CN109919925A - 印刷电路板智能检测方法、***、电子装置及存储介质 - Google Patents
印刷电路板智能检测方法、***、电子装置及存储介质 Download PDFInfo
- Publication number
- CN109919925A CN109919925A CN201910160353.0A CN201910160353A CN109919925A CN 109919925 A CN109919925 A CN 109919925A CN 201910160353 A CN201910160353 A CN 201910160353A CN 109919925 A CN109919925 A CN 109919925A
- Authority
- CN
- China
- Prior art keywords
- detection
- circuit board
- printed circuit
- picture
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种印刷电路板智能检测方法、***、电子装置及存储介质,涉及印刷电路板检测技术领域,用于对印刷电路板进行检测,解决了现有技术中对印刷电路板进行人工检测时误检率高且浪费了人力资源的问题,其包括:采集印刷电路板在检测设备上的检出图片;根据检出图片及已训练的检测模型对印刷电路板进行检测,得到检测结果;对检测结果进行人工复检,得到复检结果;在检测结果及复检结果一致的情况下输出检测结果;在复检结果及检测结果不一致的情况下,输出检测结果及复检结果,并将复检结果输入检测模型以自动更新检测模型;从而不仅节省了人力的投入,而且降低了印刷电路板检测的误检率。
Description
技术领域
本发明涉及印刷电路板检测技术领域,尤其涉及一种印刷电路板智能检测方法、***、电子装置及存储介质。
背景技术
印刷电路板(PCB)在加工的过程中,需要对成品或半成品的印刷电路板进行检测,并在检测出残次品后对残次品进行处理,从而提高印刷电路板的优质率。
现有的印刷电路板检测技术,是通过检测设备检测出缺陷产品,随后将检测出的图片发送至工人处,使用人工进行检测,在人工检测后,检测出缺陷产品,从而完成检测工作。
然而,上述的印刷电路板检测技术,由于需要人工进行检测,而在人工检测中,工人几乎不可能全程保持最好的状态,因此人工检测不仅误检率较高,而且浪费了大量的人力资源。
发明内容
本发明的主要目的在于提供一种印刷电路板智能检测方法、***、电子装置及存储介质,旨在解决现有技术中对印刷电路板进行人工检测时误检率高且浪费了人力资源的技术问题。
为实现上述目的,本发明第一方面提供一种印刷电路板智能检测方法,包括:采集印刷电路板在检测设备上的检出图片;根据所述检出图片及已训练的检测模型对印刷电路板进行检测,得到检测结果;对所述检测结果进行人工复检,得到复检结果;在所述检测结果及所述复检结果一致的情况下输出所述检测结果;在所述复检结果及所述检测结果不一致的情况下,输出所述检测结果及所述复检结果,并将所述复检结果输入所述检测模型以自动更新所述检测模型。
进一步地,所述检测模型的训练方法包括:根据已有的检出图片及所述检出图片上印刷电路板的故障数据训练特征金字塔网络,以对检出图片进行分割;在所述特征金字塔网络中引入复合损失函数,以提升所述特征金字塔网络的分割精度;根据两个用于捕捉不同状态的并行算法及重复算法构建主干网络,以获取分割后的检出图片中印刷电路板的特征信息;构建用于对比所述特征信息及标准印刷电路板特征信息的对比机制,以将对比结果作为检测结果,完成检测模型的训练;在所述主干网络中引入并行通道和空间注意力机制层,以使主干网络在根据复检结果自主学习后更新所述检测模型。
进一步地,所述方法还包括:对检出图片进行二分类标注,以标注所述检出图片上的印刷电路板合格或不合格;对具有不合格印刷电路板的检出图片进行多分类标注,以标注不合格的印刷电路板的缺陷类型及不良程度。
进一步地,所述方法还包括:所述对所述检测模型进行检测;所述在所述采集印刷电路板在检测设备上的检出图片之前,对所述检测模型进行检测包括:将现有检出图片及检出图片上印刷电路板的故障数据输入所述检测模型进行模拟检测,得到模拟检测结果;根据所述模拟检测结果对所述检测模型进行评分,并在所述评分未达到预设的阈值时,根据现有检出图片及检出图片上印刷电路板的故障数据自动更新所述检测模型;在所述评分达到预设的阈值后,完成对所述检测模型的检测;在至少两次对同一检出图片上的印刷电路板进行模拟检测,且所述评分达到所述阈值,并且根据印刷电路板的故障数据进行人工复检得到检出图片上的印刷电路板实际评分不能达到所述阈值时,根据检出图片上的印刷电路板实际评分不能达到所述阈值的原因对所述检测模型进行人工优化。
本发明第二方面提供一种印刷电路板智能检测***,包括:检出图片采集模块,用于采集印刷电路板在检测设备上的检出图片;印刷电路板检测模块,用于根据所述检出图片采集模块采集的检出图片及预先设定的用于训练检测模型的检测模型训练模块对印刷电路板进行检测,得到检测结果;人工复检模块,用于对所述印刷电路板检测模块得到的检测结果进行人工复检,得到复检结果;对比模块,用于对比所述印刷电路板检测模块的检测结果及所述人工复检模块的复检结果,并在所述检测结果及所述复检结果相同时输出所述检测结果;检测模型更新模块,用于在所述印刷电路板检测模块的检测结果及所述人工复检模块的复检结果不一致的情况下,输出所述检测结果及所述复检结果,并将所述复检结果输入检测模型训练模块以自动更新所述检测模型训练模块。
进一步地,所述检测模型训练模块包括:图片分割单元,用于根据已有的检出图片及所述检出图片上印刷电路板的故障数据训练特征金字塔网络,以对检出图片进行分割;分割精度提升单元,用于在所述图片分割单元的特征金字塔网络中引入复合损失函数,以提升所述图片分割单元的分割精度;特征信息获取单元,用于根据两个用于捕捉不同特征状态的并行算法及重复算法构建主干网络,以获取分割后的检出图片中印刷电路板的特征信息;对比单元,用于构建对比所述特征信息获取单元的特征信息及标准印刷电路板特征信息的对比机制,以将对比结果作为检测结果,完成检测模型的训练;模型更新单元,用于在所述特征信息获取单元的主干网络中引入并行通道和空间注意力机制层,以使主干网络在根据复检结果自主学习后更新所述训练模型模块。
进一步地,所述***还包括:二分类标注模块,用于对所述印刷电路板检测模块的检测结果及对所述人工复检模块得到的复检结果中的检出图片进行二分类标注,以标注所述检出图片上的印刷电路板合格或不合格;多分类标注模块,用于对所述印刷电路板检测模块的检测结果及对所述人工复检模块得到的复检结果中的检出图片进行多分类标注,以标注不合格的印刷电路板的缺陷类型及不良程度。
进一步地,所述***还包括:检测模型检测模块,用于对检测模型进行检测;所述检测模型检测模块包括:模拟检测单元,用于将现有检出图片及检出图片上印刷电路板的故障数据输入所述检测模型训练模块进行模拟检测,得到模拟检测结果;检测模型评分单元,用于根据所述模拟检测结果对所述检测模型训练模块进行评分;检测模型自动更新单元,用于在所述检测模型评分单元对所述检测模型训练模块的评分未达到预先设定的阈值时,根据现有检出图片及检出图片上印刷电路板的故障数据自动更新所述检测模型训练模块;检测结束单元,用于在所述检测模型评分单元对所述检测模型训练模块的评分达到预设的阈值后,完成对所述检测模型训练模块的检测;检测模型人工优化单元,用于在至少两次对同一检出图片上的印刷电路板通过模拟检测单元进行模拟检测,且所述检测模型评分单元的评分达到阈值,并且根据印刷电路板的故障数据进行人工复检得到检出图片上的印刷电路板实际评分不能达到阈值时,根据检出图片上的印刷电路板实际评分不能达到阈值的原因对所述检测模型模块进行人工优化。
本发明第三方面提供一种电子装置,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计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现上述中的任意一项所述方法。
本发明第四方面提供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,所述计算机程序被处理器执行时,实现上述中的任意一项所述方法。
本发明提供一种印刷电路板智能检测方法、***、电子装置及存储介质,有益效果在于:能够使用检测模型对检出图片进行检测,从而得到检出图片上的印刷电路板是否为残次品的检测结果,而在经过人工复查后,能够确认检测模型得到的检测结果是否准确,在多次检测结果准确的情况下,便能够认定检测模型的准确率能够满足对当前检出图片上的印刷电路板进行检测,从而便可减少人力投入,从而节省了人力资源;而在检测结果不准确的情况下,能够根据复检结果自动更新检测模型,从而提高检测模型检测的准确率,当检测模型的准确率足以满足对当前的检出图片上的印刷电路板进行检测时,便可减少人力投入,从而节省了人力资源;并且使用检测模型对检出图片进行检测的过程为自动化过程,无需考虑工人的状态,从而降低了印刷电路板检测的误检率。
附图说明
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,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地介绍,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他的附图。
图1为本发明实施例印刷电路板智能检测方法的流程示意框图;
图2为本发明实施例印刷电路板智能检测***的结构示意框图;
图3为本发明实施例电子装置的结构示意框图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,为一种印刷电路板智能检测方法,包括:S1、采集印刷电路板在检测设备上的检出图片;S2、根据检出图片及已训练的检测模型对印刷电路板进行检测,得到检测结果;S3、对检测结果进行人工复检,得到复检结果;S4、在检测结果及复检结果一致的情况下输出检测结果;S5、在复检结果及检测结果不一致的情况下,输出检测结果及复检结果,并将复检结果输入检测模型以自动更新检测模型。
检测模型的训练方法包括:根据已有的检出图片及检出图片上印刷电路板的故障数据训练特征金字塔网络,以对检出图片进行分割;在特征金字塔网络中引入复合损失函数,以提升特征金字塔网络的分割精度;根据两个用于捕捉不同特征状态的并行算法及重复算法构建主干网络,以获取分割后的检出图片中印刷电路板的特征信息;构建用于对比特征信息及标准印刷电路板特征信息的对比机制,以将对比结果作为检测结果,完成检测模型的训练;在主干网络中引入并行通道和空间注意力机制层,以使主干网络在根据复检结果自主学习后更新检测模型。
印刷电路板智能检测方法还包括:对检出图片进行二分类标注,以标注检出图片上的印刷电路板合格或不合格;对具有不合格印刷电路板的检出图片进行多分类标注,以标注不合格的印刷电路板的缺陷类型及不良程度;通过对印刷电路板进行二分类标注,能够将印刷电路板分为合格或不合格的产品,从而在便于工人识别不合格产品,节省了工人从一批印刷电路板中识别不合格产品的时间;通过将不合格的印刷电路板进行多分类标注,能够便于工人识别印刷电路板不合格的原因,从而便于工人对不合格印刷电路板的维修、重加工、销毁等处理。
印刷电路板智能检测方法还包括:对检测模型进行检测;在采集印刷电路板在检测设备上的检出图片之前,对检测模型进行检测包括:将现有检出图片及检出图片上印刷电路板的故障数据输入检测模型进行模拟检测,得到模拟检测结果;根据模拟检测结果对检测模型进行评分,并在评分未达到预设的阈值时,根据现有检出图片及检出图片上印刷电路板的故障数据自动更新检测模型;在评分达到预设的阈值后,完成对检测模型的检测;在至少两次对同一检出图片上的印刷电路板进行模拟检测,且评分达到阈值,并且根据印刷电路板的故障数据进行人工复检得到检出图片上的印刷电路板实际评分不能达到阈值时,根据检出图片上的印刷电路板实际评分不能达到阈值的原因对检测模型进行人工优化。
通过对检测模型进行检测,能够增加检测模型在实际应用中的准确度,从而减少人工复检时对工人数量的要求,减少了人力资源的投入。
本发明提供的印刷电路板智能检测方法,其工作原理或过程如下:在印刷电路板进入检测设备时,检测设备将印刷电路板的检出图片传输至检测模型,检测模型对检出图片进行检测,从而得到检出图片上的印刷电路板是否为残次品的检测结果,而在经过人工复查后,能够确认检测模型得到的检测结果是否准确,在多次检测结果准确的情况下,便能够认定检测模型的准确率能够满足对当前检出图片上的印刷电路板进行检测,从而便可减少人力投入,从而节省了人力资源;而在检测结果不准确的情况下,能够根据复检结果自动更新检测模型,从而提高检测模型检测的准确率,当检测模型的准确率足以满足对当前的检出图片上的印刷电路板进行检测时,便可减少人力投入,从而节省了人力资源;并且使用检测模型对检出图片进行检测的过程为自动化过程,无需考虑工人的状态,从而降低了印刷电路板检测的误检率。
请参阅图2,本申请提供一种印刷电路板智能检测***,包括:检出图片采集模块1、印刷电路板检测模块2、人工复检模块3、对比模块4及检测模型更新模块5;检出图片采集模块1用于采集印刷电路板在检测设备上的检出图片;印刷电路板检测模块2用于根据检出图片采集模块1采集的检出图片及预先设定的用于训练检测模型的检测模型训练模块对印刷电路板进行检测,得到检测结果;人工复检模块3用于对印刷电路板检测模块2得到的检测结果进行人工复检,得到复检结果;对比模块4用于对比印刷电路板检测模块2的检测结果及人工复检模块3的复检结果,并在检测结果及复检结果相同时输出检测结果;检测模型更新模块5用于在印刷电路板检测模块2的检测结果及人工复检模块3的复检结果不一致的情况下,输出检测结果及复检结果,并将复检结果输入检测模型训练模块以自动更新检测模型训练模块。
