CN109146858B - 自动光学检验设备问题点二次校验方法 - Google Patents
自动光学检验设备问题点二次校验方法 Download PDFInfo
- Publication number
- CN109146858B CN109146858B CN201810875061.0A CN201810875061A CN109146858B CN 109146858 B CN109146858 B CN 109146858B CN 201810875061 A CN201810875061 A CN 201810875061A CN 109146858 B CN109146858 B CN 109146858B
- Authority
- CN
- China
- Prior art keywords
- point
- points
- image
- problem point
- automatic optical
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000003287 optical effect Effects 0.000 title claims abstract description 18
- 238000007689 inspection Methods 0.000 claims abstract description 15
- 238000007650 screen-printing Methods 0.000 claims abstract description 8
- 238000012850 discrimination method Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种自动光学检验设备问题点二次校验方法。步骤S1:输入问题点,并且根据预置的比对原则判断本次输入的问题点是否为真点。步骤S2:针对步骤S1中判断为真点的问题点或者步骤S3中判断未完成修理的问题点进行修理。步骤S3:针对步骤S2中的屏幕打印的图像,根据预置的比对原则判断上述图像是否已经完成修理。本发明公开的自动光学检验设备问题点二次校验方法,如果问题点判断为真点则在完成修理后增加二次校验过程,如果问题点判断为不是真点则进行屏幕打印以备查,最大限度地降低漏检率、错检率和误检率,杜绝故意对问题点不做处理和/或问题点修理不达标即放行的可能性。
Description
技术领域
本发明属于线路板生产技术领域,具体涉及一种自动光学检验设备问题点二次校验方法。
背景技术
在线路板生产技术领域,为了保证出厂质量和产品品质,需要对线路板进行检查。目前,检查流程通常采取工作人员首先通过自动光学检验设备(AOI机器)辨识问题点,然后在检修站(VRS机器)上逐一确认、最后排除问题点。
然而,上述人机结合的检查流程,问题点的初次辨识过程和修理后排除确认过程仍然需要人工判断。需要说明的是,人工操作必然存在一定的漏检率、错检率和误检率,甚至可能存在故意对问题点不做处理和/或问题点修理不达标即放行的可能性。目前的检查流程难以杜绝上述隐患。
发明内容
本发明针对现有技术的状况,克服上述缺陷,提供一种自动光学检验设备问题点二次校验方法。
本发明采用以下技术方案,所述自动光学检验设备问题点二次校验方法包括以下步骤:
步骤S1:输入问题点,并且根据预置的比对原则判断本次输入的问题点是否为真点,如果判断为真则执行步骤S2,否则进行屏幕打印并且重复执行步骤S1;
步骤S2:针对步骤S1中判断为真点的问题点或者步骤S3中判断未完成修理的问题点进行修理,并且对于完成修理的问题点进行屏幕打印;
步骤S3:针对步骤S2中的屏幕打印的图像,根据预置的比对原则判断上述图像是否已经完成修理,如果判断为真则执行步骤S1,否则执行步骤S2。
根据上述技术方案,所述步骤S1中,输入问题点由自动光学检查设备执行。
根据上述技术方案,所述步骤S2中,修理问题点由检修站执行。
根据上述技术方案,所述步骤S3中,判断图像是否已经完成修理由机器视觉判别方法执行。
根据上述技术方案,上述机器视觉判别方法具体实施为基于深度学习的机器视觉判别方法。
根据上述技术方案,上述基于深度学习的机器视觉判别方法包括以下步骤:
步骤T1:输入包含问题点的多帧图像,同时将多帧图像中的其中一幅图像确定为特征图像;
步骤T2:通过深度卷积神经网络模型提取步骤T1中的特征图像的图像特征;
步骤T3:通过长短时记忆网络模型将步骤T2中的图像特征转化为与问题点相关的抽象特征;
步骤T4:将步骤T3中的抽象特征与预置的各类型问题点的特征集合进行比对,并且输出区分度参数;
步骤T5:判断步骤T4中的区分度参数是否高于预置的阈值,当判断为真时判断为未完成问题点修理,否则判断为已完成问题点修理。
本发明公开的自动光学检验设备问题点二次校验方法,其有益效果在于,如果问题点判断为真点则在完成修理后增加二次校验过程,如果问题点判断为不是真点则进行屏幕打印以备查,最大限度地降低漏检率、错检率和误检率,杜绝故意对问题点不做处理和/或问题点修理不达标即放行的可能性。
附图说明
图1是本发明优选实施例的流程框图。
具体实施方式
本发明公开了一种自动光学检验设备问题点二次校验方法,下面结合优选实施例,对本发明的具体实施方式作进一步描述。
参见附图的图1,图1示出了所述自动光学检验设备问题点二次校验方法的相关流程。
优选地,所述自动光学检验设备问题点二次校验方法包括以下步骤:
步骤S1:输入问题点,并且根据预置的比对原则判断本次输入的问题点是否为真点,如果判断为真则执行步骤S2,否则进行屏幕打印(以便备查)并且重复执行步骤S1;
步骤S2:针对步骤S1中判断为真点的问题点或者步骤S3中判断未完成修理的问题点进行修理,并且对于完成修理的问题点进行屏幕打印;
步骤S3:针对步骤S2中的屏幕打印的图像,根据预置的比对原则判断上述图像是否已经完成修理(确实满足完成修理的条件),如果判断为真则执行步骤S1,否则执行步骤S2。
进一步地,所述步骤S1中,输入问题点由自动光学检查设备(AOI机器)执行。
进一步地,所述步骤S2中,修理问题点由检修站(VRS机器)执行。
进一步地,所述步骤S3中,判断图像是否已经完成修理由机器视觉判别方法(程序)执行。
其中,上述机器视觉判别方法(程序)可采用通用型机器视觉判别方法(程序),更推荐优选采用针对线路板生产技术领域(特别是问题点判断技术领域)特别优化的机器视觉判别方法(程序)。
其中,上述针对问题点判断技术领域特别优化的机器视觉判别方法(程序),可具体实施为基于深度学习(人工智能)的机器视觉判别方法(程序)。
具体地,上述基于深度学习的机器视觉判别方法(程序)包括以下步骤:
步骤T1:输入包含问题点的多帧图像,同时将多帧图像中的其中一幅图像确定为特征图像;
步骤T2:通过深度卷积神经网络模型提取步骤T1中的特征图像的图像特征;
步骤T3:通过长短时记忆网络模型将步骤T2中的图像特征转化为与问题点相关的抽象特征;
步骤T4:将步骤T3中的抽象特征与预置的各类型(已确认完成修理的)问题点的特征集合进行比对,并且输出区分度参数;
步骤T5:判断步骤T4中的区分度参数是否高于预置的阈值,当判断为真时判断为未完成问题点修理,否则判断为已完成问题点修理。
对于本领域的技术人员而言,依然可以对前述各实施例所记载的技术方案进行修改,或对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围。
Claims (3)
1.一种自动光学检验设备问题点二次校验方法,其特征在于,包括以下步骤:
步骤S1:输入问题点,并且根据预置的比对原则判断本次输入的问题点是否为真点,如果判断为真则执行步骤S2,否则进行屏幕打印并且重复执行步骤S1;
步骤S2:针对步骤S1中判断为真点的问题点或者步骤S3中判断未完成修理的问题点进行修理,并且对于完成修理的问题点进行屏幕打印;
步骤S3:针对步骤S2中的屏幕打印的图像,根据预置的比对原则判断上述图像是否已经完成修理,如果判断为真则执行步骤S1,否则执行步骤S2;
所述步骤S3中,判断图像是否已经完成修理由机器视觉判别方法执行,上述机器视觉判别方法具体实施为基于深度学习的机器视觉判别方法;
上述基于深度学习的机器视觉判别方法包括以下步骤:
步骤T1:输入包含问题点的多帧图像,同时将多帧图像中的其中一幅图像确定为特征图像;
步骤T2:通过深度卷积神经网络模型提取步骤T1中的特征图像的图像特征;
步骤T3:通过长短时记忆网络模型将步骤T2中的图像特征转化为与问题点相关的抽象特征;
步骤T4:将步骤T3中的抽象特征与预置的各类型问题点的特征集合进行比对,并且输出区分度参数;
步骤T5:判断步骤T4中的区分度参数是否高于预置的阈值,当判断为真时判断为未完成问题点修理,否则判断为已完成问题点修理。
2.根据权利要求1所述的自动光学检验设备问题点二次校验方法,其特征在于,所述步骤S1中,输入问题点由自动光学检查设备执行。
3.根据权利要求2所述的自动光学检验设备问题点二次校验方法,其特征在于,所述步骤S2中,修理问题点由检修站执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810875061.0A CN109146858B (zh) | 2018-08-03 | 2018-08-03 | 自动光学检验设备问题点二次校验方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810875061.0A CN109146858B (zh) | 2018-08-03 | 2018-08-03 | 自动光学检验设备问题点二次校验方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109146858A CN109146858A (zh) | 2019-01-04 |
CN109146858B true CN109146858B (zh) | 2021-09-17 |
Family
ID=64791428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810875061.0A Active CN109146858B (zh) | 2018-08-03 | 2018-08-03 | 自动光学检验设备问题点二次校验方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146858B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650813A (zh) * | 2016-12-27 | 2017-05-10 | 华南理工大学 | 一种基于深度残差网络和lstm的图像理解方法 |
CN107169956A (zh) * | 2017-04-28 | 2017-09-15 | 西安工程大学 | 基于卷积神经网络的色织物疵点检测方法 |
CN107367682A (zh) * | 2017-06-26 | 2017-11-21 | 王俊 | 印制电路板检修方法及*** |
CN107665356A (zh) * | 2017-10-18 | 2018-02-06 | 北京信息科技大学 | 一种图像标注方法 |
