CN117593273A - 一种电子元器件表面缺陷检测方法及*** - Google Patents

一种电子元器件表面缺陷检测方法及*** Download PDF

Info

Publication number
CN117593273A
CN117593273A CN202311600540.9A CN202311600540A CN117593273A CN 117593273 A CN117593273 A CN 117593273A CN 202311600540 A CN202311600540 A CN 202311600540A CN 117593273 A CN117593273 A CN 117593273A
Authority
CN
China
Prior art keywords
information
components
image
detection
model
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.)
Withdrawn
Application number
CN202311600540.9A
Other languages
English (en)
Inventor
徐鑫
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.)
Nantong Langshun Intelligent Technology Co ltd
Original Assignee
Nantong Langshun Intelligent 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 Nantong Langshun Intelligent Technology Co ltd filed Critical Nantong Langshun Intelligent Technology Co ltd
Priority to CN202311600540.9A priority Critical patent/CN117593273A/zh
Publication of CN117593273A publication Critical patent/CN117593273A/zh
Withdrawn legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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]
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种电子元器件表面缺陷检测方法及***，涉及数字处理技术领域，方法包括：获得待检测图像信息；对待检测图像信息进行划分，获得多个元器件图像信息；获得多个需求度信息；构建多个元器件图像生成式对抗网络模型；获得多个元器件生成图像集合；分析获得多个模型性能要求信息；获取多个目标元器件的基础图像集合，根据多个模型性能需求信息，构建多个元器件表面缺陷检测模型；获得多个元器件表面缺陷质量检测结果。解决了电子元器件表面缺陷检测的算力资源利用率低，检测效率低且准确性低的技术问题，达到了针对缺陷检测的需求，针对性的搭建不同精度的检测模型，提高算力资源利用率的同时，提升检测效率和准确性的技术效果。