检测模型训练模块包括:图片分割单元、分割精度提升单元、特征信息获取单元、对比单元及模型更新单元;图片分割单元用于根据已有的检出图片及检出图片上印刷电路板的故障数据训练特征金字塔网络,以对检出图片进行分割;分割精度提升单元用于在图片分割单元的特征金字塔网络中引入复合损失函数,以提升图片分割单元的分割精度;特征信息获取单元用于根据两个用于捕捉不同特征状态的并行算法及重复算法构建主干网络,以获取分割后的检出图片中印刷电路板的特征信息;对比单元用于构建对比特征信息获取单元的特征信息及标准印刷电路板特征信息的对比机制,以将对比结果作为检测结果,完成检测模型的训练;模型更新单元用于在特征信息获取单元的主干网络中引入并行通道和空间注意力机制层,以使主干网络在根据复检结果自主学习后更新训练模型模块。
***还包括:二分类标注模块及多分类标注模块;二分类标注模块用于对印刷电路板检测模块2的检测结果及对人工复检模块3得到的复检结果中的检出图片进行二分类标注,以标注检出图片上的印刷电路板合格或不合格;多分类标注模块用于对印刷电路板检测模块2的检测结果及对人工复检模块3得到的复检结果中的检出图片进行多分类标注,以标注不合格的印刷电路板的缺陷类型及不良程度。
***还包括:检测模型检测模块,检测模型检测模块用于对检测模型进行检测;检测模型检测模块包括:模拟检测单元、检测模型评分单元、检测模型自动更新单元、检测结束单元及检测模型人工优化单元;模拟检测单元用于将现有检出图片及检出图片上印刷电路板的故障数据输入检测模型训练模块进行模拟检测,得到模拟检测结果;检测模型评分单元用于根据模拟检测结果对检测模型训练模块进行评分;检测模型自动更新单元用于在检测模型评分单元对检测模型训练模块的评分未达到预先设定的阈值时,根据现有检出图片及检出图片上印刷电路板的故障数据自动更新检测模型训练模块;检测结束单元用于在检测模型评分单元对检测模型训练模块的评分达到预设的阈值后,完成对检测模型训练模块的检测;检测模型人工优化单元用于在至少两次对同一检出图片上的印刷电路板通过模拟检测单元进行模拟检测,且检测模型评分单元的评分达到阈值,并且根据印刷电路板的故障数据进行人工复检得到检出图片上的印刷电路板实际评分不能达到阈值时,根据检出图片上的印刷电路板实际评分不能达到阈值的原因对检测模型模块进行人工优化。
本申请实施例提供一种电子装置,请参阅图3,该电子装置包括:存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序,处理器602执行该计算机程序时,实现前述中描述的印刷电路板智能检测方法。
进一步的,该电子装置还包括:至少一个输入设备603以及至少一个输出设备604。
上述存储器601、处理器602、输入设备603以及输出设备604,通过总线605连接。
其中,输入设备603具体可为摄像头、触控面板、物理按键或者鼠标等等。输出设备604具体可为显示屏。
存储器601可以是高速随机存取记忆体(RAM,Random Access Memory)存储器,也可为非不稳定的存储器(non-volatile memory),例如磁盘存储器。存储器601用于存储一组可执行程序代码,处理器602与存储器601耦合。
进一步的,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质可以是设置于上述各实施例中的电子装置中,该计算机可读存储介质可以是前述中的存储器601。该计算机可读存储介质上存储有计算机程序,该程序被处理器602执行时实现前述实施例中描述的印刷电路板智能检测方法。
进一步的,该计算机可存储介质还可以是U盘、移动硬盘、只读存储器601(ROM,Read-Only Memory)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上为对本发明所提供的一种印刷电路板智能检测方法、***、电子装置及存储介质的描述,对于本领域的技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种印刷电路板智能检测方法,其特征在于,包括:
采集印刷电路板在检测设备上的检出图片;
根据所述检出图片及已训练的检测模型对印刷电路板进行检测,得到检测结果;
对所述检测结果进行人工复检,得到复检结果;
在所述检测结果及所述复检结果一致的情况下输出所述检测结果;
在所述复检结果及所述检测结果不一致的情况下,输出所述检测结果及所述复检结果,并将所述复检结果输入所述检测模型以自动更新所述检测模型。
2.根据权利要求1所述的印刷电路板智能检测方法,其特征在于,
所述检测模型的训练方法包括:
根据已有的检出图片及所述检出图片上印刷电路板的故障数据训练特征金字塔网络,以对检出图片进行分割;
在所述特征金字塔网络中引入复合损失函数,以提升所述特征金字塔网络的分割精度;
根据两个用于捕捉不同特征状态的并行算法及重复算法构建主干网络,以获取分割后的检出图片中印刷电路板的特征信息;
构建用于对比所述特征信息及标准印刷电路板特征信息的对比机制,以将对比结果作为检测结果,完成检测模型的训练;
