CN103678598A - 基于Gerber文档内建建标的电路板精准检测方法 - Google Patents
基于Gerber文档内建建标的电路板精准检测方法 Download PDFInfo
- Publication number
- CN103678598A CN103678598A CN201310684206.6A CN201310684206A CN103678598A CN 103678598 A CN103678598 A CN 103678598A CN 201310684206 A CN201310684206 A CN 201310684206A CN 103678598 A CN103678598 A CN 103678598A
- Authority
- CN
- China
- Prior art keywords
- gerber
- circuit board
- algorithm
- built
- document
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
- G06F16/90344—Query processing by using string matching techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Gerber文档内建建标的电路板精准检测方法,方法步骤如下,a.获取制作电路板的标准光绘文件即Gerber文档;b.分析Gerber的数据结构,采用自上而下方式利用正则表达式分析方法提取出所需信息;c.通过形态学算法、神经网络BP算法对Gerber文档解析后的图像进行修正;d.利用Gerber文档的分层图像。与现有方法相比较,本发明通过解析电路板在制造阶段对应的Gerber标准文件,避免实际板偏差过大的情况出现,引入Gerber文档的解析方法,结合模式识别中神经网络算法、形态学算法对解析标准板进行修正,生成标准图像,从而提高后续参考对比算法处理的精度和速度。
Description
技术领域
本发明涉及一种电路板检测方法,尤其涉及一种基于Gerber文档内建建标的电路板精准检测方法。
背景技术
随着电子产品朝着轻、薄、小、巧的趋势发展,电路板的精密度以及制程复杂度日益增加,对质量监控亦提出更加严苛的要求。目前的检测方法均很难实现精准检测。
检测中的参照对比算法,通常要选择一块标准的PCB板作为参照,将被测板与标准板逐像素做比较,能够检测的缺陷种类很多,精确的PCB标准板决定了后续的检测精度。在电路板制造业中,Gerber文档是通过软件语言描述电路板图像图形数据的文档,称其为电路板的标准光绘文件。Gerber格式的文件只包含元器件的基本物理特性,例如导线和焊盘形状、大小、位置坐标等,不包含电器、网络属性。
发明内容
本发明的目的就在于提供一种解决上述问题,且基于Gerber文档内建建标的电路板精准检测方法。
为了实现上述目的,本发明采用的技术方案是:一种基于Gerber文档内建建标的电路板精准检测方法,方法步骤如下,
a.获取制作电路板的标准光绘文件即Gerber文档;
b.分析Gerber的数据结构,采用自上而下方式利用正则表达式分析方法提取出所需信息;
c.通过形态学算法、神经网络BP算法对Gerber文档解析后的图像进行修正;
d.利用Gerber文档的分层图像,采用参照对比的检测方法检测电路板表观缺陷,有效地提高了检测的精度和效率;
作为优选,步骤b中,所述自上而下方式利用正则表达式分析方法中的自上而下方式是一个推导分析过程,推导与输入字符串相匹配的语句,称为带回溯的自上而下分析法,从识别到开始标识符分析,利用各种产生式替换句型中的非终结符,一旦替换句型选项匹配不成功,就需要回溯到上层位置重新匹配;根据Gerber文档的特殊设计模式,利用正则表达式进行检索匹配,提取出所需信息。
作为优选,所述步骤b中,为了消除带回溯的自上而下分析法的回溯和死循环,使用递归子程序推导出与输入字符串想匹配语句,称为带推导回溯的自上而下分析方法。
作为优选,所述步骤c中,利用模式识别中数学形态学膨胀腐蚀的原理对所得到的Gerber文档图像进行算法修正处理,以利于后续检测算法的进行;
腐蚀的算符记为Θ,其定义为上式表明利用结构元素B对A进行腐蚀的结果是所有A的集合,其中B平移x后仍在A集合中,用结构元素B腐蚀A得到的集合即是B完全包含于A中时B所处的原点位置集合。
作为优选,所述步骤c中,所述神经网络BP算法通过改变迭代的权值,引入动量项在增长较快的方向加大步长数,尽量加速普通的反向传播,最终消除迭代摆动,算法采用如下改进的形式,
newW=oldW+λ(1-α)ΔW+α□oldΔW
权值该变量ΔW=-gradw(e(W)),λ表示学习率,α控制动量项相对于权值的变化量,参数λ和α替代了单个的步长参数。
与现有技术相比,本发明的优点在于:本发明专利通过解析电路板在制造阶段对应的Gerber标准文件,避免实际板偏差过大的情况出现,引入Gerber文档的解析方法,结合模式识别中神经网络算法、形态学算法对解析标准板进行修正,生成标准图像,从而提高后续参考对比算法处理的精度和速度。该方法不仅对印制电路板(PCB)以及挠性印制电路板(FPC)均可适用。
附图说明
图1为本发明原理框图;
图2为层前馈网络结构示意图;
图3为自适应调整流程图。
具体实施方式
下面将结合附图对本发明作进一步说明。
实施例:参见图1,一种基于Gerber文档内建建标的电路板精准检测方法,方法步骤如下,
a.获取制作电路板的标准光绘文件即Gerber文档;
b.分析Gerber的数据结构,采用自上而下方式利用正则表达式分析方法提取出所需信息;
正则表达式是用形式化语言表达逻辑公式,即用特殊的代码模式判断给定的普通字符和特殊运算符是否匹配正则表达式的过滤逻辑规则。常量和算子构成了正则表达式的元素,它用简单的表达方式达到对字符串的复杂控制。正则表达式通常被用于检索、替换复杂查询方式,它符合规定句法规则,设计具有特殊语法结构的计算机语言,匹配符合一系列用户设置的检索条件。其具有灵活性、逻辑性和功能性强的特点,可以用极简单的表达式完成匹配,实现复杂的信息提取和数据处理。根据Gerber文档的特殊设计模式,利用正则表达式进行检索匹配。
自上而下分析是一个推导分析过程。推导与输入字符串相匹配的语句,称为带回溯的自上而下分析法。该过程从识别到开始标识符分析,利用各种产生式替换句型中的非终结符,一旦替换句型选项匹配不成功,就需要回到上层位置重新匹配。这种带回溯的方法增加了系统的开销,使解析速率降低。
为了消除回溯和死循环,使用递归子程序推导出与输入字符串想匹配语句,此方法成为带推导回溯的自上而下分析方法。从语法树的逻辑来看,该过程以根节点为起始点,依据自上而下分析方法,对输入字符串产生分析树,寻找末端节点正好与输入字符串相同的位置,按照逻辑顺序向下构造一棵语法树。
c.通过形态学算法、神经网络BP算法对Gerber文档解析后的图像进行修正;
由于PCB加工工艺存在一定的精度偏差,在尺寸上可能会与Gerber文档的信息不完全一致。这需要我们利用模式识别中数学形态学膨胀腐蚀的原理对所得到的Gerber文档图像进行算法修正处理,以利于后续检测算法的进行。
根据Gerber解析后的图像与采集得到的PCB图像在BGA的位置会存在2~3个像素的偏差,图中观察到Gerber文档上焊盘的直径不能与PCB图像实际的焊盘完全吻合,造成后续缺陷检测结果的误差。我们考虑在图像处理中通过形态学的操作和神经网络的训练修正来解决这一问题,通过训练一定大小的模板,以匹配PCB图像焊盘的大小。Gerber文档所提供的信息比较精确,通过设置匹配精度,就能够满足分层图像的精度。
经典的层前馈网络结构示意图,如图2,网络由输入层、隐含层、输出层构成,可以设计隐含层模拟任何确定性处理过程。
神经网络BP算法通过改变迭代的权值,引入动量项在增长较快的方向加大步长数,尽量加速普通的反向传播,最终消除迭代摆动。的算法采用如下改进的形式:
newW=oldW+λ(1-α)ΔW+α□oldΔW
权值该变量ΔW=-gradw(e(W)),λ表示学习率,α控制动量项相对于权值的变化量,参数λ和α替代了单个的步长参数。动量法的实质通过一个动量因子传递最后一次权值变化的影响,使网络权值进入误差底部时,梯度变小newΔW=α□oldΔW,防止ΔW=0出现,促使网络避开误差曲面的局部极小值,向着误差曲面底部的平均方向变化;
学习速率λ的确定通常凭经验或者实验积累获取到的,为在训练过程中,自适应调整学习速率λ,自适应调整流程图如图3;
(1)平方误差在权值更新后增长超过设置的ξ(1.2%~5.6%),权值更新停止,学习速度被乘以因子ρ(0<ρ<1),动量系数α设置为0;
(2)平方误差在权值更新后增长小于ξ,权值更新被接受,学习速度保持不变,如果α初始为0,则恢复原来的非零值;
(3)平方误差在权值更新后减少,权值更新被接受,学习速度被乘因子θ(θ>1)。如果α初始为0,则恢复原来的非零值。
(4)每次迭代时候,采用记忆式初始权值,训练样本顺序随机化易于避免权值陷入局部最小。所以采用保存下来的权值更换迭代误差,减少迭代次数;
(5)调整激活函数σ(x,s,h)=1/(1+e-s(x+h))的参数s改变激活函数斜率,改变参数h可以调节水平方向左右移动函数,调整s和h对收敛有帮助;
(6)BP学习有串行和集中两种方式,选择合理的训练方式有助于减少误差。串行方式对每个样本呈现网络时,需要对网络的偏置水平和突出权值进行调整。集中方式是待整个训练集完成后进行权值调整。由于Gerber文档的每一个参量变化都对突出权值有少量的局部变化,降低反向传播算法达到局部最小可能性,串行方式对Gerber文档的修正具有更好的效果。
d.利用Gerber文档的分层图像,采用参照对比的检测方法检测电路板表观缺陷,有效地提高了检测的精度和效率;
选取某型号PCB标准图像Gerber文档解析过程,从基板到最后蚀刻、丝印层制作描述了电路板中某一层的信息,通过多层图像压合覆盖和膨胀腐蚀运算后,利用改进的BP神经网络算法进行修正,最终显示了和实际电路板相同的表观信息。
以上对本发明所提供的基于Gerber文档内建建标的电路板精准检测方法进行了详尽介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,对本发明的变更和改进将是可能的,而不会超出附加权利要求所规定的构思和范围,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种基于Gerber文档内建建标的电路板精准检测方法,其特征在于:方法步骤如下,
a.获取制作电路板的标准光绘文件即Gerber文档;
b.分析Gerber的数据结构,采用自上而下方式利用正则表达式分析方法提取出所需信息;
c.通过形态学算法、神经网络BP算法对Gerber文档解析后的图像进行修正;
d.利用Gerber文档的分层图像,采用参照对比的检测方法检测电路板表观缺陷。
2.根据权利要求1所述的基于Gerber文档内建建标的电路板精准检测方法,其特征在于:步骤b中,所述自上而下方式利用正则表达式分析方法中的自上而下方式是一个推导分析过程,推导与输入字符串相匹配的语句,称为带回溯的自上而下分析法,从识别到开始标识符分析,利用各种产生式替换句型中的非终结符,一旦替换句型选项匹配不成功,就需要回溯到上层位置重新匹配;根据Gerber文档的特殊设计模式,利用正则表达式进行检索匹配,提取出所需信息。
3.根据权利要求2所述的基于Gerber文档内建建标的电路板精准检测方法,其特征在于:所述步骤b中,为了消除带回溯的自上而下分析法的回溯和死循环,使用递归子程序推导出与输入字符串想匹配语句,称为带推导回溯的自上而下分析方法。
5.根据权利要求1所述基于Gerber文档内建建标的电路板精准检测方法,其特征在于:所述步骤c中,所述神经网络BP算法通过改变迭代的权值,引入动量项在增长较快的方向加大步长数,尽量加速普通的反向传播,最终消除迭代摆动,算法采用如下改进的形式,
newW=oldW+λ(1-α)ΔW+α□oldΔW
权值该变量ΔW=-gradw(e(W)),λ表示学习率,α控制动量项相对于权值的变化量,参数λ和α替代了单个的步长参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310684206.6A CN103678598B (zh) | 2013-12-12 | 2013-12-12 | 基于Gerber文档内建建标的电路板精准检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310684206.6A CN103678598B (zh) | 2013-12-12 | 2013-12-12 | 基于Gerber文档内建建标的电路板精准检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103678598A true CN103678598A (zh) | 2014-03-26 |
CN103678598B CN103678598B (zh) | 2017-09-22 |
Family
ID=50316143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310684206.6A Active CN103678598B (zh) | 2013-12-12 | 2013-12-12 | 基于Gerber文档内建建标的电路板精准检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103678598B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296652A (zh) * | 2016-07-25 | 2017-01-04 | 凌云光技术集团有限责任公司 | 一种pcb板设计图中轮廓和角点信息的提取方法 |
CN109241555A (zh) * | 2018-07-27 | 2019-01-18 | 西北工业大学 | 一种改善绘图精度的多图元Gerber文件解析及绘制方法 |
CN109242817A (zh) * | 2018-06-27 | 2019-01-18 | 南京富士通南大软件技术有限公司 | 基于字符串的电路元器件知识点创建与检索方法 |
CN111310403A (zh) * | 2018-11-23 | 2020-06-19 | 广州幻视电子科技有限公司 | 一种pcb焊盘智能修改技术 |
WO2020132937A1 (zh) * | 2018-12-26 | 2020-07-02 | 深圳市兴华炜科技有限公司 | 一种smt精密定位计算方法及相关产品 |
CN112200799A (zh) * | 2020-10-29 | 2021-01-08 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于Gerber文件的PCB电子元器件缺陷检测方法 |
CN112232352A (zh) * | 2020-11-12 | 2021-01-15 | 深圳聚谷科技有限公司 | 一种智能识别pcb图纸自动计价系统和方法 |
CN112348007A (zh) * | 2020-10-21 | 2021-02-09 | 杭州师范大学 | 一种基于神经网络的光学字符识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1869667B (zh) * | 2006-06-08 | 2010-07-28 | 浙江欧威科技有限公司 | 一种检测印刷电路板缺陷的轮廓分析方法 |
KR101008585B1 (ko) * | 2008-05-06 | 2011-01-17 | 충북대학교 산학협력단 | 인쇄 회로 기판 검사를 위한 티칭 데이터 생성 장치 및 그방법 |
-
2013
- 2013-12-12 CN CN201310684206.6A patent/CN103678598B/zh active Active
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296652A (zh) * | 2016-07-25 | 2017-01-04 | 凌云光技术集团有限责任公司 | 一种pcb板设计图中轮廓和角点信息的提取方法 |
CN106296652B (zh) * | 2016-07-25 | 2018-09-18 | 凌云光技术集团有限责任公司 | 一种pcb板设计图中轮廓和角点信息的提取方法 |
CN109242817B (zh) * | 2018-06-27 | 2021-11-23 | 南京富士通南大软件技术有限公司 | 基于字符串的电路元器件知识点创建与检索方法 |
CN109242817A (zh) * | 2018-06-27 | 2019-01-18 | 南京富士通南大软件技术有限公司 | 基于字符串的电路元器件知识点创建与检索方法 |
CN109241555A (zh) * | 2018-07-27 | 2019-01-18 | 西北工业大学 | 一种改善绘图精度的多图元Gerber文件解析及绘制方法 |
CN109241555B (zh) * | 2018-07-27 | 2022-12-23 | 西北工业大学 | 一种改善绘图精度的多图元Gerber文件解析及绘制方法 |
CN111310403A (zh) * | 2018-11-23 | 2020-06-19 | 广州幻视电子科技有限公司 | 一种pcb焊盘智能修改技术 |
WO2020132937A1 (zh) * | 2018-12-26 | 2020-07-02 | 深圳市兴华炜科技有限公司 | 一种smt精密定位计算方法及相关产品 |
CN112348007A (zh) * | 2020-10-21 | 2021-02-09 | 杭州师范大学 | 一种基于神经网络的光学字符识别方法 |
CN112348007B (zh) * | 2020-10-21 | 2023-12-19 | 杭州师范大学 | 一种基于神经网络的光学字符识别方法 |
CN112200799A (zh) * | 2020-10-29 | 2021-01-08 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于Gerber文件的PCB电子元器件缺陷检测方法 |
CN112232352A (zh) * | 2020-11-12 | 2021-01-15 | 深圳聚谷科技有限公司 | 一种智能识别pcb图纸自动计价系统和方法 |
CN112232352B (zh) * | 2020-11-12 | 2024-05-28 | 深圳聚谷科技有限公司 | 一种智能识别pcb图纸自动计价系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103678598B (zh) | 2017-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103678598A (zh) | 基于Gerber文档内建建标的电路板精准检测方法 | |
Lei et al. | Intelligent fault detection of high voltage line based on the Faster R-CNN | |
CN109241524B (zh) | 语义解析方法及装置、计算机可读存储介质、电子设备 | |
Alayrac et al. | Unsupervised learning from narrated instruction videos | |
CN109145766B (zh) | 模型训练方法、装置、识别方法、电子设备及存储介质 | |
CN111738251B (zh) | 一种融合语言模型的光学字符识别方法、装置和电子设备 | |
CN109446927B (zh) | 基于先验知识的双人交互行为识别方法 | |
WO2017088537A1 (zh) | 一种元件分类方法及装置 | |
CN108228758A (zh) | 一种文本分类方法及装置 | |
CN111274785B (zh) | 一种文本纠错方法、装置、设备及介质 | |
CN112966106A (zh) | 文本的情绪识别方法、装置、设备及存储介质 | |
CN112905997B (zh) | 面向深度学习模型中毒攻击的检测方法、装置及系统 | |
CN115526093A (zh) | Smt印刷参数优化模型的训练方法、设备和存储介质 | |
JPWO2020165688A5 (zh) | ||
CN112819756A (zh) | Pcb板表面缺陷检测装置及方法 | |
CN115984662A (zh) | 一种多模态数据预训练及识别方法、装置、设备及介质 | |
Mamidi et al. | A light weight version of PCB defect detection system using YOLO V4 tiny | |
CN114187590A (zh) | 同色系背景下目标果实识别方法及系统 | |
CN112534472B (zh) | 图像判定装置、图像判定方法及其程序的记录介质 | |
CN111832610A (zh) | 一种3d打印组织预测的方法、系统、介质以及终端设备 | |
CN115563976A (zh) | 文本预测方法、用于文本预测的模型建立方法及装置 | |
CN115129671A (zh) | 日志检测方法、装置和计算机可读存储介质 | |
CN115116073A (zh) | 洗涤标签识别方法、装置、存储介质及电子装置 | |
CN114266049A (zh) | 一种代码检测方法、装置及电子设备 | |
CN116416513A (zh) | 信息获取方法、装置、电子设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |