CN102509108A - 一种焊点缺陷鉴别方法 - Google Patents

一种焊点缺陷鉴别方法 Download PDF

Info

Publication number
CN102509108A
CN102509108A CN2011103115145A CN201110311514A CN102509108A CN 102509108 A CN102509108 A CN 102509108A CN 2011103115145 A CN2011103115145 A CN 2011103115145A CN 201110311514 A CN201110311514 A CN 201110311514A CN 102509108 A CN102509108 A CN 102509108A
Authority
CN
China
Prior art keywords
neural network
solder joint
welding point
network
point defect
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
Application number
CN2011103115145A
Other languages
English (en)
Other versions
CN102509108B (zh
Inventor
周德俭
李春泉
吴兆华
黄春跃
陈小勇
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.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
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 Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN201110311514.5A priority Critical patent/CN102509108B/zh
Publication of CN102509108A publication Critical patent/CN102509108A/zh
Application granted granted Critical
Publication of CN102509108B publication Critical patent/CN102509108B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提出的焊点缺陷鉴别方法中，包括对采集到的焊点图像信息进行特征提取，然后根据特征进行判别、模糊推理及神经网络等方法进行焊点缺陷的鉴别，其过程包含下述步骤：1）基于焊点形态理论，根据正交试验的原理，得到对人工神经网络进行训练用的样本；2）用改进神经网络算法对人工神经网络进行训练，得到用于预测焊点各种缺陷可能度的网络；3）对实际焊点进行图像处理后，提取形态质量特征作为训练好的人工神经网络的输入，利用训练好的网络进行前向计算，实现焊点缺陷的鉴别。本发明将BP神经网络进行了改进，将遗传算法收入到了神经网络算法训练中，解决了神经网络存在收敛性慢及容易陷入局部最优解等缺陷，对网络性能起到一定的改善，从而能实现复杂焊点的缺陷鉴别。