在所述主干网络中引入并行通道和空间注意力机制层,以使主干网络在根据复检结果自主学习后更新所述检测模型。
3.根据权利要求1所述的印刷电路板智能检测方法,其特征在于,
所述方法还包括:
对检出图片进行二分类标注,以标注所述检出图片上的印刷电路板合格或不合格;
对具有不合格印刷电路板的检出图片进行多分类标注,以标注不合格的印刷电路板的缺陷类型及不良程度。
4.根据权利要求1所述的印刷电路板智能检测方法,其特征在于,
所述方法还包括:
所述对所述检测模型进行检测;
所述在所述采集印刷电路板在检测设备上的检出图片之前,对所述检测模型进行检测包括:
将现有检出图片及检出图片上印刷电路板的故障数据输入所述检测模型进行模拟检测,得到模拟检测结果;
根据所述模拟检测结果对所述检测模型进行评分,并在所述评分未达到预设的阈值时,根据现有检出图片及检出图片上印刷电路板的故障数据自动更新所述检测模型;
在所述评分达到预设的阈值后,完成对所述检测模型的检测;
在至少两次对同一检出图片上的印刷电路板进行模拟检测,且所述评分达到所述阈值,并且根据印刷电路板的故障数据进行人工复检得到检出图片上的印刷电路板实际评分不能达到所述阈值时,根据检出图片上的印刷电路板实际评分不能达到所述阈值的原因对所述检测模型进行人工优化。
5.一种印刷电路板智能检测***,其特征在于,
检出图片采集模块,用于采集印刷电路板在检测设备上的检出图片;
印刷电路板检测模块,用于根据所述检出图片采集模块采集的检出图片及预先设定的用于训练检测模型的检测模型训练模块对印刷电路板进行检测,得到检测结果;
人工复检模块,用于对所述印刷电路板检测模块得到的检测结果进行人工复检,得到复检结果;
对比模块,用于对比所述印刷电路板检测模块的检测结果及所述人工复检模块的复检结果,并在所述检测结果及所述复检结果相同时输出所述检测结果;
检测模型更新模块,用于在所述印刷电路板检测模块的检测结果及所述人工复检模块的复检结果不一致的情况下,输出所述检测结果及所述复检结果,并将所述复检结果输入检测模型训练模块以自动更新所述检测模型训练模块。
6.根据权利要求5所述的印刷电路板智能检测***,其特征在于,
所述检测模型训练模块包括:
图片分割单元,用于根据已有的检出图片及所述检出图片上印刷电路板的故障数据训练特征金字塔网络,以对检出图片进行分割;
分割精度提升单元,用于在所述图片分割单元的特征金字塔网络中引入复合损失函数,以提升所述图片分割单元的分割精度;
特征信息获取单元,用于根据两个用于捕捉不同特征状态的并行算法及重复算法构建主干网络,以获取分割后的检出图片中印刷电路板的特征信息;
对比单元,用于构建对比所述特征信息获取单元的特征信息及标准印刷电路板特征信息的对比机制,以将对比结果作为检测结果,完成检测模型的训练;
模型更新单元,用于在所述特征信息获取单元的主干网络中引入并行通道和空间注意力机制层,以使主干网络在根据复检结果自主学习后更新所述训练模型模块。
7.根据权利要求5所述的印刷电路板智能检测***,其特征在于,
所述***还包括:
二分类标注模块,用于对所述印刷电路板检测模块的检测结果及对所述人工复检模块得到的复检结果中的检出图片进行二分类标注,以标注所述检出图片上的印刷电路板合格或不合格;
多分类标注模块,用于对所述印刷电路板检测模块的检测结果及对所述人工复检模块得到的复检结果中的检出图片进行多分类标注,以标注不合格的印刷电路板的缺陷类型及不良程度。
8.根据权利要求5所述的印刷电路板智能检测***,其特征在于,
所述***还包括:检测模型检测模块,用于对检测模型进行检测;
所述检测模型检测模块包括:
模拟检测单元,用于将现有检出图片及检出图片上印刷电路板的故障数据输入所述检测模型训练模块进行模拟检测,得到模拟检测结果;
检测模型评分单元,用于根据所述模拟检测结果对所述检测模型训练模块进行评分;
检测模型自动更新单元,用于在所述检测模型评分单元对所述检测模型训练模块的评分未达到预先设定的阈值时,根据现有检出图片及检出图片上印刷电路板的故障数据自动更新所述检测模型训练模块;
检测结束单元,用于在所述检测模型评分单元对所述检测模型训练模块的评分达到预设的阈值后,完成对所述检测模型训练模块的检测;
检测模型人工优化单元,用于在至少两次对同一检出图片上的印刷电路板通过模拟检测单元进行模拟检测,且所述检测模型评分单元的评分达到阈值,并且根据印刷电路板的故障数据进行人工复检得到检出图片上的印刷电路板实际评分不能达到阈值时,根据检出图片上的印刷电路板实际评分不能达到阈值的原因对所述检测模型模块进行人工优化。
9.一种电子装置,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计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现权利要求1至4中的任意一项所述方法。
