CN109239102B - 一种基于cnn的柔性电路板外观缺陷检测方法 - Google Patents

一种基于cnn的柔性电路板外观缺陷检测方法 Download PDF

Info

Publication number
CN109239102B
CN109239102B CN201810951960.4A CN201810951960A CN109239102B CN 109239102 B CN109239102 B CN 109239102B CN 201810951960 A CN201810951960 A CN 201810951960A CN 109239102 B CN109239102 B CN 109239102B
Authority
CN
China
Prior art keywords
defect
image
training
cnn
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.)
Active
Application number
CN201810951960.4A
Other languages
English (en)
Other versions
CN109239102A (zh
Inventor
方俊
刘光杰
王政军
刘伟伟
杨路辉
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and 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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201810951960.4A priority Critical patent/CN109239102B/zh
Publication of CN109239102A publication Critical patent/CN109239102A/zh
Application granted granted Critical
Publication of CN109239102B publication Critical patent/CN109239102B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/956—Inspecting patterns on the surface of objects
    • G01N2021/95638—Inspecting patterns on the surface of objects for PCB's

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于CNN的柔性电路板外观缺陷检测方法，该方法以基于GoogleNet设计的FDNet为模型，通过采样子图的综合判决实现对柔性电路板图像进行表面缺陷检测，并能粗略地给出缺陷位置信息；该方法包括模型训练和缺陷检测两个部分，模型训练生成可用于图像缺陷检测的CNN模型，包括图像预处理、缺陷区域标注、训练和测试样本集构建、模型训练和测试四个步骤；缺陷检测利用训练生成的CNN模型检测图像中的缺陷。本发明克服了传统图像处理方法只能检测特定情况下的FPC外观缺陷，具备较好的通用性，而且能够处理尺寸小和特征复杂的缺陷。

Description

一种基于CNN的柔性电路板外观缺陷检测方法
技术领域
本发明涉及深度学习与图像处理领域，具体涉及一种基于CNN的柔性电路板外观缺陷检测方法。
背景技术
柔性电路板制造依赖于自动化的工业生产线，产品的图像采集相对方便，产品的数目可观而且采集到的图像高度统一。目前，柔性电路板生产企业主要采用人工检测和传统图像处理方法检测两种方式；人工检测具有成本高、效率低、准确率低等缺点。柔性电路板的缺陷种类繁多、缺陷特征大小不一而且缺陷的定义相对复杂，传统的图像处理方法难以实现针对小缺陷、缺陷特征复杂或者缺陷特征变化较大的缺陷类型的检测。
深度学习是通过建立多层神经网络，模仿人脑的学习机制，在数据的训练下达到能够自动处理数据，辅助或取代人来完成高强度人机互动的任务。目前深度学习的应用领域主要在图像识别处理、语音技术、无人驾驶等方面，还没有在工业柔性电路板制造中应用。文献【魏智鹏，柔性印刷电路板银线缺陷在线视觉检测方法研究】公开了基于特征跟踪的FPC断路和短路缺陷检测方法，该方法具有准确率高，速度较快的特点；但是对于线宽小于0.3mm的FPC缺陷无法检测，而且检测的缺陷种类有限。文献【原振方，基于机器视觉FPC缺陷检测系统的研究与应用】公开了一套FPC补强片缺陷自动视觉检测与分类系统，该系统采用多信息色调检测算法进行缺陷识别，运用机器学习聚类算法进行缺陷自动分类，在可靠性、精度和效率上均较传统检测方式有较大提升；但是该系统没有为特定FPC产品人为的添加缺陷知识，不能满足企业生产线上种类繁多特征复杂的FPC产品的缺陷检测，尤其在高精度FPC图像中多种复杂缺陷特征的检测。
发明内容
本发明针对柔性电路板工业质检中人力成本高、检测速度慢以及准确率不稳定的问题，提供一种基于CNN的柔性电路板外观缺陷检测方法，通过对柔性电路板图像进行预处理、图像标注、样本采集操作，然后训练和测试模型，最后基于所训练的网络模型检测FPC产品是否包含缺陷。
实现本发明目的的技术方案为：一种基于CNN的柔性电路板外观缺陷检测方法，包括以下步骤：
步骤1，对FPC图像进行预处理，获取图像中的待检测区域，即感兴趣区域ROI；
步骤2，对ROI图像进行手工标注，记录ROI图像缺陷像素点的坐标位置，标注了缺陷信息的ROI图像则称为缺陷图像，未标注缺陷信息的ROI图像则为无缺陷图像；
步骤3，对已经标记的ROI图像进行采样，以固定边长x、y的矩形框作为采样器，以步长xstep、ystep的顺序遍历ROI图像；设采样得到的子图为G，根据缺陷区域标注的缺陷坐标信息，统计G中包含的缺陷像素数N(G)；根据阈值T对G进行标注，N(G)>T，将G标注为缺陷样本；N(G)≤T，则标注为无缺陷样本；
步骤4，将采样得到的缺陷样本和无缺陷样本均按照n:1比例分为训练集和验证集，训练集样本用于网络的训练，验证集样本用于测试网络的训练结果；模型训练采用FDNet在Caffe框架下对网络进行训练；模型测试用于验证模型对待检测区域图像测试的准确率和泛化能力，通过测试样本检验训练的效果，根据测试效果不断调整网络参数和采样参数以完成模型的训练和优化；
步骤5，利用训练后的网络模型测试FPC图像；首先对FPC原图像进行相同的预处理和矩形框采样扫描操作得到多个矩形框图像Gi；利用模型训练阶段得到的网络模型依次检测矩形框图像；每个矩形框图像检测后会得到分类为缺陷的概率值p1和分类为无缺陷的概率值p2；通过判决函数f得到该区域为缺陷区域的综合判决结果s，f函数如式(1)所示：
Figure BDA0001771747000000021
上式中nok是采集到的无缺陷样本数目，nng是采集到的缺陷样本数目；
在对整个图像扫描完成后，取所有采样子图中判决值的最大值Max(s(Gi))作为整个图像的判决结果；设定终判阈值S，如果得分小于阈值S则判定为无缺陷，如果得分大于阈值S则判定为有缺陷。
与现有技术相比，本发明的有益效果为：本发明克服了传统图像处理方法只能检测特定情况下的FPC外观缺陷的问题，具备较好的通用性，而且能够处理尺寸小和特征复杂的缺陷。
附图说明
图1是FDNet网络的结构示意图。
图2是InceptionF结构的示意图。
图3是本发明模型训练部分的流程示意图。
图4是本发明缺陷检测部分的流程示意图。
具体实施方式
本发明设计了矩形框采集图像的方式，同时利用设计的CNN网络FDNet训练和检测图像，并对网络输出结果进行处理，最终快速、准确实现FPC的外观缺陷检测。
一种基于卷积神经网络(Convolutional Neural Network，CNN)的柔性电路板(Flexible Printed Circuit，FPC)外观缺陷检测方法，包括以下步骤：
步骤1，对FPC图像进行预处理，获取图像中的待检测区域，即感兴趣区域(Regionof Interest，ROI)；
步骤2，对ROI图像进行手工标注，记录ROI图像缺陷像素点的坐标位置，标注了缺陷信息的ROI图像则称为缺陷图像，未标注缺陷信息的ROI图像则为无缺陷图像。
步骤3，对已经标记的ROI图像进行采样，以固定边长x、y的矩形框作为采样器，以步长xstep、ystep的顺序遍历ROI图像。设采样得到的子图为G，根据缺陷区域标注的缺陷坐标信息，统计G中包含的缺陷像素数N(G)。根据阈值T对G进行标注，N(G)>T，将G标注为缺陷样本；N(G)≤T，则标注为无缺陷样本。
步骤4，把采样得到的缺陷样本和无缺陷样本均按照n:1比例分为训练集和验证集，n＝1,2,3...，训练集样本用于网络的训练，验证集样本用于测试网络的训练结果。模型训练采用FDNet在Caffe框架下对网络进行训练。模型测试用于验证模型对待检测区域图像测试的准确率和泛化能力，通过测试样本检验训练的效果，根据测试效果不断调整网络参数和采样参数以完成模型的训练和优化。
步骤5，利用训练后的网络模型测试FPC图像。首先对FPC原图像进行相同的预处理和矩形框采样扫描操作得到多个矩形框图像Gi。利用模型训练阶段得到的网络模型依次检测矩形框图像。每个矩形框图像检测后会得到分类为缺陷的概率值p1和分类为无缺陷的概率值p2。通过判决函数f得到该区域为缺陷区域的综合判决结果s，f函数如式(1)所示。
Figure BDA0001771747000000041
上式中nok是采集到的无缺陷样本数目，nng是采集到的缺陷样本数目。引入比例因子
Figure BDA0001771747000000042
和
Figure BDA0001771747000000043
可使得无缺陷和有缺陷的判决尽可能的靠近0和1，避免接近中间分数0.5。在对整个图像扫描完成后，取所有采样子图中判决值的最大值Max(s(Gi))作为整个图像的判决结果。设定终判阈值S，如果得分小于阈值S则判定为无缺陷，如果得分大于阈值S则判定为有缺陷。
进一步的，所述步骤1中的图片预处理为配准分割操作，目的是获取FPC图像待检测的ROI区域，处理的过程中不能损失图像中的缺陷信息。
进一步的，所述步骤3中采样矩形框边长x和y取决于缺陷尺寸特征和卷积神经网络的输入m×m像素，缺陷尺寸特征越小，矩形框越小，本发明取边长为a×m(0.5<a<2)的正方形框。矩形框的步长取xstep＝n×x和ystep＝n×y，其中0.5<n<1。
进一步的，所述步骤4中使用的CNN网络FDNet的输入为224×224，输入层之后是两个卷积层(Conv)，再加上池化层(Pool)和局部响应归一化(LRN)层，其后再顺序接上两个卷积层以及LRN层和池化层；在之后接上3个连续的InceptionF和池化层的结构，其后依次是Dropout层和全连接层(InnerProduct)，最后就是输出层。其中的InceptionF是四个支线并联的结构，第一个支线是一个卷积层，第二个支线是两个卷积层，第三个支线是3个卷积层，第四个支线是池化层和卷积层。FDNet的详细结构如图1所示，InceptionF的详细结构如图2所示，图中Conv表示卷积层，Pool表示池化层，Concat表示连接层，LRN表示局部响应归一化层，InnerProduct表示全连接层，卷积层和池化层的参数格式如a_b*b_c_d，其中a表示pad参数，b表示(卷积)核大小，c表示(卷积或池化)步长，d表示卷积核数目，如果缺省则表示该参数为0。