Description

一种焊点缺陷鉴别方法
技术领域
本发明涉及微电子封装与组装技术，特别是焊点缺陷鉴别方法。
背景技术
焊点缺陷鉴别技术，是在不破坏实际焊点形态的前提下，依靠先进的光学或电磁技术，采集得到焊点的图像信息，对采集到的焊点图像信息进行处理，提取影响焊点形态的某些重要特征，并对这些信息进行各种分析、处理、区分和识别，确认其焊点缺陷。目前，对于焊点的缺陷鉴别，主要是通过对采集到的焊点图像信息进行特征提取，然后采用阈值判别、模糊推理及神经网络等方法进行焊点缺陷的鉴别，但是，神经网络存在收敛性慢及容易陷入局部最优解等缺陷。
发明内容
    本发明的目的是提供一种新的焊点缺陷鉴别方法，通过利用改进后的人工神经网络，实现焊点的缺陷鉴别。
本发明提出的焊点缺陷鉴别方法中，包括对采集到的焊点图像信息进行特征提取，然后根据特征进行判别、模糊推理及神经网络等方法进行焊点缺陷的鉴别，其过程包含下述步骤：
1）、基于焊点形态理论，根据正交试验的原理，得到对人工神经网络进行训练用的样本；
2）、用改进神经网络算法对人工神经网络进行训练，得到用于预测焊点各种缺陷可能度的网络； 
3）、对实际焊点进行图像处理后，提取形态质量特征作为训练好的人工神经网络的输入，利用训练好的网络进行前向计算，实现焊点缺陷的鉴别。
在步骤1）中，包含：
(1) 选取焊点的缺陷类别，然后根据各类别缺陷焊点的质量特征与焊点缺陷之间的联系，确定对应的焊点主要形态质量特征；
(2) 以焊点形态质量特征作为输入，焊点缺陷的各种可能度作为输出，建立与之对应的BP神经网络结构；
(3) 根据正交试验的原理，得到对人工神经网络进行训练用的样本，具体为：
（3.1）确定该焊点形态需要鉴别的焊点缺陷                                                
Figure 2011103115145100002DEST_PATH_IMAGE001
；
（3.2）根据这些焊点缺陷，选取影响焊点缺陷的主要质量特征
Figure 584904DEST_PATH_IMAGE002
的设计空间，并结合均匀实验设计表安排设计水平；
（3.3）使用均匀实验安排，根据IPC相关标准及虚拟焊点缺陷形态，得到用于人工神经网进行训练用的样本：
Figure 2011103115145100002DEST_PATH_IMAGE003
其中：R表示实数，N表示训练样本个数，输入节点为
Figure 188493DEST_PATH_IMAGE004
个，输出节点为
Figure 2011103115145100002DEST_PATH_IMAGE005
个，隐节点为
Figure 774195DEST_PATH_IMAGE006
个。
这里，选取的焊点的缺陷类别包括：空洞、桥连、无焊球、焊球过大、焊球过小、焊球变形，焊点主要形态质量特征包括：焊球面积、焊球周长和空洞面积，作为输入的焊点形态质量特征分别为焊球面积
Figure 2011103115145100002DEST_PATH_IMAGE007
，焊球周长
Figure 17088DEST_PATH_IMAGE008
，空洞面积
Figure 2011103115145100002DEST_PATH_IMAGE009
，作为输出的焊点缺陷的各种可能度为空洞可能度
Figure 134080DEST_PATH_IMAGE010
，桥连可能度
Figure 2011103115145100002DEST_PATH_IMAGE011
，无焊球可能度，焊球过大可能度
Figure 2011103115145100002DEST_PATH_IMAGE013
，焊球过小可能度
Figure 990358DEST_PATH_IMAGE014
，焊球变形可能度
Figure 2011103115145100002DEST_PATH_IMAGE015
。   
本发明的步骤2）包含：
（2.1）数据处理：
将输入
Figure 197960DEST_PATH_IMAGE016
按下式归一化处理：
Figure 2011103115145100002DEST_PATH_IMAGE017
Figure 739931DEST_PATH_IMAGE018
其中：
Figure 2011103115145100002DEST_PATH_IMAGE019
和
Figure 694112DEST_PATH_IMAGE020
分别为第
Figure 192089DEST_PATH_IMAGE022
个输入参数的平均值和标准差，表示第
Figure 2011103115145100002DEST_PATH_IMAGE025
个样本的第个输入参数值，N表示训练样本个数。
显然，标准化后的样本数据集的平均值为零，而且消除了物理的影响。
则得到标准化输入为：
（2.2）BP神经网络结构建立：
（2.2.1）输入层和输出层节点个数的选取：
输入层节点数为焊点形态参数，输出层节点数为焊点缺陷可能度；
（2.2.2）隐含层节点个数的选取：
Figure 2011103115145100002DEST_PATH_IMAGE027
m为输入层节点数，n为输出层节点数，h 为隐含层节点数，a 为1～10 之间的常数，h先从小的开始取值；
（2.3）改进BP神经网络训练：
（2.3.1）根据相关论文资料和经验，初步设置网络的系统精度1e-2，选取最大迭代次数1000次； 
（2.3.2）遗传算法的利用：利用遗传算法全局性搜索的特点，寻找优化后的较为合适的神经网络初始连接权值和节点阈值。
数学描述如下：
Figure 612859DEST_PATH_IMAGE028
其中：
和
Figure 778392DEST_PATH_IMAGE030
分别为神经网络第
Figure 783258DEST_PATH_IMAGE025
个样本的期望输出和实际输出；
Figure 2011103115145100002DEST_PATH_IMAGE031
（
Figure 96558DEST_PATH_IMAGE032
维矩阵）为神经网络输入层与中间层的连接权值；
Figure 2011103115145100002DEST_PATH_IMAGE033
（
Figure 330225DEST_PATH_IMAGE034
维矩阵）为神经网络中间层各神经元的连接阈值；
（
Figure 865111DEST_PATH_IMAGE036
维矩阵）为神经网络隐含层与输出层的连接权值；
Figure 2011103115145100002DEST_PATH_IMAGE037
（
Figure 850997DEST_PATH_IMAGE038
维矩阵）为神经网络输出层各神经元的连接阈值。
 
