CN115100095B - 一种基于非监督算法的pcb板检测方法 - Google Patents

一种基于非监督算法的pcb板检测方法 Download PDF

Info

Publication number
CN115100095B
CN115100095B CN202111637789.8A CN202111637789A CN115100095B CN 115100095 B CN115100095 B CN 115100095B CN 202111637789 A CN202111637789 A CN 202111637789A CN 115100095 B CN115100095 B CN 115100095B
Authority
CN
China
Prior art keywords
pcb
information
model
point location
rechecking
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.)
Active
Application number
CN202111637789.8A
Other languages
English (en)
Other versions
CN115100095A (zh
Inventor
王惺
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.)
Suzhou Zhenmu Artificial Intelligence Technology Co ltd
Original Assignee
Suzhou Zhenmu Artificial Intelligence Technology Co ltd
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 Suzhou Zhenmu Artificial Intelligence Technology Co ltd filed Critical Suzhou Zhenmu Artificial Intelligence Technology Co ltd
Priority to CN202111637789.8A priority Critical patent/CN115100095B/zh
Publication of CN115100095A publication Critical patent/CN115100095A/zh
Application granted granted Critical
Publication of CN115100095B publication Critical patent/CN115100095B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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]
    • 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)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于非监督算法的PCB板检测方法，通过在原有的复检AI中连接基于非监督算法的辅助AI检测设备用以实现快速学习，快速判断的功能，将现有AOI设备误报率高的点位进行AI辅助检测，降低误报，从而提升整板直通率。

Description

一种基于非监督算法的PCB板检测方法
技术领域
本发明涉及一种PCB板检测领域，特别涉及一种基于非监督算法的PCB板检测方法。
背景技术
PCB(印刷电路板)制程中SMT(表面贴装技术)过程后，必须用AOI(自动光学检测)设备来查验元器件贴装的质量。传统的AOI设备的检测算法采用简单比对式的方式，人工先设定元件判定的参考标准，大多是低维度的量化参数，例如元件长宽高，与中心位置的偏移量，像素面积等。低维度的比较对于PCB板上某些点位的某些元件的判定不适用，例如元件上面文字由于经过高温贴片炉后变得模糊，无法用几个参数来定义“OK”和“NG”的界限。
现有用AI来做检测的方式，采用监督学习算法，搜集NG的样本时间长，获得一个训练好的模型需要等待很久。
现有用AI来做检测的方式，是基于物料(元件)建模，训练过程是先去PCB板上定位每个元件，然后通过抠图提取这个元件图像，造成：定位、抠图需要额外的图像处理步骤，整体算法流程繁琐；通过抠图提取出的是每个物料图，不包含这个点位上的整体图像，进行深度学习模型训练时是基于这个物料训练出的模型，检测时依然要重复抠图步骤，再检测，由于背景板影响，效果欠佳。
发明内容
本发明的主要目的在于提供了一种基于非监督算法的PCB板检测方法，将现有AOI设备误报率高的点位进行AI辅助检测，降低误报，从而提升整板直通率。
为实现上述目的，本发明采取的技术方案为：
一种基于非监督算法的PCB板检测方法，其特征在于：包括步骤：
S1,通过原AOI设备识别PCB板图像，判断PCB板是否合格，并将PCB板OK与NG的检测信息分别归类到专属的信息库中；
S2，通过基于非监督算法的的复检AI设备对NG的PCB板信息进行复检，将复检出PCB板上的NG点位信息上传到NG信息库中，将NG的PCB板投入到维修站，进行人工进行复检；
S3,人工对NG的PCB板进行复检生成log文件，将人工复检后合格的PCB板投入基于非监督算法的AI辅助检测装置进行反复学习训练，将学习训练后的信息载入检索库，并反馈到复检AOI设备的***中；
进一步的，所述S1中不合格信息为AOI输出NG的PCB板各个分点位的小图。
进一步的，所述S3中人工复判为NG的PCB板将进行返工处理，并在返工后再次经过原AOI设备开始检测，人工复判为合格的分点位放入缓存文件夹用于AI辅助检测装置的训练模型，并通过AI辅助检测装置进行PCB板上每个点位的循环训练，训练完毕后，模型放入对应的点位模型文件夹中用以作为对比模型。
进一步的，所述S1中的不合格信息传输到复检AI设备的原始文件夹中，并通过AI辅助检测装置将不合格信息在内存中打包，通过AI检索引擎与点位模型文件夹中的对比模型信息在内存中进行比对。
进一步的，所述AI检索引擎未找到对应点位的对比模型，说明训练数据不够，侧面也说明该点位误报少，用AI复判紧迫性不强，对为找到对比模型的NG点位再次进行NG处理，并标示，重构网络文件夹。
进一步的，所述AI检索引擎找到对应点位的对比模型后，将模型信息载入到复检AI设备的内存中，并在内存中进行快速判定是否合格，将合格的图片重构OK的网络文件夹，不合格的图片重构NG的网络文件夹。
进一步的，所述网络文件夹中一个板子上的各个点位的图片通过AI重构PCB板结构，并将带有NG点位的板子信息传送到维修站，进行人工复判，并将人工复判为OK的PCB板投入到AI辅助检测装置进行学习训练，NG的板子进行返工并重新检测。
与现有技术相比，本发明的有益效果为：
采用AI辅助检测模式，对原AOI检测出的产品进行AI复检，并用算法择优选择AOI漏检率高的点位，让总体效率及正确率最高；
只搜集正样本(OK图片)，训练模型，由于OK图片能迅速搜集，因此能在短期内训练好模型开始判定工作。
基于点位而非物料(元件)建立AI模型。好处是：直接利用AOI输出的点位图，高效快捷；点位图除了包含物料(元件)本身，也包含基板上的元件周围图像及信息，充分模拟人眼观测检查的场景，进行多维度判定，有利于降低过杀。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明的较佳实施例作详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围作出更为清楚明确的界定。
参阅图1所示，一种基于非监督算法的PCB板检测方法，包括步骤：
S1,通过原AOI设备识别PCB板图像，判断PCB板是否合格，并将PCB板OK与NG的检测信息分别归类到专属的信息库中；
S2，通过基于非监督算法的的复检AI设备对NG的PCB板信息进行复检，将复检出PCB板上的NG点位信息上传到NG信息库中，将NG的PCB板投入到维修站，进行人工进行复检；
S3,人工对NG的PCB板进行复检生成log文件，将人工复检后合格的PCB板投入基于非监督算法的AI辅助检测装置进行反复学习训练，将学习训练后的信息载入检索库，并反馈到复检AOI设备的***中；
所述S1中不合格信息为AOI输出NG的PCB板各个分点位的小图。
所述S3中人工复判为NG的PCB板将进行返工处理，并在返工后再次经过原AOI设备开始检测，人工复判为合格的分点位放入缓存文件夹用于AI辅助检测装置的训练模型，并通过AI辅助检测装置进行PCB板上每个点位的循环训练，训练完毕后，模型放入对应的点位模型文件夹中用以作为对比模型。
所述S1中的不合格信息传输到复检AI设备的原始文件夹中，并通过AI辅助检测装置将不合格信息在内存中打包，通过AI检索引擎与点位模型文件夹中的对比模型信息在内存中进行比对。
所述AI检索引擎未找到对应点位的对比模型，说明训练数据不够，侧面也说明该点位误报少，用AI复判紧迫性不强，对为找到对比模型的NG点位再次进行NG处理，并标示，重构网络文件夹。
所述AI检索引擎找到对应点位的对比模型后，将模型信息载入到复检AI设备的内存中，并在内存中进行快速判定是否合格，将合格的图片重构OK的网络文件夹，不合格的图片重构NG的网络文件夹。
所述网络文件夹中一个板子上的各个点位的图片通过AI重构PCB板结构，并将带有NG点位的板子信息传送到维修站，进行人工复判，并将人工复判为OK的PCB板投入到AI辅助检测装置进行学习训练，NG的板子进行返工并重新检测。
以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (2)

1.一种基于非监督算法的PCB板检测方法，其特征在于：包括步骤：
S1,通过原AOI设备识别PCB板图像，判断PCB板是否合格，并将PCB板OK与NG的检测信息分别归类到专属的信息库中；
所述S1中的不合格信息传输到复检AI设备的原始文件夹中，并通过AI辅助检测装置将不合格信息在内存中打包，通过AI检索引擎与点位模型文件夹中的对比模型信息在内存中进行比对；
所述AI检索引擎未找到对应点位的对比模型，说明训练数据不够，侧面也说明该点位误报少，用AI复判紧迫性不强，对未找到对比模型的NG点位再次进行NG处理，并标示，重构网络文件夹；
所述AI检索引擎找到对应点位的对比模型后，将模型信息载入到复检AI设备的内存中，并在内存中进行快速判定是否合格，将合格的图片重构OK的网络文件夹，不合格的图片重构NG的网络文件夹；
所述网络文件夹中一个板子上的各个点位的图片通过AI重构PCB板结构，并将带有NG点位的板子信息传送到维修站，进行人工复判，并将PCB板上人工复判为OK点位的图像投入到AI辅助检测装置进行学习训练，包含NG点位的板子进行返工并重新检测；
S2，通过基于非监督算法的复检AI设备对NG的PCB板信息进行复检，将复检出PCB板上的NG点位信息上传到NG信息库中，将NG的PCB板投入到维修站，进行人工复检；
S3,人工对NG的PCB板进行复检生成log文件，将人工复检后PCB板上合格点位的图像投入基于非监督算法的AI辅助检测装置进行反复学习训练，将学习训练后的信息载入检索库，并反馈到复检AI设备的***中；
所述S3中人工复判为NG的PCB板将进行返工处理，并在返工后再次经过原AOI设备开始检测，人工复判为合格的点位图像及信息放入缓存文件夹用于AI辅助检测装置的训练模型，并通过AI辅助检测装置进行PCB板上每个点位的循环训练，训练完毕后，模型放入对应的点位模型文件夹中用以作为对比模型。
2.根据权利要求1所述的一种基于非监督算法的PCB板检测方法，其特征在于：所述S1中不合格信息为AOI输出NG的PCB板各个分点位的小图。
CN202111637789.8A 2021-12-29 2021-12-29 一种基于非监督算法的pcb板检测方法 Active CN115100095B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111637789.8A CN115100095B (zh) 2021-12-29 2021-12-29 一种基于非监督算法的pcb板检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111637789.8A CN115100095B (zh) 2021-12-29 2021-12-29 一种基于非监督算法的pcb板检测方法

Publications (2)

Publication Number Publication Date
CN115100095A CN115100095A (zh) 2022-09-23
CN115100095B true CN115100095B (zh) 2023-08-22

Family

ID=83287494

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111637789.8A Active CN115100095B (zh) 2021-12-29 2021-12-29 一种基于非监督算法的pcb板检测方法

Country Status (1)

Country Link
CN (1) CN115100095B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117372368A (zh) * 2023-10-17 2024-01-09 苏州真目人工智能科技有限公司 基于级联闭环深度学习算法的外观检测装置和方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN110473170A (zh) * 2019-07-10 2019-11-19 苏州卓融新能源科技有限公司 一种适用于pcb板真假缺陷判定的人工智能检测方法
CN110659660A (zh) * 2018-06-29 2020-01-07 由田新技股份有限公司 利用深度学习***的自动光学检测分类设备及其训练设备
CN110705630A (zh) * 2019-09-27 2020-01-17 聚时科技(上海)有限公司 半监督学习式目标检测神经网络训练方法、装置及应用
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
CN111080633A (zh) * 2019-12-20 2020-04-28 Oppo（重庆）智能科技有限公司 屏缺陷检测方法、装置、终端设备以及存储介质
CN111474181A (zh) * 2020-03-31 2020-07-31 成都数之联科技有限公司 一种成盒制程阶段的面板缺陷检测及分类***
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
CN113591965A (zh) * 2021-07-26 2021-11-02 格力电器(南京)有限公司 一种aoi检测图像处理方法、装置、存储介质及计算机设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI649659B (zh) * 2017-10-27 2019-02-01 財團法人工業技術研究院 自動光學檢測影像分類方法、系統及含有該方法之電腦可讀取媒體
TWI653605B (zh) * 2017-12-25 2019-03-11 由田新技股份有限公司 利用深度學習的自動光學檢測方法、設備、電腦程式、電腦可讀取之記錄媒體及其深度學習系統

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110659660A (zh) * 2018-06-29 2020-01-07 由田新技股份有限公司 利用深度学习***的自动光学检测分类设备及其训练设备
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
CN110473170A (zh) * 2019-07-10 2019-11-19 苏州卓融新能源科技有限公司 一种适用于pcb板真假缺陷判定的人工智能检测方法
CN110705630A (zh) * 2019-09-27 2020-01-17 聚时科技(上海)有限公司 半监督学习式目标检测神经网络训练方法、装置及应用
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
CN111080633A (zh) * 2019-12-20 2020-04-28 Oppo（重庆）智能科技有限公司 屏缺陷检测方法、装置、终端设备以及存储介质
CN111474181A (zh) * 2020-03-31 2020-07-31 成都数之联科技有限公司 一种成盒制程阶段的面板缺陷检测及分类***
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
CN113591965A (zh) * 2021-07-26 2021-11-02 格力电器(南京)有限公司 一种aoi检测图像处理方法、装置、存储介质及计算机设备

Also Published As

Publication number Publication date
CN115100095A (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CN108686978B (zh) 基于arm的水果类别和色泽的分拣方法及***
CN110992317B (zh) 一种基于语义分割的pcb板缺陷检测方法
CN110455822A (zh) 一种pcb板缺陷的检测方法
CN109946319A (zh) 印刷电路板检查装置、决定丝网印刷机的缺陷类型的方法及计算机可判读记录介质
US20200240924A1 (en) Method for detecting appearance of six sides of chip multi-layer ceramic capacitor based on artificial intelligence
CN112651966A (zh) 一种基于acyolov4_csp的印刷电路板微小缺陷检测方法
CN113538375A (zh) 一种基于YOLOv5的PCB缺陷检测方法
CN110751630A (zh) 基于深度学习的输电线路异物检测方法、装置及介质
CN115015286B (zh) 基于机器视觉的芯片检测方法及***
CN115100095B (zh) 一种基于非监督算法的pcb板检测方法
CN109376580A (zh) 一种基于深度学习的电力塔架部件识别方法
CN116718600B (zh) 一种用于对线束产品进行智能化检测的检测装置
CN114170477A (zh) 一种基于注意力图卷积网络的多模态融合机械缺陷检测方法
CN109636793A (zh) 显示器的检测***及其检测方法
Zhang et al. Deep learning based defect detection for solder joints on industrial x-ray circuit board images
CN111882547A (zh) 一种基于神经网络的pcb漏件检测方法
CN113780423A (zh) 一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型
CN112819756A (zh) Pcb板表面缺陷检测装置及方法
CN112750113B (zh) 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置
CN110618129A (zh) 一种电网线夹自动检测与缺陷识别方法及装置
CN112967224A (zh) 一种基于人工智能的电子电路板检测***、方法及介质
CN107907546A (zh) 一种基于智能移动终端的视觉缺陷检测方法与***
CN116993654B (zh) 摄像头模组缺陷检测方法、装置、设备、存储介质及产品
KR101993705B1 (ko) 자동광학검사기의 부품 라이브러리 코드 자동 입력 장치 및 방법
CN112508891B (zh) 基于手机的ai智能识别缺陷的磁粉探伤***及其方法

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