进一步的，所述步骤4中使用的CNN网络FDNet的输出为2类，即一类表示缺陷，一类表示无缺陷。
进一步的，所述步骤4中使用的CNN网络FDNet的输出为多类，即无缺陷、I类缺陷、II类缺陷…，则利用多种类型的缺陷数据训练一个多分类的模型实现缺陷的检测和分类。
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
实施例
图3、图4是本发明模型训练部分和缺陷检测部分的流程示意图。本实施例中基于CNN的柔性电路板外观缺陷检测方法，首先对FPC图像进行预处理操作得到ROI图像，然后对ROI图像进行标注，标注后对图像进行顺序遍历采样得到样本，将样本图像作为CNN训练的数据，训练得到网络模型，最后利用网络模型对同一类型电路板图像进行缺陷检测，判断是否包含缺陷。具体步骤如下:
步骤1：对FPC图像进行预处理，获取图像中的待检测区域，即ROI区域。
步骤2：对ROI图像进行手工标注，记录ROI图像缺陷像素点的坐标位置，标注了缺陷信息的ROI图像则称为缺陷图像，未标注缺陷信息的ROI图像则为无缺陷图像。
步骤3：对已经标记的ROI图像进行采样，以固定边长224、224的矩形框作为采样器，以步长200、200顺序遍历ROI图像。设采样得到的子图为G，根据缺陷区域标注的缺陷坐标信息，统计G中包含的缺陷像素数N(G)。根据阈值T＝50进行标注，N(G)>T，将G标注为缺陷样本；N(G)≤T，则标注为无缺陷样本。
步骤4：把采样得到的缺陷样本和无缺陷样本均按照4:1比例分为训练集和验证集，训练集样本用于网络的训练，验证集样本用于测试网络的训练结果。模型训练采用FDNet在Caffe框架下对网络进行训练。模型测试用于验证模型对待检测区域图像测试的准确率和泛化能力，通过测试样本检验训练的效果，根据测试效果不断调整网络参数和采样参数以完成模型的训练和优化。
步骤5：利用训练后的网络模型测试FPC图像。首先对FPC原图像进行相同的预处理和矩形框采样扫描操作得到多个矩形框图像Gi。利用模型训练阶段得到的网络模型依次检测矩形框图像。每个矩形框图像检测后会得到分类为缺陷的概率值p1和分类为无缺陷的概率值p2。通过判决函数f得到该区域为缺陷区域的综合判决结果s，f函数如式(1)所示。
Figure BDA0001771747000000061
上式中nok是采集到的无缺陷样本数目，nng是采集到的缺陷样本数目。引入比例因子
Figure BDA0001771747000000062
和
Figure BDA0001771747000000063
可使得无缺陷和有缺陷的判决尽可能的靠近0和1，避免接近中间分数0.5。在对整个图像扫描完成后，取所有采样子图中判决值的最大值Max(s(Gi))作为I的判决结果。设定终判阈值S＝0.5，如果得分小于阈值S则判定为无缺陷，如果得分大于阈值S则判定为有缺陷。
本实施例在Windows10系统下使用Caffe深度学习框架进行了实验，实验使用的GPU型号为GeForce GTX 1080Ti，CPU型号为Intel Core i7-6700。FPC数据集样本信息如表1所示，最终的检测结果如表2所示。
表1 FPC样本信息
Figure BDA0001771747000000064
表2 FCP测试结果
Figure BDA0001771747000000065
Figure BDA0001771747000000071
表1中的A类图像纹理和缺陷特征简单，B类图像纹理和缺陷特征复杂，C类图像纹理和缺陷特征复杂度介于AB之间。从表2中可以看出FDNet经过训练后A、B和C三类图像的验证集上的准确率均在99.4％以上，缺陷图像检测准确率均在99.1％以上，无缺陷图像检测准确率均在97.6％以上，而且单张图片的检测时间只有46ms，可见本发明在FPC外观缺陷检测问题上具有良好的效果。

Claims (7)

1.一种基于CNN的柔性电路板外观缺陷检测方法，其特征在于，包括以下步骤：
步骤1，对FPC图像进行预处理，获取图像中的待检测区域，即感兴趣区域ROI；
步骤2，对ROI图像进行手工标注，记录ROI图像缺陷像素点的坐标位置，标注了缺陷信息的ROI图像则称为缺陷图像，未标注缺陷信息的ROI图像则为无缺陷图像；
步骤3，对已经标记的ROI图像进行采样，以固定边长x、y的矩形框作为采样器，以步长xstep、ystep的顺序遍历ROI图像；设采样得到的子图为G，根据缺陷区域标注的缺陷坐标信息，统计G中包含的缺陷像素数N(G)；根据阈值T对G进行标注，N(G)>T，将G标注为缺陷样本；N(G)≤T，则标注为无缺陷样本；
步骤4，将采样得到的缺陷样本和无缺陷样本均按照n∶1比例分为训练集和验证集，训练集样本用于网络的训练，验证集样本用于测试网络的训练结果；模型训练采用FDNet在Caffe框架下对网络进行训练；模型测试用于验证模型对待检测区域图像测试的准确率和泛化能力，通过测试样本检验训练的效果，根据测试效果不断调整网络参数和采样参数以完成模型的训练和优化；
步骤5，利用训练后的网络模型测试FPC图像；首先对FPC原图像进行相同的预处理和矩形框采样扫描操作得到多个矩形框图像Gi；利用模型训练阶段得到的网络模型依次检测矩形框图像；每个矩形框图像检测后会得到分类为缺陷的概率值p1和分类为无缺陷的概率值p2；通过判决函数f得到矩形框图像Gi所在区域为缺陷区域的综合判决结果s，f函数如式(1)所示：
Figure FDA0002849976300000011
上式中nok是采集到的无缺陷样本数目，nng是采集到的缺陷样本数目；
在对整个图像扫描完成后，取所有采样子图中判决值的最大值Max(s(Gi))作为整个图像的判决结果；设定终判阈值S，如果得分小于阈值S则判定为无缺陷，如果得分大于阈值S则判定为有缺陷。
2.根据权利要求1所述的基于CNN的柔性电路板外观缺陷检测方法，其特征在于，所述步骤1中的图片预处理为配准分割操作，目的是获取FPC图像待检测的ROI区域，处理的过程中不能损失图像中的缺陷信息。
3.根据权利要求1所述的基于CNN的柔性电路板外观缺陷检测方法，其特征在于，所述步骤3中采样矩形框边长x和y取决于缺陷尺寸特征和卷积神经网络的输入m×m像素，缺陷尺寸特征越小，矩形框越小，取边长为a×m的正方形框，0.5<a<2，矩形框的步长取xstep＝n×x和ystep＝n×y，其中0.5<n<1。
4.根据权利要求1所述的基于CNN的柔性电路板外观缺陷检测方法，其特征在于，所述步骤4中使用的CNN网络FDNet的输入为224×224，输入层之后是两个卷积层，再加上池化层和局部响应归一化层，其后再顺序接上两个卷积层以及LRN层和池化层；在之后接上3个连续的InceptionF和池化层的结构，其后依次是Dropout层和全连接层，最后就是输出层；其中InceptionF是四个支线并联的结构，第一个支线是一个卷积层，第二个支线是两个卷积层，第三个支线是3个卷积层，第四个支线是池化层和卷积层。
5.根据权利要求1或4所述的基于CNN的柔性电路板外观缺陷检测方法，其特征在于，所述步骤4中使用的CNN网络FDNet的输出为2类，一类表示缺陷，一类表示无缺陷。
6.根据权利要求1或4所述的基于CNN的柔性电路板外观缺陷检测方法，其特征在于，所述步骤4中使用的CNN网络FDNet的输出为多类，即无缺陷、I类缺陷、II类缺陷…，则利用多种类型的缺陷数据训练一个多分类的模型实现缺陷的检测和分类。
7.根据权利要求1所述的基于CNN的柔性电路板外观缺陷检测方法，其特征在于，步骤5中终判阈值S＝0.5。
CN201810951960.4A 2018-08-21 2018-08-21 一种基于cnn的柔性电路板外观缺陷检测方法 Active CN109239102B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810951960.4A CN109239102B (zh) 2018-08-21 2018-08-21 一种基于cnn的柔性电路板外观缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810951960.4A CN109239102B (zh) 2018-08-21 2018-08-21 一种基于cnn的柔性电路板外观缺陷检测方法