（2.3.3）用LM算法对构建的网络进行训练；
（2.3.4）利用训练好的网络预测并验证，当结果满足要求时，进入步骤（2.3.5），否则重复步骤（2.3.2）和（2.3.3）；若一直不满足，则修改最大迭代次数。
满足要求是：样本数据中实际和期望输出的结果之95%的差值都在0.2以内。 
（2.3.5）得到一个反映系统输入和输出映射关系的网络：
                                     
Figure 2011103115145100002DEST_PATH_IMAGE039
   。                                     
该网络的初始连接权值和节点阈值是利用遗传算法寻找到的优化值，并且通过训练和验证，其结果满足要求。
本发明将BP神经网络进行了改进，将遗传算法收入到了神经网络算法训练中，解决了神经网络存在收敛性慢及容易陷入局部最优解等缺陷，对网络性能起到一定的改善，从而能实现复杂焊点的缺陷鉴别。
附图说明
图1   焊点缺陷鉴别方法流程图；
图2   BP算法的网络结构示意图；
图3   a 一种实际焊点的图片，b 实际焊点a处理后的图片；
图4   a 一种实际焊点的图片，b 实际焊点a处理后的图片；
图5   a 一种实际焊点的图片，b 实际焊点a处理后的图片；
图6   a 一种实际焊点的图片，b 实际焊点a处理后的图片；
图7   a 一种实际焊点的图片，b 实际焊点a处理后的图片；
图8   a 一种实际焊点的图片，b 实际焊点a处理后的图片。
具体实施方式
下面对照附图对本发明作详细说明。
见图1。本发明分为两大块：网络训练和缺陷鉴别。
其中网络训练包括1）、基于焊点形态理论，根据正交试验的原理，得到对人工神经网络进行训练用的样本；2）、用改进神经网络算法对人工神经网络进行训练，得到用于预测焊点各种缺陷可能度的网络。缺陷鉴别包括对实际焊点进行图像处理后，提取形态质量特征作为训练好的人工神经网络的输入，利用训练好的网络进行前向计算，实现焊点缺陷的鉴别。
以焊球直径为0.75mm，焊球间距为1.27mm的BGA焊点为例，关键步骤如下：
1、给出部分训练样本数据如下：
2、采用图2的结构，在满足要求的情况时，经过遗传算法（选择种群中个体数选为100，最大遗传代数为100代）优化后得到初始网络权值和阈值如下：
=
-0.12981 0.062035 -0.86803
0.746759 -0.56815 0.104215
0.073005 0.620992 0.429394
-0.28534 0.440992 -0.12339
0.719949 -0.80826 -0.57709
-0.83641 -0.17469 -0.50215
0.437675 -0.80839 -0.45137
-0.31885 0.351566 -0.25818
0.691346 0.024856 0.255243
-0.29679 0.152269 -0.84151
0.096654 0.40799 -0.31067
0.373603 0.664509 0.19476
0.294146 0.769096 -0.70927
Figure 875902DEST_PATH_IMAGE035
=
-0.59856 0.028556 0.370581 -0.37213 -0.45633 0.1964 0.577027 0.5827 0.350741 -0.09685 -0.1069 -0.49737 0.523453
-0.67832 -0.63587 0.131827 -0.01842 0.689146 0.520124 0.362759 0.483098 -0.07722 -0.77904 -0.27237 0.559804 0.671561
-0.25544 0.668495 0.417911 -0.42094 -0.54109 0.409259 -0.09953 -0.43989 -0.47814 0.579912 -0.33931 0.11262 -0.54453
0.082288 -0.27606 0.479852 -0.16621 -0.6327 -0.00671 0.5961 0.302844 0.127039 0.220524 0.080875 0.26876 0.480118
0.191538 -0.52682 -0.35769 0.076195 -0.72999 0.122516 0.043726 -0.16574 0.006318 -0.15576 0.695209 0.063811 -0.47247
-0.39238 -0.42254 0.018859 0.088056 -0.63871 0.703518 0.29997 0.720224 0.188936 -0.63875 0.516662 -0.76196 0.200302
