CN117750643B - 印制电路板的表面加工方法 - Google Patents
印制电路板的表面加工方法 Download PDFInfo
- Publication number
- CN117750643B CN117750643B CN202410183031.9A CN202410183031A CN117750643B CN 117750643 B CN117750643 B CN 117750643B CN 202410183031 A CN202410183031 A CN 202410183031A CN 117750643 B CN117750643 B CN 117750643B
- Authority
- CN
- China
- Prior art keywords
- surface pattern
- printed circuit
- circuit board
- training
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 29
- 230000007547 defect Effects 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 31
- 229920002120 photoresistant polymer Polymers 0.000 claims abstract description 18
- 238000007689 inspection Methods 0.000 claims abstract description 17
- 238000001259 photo etching Methods 0.000 claims abstract description 12
- 239000011248 coating agent Substances 0.000 claims abstract description 8
- 238000000576 coating method Methods 0.000 claims abstract description 8
- 239000004020 conductor Substances 0.000 claims abstract description 8
- 238000005530 etching Methods 0.000 claims abstract description 8
- 238000011161 development Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 96
- 230000008447 perception Effects 0.000 claims description 59
- 238000010586 diagram Methods 0.000 claims description 33
- 238000003062 neural network model Methods 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 29
- 238000005728 strengthening Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 15
- 230000002950 deficient Effects 0.000 claims description 8
- 230000000903 blocking effect Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 14
- 230000005518 electrochemistry Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 18
- 238000011176 pooling Methods 0.000 description 11
- 238000009826 distribution Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000000306 component Substances 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000011496 digital image analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005476 soldering Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
公开了一种印制电路板的表面加工方法。其首先将印制电路板的表面涂覆导电材料以形成导电层,接着,在所述导电层上覆盖光刻胶,并通过曝光和显影的方式,将所述光刻胶刻蚀成所需的图案以形成光刻层,然后,通过化学或电化学的方式,将所述导电层中未被所述光刻层覆盖的部分去除以形成印制电路板的表面图案,接着,对所述印制电路板的表面图案进行质检以判断所述表面图案是否存在缺陷,最后,去除所述光刻层以得到印制电路板的表面加工完成品。这样,可以提高印制电路板制造过程的自动化程度和产品质量的稳定性,优化生产效率和产品质量。
Description
技术领域
本申请涉及印制电路板领域,且更为具体地,涉及一种印制电路板的表面加工方法。
背景技术
印制电路板(Printed Circuit Board,PCB)是电子设备中常用的基础组件,用于连接和支持电子元件。在制造过程中,PCB的表面加工是一个关键步骤,它涉及到在PCB表面形成导电层和图案化的电路结构,印制电路板的表面图案的质量直接影响到电子设备的性能和可靠性,因此,对印制电路板的表面图案进行有效的质检是非常必要的。
然而,传统的印制电路板的表面图案质检方法通常依赖于人工目视检测,这种方法需要检测人员逐个检查每个印制电路板的表面图案,效率低下且无法满足大规模生产和高速生产线的需求。并且,人工目视检测容易受到人员疲劳、主观判断和视觉疲劳等因素的影响,导致检测结果的准确度有限。不同的操作员可能会有不同的判断标准,导致结果的不一致性。此外,传统的质检方法通常只能检测一些简单的缺陷,如划痕、裂纹等。而对于更复杂的缺陷,如微小的焊接问题或电路连接错误,人工目视检测往往无法准确检测和识别。
因此,期望一种优化的印制电路板的表面加工方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种印制电路板的表面加工方法,其可以实现自动化的印制电路板表面图案的缺陷检测,以降低人工成本和主观性带来的问题,同时提高PCB制造过程的自动化程度和产品质量的稳定性,优化生产效率和产品质量。
根据本申请的一个方面,提供了一种印制电路板的表面加工方法,其包括:
将印制电路板的表面涂覆导电材料以形成导电层;
在所述导电层上覆盖光刻胶,并通过曝光和显影的方式,将所述光刻胶刻蚀成所需的图案以形成光刻层;
通过化学或电化学的方式,将所述导电层中未被所述光刻层覆盖的部分去除以形成印制电路板的表面图案;
对所述印制电路板的表面图案进行质检以判断所述表面图案是否存在缺陷;以及
去除所述光刻层以得到印制电路板的表面加工完成品。
与现有技术相比,本申请提供的印制电路板的表面加工方法,其首先将印制电路板的表面涂覆导电材料以形成导电层,接着,在所述导电层上覆盖光刻胶,并通过曝光和显影的方式,将所述光刻胶刻蚀成所需的图案以形成光刻层,然后,通过化学或电化学的方式,将所述导电层中未被所述光刻层覆盖的部分去除以形成印制电路板的表面图案,接着,对所述印制电路板的表面图案进行质检以判断所述表面图案是否存在缺陷,最后,去除所述光刻层以得到印制电路板的表面加工完成品。这样,可以提高印制电路板制造过程的自动化程度和产品质量的稳定性,优化生产效率和产品质量。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的印制电路板的表面加工方法的流程图。
图2为根据本申请实施例的印制电路板的表面加工方法的子步骤S140的流程图。
图3为根据本申请实施例的印制电路板的表面加工方法的子步骤S140的架构示意图。
图4为根据本申请实施例的印制电路板的表面加工***的框图。
图5为根据本申请实施例的印制电路板的表面加工方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的***中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述***和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
在本申请的技术方案中,提出了一种印制电路板的表面加工方法,相应地,图1为根据本申请实施例的印制电路板的表面加工方法的流程图。如图1所示,根据本申请实施例的印制电路板的表面加工方法,包括步骤:S110,将印制电路板的表面涂覆导电材料以形成导电层;S120,在所述导电层上覆盖光刻胶,并通过曝光和显影的方式,将所述光刻胶刻蚀成所需的图案以形成光刻层;S130,通过化学或电化学的方式,将所述导电层中未被所述光刻层覆盖的部分去除以形成印制电路板的表面图案;S140,对所述印制电路板的表面图案进行质检以判断所述表面图案是否存在缺陷;以及,S150,去除所述光刻层以得到印制电路板的表面加工完成品。
相应地,考虑到PCB表面加工方法主要包括导电材料涂覆、光刻胶刻蚀和化学或电化学腐蚀等步骤,以形成印制电路板的表面图案,这些步骤需要高精度的操作和严格的质检,以确保PCB的表面图案的质量和可靠性。针对于传统人工进行印制电路板的表面质检缺陷,本申请的技术构思为通过高清摄像头采集的印制电路板的表面图案的数字图像,并在后端引入图像处理和分析算法来进行所述表面图案的数字图像分析,以此自动地对印制电路板的表面图案进行缺陷检测,提高检测效率和准确度。这样,能够实现自动化的印制电路板表面图案的缺陷检测,以降低人工成本和主观性带来的问题,同时提高PCB制造过程的自动化程度和产品质量的稳定性,优化生产效率和产品质量。
图2为根据本申请实施例的印制电路板的表面加工方法的子步骤S140的流程图。图3为根据本申请实施例的印制电路板的表面加工方法的子步骤S140的架构示意图。如图2和图3所示,根据本申请实施例的印制电路板的表面加工方法,对所述印制电路板的表面图案进行质检以判断所述表面图案是否存在缺陷,包括步骤:S141,获取由高清摄像头采集的所述印制电路板的表面图案的数字图像;S142,对所述表面图案的数字图像进行图像分块处理以得到表面图案数字图像块的序列;S143,通过基于深度神经网络模型的表面图案局部特征提取器分别对所述表面图案数字图像块的序列中的各个表面图案数字图像块进行特征提取以得到表面图案局部区域特征图的序列;S144,分别对所述表面图案局部区域特征图的序列中的各个表面图案局部区域特征图进行自相关关联强化以得到强化表面图案局部区域特征图的序列;S145,对所述强化表面图案局部区域特征图的序列进行全局排列和感知以得到感知域扩展表面图案特征;以及,S146,基于所述感知域扩展表面图案特征,确定所述印制电路板的表面图案是否存在缺陷。
具体地,在本申请的技术方案中,首先,获取由高清摄像头采集的印制电路板的表面图案的数字图像。接着,使用在图像的隐含特征提取方面具有优异表现性能的卷积神经网络模型来进行所述表面图案的数字图像的特征提取。特别地,考虑到印制电路板的表面图案不同局部区域可能会存在不同的缺陷特征,并且,如果对整个图像进行处理可能会导致计算量过大。因此,在本申请的技术方案中,进一步对所述表面图案的数字图像进行图像分块处理以得到表面图案数字图像块的序列。应可以理解,通过将所述表面图案的数字图像分成各个小块,可以更好地分析每个小块图像的局部特征,这有助于更准确地检测和分类不同类型的图案缺陷,提高对于印制电路板的整体表面图案缺陷检测的精准度。
然后,将所述表面图案数字图像块的序列分别通过基于深度神经网络模型的表面图案局部特征提取器中进行特征挖掘,以分别提取出所述各个表面图案数字图像块中有关于印制电路板的表面图案局部区域隐含特征分布信息,从而得到表面图案局部区域特征图的序列。
相应地,在步骤S143中,所述深度神经网络模型为卷积神经网络模型。值得一提的是,卷积神经网络(Convolutional Neural Network,简称CNN)是一种深度学***均池化(Average Pooling)。4.全连接层(Fully Connected Layer):全连接层将卷积层和池化层的输出连接起来,并通过一系列的全连接操作进行分类或回归。全连接层的输出可以用于预测目标类别或生成相应的输出。5.Dropout:为了减少过拟合,CNN中常用的技术是Dropout。Dropout是一种随机丢弃部分神经元的操作,可以强制模型学习更鲁棒和泛化的特征。CNN的训练过程通常使用反向传播算法和梯度下降优化算法来更新网络参数,以最小化预测输出与真实标签之间的损失函数。总的来说,卷积神经网络通过卷积、池化和全连接等操作,能够自动学习输入数据的特征表示,并在图像处理任务中取得了重要的突破。
进一步地,为了增强所述表面图案的各个局部特征的表达和区分能力,需要提取更具有区分性的特征,从而更准确地进行缺陷检测和分类。因此,在本申请的技术方案中,进一步将所述表面图案局部区域特征图的序列分别通过特征自相关关联强化模块以得到强化表面图案局部区域特征图的序列。通过特征自相关关联编码处理,可以将所述表面图案的各个局部区域特征与其周围的相关特征进行关联,从而增强特征的表达能力,这有助于捕捉到更多的上下文信息和关联特征,提高特征的区分度和鲁棒性。同时,特征自相关关联可以使得相邻区域的特征更加一致,这对于印制电路板表面图案的缺陷检测非常重要,因为缺陷通常会导致局部特征的变化,通过特征自相关关联强化,可以减少缺陷造成的特征差异,使得缺陷更容易被检测出来。
接着,考虑到由于CNN的固有局限性,很难提取出图像中的全局语义关联特征,而在进行印制电路板的表面图案缺陷检测过程中,对于整个图案的全局感知尤为重要。因此,在本申请的技术方案中,进一步将所述强化表面图案局部区域特征图的序列排列为全局表面图案特征图后通过基于非局部神经网络模型的特征全局感知器以得到感知域扩展表面图案特征图。也就是说,通过将所述强化表面图案局部区域特征图的序列排列为所述全局表面图案特征图并通过所述非局部神经网络模型中进行处理,可以实现对整个表面图案的全局感知,这对于图案的缺陷检测和分类非常重要,因为某些缺陷可能涉及到整个图案的全局特征,通过全局感知,可以更好地捕捉到这些全局特征,提高缺陷检测的准确性。特别地,这里,所述基于非局部神经网络模型的特征全局感知器通过计算所述表面图案的各个局部区域特征之间的相似度捕获隐藏的依赖信息,进而建模上下文特征,使网络关注所述表面图案的各个局部区域特征间的整体内容,进而在分类、检测任务中提升主干网络特征提取能力,助于提高特征的鲁棒性和对复杂缺陷的检测能力。
相应地,在步骤S144中,分别对所述表面图案局部区域特征图的序列中的各个表面图案局部区域特征图进行自相关关联强化以得到强化表面图案局部区域特征图的序列,包括:将所述表面图案局部区域特征图的序列分别通过特征自相关关联强化模块以得到所述强化表面图案局部区域特征图的序列。
相应地,在步骤S145中,对所述强化表面图案局部区域特征图的序列进行全局排列和感知以得到感知域扩展表面图案特征,包括:将所述强化表面图案局部区域特征图的序列排列为全局表面图案特征图后通过基于非局部神经网络模型的特征全局感知器以得到感知域扩展表面图案特征图作为所述感知域扩展表面图案特征。应可以理解,非局部神经网络模型(Non-local Neural Network)是一种用于图像处理和计算机视觉任务的深度学习模型,它的主要目的是在图像中建立全局的长程依赖关系,以捕捉图像中的全局上下文信息。传统的卷积神经网络(CNN)在处理图像时,主要关注局部区域的特征提取,而忽略了全局上下文的信息。这在某些任务中可能会导致局部特征的不准确性或不完整性。非局部神经网络通过引入非局部操作,可以有效地建模像素之间的长程依赖关系,从而更好地捕捉图像的全局特征。非局部神经网络模型的主要特点是引入了非局部块(Non-localBlock),它在输入特征图上执行自注意力操作。自注意力机制允许每个像素与其他像素进行交互,通过计算像素之间的相似度来加权聚合全局上下文信息。这样可以使得每个像素都能够感知到整个图像的特征,而不仅仅局限于局部邻域。非局部神经网络模型的应用包括图像分类、目标检测、图像分割等任务。通过引入全局上下文信息,非局部神经网络能够改善图像理解的性能,提高模型在复杂场景下的表现力。它在一些具有长程依赖关系的任务中取得了很好的效果,例如图像中的目标关系建模、视频分析等。总结来说,非局部神经网络模型通过引入非局部操作,可以建立图像中的全局依赖关系,从而更好地捕捉图像的全局特征。它在图像处理和计算机视觉任务中具有重要的作用,能够提高模型的性能和表达能力。
继而,再将所述感知域扩展表面图案特征图通过分类器以得到分类结果,所述分类结果用于表示印制电路板的表面图案是否存在缺陷。也就是说,利用所述印制电路板的表面图案的全局感知强化特征信息来进行分类处理,以此来对于印制电路板表面图案自动进行缺陷检测,以提高检测效率和准确度。
相应地,基于所述感知域扩展表面图案特征,确定所述印制电路板的表面图案是否存在缺陷,包括:将所述感知域扩展表面图案特征图通过分类器以得到分类结果,所述分类结果用于表示所述印制电路板的表面图案是否存在缺陷。
更具体地,将所述感知域扩展表面图案特征图通过分类器以得到分类结果,所述分类结果用于表示所述印制电路板的表面图案是否存在缺陷,包括:将所述感知域扩展表面图案特征图按照行向量或者列向量展开为感知域扩展表面图案特征向量;使用所述分类器的全连接层对所述感知域扩展表面图案特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本申请的技术方案中,所述分类器的标签包括印制电路板的表面图案存在缺陷(第一标签),以及,印制电路板的表面图案不存在缺陷(第二标签),其中,所述分类器通过软最大值函数来确定所述感知域扩展表面图案特征图属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“印制电路板的表面图案是否存在缺陷”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,印制电路板的表面图案是否存在缺陷的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“印制电路板的表面图案是否存在缺陷”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
进一步地,在本申请的技术方案中,所述的印制电路板的表面加工方法,其还包括训练步骤:用于对所述基于深度神经网络模型的表面图案局部特征提取器、所述特征自相关关联强化模块、所述非局部神经网络模型的特征全局感知器和所述分类器进行训练。应可以理解,训练步骤是指使用一些已标记的数据样本来训练所涉及的各个模块,包括基于深度神经网络模型的表面图案局部特征提取器、特征自相关关联强化模块、非局部神经网络模型的特征全局感知器和分类器,这些训练步骤的目的是为了使模型能够学习到有效的特征表示和分类能力,以便在实际应用中对印制电路板进行准确的表面加工。具体来说,训练步骤的作用如下:1.表面图案局部特征提取器训练:通过训练基于深度神经网络模型的表面图案局部特征提取器,模型可以学习到对表面图案的局部特征进行有效提取的能力。这些局部特征可以包括线条、角点、纹理等,对于后续的特征处理和分类任务非常重要。2.特征自相关关联强化模块训练:特征自相关关联强化模块的训练目的是让模型学习到如何通过自注意力机制来增强特征之间的相关性。这样可以使得模型更好地捕捉到表面图案中的全局依赖关系,提高特征的表达能力和判别性。3.非局部神经网络模型的特征全局感知器训练:通过训练非局部神经网络模型的特征全局感知器,模型可以学习到如何在全局范围内感知图像特征。这样可以使得模型能够更好地理解整个印制电路板的表面图案,从而提高后续任务的性能。4.分类器训练:分类器的训练是为了使模型能够将印制电路板的表面图案进行准确分类。通过使用已标记的数据样本进行训练,模型可以学习到不同类别之间的区分特征,从而实现对表面图***分类。总的来说,训练步骤的目的是通过使用已标记的数据样本来训练各个模块,使模型能够学习到有效的特征表示和分类能力。这样,在实际应用中,训练过的模型可以对印制电路板的表面图案进行准确的特征提取和分类,从而实现精确的表面加工。
其中,在一个示例中,所述训练步骤,包括:获取训练数据,所述训练数据包括印制电路板的训练表面图案的数字图像,以及,所述印制电路板的表面图案是否存在缺陷的真实值;对所述训练表面图案的数字图像进行图像分块处理以得到训练表面图案数字图像块的序列;将所述训练表面图案数字图像块的序列分别通过所述基于深度神经网络模型的表面图案局部特征提取器以得到训练表面图案局部区域特征图的序列;将所述训练表面图案局部区域特征图的序列分别通过所述特征自相关关联强化模块以得到训练强化表面图案局部区域特征图的序列;将所述训练强化表面图案局部区域特征图的序列排列为训练全局表面图案特征图后通过所述基于非局部神经网络模型的特征全局感知器以得到训练感知域扩展表面图案特征图;对所述训练感知域扩展表面图案特征图展开后得到的训练感知域扩展表面图案特征向量进行优化以得到优化训练感知域扩展表面图案特征向量;将所述优化训练感知域扩展表面图案特征向量通过所述分类器以得到分类损失函数值;以及,基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于深度神经网络模型的表面图案局部特征提取器、所述特征自相关关联强化模块、所述非局部神经网络模型的特征全局感知器和所述分类器进行训练。
特别地,在本申请的技术方案中,所述训练强化表面图案局部区域特征图的序列中的每个训练强化表面图案局部区域特征图的特征矩阵用于表达相应的表面图案数字图像块在局部图像空间域内的特征自相关关联强化的图像语义特征,由此,在将所述训练强化表面图案局部区域特征图的序列排列为训练全局表面图案特征图后通过基于非局部神经网络模型的特征全局感知器,所述训练感知域扩展表面图案特征图的各个特征矩阵可以表达所述表面图案的数字图像的全局-局部关联强化的图像语义特征表示,但是,考虑到所述训练感知域扩展表面图案特征图的各个特征矩阵之间遵循局部特征提取器和特征全局感知器的通道分布,这就使得所述训练感知域扩展表面图案特征图作为整体,其对于局部特征和全局特征的通道关联表达存在不均衡。也就是,在所述训练感知域扩展表面图案特征图融合了全局-局部关联强化的图像语义特征表示的情况下,在各自关联尺度下的图像语义特征表示的对应于其特定特征分布的特征分布信息显著性也会受到影响,使得当所述训练感知域扩展表面图案特征图通过分类器进行分类时,难以稳定地聚焦于特征的显著局部分布,从而影响训练速度。
因此,本申请在每次所述训练感知域扩展表面图案特征图展开后得到的训练感知域扩展表面图案特征向量通过分类器进行分类回归的迭代时,对所述训练感知域扩展表面图案特征向量进行优化。
其中,在一个示例中,对所述训练感知域扩展表面图案特征图展开后得到的训练感知域扩展表面图案特征向量进行优化以得到优化训练感知域扩展表面图案特征向量,包括:以如下优化公式对所述训练感知域扩展表面图案特征向量进行优化以得到所述优化训练感知域扩展表面图案特征向量;其中,所述优化公式为:
其中,是所述训练感知域扩展表面图案特征向量,/>和/>分别是所述训练感知域扩展表面图案特征向量/>的1范数和2范数的平方,/>是所述训练感知域扩展表面图案特征向量的特征值,/>是所述训练感知域扩展表面图案特征向量/>的长度,/>表示以2为底的对数函数值,且/>是权重超参数,/>是所述优化训练感知域扩展表面图案特征向量的特征值。
具体地,通过基于所述训练感知域扩展表面图案特征向量的尺度和结构参数来进行其高维特征流形形状的几何注册,可以关注所述训练感知域扩展表面图案特征向量/>的特征值构成的特征集合中的具有丰富特征语义信息的特征,也就是,在分类器进行分类时的基于局部上下文信息表示不相似性的可区分的稳定兴趣特征,从而实现所述训练感知域扩展表面图案特征向量/>在分类过程中的特征信息显著性标注,提升分类器的训练速度。这样,能够实现自动化的印制电路板表面图案的缺陷检测,以提高检测效率和准确度,同时提高PCB制造过程的自动化程度和产品质量的稳定性,优化印制电路板的表面加工效率和产品质量。
进一步地,将所述优化训练感知域扩展表面图案特征向量通过所述分类器以得到分类损失函数值,包括:通过所述分类器以如下训练分类公式对所述优化训练感知域扩展表面图案特征向量以生成训练分类结果;其中,所述训练分类公式为:
其中,表示所述优化训练感知域扩展表面图案特征向量,/>至/>为各层全连接层的权重矩阵,/>至/>表示各层全连接层的偏置矩阵;以及,计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
综上,基于本申请实施例的印制电路板的表面加工方法被阐明,其可以实现自动化的印制电路板表面图案的缺陷检测,降低人工成本,提高PCB制造过程的自动化程度和产品质量的稳定性,优化生产效率和产品质量。
图4为根据本申请实施例的印制电路板的表面加工***100的框图。如图4所示,根据本申请实施例的印制电路板的表面加工***100,包括:导电材料涂覆模块110,用于将印制电路板的表面涂覆导电材料以形成导电层;刻蚀模块120,用于在所述导电层上覆盖光刻胶,并通过曝光和显影的方式,将所述光刻胶刻蚀成所需的图案以形成光刻层;化学去除模块130,用于通过化学或电化学的方式,将所述导电层中未被所述光刻层覆盖的部分去除以形成印制电路板的表面图案;质检模块140,用于对所述印制电路板的表面图案进行质检以判断所述表面图案是否存在缺陷;以及,光刻层去除模块150,用于去除所述光刻层以得到印制电路板的表面加工完成品。
在一个示例中,在上述印制电路板的表面加工***100中,所述质检模块140,包括:数字图像获取单元,用于获取由高清摄像头采集的所述印制电路板的表面图案的数字图像;图像分块处理单元,用于对所述表面图案的数字图像进行图像分块处理以得到表面图案数字图像块的序列;特征提取单元,用于通过基于深度神经网络模型的表面图案局部特征提取器分别对所述表面图案数字图像块的序列中的各个表面图案数字图像块进行特征提取以得到表面图案局部区域特征图的序列;自相关关联强化单元,用于分别对所述表面图案局部区域特征图的序列中的各个表面图案局部区域特征图进行自相关关联强化以得到强化表面图案局部区域特征图的序列;全局排列和感知单元,用于对所述强化表面图案局部区域特征图的序列进行全局排列和感知以得到感知域扩展表面图案特征;以及,缺陷分析单元,用于基于所述感知域扩展表面图案特征,确定所述印制电路板的表面图案是否存在缺陷。
这里,本领域技术人员可以理解,上述印制电路板的表面加工***100中的各个模块的具体功能和操作已经在上面参考图1到图3的印制电路板的表面加工方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的印制电路板的表面加工***100可以实现在各种无线终端中,例如具有印制电路板的表面加工算法的服务器等。在一个示例中,根据本申请实施例的印制电路板的表面加工***100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该印制电路板的表面加工***100可以是该无线终端的操作***中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该印制电路板的表面加工***100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该印制电路板的表面加工***100与该无线终端也可以是分立的设备,并且该印制电路板的表面加工***100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图5为根据本申请实施例的印制电路板的表面加工方法的应用场景图。如图5所示,在该应用场景中,首先,获取由高清摄像头采集的印制电路板的表面图案的数字图像(例如,图5中所示意的D),然后,将所述表面图案的数字图像输入至部署有印制电路板的表面加工算法的服务器(例如,图5中所示意的S)中,其中,所述服务器能够使用所述印制电路板的表面加工算法对所述表面图案的数字图像进行处理以得到用于表示所述印制电路板的表面图案是否存在缺陷的分类结果。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (8)
1.一种印制电路板的表面加工方法,其特征在于,包括:
将印制电路板的表面涂覆导电材料以形成导电层;
在所述导电层上覆盖光刻胶,并通过曝光和显影的方式,将所述光刻胶刻蚀成所需的图案以形成光刻层;
通过化学或电化学的方式,将所述导电层中未被所述光刻层覆盖的部分去除以形成印制电路板的表面图案;
对所述印制电路板的表面图案进行质检以判断所述表面图案是否存在缺陷;以及
去除所述光刻层以得到印制电路板的表面加工完成品;
其中,对所述印制电路板的表面图案进行质检以判断所述表面图案是否存在缺陷,包括:
获取由高清摄像头采集的所述印制电路板的表面图案的数字图像;
对所述表面图案的数字图像进行图像分块处理以得到表面图案数字图像块的序列;
通过基于深度神经网络模型的表面图案局部特征提取器分别对所述表面图案数字图像块的序列中的各个表面图案数字图像块进行特征提取以得到表面图案局部区域特征图的序列;
分别对所述表面图案局部区域特征图的序列中的各个表面图案局部区域特征图进行自相关关联强化以得到强化表面图案局部区域特征图的序列;
对所述强化表面图案局部区域特征图的序列进行全局排列和感知以得到感知域扩展表面图案特征;以及
基于所述感知域扩展表面图案特征,确定所述印制电路板的表面图案是否存在缺陷。
2.根据权利要求1所述的印制电路板的表面加工方法,其特征在于,所述深度神经网络模型为卷积神经网络模型。
3.根据权利要求2所述的印制电路板的表面加工方法,其特征在于,分别对所述表面图案局部区域特征图的序列中的各个表面图案局部区域特征图进行自相关关联强化以得到强化表面图案局部区域特征图的序列,包括:
将所述表面图案局部区域特征图的序列分别通过特征自相关关联强化模块以得到所述强化表面图案局部区域特征图的序列。
4.根据权利要求3所述的印制电路板的表面加工方法,其特征在于,对所述强化表面图案局部区域特征图的序列进行全局排列和感知以得到感知域扩展表面图案特征,包括:
将所述强化表面图案局部区域特征图的序列排列为全局表面图案特征图后通过基于非局部神经网络模型的特征全局感知器以得到感知域扩展表面图案特征图作为所述感知域扩展表面图案特征。
5.根据权利要求4所述的印制电路板的表面加工方法,其特征在于,基于所述感知域扩展表面图案特征,确定所述印制电路板的表面图案是否存在缺陷,包括:
将所述感知域扩展表面图案特征图通过分类器以得到分类结果,所述分类结果用于表示所述印制电路板的表面图案是否存在缺陷。
6.根据权利要求5所述的印制电路板的表面加工方法,其特征在于,还包括训练步骤:用于对所述基于深度神经网络模型的表面图案局部特征提取器、所述特征自相关关联强化模块、所述非局部神经网络模型的特征全局感知器和所述分类器进行训练。
7.根据权利要求6所述的印制电路板的表面加工方法,其特征在于,所述训练步骤,包括:
获取训练数据,所述训练数据包括印制电路板的训练表面图案的数字图像,以及,所述印制电路板的表面图案是否存在缺陷的真实值;
对所述训练表面图案的数字图像进行图像分块处理以得到训练表面图案数字图像块的序列;
将所述训练表面图案数字图像块的序列分别通过所述基于深度神经网络模型的表面图案局部特征提取器以得到训练表面图案局部区域特征图的序列;
将所述训练表面图案局部区域特征图的序列分别通过所述特征自相关关联强化模块以得到训练强化表面图案局部区域特征图的序列;
将所述训练强化表面图案局部区域特征图的序列排列为训练全局表面图案特征图后通过所述基于非局部神经网络模型的特征全局感知器以得到训练感知域扩展表面图案特征图;
对所述训练感知域扩展表面图案特征图展开后得到的训练感知域扩展表面图案特征向量进行优化以得到优化训练感知域扩展表面图案特征向量;
将所述优化训练感知域扩展表面图案特征向量通过所述分类器以得到分类损失函数值;以及
基于所述分类损失函数值并通过梯度下降的方向传播来对所述基于深度神经网络模型的表面图案局部特征提取器、所述特征自相关关联强化模块、所述非局部神经网络模型的特征全局感知器和所述分类器进行训练。
8.根据权利要求7所述的印制电路板的表面加工方法,其特征在于,将所述优化训练感知域扩展表面图案特征向量通过所述分类器以得到分类损失函数值,包括:
通过所述分类器以如下训练分类公式对所述优化训练感知域扩展表面图案特征向量以生成训练分类结果;其中,所述训练分类公式为:
其中,表示所述优化训练感知域扩展表面图案特征向量,/>至/>为各层全连接层的权重矩阵,/>至/>表示各层全连接层的偏置矩阵;以及
计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410183031.9A CN117750643B (zh) | 2024-02-19 | 2024-02-19 | 印制电路板的表面加工方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410183031.9A CN117750643B (zh) | 2024-02-19 | 2024-02-19 | 印制电路板的表面加工方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117750643A CN117750643A (zh) | 2024-03-22 |
CN117750643B true CN117750643B (zh) | 2024-04-19 |
Family
ID=90253052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410183031.9A Active CN117750643B (zh) | 2024-02-19 | 2024-02-19 | 印制电路板的表面加工方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117750643B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000076245A (ja) * | 1998-08-28 | 2000-03-14 | Seiko Epson Corp | 画像作成方法およびその装置 |
DE20004439U1 (de) * | 1999-03-09 | 2000-10-05 | Applied Precision Inc | Sondenkartenuntersuchungssystem zur Bestimmung der Relativpositionen von Sondenspitzen |
WO2016207875A1 (en) * | 2015-06-22 | 2016-12-29 | Photomyne Ltd. | System and method for detecting objects in an image |
CN106852033A (zh) * | 2017-04-06 | 2017-06-13 | 昆山苏杭电路板有限公司 | 高精密度局部超高电流印制电路板加工方法 |
CN111800954A (zh) * | 2020-06-16 | 2020-10-20 | 珠海杰赛科技有限公司 | 覆铜板线路制作异常品的返工方法和印制电路板 |
KR102266605B1 (ko) * | 2020-10-23 | 2021-06-17 | 김철희 | 인쇄회로기판 검사 장치 및 방법 |
EP3933691A1 (en) * | 2020-07-02 | 2022-01-05 | Robert Bosch GmbH | System and method to alter an image |
KR20220023952A (ko) * | 2020-08-20 | 2022-03-03 | 삼성디스플레이 주식회사 | 표시장치 |
WO2022065892A1 (ko) * | 2020-09-24 | 2022-03-31 | 삼성전자 주식회사 | 전자 장치 |
WO2022098058A1 (ko) * | 2020-11-06 | 2022-05-12 | 삼성전자 주식회사 | 디스플레이를 포함하는 전자 장치 |
CN117355038A (zh) * | 2023-11-10 | 2024-01-05 | 江西红板科技股份有限公司 | 用于线路板软板的x型孔加工方法及其*** |
CN117528946A (zh) * | 2023-11-23 | 2024-02-06 | 江西红板科技股份有限公司 | Sip硬板的制备方法及其*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11927965B2 (en) * | 2016-02-29 | 2024-03-12 | AI Incorporated | Obstacle recognition method for autonomous robots |
KR20220036540A (ko) * | 2020-09-16 | 2022-03-23 | 삼성전자주식회사 | 패턴이 형성된 커버 부재 및 이를 포함하는 전자 장치 |
-
2024
- 2024-02-19 CN CN202410183031.9A patent/CN117750643B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000076245A (ja) * | 1998-08-28 | 2000-03-14 | Seiko Epson Corp | 画像作成方法およびその装置 |
DE20004439U1 (de) * | 1999-03-09 | 2000-10-05 | Applied Precision Inc | Sondenkartenuntersuchungssystem zur Bestimmung der Relativpositionen von Sondenspitzen |
WO2016207875A1 (en) * | 2015-06-22 | 2016-12-29 | Photomyne Ltd. | System and method for detecting objects in an image |
CN106852033A (zh) * | 2017-04-06 | 2017-06-13 | 昆山苏杭电路板有限公司 | 高精密度局部超高电流印制电路板加工方法 |
CN111800954A (zh) * | 2020-06-16 | 2020-10-20 | 珠海杰赛科技有限公司 | 覆铜板线路制作异常品的返工方法和印制电路板 |
EP3933691A1 (en) * | 2020-07-02 | 2022-01-05 | Robert Bosch GmbH | System and method to alter an image |
KR20220023952A (ko) * | 2020-08-20 | 2022-03-03 | 삼성디스플레이 주식회사 | 표시장치 |
WO2022065892A1 (ko) * | 2020-09-24 | 2022-03-31 | 삼성전자 주식회사 | 전자 장치 |
KR102266605B1 (ko) * | 2020-10-23 | 2021-06-17 | 김철희 | 인쇄회로기판 검사 장치 및 방법 |
WO2022098058A1 (ko) * | 2020-11-06 | 2022-05-12 | 삼성전자 주식회사 | 디스플레이를 포함하는 전자 장치 |
CN117355038A (zh) * | 2023-11-10 | 2024-01-05 | 江西红板科技股份有限公司 | 用于线路板软板的x型孔加工方法及其*** |
CN117528946A (zh) * | 2023-11-23 | 2024-02-06 | 江西红板科技股份有限公司 | Sip硬板的制备方法及其*** |
Also Published As
Publication number | Publication date |
---|---|
CN117750643A (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测***及方法 | |
CN111008618B (zh) | 一种自注意力深度学习端到端的行人再识别方法 | |
CN110969166A (zh) | 一种巡检场景下小目标识别方法和*** | |
CN117355038B (zh) | 用于线路板软板的x型孔加工方法及其*** | |
CN114494780A (zh) | 基于特征对比的半监督工业缺陷检测方法及*** | |
CN111598854B (zh) | 基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN112819756A (zh) | Pcb板表面缺陷检测装置及方法 | |
Voon et al. | Computer-vision-based integrated circuit recognition using deep learning | |
CN111882547A (zh) | 一种基于神经网络的pcb漏件检测方法 | |
CN117103790A (zh) | 瓦楞纸板生产线及其控制方法 | |
CN117434082A (zh) | 用于硅胶制品生产线的质量检测方法及其*** | |
CN117784710B (zh) | 数控机床远程状态监控***及其方法 | |
CN117849193A (zh) | 钕铁硼烧结的裂纹损伤在线监测方法 | |
CN117750643B (zh) | 印制电路板的表面加工方法 | |
CN110163090B (zh) | 一种基于多特征和尺度估计的pcb板标识跟踪方法 | |
CN117456441A (zh) | 一种结合变化区域识别的锈斑面积扩大的监测方法与*** | |
CN114596273B (zh) | 利用yolov4网络的陶瓷基板多种瑕疵智能检测方法 | |
CN115661042A (zh) | 一种基于注意力机制指导的分层分类缺陷检测方法 | |
CN114692887A (zh) | 半监督学习***及半监督学习方法 | |
CN111461060A (zh) | 一种基于深度学习和极限学习机的交通标志识别方法 | |
CN116525295B (zh) | 一种高频脉冲电容用金属化薄膜及其制备方法 | |
CN117274903B (zh) | 基于智能ai芯片的电力巡检智能预警设备及其方法 | |
Wang et al. | A deep learning-based method for aluminium foil-surface defect recognition | |
CN112990145B (zh) | 一种基于组稀疏年龄估计方法及电子设备 |
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 |