CN112557416A - 使用深度学习模型检测焊点是否桥接的***及方法 - Google Patents
使用深度学习模型检测焊点是否桥接的***及方法 Download PDFInfo
- Publication number
- CN112557416A CN112557416A CN201910847918.2A CN201910847918A CN112557416A CN 112557416 A CN112557416 A CN 112557416A CN 201910847918 A CN201910847918 A CN 201910847918A CN 112557416 A CN112557416 A CN 112557416A
- Authority
- CN
- China
- Prior art keywords
- detection
- model
- image
- welding
- 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
Images
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
- G01N21/956—Inspecting patterns on the surface of objects
-
- 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
- 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
- G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
-
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- 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
- G01N2021/95661—Inspecting patterns on the surface of objects for PCB's for leads, e.g. position, curvature
- G01N2021/95669—Inspecting patterns on the surface of objects for PCB's for leads, e.g. position, curvature for solder coating, coverage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—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]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Geometry (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Electric Connection Of Electric Components To Printed Circuits (AREA)
Abstract
本发明涉及一种使用深度学习模型检测焊点是否桥接的***及方法,其通过在锡膏厚度测试设备产生焊盘的检测结果后,使用检测模型分析与检测结果表示焊接不良的焊点对应的检测图像;当检测图像中存在桥接时,显示检测图像以提供复判的技术手段,可以达成减少误判桥接的焊点数量以缩短人工复判所需时间的技术功效。
Description
技术领域
本发明涉及一种焊点桥接检测***及其方法,特别涉及一种使用深度学习模型检测焊点是否桥接的***及方法。
背景技术
锡膏厚度测试(Solder Paste Inspection,SPI)设备可以利用光学原理,把在印刷电路板(Printed circuit Board,PCB)上的锡膏高度计算出来的一种检测设备。锡膏厚度测试设备可以检测每个焊点的体积、面积、高度、X偏移和Y偏移等五项指标数据,并使用所检测出的指标数据来判断焊点是否有焊接不良。
虽然大部分焊接不良的情况可以由锡膏厚度测试设备所检测出的指标数据判断出来,但仅使用锡膏厚度测试设备所检测出的五项指标数据并无法有效判断桥接的情况,导致锡膏厚度测试设备经常将焊点没有桥接误判为有桥接,无谓的增加了进行复判的人员的工作量。
综上所述,可知现有技术中长期以来一直存在锡膏厚度测试设备的检测结果中经常对桥接误判的问题,因此有必要提出改进的技术手段,来解决此问题。
发明内容
有鉴于现有技术存在锡膏厚度测试设备的检测结果中经常对桥接误判的问题,本发明遂说明一种使用深度学习模型检测焊点是否桥接的***及方法,其中:
本发明所说明的使用深度学习模型检测焊点是否桥接的***,至少包含:模型建立模块,用以建立检测模型;结果取得模块,用以取得锡膏厚度测试设备(Solder PasteInspection,SPI)检测焊盘(land/pad)所产生的检测结果,焊盘包含多个焊点,检测结果包含与表示焊接不良的焊点对应的检测图像;图像分析模块,用以使用检测模型分析与焊接不良的焊点对应的检测图像,并产生分析结果;输出模块,用以于分析结果表示检测图像中存在桥接(bridge)时,显示检测图像。
本发明所说明的使用深度学习模型检测焊点是否桥接的方法,其步骤至少包括:建立检测模型;提供焊盘,焊盘包含多个焊点;取得锡膏厚度测试设备检测焊盘所产生的检测结果,检测结果包含与焊接不良的焊点对应的检测图像;使用检测模型分析与焊接不良的焊点对应的检测图像,并产生分析结果;当分析结果表示检测图像中存在桥接时,显示检测图像。