10.一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,所述计算机程序被处理器执行时,实现权利要求1至4中的任意一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910160353.0A CN109919925A (zh) | 2019-03-04 | 2019-03-04 | 印刷电路板智能检测方法、***、电子装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910160353.0A CN109919925A (zh) | 2019-03-04 | 2019-03-04 | 印刷电路板智能检测方法、***、电子装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109919925A true CN109919925A (zh) | 2019-06-21 |
Family
ID=66963087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910160353.0A Pending CN109919925A (zh) | 2019-03-04 | 2019-03-04 | 印刷电路板智能检测方法、***、电子装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919925A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110455822A (zh) * | 2019-07-10 | 2019-11-15 | 苏州卓融新能源科技有限公司 | 一种pcb板缺陷的检测方法 |
CN111443096A (zh) * | 2020-04-03 | 2020-07-24 | 联觉(深圳)科技有限公司 | 印刷电路板的缺陷检测方法、***、电子装置及存储介质 |
CN111462094A (zh) * | 2020-04-03 | 2020-07-28 | 联觉(深圳)科技有限公司 | Pcba元器件检测方法、装置及计算机可读存储介质 |
CN112132796A (zh) * | 2020-09-15 | 2020-12-25 | 佛山读图科技有限公司 | 以反馈数据自主学习提升检测精度的视觉检测方法和*** |
CN112579810A (zh) * | 2019-09-30 | 2021-03-30 | 深圳市嘉立创科技发展有限公司 | 印刷电路板分类方法、装置、计算机设备和存储介质 |
CN113155842A (zh) * | 2021-03-01 | 2021-07-23 | 唐芮 | 一种流水线瑕疵检测***及其方法 |
CN114782538A (zh) * | 2022-06-16 | 2022-07-22 | 长春融成智能设备制造股份有限公司 | 一种应用于灌装领域兼容不同桶型视觉定位方法 |
CN115100095A (zh) * | 2021-12-29 | 2022-09-23 | 苏州真目人工智能科技有限公司 | 一种基于非监督算法的pcb板检测方法 |
WO2023236038A1 (zh) * | 2022-06-07 | 2023-12-14 | 西门子股份公司 | 电路板检测模型的更新方法、***、电子设备和存储介质 |
CN117560846A (zh) * | 2023-11-17 | 2024-02-13 | 江西红板科技股份有限公司 | 电池类超厚铜板线路板及其方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971342A (zh) * | 2014-05-21 | 2014-08-06 | 厦门美图之家科技有限公司 | 一种基于卷积神经网络的图像噪点检测方法 |
CN107290653A (zh) * | 2017-05-13 | 2017-10-24 | 华南理工大学 | 基于宽频磁感应信道特征辨识pcb的检测装置和方法 |
CN108154508A (zh) * | 2018-01-09 | 2018-06-12 | 北京百度网讯科技有限公司 | 产品缺陷检测定位的方法、装置、存储介质及终端设备 |
CN108320278A (zh) * | 2018-01-09 | 2018-07-24 | 北京百度网讯科技有限公司 | 产品缺陷检测定位方法、装置、设备及计算机可读介质 |