CN108051454A (zh) * | 2018-01-15 | 2018-05-18 | 深圳智检慧通科技有限公司 | 一种全自动光学检测识别设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170372232A1 (en) * | 2016-06-27 | 2017-12-28 | Purepredictive, Inc. | Data quality detection and compensation for machine learning |
-
2018
- 2018-08-03 CN CN201810875061.0A patent/CN109146858B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650813A (zh) * | 2016-12-27 | 2017-05-10 | 华南理工大学 | 一种基于深度残差网络和lstm的图像理解方法 |
CN107169956A (zh) * | 2017-04-28 | 2017-09-15 | 西安工程大学 | 基于卷积神经网络的色织物疵点检测方法 |
CN107367682A (zh) * | 2017-06-26 | 2017-11-21 | 王俊 | 印制电路板检修方法及*** |
CN107665356A (zh) * | 2017-10-18 | 2018-02-06 | 北京信息科技大学 | 一种图像标注方法 |
CN108051454A (zh) * | 2018-01-15 | 2018-05-18 | 深圳智检慧通科技有限公司 | 一种全自动光学检测识别设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109146858A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107403225B (zh) | 一种共享设备故障报修方法及装置 | |
CN111289538A (zh) | 基于机器视觉的pcb板元件检测***及检测方法 | |
US20220189002A1 (en) | Method and system for defect inspection based on deep learning | |
CN110146513B (zh) | 缺陷判定方法及缺陷判定装置 | |
US20200090319A1 (en) | Machine learning method implemented in aoi device | |
CN114219799A (zh) | 一种智能制造用次品分析方法及*** | |
CN116630319B (zh) | 基于机器学习的数据采集板卡焊接缺陷检测方法 | |
CN111168064B (zh) | 一种基于增材制造的支撑自动修复方法 | |
CN116337868A (zh) | 一种表面缺陷检测方法及检测*** | |
CN112183780A (zh) | 故障维修引导方法、装置及***、存储介质 | |
CN113470005A (zh) | 一种圆柱电池盖帽的焊点检测装置和焊点检测方法 | |
CN114331997A (zh) | 一种基于图像识别的导线缺陷监测方法 | |
CN114429544A (zh) | 基于计算机视觉的振动筛筛网破损检测方法、***及装置 | |
CN115731208A (zh) | 金属复杂面高精度缺陷检测方法、装置、设备及存储介质 | |
CN109146858B (zh) | 自动光学检验设备问题点二次校验方法 | |
CN112985515B (zh) | 一种产品紧固件装配合格性检测方法、***及存储介质 | |
CN110516375B (zh) | 一种异常板卡的检测方法、装置、电子设备及存储介质 | |
CN115338091B (zh) | 一种5g应用下的高速图像传输与分析*** | |
CN116342540A (zh) | 包装膜缺陷检测方法、装置、设备及存储介质 | |
CN113269394A (zh) | 一种数据处理方法、装置、设备及可读存储介质 | |
CN115456969A (zh) | 外观缺陷的检测方法、电子设备和存储介质 | |
CN113409315A (zh) | 工件缺陷检测方法、电子装置、装置及可读存储介质 | |
CN117078620B (zh) | Pcb焊点缺陷检测方法、装置、电子设备和存储介质 | |
KR20240102068A (ko) | 인공지능을 이용한 인쇄 회로 기판 검사의 검증 장치 및 방법 그리고 이를 구현하기 위한 프로그램을 기록한 기록매체 | |
CN111461084A (zh) | 一种文字骨架提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Secondary verification method for problem points in automatic optical inspection equipment Granted publication date: 20210917 Pledgee: China Co. truction Bank Corp Jiaxing branch Pledgor: CHENGYI ELECTRONICS (JIAXING) CO.,LTD. Registration number: Y2024330000090 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |