CN111681235A - 一种基于学习机制的ic焊点缺陷检测方法 - Google Patents

一种基于学习机制的ic焊点缺陷检测方法 Download PDF

Info

Publication number
CN111681235A
CN111681235A CN202010529781.9A CN202010529781A CN111681235A CN 111681235 A CN111681235 A CN 111681235A CN 202010529781 A CN202010529781 A CN 202010529781A CN 111681235 A CN111681235 A CN 111681235A
Authority
CN
China
Prior art keywords
sample
welding spot
samples
qualified
training set
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.)
Granted
Application number
CN202010529781.9A
Other languages
English (en)
Other versions
CN111681235B (zh
Inventor
蔡念
陈文杰
肖萌
吴振爽
王晗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202010529781.9A priority Critical patent/CN111681235B/zh
Publication of CN111681235A publication Critical patent/CN111681235A/zh
Application granted granted Critical
Publication of CN111681235B publication Critical patent/CN111681235B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
    • 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
    • G06T2207/30152—Solder
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于学***均不合格概率，计算评估阈值；采集待检测的IC焊点样本图片，利用局部统计模型和多个分类器得到IC焊点样本的平均不合格概率，将平均不合格概率与评估阈值进行对比后获得检测结果。本发明提供的方法，自适应设置分类器权值与评估阈值，提高了IC焊点缺陷检测的准确率与鲁棒性，评估结果更加合理。

Description

一种基于学习机制的IC焊点缺陷检测方法
技术领域
本发明涉及数字图像处理应用领域，尤其是涉及一种基于学习机制的IC 焊点缺陷检测方法。
背景技术
表面贴装技术(Surface Mount Technology，SMT)广泛应用于印制电路板(Printed Circuit Board，PCB)的生产中，SMT技术是一种将无引脚或短引线表面组装元器件(简称SMC/SMD，中文称片状元器件)安装在印制电路板的表面或其它基板的表面上，通过再流焊或浸焊等方法加以焊接组装的电路装连技术。
利用SMT技术将集成电路IC组件直接安装或放置在PCB表面上，由于 IC引脚是IC元件与PCB之间的电子连接的桥梁，其质量对PCB及电子器件的可靠性和实用性至关重要。随着微电子制造业的快速发展，PCB上的IC器件密度越来越高，尺寸越来越小，使得人工检测IC焊点变得困难。
随着计算机视觉技术的发展，自动光学检测(AOI)***被广泛应用于产品表面缺陷检测，以评估许多工业产品的质量。为了实现不同产品的AOI***，需要根据对象的特点对AOI***的检测方法进行调整。目前，AOI***上很少针对IC焊点缺陷进行检测的算法。
对IC焊点缺陷进行检测的现有方法，大多是先对合格样本进行建模，得到合格样本的模型，然后将模型与其他样本进行对比，得到一个二值图；像素的与模板匹配的在二值图里为0，不匹配的为1；然后，结合待测样本二值图中的像素点加权求和来评估样本。
现有方案中只使用了合格样本作为训练样本，模型的建立以及阈值都是基于合格样本确定，因此，这些方法忽略了不合格样本的模式，检测结果只能确定训练样本中学习的合格样本模式，即检测结果只能确定一定范围内的合格样本，超过一定范围的合格样本，则容易被认为是不合格样本。
现有方案中对像素点的权重难以合理设置，对样本质量进行评估的过程中，通常是对样本二值图的像素点进行加权求和，其权重的确定方式要么是根据先验知识人为设定，要么是根据缺陷频率图确定。无论前者还是后者，都十分依赖于合格样本模型的质量，若合格样本模型的训练样本很少，则检测结果容易变差。
现有方案中的评估方法缺少整体考虑，评估方法过于简单，难以从整体上评估样本的质量，而且难以确定评估阈值，因此，需要更多的训练样本才能得到可靠的检测结果。
发明内容
本发明的目的是提供一种基于学习机制的IC焊点缺陷检测方法，以解决现有方法中难以从整体上评估样本质量、难以确定评估阈值的技术问题。
本发明的目的，可以通过如下技术方案实现：
根据多个合格IC焊点样本建立局部统计模型；
采集IC焊点样本的图片，输入到所述局部统计模型中进行对比，得到所述IC焊点样本的潜在缺陷图像作为训练集；其中，所述训练集包括合格样本和不合格样本，所述合格样本为合格IC焊点样本的潜在缺陷图像，所述不合格样本为不合格IC焊点样本的潜在缺陷图像；
利用不同的训练子集对多个分类器分别进行训练；其中，所述训练子集由训练集中所有不合格样本及相同数量的合格样本组成；
利用训练好的多个所述分类器对所述训练集中的每个样本分别进行评估，确定每个所述分类器的权重，计算每个样本的平均不合格概率，从而得到训练集样本的评估阈值；
采集待检测的IC焊点样本图片，利用所述局部统计模型和多个所述分类器得到所述IC焊点样本的平均不合格概率，将所述IC焊点样本的平均不合格概率与所述评估阈值进行对比后获得所述IC焊点样本的检测结果。
可选地，利用所述局部统计模型和多个所述分类器确定所述IC焊点样本的平均不合格概率进一步包括：将所述IC焊点样本图片输入到所述局部统计模型，得到所述IC焊点样本的潜在缺陷图像，利用多个所述分类器对所述潜在缺陷图像进行评估，得到所述IC焊点样本的平均不合格概率。
可选地，将所述IC焊点样本的平均不合格概率与所述评估阈值进行对比后获得所述IC焊点样本的检测结果进一步包括：判断所述IC焊点样本的平均不合格概率是否小于所述评估阈值，若小于，则所述IC焊点样本合格，否则所述IC焊点样本不合格。
可选地，确定每个所述分类器的权重进一步包括，利用下式计算每个所述分类器的权重：
Figure BDA0002534963090000031
其中，wi表示第i个分类器的权重，ei表示第i个分类器的准确率，emax表示分类器中的最高准确率，emin表示分类器中的最低准确率。
可选地，所述分类器为KNN分类器。
可选地，计算每个样本的平均不合格概率进一步包括，利用下式计算每个样本的平均不合格概率：
Figure BDA0002534963090000032
其中，MUPX表示样本X的平均不合格概率，KNNi(X)表示第i个KNN 分类器对样本X的不合格概率，N表示KNN分类器的数量。
可选地，利用下式计算所述评估阈值：
UPT＝αUmin+(1+α)Qmax；
Figure BDA0002534963090000033
其中，α表示训练集中合格样本所占的比重，Umin表示不合格样本中MUP 的最小值，Qmax代表合格样本中MUP的最大值，Q表示合格样本，U表示不合格样本，num({Q})表示训练集中合格样本的数量，num({Q}+{U})表示训练集中样本的数量。
可选地，根据多个合格IC焊点样本建立局部统计模型进一步包括：建立局部统计模型，利用第一个合格IC焊点样本对所述局部统计模型进行初始化，根据后续的合格IC焊点样本更新所述局部统计模型。
可选地，所述局部统计模型为VIBE模型。
可选地，所述训练子集由训练集中所有不合格样本及相同数量的合格样本组成进一步包括：所述合格样本是随机选取的。
本发明提供了一种基于学***均不合格概率，从而得到训练集样本的评估阈值；采集待检测的IC焊点样本图片，利用所述局部统计模型和多个所述分类器得到所述IC焊点样本的平均不合格概率，将所述IC焊点样本的平均不合格概率与所述评估阈值进行对比后获得所述IC焊点样本的检测结果。
本发明提供的基于学习机制的IC焊点缺陷检测方法，带来的有益效果是：
(1)基于从局部统计建模到全局评估检测的机制，不仅可以很好地抓住训练集样本中的特征信息，而且还能揭示训练集样本之间的关系，全局评估出IC焊点样本的质量，因此，该方法能够在训练样本数量不足且不平衡的情况下完成IC焊点样本的检测任务。
(2)通过自适应的方式设置分类器的权重，自适应权重能提高检测效果好的分类器的影响力，减少检测效果差的分类器对全局评估的影响，从而够提高整个检测方案的鲁棒性，也提高了检测的准确率。
(3)通过自适应的方式设置评估阈值，由于加入了不合格样本到训练集，可以同时考虑合格样本的界限和不合格样本的界限，使得评价更加合理。同时，根据训练集中合格样本所占的比重，调节合格样本界限与不合格样本界限在评估阈值中的占比，评估阈值随着训练集中合格样本与不合格样本的组成比例进行改变，使评估结果更加合理。
附图说明
图1为本发明一种基于学习的IC焊点缺陷检测方法的检测流程示意图。
具体实施方式
本发明实施例提供了一种基于学习机制的IC焊点缺陷检测方法，以解决现有方法中难以从整体上评估样本质量、难以确定评估阈值的技术问题。
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明实施例提供了一种基于学习机制的IC焊点缺陷检测方法，包括以下步骤：
根据多个合格IC焊点样本建立局部统计模型；
采集IC焊点样本的图片，输入到所述局部统计模型中进行对比，得到所述IC焊点样本的潜在缺陷图像作为训练集；其中，所述训练集包括合格样本和不合格样本，所述合格样本为合格IC焊点样本的潜在缺陷图像，所述不合格样本为不合格IC焊点样本的潜在缺陷图像；
利用不同的训练子集对多个分类器分别进行训练；其中，所述训练子集由训练集中所有不合格样本及相同数量的合格样本组成；
利用训练好的多个所述分类器对所述训练集中的每个样本分别进行评估，确定每个所述分类器的权重，计算每个样本的平均不合格概率，从而得到训练集样本的评估阈值；
采集待检测的IC焊点样本图片，利用所述局部统计模型和多个所述分类器得到所述IC焊点样本的平均不合格概率，将所述IC焊点样本的平均不合格概率与所述评估阈值进行对比后获得所述IC焊点样本的检测结果。
本发明实施例的检测流程由图1所示，请参阅图1，本发明实施例提供了一种基于学习机制的IC焊点缺陷检测方法，基于从局部到全局的检测机制，首先通过局部统计模型检测出IC焊点样本中潜在的缺陷像素点，然后通过多个KNN分类器来评估IC焊点样本的质量。基于这种机制，本发明实施例提供的方法，不仅能够掌握IC焊点样本局部的特征信息，对IC焊点样本的检测不放过任何细节，而且还能把握IC焊点样本之间的关系，整体地评估出IC 焊点样本的质量。
本发明实施例提供的基于学习机制的IC焊点缺陷检测方法，主要由两个部分组成：(1)局部统计建模；(2)基于集成学习的全局评估模型。
本发明实施例通过对一系列合格的IC焊点样本进行建模，得到局部统计模型，由于用于训练局部统计模型的IC焊点样本都是合格的IC焊点样本，由此得到的统计模型是合格样本模式。将检测到的IC焊点样本输入到局部统计模型中，通过与局部统计模型对比，得到IC焊点样本的潜在缺陷图像 (Potential Defect Image,PDI)。
在基于集成学***衡的不合格和合格样本构成。不平衡的样本会导致分类结果偏向于数量多的那一类，平衡的训练集才能使得KNN分类器很好地被训练。训练好的KNN分类器可用于对IC焊点样本进行检测。
在基于集成学***均得到的得分，得到所输入的IC焊点样本的平均不合格概率(Mean Unqualified Probability，MUP)，将MUP与训练集的评估阈值进行对比，大于评估阈值的则为不合格IC焊点样本，反之则为合格IC焊点样本。
值得注意的是，这里的评估阈值是根据训练集中不合格样本和合格样本的界限确定(不合格的最小值，合格的最大值)。
本发明实施例中，局部统计建模的过程如下：
局部统计模型根据输入一系列的合格IC焊点样本建立的，本发明实施例采用VIBE模型进行建模：首先，根据第一个输入的合格IC焊点样本对局部统计模型进行初始化；然后，根据后续输入的合格IC焊点样本，持续更新模型。采用VIBE模型是因为VIBE建模速度快，精确率高。由于局部模型处理后，会经过全局评估，所以对局部模型的要求并不高，基于VIBE模型的局部统计模型就足够了。
初始化局部统计模型：从一个用于训练的合格样本中，提取出六个与合格IC焊点样本同样大小的模板，其中每个模板的像素点都是从该合格IC焊点样本中对应位置的像素点或者其邻域像素点中随机选取的。
模板的数量是一个参数，根据实验经验进行确定。模板提取时，从第一个合格IC焊点样本中提取，从每个像素点或者其邻域中选取像素点，并赋值给模板中对应位置的像素点，提取出的模板也是图像，其大小与合格IC焊点样本相同。
模型更新：当输入的合格IC焊点样本中的某个像素点匹配足够多的模板时，则该像素点是合格像素点，随机选择该像素点或者其邻域像素点，用来更新一个模板中对应位置的像素点或者其邻居像素点；若该像素点不是合格像素点，则用该像素点更新一个不匹配模板中对应位置的像素点。
值得注意的是，这里匹配的模板数量也是一个参数，具体根据经验来设置，若某个像素点匹配了6个模板中的2个模板，可以认为该像素点匹配了足够多的模板。
匹配策略：以输入的IC焊点样本的某个像素点的像素值x为例，以这个像素点的像素值作为中心，R为范围，范围可以根据经验和实验设置的，例如取R＝30。若某个模板对应位置的像素点在这个范围内，则认为该模板与该像素点匹配。当匹配的模板数量到达匹配阈值时，则认为这个像素点与局部统计模型匹配，并且认为该像素点是合格像素点。输入IC焊点样本与局部统计模型进行对比后，可以得到一个二值图，称为IC焊点样本的潜在缺陷图像 (PDI)，其中，合格像素点的像素值为0，不合格像素点的像素值为1。
例如，一个灰度像素点的像素值为10，R＝5，若模板对应位置的像素点的像素值分别为1，10，15，20，25，30，则10，15的模板与该像素点匹配，则可认为该像素点为合格像素点。
本发明实施例中，基于集成学习的全局评估的过程如下：
在全局评估阶段，用于对分类器进行训练或者检测的，都是经过与局部统计模型对比得到的IC焊点样本的PDI图，IC焊点样本的PDI图是中包含的是利用局部统计模型对IC焊点样本图片中的像素点进行检测的结果，即是对IC焊点样本细节特征进行处理的结果。
首先，将IC焊点样本图片输入到局部统计模型，得到IC焊点样本的PDI 图片作为训练集，训练集中包括合格IC焊点样本的PDI图(称为合格样本) 和不合格IC焊点样本的PDI图(称为不合格样本)，通过下采样得到由多个合格样本与不合格样本组成的平衡的训练子集；然后，利用各个训练子集对 KNN分类器进行训练，对训练得到的KNN分类器在整个训练集中进行验证，并计算出每个KNN分类器的权重；最后，计算出训练集中每个样本的MUP，以此求出训练集的评估阈值。
下采样：由于训练集中不合格样本的数量远小于合格样本的数量，使用这种训练集对KNN分类器进行训练，会导致检测结果偏向于合格样本，不合格样本难以被检测到。因此，从训练集中随机选取合格样本，与不合格样本组成平衡训练子集，得到的每个平衡训练子集可能都不相同，在每个平衡训练子集中，合格样本的数量与不合格样本的数量是相同的。
训练KNN分类器：利用下采样过程中得到的平衡训练子集，分别对每个 KNN分类器进行训练，由此得到的每个KNN分类器是不同的。利用下采样过程中得到的平衡训练子集训练出来的KNN分类器，能够很好地甄别出不合格样本，从而解决样本不平衡问题。
自适应地确定每个KNN分类器的权重：由于每个KNN分类器是不同的，需要对它们的检测效果进行评估，对于检测能力较好的KNN分类器，赋予相对较高的权重，对于检测能力较差的KNN分类器，赋予较低的权重。通过这种方式，对IC焊点样本的评估更加合理，更具有鲁棒性。利用训练好的KNN 分类器对整个训练集中的每个样本做一次评估，统计评估的正确率。根据公式(1)计算每个KNN分类器的权重：
Figure BDA0002534963090000081
其中，wi表示第i个KNN分类器的权重，ei代表第i个KNN分类器的准确率，emax代表KNN分类器中的最高准确率，emin代表KNN分类器中的最低准确率。
通过自适应地确定每个KNN分类器的权重，对于检测能力较好的KNN 分类器，赋予相对较高的权重，对检测能力较差的KNN分类器赋予较低的权重，以此来降低对IC焊点样本准确度评估的不良影响。
全局评估：利用多个KNN分类器对训练集中的每个样本进行检测后，可根据公式(2)计算得到每个样本的平均不合格概率(MUP)：
Figure BDA0002534963090000091
其中，MUPX表示样本X的平均不合格概率，KNNi(X)表示第i个KNN 分类器对样本X的检测结果，N表示KNN分类器的数量。
评估阈值：对训练集中的每个样品进行评估，根据公式(3)计算出训练集的不合格概率阈值(Unqualified Probability Threshold，UPT)，即为评估阈值：
UPT＝αUmin+(1-α)Qmax；(3)
Figure BDA0002534963090000092
其中，α表示训练集中合格样本所占的比重，利用公式(4)计算，Umin表示不合格样本中MUP的最小值，Qmax代表合格样本中MUP的最大值，以此可以综合考虑合格样本与不合格样本的界限，使得评估阈值更具鲁棒性。
公式(4)中的Q表示合格样本，U表示不合格样本，num({Q})表示训练集中合格样本的数量，num({Q}+{U})表示训练集中样本的数量。根据训练集中合格样本所占的比重α，调节合格样本界限与不合格样本界限在评估阈值中的占比，评估阈值随着训练集中合格样本与不合格样本的组成比例进行改变，使评估结果更加合理。
本发明实施例提供的基于学***衡的情况下完成IC焊点样本的检测任务。
本发明实施例中，通过自适应的方式设置KNN分类器的权重，自适应权重能提高检测效果好的KNN分类器的影响力，减少检测效果差的KNN分类器对全局评估的影响，从而够提高整个检测方案的鲁棒性，也提高了检测的准确率。
本发明实施例中，通过自适应的方式设置评估阈值，由于加入了不合格样本到训练集，本发明实施例中的评估阈值可以同时考虑合格样本的界限和不合格样本的界限，使得评价更加合理。同时，根据训练集中合格样本所占的比重，调节合格样本界限与不合格样本界限在评估阈值中的占比，评估阈值随着训练集中合格样本与不合格样本的组成比例进行改变，使评估结果更加合理。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，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，所述单元的划分，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，例如多个单元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，装置或单元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单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元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单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于学习机制的IC焊点缺陷检测方法，其特征在于，包括以下步骤：
根据多个合格IC焊点样本建立局部统计模型；
采集IC焊点样本的图片，输入到所述局部统计模型中进行对比，得到所述IC焊点样本的潜在缺陷图像作为训练集；其中，所述训练集包括合格样本和不合格样本，所述合格样本为合格IC焊点样本的潜在缺陷图像，所述不合格样本为不合格IC焊点样本的潜在缺陷图像；
利用不同的训练子集对多个分类器分别进行训练；其中，所述训练子集由训练集中所有不合格样本及相同数量的合格样本组成；
利用训练好的多个所述分类器对所述训练集中的每个样本分别进行评估，确定每个所述分类器的权重，计算每个样本的平均不合格概率，从而得到训练集样本的评估阈值；
采集待检测的IC焊点样本图片，利用所述局部统计模型和多个所述分类器得到所述IC焊点样本的平均不合格概率，将所述IC焊点样本的平均不合格概率与所述评估阈值进行对比后获得所述IC焊点样本的检测结果。
2.根据权利要求1所述的基于学***均不合格概率进一步包括：将所述IC焊点样本图片输入到所述局部统计模型，得到所述IC焊点样本的潜在缺陷图像，利用多个所述分类器对所述潜在缺陷图像进行评估，得到所述IC焊点样本的平均不合格概率。
3.根据权利要求2所述的基于学***均不合格概率与所述评估阈值进行对比后获得所述IC焊点样本的检测结果进一步包括：判断所述IC焊点样本的平均不合格概率是否小于所述评估阈值，若小于，则所述IC焊点样本合格，否则所述IC焊点样本不合格。
4.根据权利要求1或3所述的基于学习机制的IC焊点缺陷检测方法，其特征在于，确定每个所述分类器的权重进一步包括，利用下式计算每个所述分类器的权重：
Figure FDA0002534963080000011
其中，wi表示第i个分类器的权重，ei表示第i个分类器的准确率，emax表示分类器中的最高准确率，emin表示分类器中的最低准确率。
5.根据权利要求4所述的基于学习机制的IC焊点缺陷检测方法，其特征在于，所述分类器为KNN分类器。
6.根据权利要求5所述的基于学***均不合格概率进一步包括，利用下式计算每个样本的平均不合格概率：
Figure FDA0002534963080000021
其中，MUPX表示样本X的平均不合格概率，KNNi(X)表示第i个KNN分类器对样本X的不合格概率，N表示KNN分类器的数量。
7.根据权利要求6所述的基于学习机制的IC焊点缺陷检测方法，其特征在于，利用下式计算所述评估阈值：
UPT＝αUmin+(1-α)Qmax；
Figure FDA0002534963080000022
其中，α表示训练集中合格样本所占的比重，Umin表示不合格样本中MUP的最小值，Qmax代表合格样本中MUP的最大值，Q表示合格样本，U表示不合格样本，num({Q})表示训练集中合格样本的数量，num({Q}+{U})表示训练集中样本的数量。
8.根据权利要求1所述的基于学习机制的IC焊点缺陷检测方法，其特征在于，根据多个合格IC焊点样本建立局部统计模型进一步包括：建立局部统计模型，利用第一个合格IC焊点样本对所述局部统计模型进行初始化，根据后续的合格IC焊点样本更新所述局部统计模型。
9.根据权利要求8所述的基于学习机制的IC焊点缺陷检测方法，其特征在于，所述局部统计模型为VIBE模型。
10.根据权利要求1所述的基于学习机制的IC焊点缺陷检测方法，其特征在于，所述训练子集由训练集中所有不合格样本及相同数量的合格样本组成进一步包括：所述合格样本是随机选取的。
CN202010529781.9A 2020-06-11 2020-06-11 一种基于学习机制的ic焊点缺陷检测方法 Active CN111681235B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010529781.9A CN111681235B (zh) 2020-06-11 2020-06-11 一种基于学习机制的ic焊点缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010529781.9A CN111681235B (zh) 2020-06-11 2020-06-11 一种基于学习机制的ic焊点缺陷检测方法

Publications (2)

Publication Number Publication Date
CN111681235A true CN111681235A (zh) 2020-09-18
CN111681235B CN111681235B (zh) 2023-05-09

Family

ID=72454550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010529781.9A Active CN111681235B (zh) 2020-06-11 2020-06-11 一种基于学习机制的ic焊点缺陷检测方法

Country Status (1)

Country Link
CN (1) CN111681235B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255778A (zh) * 2021-05-28 2021-08-13 广汽本田汽车有限公司 基于多模型融合的焊点质量检测方法、装置及存储介质
CN113313704A (zh) * 2021-06-18 2021-08-27 广东工业大学 一种集成电路引脚检测方法、装置、终端及存储介质
CN113378957A (zh) * 2021-06-23 2021-09-10 广东工业大学 一种自适应统计模型训练方法、焊点缺陷检测方法及***
CN115017862A (zh) * 2022-07-01 2022-09-06 广东赛昉科技有限公司 一种集成电路图像匹配方法及***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104867145A (zh) * 2015-05-15 2015-08-26 广东工业大学 基于vibe模型的ic元件焊点缺陷检测方法
CN107123117A (zh) * 2017-04-26 2017-09-01 广东工业大学 一种基于深度学习的ic引脚焊点质量检测方法及装置
CN109014544A (zh) * 2018-08-17 2018-12-18 龙岩学院 微型电阻点焊质量在线监测方法
CN109615609A (zh) * 2018-11-15 2019-04-12 北京航天自动控制研究所 一种基于深度学习的焊点瑕疵检测方法
CN111145175A (zh) * 2020-01-10 2020-05-12 惠州光弘科技股份有限公司 一种基于iForest模型验证的SMT焊点缺陷检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104867145A (zh) * 2015-05-15 2015-08-26 广东工业大学 基于vibe模型的ic元件焊点缺陷检测方法
CN107123117A (zh) * 2017-04-26 2017-09-01 广东工业大学 一种基于深度学习的ic引脚焊点质量检测方法及装置
CN109014544A (zh) * 2018-08-17 2018-12-18 龙岩学院 微型电阻点焊质量在线监测方法
CN109615609A (zh) * 2018-11-15 2019-04-12 北京航天自动控制研究所 一种基于深度学习的焊点瑕疵检测方法
CN111145175A (zh) * 2020-01-10 2020-05-12 惠州光弘科技股份有限公司 一种基于iForest模型验证的SMT焊点缺陷检测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255778A (zh) * 2021-05-28 2021-08-13 广汽本田汽车有限公司 基于多模型融合的焊点质量检测方法、装置及存储介质
CN113313704A (zh) * 2021-06-18 2021-08-27 广东工业大学 一种集成电路引脚检测方法、装置、终端及存储介质
CN113378957A (zh) * 2021-06-23 2021-09-10 广东工业大学 一种自适应统计模型训练方法、焊点缺陷检测方法及***
CN115017862A (zh) * 2022-07-01 2022-09-06 广东赛昉科技有限公司 一种集成电路图像匹配方法及***

Also Published As

Publication number Publication date
CN111681235B (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
CN111681235A (zh) 一种基于学习机制的ic焊点缺陷检测方法
CN111145175B (zh) 一种基于iForest模型验证的SMT焊点缺陷检测方法
CN111899241B (zh) 一种定量化的炉前pcb贴片缺陷在线检测方法及***
CN104867144B (zh) 基于混合高斯模型的ic元件焊点缺陷检测方法
CN108827969A (zh) 金属零件表面缺陷检测与识别方法及装置
CN114926463A (zh) 一种适用于芯片电路板的生产质量检测方法
CN109918523B (zh) 一种基于yolo9000算法的电路板元器件检测方法
CN110415214A (zh) 摄像头模组的外观检测方法、装置、电子设备及存储介质
CN113628179B (zh) 一种pcb表面缺陷实时检测方法、装置及可读介质
TWI765442B (zh) 瑕疵等級判定的方法及存儲介質
CN113971654A (zh) 焊点检测模型训练方法、焊点检测方法及焊点检测装置
US20200090319A1 (en) Machine learning method implemented in aoi device
CN115294114A (zh) 一种基于ecu电路焊接的质量检测方法
CN115439411A (zh) 电路板元器件极性的检测方法、装置、介质和电子设备
CN116228741A (zh) 一种pcba元器件缺陷检测方法及装置
CN114092448B (zh) 一种基于深度学习的插件电解电容混合检测方法
CN111882547A (zh) 一种基于神经网络的pcb漏件检测方法
CN113674260A (zh) 一种smt焊点缺陷检测方法
CN114387230A (zh) 一种基于重验证检测的pcb板缺陷检测方法
CN112308816B (zh) 影像辨识装置、影像辨识方法及其存储介质
CN113313704B (zh) 一种集成电路引脚检测方法、装置、终端及存储介质
CN117007600A (zh) 缺陷检测方法、装置、设备及计算机可读存储介质
CN116993654B (zh) 摄像头模组缺陷检测方法、装置、设备、存储介质及产品
JP4814116B2 (ja) 実装基板外観検査方法
TW202113599A (zh) 依據標準值建立檢測模型以確認焊接狀態之系統及方法

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