Figure 750448DEST_PATH_IMAGE033
=
0.813378
0.36631
-0.51615
0.405873
0.378133
-0.21533
0.257114
0.228537
-0.35646
0.430818
0.227965
-0.11683
0.11895
=
-0.05451
0.989654
0.491879
-0.09029
-0.24895
0.589785
经过LM算法后得到最终的网络权值和阈值如下： 
Figure 509643DEST_PATH_IMAGE031
=
-0.06948 0.661935 0.128262
0.916258 0.139921 0.125699
0.288976 0.556074 0.175074
-0.97327 1.890556 0.220303
34.54385 -37.6991 0.262384
-2.32208 -0.20285 -0.01916
-58.484 -0.43778 0.006333
-91.8318 -0.12116 1.076615
81.14624 0.517618 2.411006
-50.3454 -0.00633 -0.00269
14.05597 -18.5933 0.074799
-1.40896 3.85369 0.011999
1.489983 0.03584 -0.26476
Figure 350691DEST_PATH_IMAGE035
=
-43.7048 7.137623 2.382513 24.83731 -0.04582 -0.15613 0.086387 0.853092 0.813035 -0.06811 0.006125 0.013058 -5.31736
0.02653 0.018269 -0.02296 -0.01119 -0.00148 -0.00296 -1.60464 8.12E-05 0.00059 0.446608 -0.00371 -0.00803 -0.00333
-2.96354 -1.08102 1.588868 -2.29404 0.004323 -0.03015 -0.06696 -0.00044 0.014289 0.068711 0.002659 -0.02479 0.183766
2.142126 -0.53523 0.047778 -1.20521 0.007665 -1.63647 -32.7938 0.159917 0.035924 33.92166 -0.00404 -0.10272 -0.02816
31.90328 -1.93266 -3.17587 -16.3117 0.011048 -1.05381 0.37097 0.024303 0.208765 -0.41731 0.012229 -0.02722 -1.1044
-180.727 -12.7833 28.4853 102.003 -0.61604 0.270682 -19.8488 0.096912 0.023535 20.55183 0.536243 1.382455 2.27259
=
2.139161
0.981606
1.065665
3.054207
1.781278
-0.33837
52.53681
20.41048
103.0474
45.18897
4.077721
-0.74608
1.033438
Figure 784263DEST_PATH_IMAGE037
=
13.77746
0.571364
4.400247
-1.47959
-11.1473
59.20352
3、
Figure 511784DEST_PATH_IMAGE042
对BGA实际焊点进行图像处理后，提取形态质量特征作为训练好的人工神经网络的输入，利用训练好的网络（实质为一个关于输入形态质量特征的函数）进行前向计算，可以得到实际焊点对应的各种缺陷可能度（大于1的取值为1，小于0的取值为0），即实现焊点缺陷的鉴别。
现给出6个鉴别例子及其结果如下：实际图片为焊球直径为0.75mm，焊球间距为1.27mm时采集到的图像。图3~图8中a为实际图片，b为经过处理后的图片。鉴别给出的焊点缺陷可能度见下表：
Figure 140212DEST_PATH_IMAGE044
从上表可以看出，鉴别结果显示：序号1的焊点缺陷是空洞，序号1的焊点缺陷是空洞，序号1的焊点缺陷是空洞（对应图3），序号2的焊点缺陷是空洞（对应图4），序号3的焊点缺陷是焊球过小（对应图5），序号4的焊点无缺陷（对应图6），序号5的焊点缺陷是焊球变形（对应图7），序号6的焊点缺陷是焊球过大（对应图8）。

