CN115060743A - 一种pcb分区分频缺陷监测方法及*** - Google Patents
一种pcb分区分频缺陷监测方法及*** Download PDFInfo
- Publication number
- CN115060743A CN115060743A CN202210963285.3A CN202210963285A CN115060743A CN 115060743 A CN115060743 A CN 115060743A CN 202210963285 A CN202210963285 A CN 202210963285A CN 115060743 A CN115060743 A CN 115060743A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- grids
- grid
- pcb
- importance
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 279
- 230000007547 defect Effects 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005192 partition Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000004907 flux Effects 0.000 claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims description 27
- 150000001875 compounds Chemical class 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013316 zoning Methods 0.000 claims 8
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 29
- 230000006870 function Effects 0.000 description 20
- 238000007689 inspection Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Closed-Circuit Television Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种PCB分区分频缺陷监测方法及***，包括以下步骤：步骤S1、对目标PCB板进行网格化处理得到一组监测网格，并在每个监测网格中心正上方处均设置有微型监测视觉；步骤S2、依次统计每个监测网格中的信号流通量，并基于所述信号流通量量化出每个监测网格的重要度，再利用重要度将监测网格分类为重要网格和普通网格；步骤S3、基于重要度依次设定重要网格和普通网格的监测频率，并将所述监测频率设置为微型监测视觉对局部PCB板图像的获取频率。本发明对目标PCB板进行网格化处理为一组监测网格，并将监测网格按重要度进行分类为重要网格和普通网格，实现利用对重要网格和普通网格进行分频监测来保证目标PCB板缺陷监测的高时效性和低冗余性。
Description
技术领域
本发明涉及PCB生产技术领域，具体涉及一种PCB分区分频缺陷监测方法及***。
背景技术
目前，印刷电路板(PCB)表面缺陷检测主要面临如下挑战和困难：第一，市场上有多种类型的PCB供应，且PCB设计规则各不相同；第二，PCB缺陷类型和功能设计复杂、多样；第三，PCB缺陷检测行业缺乏大量的PCB缺陷样本，导致传统方法中使用的数据不均衡。PCB表面缺陷检测主要包括两部分：焊接接缝缺陷检测和元件检测。传统的人工目视检查方法和基于图像处理的机器视觉检验方法存在精度低、泛化能力不足和稳健性差等问题，并且很难实现与多个PCB表面缺陷检测兼容，已经越来越不能满足工业生产的需求。因此，设计一种配备工业摄像机的高效、准确机器视觉电路板检测***替代人眼检测具有非常重要的现实意义。
近年来，尽管自动光学检验(AOI)***已经取代了大部分的人工检验技术，提高了检验精确度，降低了检验成本，并且具有比人工检验更方便、高效的优势，但其误检率和漏检率仍然过高。而且检测效果容易受到图像照度、遮挡、角度变化等因素的影响。同时，检测算法也存在抗噪性能差、计算时间长、实时检测性能差等问题。实际工业场景中焊接接缝缺陷检测常见的六类缺陷：缺孔、鼠式侵蚀、开路、短路、毛刺、铜渣。
现有技术中的PCB检测都是由针对PCB产品进行，在缺陷检测时均按统一区域和统一频率进行检测，出现缺陷的部分是偶发性事件，每次检测都进行全区域图像缺陷检测，会造成过多的冗余识别。
发明内容
本发明的目的在于提供一种PCB分区分频缺陷监测方法及***，以解决现有技术中缺陷检测时均按统一区域和统一频率进行检测，出现缺陷的部分是偶发性事件，每次检测都进行全区域图像缺陷检测，会造成过多的冗余识别的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种PCB分区分频缺陷监测方法，包括以下步骤：
步骤S1、对目标PCB板进行网格化处理得到一组监测网格，并在每个监测网格中心正上方处均设置有微型监测视觉，所述微型监测视觉用于获取目标PCB板位于监测网格中的局部PCB板图像；
步骤S2、依次统计每个监测网格中的信号流通量，并基于所述信号流通量量化出每个监测网格的重要度，再利用重要度将监测网格分类为重要网格和普通网格；
步骤S3、基于重要度依次设定重要网格和普通网格的监测频率，并将所述监测频率设置为微型监测视觉对局部PCB板图像的获取频率，以实现对目标PCB板进行分区分频的缺陷监测来保证对目标PCB板缺陷监测的高时效性和低冗余性。
作为本发明的一种优选方案，所述对目标PCB板进行网格化处理得到一组监测网格，包括：
设定网格面积期望值，构建微型监测视觉的视野范围与有效像素量的关系函数，并基于网格面积期望值和所述关系函数对一组监测网格进行网格监测有效性的构建，所述网格监测有效性的函数表达式为：
式中，
表征为微型监测视觉在一组监测网格中获取的有效像素和，S表征为目标PCB板的面积，
表征为网格面积期望值，
表征为所述关系函数；
基于网格面积期望值对一组监测网格进行网格监测成本性的构建，所述网格监测成本性的函数表达式为：
式中，
表征为一组监测网格中设置微型监测视觉的总成本，A表征为微型监测视觉的单价成本，
表征为网格面积期望值；
构建网格面积期望值的求解约束条件，所述求解约束条件为：
式中，
、
分别表征为卫星监测视觉的视野范围下限、视野范围上限；
基于所述求解约束条件对网格监测有效性进行最大化和对网格监测成本性进行最小化求解得到网格面积期望值的求解值作为单位网格面积，并依据单位网格面积将目标PCB板均匀分为一组监测网格，以及将微型监测视觉的视野范围调整为
。
作为本发明的一种优选方案，所述构建微型监测视觉的视野范围与有效像素量的关系函数，包括：
依次将微型监测视觉由视野范围下限依次调整值视野范围上限，并在调整中记录出每个视野范围处的有效像素量；
将视野范围和有效像素量带入BP神经网络中训练出表征视野范围和有效像素量映射关系的关系函数，所述关系函数的函数表达式为：
式中，
为有效像素量的标识符，BP为BP神经网络的标识符，H为视野范围的标识符。
作为本发明的一种优选方案，所述依次统计每个监测网格中的信号流通量，包括：
依次统计每个监测网格中的电学芯片，并对电学芯片进行信号权重赋予；
统计每个电学芯片中电学信号流通量，并将所有电学芯片的电学信号流通量进行信号权重的加权求和得到每个监测网格的信号流通量。
作为本发明的一种优选方案，所述基于所述信号流通量量化出每个监测网格的重要度，包括：
对所有监测网格的信号流通量进行归一化计算得到每个监测网格的重要度，所述重要度的计算公式为：
式中，
表征为第k个监测网格的重要度，
表征为第k个监测网格的信号流通量，N表征为监测网格总数量，k为计量常数。
作为本发明的一种优选方案，所述利用重要度将监测网格分类为重要网格和普通网格，包括：
设置重要度阈值，依次将每个监测网格的重要度与重要度阈值进行比较，其中，
若监测网格的重要度高于所述重要度阈值，则将监测网格分类为重要网格；
若监测网格的重要度低于或等于所述重要度阈值，则将监测网格分类为普通网格。
作为本发明的一种优选方案，所述基于重要度依次设定重要网格和普通网格的监测频率，包括：
将重要网格的监测频率设定为：
；
式中，
表征为重要网格的监测频率，
表征为基础监测频率；
将普通网格的监测频率设定为：
；
式中，
表征为普通网格的监测频率，
表征为基础监测频率。
作为本发明的一种优选方案，所述将所述监测频率设置为微型监测视觉对局部PCB板图像的获取频率，包括：
将重要网格的监测频率设定为重要网格处微型监测视觉对位于重要网格处的局部PCB板图像的获取频率，将普通网格的监测频率设定为普通网格处微型监测视觉对位于普通网格处的局部PCB板图像的获取频率。
作为本发明的一种优选方案，所述信号权重赋予的方法包括：
统计电学芯片的芯片引脚数，并将芯片引脚数作为所述电学芯片的信号权重。
作为本发明的一种优选方案，本发明提供了一种根据所述的PCB分区分频缺陷监测方法的监测***，包括：
硬件设定模块，用于对目标PCB板进行网格化处理得到一组监测网格，并在每个监测网格中心正上方处均设置有微型监测视觉；
监测分类模块，用于依次统计每个监测网格中的信号流通量，并基于所述信号流通量量化出每个监测网格的重要度，再利用重要度将监测网格分类为重要网格和普通网格；
频率设定模块，用于基于重要度依次设定重要网格和普通网格的监测频率，并将所述监测频率设置为微型监测视觉对局部PCB板图像的获取频率，以实现对目标PCB板进行分区分频的缺陷监测来保证对目标PCB板缺陷监测的高时效性和低冗余性。
本发明与现有技术相比较具有如下有益效果：
本发明对目标PCB板进行网格化处理为一组监测网格，并将监测网格按重要度进行分类为重要网格和普通网格，基于重要度依次设定重要网格和普通网格的监测频率，实现利用对重要网格和普通网格进行分频监测来保证目标PCB板缺陷监测的高时效性和低冗余性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的PCB分区分频缺陷监测方法流程图；
图2为本发明实施例提供的监测***框图。
图中的标号分别表示如下：
1-硬件设定模块；2-监测分类模块；3-频率设定模块。
具体实施方式
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，而不是全部的实施例。基于本发明中的实施例，本领域普通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。
如图1所示，本发明提供了一种PCB分区分频缺陷监测方法，包括以下步骤：
步骤S1、对目标PCB板进行网格化处理得到一组监测网格，并在每个监测网格中心正上方处均设置有微型监测视觉，微型监测视觉用于获取目标PCB板位于监测网格中的局部PCB板图像；
对目标PCB板进行网格化处理得到一组监测网格，包括：
设定网格面积期望值，构建微型监测视觉的视野范围与有效像素量的关系函数，并基于网格面积期望值和关系函数对一组监测网格进行网格监测有效性的构建，网格监测有效性的函数表达式为：
；
式中，
表征为微型监测视觉在一组监测网格中获取的有效像素和，S表征为目标PCB板的面积，
表征为网格面积期望值，
表征为关系函数；
基于网格面积期望值对一组监测网格进行网格监测成本性的构建，网格监测成本性的函数表达式为：
；
式中，
表征为一组监测网格中设置微型监测视觉的总成本，A表征为微型监测视觉的单价成本，
表征为网格面积期望值；
构建网格面积期望值的求解约束条件，求解约束条件为：
；
式中，
、
分别表征为卫星监测视觉的视野范围下限、视野范围上限；
基于求解约束条件对网格监测有效性进行最大化和对网格监测成本性进行最小化求解得到网格面积期望值的求解值作为单位网格面积，并依据单位网格面积将目标PCB板均匀分为一组监测网格，以及将微型监测视觉的视野范围调整为
。
构建微型监测视觉的视野范围与有效像素量的关系函数，包括：
依次将微型监测视觉由视野范围下限依次调整值视野范围上限，并在调整中记录出每个视野范围处的有效像素量；
将视野范围和有效像素量带入BP神经网络中训练出表征视野范围和有效像素量映射关系的关系函数，关系函数的函数表达式为：
；
式中，
为有效像素量的标识符，BP为BP神经网络的标识符，H为视野范围的标识符。
将整块目标PCB板进行网格化处理得到一组监测网格，对每个监测网格设置单独的微型监测视觉，实现了对目标PCB板的分区监测，分区监测能够更全面的获取每个监测网格内局部PCB板的图像细节，更准确的根据局部PCB板图像识别出目标PCB板出现的缺陷，而且进行分区监测可避免对较为重要的部分进行重点监测，重要性一般的部分进行常规性监测即可，分区监测的灵活性更强。
网格化处理采用对网格监测有效性和对网格监测成本性进行权衡求解，使得求解出的单位网格面积能够达到监测的高有效性和低成本性，实现目标PCB板的网格化处理得到的单位网格面积与微型监测视觉的视野范围的匹配，实现硬件环境适配。
步骤S2、依次统计每个监测网格中的信号流通量，并基于信号流通量量化出每个监测网格的重要度，再利用重要度将监测网格分类为重要网格和普通网格；
依次统计每个监测网格中的信号流通量，包括：
依次统计每个监测网格中的电学芯片，并对电学芯片进行信号权重赋予；
统计每个电学芯片中电学信号流通量，并将所有电学芯片的电学信号流通量进行信号权重的加权求和得到每个监测网格的信号流通量。
信号权重赋予的方法包括：
统计电学芯片的芯片引脚数，并将芯片引脚数作为电学芯片的信号权重，在使用时可以由使用者自行电仪信号权重的赋予方法。
本实施例提供一种监测网格中的信号流通量的统计实例，比如某一监测网格中包含5个电阻，1个32引脚的STM32处理器，3个三脚管，其中，每个电阻的电学信号流通量是仅有1个电流信号流通，则5个电阻的电学信号流通量均为1，假如STM32处理器的输入输出端口使用量为4，控制端口使用量为1，则STM32处理器中点电学信号包含4个输入输出信号，1个电源信号，1个控制信号，则电学信号流通量为6，三脚管的电学信号流通量为3，而且电阻的信号权重为2，STM32处理器的信号权重为32，三脚管的信号权重为3，最终将该监测网格的信号流通量为：5*2*1+1*32*6+3*3*3=229。
基于信号流通量量化出每个监测网格的重要度，包括：
对所有监测网格的信号流通量进行归一化计算得到每个监测网格的重要度，重要度的计算公式为：
；
式中，
表征为第k个监测网格的重要度，
表征为第k个监测网格的信号流通量，N表征为监测网格总数量，k为计量常数。
利用重要度将监测网格分类为重要网格和普通网格，包括：
设置重要度阈值，依次将每个监测网格的重要度与重要度阈值进行比较，其中，
若监测网格的重要度高于重要度阈值，则将监测网格分类为重要网格；
若监测网格的重要度低于或等于重要度阈值，则将监测网格分类为普通网格。
步骤S3、基于重要度依次设定重要网格和普通网格的监测频率，并将监测频率设置为微型监测视觉对局部PCB板图像的获取频率，以实现对目标PCB板进行分区分频的缺陷监测来保证对目标PCB板缺陷监测的高时效性和低冗余性。
基于重要度依次设定重要网格和普通网格的监测频率，包括：
将重要网格的监测频率设定为：
；
式中，
表征为重要网格的监测频率，
表征为基础监测频率；
将普通网格的监测频率设定为：
；
式中，
表征为普通网格的监测频率，
表征为基础监测频率。
将监测频率设置为微型监测视觉对局部PCB板图像的获取频率，包括：
将重要网格的监测频率设定为重要网格处微型监测视觉对位于重要网格处的局部PCB板图像的获取频率，将普通网格的监测频率设定为普通网格处微型监测视觉对位于普通网格处的局部PCB板图像的获取频率，获取频率越高，则获取的局部PCB图像越多。
重要网格的重要度越高，说明该重要网格出现故障缺陷的可能性越高，因此需要将监测频率设定的越高，则能够在故障缺陷发生的瞬间立刻检测出，避免流入后续生产流程，而普通网格的重要度低于重要网格，说明该PCB目标生产线出现故障缺陷的可能性较低，过高的图像获取频率会获得较多的无效监测的局部PBC板图像，因此需要将监测频率设定的低于重要网格，避免了高频监测导致的多组无效检测，即降低了冗余性。
目前主流的缺陷目标检测方法主要以深度学习模型为基础，基于深度学习的缺陷目标检测方法主要分为两类：两阶段目标检测方法和一阶段目标检测方法。两阶段目标检测方法主要分为两个步骤：第一步是从局部PCB板图像中提取建议框，去除一些背景建议框，同时进行位置校正；第二步是对每个建议框进行检验和分类，并对其位置进行校正。因此，基于候选区域的方法也称为两阶段缺陷目标检测方法。典型算法包括R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN等；一阶段缺陷目标检测将这两种过程结合在一起，能更好地满足实时检测要求。在一阶段缺陷目标检测方法中，不再使用建议框进行“粗略检测+细化”，而是采用了“锚点+分类细化”的操作框架，即仅对前馈网络进行一次计算。通过这种方法，检测速度明显得到了提高。典型算法包括SSD、RetinaNet、YOLO等。深度学习方法具有自动化特征提取和端到端控制的优点。但是，由于CNN具有局部功能的特点，现有的深度学习算法已能够满足PCB表面缺陷检测的要求，本实施例对于获取到的局部PBC板图像，进行缺陷目标检测，在此不进行赘述。
如图2所示，基于PCB分区分频缺陷监测方法，本发明提供了一种监测***，包括：
硬件设定模块1，用于对目标PCB板进行网格化处理得到一组监测网格，并在每个监测网格中心正上方处均设置有微型监测视觉；
监测分类模块2，用于依次统计每个监测网格中的信号流通量，并基于信号流通量量化出每个监测网格的重要度，再利用重要度将监测网格分类为重要网格和普通网格；
频率设定模块3，用于基于重要度依次设定重要网格和普通网格的监测频率，并将监测频率设置为微型监测视觉对局部PCB板图像的获取频率，以实现对目标PCB板进行分区分频的缺陷监测来保证对目标PCB板缺陷监测的高时效性和低冗余性。
本发明对目标PCB板进行网格化处理为一组监测网格，并将监测网格按重要度进行分类为重要网格和普通网格，基于重要度依次设定重要网格和普通网格的监测频率，实现利用对重要网格和普通网格进行分频监测来保证目标PCB板缺陷监测的高时效性和低冗余性。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (10)
1.一种PCB分区分频缺陷监测方法，其特征在于，包括以下步骤：
步骤S1、对目标PCB板进行网格化处理得到一组监测网格，并在每个监测网格中心正上方处均设置有微型监测视觉，所述微型监测视觉用于获取目标PCB板位于监测网格中的局部PCB板图像；
步骤S2、依次统计每个监测网格中的信号流通量，并基于所述信号流通量量化出每个监测网格的重要度，再利用重要度将监测网格分类为重要网格和普通网格；
步骤S3、基于重要度依次设定重要网格和普通网格的监测频率，并将所述监测频率设置为微型监测视觉对局部PCB板图像的获取频率，以实现对目标PCB板进行分区分频的缺陷监测来保证对目标PCB板缺陷监测的高时效性和低冗余性。
2.根据权利要求1所述的一种PCB分区分频缺陷监测方法，其特征在于：所述对目标PCB板进行网格化处理得到一组监测网格，包括：
设定网格面积期望值，构建微型监测视觉的视野范围与有效像素量的关系函数，并基于网格面积期望值和所述关系函数对一组监测网格进行网格监测有效性的构建，所述网格监测有效性的函数表达式为：
式中，
表征为微型监测视觉在一组监测网格中获取的有效像素和，
表征为目标PCB板的面积，
表征为网格面积期望值，
表征为所述关系函数；
基于网格面积期望值对一组监测网格进行网格监测成本性的构建，所述网格监测成本性的函数表达式为：
；
式中，
表征为一组监测网格中设置微型监测视觉的总成本，A表征为微型监测视觉的单价成本，
表征为网格面积期望值；
构建网格面积期望值的求解约束条件，所述求解约束条件为：
；
式中，
、
分别表征为卫星监测视觉的视野范围下限、视野范围上限；
基于所述求解约束条件对网格监测有效性进行最大化和对网格监测成本性进行最小化求解得到网格面积期望值的求解值作为单位网格面积，并依据单位网格面积将目标PCB板均匀分为一组监测网格，以及将微型监测视觉的视野范围调整为
。
3.根据权利要求2所述的一种PCB分区分频缺陷监测方法，其特征在于：所述构建微型监测视觉的视野范围与有效像素量的关系函数，包括：
依次将微型监测视觉由视野范围下限依次调整值视野范围上限，并在调整中记录出每个视野范围处的有效像素量；
将视野范围和有效像素量带入BP神经网络中训练出表征视野范围和有效像素量映射关系的关系函数，所述关系函数的函数表达式为：
；
式中，
为有效像素量的标识符，BP为BP神经网络的标识符，H为视野范围的标识符。
4.根据权利要求3所述的一种PCB分区分频缺陷监测方法，其特征在于：所述依次统计每个监测网格中的信号流通量，包括：
依次统计每个监测网格中的电学芯片，并对电学芯片进行信号权重赋予；
统计每个电学芯片中电学信号流通量，并将所有电学芯片的电学信号流通量进行信号权重的加权求和得到每个监测网格的信号流通量。
5.根据权利要求4所述的一种PCB分区分频缺陷监测方法，其特征在于：所述基于所述信号流通量量化出每个监测网格的重要度，包括：
对所有监测网格的信号流通量进行归一化计算得到每个监测网格的重要度，所述重要度的计算公式为：
；
式中，
表征为第k个监测网格的重要度，
表征为第k个监测网格的信号流通量，N表征为监测网格总数量，k为计量常数。
6.根据权利要求5所述的一种PCB分区分频缺陷监测方法，其特征在于：所述利用重要度将监测网格分类为重要网格和普通网格，包括：
设置重要度阈值，依次将每个监测网格的重要度与重要度阈值进行比较，其中，
若监测网格的重要度高于所述重要度阈值，则将监测网格分类为重要网格；
若监测网格的重要度低于或等于所述重要度阈值，则将监测网格分类为普通网格。
7.根据权利要求6所述的一种PCB分区分频缺陷监测方法，其特征在于：所述基于重要度依次设定重要网格和普通网格的监测频率，包括：
将重要网格的监测频率设定为：
；
式中，
表征为重要网格的监测频率，
表征为基础监测频率；
将普通网格的监测频率设定为：
；
式中，
表征为普通网格的监测频率，
表征为基础监测频率。
8.根据权利要求7所述的一种PCB分区分频缺陷监测方法，其特征在于，所述将所述监测频率设置为微型监测视觉对局部PCB板图像的获取频率，包括：
将重要网格的监测频率设定为重要网格处微型监测视觉对位于重要网格处的局部PCB板图像的获取频率，将普通网格的监测频率设定为普通网格处微型监测视觉对位于普通网格处的局部PCB板图像的获取频率。
9.根据权利要求4所述的一种PCB分区分频缺陷监测方法，其特征在于，所述信号权重赋予的方法包括：
统计电学芯片的芯片引脚数，并将芯片引脚数作为所述电学芯片的信号权重。
10.根据权利要求1-9任一项所述的PCB分区分频缺陷监测方法的监测***，其特征在于，包括：
硬件设定模块（1），用于对目标PCB板进行网格化处理得到一组监测网格，并在每个监测网格中心正上方处均设置有微型监测视觉；
监测分类模块（2），用于依次统计每个监测网格中的信号流通量，并基于所述信号流通量量化出每个监测网格的重要度，再利用重要度将监测网格分类为重要网格和普通网格；
频率设定模块（3），用于基于重要度依次设定重要网格和普通网格的监测频率，并将所述监测频率设置为微型监测视觉对局部PCB板图像的获取频率，以实现对目标PCB板进行分区分频的缺陷监测来保证对目标PCB板缺陷监测的高时效性和低冗余性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210963285.3A CN115060743B (zh) | 2022-08-11 | 2022-08-11 | 一种pcb分区分频缺陷监测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210963285.3A CN115060743B (zh) | 2022-08-11 | 2022-08-11 | 一种pcb分区分频缺陷监测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115060743A true CN115060743A (zh) | 2022-09-16 |
| CN115060743B CN115060743B (zh) | 2022-11-01 |
Family
ID=83207883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210963285.3A Active CN115060743B (zh) | 2022-08-11 | 2022-08-11 | 一种pcb分区分频缺陷监测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115060743B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103021468A (zh) * | 2012-12-21 | 2013-04-03 | 上海宏力半导体制造有限公司 | 存储器的出错信息记录方法及冗余替代方法 |
| WO2018000731A1 (zh) * | 2016-06-28 | 2018-01-04 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
| CN110473184A (zh) * | 2019-08-06 | 2019-11-19 | 福建工程学院 | 一种pcb板缺陷检测方法 |
| CN113406110A (zh) * | 2021-05-20 | 2021-09-17 | 广州市花都联华包装材料有限公司 | 一种印刷品质量检测方法、装置、设备和计算机介质 |
| CN114022439A (zh) * | 2021-11-01 | 2022-02-08 | 苏州科德软体电路板有限公司 | 一种基于形态学图像处理的柔性电路板缺陷检测方法 |
| TWI765607B (zh) * | 2021-03-17 | 2022-05-21 | 英業達股份有限公司 | 基於網格聚類的錫膏印刷異常區域定位系統及其方法 |
-
2022
- 2022-08-11 CN CN202210963285.3A patent/CN115060743B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103021468A (zh) * | 2012-12-21 | 2013-04-03 | 上海宏力半导体制造有限公司 | 存储器的出错信息记录方法及冗余替代方法 |
| WO2018000731A1 (zh) * | 2016-06-28 | 2018-01-04 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
| CN110473184A (zh) * | 2019-08-06 | 2019-11-19 | 福建工程学院 | 一种pcb板缺陷检测方法 |
| TWI765607B (zh) * | 2021-03-17 | 2022-05-21 | 英業達股份有限公司 | 基於網格聚類的錫膏印刷異常區域定位系統及其方法 |
| CN113406110A (zh) * | 2021-05-20 | 2021-09-17 | 广州市花都联华包装材料有限公司 | 一种印刷品质量检测方法、装置、设备和计算机介质 |
| CN114022439A (zh) * | 2021-11-01 | 2022-02-08 | 苏州科德软体电路板有限公司 | 一种基于形态学图像处理的柔性电路板缺陷检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 胡珊珊等: "基于深度学习的 ＰＣＢ缺陷检测研究", 《电测与仪表》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115060743B (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106079892B (zh) | 一种pcb锡膏印刷过程质量智能监控***及方法 | |
| CN110119680B (zh) | 一种基于图像识别的电气柜接线自动查错*** | |
| CN107945184A (zh) | 一种基于彩色图像分割和梯度投影定位的贴装元件检测方法 | |
| CN110533654A (zh) | 零部件的异常检测方法及装置 | |
| CN107895362A (zh) | 一种微型接线端子质量检测的机器视觉方法 | |
| CN115100199A (zh) | 一种晶圆低纹理缺陷的检测方法 | |
| CN108537772A (zh) | 贴片电阻正导体印刷缺陷的视觉检测方法 | |
| CN108896567A (zh) | 一种对钮扣电池表面压伤缺陷进行检测的方法 | |
| CN115015286A (zh) | 基于机器视觉的芯片检测方法及*** | |
| KR102174424B1 (ko) | 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치 | |
| CN107396538A (zh) | 一种主板生产线自动化生产管理方法 | |
| CN115439411A (zh) | 电路板元器件极性的检测方法、装置、介质和电子设备 | |
| CN115908407A (zh) | 基于红外图像温度值的电力设备缺陷检测方法及装置 | |
| CN114462646B (zh) | 一种基于接触网安全巡检的杆号牌识别方法及*** | |
| CN115239626A (zh) | 缺陷检测方法、光学检测设备、电子设备以及存储介质 | |
| CN115060743B (zh) | 一种pcb分区分频缺陷监测方法及*** | |
| CN115035118B (zh) | 一种基于识别模型的pcb生产线残缺检测方法及*** | |
| CN111310402B (zh) | 一种基于面面平行的印刷电路板裸板缺陷检测方法 | |
| CN116067671B (zh) | 一种用于测试车辆漆面质量的方法、***及介质 | |
| Huang et al. | Neighborhood correlation enhancement network for PCB defect classification | |
| CN116993654B (zh) | 摄像头模组缺陷检测方法、装置、设备、存储介质及产品 | |
| CN116465908A (zh) | 一种印刷电路板生产用光学检测方法 | |
| Chang et al. | Application of two hopfield neural networks for automatic four-element LED inspection | |
| CN115170476A (zh) | 基于图像处理的印制线路板缺陷检测方法 | |
| CN116245793A (zh) | 基于视觉的色环电阻阻值检测方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231226 Address after: 215500 Changshu Changkun Industrial Park, Suzhou, Jiangsu Province Patentee after: Express Electronics (Suzhou) Co.,Ltd. Address before: 226200 in our company, Zha he village, lvsigang Town, Qidong City, Nantong City, Jiangsu Province Patentee before: Nantong huati Electronic Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |