CN117152123B - 一种用于锡膏印刷的检测定位优化方法、***及存储介质 - Google Patents
一种用于锡膏印刷的检测定位优化方法、***及存储介质 Download PDFInfo
- Publication number
- CN117152123B CN117152123B CN202311316515.8A CN202311316515A CN117152123B CN 117152123 B CN117152123 B CN 117152123B CN 202311316515 A CN202311316515 A CN 202311316515A CN 117152123 B CN117152123 B CN 117152123B
- Authority
- CN
- China
- Prior art keywords
- defect
- solder paste
- paste printing
- area
- feature
- 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
Links
- 229910000679 solder Inorganic materials 0.000 title claims abstract description 186
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000007547 defect Effects 0.000 claims abstract description 266
- 238000012545 processing Methods 0.000 claims abstract description 80
- 238000003466 welding Methods 0.000 claims description 35
- 238000012216 screening Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 239000010949 copper Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000006071 cream Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Electric Connection Of Electric Components To Printed Circuits (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种用于锡膏印刷的检测定位优化方法、***及存储介质,包括:获取待检测印制电路板的裸板图像,提取裸板特征选对锡膏印刷存在影响的特征区域,通过裸板图像生成模板信息;获取待检测印制电路板锡膏印刷后的印刷图像,利用模板信息进行模板匹配,并根据匹配结果生成待检测印制电路板的锡膏印刷区域;构建缺陷识别模型,识别缺陷区域及缺陷类别进行标定,获取缺陷区域的分类标定误差反馈至缺陷识别模型,进行缺陷分类及定位优化;提取锡膏印刷加工参数中的重要影响因素,对锡膏印刷加工参数进行调整。本发明实现锡膏印刷缺陷的快速识别定位,提高了锡膏印刷质量检测的效率及生产效率,从而提高印制电路板加工的良品率。
Description
技术领域
本发明涉及锡膏印刷技术领域,更具体的,涉及一种用于锡膏印刷的检测定位优化方法、***及存储介质。
背景技术
随着消费者对电子产品需求的提高,电子产品不断向微小化、精细化方向发展,作为电子制造行业核心技术之一的表面贴装技术更是受到了极大的挑战。统计表明,表面贴装质量问题中大部分出现在锡膏印刷工艺上,因此对锡膏印刷加工参数进行优化尤为重要。印刷精度的优劣将直接影响整个生产产品的好坏。因此,如何提高改善锡膏印刷的精度是表面贴装技术行业迫切需要解决的问题。
在锡膏印刷过程中,当印刷的锡膏过量而溢出焊点或者印刷网版位置上的偏差造成锡膏偏移焊点时,就可能造成焊点间短路的问题。相对地,当印刷的锡膏量不足或出现漏印锡膏的情形时,就可能造成导脚与印制电路板无法正常导通的问题。那么对于电路板进行下一步贴件前检测锡膏印刷质量尤为重要,现有锡膏印刷检测的方法有人工目检及机器视觉等方法,人工目检相对于机器视觉,易出现漏检和误检,效率低下;而机器视觉方法利用锡膏模板进行匹配检测,检测内容较为单一。因此,如何快速对不良焊点进行精准定位,并改善锡膏印刷的精度是亟需解决的问题。
发明内容
为了解决上述技术问题,本发明提出了一种用于锡膏印刷的检测定位优化方法、***及存储介质。
本发明第一方面提供了一种用于锡膏印刷的检测定位优化方法,包括:
获取待检测印制电路板的裸板图像,通过所述裸板图像提取裸板特征,根据所述裸板特征筛选对锡膏印刷存在影响的特征区域,通过所述裸板图像生成模板信息,并标记所述特征区域;
获取待检测印制电路板锡膏印刷后的印刷图像,利用所述模板信息进行模板匹配,并根据匹配结果生成待检测印制电路板的锡膏印刷区域;
构建缺陷识别模型,将锡膏印刷区域导入所述缺陷识别模型,识别缺陷区域及缺陷类别,将缺陷区域进行标定,获取缺陷区域的分类标定误差,利用分类标定误差反馈至缺陷识别模型,进行缺陷分类及定位优化;
根据缺陷区域及缺陷类别提取锡膏印刷加工参数中的重要影响因素,根据所述重要影响因素对锡膏印刷加工参数进行调整。
本方案中,通过所述裸板图像提取裸板特征,根据所述裸板特征筛选对锡膏印刷存在影响的特征区域,通过所述裸板图像生成模板信息,具体为:
获取待检测印制电路板的裸板图像,将所述裸板图像进行预处理,利用Yolov3算法作为裸板缺陷识别模型的主干提取网络,将预处理后的裸板图像导入主干提取网络获取多尺度特征图;
引入空间注意力机制及通道注意力机制,为不同尺度特征图分配权重信息更新特征分布,对特征图进行重新标定,构建特征金字塔将重新标定后的特征图进行融合,聚合不同范围的上下文特征图,生成优化后的特征表达;
利用数据检索获取印制电路板的缺陷信息及对应锡膏印刷后印制电路板的实例数据集,根据所述实例数据集计算缺陷信息与锡膏印刷中不良焊点的皮尔逊相关系数;
获取皮尔逊相关系数大于预设阈值的缺席信息,在所述实例数据集中筛选对应的数据子集,利用所述数据子集对所述裸板缺陷识别模型进行训练;
利用优化后的特征表达识别裸板图像中的缺陷,获取缺陷的形状特征及位置特征,根据所述位置特征筛选与预设锡膏印刷区域存在交集的缺陷,在裸板图像中根据筛选的缺陷生成对锡膏印刷存在影响的特征区域;
利用裸板图像生成模板信息,并将所述特征区域在所述模板信息中进行标记。
本方案中,获取待检测印制电路板锡膏印刷后的印刷图像,利用所述模板信息进行模板匹配,具体为:
获取模板信息及印刷图像,将所述模板信息与预处理后的印刷图像进行模板匹配,利用主干提取网络获取所述模板信息及印刷图像的特征生成双层特征;
在所述双层特征中利用相似度计算获取相似度分布,根据所述相似度分布及模板信息中轮廓大小生成锡膏印刷区域的位置,提取轮廓点对应的邻居点集合,获取轮廓点及邻居点集合在模板信息及印刷图像中的汉明距离;
获取每个轮廓点及对应邻居点集合中明汉距离最小的特征点,根据所述特征点生成最终的锡膏印刷区域。
本方案中,构建缺陷识别模型,将锡膏印刷区域导入所述缺陷识别模型,识别缺陷区域及缺陷类别,将缺陷区域进行标定,具体为:
在所述锡膏印刷区域中通过Canny算法进行边缘检测,并引入亚像素边缘定位技术,实现轮廓边缘的精检测及精定位,再使用最小二乘法拟合特征轮廓边缘,获取锡膏印刷区域的边缘信息;
通过大数据方法获取不良焊点的样本数据,将所述样本数据进行聚类分析,根据印刷偏移、少锡、多锡及连锡设置聚类簇数,并在所述样本数据中设置初始聚类中心;
通过迭代聚类更新各类簇聚类结果对应的聚类中心,当聚类次数达到预设次数时停止聚类,选取最后一次聚类结果获取各类簇对应的样本数据集,根据不同类簇的样本数据集获取不同类别不良焊点对应的缺陷特征;
利用MobileNetV2及RPN构建缺陷识别分类网络,利用所述缺陷特征对缺陷识别分类网络进行训练,并引入注意力机制和残差连接增强特征的学习能力;
将锡膏印刷区域的边缘信息作为模型输入,利用注意力机制进行高维特征提取后,通过高维特征进行感兴趣区域池化,利用全连接层及SoftMax函数进行锚框回归及类别回归;
根据所述锚框回归及类别回归输出不良焊点的定位结果及识别分类结果,获取缺陷类别及缺陷区域的标定。
本方案中,利用分类标定误差反馈至缺陷识别模型,进行缺陷分类及定位优化,具体为:
获取待检测印制电路板中不良焊点的类别识别误差及位置分类标定误差,根据所述误差信息提取未识别缺陷,获取未识别缺陷的缺陷类别及特征信息;
将述特征信息结合缺陷类别对应的缺陷特征进行数据增强,将数据增强后缺陷特征用于缺陷识别分类网络的训练,根据不良焊点的标定结果与模板图像中对锡膏印刷存在影响的特征区域的偏差,对所述缺陷识别分类网络进行缺陷识别优化;
根据误差信息提取缺陷位置偏差,利用所缺陷位置偏差对锚框回归误差进行补偿,重新获取候选区域的中心像素值,实现定位优化。
本方案中,根据缺陷区域及缺陷类别提取锡膏印刷加工参数中的重要影响因素,根据所述重要影响因素对锡膏印刷加工参数进行调整,具体为:
获取待检测印制电路板的不良焊点的缺陷区域及缺陷类别,并获取对应的加工参数进行匹配,将匹配后的加工参数进行数据预处理;
在预处理后的加工参数中进行特征选择,筛选符合预设要求的特征作为影响因素,利用灰色关联度分析法在所述影响因素中筛选出对缺陷影响程度大于预设阈值的重要影响因素;
根据所述重要影响因素获取评价指标读取无不良焊点时锡膏印刷的标准加工参数对应的标准指标参数矩阵,根据所述标准指标参数矩阵与待检测印制电路板对应指标参数矩阵的均方距离;
根据所述均方距离获取不符合预设距离要求的参数,并根据标准加工参数对待检测印制电路板的加工参数进行调整,替换现有加工参数存入相关数据库进行后续加工。
本发明第二方面还提供了一种用于锡膏印刷的检测定位优化***,该***包括:存储器、处理器,所述存储器中包括用于锡膏印刷的检测定位优化方法程序,所述用于锡膏印刷的检测定位优化方法程序被所述处理器执行时实现如下步骤:
获取待检测印制电路板的裸板图像,通过所述裸板图像提取裸板特征,根据所述裸板特征筛选对锡膏印刷存在影响的特征区域,通过所述裸板图像生成模板信息,并标记所述特征区域;
获取待检测印制电路板锡膏印刷后的印刷图像,利用所述模板信息进行模板匹配,并根据匹配结果生成待检测印制电路板的锡膏印刷区域;
构建缺陷识别模型,将锡膏印刷区域导入所述缺陷识别模型,识别缺陷区域及缺陷类别,将缺陷区域进行标定,获取缺陷区域的分类标定误差,利用分类标定误差反馈至缺陷识别模型,进行缺陷分类及定位优化;
根据缺陷区域及缺陷类别提取锡膏印刷加工参数中的重要影响因素,根据所述重要影响因素对锡膏印刷加工参数进行调整。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括用于锡膏印刷的检测定位优化方法程序,所述用于锡膏印刷的检测定位优化方法程序被处理器执行时,实现如上述任一项所述的用于锡膏印刷的检测定位优化方法的步骤。
本发明公开了一种用于锡膏印刷的检测定位优化方法、***及存储介质,包括:获取待检测印制电路板的裸板图像,提取裸板特征选对锡膏印刷存在影响的特征区域,通过裸板图像生成模板信息;获取待检测印制电路板锡膏印刷后的印刷图像,利用模板信息进行模板匹配,并根据匹配结果生成待检测印制电路板的锡膏印刷区域;构建缺陷识别模型,识别缺陷区域及缺陷类别进行标定,获取缺陷区域的分类标定误差反馈至缺陷识别模型,进行缺陷分类及定位优化;根据缺陷区域及缺陷类别提取锡膏印刷加工参数中的重要影响因素,对锡膏印刷加工参数进行调整。本发明实现锡膏印刷缺陷的快速识别定位,提高了锡膏印刷质量检测的效率及生产效率,从而提高印制电路板加工的良品率。