本发明所说明的***与方法如上,与现有技术之间的差异在于本发明通过在锡膏厚度测试设备产生焊盘的检测结果后,使用检测模型分析与检测结果表示焊接不良的焊点对应的检测图像;当检测图像中存在桥接时,显示检测图像以提供复判,借以解决现有技术所存在的问题,并可以达成减少人工复判的焊点数量以缩短人工复判所需时间的技术功效。
附图说明
图1为本发明所提出的使用深度学习模型检测焊点是否桥接的***架构图。
图2A为本发明所提出的使用深度学习模型检测焊点是否桥接的方法流程图。
图2B为本发明所提出的调整深度学习模型的附加方法流程图。
【附图标记列表】
100 计算设备
110 模型建立模块
120 结果取得模块
130 图像分析模块
140 输出模块
150 设定模块
400 锡膏厚度测试设备
具体实施方式
以下将配合图式及实施例来详细说明本发明的特征与实施方式,内容足以使任何本领域技术人员能够轻易地充分理解本发明解决技术问题所应用的技术手段并据以实施,借此实现本发明可达成的功效。
本发明可以针对锡膏厚度测试设备(Solder Paste Inspection,SPI)所判断出之焊接不良的焊点进一步的检测,借以减少锡膏厚度测试设备对桥接(bridge)的误判。本发明所提的桥接是指两个或两个以上的焊点通过锡膏而连接,导致印刷电路板无法正常运作的情况。
以下先以图1本发明所提的使用深度学习模型检测焊点是否桥接的***架构图来说明本发明的***操作。如图1所示,本发明的***含有模型建立模块110、结果取得模块120、图像分析模块130、输出模块140,以及可附加的设定模块150。其中,本发明的***可以应用于计算设备100中。
模型建立模块110负责建立检测模型。在本发明中,模型建立模块110通常是使用足够数量的图像来训练能够进行图像辨识的深度学习演算法以建立检测模型。其中,模型建立模块110建立检测模型所使用的图像中,包含多个包含与其他焊点桥接的某个焊点周围的图像,也包含多个没有发生桥接的某个焊点周围的图像。
一般而言,模型建立模块110建立检测模型的深度学习演算法可以是Faster R-CNN演算法,但本发明并不以此为限,例如,也可能是Fast RCNN、YOLO等演算法。
结果取得模块120负责取得锡膏厚度测试设备400检测焊盘(land/pad)所产生的检测结果。一般而言,锡膏厚度测试设备400所检测的焊盘包含多个焊点,锡膏厚度测试设备400可以以现有方式检测每个焊点的体积、面积、高度、X偏移和Y偏移等指标数据,并依据每个焊点被检测后所取得的指标数据判断焊点是否焊接不良,以及可以在判断焊点焊接不良时,获取焊接不良的焊点周围一定范围内的图像作为与焊接不良的焊点对应的检测图像,并将所获取的图像加入检测结果中。
结果取得模块120所取得的检测结果可以包含被检测的焊盘上所有焊点是否焊接不良的相关消息,也可以只包含表示焊接不良的每一个焊点的相关消息。上述的焊点的相关消息包含但不限于焊点的位置信息、焊点是否焊接不良、与焊点对应的检测图像等。其中,焊点的位置信息可以表示出焊点在焊盘上的位置的数据或消息,包含但不限于焊点在焊盘上的座标、焊点在焊盘上的编号或是识别数据等。
结果取得模块120可以持续监控目标目录,并在侦测到目标目录中新增记录检测结果的文件时,由新增至目标目录的文件中读取检测结果;结果取得模块120也可以提供使用者选择目标目录中的文件,并由被选择的文件中读取检测结果。其中,上述的目标目录可以是在计算设备100中,也可以是在其他设备上,本发明没有特别的限制。当目标目录在其他设备上时,结果取得模块120可以通过有线或无线网络连线到其他设备以监控目标目录。但结果取得模块120取得检测结果的方式并不以上述为限。
图像分析模块130负责使用模型建立模块110所建立的检测模型分析结果取得模块120所取得的检测结果中所包含的检测图像,并由检测模型产生相对应的分析结果。图像分析模块130可以将结果取得模块120所取得的检测图像作为输入数据提供给检测模型,使得检测模型对被输入的检测模型进行分析而输出相对应的分析结果。检测模型所产生的分析结果可以表示检测图像中是否存在桥接,一般而言,检测模型可以在分析结果中以文字描述或符号表示检测图像中是否存在桥接。在部分的实施例中,图像分析模块130还可以在分析结果表示检测图像中存在桥接时,将检测图像所包含的焊点的全部或部分相关消息加入分析结果中,或是一律在分析结果中加入检测图像所包含的焊点的全部或部分相关消息。
输出模块140负责在图像分析模块130所产生的分析结果表示检测图像中存在桥接时,显示表示存在桥接的检测图像,使得使用者可以依据输出模块140所显示的检测图像判断被显示的检测图像中的焊点是否确实发生桥接。
在部分的实施例中,输出模块140也可以依据结果取得模块120所取得的检测结果或图像分析模块130所产生的分析结果中的焊点的相关信息,输出与发生桥接的焊点对应的位置信息,例如,发生桥接的焊点在焊盘或印刷电路板上的座标或编号等,但本发明并不以此为限。
设定模块150可以设定与显示模块140所显示的检测图像对应的确认数据。设定模块150所设定的确认数据可以表示检测图像中是否确实有桥接存在,一般而言,设定模块150可以提供使用者界面给使用者,借以依据的操作设定确认数据。
设定模块150也可以将所设定的确认数据以及相对应的检测图像提供给模型建立模块110,使得模型建立模块110可以依据设定模块150所设定的确认数据及相对应的检测图像进一步训练检测模型,借以让检测模型的判断更精确。
接着以一个实施例来解说本发明的操作***与方法,并请参照图2A本发明所提的使用深度学习模型检测焊点是否桥接的方法流程图。
当使用者欲使用本发明时,模型建立模块110可以先建立检测模型(步骤210)。在本实施例中,假设模型建立模块110使用Faster R-CNN演算法,使用者可以将过去检测的印刷电路板上的焊点的周围的影像作为输入,训练模型建立模块110所使用的Faster R-CNN演算法,借以产生检测模型。
在模型建立模块110建立检测模型(步骤210)后,结果取得模块120可以取得锡膏厚度测试设备400检测焊盘所产生的检测结果(步骤240)。在本实施例中,若本发明应用在锡膏厚度测试设备400储存检测结果的服务器上,则结果取得模块120可以直接监控锡膏厚度测试设备400储存检测结果的目录(也就是本发明所提出的目标目录),并在目录中有新的文件产生时,由被产生的新文件中读取检测结果;而若本发明应用在与锡膏厚度测试设备400储存检测结果的服务器连接的客户端上,则结果取得模块120可以通过网络连线到服务器,并监控目标目录,以及在目标目录中有新的文件产生时,由被产生的新文件中读取检测结果。
需要说明的是,一般而言,模型建立模块110可以先建立检测模型(步骤210),接着,使用者可以提供包含多个焊点的焊盘(步骤220),并使用锡膏厚度测试设备400检测焊盘以产生检测结果,使得结果取得模块120可以取得检测结果(步骤240),但实际操作中,本发明并没有这样的限制,也就是说,使用者可以先提供焊盘(步骤220)并使用锡膏厚度测试设备400检测焊盘以产生检测结果,使得结果取得模块120可以先取得检测结果(步骤240),之后,模型建立模块110才建立检测模型(步骤210)。
在模型建立模块110建立检测模型(步骤210)且结果取得模块120取得检测结果(步骤240)后,图像分析模块130可以使用模型建立模块110所建立的检测模型分析结果取得模块120所取得的检测图像,并产生相对应的分析结果(步骤250)。在本实施例中,假设锡膏厚度测试设备400所产生的检测结果中,只包含被判断为焊接不良的焊点的位置信息以及该焊点周围一定范围的图像(也就是本发明所提的检测图像),图像分析模块130可以将检测结果所包含的检测图像作为输入提供给检测模型,使得检测模型对检测图像进行分析并输出分析结果。
在图像分析模块130产生检测图像的分析结果(步骤250)后,图像分析模块130可以判断分析结果是否表示检测图像中包含桥接(步骤260)。若否,则本发明可以略过被判断为没有包含桥接的检测图像;而若分析结果表示检测图像中包含桥接,则显示模块140可以显示表示包含桥接的检测图像(步骤270),借以提供使用者依据所显示的检测图像复判检测图像中是否真的存在桥接。
如此,通过本发明,可以降低焊点被误判为发生桥接的机率,减少使用者复判的数量。
上述的实施例中,若计算设备100还包含设定模块150,则可以如图2B的流程所示,在显示模块140显示表示包含桥接的检测图像(步骤270)后,设定模块150可以设定与显示模块140所显示的检测图像对应的确认数据(步骤280)。例如,设定模块150可以提供使用者选择是否确实存在桥接,并可以依据使用者的选择产生相对应的确认数据。
在设定模块150设定与检测图像对应的确认数据(步骤280)后,可以将所设定的确认数据以及与确认数据对应的检测图像提供模型建立模块110,使得模型建立模块110进一步使用确认数据与相对应的检测图像训练检测模型(步骤290)。
综上所述,可知本发明与现有技术之间的差异在于具有在锡膏厚度测试设备产生焊盘的检测结果后,使用检测模型分析与检测结果表示焊接不良的焊点对应的检测图像;当检测图像中存在桥接时,显示检测图像以提供复判的技术手段,借由此技术手段可以来解决现有技术所存在锡膏厚度测试设备的检测结果中经常对桥接误判的问题,进而达成减少人工复判的焊点数量以缩短人工复判所需时间的技术功效。
再者,本发明的使用深度学习模型检测焊点是否桥接的方法,可实现于硬件、软件或硬件与软件的组合中,亦可在电脑***中以集中方式实现或以不同元件散布于若干互连的电脑***的分散方式实现。
虽然本发明所说明的实施方式如上,但所述的内容并非用以直接限定本发明的专利保护范围。任何本发明所属技术领域中的技术人员,在不脱离本发明所说明的精神和范围的前提下,可以在实施的形式上及细节上作些许的更动。本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种使用深度学习模型检测焊点是否桥接的方法,该方法至少包含下列步骤:
建立检测模型;
提供焊盘,该焊盘包含多个焊点;
取得锡膏厚度测试设备检测该焊盘所产生的检测结果,该检测结果包含与焊接不良的该焊点对应的检测图像;
使用该检测模型分析与该焊接不良的焊点对应的该检测图像,并产生分析结果;及
当该分析结果表示该检测图像中存在桥接时,显示该检测图像。
2.如权利要求1所述的使用深度学习模型检测焊点是否桥接的方法,其中建立该检测模型的步骤为使用多个包含桥接及不包含桥接的图像对深度学习演算法进行训练以产生该检测模型。
3.如权利要求1所述的使用深度学习模型检测焊点是否桥接的方法,其中取得锡膏厚度测试设备检测该焊盘所产生该检测结果方法还包含持续监控目标目录,当该目标目录中增加记录该检测结果的文件时,由该文件中读取该检测结果的步骤。
4.如权利要求1所述的使用深度学习模型检测焊点是否桥接的方法,其中该方法还包含设定与该检测图像对应的确认数据,并使用该确认数据及该检测图像训练该检测模型的步骤。
5.如权利要求1所述的使用深度学习模型检测焊点是否桥接的方法,其中该方法还包含于该分析结果表示该检测图像中存在桥接时,输出相对应的位置信息的步骤。
6.一种使用深度学习模型检测焊点是否桥接的***,该***至少包含:
模型建立模块,用以建立检测模型;
结果取得模块,用以取得锡膏厚度测试设备检测焊盘所产生的检测结果,该焊盘包含多个焊点,该检测结果包含与表示焊接不良的该焊点对应的检测图像;
图像分析模块,用以使用该检测模型分析与该焊接不良的焊点对应的该检测图像,并产生分析结果;及
输出模块,用以于该分析结果表示该检测图像中存在桥接时,显示该检测图像。
7.如权利要求6所述的使用深度学习模型检测焊点是否桥接的***,其中该模型建立模块是使用多个包含桥接及不包含桥接的图像对深度学习演算法进行训练以产生该检测模型。
8.如权利要求6所述的使用深度学习模型检测焊点是否桥接的***,其中该结果取得模块是持续监控目标目录,并于该目标目录中增加记录该检测结果的文件时,由该文件中读取该检测结果。
9.如权利要求6所述的使用深度学习模型检测焊点是否桥接的***,其中该***还包含设定模块,用以设定与该检测图像对应的确认数据,该模型建立模块还用以使用该确认数据及该检测图像训练该检测模型。
10.如权利要求6所述的使用深度学习模型检测焊点是否桥接的***,其中该输出模块更用以输出相对应的位置信息。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910847918.2A CN112557416A (zh) | 2019-09-09 | 2019-09-09 | 使用深度学习模型检测焊点是否桥接的***及方法 |
US17/013,657 US20210073968A1 (en) | 2019-09-09 | 2020-09-07 | System and method for detecting whether solder joints are bridged using deep learning model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910847918.2A CN112557416A (zh) | 2019-09-09 | 2019-09-09 | 使用深度学习模型检测焊点是否桥接的***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112557416A true CN112557416A (zh) | 2021-03-26 |
Family
ID=74849719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910847918.2A Pending CN112557416A (zh) | 2019-09-09 | 2019-09-09 | 使用深度学习模型检测焊点是否桥接的***及方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210073968A1 (zh) |
CN (1) | CN112557416A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11379646B1 (en) * | 2020-08-26 | 2022-07-05 | Cadence Design Systems, Inc. | System, method, and computer program product for determining computational requirements of a printed circuit board design |
CN113779886A (zh) * | 2021-09-18 | 2021-12-10 | 天津商科数控技术股份有限公司 | 基于深度学习的焊点质量异常检测方法、装置、*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105606620A (zh) * | 2016-01-29 | 2016-05-25 | 广州立为信息技术服务有限公司 | 一种基于视觉的pcba焊点检测方法和*** |
CN108956653A (zh) * | 2018-05-31 | 2018-12-07 | 广东正业科技股份有限公司 | 一种焊点质量检测方法、***、装置及可读存储介质 |
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 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190084167A (ko) * | 2017-12-21 | 2019-07-16 | 주식회사 고영테크놀러지 | 인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체 |
JP7157948B2 (ja) * | 2018-04-25 | 2022-10-21 | パナソニックIpマネジメント株式会社 | 部品実装ライン、部品実装方法及び品質管理システム |
CN110930347B (zh) * | 2018-09-04 | 2022-12-27 | 京东方科技集团股份有限公司 | 卷积神经网络的训练方法、焊点缺陷的检测方法及装置 |
US11531843B2 (en) * | 2019-01-22 | 2022-12-20 | Koh Young Technology Inc. | Substrate inspection apparatus and method of determining fault type of screen printer |
CN111766253A (zh) * | 2019-03-15 | 2020-10-13 | 鸿富锦精密电子(成都)有限公司 | 锡膏印刷品质检测方法、数据处理装置及计算机存储介质 |
US11222418B2 (en) * | 2019-07-25 | 2022-01-11 | Palo Alto Research Center Incorporated | System and method for automated surface assessment |
-
2019
- 2019-09-09 CN CN201910847918.2A patent/CN112557416A/zh active Pending
-
2020
- 2020-09-07 US US17/013,657 patent/US20210073968A1/en not_active Abandoned
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105606620A (zh) * | 2016-01-29 | 2016-05-25 | 广州立为信息技术服务有限公司 | 一种基于视觉的pcba焊点检测方法和*** |
CN108956653A (zh) * | 2018-05-31 | 2018-12-07 | 广东正业科技股份有限公司 | 一种焊点质量检测方法、***、装置及可读存储介质 |
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 |
Non-Patent Citations (5)
Title |
---|
任斌,程良伦: "基于小波变换和SSVME的PCB产品视觉检测中缺陷分类研究", 《计算机应用与软件》 * |
吴福培等: "基于模式匹配及其参数自适应的PCB焊点检测", 《光学精密工程》 * |
张志能: "基于轮廓测量术的三维锡膏检测设备的研究与分析", 《电子工业专用设备》 * |
朱桂兵编著: "《电子制造设备原理与维护》", 31 December 2011 * |
***: "工业大数据技术综述", 《大数据》 * |
Also Published As
Publication number | Publication date |
---|---|
US20210073968A1 (en) | 2021-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI618940B (zh) | 印刷電路板的盲孔檢測裝置與方法 | |
CN112557416A (zh) | 使用深度学习模型检测焊点是否桥接的***及方法 | |
CN102927903A (zh) | Smt的pcb板的检验方法及装置 | |
TWI695977B (zh) | 使用深度學習模型檢測焊點是否橋接之系統及方法 | |
KR100809531B1 (ko) | 판넬 라인의 실시간 용접 변형 해석 시스템 및 방법 | |
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 | |
CN107315140A (zh) | 一种aoi检测的方法、装置、设备及存储介质 | |
CN108415886A (zh) | 一种基于生产工序的数据标签纠错方法及装置 | |
KR20200006028A (ko) | 인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체 | |
US20140130002A1 (en) | Method and system for using a breadboard | |
TWI732296B (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 | |
JP6644577B2 (ja) | 試験システム | |
KR102059272B1 (ko) | 용접 불량 검출 장치 및 그 방법 | |
CN116738091A (zh) | 页面监控方法、装置、电子设备及存储介质 | |
JP4333349B2 (ja) | 実装外観検査方法及び実装外観検査装置 | |
CN115968189A (zh) | 一种smt贴片生产状况可视化展示方法、设备及介质 | |
JP3309322B2 (ja) | プリント基板検査システム | |
CN114638096A (zh) | 一种程序变量间的逻辑展示方法、装置、设备及存储介质 | |
CN112453750A (zh) | 依据标准值建立检测模型以确认焊接状态的***及方法 | |
JP2005114614A (ja) | 検査信号モニタ機能付き検査装置とリモート検査システム。 | |
US20170309087A1 (en) | Method for Enabling a Trained Professional to Perform a Remote Inspection of a Vehicle | |
WO2022157995A1 (ja) | 検査管理システム、検査管理装置、検査管理方法、及びプログラム | |
JP4723124B2 (ja) | ポジションデータの生成方法 | |
JP3998642B2 (ja) | 印刷はんだ検査サービス方法及び印刷はんだ検査装置 | |
WO2024116675A1 (ja) | 画像処理装置および画像処理方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210326 |
|
WD01 | Invention patent application deemed withdrawn after publication |