CN110455822A - 一种pcb板缺陷的检测方法 - Google Patents
一种pcb板缺陷的检测方法 Download PDFInfo
- Publication number
- CN110455822A CN110455822A CN201910622093.4A CN201910622093A CN110455822A CN 110455822 A CN110455822 A CN 110455822A CN 201910622093 A CN201910622093 A CN 201910622093A CN 110455822 A CN110455822 A CN 110455822A
- Authority
- CN
- China
- Prior art keywords
- defect
- picture
- information
- detection
- pcb board
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
- G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
- G01N2021/95638—Inspecting patterns on the surface of objects for PCB's
-
- 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
- G06T2207/20081—Training; Learning
-
- 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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种PCB板缺陷的检测方法,包括如下步骤:第一步,初步检测,通过AOI或AVI对PCB板进行拍照取像,并进行样本图片对比分析检测,按照规则性缺陷和非规性缺陷等方式输出检测结果,并将输出检测缺陷结果按照坐标进行定位,之后将规则性缺陷图片信息传输到复检***;第二步,将标定的非规则性缺陷部分的图片传输给AI人工智能复判,人工智能对AOI或AVI检测输出缺陷图片进行比对,判断真假缺陷及缺陷类型,然后将真缺陷的信息传输到复检***;第三步,复检***接收到规则性缺陷信息和非规则性真缺陷信息后安排人工复检核对;能够消除掉AOI或AVI检测假缺陷的影响,降低人工核实工作量,提高检测效率和准确性。
Description
技术领域
本发明涉及PCB板检测领域,尤其涉及一种PCB板缺陷的检测方法。
背景技术
目前PCB行业大多采用AOI(外观检查机)和AVI(光学线路检查机)进行检测,但是采用上述检测方法进行算法检测时,存在很多的问题,仅仅对规则性模板比对缺陷(重复、缺失)检测准确,对于非规则性缺陷,如开路,短路,残铜,缺口,偏孔,氧化,毛边,锡粉,锡渣,塞孔,擦花,绿油等上百种检测容易出现较大量假缺陷的情况,因此需要人工复检的进行缺陷核实,导致效率和准确性低。
发明内容
本发明的目的是提供一种PCB板缺陷的检测方法,采用人工智能配合AOI或AVI实现PCB缺陷检测,能够对AOI或AVI检测的非规则性缺陷进行再次复判,消除掉假缺陷的影响,降低人工核查工作量,提高检测效率和准确性。
为了实现以上目的,本发明采用的技术方案为:一种PCB板缺陷的检测方法,包括如下步骤:
第一步,初步检测,通过AOI或AVI对PCB板进行拍照取像,并进行样本图片对比检测,按照规则性缺陷和非规则性缺陷输出检测结果,并将规则性缺陷和非规则性缺陷按照坐标进行标定,之后将规则性缺陷的信息传输到复检***;
第二步,将标定的非规则性缺陷部分的图片传输给AI人工智能,人工智能将非规则性缺陷图片与训练形成的检测数据库进行比对,判断非规则性真假缺陷缺陷类型,然后将真缺陷的信息传输到复检***;
第三步,复检***接收到规则性缺陷信息和非规则性真缺陷信息后安排人工复检核对,对缺陷数据进行统计优化,完成PCB板的缺陷检测。
优选的,第二步中,AI人工智能检测的步骤如下:
①、构建和训练AI模型,通过人工智能深度学习的方法训练出按照缺陷进行分类的AI模型;
②、人工智能检测,将AOI或AVI检测的缺陷图片传输到已训练好的AI模型,根据已训练好的AI模型计算传输过来的缺陷图片数据,判断真假缺陷及缺陷类型,并且将判断的真缺陷进行归类;
③、结果反馈,将归类后的真缺陷进行统计,并且以信息反馈的方式表达出来,并反馈到客户端。
优选的,步骤③中的信息反馈方式包括但不限于表格信息、柱状图信息和扇形图信息。
优选的,步骤①构建和训练AI模型包括如下步骤,1)、将用于AI模型训练的缺陷PCB板制作成标注图片,形成训练图片集,并按照一个训练图片不少于一个标签进行标注,在进行标签标注时,按照缺陷的类别进行分类,并形成训练数据库;2)、从训练数据库中选取对应标准的缺陷数据,构成人工智能检测的模型训练集;3)、将模型训练集传给AI模型进行训练,并生成该标准的AI模型,存入模型数据库以供调用。
优选的,步骤1)中,训练图片制作时,第一步先将有缺陷的PCB板制作成标注图片,第二步在图片中将缺陷部分用方框或圆框进行框定,并配上对应的标签进行标注,第三步采用包括但不限于XML、JSON、CSV的格式保存已标定的图片标注的图片像素信息,标定方框四个坐标位置信息或标定圆框中心坐标位置信息,缺陷类型信息,以及对应图片所在的路径信息,得到标签文件,第四步,将标签文件名前缀与图片文件名前缀一一对应,完成训练数据制作。
优选的,步骤1)中,将标签按照缺陷类别分类后,针对同一个类别的不同缺陷等级再次进行分级标定。
本发明的有益效果为:
1、采用人工智能配合AOI或AVI实现PCB缺陷检测,利用了前者的优点弥补了二者的缺点,能够对AOI或AVI检测的非规则性缺陷进行再次复判,消除掉假缺陷的影响,降低人工核实工作量,提高检测效率和准确性。
2、经过AI人工智能利用***产出的大数据进行分析并可输出非规则性真缺陷问题统计报表,客户端可针对统计报表内容优化对应前制程产品制程和品质,并可根据不同料号对应报表内容形成可追溯数据及分类问题图片,从而达成品质问题数据化可追溯。
3、在训练图片进行标签标定时,对标签进行分类处理,使同一类的缺陷构成一个缺陷数据组,数据库由多个数据组构成,在使用时,可以选择任意数量的数据组进行检测数据库的构建,如此可以适用不同厂家不同要求标准的人工智能检测,降低检测数据库构建的工作量。
4、在PCB板缺陷检测的时候,小缺陷很多,小缺陷占图片的比例有的很小,当前PCB板按照卷积神经网络直接分类的方法,不对目标进行框定,会造成非常高的缺陷漏失率和误判率,而申请文件对目标进行框定,可以降低缺陷漏失率和误判率。
5、在缺陷分类后,在对缺陷进行分级,如毛刺可以跟毛刺等级进行划分,如此可以更好的适应不同厂家需求,构建出适应性更广的人工智能检测数据库。
6、人工智能模型数据库完成后,可选择将AOI或AVI对样本图片检测执行更为严格标准后,会输出相对更多缺陷图片给人工智能AI判断真假缺陷,以上可提升AOI或AVI传统算法判断准确性。
具体实施方式
为了使本领域技术人员更好地理解本发明的技术方案,下面对本发明进行详细描述,本部分的描述仅是示范性和解释性,不应对本发明的保护范围有任何的限制作用。
首先构建人工智能检测模型数据库,具体步骤如下:
1、训练图片和标签制作,第一步先将AVI、AOI设备检测后输出有真缺陷的PCB板制作成图片,第二步在图片中将缺陷部分用方框、圆形进行框定标注,并配上对应的标签分类分级进行标定,第三步采用包括但不限于XML、JSON、CSV的格式保存已标定图片标注的图片像素信息,标定方框四个坐标位置信息或圆形标定信息,缺陷类型信息,以及对应图片所在的路径信息,得到标签文件,第四步,将标签文件名前缀与图片文件名前缀一一对应,完成训练数据的制做;
2、选择能满足不同客户需求的训练图片和标签传给AI模型进行训练,并将多个AI模型集合一个模型数据库;
标签文件包含训练图片所在目录名称(如train_images文件夹)、该标签文件对应训练图片名称(如缺陷.jpg)、训练图片路径(如C:\Users\admin\Desktop\train_images\缺陷.jpg)、图片像素信息(如宽400,高400,位深度3)、缺陷种类名(可用任意英文字母表示缺陷种类比如可以用S表示短路,N可以表示缺口) 、标定框左上角坐标位置(如x:142,y:118)、标定框的长和宽(如w:179,h:160)。
在进行分组分类的过程中,可以有多种划分方式,比如是硬性要求缺陷和非硬性要求缺陷,讲硬性要求缺陷统一划为一个分类组,将非硬性要求缺陷单独分组和分级,如可可以更好的起到分组分类训练数据库的构建。
实施例1
甲客户仅对开路、短路、残铜、缺口和偏孔缺陷有标准要求,针对于甲客户,一种PCB板缺陷的检测方法,包括如下步骤:
第一步,初步检测,通过AOI或AVI对PCB板进行拍照取像,并进行样本图片对比检测,按照规则性缺陷和非规则性缺陷输出检测结果,并将规则性缺陷和非规则性形缺陷按照坐标进行标定,之后将规则性缺陷的信息传输到复检***;
第二步,将训练数据库中关于开路、短路、残铜、缺口、偏孔和氧化的数据调出并使之集合,形成甲客户的训练数据, 将训练数据传给AI模型进行训练,并训练出适用于甲客户的人工智能检测AI模型;将AOI或AVI检测的缺陷图片传输到已训练好的适用于甲客户的AI模型,根据该AI模型计算传输过来的缺陷图片数据,判断真假缺陷及缺陷类型,并且将判断的真缺陷按照开路、短路、残铜、缺口和偏孔进行归类;将归类后的真缺陷进行统计,以表格的方式显现,并将表格反馈到复检***;
第三步,复检***接收到规则形缺陷信息和非规则性真缺陷的信息后安排人工复检,对缺陷数据进行统计优化,完成PCB板的缺陷检测,
客户端可针对统计表格内容优化对应前制程产品制程和品质,并可根据不同料号对应报表内容形成可追溯数据及分类问题图片,从而达成品质问题数据化可追溯。
实施例2
乙客户仅对开路、短路、残铜、缺口、氧化、锡渣、塞孔和擦花缺陷有标准要求,针对于乙客户,一种PCB板缺陷的检测方法,包括如下步骤:
第一步,初步检测,通过AOI或AVI对PCB板进行拍照,并进行样本图片对比检测,按照无缺陷、规则性缺陷和非规则性缺陷输出检测结果,并将规则性缺陷和非规则性形缺陷按照坐标进行标定,之后将规则性缺陷的信息传输到复检***;
第二步,将训练数据库中关于开路、短路、残铜、缺口、锡渣、塞孔和擦花的数据调出并使之集合,形成甲客户的训练数据,将训练数据传给AI模型进行训练,训练出适用于乙客户的人工智能检测AI模型,将AOI或AVI检测的缺陷图片传输到已训练好的适用于乙客户的AI模型,根据该AI模型计算传输过来的缺陷图片数据,判断真假缺陷及缺陷类型,并且将判断的真缺陷按照开路、短路、残铜、缺口、氧化、锡渣、塞孔和擦花缺陷进行归类;将归类后的真缺陷进行统计,以柱状图的方式显现,并将表格反馈到复检***;
第三步,复检***接收到规则形缺陷信息和非规则性真缺陷的信息后安排人工复检,对缺陷数据进行统计优化,完成PCB板的缺陷检测,
客户端可针对统计柱状图内容优化对应前制程产品制程和品质,并可根据不同料号对应报表内容形成可追溯数据及分类问题图片,从而达成品质问题数据化可追溯。
实施例3
丙客户仅对开路、短路、残铜、缺口、和毛边缺陷达到3级以上的缺陷有标准要求,针对于丙客户,一种PCB板缺陷的检测方法,包括如下步骤:
第一步,初步检测,通过AOI或AVI对PCB板进行拍照,并进行样本图片对比检测,按照无缺陷、规则性缺陷和非规则性缺陷输出检测结果,并将规则性缺陷和非规则性形缺陷按照坐标进行标定,之后将规则性缺陷的信息传输到复检***;
第二步,将训练数据库中关于开路、短路、残铜、缺口、和毛刺缺陷达到3级以上的缺陷调出并使之集合,形成丙客户的训练数据,将训练数据传给AI模型进行训练,训练出适用于丙客户的人工智能检测AI模型;将AOI或AVI检测的缺陷图片传输到已训练好的适用于丙客户的AI模型,根据该AI模型计算传输过来的缺陷图片数据,判断真假缺陷,并且将判断的真缺陷按照开路、短路、残铜、缺口、和毛边进行归类,同时将同一类别中的不同缺陷等级进行分级;将归类后的真缺陷类别及等级进行统计,以扇形图显示缺陷分类信息,以表格显示每个类别中不同等级对应的数量信息反馈到复检***;
第三步,复检***接收到规则形缺陷信息和非规则性真缺陷的信息后安排人工复检,对缺陷数据进行统计优化,完成PCB板的缺陷检测,
客户端可针对统计扇形图和表格内容优化对应前制程产品制程和品质,并可根据不同料号对应报表内容形成可追溯数据及分类问题图片,从而达成品质问题数据化可追溯。
实施例4
丁客户仅对开路、短路、残铜、缺口、毛边、锡粉达到5级以上、锡渣、塞孔达到2及以上和擦花的缺陷有标准要求,针对于丁客户,一种PCB板缺陷的检测方法,包括如下步骤:
第一步,初步检测,通过AOI或AVI对PCB板进行拍照,并进行样本图片对比检测,按照无缺陷、规则性缺陷和非规则性缺陷输出检测结果,并将规则性缺陷和非规则性形缺陷按照坐标进行标定,之后将规则性缺陷的信息传输到复检***;
第二步,将训练数据库中关于开路、短路、残铜、缺口、毛边、锡粉达到5级以上、锡渣、塞孔达到2及以上和擦花的缺陷的缺陷调出并使之集合,形成丁客户的训练数据,将训练数据传给AI模型进行训练,训练出适用于丁客户的人工智能检测AI模型;将AOI或AVI检测的缺陷图片传输到已训练好的适用于丁客户的AI模型,根据该AI模型计算传输过来的缺陷图片数据,判断真假缺陷,并且将判断的真缺陷按照开路、短路、残铜、缺口、毛边、锡粉、锡渣、塞孔和擦花进行归类,同时将同一类别中的不同缺陷等级进行分级;将归类后的真缺陷类别及等级进行统计,以柱状图显示缺陷分类信息,以扇形图显示每个类别中不同等级对应的数量信息反馈到复检***;
第三步,复检***接收到规则形缺陷信息和非规则性真缺陷的信息后安排人工复检,对缺陷数据进行统计优化,完成PCB板的缺陷检测,
客户端可针对统计扇形图和表格内容优化对应前制程产品制程和品质,并可根据不同料号对应报表内容形成可追溯数据及分类问题图片,从而达成品质问题数据化可追溯。
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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实例的说明只是用于帮助理解本发明的方法及其核心思想,以上所述仅是本发明的优选实施方式,应当指出,由于文字表达的有限性,而客观上存在无限的具体结构,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进、润饰或变化,也可以将上述技术特征以适当的方式进行组合;这些改进润饰、变化或组合,或未经改进将发明的构思和技术方案直接应用于其它场合的,均应视为本发明的保护范围。
Claims (6)
1.一种PCB板缺陷的检测方法,其特征在于,包括如下步骤:
第一步,初步检测,通过AOI或AVI对PCB板进行拍照取像,并进行样本图片对比检测,按照规则性缺陷和非规则性缺陷输出检测结果,并将规则性缺陷和非规则性缺陷按照坐标进行标定,之后将规则性缺陷的信息传输到复检***;
第二步,将标定的非规则性缺陷部分的图片传输给AI人工智能,人工智能将非规则性缺陷图片与训练形成的检测数据库进行比对,判断非规则性真假缺陷缺陷类型,然后将真缺陷的信息传输到复检***;
第三步,复检***接收到规则性缺陷信息和非规则性真缺陷信息后安排人工复检核对,对缺陷数据进行统计优化,完成PCB板的缺陷检测。
2.根据权利要求1所述的一种PCB板缺陷的检测方法,其特征在于,第二步中,AI人工智能检测的步骤如下:
①、构建和训练AI模型,通过人工智能深度学习的方法训练出按照缺陷进行分类的AI模型;
②、人工智能检测,将AOI或AVI检测的缺陷图片传输到已训练好的AI模型,根据已训练好的AI模型计算传输过来的缺陷图片数据,判断真假缺陷及缺陷类型,并且将判断的真缺陷进行归类;
③、结果反馈,将归类后的真缺陷进行统计,并且以信息反馈的方式表达出来,并反馈到客户端。
3.根据权利要求2所述的一种PCB板缺陷的检测方法,其特征在于,步骤③中的信息反馈方式包括但不限于表格信息、柱状图信息和扇形图信息。
4.根据权利要求2所述的一种PCB板缺陷的检测方法,其特征在于,步骤①构建模型数据库的包括如下步骤,步骤①构建和训练AI模型包括如下步骤,1)、将用于AI模型训练的缺陷PCB板制作成标注图片,形成训练图片集,并按照一个训练图片不少于一个标签进行标注,在进行标签标注时,按照缺陷的类别进行分类,并形成训练数据库;2)、从训练数据库中选取对应标准的缺陷数据,构成人工智能检测的模型训练集;3)、将模型训练集传给AI模型进行训练,并生成该标准的AI模型,存入模型数据库以供调用。
5.根据权利要求4所述的一种PCB板缺陷的检测方法,其特征在于,步骤1)中,训练图片制作时,步骤1)中,训练图片制作时,第一步先将有缺陷的PCB板制作成标注图片,第二步在图片中将缺陷部分用方框或圆框进行框定,并配上对应的标签进行标注,第三步采用包括但不限于XML、JSON、CSV的格式保存已标定的图片标注的图片像素信息,标定方框四个坐标位置信息或标定圆框中心坐标位置信息,缺陷类型信息,以及对应图片所在的路径信息,得到标签文件,第四步,将标签文件名前缀与图片文件名前缀一一对应,完成训练数据制作。
6.根据权利要求4所述的一种PCB板缺陷的检测方法,其特征在于,步骤1)中,将标签按照缺陷类别分类后,针对同一个类别的不同缺陷等级再次进行分级标定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910622093.4A CN110455822A (zh) | 2019-07-10 | 2019-07-10 | 一种pcb板缺陷的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910622093.4A CN110455822A (zh) | 2019-07-10 | 2019-07-10 | 一种pcb板缺陷的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110455822A true CN110455822A (zh) | 2019-11-15 |
Family
ID=68482661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910622093.4A Pending CN110455822A (zh) | 2019-07-10 | 2019-07-10 | 一种pcb板缺陷的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110455822A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110990488A (zh) * | 2019-12-02 | 2020-04-10 | 东莞西尼自动化科技有限公司 | 基于数据库的人工智能样本图管理方法 |
CN110992333A (zh) * | 2019-11-29 | 2020-04-10 | 合肥奕斯伟材料技术有限公司 | COF Film缺陷AITraining数据库及应用 |
CN111079564A (zh) * | 2019-11-27 | 2020-04-28 | 奥特斯科技(重庆)有限公司 | 处理部件承载件的方法及光学检查设备和计算机可读介质 |
CN111179241A (zh) * | 2019-12-25 | 2020-05-19 | 成都数之联科技有限公司 | 一种面板缺陷检测和分类方法及*** |
CN111768371A (zh) * | 2020-06-05 | 2020-10-13 | 上海展华电子(南通)有限公司 | Aoi智能检修方法、装置、计算机设备和存储介质 |
CN111812118A (zh) * | 2020-06-24 | 2020-10-23 | 阿丘机器人科技(苏州)有限公司 | Pcb检测方法、装置、设备及计算机可读存储介质 |
CN111968084A (zh) * | 2020-08-08 | 2020-11-20 | 西北工业大学 | 一种基于人工智能的航空发动机叶片缺陷快速精准识别方法 |
CN112017150A (zh) * | 2020-04-30 | 2020-12-01 | 河南爱比特科技有限公司 | 一种锂离子电池极片表面缺陷智能视觉检测方法及设备 |
CN112669272A (zh) * | 2020-12-22 | 2021-04-16 | 广州广合科技股份有限公司 | 一种aoi快速检测方法及快速检测*** |
CN112730434A (zh) * | 2020-12-26 | 2021-04-30 | 深圳市磐锋精密技术有限公司 | 一种应用于aoi检测的数据监测方法 |
CN112964737A (zh) * | 2021-02-04 | 2021-06-15 | 鼎勤科技(深圳)有限公司 | 电路板的双面外观检测方法 |
CN113012097A (zh) * | 2021-01-19 | 2021-06-22 | 富泰华工业(深圳)有限公司 | 图像复检方法、计算机装置及存储介质 |
CN113310997A (zh) * | 2021-07-30 | 2021-08-27 | 苏州维嘉科技股份有限公司 | Pcb板缺陷确认方法、装置、自动光学检测设备及储存介质 |
CN113379686A (zh) * | 2021-05-26 | 2021-09-10 | 广东炬森智能装备有限公司 | 一种pcb板缺陷检测方法及装置 |
CN113420853A (zh) * | 2021-06-17 | 2021-09-21 | 深圳森科智能***技术有限公司 | Pcb板检测识别定位方法及*** |
CN113516650A (zh) * | 2021-07-30 | 2021-10-19 | 深圳康微视觉技术有限公司 | 基于深度学习的电路板塞孔缺陷检测方法及装置 |
CN113538341A (zh) * | 2021-03-31 | 2021-10-22 | 联合汽车电子有限公司 | 自动光学检测辅助方法、装置及存储介质 |
JP2021180309A (ja) * | 2020-05-15 | 2021-11-18 | 清華大学Tsinghua University | 深層学習に基づく2次元pcb外観欠陥のリアルタイム自動検出方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003317082A (ja) * | 2002-04-25 | 2003-11-07 | Dainippon Screen Mfg Co Ltd | 分類支援装置、分類装置およびプログラム |
CN103926254A (zh) * | 2014-05-08 | 2014-07-16 | 康代影像科技(苏州)有限公司 | 一种用于pcb板缺陷检测的统计***及方法 |
CN104359915A (zh) * | 2014-12-08 | 2015-02-18 | 合肥京东方光电科技有限公司 | 一种涂胶检测方法及涂胶检测装置 |
CN104551301A (zh) * | 2014-12-30 | 2015-04-29 | 东莞市合易自动化科技有限公司 | 一种智能化焊接全自动生产线 |
CN104867144A (zh) * | 2015-05-15 | 2015-08-26 | 广东工业大学 | 基于混合高斯模型的ic元件焊点缺陷检测方法 |
CN106530284A (zh) * | 2016-10-21 | 2017-03-22 | 广州视源电子科技股份有限公司 | 基于图像识别的焊点类型检测和装置 |
CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测***及方法 |
CN108827970A (zh) * | 2018-03-28 | 2018-11-16 | 武汉精测电子集团股份有限公司 | 基于aoi***的适应不同面板缺陷自动判等方法和*** |