附图说明
图1示出了本发明一种用于锡膏印刷的检测定位优化方法的流程图;
图2示出了本发明利用缺陷识别模型识别缺陷区域及类别的方法流程图;
图3示出了本发明根据重要影响因素对加工参数进行调整的方法流程图;
图4示出了本发明一种用于锡膏印刷的检测定位优化***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种用于锡膏印刷的检测定位优化方法的流程图。
如图1所示,本发明第一方面提供了一种用于锡膏印刷的检测定位优化方法,包括:
S102,获取待检测印制电路板的裸板图像,通过所述裸板图像提取裸板特征,根据所述裸板特征筛选对锡膏印刷存在影响的特征区域,通过所述裸板图像生成模板信息,并标记所述特征区域;
S104,获取待检测印制电路板锡膏印刷后的印刷图像,利用所述模板信息进行模板匹配,并根据匹配结果生成待检测印制电路板的锡膏印刷区域;
S106,构建缺陷识别模型,将锡膏印刷区域导入所述缺陷识别模型,识别缺陷区域及缺陷类别,将缺陷区域进行标定,获取缺陷区域的分类标定误差,利用分类标定误差反馈至缺陷识别模型,进行缺陷分类及定位优化;
S108,根据缺陷区域及缺陷类别提取锡膏印刷加工参数中的重要影响因素,根据所述重要影响因素对锡膏印刷加工参数进行调整。
需要说明的是,印制电路板的表面缺陷主要有孔洞、毛刺及漏铜等多样缺陷,这些缺陷容易导致后续锡膏印刷产生不良焊点,因此,对裸板的缺陷进行提前标记,可作为后续锡膏印刷检测定位的优化数据基础之一。获取待检测印制电路板的裸板图像,将所述裸板图像进行预处理,利用Yolov3算法作为裸板缺陷识别模型的主干提取网络,将预处理后的裸板图像导入主干提取网络获取多尺度特征图;引入空间注意力机制及通道注意力机制,为不同尺度特征图分配权重信息更新特征分布,对特征图进行重新标定,构建特征金字塔将重新标定后的特征图进行融合,聚合不同范围的上下文特征图,生成优化后的特征表达;利用数据检索获取印制电路板的缺陷信息及对应锡膏印刷后印制电路板的实例数据集,根据所述实例数据集计算缺陷信息与锡膏印刷中不良焊点的皮尔逊相关系数;获取皮尔逊相关系数大于预设阈值的缺席信息,在所述实例数据集中筛选对应的数据子集,利用所述数据子集对所述裸板缺陷识别模型进行训练;利用优化后的特征表达识别裸板图像中的缺陷,获取缺陷的形状特征及位置特征,根据所述位置特征筛选与预设锡膏印刷区域存在交集的缺陷,在裸板图像中根据筛选的缺陷生成对锡膏印刷存在影响的特征区域;利用裸板图像生成模板信息,并将所述特征区域在所述模板信息中进行标记。
根据裸板图像中对锡膏印刷存在影响的特征区域提取区域特征,根据所述区域特征判断对应位置最可能发生的不良焊点类别,根据所述最可能发生的不良焊点类别设置加工参数补偿,并根据特征区域的位置特征及加工顺序设置加工时间窗,在待检测印制电路板加工过程中,当加工时序符合所述加工时间窗时,则提取所述加工参数补偿,对特征区域进行加工参数调整。
需要说明的是,获取模板信息及印刷图像,将所述模板信息与预处理后的印刷图像进行模板匹配,利用主干提取网络获取所述模板信息及印刷图像两个层次的特征生成双层特征;在所述双层特征中利用相似度计算获取相似度分布,根据所述相似度分布及模板信息中轮廓大小生成锡膏印刷区域的位置,提取轮廓点对应的邻居点集合,获取轮廓点及邻居点集合在模板信息及印刷图像中的汉明距离作为特征描述符;获取每个轮廓点及对应邻居点集合中明汉距离最小的特征点,确定精确的轮廓点,根据所述特征点生成最终的锡膏印刷区域。
图2示出了本发明利用缺陷识别模型识别缺陷区域及类别的方法流程图。
根据本发明实施例,构建缺陷识别模型,将锡膏印刷区域导入所述缺陷识别模型,识别缺陷区域及缺陷类别,将缺陷区域进行标定,具体为:
S202,在所述锡膏印刷区域中通过Canny算法进行边缘检测,并引入亚像素边缘定位技术,实现轮廓边缘的精检测及精定位,再使用最小二乘法拟合特征轮廓边缘,获取锡膏印刷区域的边缘信息;
S204,通过大数据方法获取不良焊点的样本数据,将所述样本数据进行聚类分析,根据印刷偏移、少锡、多锡及连锡设置聚类簇数,并在所述样本数据中设置初始聚类中心;
S206,通过迭代聚类更新各类簇聚类结果对应的聚类中心,当聚类次数达到预设次数时停止聚类,选取最后一次聚类结果获取各类簇对应的样本数据集,根据不同类簇的样本数据集获取不同类别不良焊点对应的缺陷特征;
S208,利用MobileNetV2及RPN构建缺陷识别分类网络,利用所述缺陷特征对缺陷识别分类网络进行训练,并引入注意力机制和残差连接增强特征的学习能力;
S210,将锡膏印刷区域的边缘信息作为模型输入,利用注意力机制进行高维特征提取后,通过高维特征进行感兴趣区域池化,利用全连接层及SoftMax函数进行锚框回归及类别回归;
S212,根据所述锚框回归及类别回归输出不良焊点的定位结果及识别分类结果,获取缺陷类别及缺陷区域的标定。
需要说明的是,MobileNet是一种轻量级网络,其中的深度可分离卷积将特征图卷积运算改良为“分层卷积+通道融合”的解耦运算方式大大改善了改善空间占用和算力消耗,在MobileNetV2中引入残差将通道数进行扩张,映射到更高维度的空间,缓解了特征丢失的问题。其中的注意力机制优选的采用CBAM模块,包括一个通道注意力模块及一个空间注意力模块,所述通道注意力模块筛选贡献度更高的高维特征,空间注意力模块关注重点特征区域。RPN引入了先验框的概念,预设了不同大小和长宽比的先验框。采用滑动窗口的方式在特征图上生成n个先验框,通过全连接层对先验框进行目标物体和背景的二分类。
需要说明的是,获取待检测印制电路板中不良焊点的类别识别误差及位置分类标定误差,根据所述误差信息提取未识别缺陷,获取未识别缺陷的缺陷类别及特征信息;将述特征信息结合缺陷类别对应的缺陷特征进行数据增强,将数据增强后缺陷特征用于缺陷识别分类网络的训练,根据不良焊点的标定结果与模板图像中对锡膏印刷存在影响的特征区域的偏差,对所述缺陷识别分类网络进行缺陷识别优化;根据误差信息提取缺陷位置偏差,利用所缺陷位置偏差对锚框回归误差进行补偿,重新获取候选区域的中心像素值,实现定位优化,将候选区域重新划分为大于原始子区域数量的等分的若干区域,利用双线性插值法求得各子区域的中心像素值,令子区域中心像素最大值作为区域中心像素值。
图3示出了本发明根据重要影响因素对加工参数进行调整的方法流程图。
根据本发明实施例,根据缺陷区域及缺陷类别提取锡膏印刷加工参数中的重要影响因素,根据所述重要影响因素对锡膏印刷加工参数进行调整,具体为:
S302,获取待检测印制电路板的不良焊点的缺陷区域及缺陷类别,并获取对应的加工参数进行匹配,将匹配后的加工参数进行数据预处理;
S304,在预处理后的加工参数中进行特征选择,筛选符合预设要求的特征作为影响因素,利用灰色关联度分析法在所述影响因素中筛选出对缺陷影响程度大于预设阈值的重要影响因素;
S306,根据所述重要影响因素获取评价指标读取无不良焊点时锡膏印刷的标准加工参数对应的标准指标参数矩阵,根据所述标准指标参数矩阵与待检测印制电路板对应指标参数矩阵的均方距离;
S308,根据所述均方距离获取不符合预设距离要求的参数,并根据标准加工参数对待检测印制电路板的加工参数进行调整,替换现有加工参数存入相关数据库进行后续加工。
需要说明的是,特征选择对特征重要性进行评估,按照重要性大小对特征进行排序,并根 据设定的阈值筛选出重要性较大的特征,常用的特征选择方法有Fisher得分、Relief算法、信息增益等。
图4示出了本发明一种用于锡膏印刷的检测定位优化***的框图。
本发明第二方面还提供了一种用于锡膏印刷的检测定位优化***4,该***包括:存储器41、处理器42,所述存储器中包括用于锡膏印刷的检测定位优化方法程序,所述用于锡膏印刷的检测定位优化方法程序被所述处理器执行时实现如下步骤:
获取待检测印制电路板的裸板图像,通过所述裸板图像提取裸板特征,根据所述裸板特征筛选对锡膏印刷存在影响的特征区域,通过所述裸板图像生成模板信息,并标记所述特征区域;
获取待检测印制电路板锡膏印刷后的印刷图像,利用所述模板信息进行模板匹配,并根据匹配结果生成待检测印制电路板的锡膏印刷区域;
构建缺陷识别模型,将锡膏印刷区域导入所述缺陷识别模型,识别缺陷区域及缺陷类别,将缺陷区域进行标定,获取缺陷区域的分类标定误差,利用分类标定误差反馈至缺陷识别模型,进行缺陷分类及定位优化;
根据缺陷区域及缺陷类别提取锡膏印刷加工参数中的重要影响因素,根据所述重要影响因素对锡膏印刷加工参数进行调整。
需要说明的是,印制电路板的表面缺陷主要有孔洞、毛刺及漏铜等多样缺陷,这些缺陷容易导致后续锡膏印刷产生不良焊点,因此,对裸板的缺陷进行提前标记,可作为后续锡膏印刷检测定位的优化数据基础之一。获取待检测印制电路板的裸板图像,将所述裸板图像进行预处理,利用Yolov3算法作为裸板缺陷识别模型的主干提取网络,将预处理后的裸板图像导入主干提取网络获取多尺度特征图;引入空间注意力机制及通道注意力机制,为不同尺度特征图分配权重信息更新特征分布,对特征图进行重新标定,构建特征金字塔将重新标定后的特征图进行融合,聚合不同范围的上下文特征图,生成优化后的特征表达;利用数据检索获取印制电路板的缺陷信息及对应锡膏印刷后印制电路板的实例数据集,根据所述实例数据集计算缺陷信息与锡膏印刷中不良焊点的皮尔逊相关系数;获取皮尔逊相关系数大于预设阈值的缺席信息,在所述实例数据集中筛选对应的数据子集,利用所述数据子集对所述裸板缺陷识别模型进行训练;利用优化后的特征表达识别裸板图像中的缺陷,获取缺陷的形状特征及位置特征,根据所述位置特征筛选与预设锡膏印刷区域存在交集的缺陷,在裸板图像中根据筛选的缺陷生成对锡膏印刷存在影响的特征区域;利用裸板图像生成模板信息,并将所述特征区域在所述模板信息中进行标记。
根据裸板图像中对锡膏印刷存在影响的特征区域提取区域特征,根据所述区域特征判断对应位置最可能发生的不良焊点类别,根据所述最可能发生的不良焊点类别设置加工参数补偿,并根据特征区域的位置特征及加工顺序设置加工时间窗,在待检测印制电路板加工过程中,当加工时序符合所述加工时间窗时,则提取所述加工参数补偿,对特征区域进行加工参数调整。
需要说明的是,获取模板信息及印刷图像,将所述模板信息与预处理后的印刷图像进行模板匹配,利用主干提取网络获取所述模板信息及印刷图像两个层次的特征生成双层特征;在所述双层特征中利用相似度计算获取相似度分布,根据所述相似度分布及模板信息中轮廓大小生成锡膏印刷区域的位置,提取轮廓点对应的邻居点集合,获取轮廓点及邻居点集合在模板信息及印刷图像中的汉明距离作为特征描述符;获取每个轮廓点及对应邻居点集合中明汉距离最小的特征点,确定精确的轮廓点,根据所述特征点生成最终的锡膏印刷区域。
根据本发明实施例,构建缺陷识别模型,将锡膏印刷区域导入所述缺陷识别模型,识别缺陷区域及缺陷类别,将缺陷区域进行标定,具体为:
在所述锡膏印刷区域中通过Canny算法进行边缘检测,并引入亚像素边缘定位技术,实现轮廓边缘的精检测及精定位,再使用最小二乘法拟合特征轮廓边缘,获取锡膏印刷区域的边缘信息;
通过大数据方法获取不良焊点的样本数据,将所述样本数据进行聚类分析,根据印刷偏移、少锡、多锡及连锡设置聚类簇数,并在所述样本数据中设置初始聚类中心;
通过迭代聚类更新各类簇聚类结果对应的聚类中心,当聚类次数达到预设次数时停止聚类,选取最后一次聚类结果获取各类簇对应的样本数据集,根据不同类簇的样本数据集获取不同类别不良焊点对应的缺陷特征;
利用MobileNetV2及RPN构建缺陷识别分类网络,利用所述缺陷特征对缺陷识别分类网络进行训练,并引入注意力机制和残差连接增强特征的学习能力;
将锡膏印刷区域的边缘信息作为模型输入,利用注意力机制进行高维特征提取后,通过高维特征进行感兴趣区域池化,利用全连接层及SoftMax函数进行锚框回归及类别回归;
根据所述锚框回归及类别回归输出不良焊点的定位结果及识别分类结果,获取缺陷类别及缺陷区域的标定。
需要说明的是,MobileNet是一种轻量级网络,其中的深度可分离卷积将特征图卷积运算改良为“分层卷积+通道融合”的解耦运算方式大大改善了改善空间占用和算力消耗,在MobileNetV2中引入残差将通道数进行扩张,映射到更高维度的空间,缓解了特征丢失的问题。其中的注意力机制优选的采用CBAM模块,包括一个通道注意力模块及一个空间注意力模块,所述通道注意力模块筛选贡献度更高的高维特征,空间注意力模块关注重点特征区域。RPN引入了先验框的概念,预设了不同大小和长宽比的先验框。采用滑动窗口的方式在特征图上生成n个先验框,通过全连接层对先验框进行目标物体和背景的二分类。
需要说明的是,获取待检测印制电路板中不良焊点的类别识别误差及位置分类标定误差,根据所述误差信息提取未识别缺陷,获取未识别缺陷的缺陷类别及特征信息;将述特征信息结合缺陷类别对应的缺陷特征进行数据增强,将数据增强后缺陷特征用于缺陷识别分类网络的训练,根据不良焊点的标定结果与模板图像中对锡膏印刷存在影响的特征区域的偏差,对所述缺陷识别分类网络进行缺陷识别优化;根据误差信息提取缺陷位置偏差,利用所缺陷位置偏差对锚框回归误差进行补偿,重新获取候选区域的中心像素值,实现定位优化,将候选区域重新划分为大于原始子区域数量的等分的若干区域,利用双线性插值法求得各子区域的中心像素值,令子区域中心像素最大值作为区域中心像素值。
根据本发明实施例,根据缺陷区域及缺陷类别提取锡膏印刷加工参数中的重要影响因素,根据所述重要影响因素对锡膏印刷加工参数进行调整,具体为:
获取待检测印制电路板的不良焊点的缺陷区域及缺陷类别,并获取对应的加工参数进行匹配,将匹配后的加工参数进行数据预处理;
在预处理后的加工参数中进行特征选择,筛选符合预设要求的特征作为影响因素,利用灰色关联度分析法在所述影响因素中筛选出对缺陷影响程度大于预设阈值的重要影响因素;
根据所述重要影响因素获取评价指标读取无不良焊点时锡膏印刷的标准加工参数对应的标准指标参数矩阵,根据所述标准指标参数矩阵与待检测印制电路板对应指标参数矩阵的均方距离;
根据所述均方距离获取不符合预设距离要求的参数,并根据标准加工参数对待检测印制电路板的加工参数进行调整,替换现有加工参数存入相关数据库进行后续加工。
需要说明的是,特征选择对特征重要性进行评估,按照重要性大小对特征进行排序,并根 据设定的阈值筛选出重要性较大的特征,常用的特征选择方法有Fisher得分、Relief算法、信息增益等。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括用于锡膏印刷的检测定位优化方法程序,所述用于锡膏印刷的检测定位优化方法程序被处理器执行时,实现如上述任一项所述的用于锡膏印刷的检测定位优化方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备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,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,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,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、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。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献的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。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种用于锡膏印刷的检测定位优化方法,其特征在于,包括以下步骤:
获取待检测印制电路板的裸板图像,通过所述裸板图像提取裸板特征,根据所述裸板特征筛选对锡膏印刷存在影响的特征区域,通过所述裸板图像生成模板信息,并标记所述特征区域;
获取待检测印制电路板锡膏印刷后的印刷图像,利用所述模板信息进行模板匹配,并根据匹配结果生成待检测印制电路板的锡膏印刷区域;
构建缺陷识别模型,将锡膏印刷区域导入所述缺陷识别模型,识别缺陷区域及缺陷类别,将缺陷区域进行标定,获取缺陷区域的分类标定误差,利用分类标定误差反馈至缺陷识别模型,进行缺陷分类及定位优化;
根据缺陷区域及缺陷类别提取锡膏印刷加工参数中的重要影响因素,根据所述重要影响因素对锡膏印刷加工参数进行调整;
通过所述裸板图像提取裸板特征,根据所述裸板特征筛选对锡膏印刷存在影响的特征区域,通过所述裸板图像生成模板信息,具体为:
获取待检测印制电路板的裸板图像,将所述裸板图像进行预处理,利用Yolov3算法作为裸板缺陷识别模型的主干提取网络,将预处理后的裸板图像导入主干提取网络获取多尺度特征图;
引入空间注意力机制及通道注意力机制,为不同尺度特征图分配权重信息更新特征分布,对特征图进行重新标定,构建特征金字塔将重新标定后的特征图进行融合,聚合不同范围的上下文特征图,生成优化后的特征表达;
利用数据检索获取印制电路板的缺陷信息及对应锡膏印刷后印制电路板的实例数据集,根据所述实例数据集计算缺陷信息与锡膏印刷中不良焊点的皮尔逊相关系数;
获取皮尔逊相关系数大于预设阈值的缺陷信息,在所述实例数据集中筛选对应的数据子集,利用所述数据子集对所述裸板缺陷识别模型进行训练;
利用优化后的特征表达识别裸板图像中的缺陷,获取缺陷的形状特征及位置特征,根据所述位置特征筛选与预设锡膏印刷区域存在交集的缺陷,在裸板图像中根据筛选的缺陷生成对锡膏印刷存在影响的特征区域;
利用裸板图像生成模板信息,并将所述特征区域在所述模板信息中进行标记。
2.根据权利要求1所述的一种用于锡膏印刷的检测定位优化方法,其特征在于,获取待检测印制电路板锡膏印刷后的印刷图像,利用所述模板信息进行模板匹配,具体为:
获取模板信息及印刷图像,将所述模板信息与预处理后的印刷图像进行模板匹配,利用主干提取网络获取所述模板信息及印刷图像的特征生成双层特征;
在所述双层特征中利用相似度计算获取相似度分布,根据所述相似度分布及模板信息中轮廓大小生成锡膏印刷区域的位置,提取轮廓点对应的邻居点集合,获取轮廓点及邻居点集合在模板信息及印刷图像中的汉明距离;
获取每个轮廓点及对应邻居点集合中汉明距离最小的特征点,根据所述特征点生成最终的锡膏印刷区域。
3.根据权利要求1所述的一种用于锡膏印刷的检测定位优化方法,其特征在于,构建缺陷识别模型,将锡膏印刷区域导入所述缺陷识别模型,识别缺陷区域及缺陷类别,将缺陷区域进行标定,具体为:
在所述锡膏印刷区域中通过Canny算法进行边缘检测,并引入亚像素边缘定位技术,实现轮廓边缘的精检测及精定位,再使用最小二乘法拟合特征轮廓边缘,获取锡膏印刷区域的边缘信息;
通过大数据方法获取不良焊点的样本数据,将所述样本数据进行聚类分析,根据印刷偏移、少锡、多锡及连锡设置聚类簇数,并在所述样本数据中设置初始聚类中心;
通过迭代聚类更新各类簇聚类结果对应的聚类中心,当聚类次数达到预设次数时停止聚类,选取最后一次聚类结果获取各类簇对应的样本数据集,根据不同类簇的样本数据集获取不同类别不良焊点对应的缺陷特征;
利用MobileNetV2及RPN构建缺陷识别分类网络,利用所述缺陷特征对缺陷识别分类网络进行训练,并引入注意力机制和残差连接增强特征的学习能力;
将锡膏印刷区域的边缘信息作为模型输入,利用注意力机制进行高维特征提取后,通过高维特征进行感兴趣区域池化,利用全连接层及SoftMax函数进行锚框回归及类别回归;
根据所述锚框回归及类别回归输出不良焊点的定位结果及识别分类结果,获取缺陷类别及缺陷区域的标定。
4.根据权利要求1所述的一种用于锡膏印刷的检测定位优化方法,其特征在于,利用分类标定误差反馈至缺陷识别模型,进行缺陷分类及定位优化,具体为:
获取待检测印制电路板中不良焊点的类别识别误差及位置分类标定误差,根据所述误差信息提取未识别缺陷,获取未识别缺陷的缺陷类别及特征信息;
将述特征信息结合缺陷类别对应的缺陷特征进行数据增强,将数据增强后缺陷特征用于缺陷识别分类网络的训练,根据不良焊点的标定结果与模板图像中对锡膏印刷存在影响的特征区域的偏差,对所述缺陷识别分类网络进行缺陷识别优化;
根据误差信息提取缺陷位置偏差,利用所缺陷位置偏差对锚框回归误差进行补偿,重新获取候选区域的中心像素值,实现定位优化。
5.根据权利要求1所述的一种用于锡膏印刷的检测定位优化方法,其特征在于,根据缺陷区域及缺陷类别提取锡膏印刷加工参数中的重要影响因素,根据所述重要影响因素对锡膏印刷加工参数进行调整,具体为:
获取待检测印制电路板的不良焊点的缺陷区域及缺陷类别,并获取对应的加工参数进行匹配,将匹配后的加工参数进行数据预处理;
在预处理后的加工参数中进行特征选择,筛选符合预设要求的特征作为影响因素,利用灰色关联度分析法在所述影响因素中筛选出对缺陷影响程度大于预设阈值的重要影响因素;
根据所述重要影响因素获取评价指标读取无不良焊点时锡膏印刷的标准加工参数对应的标准指标参数矩阵,根据所述标准指标参数矩阵与待检测印制电路板对应指标参数矩阵的均方距离;
根据所述均方距离获取不符合预设距离要求的参数,并根据标准加工参数对待检测印制电路板的加工参数进行调整,替换现有加工参数存入相关数据库进行后续加工。
6.一种用于锡膏印刷的检测定位优化***,其特征在于,该***包括:存储器、处理器,所述存储器中包括用于锡膏印刷的检测定位优化方法程序,所述用于锡膏印刷的检测定位优化方法程序被所述处理器执行时实现如下步骤:
获取待检测印制电路板的裸板图像,通过所述裸板图像提取裸板特征,根据所述裸板特征筛选对锡膏印刷存在影响的特征区域,通过所述裸板图像生成模板信息,并标记所述特征区域;
获取待检测印制电路板锡膏印刷后的印刷图像,利用所述模板信息进行模板匹配,并根据匹配结果生成待检测印制电路板的锡膏印刷区域;
构建缺陷识别模型,将锡膏印刷区域导入所述缺陷识别模型,识别缺陷区域及缺陷类别,将缺陷区域进行标定,获取缺陷区域的分类标定误差,利用分类标定误差反馈至缺陷识别模型,进行缺陷分类及定位优化;
根据缺陷区域及缺陷类别提取锡膏印刷加工参数中的重要影响因素,根据所述重要影响因素对锡膏印刷加工参数进行调整;
通过所述裸板图像提取裸板特征,根据所述裸板特征筛选对锡膏印刷存在影响的特征区域,通过所述裸板图像生成模板信息,具体为:
获取待检测印制电路板的裸板图像,将所述裸板图像进行预处理,利用Yolov3算法作为裸板缺陷识别模型的主干提取网络,将预处理后的裸板图像导入主干提取网络获取多尺度特征图;
引入空间注意力机制及通道注意力机制,为不同尺度特征图分配权重信息更新特征分布,对特征图进行重新标定,构建特征金字塔将重新标定后的特征图进行融合,聚合不同范围的上下文特征图,生成优化后的特征表达;
利用数据检索获取印制电路板的缺陷信息及对应锡膏印刷后印制电路板的实例数据集,根据所述实例数据集计算缺陷信息与锡膏印刷中不良焊点的皮尔逊相关系数;
获取皮尔逊相关系数大于预设阈值的缺陷信息,在所述实例数据集中筛选对应的数据子集,利用所述数据子集对所述裸板缺陷识别模型进行训练;
利用优化后的特征表达识别裸板图像中的缺陷,获取缺陷的形状特征及位置特征,根据所述位置特征筛选与预设锡膏印刷区域存在交集的缺陷,在裸板图像中根据筛选的缺陷生成对锡膏印刷存在影响的特征区域;
利用裸板图像生成模板信息,并将所述特征区域在所述模板信息中进行标记。
7.根据权利要求6所述的一种用于锡膏印刷的检测定位优化***,其特征在于,构建缺陷识别模型,将锡膏印刷区域导入所述缺陷识别模型,识别缺陷区域及缺陷类别,将缺陷区域进行标定,具体为:
在所述锡膏印刷区域中通过Canny算法进行边缘检测,并引入亚像素边缘定位技术,实现轮廓边缘的精检测及精定位,再使用最小二乘法拟合特征轮廓边缘,获取锡膏印刷区域的边缘信息;
通过大数据方法获取不良焊点的样本数据,将所述样本数据进行聚类分析,根据印刷偏移、少锡、多锡及连锡设置聚类簇数,并在所述样本数据中设置初始聚类中心;
通过迭代聚类更新各类簇聚类结果对应的聚类中心,当聚类次数达到预设次数时停止聚类,选取最后一次聚类结果获取各类簇对应的样本数据集,根据不同类簇的样本数据集获取不同类别不良焊点对应的缺陷特征;
利用MobileNetV2及RPN构建缺陷识别分类网络,利用所述缺陷特征对缺陷识别分类网络进行训练,并引入注意力机制和残差连接增强特征的学习能力;
将锡膏印刷区域的边缘信息作为模型输入,利用注意力机制进行高维特征提取后,通过高维特征进行感兴趣区域池化,利用全连接层及SoftMax函数进行锚框回归及类别回归;
根据所述锚框回归及类别回归输出不良焊点的定位结果及识别分类结果,获取缺陷类别及缺陷区域的标定。
8.根据权利要求6所述的一种用于锡膏印刷的检测定位优化***,其特征在于,利用分类标定误差反馈至缺陷识别模型,进行缺陷分类及定位优化,具体为:
获取待检测印制电路板中不良焊点的类别识别误差及位置分类标定误差,根据所述误差信息提取未识别缺陷,获取未识别缺陷的缺陷类别及特征信息;
将述特征信息结合缺陷类别对应的缺陷特征进行数据增强,将数据增强后缺陷特征用于缺陷识别分类网络的训练,根据不良焊点的标定结果与模板图像中对锡膏印刷存在影响的特征区域的偏差,对所述缺陷识别分类网络进行缺陷识别优化;
根据误差信息提取缺陷位置偏差,利用所缺陷位置偏差对锚框回归误差进行补偿,重新获取候选区域的中心像素值,实现定位优化。
9.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中包括用于锡膏印刷的检测定位优化程序,所述用于锡膏印刷的检测定位优化方法程序被处理器执行时,实现如权利要求1至5中任一项所述的用于锡膏印刷的检测定位优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311316515.8A CN117152123B (zh) | 2023-10-12 | 2023-10-12 | 一种用于锡膏印刷的检测定位优化方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311316515.8A CN117152123B (zh) | 2023-10-12 | 2023-10-12 | 一种用于锡膏印刷的检测定位优化方法、***及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152123A CN117152123A (zh) | 2023-12-01 |
CN117152123B true CN117152123B (zh) | 2024-01-30 |
Family
ID=88887005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311316515.8A Active CN117152123B (zh) | 2023-10-12 | 2023-10-12 | 一种用于锡膏印刷的检测定位优化方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152123B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117409261B (zh) * | 2023-12-14 | 2024-02-20 | 成都数之联科技股份有限公司 | 一种基于分类模型的元件角度分类方法及*** |
CN117911735B (zh) * | 2024-03-20 | 2024-05-17 | 苏州先准电子科技有限公司 | 一种印刷电路板质量检测方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010130226A1 (en) * | 2009-05-15 | 2010-11-18 | Saint-Gobain Glass France | Method and system for detecting defects of transparent substrate |
CN107966448A (zh) * | 2017-11-17 | 2018-04-27 | 福建工程学院 | 一种用于pcb锡膏印刷质量的2维检测方法 |
CN111709909A (zh) * | 2020-05-12 | 2020-09-25 | 安徽艾睿思智能科技有限公司 | 基于深度学习的通用印刷缺陷检测方法及其模型 |
CN111862067A (zh) * | 2020-07-28 | 2020-10-30 | 中山佳维电子有限公司 | 一种焊接缺陷检测方法、装置、电子设备以及存储介质 |
CN112907562A (zh) * | 2021-03-16 | 2021-06-04 | 中科海拓(无锡)科技有限公司 | 一种基于MobileNet的SMT缺陷分类算法 |
CN114997289A (zh) * | 2022-05-23 | 2022-09-02 | 中国电子科技集团公司第三十八研究所 | 一种数据驱动的smt锡膏印刷质量预测分析方法及*** |
CN116258682A (zh) * | 2023-01-07 | 2023-06-13 | 湖南科博强电子科技有限公司 | 基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10748271B2 (en) * | 2018-04-25 | 2020-08-18 | Applied Materials Israel Ltd. | Method of defect classification and system thereof |
-
2023
- 2023-10-12 CN CN202311316515.8A patent/CN117152123B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010130226A1 (en) * | 2009-05-15 | 2010-11-18 | Saint-Gobain Glass France | Method and system for detecting defects of transparent substrate |
CN107966448A (zh) * | 2017-11-17 | 2018-04-27 | 福建工程学院 | 一种用于pcb锡膏印刷质量的2维检测方法 |
CN111709909A (zh) * | 2020-05-12 | 2020-09-25 | 安徽艾睿思智能科技有限公司 | 基于深度学习的通用印刷缺陷检测方法及其模型 |
CN111862067A (zh) * | 2020-07-28 | 2020-10-30 | 中山佳维电子有限公司 | 一种焊接缺陷检测方法、装置、电子设备以及存储介质 |
CN112907562A (zh) * | 2021-03-16 | 2021-06-04 | 中科海拓(无锡)科技有限公司 | 一种基于MobileNet的SMT缺陷分类算法 |
CN114997289A (zh) * | 2022-05-23 | 2022-09-02 | 中国电子科技集团公司第三十八研究所 | 一种数据驱动的smt锡膏印刷质量预测分析方法及*** |
CN116258682A (zh) * | 2023-01-07 | 2023-06-13 | 湖南科博强电子科技有限公司 | 基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
Fabric Defect Detection Using Gray Level Co-occurence Matrix and Local Binary Pattern;Ushik Shrestha Khwakhali等;《2022 RIVF International Conference on Computing and Communication Technologies (RIVF)》;第226-231页 * |
PCB表面缺陷视觉检测及锡膏焊缺陷识别技术研究;陈早早;《中国优秀硕士学位论文全文数据库信息科技辑》(第01期);第I135-831页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117152123A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117152123B (zh) | 一种用于锡膏印刷的检测定位优化方法、***及存储介质 | |
CN106033535B (zh) | 电子阅卷方法 | |
CN111612784A (zh) | 一种基于分类优先yolo网络的钢板表面缺陷检测方法 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、***及介质 | |
CN113569863B (zh) | 一种单据稽查的方法、***、电子设备及存储介质 | |
CN110569856A (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
TWI794718B (zh) | 電路板檢測方法、電子裝置及存儲介質 | |
CN115302963B (zh) | 一种基于机器视觉的条形码印刷控制方法、***及介质 | |
CN113793332B (zh) | 一种实验仪器缺陷识别分类方法及*** | |
CN116362630B (zh) | 基于物联网的锡膏印刷机管理方法、***及介质 | |
CN116228741A (zh) | 一种pcba元器件缺陷检测方法及装置 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN114596302A (zh) | 一种pcb板缺陷检测方法、***、介质、设备及终端 | |
CN110751225A (zh) | 图像分类方法、装置及存储介质 | |
CN114078109A (zh) | 图像处理方法、电子装置和存储介质 | |
CN116843677A (zh) | 钣金件的外观质量检测***及其方法 | |
CN116363136A (zh) | 一种机动车部件自动化生产在线筛选方法及*** | |
CN114693554A (zh) | 一种大数据图像处理方法及*** | |
CN112926610A (zh) | 车牌图像筛选模型的构建方法与车牌图像筛选方法 | |
CN117974601B (zh) | 基于模板匹配的硅片表面缺陷检测方法及*** | |
CN116309581B (zh) | 一种微光成像单元的成像评价方法、***及存储介质 | |
CN117670820B (zh) | 一种塑料薄膜生产缺陷检测方法及*** | |
CN112699886B (zh) | 一种字符识别方法、装置及电子设备 | |
CN117422681A (zh) | 基于改进YOLOv8算法的PCB表面缺陷检测方法 | |
CN115456968A (zh) | 电容外观检测方法、装置、电子设备及存储介质 |
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 |