理方法、***及存储介质 |
| WO2020007118A1 (zh) * | 2018-07-02 | 2020-01-09 | 北京百度网讯科技有限公司 | 显示屏***电路检测方法、装置、电子设备及存储介质 |
| WO2020042741A1 (zh) * | 2018-08-27 | 2020-03-05 | 北京百度网讯科技有限公司 | 电池检测方法及装置 |
| CN111079918A (zh) * | 2018-10-18 | 2020-04-28 | 台湾积体电路制造股份有限公司 | 对神经网络中第一层的第一神经元上的值实行计算的方法 |
| CN111612772A (zh) * | 2020-05-22 | 2020-09-01 | 厦门理工学院 | 一种卫浴塑胶件缺陷识别方法、装置及设备 |
| CN113256570A (zh) * | 2021-05-10 | 2021-08-13 | 郑州轻工业大学 | 基于人工智能的视觉信息处理方法、装置、设备及介质 |
| WO2021218420A1 (zh) * | 2020-04-30 | 2021-11-04 | 京东方科技集团股份有限公司 | 存储介质、走线检测装置、走线检测模型训练装置及方法 |
| CN114136174A (zh) * | 2021-11-30 | 2022-03-04 | 东风汽车有限公司东风日产乘用车公司 | 板件的标准件过孔检测方法、装置、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103376264A (zh) * | 2012-04-24 | 2013-10-30 | 镇江华扬信息科技有限公司 | 一种印刷电路板的表面检查方法 |
| CN107392890A (zh) * | 2017-06-20 | 2017-11-24 | 华南理工大学 | 一种fpc铜线表面氧化缺陷检测方法及其检测*** |
-
2017
- 2017-12-18 CN CN201711370684.4A patent/CN108090897A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103376264A (zh) * | 2012-04-24 | 2013-10-30 | 镇江华扬信息科技有限公司 | 一种印刷电路板的表面检查方法 |
| CN107392890A (zh) * | 2017-06-20 | 2017-11-24 | 华南理工大学 | 一种fpc铜线表面氧化缺陷检测方法及其检测*** |
Non-Patent Citations (4)
| Title |
|---|
| 刘伟: "印刷电路板的智能检测***研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 周颖 等: "基于图像处理的焊点缺陷识别方法的研究", 《计算机工程与应用》 * |
| 李正明 等: "基于数字图像处理的印刷电路板缺陷检测", 《仪表技术与传感器》 * |
| 黄杰贤 等: "挠性印刷电路板焊盘表面缺陷的检测", 《光学精密工程》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020007118A1 (zh) * | 2018-07-02 | 2020-01-09 | 北京百度网讯科技有限公司 | 显示屏***电路检测方法、装置、电子设备及存储介质 |
| CN109118420A (zh) * | 2018-08-21 | 2019-01-01 | 杭州朗和科技有限公司 | 水印识别模型建立及识别方法、装置、介质及电子设备 |
| CN109118420B (zh) * | 2018-08-21 | 2022-11-25 | 杭州朗和科技有限公司 | 水印识别模型建立及识别方法、装置、介质及电子设备 |
| US11158044B2 (en) | 2018-08-27 | 2021-10-26 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Battery detection method and device |
| WO2020042741A1 (zh) * | 2018-08-27 | 2020-03-05 | 北京百度网讯科技有限公司 | 电池检测方法及装置 |
| CN109146875A (zh) * | 2018-09-05 | 2019-01-04 | 深圳灵图慧视科技有限公司 | 用于织物表面缺陷检测的方法、装置和设备 |
| CN111079918A (zh) * | 2018-10-18 | 2020-04-28 | 台湾积体电路制造股份有限公司 | 对神经网络中第一层的第一神经元上的值实行计算的方法 |
| CN109741310A (zh) * | 2018-12-27 | 2019-05-10 | 深圳市鹰眼在线电子科技有限公司 | Pcb板的图像处理方法、***及存储介质 |
| CN109685151A (zh) * | 2018-12-27 | 2019-04-26 | 深圳市鹰眼在线电子科技有限公司 | 电路板料号识别方法、装置及计算机可读存储介质 |
| WO2021218420A1 (zh) * | 2020-04-30 | 2021-11-04 | 京东方科技集团股份有限公司 | 存储介质、走线检测装置、走线检测模型训练装置及方法 |
| CN111612772A (zh) * | 2020-05-22 | 2020-09-01 | 厦门理工学院 | 一种卫浴塑胶件缺陷识别方法、装置及设备 |
| CN113256570A (zh) * | 2021-05-10 | 2021-08-13 | 郑州轻工业大学 | 基于人工智能的视觉信息处理方法、装置、设备及介质 |
| CN114136174A (zh) * | 2021-11-30 | 2022-03-04 | 东风汽车有限公司东风日产乘用车公司 | 板件的标准件过孔检测方法、装置、设备及存储介质 |
| CN114136174B (zh) * | 2021-11-30 | 2023-11-24 | 东风汽车有限公司东风日产乘用车公司 | 板件的标准件过孔检测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108090897A (zh) | 印刷线路板缺陷的检测方法、检测装置及存储介质 | |
| US10674651B2 (en) | Printed circuit board inspecting apparatus, method for determining fault type of screen printer and computer readable recording medium | |
| CN102612314B (zh) | 检查***、模拟方法及***、恰当值的判定及确定方法 | |
| CN110990255B (zh) | 一种埋点测试方法及服务器 | |
| CN100427963C (zh) | 半导体测试管理***及方法 | |
| CN106325988A (zh) | 任务调度方法及装置 | |
| CN110069279B (zh) | 一种直流控制保护程序的校验方法、装置及存储介质 | |
| CN106096872A (zh) | 一种工厂不合格产品报告处理***及方法 | |
| CN106206356A (zh) | 提高良率提升缺陷监测效率的方法 | |
| CN111178530A (zh) | 一种基于数据标注的质检方法和装置 | |
| CN108415886B (zh) | 一种基于生产工序的数据标签纠错方法及装置 | |
| CN105279061A (zh) | 服务器接口并发测试的方法和装置 | |
| CN112988606B (zh) | 测试用例生成方法、装置、设备及存储介质 | |
| CN113012097B (zh) | 图像复检方法、计算机装置及存储介质 | |
| CN110290203A (zh) | 人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通 | |
| CN107369430B (zh) | 模组组装流程设计方法、设备及可读存储介质 | |
| CN117437227A (zh) | 一种图像生成及缺陷检测方法、装置、介质、设备及产品 | |
| CN109408304A (zh) | 区块链引入测试方法、装置、设备及可读存储介质 | |
| JP2023133160A (ja) | 検査システム、ａｉモデルデータの管理方法及び、ａｉモデルデータセット | |
| DE102017215946A1 (de) | Prüfsystem, programm und steuerverfahren für prüfvorrichtung | |
| CN116974835A (zh) | 串口通信测试方法、***、设备及存储介质 | |
| CN111506501A (zh) | 一种测试指令集的生成方法、装置及电子设备 | |
| CN110554956A (zh) | 一种bdms自动化测试方法 | |
| CN113610801B (zh) | 基于最小单元的缺陷分类方法、装置、设备和存储介质 | |
| CN113611348B (zh) | 打点方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180529 |
|
| RJ01 | Rejection of invention patent application after publication |