CN108364023A (zh) * | 2018-02-11 | 2018-08-03 | 北京达佳互联信息技术有限公司 | 基于注意力模型的图像识别方法和*** |
CN108509958A (zh) * | 2018-03-30 | 2018-09-07 | 北京金山安全软件有限公司 | 缺陷类型检测方法、装置、电子设备及介质 |
CN108921841A (zh) * | 2018-07-02 | 2018-11-30 | 北京百度网讯科技有限公司 | 钢铁连铸坯质量检测方法、装置、设备及存储介质 |
CN109060817A (zh) * | 2018-05-24 | 2018-12-21 | 牧德科技股份有限公司 | 人工智能复检***及其方法 |
CN109101948A (zh) * | 2018-08-28 | 2018-12-28 | 电子科技大学 | 一种基于时空及通道的多注意力机制视频描述方法 |
CN109118482A (zh) * | 2018-08-07 | 2019-01-01 | 腾讯科技(深圳)有限公司 | 一种面板缺陷分析方法、装置及存储介质 |
-
2019
- 2019-03-04 CN CN201910160353.0A patent/CN109919925A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971342A (zh) * | 2014-05-21 | 2014-08-06 | 厦门美图之家科技有限公司 | 一种基于卷积神经网络的图像噪点检测方法 |
CN107290653A (zh) * | 2017-05-13 | 2017-10-24 | 华南理工大学 | 基于宽频磁感应信道特征辨识pcb的检测装置和方法 |
CN108154508A (zh) * | 2018-01-09 | 2018-06-12 | 北京百度网讯科技有限公司 | 产品缺陷检测定位的方法、装置、存储介质及终端设备 |
CN108320278A (zh) * | 2018-01-09 | 2018-07-24 | 北京百度网讯科技有限公司 | 产品缺陷检测定位方法、装置、设备及计算机可读介质 |
CN108364023A (zh) * | 2018-02-11 | 2018-08-03 | 北京达佳互联信息技术有限公司 | 基于注意力模型的图像识别方法和*** |
CN108509958A (zh) * | 2018-03-30 | 2018-09-07 | 北京金山安全软件有限公司 | 缺陷类型检测方法、装置、电子设备及介质 |
CN109060817A (zh) * | 2018-05-24 | 2018-12-21 | 牧德科技股份有限公司 | 人工智能复检***及其方法 |
CN108921841A (zh) * | 2018-07-02 | 2018-11-30 | 北京百度网讯科技有限公司 | 钢铁连铸坯质量检测方法、装置、设备及存储介质 |
CN109118482A (zh) * | 2018-08-07 | 2019-01-01 | 腾讯科技(深圳)有限公司 | 一种面板缺陷分析方法、装置及存储介质 |
CN109101948A (zh) * | 2018-08-28 | 2018-12-28 | 电子科技大学 | 一种基于时空及通道的多注意力机制视频描述方法 |
Non-Patent Citations (1)
Title |
---|
TING ZHAO 等: "Pyramid Feature Selective Network for Saliency detection", 《ARXIV.ORG》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110455822A (zh) * | 2019-07-10 | 2019-11-15 | 苏州卓融新能源科技有限公司 | 一种pcb板缺陷的检测方法 |
CN112579810A (zh) * | 2019-09-30 | 2021-03-30 | 深圳市嘉立创科技发展有限公司 | 印刷电路板分类方法、装置、计算机设备和存储介质 |
CN112579810B (zh) * | 2019-09-30 | 2023-10-27 | 深圳市嘉立创科技发展有限公司 | 印刷电路板分类方法、装置、计算机设备和存储介质 |
CN111443096A (zh) * | 2020-04-03 | 2020-07-24 | 联觉(深圳)科技有限公司 | 印刷电路板的缺陷检测方法、***、电子装置及存储介质 |
CN111462094A (zh) * | 2020-04-03 | 2020-07-28 | 联觉(深圳)科技有限公司 | Pcba元器件检测方法、装置及计算机可读存储介质 |
CN112132796A (zh) * | 2020-09-15 | 2020-12-25 | 佛山读图科技有限公司 | 以反馈数据自主学习提升检测精度的视觉检测方法和*** |
CN113155842A (zh) * | 2021-03-01 | 2021-07-23 | 唐芮 | 一种流水线瑕疵检测***及其方法 |
CN115100095B (zh) * | 2021-12-29 | 2023-08-22 | 苏州真目人工智能科技有限公司 | 一种基于非监督算法的pcb板检测方法 |
CN115100095A (zh) * | 2021-12-29 | 2022-09-23 | 苏州真目人工智能科技有限公司 | 一种基于非监督算法的pcb板检测方法 |
WO2023236038A1 (zh) * | 2022-06-07 | 2023-12-14 | 西门子股份公司 | 电路板检测模型的更新方法、***、电子设备和存储介质 |
CN114782538B (zh) * | 2022-06-16 | 2022-09-16 | 长春融成智能设备制造股份有限公司 | 一种应用于灌装领域兼容不同桶型视觉定位方法 |
CN114782538A (zh) * | 2022-06-16 | 2022-07-22 | 长春融成智能设备制造股份有限公司 | 一种应用于灌装领域兼容不同桶型视觉定位方法 |
CN117560846A (zh) * | 2023-11-17 | 2024-02-13 | 江西红板科技股份有限公司 | 电池类超厚铜板线路板及其方法 |
CN117560846B (zh) * | 2023-11-17 | 2024-05-28 | 江西红板科技股份有限公司 | 电池类超厚铜板线路板及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919925A (zh) | 印刷电路板智能检测方法、***、电子装置及存储介质 | |
CN107562918A (zh) | 一种数学题知识点发现与批量标签获取方法 | |
CN105260734A (zh) | 一种具有自建模功能的商品油表面激光标码识别方法 | |
CN104680905B (zh) | 一种应用于实验教学的教学过程自动监测***和监测方法 | |
CN110458245A (zh) | 一种多标签分类模型训练方法、数据处理方法及装置 | |
CN109800156A (zh) | 一种基于配置文件命令的地铁信号***自动化测试方法 | |
CN109451532A (zh) | 一种基站位置的核查方法及装置 | |
CN109214426A (zh) | 一种物体外观检测的方法及深度神经网络模型 | |
CN107783894A (zh) | 一种多任务多终端移动应用测试方法及其*** | |
CN109858414A (zh) | 一种***分块检测方法 | |
CN110533051A (zh) | 基于卷积神经网络的x光安检图像中违禁品自动检测方法 | |
CN110765639A (zh) | 一种电气仿真建模方法、装置及可读存储介质 | |
CN110019519A (zh) | 数据处理方法、装置、存储介质和电子装置 | |
CN107223257A (zh) | 测试方法、测试服务器及*** | |
CN110096539A (zh) | 在线批量导入试题方法以及装置 | |
CN104536970A (zh) | 遥信数据设备故障判断与分类***及方法 | |
CN103049629B (zh) | 一种检测噪音数据的方法及装置 | |
CN109738782A (zh) | 基于测量数据机器学习的电路板故障检测方法和*** | |
CN103985062B (zh) | 一种配电网主设备状态检修综合评价方法 | |
CN113076730A (zh) | 一种试验报告智能管理方法、装置、***及存储介质 | |
CN112927194A (zh) | 设计图纸与实物的自动核对方法及*** | |
CN116883717A (zh) | 压板校核方法、装置、计算机可读存储介质及计算机设备 | |
CN111382710A (zh) | 一种基于图像识别的图纸比对方法 | |
CN103279549A (zh) | 一种目标对象的目标数据的获取方法及装置 | |
CN110084109A (zh) | 一种低分辨率人脸图像识别方法、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: 20190621 |
|
RJ01 | Rejection of invention patent application after publication |