Publications (2)

Publication Number Publication Date
CN109239102A CN109239102A (zh) 2019-01-18
CN109239102B true CN109239102B (zh) 2021-04-09

Family

ID=65070193

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810951960.4A Active CN109239102B (zh) 2018-08-21 2018-08-21 一种基于cnn的柔性电路板外观缺陷检测方法

Country Status (1)

Country Link
CN (1) CN109239102B (zh)

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109870466B (zh) * 2019-01-25 2021-06-01 深圳市华星光电半导体显示技术有限公司 用于显示装置外围线路区匹配缺陷点与线路编号的方法
CN111598825B (zh) * 2019-02-02 2023-04-18 阿里巴巴集团控股有限公司 数据处理方法、瑕疵的检测方法、计算设备及存储介质
CN109886950A (zh) * 2019-02-22 2019-06-14 北京百度网讯科技有限公司 电路板的缺陷检测方法和装置
CN111582294B (zh) * 2019-03-05 2024-02-27 慧泉智能科技（苏州）有限公司 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用
CN109916921A (zh) * 2019-03-29 2019-06-21 北京百度网讯科技有限公司 电路板缺陷处理方法、装置及设备
CN110223269A (zh) * 2019-04-24 2019-09-10 深圳市派科斯科技有限公司 一种fpc缺陷检测方法和装置
CN110415214A (zh) * 2019-06-26 2019-11-05 北京迈格威科技有限公司 摄像头模组的外观检测方法、装置、电子设备及存储介质
CN110415240A (zh) * 2019-08-01 2019-11-05 国信优易数据有限公司 样本图像生成方法及装置、电路板缺陷检测方法及装置
CN110530875A (zh) * 2019-08-29 2019-12-03 珠海博达创意科技有限公司 一种基于深度学习的fpcb外观缺陷自动检测算法
CN110766664B (zh) * 2019-09-29 2021-09-14 杭州电子科技大学 一种基于深度学习的电子元器件外观不良品的检测方法
CN110838111A (zh) * 2019-11-08 2020-02-25 深圳市深视创新科技有限公司 柔性电路板的自适应缺陷检测方法
CN111103307A (zh) * 2019-11-19 2020-05-05 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的pcb板缺陷检测方法
CN111127571B (zh) 2019-12-03 2023-12-29 歌尔股份有限公司 一种小样本缺陷分类方法和装置
CN111223077A (zh) * 2019-12-30 2020-06-02 浙江力创自动化科技有限公司 一种电路板的测试方法及测试系统
CN111175318A (zh) * 2020-01-21 2020-05-19 上海悦易网络信息技术有限公司 屏幕划痕碎裂检测方法及设备
CN111444945A (zh) * 2020-03-20 2020-07-24 北京每日优鲜电子商务有限公司 样本信息过滤方法、装置、计算机设备及存储介质
CN111598084B (zh) * 2020-05-11 2023-06-02 北京阿丘机器人科技有限公司 缺陷分割网络训练方法、装置、设备及可读存储介质
CN111709918B (zh) * 2020-06-01 2023-04-18 深圳市深视创新科技有限公司 基于深度学习的联合多个通道产品缺陷分类方法
CN113804704A (zh) * 2020-06-11 2021-12-17 广东美的白色家电技术创新中心有限公司 电路板检测方法、视觉检测设备及具有存储功能的装置
CN113808067B (zh) * 2020-06-11 2024-07-05 广东美的白色家电技术创新中心有限公司 电路板检测方法、视觉检测设备及具有存储功能的装置
CN112381175A (zh) * 2020-12-05 2021-02-19 中国人民解放军32181部队 一种基于图像处理的电路板识别与分析方法
CN112598631A (zh) * 2020-12-16 2021-04-02 佛山市南海区广工大数控装备协同创新研究院 一种基于多分区匹配和差异模型学习的印刷品表面缺陷检测方法
CN113033554B (zh) * 2021-03-23 2022-05-13 成都国铁电气设备有限公司 一种实时在线检测锚固螺栓缺陷的方法
CN114782431B (zh) * 2022-06-20 2022-10-14 苏州康代智能科技股份有限公司 一种印刷电路板缺陷检测模型训练方法及缺陷检测方法
CN114862845B (zh) * 2022-07-04 2022-09-06 深圳市瑞桔电子有限公司 手机触摸屏的缺陷检测方法、装置、设备及存储介质
CN115239712B (zh) * 2022-09-21 2023-01-31 季华实验室 电路板表面缺陷检测方法、装置、电子设备及存储介质
CN115861305A (zh) * 2023-02-20 2023-03-28 佛山市南海区广工大数控装备协同创新研究院 柔性电路板检测方法、装置、计算机设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006118896A (ja) * 2004-10-19 2006-05-11 Sumitomo Electric Ind Ltd フレキシブルプリント配線板の外観検査方法
CN103676868A (zh) * 2013-12-09 2014-03-26 华南理工大学 一种fpc制造关键工序自动监控与智能分析系统
CN103925911A (zh) * 2014-04-23 2014-07-16 杭州师范大学 柔性线路板校正台的参照目标检测方法
CN104238505A (zh) * 2014-08-28 2014-12-24 华南理工大学 一种fpc制造过程质量控制专家系统及方法
CN104992142A (zh) * 2015-06-03 2015-10-21 江苏大学 一种基于深度学习和属性学习相结合的行人识别方法
CN105445277A (zh) * 2015-11-12 2016-03-30 湖北工业大学 一种fpc表面质量视觉智能检测方法
CN106501282A (zh) * 2016-10-26 2017-03-15 中源智人科技（深圳）股份有限公司 Fpc自动检查机器人及其智能检测方法
CN106530284A (zh) * 2016-10-21 2017-03-22 广州视源电子科技股份有限公司 基于图像识别的焊点类型检测和装置
CN108229657A (zh) * 2017-12-25 2018-06-29 杭州健培科技有限公司 一种基于演化算法的深度神经网络训练与优化算法
CN108256498A (zh) * 2018-02-01 2018-07-06 上海海事大学 一种基于EdgeBoxes和FastR-CNN的非机动车辆目标检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006118896A (ja) * 2004-10-19 2006-05-11 Sumitomo Electric Ind Ltd フレキシブルプリント配線板の外観検査方法
CN103676868A (zh) * 2013-12-09 2014-03-26 华南理工大学 一种fpc制造关键工序自动监控与智能分析系统
CN103925911A (zh) * 2014-04-23 2014-07-16 杭州师范大学 柔性线路板校正台的参照目标检测方法
CN104238505A (zh) * 2014-08-28 2014-12-24 华南理工大学 一种fpc制造过程质量控制专家系统及方法
CN104992142A (zh) * 2015-06-03 2015-10-21 江苏大学 一种基于深度学习和属性学习相结合的行人识别方法
CN105445277A (zh) * 2015-11-12 2016-03-30 湖北工业大学 一种fpc表面质量视觉智能检测方法
CN106530284A (zh) * 2016-10-21 2017-03-22 广州视源电子科技股份有限公司 基于图像识别的焊点类型检测和装置
CN106501282A (zh) * 2016-10-26 2017-03-15 中源智人科技（深圳）股份有限公司 Fpc自动检查机器人及其智能检测方法
CN108229657A (zh) * 2017-12-25 2018-06-29 杭州健培科技有限公司 一种基于演化算法的深度神经网络训练与优化算法
CN108256498A (zh) * 2018-02-01 2018-07-06 上海海事大学 一种基于EdgeBoxes和FastR-CNN的非机动车辆目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"The automatic detection system of flexible printed circuit board"s defect in computer equiment based on picture processing and pattern recognition";Ke Ren 等;《CIRCUIT WORLD》;20141028;第121-126页 *
"基于骨架特征的柔性电路板缺陷检测方法";苑玮琦 等;《计算机应用》;20160610;第36卷;第169-173页 *

Also Published As

Publication number Publication date
CN109239102A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
CN109239102B (zh) 一种基于cnn的柔性电路板外观缺陷检测方法
CN111784633B (zh) 一种面向电力巡检视频的绝缘子缺损自动检测算法
CN109285139A (zh) 一种基于深度学习的x射线成像焊缝检测方法
CN109165643B (zh) 一种基于深度学习的车牌识别方法
CN110490842B (zh) 一种基于深度学习的带钢表面缺陷检测方法
CN109472226B (zh) 一种基于深度学习的睡觉行为检测方法
CN108596038B (zh) 一种结合形态学分割和神经网络的粪便中红细胞识别方法
CN111667455A (zh) 一种刷具多种缺陷的ai检测方法
CN112037219A (zh) 一种基于两阶段卷积神经网络的金属表面缺陷检测方法
CN112381175A (zh) 一种基于图像处理的电路板识别与分析方法
CN111242896A (zh) 一种彩色印刷标签缺陷检测与质量评级方法
CN106355579A (zh) 烟条表面褶皱的缺陷检测方法
CN104483320A (zh) 工业脱硝催化剂的数字化缺陷检测装置与检测方法
CN114372955A (zh) 一种基于改进神经网络的铸件缺陷x射线图自动识别法
CN113706490B (zh) 一种晶片缺陷检测方法
CN114066848B (zh) 一种fpca外观缺陷视觉检测系统
Daniel et al. Automatic road distress detection and analysis
CN111161237A (zh) 一种果蔬表面质检方法及其储存介质、分拣装置
CN111638218A (zh) 一种涂层表面缺陷的检测方法
CN113780423A (zh) 一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型
CN110728269B (zh) 一种基于c2检测数据的高铁接触网支柱杆号牌识别方法
CN116071315A (zh) 一种基于机器视觉的产品可视缺陷检测方法及系统
CN111932639B (zh) 一种基于卷积神经网络的不均衡缺陷样本的检测方法
CN111597939A (zh) 一种基于深度学习的高铁线路鸟窝缺陷检测方法
CN116363426A (zh) 公路防眩板健康状态自动检测方法

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