Claims (4)

1.一种焊点缺陷鉴别方法，包括对采集到的焊点图像信息进行特征提取，然后根据特征通过神经网络等方法进行焊点缺陷的鉴别，其特征在于包含下述步骤：
1）、基于焊点形态理论，根据正交试验的原理，得到对人工神经网络进行训练用的样本；
2）、用改进神经网络算法对人工神经网络进行训练，得到用于预测焊点各种缺陷可能度的网络； 
3）、对实际焊点进行图像处理后，提取形态质量特征作为训练好的人工神经网络的输入，利用训练好的网络进行前向计算，实现焊点缺陷的鉴别。
2.根据权利要求1所述的焊点缺陷鉴别方法，其特征是：步骤1）包含：
(1) 选取焊点的缺陷类别，然后根据各类别缺陷焊点的质量特征与焊点缺陷之间的联系，确定对应的焊点主要形态质量特征；
(2) 以焊点形态质量特征作为输入，焊点缺陷的各种可能度作为输出，建立与之对应的BP神经网络结构；
(3) 根据正交试验的原理，得到对人工神经网络进行训练用的样本，具体为：
（3.1）确定该焊点形态需要鉴别的焊点缺陷                                               ；
（3.2）根据这些焊点缺陷，选取影响焊点缺陷的主要质量特征
Figure 2011103115145100001DEST_PATH_IMAGE004
的设计空间，并结合均匀实验设计表安排设计水平；
（3.3）使用均匀实验安排，根据IPC相关标准及虚拟焊点缺陷形态，得到用于人工神经网进行训练用的样本：
Figure 2011103115145100001DEST_PATH_IMAGE006
其中：R表示实数，N表示训练样本个数，输入节点为
Figure 2011103115145100001DEST_PATH_IMAGE008
个，输出节点为
Figure 2011103115145100001DEST_PATH_IMAGE010
个，隐节点为
Figure 2011103115145100001DEST_PATH_IMAGE012
个。
3.根据权利要求2所述的焊点缺陷鉴别方法，其特征是：选取的焊点的缺陷类别包括：空洞、桥连、无焊球、焊球过大、焊球过小、焊球变形，焊点主要形态质量特征包括：焊球面积、焊球周长和空洞面积，作为输入的焊点形态质量特征分别为焊球面积
Figure 2011103115145100001DEST_PATH_IMAGE014
，焊球周长，空洞面积，作为输出的焊点缺陷的各种可能度为空洞可能度
Figure 2011103115145100001DEST_PATH_IMAGE020
，桥连可能度
Figure 2011103115145100001DEST_PATH_IMAGE022
，无焊球可能度
Figure DEST_PATH_IMAGE024
，焊球过大可能度，焊球过小可能度
Figure DEST_PATH_IMAGE028
，焊球变形可能度
Figure DEST_PATH_IMAGE030
。
4.根据权利要求1所述的焊点缺陷鉴别方法，其特征是：步骤2）包含：
（2.1）数据处理：
将输入
Figure DEST_PATH_IMAGE032
按下式归一化处理：
Figure 2011103115145100001DEST_PATH_IMAGE034
Figure 2011103115145100001DEST_PATH_IMAGE036
其中：
Figure DEST_PATH_IMAGE038
和
Figure 2011103115145100001DEST_PATH_IMAGE040
分别为第
Figure 2011103115145100001DEST_PATH_IMAGE042
个输入参数的平均值和标准差，
Figure 2011103115145100001DEST_PATH_IMAGE044
表示第
Figure 2011103115145100001DEST_PATH_IMAGE046
个样本的第
Figure 553162DEST_PATH_IMAGE042
个输入参数值；
N:与前面的说明一致，为训练样本个数；
则得到标准化输入为：
（2.2）BP神经网络结构建立：
（2.2.1）输入层和输出层节点个数的选取：
输入层节点数为焊点形态参数，输出层节点数为焊点缺陷可能度；
（2.2.2）隐含层节点个数的选取：
Figure DEST_PATH_IMAGE050
m为输入层节点数，n为输出层节点数，h 为隐含层节点数，a 为1～10 之间的常数，h先从小的开始取值；
（2.3）改进BP神经网络训练：
（2.3.1）设置网络的系统精度1e-2，选取最大迭代次数1000次； 
（2.3.2）遗传算法的利用：
数学描述如下：
Figure DEST_PATH_IMAGE052
其中：
Figure DEST_PATH_IMAGE054
和分别为神经网络第个样本的期望输出和实际输出；
Figure DEST_PATH_IMAGE058
（
Figure DEST_PATH_IMAGE060
维矩阵）为神经网络输入层与中间层的连接权值；
（维矩阵）为神经网络中间层各神经元的连接阈值；
Figure DEST_PATH_IMAGE066
（
Figure DEST_PATH_IMAGE068
维矩阵）为神经网络隐含层与输出层的连接权值；
Figure DEST_PATH_IMAGE070
（
Figure DEST_PATH_IMAGE072
维矩阵）为神经网络输出层各神经元的连接阈值；
（2.3.3）用LM算法对构建的网络进行训练：
（2.3.4）利用训练好的网络预测并验证，当结果满足要求时，进入步骤（2.3.5），否则重复步骤（2.3.2）和（2.3.4）；若一直不满足，则修改最大迭代次数；
满足要求是：样本数据中实际和期望输出的结果之95%的差值都在0.2以内；
（2.3.5）得到一个反映系统输入和输出映射关系的网络：
Figure DEST_PATH_IMAGE074
   
该网络的初始连接权值和节点阈值是利用遗传算法寻找到的优化值，并且通过训练和验证，其结果满足要求。
CN201110311514.5A 2011-10-14 2011-10-14 一种焊点缺陷鉴别方法 Expired - Fee Related CN102509108B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201110311514.5A CN102509108B (zh) 2011-10-14 2011-10-14 一种焊点缺陷鉴别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201110311514.5A CN102509108B (zh) 2011-10-14 2011-10-14 一种焊点缺陷鉴别方法

Publications (2)

Publication Number Publication Date
CN102509108A true CN102509108A (zh) 2012-06-20
CN102509108B CN102509108B (zh) 2014-12-17

Family

ID=46221189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201110311514.5A Expired - Fee Related CN102509108B (zh) 2011-10-14 2011-10-14 一种焊点缺陷鉴别方法

Country Status (1)

Country Link
CN (1) CN102509108B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021389A (zh) * 2014-06-16 2014-09-03 昆明能讯科技有限责任公司 电网防振锤缺陷自动判别方法
CN104252056A (zh) * 2014-09-18 2014-12-31 京东方科技集团股份有限公司 一种基板的检测方法及装置
CN104636760A (zh) * 2015-03-11 2015-05-20 西安科技大学 一种焊缝的定位方法
CN105205301A (zh) * 2014-06-27 2015-12-30 中兴通讯股份有限公司 Qfn封装焊点形态的预测方法和装置
CN105319655A (zh) * 2014-06-30 2016-02-10 北京世维通科技发展有限公司 一种光学集成芯片与光纤组件的自动耦合方法及系统
CN108596871A (zh) * 2018-03-08 2018-09-28 中北大学 一种基于深度学习的bga气泡缺陷图像检测方法
CN109636787A (zh) * 2018-12-11 2019-04-16 哈尔滨工业大学 一种基于深度学习的高精度实时电池点焊质量自动检测方法
CN109859177A (zh) * 2019-01-17 2019-06-07 航天新长征大道科技有限公司 基于深度学习的工业射线影像评定方法及装置
CN110847272A (zh) * 2019-11-21 2020-02-28 中交疏浚技术装备国家工程研究中心有限公司 一种绞吸挖泥船智能疏浚控制方法
CN111047225A (zh) * 2020-01-10 2020-04-21 惠州光弘科技股份有限公司 一种基于边缘侧模型处理的smt表面组装组件焊点的质量评定方法
CN111069728A (zh) * 2019-12-12 2020-04-28 深圳先进技术研究院 在线软钎焊视觉伺服控制方法及系统
CN111862057A (zh) * 2020-07-23 2020-10-30 中山佳维电子有限公司 图片标注方法、装置、传感器质量检测方法和电子设备
CN113538325A (zh) * 2020-04-21 2021-10-22 通用汽车环球科技运作有限责任公司 评估点焊完整性的系统和方法
TWI785637B (zh) * 2021-06-07 2022-12-01 國立陽明交通大學 預測可靠度的輔助預測系統、方法及電腦程式產品

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700213A (zh) * 2015-03-13 2015-06-10 国家电网公司 一种基于神经网络的配网设备状态评估方法
CN106355243B (zh) * 2016-08-23 2018-12-11 河海大学常州校区 一种基于神经网络的水平面太阳直射散射计算系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101246200A (zh) * 2008-03-10 2008-08-20 湖南大学 一种基于神经网络的模拟pcb智能测试系统
CN101915769A (zh) * 2010-06-29 2010-12-15 华南理工大学 一种印刷电路板中带电阻元件的自动光学检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101246200A (zh) * 2008-03-10 2008-08-20 湖南大学 一种基于神经网络的模拟pcb智能测试系统
CN101915769A (zh) * 2010-06-29 2010-12-15 华南理工大学 一种印刷电路板中带电阻元件的自动光学检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄春跃: "基于焊点虚拟成形技术的SMT焊点质量检测和智能鉴别技术研究", 《中国博士学位论文全文数据库》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021389A (zh) * 2014-06-16 2014-09-03 昆明能讯科技有限责任公司 电网防振锤缺陷自动判别方法
CN105205301B (zh) * 2014-06-27 2019-01-18 中兴通讯股份有限公司 Qfn封装焊点形态的预测方法和装置
CN105205301A (zh) * 2014-06-27 2015-12-30 中兴通讯股份有限公司 Qfn封装焊点形态的预测方法和装置
CN105319655A (zh) * 2014-06-30 2016-02-10 北京世维通科技发展有限公司 一种光学集成芯片与光纤组件的自动耦合方法及系统
CN105319655B (zh) * 2014-06-30 2017-02-01 北京世维通科技发展有限公司 一种光学集成芯片与光纤组件的自动耦合方法及系统
CN104252056B (zh) * 2014-09-18 2017-07-04 京东方科技集团股份有限公司 一种基板的检测方法及装置
CN104252056A (zh) * 2014-09-18 2014-12-31 京东方科技集团股份有限公司 一种基板的检测方法及装置
CN104636760A (zh) * 2015-03-11 2015-05-20 西安科技大学 一种焊缝的定位方法
CN104636760B (zh) * 2015-03-11 2017-09-05 西安科技大学 一种焊缝的定位方法
CN108596871A (zh) * 2018-03-08 2018-09-28 中北大学 一种基于深度学习的bga气泡缺陷图像检测方法
CN109636787B (zh) * 2018-12-11 2022-09-16 哈尔滨工业大学 一种基于深度学习的高精度实时电池点焊质量检测方法
CN109636787A (zh) * 2018-12-11 2019-04-16 哈尔滨工业大学 一种基于深度学习的高精度实时电池点焊质量自动检测方法
CN109859177A (zh) * 2019-01-17 2019-06-07 航天新长征大道科技有限公司 基于深度学习的工业射线影像评定方法及装置
CN109859177B (zh) * 2019-01-17 2023-03-10 航天新长征大道科技有限公司 基于深度学习的工业射线影像评定方法及装置
CN110847272A (zh) * 2019-11-21 2020-02-28 中交疏浚技术装备国家工程研究中心有限公司 一种绞吸挖泥船智能疏浚控制方法
CN111069728B (zh) * 2019-12-12 2021-11-05 深圳先进技术研究院 在线软钎焊视觉伺服控制方法及系统
CN111069728A (zh) * 2019-12-12 2020-04-28 深圳先进技术研究院 在线软钎焊视觉伺服控制方法及系统
CN111047225B (zh) * 2020-01-10 2021-03-23 惠州光弘科技股份有限公司 一种基于边缘侧模型处理的smt表面组装组件焊点的质量评定方法
CN111047225A (zh) * 2020-01-10 2020-04-21 惠州光弘科技股份有限公司 一种基于边缘侧模型处理的smt表面组装组件焊点的质量评定方法
CN113538325A (zh) * 2020-04-21 2021-10-22 通用汽车环球科技运作有限责任公司 评估点焊完整性的系统和方法
CN113538325B (zh) * 2020-04-21 2023-09-15 通用汽车环球科技运作有限责任公司 评估点焊完整性的系统和方法
CN111862057A (zh) * 2020-07-23 2020-10-30 中山佳维电子有限公司 图片标注方法、装置、传感器质量检测方法和电子设备
CN111862057B (zh) * 2020-07-23 2021-10-22 中山佳维电子有限公司 图片标注方法、装置、传感器质量检测方法和电子设备
TWI785637B (zh) * 2021-06-07 2022-12-01 國立陽明交通大學 預測可靠度的輔助預測系統、方法及電腦程式產品
US11688054B2 (en) 2021-06-07 2023-06-27 National Yang Ming Chiao Tung University Auxiliary prediction system for predicting reliability, and method and computer program product thereof

Also Published As

Publication number Publication date
CN102509108B (zh) 2014-12-17

Similar Documents

Publication Publication Date Title
CN102509108A (zh) 一种焊点缺陷鉴别方法
JP6980958B1 (ja) 深層学習に基づく農村地域分けゴミ識別方法
CN110309840A (zh) 风险交易识别方法、装置、服务器及存储介质
CN106650789A (zh) 一种基于深度lstm网络的图像描述生成方法
CN108009222B (zh) 基于较优视图和深度卷积神经网络的三维模型检索方法
CN108334843A (zh) 一种基于改进AlexNet的燃弧识别方法
CN103324939B (zh) 基于最小二乘支持向量机技术的偏向性分类及参数寻优方法
JP2009545045A (ja) パターン分類方法
CN107169504A (zh) 一种基于扩展非线性核残差网络的手写字符识别方法
CN116402117B (zh) 图像分类卷积神经网络剪枝方法及芯粒器件数据分配方法
CN108304853A (zh) 游戏相关度的获取方法、装置、存储介质和电子装置
CN116416478A (zh) 一种基于图结构数据特征的生物信息学分类模型
CN107220707A (zh) 基于二维数据的动态神经网络模型训练方法和装置
CN114726802A (zh) 一种基于不同数据维度的网络流量识别方法及装置
CN118247821A (zh) 一种基于混合注意力机制和多尺度特征融合的人员情绪识别方法
CN102262682A (zh) 基于粗糙分类知识发现的快速属性约简方法
CN117172381A (zh) 基于大数据的风险预测方法
CN111242898A (zh) 基于深度神经网络的列车受电弓磨损检测方法及系统
CN115984234A (zh) 一种基于改进Yolov5的桥梁裂缝检测分类方法
CN113435482B (zh) 一种判断开放集的方法、装置及其设备
CN115861292A (zh) 基于ct图像二维投影及深度学习的肺结核传染性判别方法
CN112800946B (zh) 一种污损发票识别方法
CN113469977B (zh) 一种基于蒸馏学习机制的瑕疵检测装置、方法、存储介质
CN114463667A (zh) 基于视频识别的小样本学习方法
CN107688780A (zh) 一种高光谱遥感影像分类方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20141217

Termination date: 20201014

CF01 Termination of patent right due to non-payment of annual fee