Description

一种电子元器件表面缺陷检测方法及***
技术领域
本发明涉及数字处理技术领域，具体涉及一种电子元器件表面缺陷检测方法及***。
背景技术
电子元器件是电子元件、机器、仪器的重要组成部分，由若干个零件构成，是电容、晶体管、游丝和发条等电子器件的总称，电子元器件的表面缺陷直接影响电子元器件的合格率，还存在性能表现不佳的风险，由此，对电子元器件表面缺陷检测是必要的。在现阶段，主要有人工目测检测、红外检测等相关检测手段，但人工目检效率低下，红外检测的受限制条件较多。
现有技术中存在电子元器件表面缺陷检测的算力资源利用率低，检测效率低且准确性低的技术问题。
发明内容
本申请通过提供了一种电子元器件表面缺陷检测方法及***，解决了电子元器件表面缺陷检测的算力资源利用率低，检测效率低且准确性低的技术问题，达到了针对缺陷检测的需求，针对性的搭建不同精度的检测模型，提高算力资源利用率的同时，提升检测效率和准确性的技术效果。
鉴于上述问题，本申请提供了一种电子元器件表面缺陷检测方法及***。
本申请的第一个方面，提供了一种电子元器件表面缺陷检测方法，其中，所述方法包括：采集待检测元器件主板的图像信息，获得待检测图像信息，其中，所述待检测元器件主板上包括待进行表面缺陷检测的多个目标元器件；按照所述多个目标元器件，对所述待检测图像信息进行划分，获得多个元器件图像信息；分析所述多个目标元器件进行表面缺陷检测的需求度，获得多个需求度信息；根据所述多个目标元器件，构建多个元器件图像生成式对抗网络模型；将所述多个元器件图像信息分别输入所述多个元器件图像生成式对抗网络模型，获得多个元器件生成图像集合；根据所述多个需求度信息，分析获得多个模型性能要求信息；获取所述多个目标元器件的基础图像集合，结合所述多个元器件生成图像集合获得多个构建数据集，根据所述多个模型性能需求信息，构建多个元器件表面缺陷检测模型；将所述多个元器件图像信息输入所述多个元器件表面缺陷检测模型内，获得多个元器件表面缺陷质量检测结果。
本申请的第二个方面，提供了一种电子元器件表面缺陷检测***，其中，所述***包括：图像信息采集单元，所述图像信息采集单元用于采集待检测元器件主板的图像信息，获得待检测图像信息，其中，所述待检测元器件主板上包括待进行表面缺陷检测的多个目标元器件；信息划分单元，所述信息划分单元用于按照所述多个目标元器件，对所述待检测图像信息进行划分，获得多个元器件图像信息；需求度获得单元，所述需求度获得单元用于分析所述多个目标元器件进行表面缺陷检测的需求度，获得多个需求度信息；对抗模型构建单元，所述对抗模型构建单元用于根据所述多个目标元器件，构建多个元器件图像生成式对抗网络模型；图像集合获得单元，所述图像集合获得单元用于将所述多个元器件图像信息分别输入所述多个元器件图像生成式对抗网络模型，获得多个元器件生成图像集合；性能要求获得单元，所述性能要求获得单元用于根据所述多个需求度信息，分析获得多个模型性能要求信息；检测模型构建单元，所述检测模型构建单元用于获取所述多个目标元器件的基础图像集合，结合所述多个元器件生成图像集合获得多个构建数据集，根据所述多个模型性能需求信息，构建多个元器件表面缺陷检测模型；检测结果获得单元，所述检测结果获得单元用于将所述多个元器件图像信息输入所述多个元器件表面缺陷检测模型内，获得多个元器件表面缺陷质量检测结果。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了获得待检测图像信息；对待检测图像信息进行划分，获得多个元器件图像信息；获得多个需求度信息；构建多个元器件图像生成式对抗网络模型；获得多个元器件生成图像集合；分析获得多个模型性能要求信息；获取多个目标元器件的基础图像集合，根据多个模型性能需求信息，构建多个元器件表面缺陷检测模型；将多个元器件图像信息输入多个元器件表面缺陷检测模型内，获得多个元器件表面缺陷质量检测结果。本申请达到了针对缺陷检测的需求，针对性的搭建不同精度的检测模型，提高算力资源利用率的同时，提升检测效率和准确性的技术效果。
附图说明
图1为本申请一种电子元器件表面缺陷检测方法的流程示意图；
图2为本申请一种电子元器件表面缺陷检测方法的获得多个需求度信息的流程示意图；
图3为本申请一种电子元器件表面缺陷检测方法的获得多个模型性能要求信息的流程示意图；
图4为本申请一种电子元器件表面缺陷检测***的结构示意图。
附图标记说明：图像信息采集单元11，信息划分单元12，需求度获得单元13，对抗模型构建单元14，图像集合获得单元15，性能要求获得单元16，检测模型构建单元17，检测结果获得单元18。
具体实施方式
本申请通过提供了一种电子元器件表面缺陷检测方法及***，解决了电子元器件表面缺陷检测的算力资源利用率低，检测效率低且准确性低的技术问题，达到了针对缺陷检测的需求，针对性的搭建不同精度的检测模型，提高算力资源利用率的同时，提升检测效率和准确性的技术效果。
实施例一
如图1所示，本申请提供了一种电子元器件表面缺陷检测方法，其中，所述方法包括：
步骤S100：采集待检测元器件主板的图像信息，获得待检测图像信息，其中，所述待检测元器件主板上包括待进行表面缺陷检测的多个目标元器件；
步骤S200：按照所述多个目标元器件，对所述待检测图像信息进行划分，获得多个元器件图像信息；
具体而言，在基于数字技术对电子元器件进行自动表面缺陷检测的过程中，需要的算力资源庞大，检测效率低，准确性低，然而，不同的元器件出现表面缺陷的概率不同，例如较为精密元器件的缺陷概率大，本申请实施例对于不同的元器件，构建不同的检测模型，提高检测的针对性，进而提升检测效率和准确性，降低算力资源占用。
具体而言，通过高精度图像采集设备（如，高清摄像机等相关装置），对所述待检测元器件主板进行图像信息采集，获取待检测图像信息，所述待检测元器件主板上包括待进行表面缺陷（表面缺陷可以是划痕，灰尘，气泡等相关的表面缺陷）检测的多个目标元器件，所述多个目标元器件的元件型号信息不同，按照所述多个目标元器件对应的元件型号信息，对所述待检测图像信息进行划分，获得多个元器件图像信息，为后续进行数据处理提供数据基础。
步骤S300：分析所述多个目标元器件进行表面缺陷检测的需求度，获得多个需求度信息；
进一步的，如图2所示，分析所述多个目标元器件进行表面缺陷检测的需求度，步骤S300包括：
步骤S310：根据所述多个目标元器件，获得多个元器件种类；
步骤S320：获取所述多个元器件种类在此前预设时间范围内检测出存在表面缺陷的次数，获得多个缺陷次数信息；
步骤S330：构建检测需求度分析模型；
步骤S340：将所述多个缺陷次数信息输入所述检测需求度分析模型，获得所述多个需求度信息。
具体而言，分别对所述多个目标元器件进行缺陷的次数统计，依照缺陷的次数统计结果，分析所述多个目标元器件进行表面缺陷检测的需求度（一种元器件种类以前出现缺陷的次数越多，则需求度越大），获得多个需求度信息，为针对需求设定检测相对应的检测方案提供基础。
具体而言，分析所述多个目标元器件进行表面缺陷检测的需求度，具体包括：根据所述多个目标元器件的元件型号信息进行元器件分类，获得多个元器件种类；在此前预设时间范围（所述此前预设时间范围为一预设参数指标）内，获取所述多个元器件种类在此前预设时间范围内检测出存在表面缺陷的次数，分别对所述多个元器件种类进行缺陷的次数统计，输出所述多个缺陷次数信息，其中，所述多个缺陷次数信息与多个元器件种类一一对应，缺陷的次数统计结果即所述多个缺陷次数信息；构建检测需求度分析模型；将所述多个缺陷次数信息作为输入信息，输入所述检测需求度分析模型，检测需求度分析模型的输出结果即所述多个需求度信息，为后续设定不同精度的检测方案提供支持，保障缺陷检测测结果可信度的同时，降低算力资源占用。
进一步的，所述构建检测需求度分析模型，步骤S330包括：
步骤S331：获取所述多个目标元器件在多个预设时间范围内检测出存在表面缺陷的次数，获得多个样本缺陷次数信息集合；
步骤S332：对所述多个样本缺陷次数信息集合内的样本缺陷次数信息进行检测需求度评估，获得多个样本检测需求度信息；
步骤S333：从所述多个样本缺陷次数信息集合随机选择一样本缺陷次数信息，构建所述检测需求度分析模型的第一划分节点；
步骤S334：再次从所述多个样本缺陷次数信息集合随机选择一样本缺陷次数信息，构建所述检测需求度分析模型的第二划分节点；
步骤S335：继续构建获得所述检测需求度分析模型的多级划分节点；
步骤S336：根据所述多级划分节点，获得多个最终划分结果；
步骤S337：采用所述多个样本检测需求度信息，对所述多个最终划分结果进行标识，获得构建完成的所述检测需求度分析模型。
具体而言，构建检测需求度分析模型，具体包括：通过所述多个目标元器件的历史表面缺陷检测数据，通过预设周期标记，获取多个预设时间范围，通过多个预设时间范围对所述历史表面缺陷检测数据进行划分，获取所述多个目标元器件在多个预设时间范围内检测出存在表面缺陷的次数，通过多个预设时间范围进行信息整合，获得多个样本缺陷次数信息集合，所述多个样本缺陷次数信息集合包括第一预设时间范围中的缺陷次数信息集合、第二预设时间范围中的缺陷次数信息集合等多组缺陷次数信息集合；对所述多个样本缺陷次数信息集合内的样本缺陷次数信息进行检测需求度评估，获得多个样本检测需求度信息，简单说明，依照缺陷出现的次数越多，对应确定检测需求度，可以设定一预设缺陷检测标准，所述预设缺陷检测标准包括缺陷次数区间与对应的检测需求度，示例性的，缺陷次数区间在1~5次对应检测需求度为1；缺陷次数区间在6~10次对应检测需求度为2；通过随机算法（现有技术），以决策树为模型基础，从所述多个样本缺陷次数信息集合随机选择一样本缺陷次数信息，将第一次随机选择一样本缺陷次数信息设定为第一划分节点，构建所述检测需求度分析模型的第一划分节点；再次从所述多个样本缺陷次数信息集合随机选择一样本缺陷次数信息，将第二次随机选择一样本缺陷次数信息设定为第二划分节点，构建所述检测需求度分析模型的第二划分节点；多次进行上述操作，继续构建获得所述检测需求度分析模型的多级划分节点，所述多级划分节点包括第一划分节点、第二划分节点多个划分节点；所述多级划分节点可作为所述检测需求度分析模型的内部节点，通过对其进行信息熵的计算，计算获取根节点特征信息，直至无法对最后的特征叶节点进行再分，说明分类结束，在分类结束后，根据所述多级划分节点对多个样本缺陷次数信息集合进行多级划分，获得多个最终划分结果；以所述多个样本检测需求度信息为标识信息，对所述多个最终划分结果进行标识绑定，获得构建完成的所述检测需求度分析模型，进行有偏向的细化的分类，为保证检测需求度分析模型的精度提供支持。
步骤S400：根据所述多个目标元器件，构建多个元器件图像生成式对抗网络模型；
进一步的，根据所述多个目标元器件，构建多个元器件图像生成式对抗网络模型，包括：
步骤S410：获取所述多个元器件种类的多个样本元器件图像信息集合；
步骤S420：根据所述多个样本元器件图像信息集合，分别获得多个训练样本和多个测试样本；
步骤S430：构建所述多个元器件图像生成式对抗网络模型的多个生成模块和多个判别模块；
步骤S440：分别将所述多个训练样本输入所述多个生成模块，添加噪声，生成获得多个对抗样本；
步骤S450：分别将所述多个对抗样本输入所述多个判别模块，区分判别所述多个对抗样本和所述多个训练样本，获得多个判别结果；
步骤S460：根据所述多个判别结果，继续对所述多个生成模块和所述多个对抗样本进行迭代训练；
步骤S470：直到所述多个判别模块无法判别生成的多个对抗样本和多个训练样本，获得训练完成的所述多个元器件图像生成式对抗网络模型。
具体而言，根据所述多个目标元器件，以对抗神经网络为模型基础，分别构建多个元器件图像生成式对抗网络模型，具体包括：通过高精度图像采集设备的历史图像存储单元，进行图像数据提取，获取所述多个元器件种类的多个样本元器件图像信息集合；随机对所述多个样本元器件图像信息集合进行数据划分，分别获得多个训练样本和多个测试样本；针对所述多个元器件图像生成式对抗网络模型，分别构建所述多个元器件图像生成式对抗网络模型的多个生成模块和多个判别模块，所述多个生成模块和多个判别模块一一对应，第一生成模块与第一判别模块合并即为第一元器件图像生成式对抗网络模型；分别将所述多个训练样本输入所述多个生成模块的数据输入端口，通过所述生成模块中的目标函数添加噪声，所述生成模块的输出即多个对抗样本；分别将所述多个对抗样本输入所述多个判别模块，区分判别所述多个对抗样本和所述多个训练样本，获得多个判别结果，根据所述多个判别结果，继续对所述多个生成模块和所述多个对抗样本进行迭代训练，直到所述多个判别模块无法判别生成的多个对抗样本和多个训练样本，即训练完成（训练完成后的生成模块的输出即多个对抗样本，将多个对抗样本输入判别模块，判别模块无法判别训练样本与对抗样本的差异），获得所述多个元器件图像生成式对抗网络模型，可以提升构建模型的样本元器件图像的数据量，进而提升模型性能。
步骤S500：将所述多个元器件图像信息分别输入所述多个元器件图像生成式对抗网络模型，获得多个元器件生成图像集合；
步骤S600：根据所述多个需求度信息，分析获得多个模型性能要求信息；
进一步的，如图3所示，根据所述多个需求度信息，分析获得多个模型性能要求信息，步骤S600包括：
步骤S610：获取预设模型性能要求信息；
步骤S620：根据所述多个需求度信息，进行检测需求评估，获得多个调整参数；
步骤S630：分别采用所述多个调整参数对所述预设模型性能要求信息进行调整，获得所述多个模型性能要求信息，其中，所述多个模型性能要求信息内包括多个模型准确率要求信息和多个模型构建数据量要求信息。
具体而言，将所述多个元器件图像信息分别输入所述多个元器件图像生成式对抗网络模型，对数据量进行选择性的扩充，获得多个元器件生成图像集合；根据所述多个需求度信息，分析获得多个模型性能要求信息，简单说明，一种元器件以前出现表面缺陷的次数越多，则需要更为严格的检测，则模型性能要求信息里的模型构建数据量要求信息越多，模型准确率要求信息越高（例如98%），反之则越少、越低，为保证模型准确率提供支持。
进一步具体说明，根据所述多个需求度信息，分析获得多个模型性能要求信息，具体包括：获取预设模型性能要求信息，所述预设模型性能要求信息包括预设的模型准确率要求信息和模型构建数据量要求信息；根据所述多个需求度信息，进行检测需求评估（以缺陷次数区间在1~5次对应检测需求度为1；缺陷次数区间在6~10次对应检测需求度为2为基础，对检测需求评估进行说明，检测需求度为1，可以将调整参数设定为20%；检测需求度为2，可以将调整参数设定为40%），获得多个调整参数；分别采用所述多个调整参数对所述预设模型性能要求信息进行调整(直接使用所述多个调整参数分别与所述预设模型性能要求信息相乘)，获得所述多个模型性能要求信息，其中，所述多个模型性能要求信息内包括多个模型准确率要求信息和多个模型构建数据量要求信息，为有针对性构建精度不同的表面缺陷检测模型提供支持。
步骤S700：获取所述多个目标元器件的基础图像集合，结合所述多个元器件生成图像集合获得多个构建数据集，根据所述多个模型性能需求信息，构建多个元器件表面缺陷检测模型；
步骤S800：将所述多个元器件图像信息输入所述多个元器件表面缺陷检测模型内，获得多个元器件表面缺陷质量检测结果。
进一步的，获取所述多个目标元器件的基础图像集合，结合所述多个元器件生成图像集合获得多个构建数据集，根据所述多个模型性能需求信息，构建多个元器件表面缺陷检测模型，包括：
步骤S710：根据所述多个模型构建数据量要求信息，对所述多个元器件生成图像集合内的图像数量进行调整，获得多个调整生成图像集合；
步骤S720：分别对所述多个调整生成图像集合和所述多个目标元器件的基础图像集合内的图像信息进行表面缺陷检测评估，获得多个样本表面缺陷质量检测结果集合；
步骤S730：根据所述多个目标元器件的基础图像集合、所述多个调整生成图像集合和所述多个样本表面缺陷质量检测结果集合，获得多个构建数据集；
步骤S740：根据所述多个构建数据集和所述多个模型准确率要求信息，构建所述多个元器件表面缺陷检测模型。
具体而言，获取所述多个目标元器件的基础图像集合，所述基础图像集合包括目标元器件的底层图像信息、连接层图像信息、功能层层图像信息，结合所述多个元器件生成图像集合，获得多个构建数据集，根据所述多个模型性能需求信息，构建多个元器件表面缺陷检测模型，将所述多个元器件图像信息作为输入数据，输入所述多个元器件表面缺陷检测模型内，所述多个元器件表面缺陷检测模型分别输出多个元器件表面缺陷质量检测结果，有针对性构建精度不同的表面缺陷检测模型，提高算力资源的利用率，为提高检测模型的精度提供支持。
具体而言，根据所述多个目标元器件的基础图像集合，结合所述多个元器件生成图像集合，获得多个构建数据集，根据所述多个模型性能需求信息，构建多个元器件表面缺陷检测模型，具体包括：基于所述多个模型性能要求信息内的多个模型构建数据量要求信息，对所述多个元器件生成图像集合内的图像数量（图像数量即单张图像图像像素点与图像张数之积）进行调整（可以进行图像压缩调整，单张图像图像像素点减少；也可以是图像张数减少，随机抽取部分图像），获得多个调整生成图像集合；分别对所述多个调整生成图像集合和所述多个目标元器件的基础图像集合内的图像信息进行表面缺陷检测评估（可以通过无损元器件的基础图像集合内的图像信息进行缺陷比对），获得多个样本表面缺陷质量检测结果集合；根据所述多个目标元器件的基础图像集合、所述多个调整生成图像集合和所述多个样本表面缺陷质量检测结果集合，进行数据关联绑定，获得多个构建数据集；根据所述多个构建数据集和所述多个模型准确率要求信息，构建所述多个元器件表面缺陷检测模型，通过进行图像调整，对模型的输入数据量进行筛选限定，为提升模型运算处理性能提供基础。
进一步的，根据所述多个构建数据集和所述多个模型准确率要求信息，构建所述多个元器件表面缺陷检测模型，步骤S740包括：
步骤S741：基于卷积神经网络，构建所述多个元器件表面缺陷检测模型；
步骤S742：分别采用所述多个构建数据集，对所述多个元器件表面缺陷检测模型进行迭代监督训练，直到所述多个元器件表面缺陷检测模型分别满足所述多个模型准确率要求信息；
步骤S743：分别采用所述多个构建数据集，对所述多个元器件表面缺陷检测模型进行验证，若所述多个元器件表面缺陷检测模型分别满足所述多个模型准确率要求信息，则获得构建完成的所述多个元器件表面缺陷检测模型。
具体而言，根据所述多个构建数据集和所述多个模型准确率要求信息，构建所述多个元器件表面缺陷检测模型，具体包括：基于所述多个模型性能要求信息内的多个模型准确率要求信息，以卷积神经网络为模型基础，分别采用所述多个构建数据集，分别输入多个元器件表面缺陷检测模型中，对所述多个元器件表面缺陷检测模型进行迭代监督训练，直到所述多个元器件表面缺陷检测模型分别满足所述多个模型准确率要求信息中的模型输出稳定性要求信息后，分别采用所述多个构建数据集，对所述多个元器件表面缺陷检测模型进行验证，若所述多个元器件表面缺陷检测模型分别满足所述多个模型准确率要求信息中的模型验证精准度要求信息后，则获得构建完成的所述多个元器件表面缺陷检测模型，为保证所述多个元器件表面缺陷检测模型的稳定性提供支持。
综上所述，本申请所提供的一种电子元器件表面缺陷检测方法及***具有如下技术效果：
由于采用了获得待检测图像信息；对待检测图像信息进行划分，获得多个元器件图像信息；获得多个需求度信息；构建多个元器件图像生成式对抗网络模型；获得多个元器件生成图像集合；分析获得多个模型性能要求信息；获取多个目标元器件的基础图像集合，构建多个元器件表面缺陷检测模型；获得多个元器件表面缺陷质量检测结果，本申请通过提供了一种电子元器件表面缺陷检测方法及***，达到了针对缺陷检测的需求，针对性的搭建不同精度的检测模型，提高算力资源利用率的同时，提升检测效率和准确性的技术效果。
由于采用了获取预设模型性能要求信息；根据多个需求度信息，进行检测需求评估，获得多个调整参数；分别采用多个调整参数对预设模型性能要求信息进行调整，获得多个模型性能要求信息，为有针对性构建精度不同的表面缺陷检测模型提供支持。
由于采用了基于卷积神经网络，构建多个元器件表面缺陷检测模型；进行迭代监督训练，直到分别满足多个模型准确率要求信息；对多个元器件表面缺陷检测模型进行验证，若分别满足多个模型准确率要求信息，则获得构建完成的多个元器件表面缺陷检测模型。为保证多个元器件表面缺陷检测模型的稳定性提供支持。
实施例二
基于与前述实施例中一种电子元器件表面缺陷检测方法相同的发明构思，如图4所示，本申请提供了一种电子元器件表面缺陷检测***，其中，所述***包括：
图像信息采集单元11，所述图像信息采集单元11用于采集待检测元器件主板的图像信息，获得待检测图像信息，其中，所述待检测元器件主板上包括待进行表面缺陷检测的多个目标元器件；
信息划分单元12，所述信息划分单元12用于按照所述多个目标元器件，对所述待检测图像信息进行划分，获得多个元器件图像信息；
需求度获得单元13，所述需求度获得单元13用于分析所述多个目标元器件进行表面缺陷检测的需求度，获得多个需求度信息；
对抗模型构建单元14，所述对抗模型构建单元14用于根据所述多个目标元器件，构建多个元器件图像生成式对抗网络模型；
图像集合获得单元15，所述图像集合获得单元15用于将所述多个元器件图像信息分别输入所述多个元器件图像生成式对抗网络模型，获得多个元器件生成图像集合；
性能要求获得单元16，所述性能要求获得单元16用于根据所述多个需求度信息，分析获得多个模型性能要求信息；
检测模型构建单元17，所述检测模型构建单元17用于获取所述多个目标元器件的基础图像集合，结合所述多个元器件生成图像集合获得多个构建数据集，根据所述多个模型性能需求信息，构建多个元器件表面缺陷检测模型；
检测结果获得单元18，所述检测结果获得单元18用于将所述多个元器件图像信息输入所述多个元器件表面缺陷检测模型内，获得多个元器件表面缺陷质量检测结果。
进一步的，所述***包括：
元器件种类获得单元，所述元器件种类获得单元用于根据所述多个目标元器件，获得多个元器件种类；
缺陷次数获得单元，所述缺陷次数获得单元用于获取所述多个元器件种类在此前预设时间范围内检测出存在表面缺陷的次数，获得多个缺陷次数信息；
需求度分析模型构建单元，所述需求度分析模型构建单元用于构建检测需求度分析模型；
需求度信息获得单元，所述需求度信息获得单元用于将所述多个缺陷次数信息输入所述检测需求度分析模型，获得所述多个需求度信息。
进一步的，所述***包括：
缺陷次数信息集合获得单元，所述缺陷次数信息集合获得单元用于获取所述多个目标元器件在多个预设时间范围内检测出存在表面缺陷的次数，获得多个样本缺陷次数信息集合；
检测需求度信息获得单元，所述检测需求度信息获得单元用于对所述多个样本缺陷次数信息集合内的样本缺陷次数信息进行检测需求度评估，获得多个样本检测需求度信息；
第一划分节点确定单元，所述第一划分节点确定单元用于从所述多个样本缺陷次数信息集合随机选择一样本缺陷次数信息，构建所述检测需求度分析模型的第一划分节点；
第二划分节点确定单元，所述第二划分节点确定单元用于再次从所述多个样本缺陷次数信息集合随机选择一样本缺陷次数信息，构建所述检测需求度分析模型的第二划分节点；
多级划分节点确定单元，所述多级划分节点确定单元用于继续构建获得所述检测需求度分析模型的多级划分节点；
最终划分结果获得单元，所述最终划分结果获得单元用于根据所述多级划分节点，获得多个最终划分结果；
需求度分析模型构建单元，所述需求度分析模型构建单元用于采用所述多个样本检测需求度信息，对所述多个最终划分结果进行标识，获得构建完成的所述检测需求度分析模型。
进一步的，所述***包括：
元器件图像信息集合获取单元，所述元器件图像信息集合获取单元用于获取所述多个元器件种类的多个样本元器件图像信息集合；
样本数据获得单元，所述样本数据获得单元用于根据所述多个样本元器件图像信息集合，分别获得多个训练样本和多个测试样本；
生成模块和判别模块构建单元，所述生成模块和判别模块构建单元用于构建所述多个元器件图像生成式对抗网络模型的多个生成模块和多个判别模块；
对抗样本生成单元，所述对抗样本生成单元用于分别将所述多个训练样本输入所述多个生成模块，添加噪声，生成获得多个对抗样本；
判别结果获得单元，所述判别结果获得单元用于分别将所述多个对抗样本输入所述多个判别模块，区分判别所述多个对抗样本和所述多个训练样本，获得多个判别结果；
迭代训练单元，所述迭代训练单元用于根据所述多个判别结果，继续对所述多个生成模块和所述多个对抗样本进行迭代训练；
对抗网络模型生成单元，所述对抗网络模型生成单元用于直到所述多个判别模块无法判别生成的多个对抗样本和多个训练样本，获得训练完成的所述多个元器件图像生成式对抗网络模型。
进一步的，所述***包括：
性能要求信息获取单元，所述性能要求信息获取单元用于获取预设模型性能要求信息；
检测需求评估单元，所述检测需求评估单元用于根据所述多个需求度信息，进行检测需求评估，获得多个调整参数；
模型性能要求信息获得单元，所述模型性能要求信息获得单元用于分别采用所述多个调整参数对所述预设模型性能要求信息进行调整，获得所述多个模型性能要求信息，其中，所述多个模型性能要求信息内包括多个模型准确率要求信息和多个模型构建数据量要求信息。
进一步的，所述***包括：
图像数量调整单元，所述图像数量调整单元用于根据所述多个模型构建数据量要求信息，对所述多个元器件生成图像集合内的图像数量进行调整，获得多个调整生成图像集合；
表面缺陷检测评估单元，所述表面缺陷检测评估单元用于分别对所述多个调整生成图像集合和所述多个目标元器件的基础图像集合内的图像信息进行表面缺陷检测评估，获得多个样本表面缺陷质量检测结果集合；
构建数据集获得单元，所述构建数据集获得单元用于根据所述多个目标元器件的基础图像集合、所述多个调整生成图像集合和所述多个样本表面缺陷质量检测结果集合，获得多个构建数据集；
表面缺陷检测模型构建单元，所述表面缺陷检测模型构建单元用于根据所述多个构建数据集和所述多个模型准确率要求信息，构建所述多个元器件表面缺陷检测模型。
进一步的，所述***包括：
元器件表面缺陷检测模型构建单元，所述元器件表面缺陷检测模型构建单元用于基于卷积神经网络，构建所述多个元器件表面缺陷检测模型；
迭代监督训练单元，所述迭代监督训练单元用于分别采用所述多个构建数据集，对所述多个元器件表面缺陷检测模型进行迭代监督训练，直到所述多个元器件表面缺陷检测模型分别满足所述多个模型准确率要求信息；
模型精确度验证单元，所述模型精确度验证单元用于分别采用所述多个构建数据集，对所述多个元器件表面缺陷检测模型进行验证，若所述多个元器件表面缺陷检测模型分别满足所述多个模型准确率要求信息，则获得构建完成的所述多个元器件表面缺陷检测模型。
本说明书和附图仅仅是本申请的示例性说明，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (8)

1.一种电子元器件表面缺陷检测方法，其特征在于，所述方法包括：
采集待检测元器件主板的图像信息，获得待检测图像信息，其中，所述待检测元器件主板上包括待进行表面缺陷检测的多个目标元器件；
按照所述多个目标元器件，对所述待检测图像信息进行划分，获得多个元器件图像信息；
分析所述多个目标元器件进行表面缺陷检测的需求度，获得多个需求度信息；
根据所述多个目标元器件，构建多个元器件图像生成式对抗网络模型；
将所述多个元器件图像信息分别输入所述多个元器件图像生成式对抗网络模型，获得多个元器件生成图像集合；
根据所述多个需求度信息，分析获得多个模型性能要求信息；
获取所述多个目标元器件的基础图像集合，结合所述多个元器件生成图像集合获得多个构建数据集，根据所述多个模型性能需求信息，构建多个元器件表面缺陷检测模型；
将所述多个元器件图像信息输入所述多个元器件表面缺陷检测模型内，获得多个元器件表面缺陷质量检测结果。
2.根据权利要求1所述的方法，其特征在于，分析所述多个目标元器件进行表面缺陷检测的需求度，包括：
根据所述多个目标元器件，获得多个元器件种类；
获取所述多个元器件种类在此前预设时间范围内检测出存在表面缺陷的次数，获得多个缺陷次数信息；
构建检测需求度分析模型；
将所述多个缺陷次数信息输入所述检测需求度分析模型，获得所述多个需求度信息。
3.根据权利要求2所述的方法，其特征在于，所述构建检测需求度分析模型，包括：
获取所述多个目标元器件在多个预设时间范围内检测出存在表面缺陷的次数，获得多个样本缺陷次数信息集合；
对所述多个样本缺陷次数信息集合内的样本缺陷次数信息进行检测需求度评估，获得多个样本检测需求度信息；
从所述多个样本缺陷次数信息集合随机选择一样本缺陷次数信息，构建所述检测需求度分析模型的第一划分节点；
再次从所述多个样本缺陷次数信息集合随机选择一样本缺陷次数信息，构建所述检测需求度分析模型的第二划分节点；
继续构建获得所述检测需求度分析模型的多级划分节点；
根据所述多级划分节点，获得多个最终划分结果；
采用所述多个样本检测需求度信息，对所述多个最终划分结果进行标识，获得构建完成的所述检测需求度分析模型。
4.根据权利要求2所述的方法，其特征在于，根据所述多个目标元器件，构建多个元器件图像生成式对抗网络模型，包括：
获取所述多个元器件种类的多个样本元器件图像信息集合；
根据所述多个样本元器件图像信息集合，分别获得多个训练样本和多个测试样本；
构建所述多个元器件图像生成式对抗网络模型的多个生成模块和多个判别模块；
分别将所述多个训练样本输入所述多个生成模块，添加噪声，生成获得多个对抗样本；
分别将所述多个对抗样本输入所述多个判别模块，区分判别所述多个对抗样本和所述多个训练样本，获得多个判别结果；
根据所述多个判别结果，继续对所述多个生成模块和所述多个对抗样本进行迭代训练；
直到所述多个判别模块无法判别生成的多个对抗样本和多个训练样本，获得训练完成的所述多个元器件图像生成式对抗网络模型。
5.根据权利要求1所述的方法，其特征在于，根据所述多个需求度信息，分析获得多个模型性能要求信息，包括：
获取预设模型性能要求信息；
根据所述多个需求度信息，进行检测需求评估，获得多个调整参数；
分别采用所述多个调整参数对所述预设模型性能要求信息进行调整，获得所述多个模型性能要求信息，其中，所述多个模型性能要求信息内包括多个模型准确率要求信息和多个模型构建数据量要求信息。
6.根据权利要求5所述的方法，其特征在于，获取所述多个目标元器件的基础图像集合，结合所述多个元器件生成图像集合获得多个构建数据集，根据所述多个模型性能需求信息，构建多个元器件表面缺陷检测模型，包括：
根据所述多个模型构建数据量要求信息，对所述多个元器件生成图像集合内的图像数量进行调整，获得多个调整生成图像集合；
分别对所述多个调整生成图像集合和所述多个目标元器件的基础图像集合内的图像信息进行表面缺陷检测评估，获得多个样本表面缺陷质量检测结果集合；
根据所述多个目标元器件的基础图像集合、所述多个调整生成图像集合和所述多个样本表面缺陷质量检测结果集合，获得多个构建数据集；
根据所述多个构建数据集和所述多个模型准确率要求信息，构建所述多个元器件表面缺陷检测模型。
7.根据权利要求6所述的方法，其特征在于，根据所述多个构建数据集和所述多个模型准确率要求信息，构建所述多个元器件表面缺陷检测模型，包括：
基于卷积神经网络，构建所述多个元器件表面缺陷检测模型；
分别采用所述多个构建数据集，对所述多个元器件表面缺陷检测模型进行迭代监督训练，直到所述多个元器件表面缺陷检测模型分别满足所述多个模型准确率要求信息；
分别采用所述多个构建数据集，对所述多个元器件表面缺陷检测模型进行验证，若所述多个元器件表面缺陷检测模型分别满足所述多个模型准确率要求信息，则获得构建完成的所述多个元器件表面缺陷检测模型。
8.一种电子元器件表面缺陷检测***，其特征在于，所述***包括：
图像信息采集单元，所述图像信息采集单元用于采集待检测元器件主板的图像信息，获得待检测图像信息，其中，所述待检测元器件主板上包括待进行表面缺陷检测的多个目标元器件；
信息划分单元，所述信息划分单元用于按照所述多个目标元器件，对所述待检测图像信息进行划分，获得多个元器件图像信息；
需求度获得单元，所述需求度获得单元用于分析所述多个目标元器件进行表面缺陷检测的需求度，获得多个需求度信息；
对抗模型构建单元，所述对抗模型构建单元用于根据所述多个目标元器件，构建多个元器件图像生成式对抗网络模型；
图像集合获得单元，所述图像集合获得单元用于将所述多个元器件图像信息分别输入所述多个元器件图像生成式对抗网络模型，获得多个元器件生成图像集合；
性能要求获得单元，所述性能要求获得单元用于根据所述多个需求度信息，分析获得多个模型性能要求信息；
检测模型构建单元，所述检测模型构建单元用于获取所述多个目标元器件的基础图像集合，结合所述多个元器件生成图像集合获得多个构建数据集，根据所述多个模型性能需求信息，构建多个元器件表面缺陷检测模型；
检测结果获得单元，所述检测结果获得单元用于将所述多个元器件图像信息输入所述多个元器件表面缺陷检测模型内，获得多个元器件表面缺陷质量检测结果。
CN202311600540.9A 2023-11-28 2023-11-28 一种电子元器件表面缺陷检测方法及*** Withdrawn CN117593273A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311600540.9A CN117593273A (zh) 2023-11-28 2023-11-28 一种电子元器件表面缺陷检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311600540.9A CN117593273A (zh) 2023-11-28 2023-11-28 一种电子元器件表面缺陷检测方法及***

Publications (1)

Publication Number Publication Date
CN117593273A true CN117593273A (zh) 2024-02-23

Family

ID=89911210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311600540.9A Withdrawn CN117593273A (zh) 2023-11-28 2023-11-28 一种电子元器件表面缺陷检测方法及***

Country Status (1)

Country Link
CN (1) CN117593273A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118025597A (zh) * 2024-04-01 2024-05-14 中钠储能新能源科技(甘肃)有限公司 一种锂电池蓄能电池包装的在线检测方法及***

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118025597A (zh) * 2024-04-01 2024-05-14 中钠储能新能源科技(甘肃)有限公司 一种锂电池蓄能电池包装的在线检测方法及***

Similar Documents

Publication Publication Date Title
CN110402487B (zh) 对从晶片检测的缺陷进行分类的方法和装置
US11715190B2 (en) Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device
CN114359283B (zh) 基于Transformer的缺陷检测方法和电子设备
CN117593273A (zh) 一种电子元器件表面缺陷检测方法及***
CN114360030A (zh) 一种基于卷积神经网络的人脸识别方法
CN115062675A (zh) 一种基于神经网络的全光谱污染溯源方法及云***
CN115908142B (zh) 一种基于视觉识别的接触网微小部件验损方法
CN113255255A (zh) 一种集成电路热真空试验***
KR102174424B1 (ko) 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치
CN115015286A (zh) 基于机器视觉的芯片检测方法及***
TWI707299B (zh) 光學檢測二次圖像分類方法
CN117455917B (zh) 一种蚀刻引线框架误报库建立及误报在线判定筛选方法
CN114625901A (zh) 一种多算法整合方法及装置
CN113098912A (zh) 用户账户异常的识别方法、装置、电子设备及存储介质
CN116127604B (zh) 一种汽车防撞数据处理方法及***
CN111368823B (zh) 一种指针式仪表读数识别方法及装置
CN116307858A (zh) 测绘成果质量检查与评分***
CN112508946B (zh) 一种基于对抗神经网络的电缆隧道异常检测方法
CN114119479A (zh) 一种基于图像识别的工业流水线质量监控方法
CN114692887A (zh) 半监督学习***及半监督学习方法
TWI745767B (zh) 光學檢測二次圖像分類方法
CN117491357B (zh) 一种涂料的质量监测方法及***
CN117589109B (zh) 石英中心托盘制作工艺的质量检测与控制方法
CN113808067B (zh) 电路板检测方法、视觉检测设备及具有存储功能的装置
CN113642257A (zh) 一种晶圆质量预测方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20240223