CN108882543A (zh) * | 2018-10-17 | 2018-11-23 | 快克智能装备股份有限公司 | 一种自动aoi补焊***及方法 |
CN109001230A (zh) * | 2018-05-28 | 2018-12-14 | 中兵国铁(广东)科技有限公司 | 基于机器视觉的焊点缺陷检测方法 |
CN109444172A (zh) * | 2018-12-13 | 2019-03-08 | 苏州卓融新能源科技有限公司 | 一种适用于人工智能检测pcb的自动光学检测装置及其方法 |
CN109540901A (zh) * | 2018-11-02 | 2019-03-29 | 英业达(重庆)有限公司 | 自动光学检测不良信息反馈***及方法 |
CN109919925A (zh) * | 2019-03-04 | 2019-06-21 | 联觉(深圳)科技有限公司 | 印刷电路板智能检测方法、***、电子装置及存储介质 |
CN109936927A (zh) * | 2019-04-10 | 2019-06-25 | 奥蒂玛光学科技(深圳)有限公司 | 电路板修复方法及*** |
CN109934814A (zh) * | 2019-03-15 | 2019-06-25 | 英业达科技有限公司 | 表面缺陷侦测***及其方法 |
-
2019
- 2019-07-10 CN CN201910622093.4A patent/CN110455822A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003317082A (ja) * | 2002-04-25 | 2003-11-07 | Dainippon Screen Mfg Co Ltd | 分類支援装置、分類装置およびプログラム |
CN103926254A (zh) * | 2014-05-08 | 2014-07-16 | 康代影像科技(苏州)有限公司 | 一种用于pcb板缺陷检测的统计***及方法 |
CN104359915A (zh) * | 2014-12-08 | 2015-02-18 | 合肥京东方光电科技有限公司 | 一种涂胶检测方法及涂胶检测装置 |
CN104551301A (zh) * | 2014-12-30 | 2015-04-29 | 东莞市合易自动化科技有限公司 | 一种智能化焊接全自动生产线 |
CN104867144A (zh) * | 2015-05-15 | 2015-08-26 | 广东工业大学 | 基于混合高斯模型的ic元件焊点缺陷检测方法 |
CN106530284A (zh) * | 2016-10-21 | 2017-03-22 | 广州视源电子科技股份有限公司 | 基于图像识别的焊点类型检测和装置 |
CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测***及方法 |
CN108827970A (zh) * | 2018-03-28 | 2018-11-16 | 武汉精测电子集团股份有限公司 | 基于aoi***的适应不同面板缺陷自动判等方法和*** |
CN109001230A (zh) * | 2018-05-28 | 2018-12-14 | 中兵国铁(广东)科技有限公司 | 基于机器视觉的焊点缺陷检测方法 |
CN108882543A (zh) * | 2018-10-17 | 2018-11-23 | 快克智能装备股份有限公司 | 一种自动aoi补焊***及方法 |
CN109540901A (zh) * | 2018-11-02 | 2019-03-29 | 英业达(重庆)有限公司 | 自动光学检测不良信息反馈***及方法 |
CN109444172A (zh) * | 2018-12-13 | 2019-03-08 | 苏州卓融新能源科技有限公司 | 一种适用于人工智能检测pcb的自动光学检测装置及其方法 |
CN109919925A (zh) * | 2019-03-04 | 2019-06-21 | 联觉(深圳)科技有限公司 | 印刷电路板智能检测方法、***、电子装置及存储介质 |
CN109934814A (zh) * | 2019-03-15 | 2019-06-25 | 英业达科技有限公司 | 表面缺陷侦测***及其方法 |
CN109936927A (zh) * | 2019-04-10 | 2019-06-25 | 奥蒂玛光学科技(深圳)有限公司 | 电路板修复方法及*** |
Non-Patent Citations (3)
Title |
---|
刘国富主编: "《SMT设备操作与维护》", 31 August 2015, 北京理工大学出版社 * |
卢荣胜 等: "自动光学(视觉)检测技术及其在缺陷检测中的应用综述", 《光学学报》 * |
詹跃明: "《表面组装技术》", 30 September 2018, 重庆大学出版社 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079564A (zh) * | 2019-11-27 | 2020-04-28 | 奥特斯科技(重庆)有限公司 | 处理部件承载件的方法及光学检查设备和计算机可读介质 |
CN113378665A (zh) * | 2019-11-27 | 2021-09-10 | 奥特斯科技(重庆)有限公司 | 处理部件承载件的方法及光学检查设备和计算机可读介质 |
CN111079564B (zh) * | 2019-11-27 | 2021-06-01 | 奥特斯科技(重庆)有限公司 | 处理部件承载件的方法及光学检查设备和计算机可读介质 |
US11935221B2 (en) | 2019-11-27 | 2024-03-19 | AT&S (Chongqing) Company Limited | User interface for judgment concerning quality classification of displayed arrays of component carriers |
CN110992333A (zh) * | 2019-11-29 | 2020-04-10 | 合肥奕斯伟材料技术有限公司 | COF Film缺陷AITraining数据库及应用 |
CN110992333B (zh) * | 2019-11-29 | 2023-03-24 | 合肥颀材科技有限公司 | COF Film缺陷AITraining数据库及应用 |
CN110990488A (zh) * | 2019-12-02 | 2020-04-10 | 东莞西尼自动化科技有限公司 | 基于数据库的人工智能样本图管理方法 |
CN111179241A (zh) * | 2019-12-25 | 2020-05-19 | 成都数之联科技有限公司 | 一种面板缺陷检测和分类方法及*** |
CN112017150A (zh) * | 2020-04-30 | 2020-12-01 | 河南爱比特科技有限公司 | 一种锂离子电池极片表面缺陷智能视觉检测方法及设备 |
JP7347836B2 (ja) | 2020-05-15 | 2023-09-20 | 清華大学 | 深層学習に基づく2次元pcb外観欠陥のリアルタイム自動検出方法 |
JP2021180309A (ja) * | 2020-05-15 | 2021-11-18 | 清華大学Tsinghua University | 深層学習に基づく2次元pcb外観欠陥のリアルタイム自動検出方法 |
TWI796681B (zh) * | 2020-05-15 | 2023-03-21 | 清華大學 | 基於深度學習的二維pcb外觀缺陷實時自動檢測之方法 |
CN111768371A (zh) * | 2020-06-05 | 2020-10-13 | 上海展华电子(南通)有限公司 | Aoi智能检修方法、装置、计算机设备和存储介质 |
CN111812118A (zh) * | 2020-06-24 | 2020-10-23 | 阿丘机器人科技(苏州)有限公司 | Pcb检测方法、装置、设备及计算机可读存储介质 |
CN111968084A (zh) * | 2020-08-08 | 2020-11-20 | 西北工业大学 | 一种基于人工智能的航空发动机叶片缺陷快速精准识别方法 |
CN112669272A (zh) * | 2020-12-22 | 2021-04-16 | 广州广合科技股份有限公司 | 一种aoi快速检测方法及快速检测*** |
CN112730434A (zh) * | 2020-12-26 | 2021-04-30 | 深圳市磐锋精密技术有限公司 | 一种应用于aoi检测的数据监测方法 |
CN112730434B (zh) * | 2020-12-26 | 2021-10-29 | 深圳市磐锋精密技术有限公司 | 一种应用于aoi检测的数据监测方法 |
TWI780580B (zh) * | 2021-01-19 | 2022-10-11 | 大陸商富泰華工業(深圳)有限公司 | 圖像複檢方法、電腦裝置及儲存介質 |
CN113012097A (zh) * | 2021-01-19 | 2021-06-22 | 富泰华工业(深圳)有限公司 | 图像复检方法、计算机装置及存储介质 |
CN113012097B (zh) * | 2021-01-19 | 2023-12-29 | 富泰华工业(深圳)有限公司 | 图像复检方法、计算机装置及存储介质 |
CN112964737A (zh) * | 2021-02-04 | 2021-06-15 | 鼎勤科技(深圳)有限公司 | 电路板的双面外观检测方法 |
CN113538341A (zh) * | 2021-03-31 | 2021-10-22 | 联合汽车电子有限公司 | 自动光学检测辅助方法、装置及存储介质 |
CN113538341B (zh) * | 2021-03-31 | 2024-04-30 | 联合汽车电子有限公司 | 自动光学检测辅助方法、装置及存储介质 |
CN113379686A (zh) * | 2021-05-26 | 2021-09-10 | 广东炬森智能装备有限公司 | 一种pcb板缺陷检测方法及装置 |
CN113420853A (zh) * | 2021-06-17 | 2021-09-21 | 深圳森科智能***技术有限公司 | Pcb板检测识别定位方法及*** |
CN113516650A (zh) * | 2021-07-30 | 2021-10-19 | 深圳康微视觉技术有限公司 | 基于深度学习的电路板塞孔缺陷检测方法及装置 |
CN113310997A (zh) * | 2021-07-30 | 2021-08-27 | 苏州维嘉科技股份有限公司 | Pcb板缺陷确认方法、装置、自动光学检测设备及储存介质 |
CN113516650B (zh) * | 2021-07-30 | 2023-08-25 | 深圳康微视觉技术有限公司 | 基于深度学习的电路板塞孔缺陷检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110455822A (zh) | 一种pcb板缺陷的检测方法 | |
CN110473170A (zh) | 一种适用于pcb板真假缺陷判定的人工智能检测方法 | |
CN109239102A (zh) | 一种基于cnn的柔性电路板外观缺陷检测方法 | |
CN108686978B (zh) | 基于arm的水果类别和色泽的分拣方法及*** | |
CN105588840B (zh) | 一种电子元件定位方法及装置 | |
CN109064454A (zh) | 产品缺陷检测方法及*** | |
AU2023201724A1 (en) | System for counting number of game tokens | |
CN106127746A (zh) | 电路板元件漏件检测方法和*** | |
CN108416765A (zh) | 一种字符缺陷自动检测方法和*** | |
CN105334224B (zh) | 自动化质量检测云平台 | |
CN112651966A (zh) | 一种基于acyolov4_csp的印刷电路板微小缺陷检测方法 | |
CN111103307A (zh) | 一种基于深度学习的pcb板缺陷检测方法 | |
CN110458196A (zh) | 一种适用于pcb板人工智能检测的数据库构建方法 | |
CN106645180A (zh) | 检查基板玻璃缺陷的方法、现场终端及服务器 | |
CN105478364B (zh) | 一种不良品检测分类方法及*** | |
CN116309427A (zh) | 一种基于改进YOLOv5算法的PCB表面缺陷检测方法 | |
CN110940672A (zh) | 智能光学检测样品特征与瑕疵ai模型自动产生方法及装置 | |
CN112819780A (zh) | 一种丝锭表面缺陷检测方法、检测***以及丝锭分级*** | |
CN112907562A (zh) | 一种基于MobileNet的SMT缺陷分类算法 | |
CN113158969A (zh) | 一种苹果外观缺陷识别***及方法 | |
KR102174424B1 (ko) | 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치 | |
CN107633508A (zh) | 一种计量产品印刷线路板外观验证方法及*** | |
CN114858806A (zh) | 一种卷烟质量检验数据分析***与方法 | |
CN106528665A (zh) | Aoi设备测试文件查找方法和*** | |
Melnyk et al. | Contacts detection in PCB image by thinning, clustering and flood-filling |
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: 20191115 |
|
RJ01 | Rejection of invention patent application after publication |