CN109946319B - 印刷电路板检查装置、决定丝网印刷机的缺陷类型的方法及计算机可判读记录介质 - Google Patents

印刷电路板检查装置、决定丝网印刷机的缺陷类型的方法及计算机可判读记录介质 Download PDF

Info

Publication number
CN109946319B
CN109946319B CN201711405589.3A CN201711405589A CN109946319B CN 109946319 B CN109946319 B CN 109946319B CN 201711405589 A CN201711405589 A CN 201711405589A CN 109946319 B CN109946319 B CN 109946319B
Authority
CN
China
Prior art keywords
printed circuit
circuit board
printed
image
solder
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
CN201711405589.3A
Other languages
English (en)
Other versions
CN109946319A (zh
Inventor
金载衡
鲁铤圭
李在桓
李德永
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.)
Gaoying Technology Co ltd
Original Assignee
Gaoying 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 Gaoying Technology Co ltd filed Critical Gaoying Technology Co ltd
Publication of CN109946319A publication Critical patent/CN109946319A/zh
Application granted granted Critical
Publication of CN109946319B publication Critical patent/CN109946319B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
    • B41F—PRINTING MACHINES OR PRESSES
    • B41F15/00—Screen printers
    • B41F15/14—Details
    • B41F15/16—Printing tables
    • B41F15/18—Supports for workpieces
    • B41F15/26—Supports for workpieces for articles with flat surfaces
    • 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
    • G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
    • B41F—PRINTING MACHINES OR PRESSES
    • B41F33/00—Indicating, counting, warning, control or safety devices
    • B41F33/0036—Devices for scanning or checking the printed matter for quality control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
    • B41F—PRINTING MACHINES OR PRESSES
    • B41F33/00—Indicating, counting, warning, control or safety devices
    • B41F33/0036—Devices for scanning or checking the printed matter for quality control
    • B41F33/0045—Devices for scanning or checking the printed matter for quality control for automatically regulating the ink supply
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G01B11/25—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object
    • 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
    • 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
    • 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
    • G06T7/001—Industrial image inspection using an image reference approach
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
    • H05K13/08—Monitoring manufacture of assemblages
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • 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
    • G01N2021/95646—Soldering
    • 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]
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K3/00—Apparatus or processes for manufacturing printed circuits
    • H05K3/10—Apparatus or processes for manufacturing printed circuits in which conductive material is applied to the insulating support in such a manner as to form the desired conductive pattern
    • H05K3/12—Apparatus or processes for manufacturing printed circuits in which conductive material is applied to the insulating support in such a manner as to form the desired conductive pattern using thick film techniques, e.g. printing techniques to apply the conductive material or similar techniques for applying conductive paste or ink patterns
    • H05K3/1216—Apparatus or processes for manufacturing printed circuits in which conductive material is applied to the insulating support in such a manner as to form the desired conductive pattern using thick film techniques, e.g. printing techniques to apply the conductive material or similar techniques for applying conductive paste or ink patterns by screen printing or stencil printing
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K3/00—Apparatus or processes for manufacturing printed circuits
    • H05K3/30—Assembling printed circuits with electric components, e.g. with resistor
    • H05K3/32—Assembling printed circuits with electric components, e.g. with resistor electrically connecting electric components or wires to printed circuits
    • H05K3/34—Assembling printed circuits with electric components, e.g. with resistor electrically connecting electric components or wires to printed circuits by soldering
    • H05K3/3457—Solder materials or compositions; Methods of application thereof
    • H05K3/3485—Applying solder paste, slurry or powder

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Operations Research (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Electric Connection Of Electric Components To Printed Circuits (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

公开一种印刷电路板检查装置。印刷电路板检查装置可以包括：存储器，其存储经学习的基于机器学习的模型，所述图像是显示印刷于印刷电路板的多个焊膏是否异常的图像；及处理器，如果利用关于第一印刷电路板的图像，感知所述第一印刷电路板上印刷的多个焊膏中至少一个焊膏异常，则生成显示多个焊膏是否异常的至少一个图像的步骤；利用经学习的基于机器学习的模型，获得代表所述至少一个缺陷类型与所述生成的至少一个图像的关联性的至少一个值的步骤，所述图像是显示印刷于多个印刷电路板的多个焊膏是否异的图像；及基于所述获得的至少一个值，在所述至少一个缺陷类型中，决定与所述感知到异常的至少一个焊膏相关的缺陷类型的步骤。

Description

印刷电路板检查装置、决定丝网印刷机的缺陷类型的方法及 计算机可判读记录介质
技术领域
本公开涉及印刷电路板检查装置，更具体而言，涉及一种用于决定印刷电 路板的印刷中所利用的丝网印刷机的缺陷类型的印刷电路板检查装置。
本发明通过以产业通商资源部的机器人产业融合核心技术开发项目的一环 作为目的进行的研究而导出【课题编号：10077589，研究课题名：基于机器学 习的SMT最优化系统技术开发】。
背景技术
在加装于电子装置的印刷电路板上印刷焊膏的工序借助于丝网印刷机来执 行，丝网印刷机在印刷电路板上印刷焊膏的工序如下。丝网印刷机使印刷电路 板位于用来固定印刷电路板的工作台，以模版的开口位于对应的印刷电路板的 焊垫上的方式，使模版排列于印刷电路板上。然后，丝网印刷机利用刮板 (squeegee)，通过模版的开口，将焊膏印刷于印刷电路板。然后，丝网印刷机 使模版与印刷电路板分离。
印刷电路板上印刷的焊膏的形状可通过SPI(solder paste inspection，焊膏步进检测)技术进行检查。SPI技术是通过光学技术获得印刷电路板上印刷的焊膏 的二维或三维影像，并且可以从获得的影像检查印刷电路板上印刷的焊膏形状 的技术。
发明内容
解决的技术问题
本公开提供一种印刷电路板检查装置，可以利用基于机器学习的模型，决 定与焊膏异常(anomaly)相关的丝网印刷机的缺陷(fault)类型。
本公开提供一种计算机可判读记录介质，记录包含可执行命令的程序，所 述可执行命令使得印刷电路板检查装置利用基于机器学习的模型，执行与焊膏 异常相关的丝网印刷机的缺陷类型的决定。
本公开提供一种在印刷电路板检查装置中，利用基于机器学习的模型，决 定与焊膏的异常相关的丝网印刷机的缺陷类型的方法。
技术方案
根据本公开的一个实施例，检查印刷电路板的装置可以包括：存储器，其 存储经学习的基于机器学习的模型，所述基于机器学习的模型进行学习，以便 导出代表丝网印刷机的至少一个缺陷类型与图像的关联性的至少一个值，其中， 所述图像是显示印刷于印刷电路板的多个焊膏是否异常的图像；及处理器，其 与所述存储器电气连接；所述处理器如果利用关于第一印刷电路板的图像，感 知所述第一印刷电路板上印刷的多处焊膏中至少一处焊膏异常，则可以生成显 示所述多个焊膏是否异常的至少一个图像，利用所述基于机器学习的模型，获 得代表所述至少一个缺陷类型与所述生成的至少一个图像的关联性的至少一个 值，基于所述获得的至少一个值，在所述至少一个缺陷类型中决定与所述感知异常的至少一处焊膏相关的缺陷类型。
在一个实施例中，所述处理器可以利用通过所述关于第一印刷电路板的图 像而获得的对所述多处焊膏的第一测量信息，感知所述多处焊膏中所述至少一 处焊膏是否异常。
在一个实施例中，所述第一测量信息可包括焊膏的体积、面积、高度、形 状或位置中至少一个。
在一个实施例中，所述存储器可以还存储第二测量信息，在所述第一印刷 电路板之前，借助于所述印刷电路板检查装置，对多个第二印刷电路板检查是 否异常，所述第二测量信息是对所述多个第二印刷电路板上分别印刷的多处焊 膏的测量信息，所述处理器利用所述第一测量信息与所述第二测量信息，在所 述多处焊膏中，对所述至少一处焊膏感知是否异常。
在一个实施例中，所述第二测量信息可以按照所述多个第二印刷电路板各 自的检查顺序，由对所述多个第二印刷电路板上分别印刷的多处焊膏的测量信 息，按时间序列结合生成。
在一个实施例中，所述处理器可以基于所述第二测量信息，按照所述多个 第二印刷电路板各自的检查顺序，判断对所述多个第二印刷电路板上分别印刷 的多处焊膏的测量信息的变化，基于所述判断的对多处焊膏的测量信息的变化， 在所述至少一个缺陷类型中，决定与所述第一印刷电路板上印刷的至少一处焊 膏异常相关的缺陷类型。
在一个实施例中，所述至少一个缺陷类型可以包括挤压叶片缺陷、挤压叶 片固定缺陷、支架缺陷、工作台缺陷、栅格锁设置不良导致的缺陷、焊膏放置 和焊膏调和不良导致的缺陷、焊膏不足导致的缺陷及模版接触不良导致的缺陷 中的至少一个缺陷。
在一个实施例中，所述基于机器学习的模型可以为CNN(convolution neuralnetwork，卷积神经网络)模型。
在一个实施例中，所述处理器可以通过显示分别印刷于多个印刷电路板的 多个焊膏是否异常的多个图像，使所述基于机器学习的模型进行学习，其中， 所述多个焊膏是按照所述至少一个缺陷类型进行分类。
在一个实施例中，所述处理器可以决定与所述感知异常的至少一处焊膏相 关的缺陷类型后，通过所述生成的至少一个图像，使所述基于机器学习的模型 进行学习。
在一个实施例中，所述处理器可以将同所述获得的至少一个值中预先设置 的临界值以上的值相对应的缺陷类型，决定为与所述感知异常的至少一处焊膏 相关的缺陷类型。
本公开一个实施例的计算机可判读记录介质，作为记录用于在计算机上执 行的程序的非易失性计算机可判读记录介质，其中，所述程序包括在借助于处 理器而运行时使得所述处理器执行如下步骤的可执行命令：如果利用关于第一 印刷电路板的图像，感知所述第一印刷电路板上印刷的多处焊膏中至少一处焊 膏异常，则生成显示多个焊膏是否异常的至少一个图像的步骤；利用经学习的 基于机器学习的模型，获得代表所述至少一个缺陷类型与所述生成的至少一个 图像的关联性的至少一个值的步骤，其中，所述基于机器学习的模型进行学习， 以便导出代表丝网印刷机的至少一个缺陷类型与图像的关联性的至少一个值， 其中，所述图像是显示印刷于多个印刷电路板的多个焊膏是否异常的图像；及基于所述获得的至少一个值，在所述至少一个缺陷类型中，决定与所述感知到 异常的至少一处焊膏相关的缺陷类型的步骤。
在一个实施例中，所述可执行命令可以还执行：利用通过所述关于第一印 刷电路板的图像而获得的对所述多处焊膏的第一测量信息，在所述多处焊膏中 感知所述至少一处焊膏是否异常的步骤。
在一个实施例中，所述第一测量信息可包括焊膏的体积、面积、高度、形 状或位置中至少一个。
在一个实施例中，在所述多处焊膏中感知所述至少一处焊膏是否异常的步 骤可以包括：利用所述第一测量信息与第二测量信息，在所述多处焊膏中，对 所述至少一处焊膏感知是否异常的步骤；所述第二测量信息可以是在所述第一 印刷电路板之前，借助于所述印刷电路板检查装置，对多个第二印刷电路板检 查是否异常，按照所述多个第二印刷电路板各自的检查顺序，由对所述多个第 二印刷电路板上分别印刷的多处焊膏的测量信息，按时间序列结合生成。
在一个实施例中，所述基于机器学习的模型可以为CNN(convolution neuralnetwork，卷积神经网络)模型。
在一个实施例中，所述可执行命令可以还执行：通过显示多个焊膏是否异 常的多个图像，使所述CNN进行学习的步骤，其中，所述多个焊膏是按照所述 至少一个缺陷类型进行分类。
在一个实施例中，所述决定缺陷类型的步骤可以包括：将同所述获得的至 少一个值中预先设置的临界值以上的至少一个值相对应的缺陷类型，决定为与 所述感知的至少一处焊膏相关的缺陷类型的步骤。
本公开一个实施例的在印刷电路板检查装置中决定丝网印刷机的缺陷类型 的方法可以包括：如果利用关于第一印刷电路板的图像，感知所述第一印刷电 路板上印刷的多处焊膏中至少一处焊膏异常，则生成显示多个焊膏是否异常的 至少一个图像的步骤；利用经学习的基于机器学习的模型，获得代表所述至少 一个缺陷类型与所述生成的至少一个图像的关联性的至少一个值的步骤，其中， 所述基于机器学习的模型进行学习，以便导出代表丝网印刷机的至少一个缺陷 类型与图像的关联性的至少一个值，所述图像是显示印刷于多个印刷电路板的 多个焊膏是否异常的图像；及基于所述获得的至少一个值，在所述至少一个缺 陷类型中，决定与所述感知到异常的至少一处焊膏相关的缺陷类型的步骤。
发明效果
本发明多样实施例的印刷电路板检查装置可以利用显示印刷于印刷电路板 的多个焊膏是否异常的图像，在丝网印刷机的至少一个缺陷类型中，决定与感 知异常焊膏相关的缺陷类型。由此，可以迅速掌握导致焊膏异常的丝网印刷机 的缺陷类型并将其矫正。
附图说明
图1是本公开的多样实施例的印刷电路板检查装置的框图。
图2是本公开的多样实施例的决定与感知异常焊膏相关的缺陷类型的方法 的流程图。
图3是本公开的多样实施例的感知印刷电路板上印刷的至少一处焊膏异常 的方法的流程图。
图4a至图4c图示本公开的多样实施例的显示第一测量信息及第二测量信息 的多个图表。
图5是本公开的多样实施例的决定与感知异常的至少一处焊膏相关的丝网 印刷机缺陷类型的方法的流程图。
图6是显示本公开的多样实施例的第二测量信息及从第二测量信息分解的 多个信息的图表。
图7a及图7b图示了本公开的多样实施例的显示印刷于印刷电路板的多个 焊膏是否异常的图像。
图8是本公开的多样实施例的基于机器学习的模型的概念图。
具体实施方式
本公开的实施例是出于说明本公开的技术思想的目的而列举的示例。本公 开的权利范围不限定于以下提示的实施例或对这些实施例的具体说明。
只要未不同地定义，本公开中使用的所有技术术语及科学术语具有本公开 所属技术领域的普通技术人员一般理解的意义。本公开中使用的所有术语是出 于更明确地说明本公开的目的而选择的，并非是为了限制本公开的权利范围而 选择的。
本公开中使用的诸如“包括的”、“具备的”、“具有的”等表现，只要在包 含相应表现的语句或文章中未提及不同，则应理解为涵盖可包括其他实施例的 可能性的开放型术语(open-ended terms)。
只要未提及不同，本公开中记述的单数型的表现可以还一同包括复数型的 意义，这也同样适用权利要求书中记载的单数型的表现。
本公开中使用的“第一”、“第二”等表现是为了相互区分多个构成要素而 使用的，并非限定相应构成要素的顺序或重要度。
本公开中使用的“基于～”字样的表现，用于对包含相应表现的语句或文章 中记述的，决定、判断的行为或记述动作施加影响的一个以上因子，该表现不 排除对决定或判断的行为或动作施加影响的追加因子。
在本公开中，当提及某种构成要素“连接于”或“接入于”其他构成要素 时，应理解为既可以是所述某种构成要素直接连接于或接入于所述其他构成要 素，也可以是以新的其他构成要素为媒介连接或接入。
下面参照附图，详细说明本公开的实施例。在附图中，对相同或对应的构 成要素，赋予相同的附图标记。另外，在以下实施例的说明中，可以省略重复 记述相同或对应的构成要素。但是，即使省略就构成要素的记述，也不代表某 实施例中不包含这种构成要素。
图1是本公开的多样实施例的印刷电路板检查装置的框图。
根据本公开的多样实施例，印刷电路板检查装置100可以包括图像传感器 110、存储器120及处理器130。另外，印刷电路板检查装置100可以还包括用 于输出处理器130处理的结果的显示装置140、其他输出装置(图上未示出)或 用于将处理的结果传输给其他电子装置的通信电路(图上未示出)。图像传感器 110、存储器120、处理器130及显示装置140可以电气连接并收发信号。
在一个实施例中，图像传感器110可以获得关于借助丝网印刷机101而印 刷有多处焊膏的印刷电路板的图像。借助于图像传感器110而获得的图像可以 是关于印刷电路板的二维或三维图像。借助于图像传感器110而获得的关于印 刷电路板的图像可以用于测量关于印刷电路板上印刷的多处焊膏的信息。例如， 可以利用关于印刷电路板的图像，测量关于印刷电路板上印刷的多处焊膏各自 的包括体积、面积、高度、形状或位置中至少一者的信息。不过，这只是出于 说明的目的，而非限定于此，通过关于印刷电路板的图像，可以测量能够代表 多处焊膏各自特性的多样信息。下面，“测量信息”可以定义为利用关于印刷电 路板的图像而测量的关于多处焊膏的信息。
在一个实施例中，存储器120可以存储基于机器学习的模型。基于机器学 习的模型可以进行学习，以便导出代表丝网印刷机101的至少一个缺陷类型与 图像的关联性的至少一个值，其中，所述图像是显示印刷于印刷电路板的多个 焊膏是否异常的图像。基于机器学习的模型例如可以为CNN(convolution neural network，卷积神经网络)模型。并且，基于机器学习的模型可存储在与印刷电 路板检查装置100有线或无线联动的电子装置(例如：外部服务器等)的存储 器中。此时，印刷电路板检查装置100可以收发为了决定与有线或无线联动的 电子装置感知到异常的至少一个焊膏相关的缺陷类型的信息。
在一个实施例中，代表至少一个缺陷类型与显示印刷于印刷电路板的多个 焊膏是否异常的图像的关联性的值可以是至少一个概率值。例如，至少一个值 可以表现为显示多个焊膏是否异常的图像与丝网印刷机101的第一缺陷类型的 关联性为a％，与丝网印刷机101的第二缺陷类型的关联性为b％。不过，这只 是出于说明的目的，而非限定于此，可以使用能够代表关联性的多样的值。
在一个实施例中，丝网印刷机101的至少一个缺陷类型可以是丝网印刷机 101可能发生的多样缺陷类型中，能够导出印刷电路板上印刷的焊膏异常的至少 一个缺陷类型。例如，丝网印刷机101的至少一个缺陷类型可以包括：丝网印 刷机101的挤压叶片缺陷，挤压叶片固定缺陷(例：用于固定挤压叶片的螺丝 固定缺陷等)，丝网印刷机101的支架缺陷，丝网印刷机101的工作台缺陷，使 用栅格锁作为支架时的栅格锁设置不良导致的缺陷，因丝网印刷机101供应的 焊膏状态，例如，因焊膏放置、焊膏调和不良导致的缺陷，丝网印刷机101供 应的焊膏不足导致的缺陷，以及模版接触不良导致的缺陷中至少一个。
不过，这只是出于说明的目的，而非限定于此，可能导致印刷电路板上印 刷的焊膏异常的丝网印刷机101的多样缺陷类型均可包括于丝网印刷机101的 至少一个缺陷类型。
在一个实施例中，存储器120中存储的基于机器学习的模型，可以通过显 示分别印刷于多个印刷电路板的多个焊膏是否异常的多个图像进行学习，其中， 所述多个焊膏是按照丝网印刷机101的至少一个缺陷类型进行分类的。例如， 基于机器学习的模型可以通过显示分类为丝网印刷机101第一缺陷类型的多个 焊膏是否异常的多个第一图像、显示对感知分类为丝网印刷机101第二缺陷类 型异常焊膏的测量信息的多个第二图像进行学习。如此经学习的基于机器学习 的模型如果输入显示多个焊膏是否异常的图像，则可以输出代表输入图像与第 一缺陷类型及第二缺陷类型中至少一个的关联性的值。基于机器学习的模型的 具体学习方法将在后面叙述。
在一个实施例中，处理器130可以利用借助于图像传感器110而获得的关 于第一印刷电路板的图像，感知第一印刷电路板上印刷的多处焊膏中至少一处 焊膏是否异常。第一印刷电路板可以是在丝网印刷机101印刷了多处焊膏之后， 成为移动到印刷电路板检查装置100的检查对象的印刷电路板。例如，处理器 130可以利用关于第一印刷电路板的图像，生成对多处焊膏的第一测量信息。处 理器130可以利用生成的第一测量信息，感知多处焊膏中至少一处焊膏是否异 常。
在一个实施例中，存储器120可以存储先于第一印刷电路板执行检查的对 多个第二印刷电路板上印刷的多处焊膏的第二测量信息。处理器130可以将在 多个第二印刷电路板各自的检查过程中生成的第二测量信息存储于存储器120。 例如，第二测量信息可以用于感知后于多个第二印刷电路板执行检查的第一印 刷电路板上印刷的多处焊膏是否异常。例如，第二测量信息可以按照多个第二 印刷电路板各自的检查顺序，由对多个第二印刷电路板上分别印刷的多处焊膏 的测量信息，按时间序列结合生成。生成第二测量信息的具体方面将在后面叙 述。
在一个实施例中，处理器130可以利用第一测量信息与第二测量信息，在 第一印刷电路板上印刷的多处焊膏中，对至少一处焊膏感知是否异常。例如， 处理器130通过比较第一测量信息与第二测量信息，判断第一测量信息与第二 测量信息的差异，当判断的差异存在超出预先设置的范围时，第一印刷电路板 上印刷的多处焊膏中超出预先设置范围的至少一处焊膏可以感知为存在异常。 另外，处理器130判断第一测量信息与第二测量信息的差异，当判断的差异未 超出预先设置的范围时，可以感知为第一印刷电路板上印刷的多处焊膏无异常。 然而，这只是出于说明的目的，并不局限于此，处理器130可以通过统计分析 或根据印刷电路板的检测顺序而时序分析第一测量信息及第二测量信息，并利 用第一测量信息及第二测量信息检测至少一个焊膏是否异常。
在一个实施例中，处理器130可以基于第二测量信息，按照多个第二印刷 电路板各自的检查顺序，判断对多个第二印刷电路板各自上印刷的多处焊膏的 测量信息的变化，例如，处理器130可以判断对多个第二印刷电路板各自上印 刷的多处焊膏的测量信息的差异，判断所判断的差异按照多个第二印刷电路板 各自的检查顺序如何变化。
另外，处理器130可以基于判断的对多处焊膏的测量信息的变化，在丝网 印刷机101的至少一个缺陷类型中，决定与感知异常的至少一处焊膏相关的缺 陷类型。例如，处理器130如果在第一印刷电路板上印刷的多处焊膏中感知至 少一处焊膏的异常，则可以基于判断的对多处焊膏的测量信息的变化，决定与 感知异常的至少一处焊膏的异常相关的至少一种缺陷类型。
在一个实施例中，处理器130如果感知第一印刷电路板上印刷的多处焊膏 中至少一处焊膏的异常，则可以生成显示多个焊膏是否异常的至少一个图像。 处理器130为了利用基于机器学习的模型来决定与感知异常的至少一处焊膏相 关的丝网印刷机101的缺陷类型，可以生成显示多个焊膏是否异常的至少一个 图像。
例如，显示多个焊膏是否异常的至少一个图像可以为：显示印刷于第一印 刷电路板的多个焊膏全部是否异常的图像、显示印刷于第一印刷电路板的多个 焊膏是否过焊异常的图像，及显示印刷于所述印刷电路板的多个焊膏是否欠焊 异常的图像中至少一个。
例如，处理器130既可以只生成显示印刷于第一印刷电路板的多个焊膏是 否异常的图像，或可以生成显示印刷于第一印刷电路板的多个焊膏是否过焊异 常的图像，及显示印刷于所述印刷电路板的多个焊膏是否欠焊异常的图像。不 过，这只是出于说明的目的，而非限定于此，处理器130可以生成用于基于机 器学习的模型学习的图像。
在一个实施例中，处理器130可以利用存储器120中存储的基于机器学习 的模型，获得代表丝网印刷机101的至少一个缺陷类型与生成的至少一个图像 的关联性的至少一个值。处理器130可以基于获得的值，在至少一个缺陷类型 中，决定与感知异常的至少一处焊膏相关的缺陷类型。处理器130可以通过显 示装置140或其他输出装置(图上未示出)，输出关于决定的缺陷类型的信息。 另外，处理器130可以通过印刷电路板检查装置100包含的通信电路(图上未 示出)，将关于决定的缺陷类型的信息发送给其他电子装置。并且，所决定的缺 陷类型可以为多个。
例如，处理器130可以将获得的值中同预先设置的临界值以上的值相对应 的缺陷类型，决定为与感知异常的至少一处焊膏相关的缺陷类型。
在一个实施例中，处理器130可以在决定与感知异常的至少一处焊膏相关 的丝网印刷机101缺陷类型后，使基于机器学习的模型通过生成的至少一个图 像进行学习。如上所述，处理器130每当执行对印刷电路板的检查时，使基于 机器学习的模型进行学习，从而可以更准确地决定与感知异常焊膏相关的丝网 印刷机101至少一种缺陷类型。
图2是本公开的多样实施例的决定与感知异常焊膏相关的缺陷类型的方法 的流程图。
在图2、图3及图5所示的流程图中，进程步骤、方法步骤、算法等按时间 序列的顺序进行了说明，但这些进程、方法及算法可以构成得按任意适合的顺 序运转。换句话说，本公开的多样实施例中说明的进程、方法及算法的步骤无 需按本公开中记述的顺序执行。另外，虽然说明的是一部分步骤按非同时方式 执行的情形，但在其他实施例中，这种一部分步骤可以同时执行。另外，附图 中描写的进程示例并不意味着举例的进程排除对其的不同变化及修订，不意味 着举例的进程或其步骤中任意某一者是本公开的多样实施例中一者以上所必需 的，不意味着举例的进程是优选的。
在210步骤中，印刷电路板检查装置100的处理器130可以通过图像传感 器110，获得关于印刷有多处焊膏的第一印刷电路板的图像。处理器130还可以 利用获得的图像，获得对多处焊膏的测量信息。对多处焊膏的测量信息可以包 括关于多处焊膏各自的体积、面积、高度、形状或位置中至少一者。
在220步骤中，处理器130如果利用获得的关于第一印刷电路板的图像， 感知多处焊膏中至少一处焊膏的异常，则可以生成显示多个焊膏是否异常的至 少一个图像。处理器130为了利用存储器120中存储的基于机器学习的模型， 决定与感知异常的至少一处焊膏相关的丝网印刷机101的缺陷类型，可以生成 显示多个焊膏是否异常的至少一个图像。
在230步骤中，处理器130可以利用存储器120中存储的基于机器学习的 模型，获得代表丝网印刷机101的至少一种缺陷类型与生成的至少一个图像的 关联性的至少一个值。例如，基于机器学习的模型可以提取生成的至少一个图 像的特征，基于提取的特征，导出丝网印刷机101的至少一个缺陷类型与生成 的至少一个图像的关联性的至少一个值。
在240步骤中，处理器130可以基于获得的至少一个值，在丝网印刷机101 的至少一个缺陷类型中，决定与感知异常的至少一处焊膏相关的缺陷类型。
例如，处理器130可以将同获得的值中的预先设置的临界值以上的值相对 应的缺陷类型，决定为与感知异常的至少一处焊膏相关的缺陷类型。
作为又一示例，处理器130可以将同获得的值中的按值大小的前n个值相 对应的多种缺陷类型，决定为与感知异常的至少一处焊膏相关的缺陷类型。其 中，对应于n的数字可以根据设置而调整。
图3是本公开的多样实施例的感知印刷电路板上印刷的至少一处焊膏的异 常的方法的流程图。
在310步骤中，印刷电路板检查装置100的处理器130可以利用通过图像 传感器110而获得的关于第一印刷电路板的图像，获得对第一印刷电路板上印 刷的多处焊膏的第一测量信息。例如，处理器130可以通过图像，检测关于多 处焊膏各自的体积、面积、高度、形状或位置中至少一者的信息，通过测量的 信息，生成第一测量信息。
在320步骤中，处理器130可以在存储器120中检索第二测量信息。另一 例，处理器130可以从外部服务器接收第二测量信息。比较生成的第一测量信 息与第二测量信息。第二测量信息可以是先于第一印刷电路板，借助于印刷电 路板检查装置100而执行检查的多个第二印刷电路板上分别印刷的多处焊膏的 测量信息。例如，处理器130在对多个第二印刷电路板各自的检查过程中，可 以通过关于多个第二印刷电路板各自的图像，检测多个第二印刷电路板上分别 印刷的多处焊膏的体积、面积、高度、形状或位置中至少一者的信息，通过测 量的信息，生成第二测量信息。处理器130可以将生成的第二测量信息存储于 存储器120或外部服务器。另外，处理器130可以在执行对第一印刷电路板的 检查后，将第一测量信息附加于第二测量信息，更新第二测量信息。
在330步骤中，处理器130可以利用第一测量信息与第二测量信息，感知 第一印刷电路板上印刷的多处焊膏中至少一处焊膏是否异常。例如，处理器130 通过比较第一测量信息与第二测量信息，判断第一测量信息与第二测量信息的 差异，当判断的差异中存在超出设置范围的部分时，可以感知为第一印刷电路 板上印刷的多处焊膏中对应于超出预先设置范围部分的至少一处焊膏存在异 常。另外，处理器130判断第一测量信息与第二测量信息的差异，当判断的差 异未超出预先设置的范围时，可以感知为第一印刷电路板上印刷的多处焊膏无 异常。
图4a至图4c图示了本公开的多样实施例的显示第一测量信息及第二测量 信息的图表及印刷有感知异常的焊膏的印刷电路板。
如果参照图4a至图4c，第二测量信息412、422、432可以按照印刷电路板 检查装置100检查的顺序，按时间序列将多个第二印刷电路板的测量信息结合 而生成。其中，测量信息可包括对印刷于各个印刷电路板的多个焊膏各自进行 测量的信息。
例如，第一测量信息411、421、431与第二测量信息412、422、432可以 包括对按照印刷于一个印刷电路板的印刷有多处焊膏的焊垫间的面积比(area ratio)而排列的多处焊膏各自进行测量的信息。不过，这只是出于说明的目的， 而非限定于此，第一测量信息411、421、431与第二测量信息412、422、432 中包含的对多处焊膏进行测量的信息，既可以根据印刷有多处焊膏的焊垫的ID 信息、纵横比(aspect ratio)排列，又可以根据多个焊膏的各自检查顺序而时序 排列，还可以没有另外的基准地随机排列。
在一个实施例中，印刷电路板检查装置100的处理器130可以比较第一测 量信息411、421、431与第二测量信息412、422、432。处理器130通过第一测 量信息411、421、431与第二测量信息412、422、432的比较，可以判断第一 测量信息411、421、431与第二测量信息412、422、432的差异。另外，处理 器130可以在判断的差异中，判断超出设置范围的部分413、423、433。处理器 130可以感知为，对应于判断的超出设置范围部分413、423、433的至少一处焊 膏存在异常。
在一个实施例中，处理器130也可以在结束对第一印刷电路板的检查后， 将第一测量信息411、421、431附加于第二测量信息412、422、432，从而更新 第二测量信息412、422、432。例如，处理器130只有在第一印刷电路板上印刷 的多处焊膏未发生异常的情况下，才能够更新第二测量信息412、422、432。作 为又一示例，处理器130在第一印刷电路板上印刷的多处焊膏中至少一处焊膏 发生异常的情况下，也可以更新第二测量信息412、422、432。
图5是本公开的多样实施例的决定与感知异常的至少一处焊膏相关的丝网 印刷机缺陷类型的方法的流程图。
在510步骤中，印刷电路板检查装置100的处理器130可以基于第二测量 信息，根据多个第二印刷电路板各自的检查顺序，判断对多个第二印刷电路板 上分别印刷的多处焊膏的测量信息的变化。例如，处理器130可以根据多个第 二印刷电路板各自的检查顺序，判断对多个第二印刷电路板上分别印刷的多处 焊膏的测量信息如何变化。
在520步骤中，处理器130可以基于判断的对多处焊膏的测量信息的变化， 在丝网印刷机101的至少一个缺陷类型中，决定与感知异常的至少一处焊膏相 关的缺陷类型。例如，处理器130如果感知第一印刷电路板上印刷的至少一处 焊膏异常，则可以在利用基于机器学习的模型之前，基于判断的对多处焊膏的 测量信息的变化，决定与感知异常的至少一处焊膏相关的缺陷类型。作为又一 示例，处理器130也可以同时执行通过基于机器学习的模型的缺陷类型决定和 基于测量信息变化的缺陷类型的决定。此时，处理器130可以利用通过机器学 习模型的缺陷类型决定结果和基于测量信息变化的缺陷类型决定结果，最终决 定与感知异常的至少一处焊膏相关的缺陷类型。
在530步骤中，处理器130可以通过显示装置140或其他输出装置，输出 关于决定的缺陷类型的信息。另外，处理器130也可以将关于决定的缺陷类型 的信息发送给其他电子装置。
图6是显示本公开的多样实施例的第二测量信息及从第二测量信息分解的 多个信息的图表。
在一个实施例中，第二测量信息可以按照印刷电路板检查装置100执行检 查的顺序，由对多个第二印刷电路板上分别印刷的多处焊膏的测量信息，按时 间序列结合生成。
如图6所示，在第一PCB至第九PCB借助于印刷电路板检查装置100而按 检查顺序而时序执行检查时，第二测量信息610可以由对第一PCB上印刷的多 处焊膏的测量信息至对第九PCB上印刷的多处焊膏的测量信息，按第一印刷电 路板至第九印刷电路板的检查顺序而时序结合生成。这种第二测量信息610随 后传输给印刷电路板检查装置100，可以用于感知执行检查的印刷电路板上印刷 的多处焊膏是否异常。
另外，对第一PCB上印刷的多处焊膏的测量信息至对第九PCB上印刷的多 处焊膏的测量信息，可以基于第一PCB至第九PCB中关于印刷焊膏的多个焊垫 的信息来排列。排列的对第一PCB上印刷的多处焊膏的测量信息至对第九PCB 上印刷的多处焊膏的测量信息可以按第一印刷电路板至第九印刷电路板的检查 顺序而时序结合。例如，对第一PCB上印刷的多处焊膏的测量信息至对第九PCB 上印刷的多处焊膏的测量信息，可以基于多个焊垫各自的特征(例：面积比(area ratio)，纵横比(aspect ratio)，位置群组ID(PositionCluster group ID)或焊垫 ID等)而排列。
印刷多处焊膏的印刷电路板上的焊垫，各焊垫的特征可能不同，因此，为 了更准确地分析第二测量信息610，可以如数学式1所示，将第二测量信息610 分解为周期信息620、趋势信息630、有条件分散信息640、平均移动趋势信息 650及误差信息660。
【数学式1】
Yt＝St+Tt+ht+μt+Et
其中，Yt为第二测量信息610，St为周期信息620，Tt为趋势信息630，ht为有条件分散信息640，μt为平均移动趋势信息650，Et为误差信息660。如上 所述生成第二测量信息610后，可以将第二测量信息610分解，生成周期信息 620、趋势信息630、有条件分散信息640、平均移动趋势信息650及误差信息 660。
例如，周期信息620在第一PCB至第九PCB中相同，趋势信息630可以代 表对第一PCB至第九PCB上印刷的多处焊膏的测量信息的倾向性。有条件分散 信息640是代表由各焊垫相异的特性导致的变动性的信息，平均移动趋势信息 650可以是代表因各焊垫相异的特征而具有不同平均值的焊膏的测量信息趋势 的信息。误差信息660可以是从第二测量信息610中去除周期信息620、趋势信 息630、有条件分散信息640、平均移动趋势信息650的噪声(noise)。如上所 述，考虑印刷电路板的各焊垫相异的特征并分解第二测量信息610，从而可以更 准确地分析由对第一PCB上印刷的多处焊膏的测量信息至对第九PCB上印刷的 多处焊膏的测量信息按第一印刷电路板至第九印刷电路板的检查顺序而时序结 合的第二测量信息610。另外，可以根据分析结果，判断对第一PCB上印刷的 多处焊膏的测量信息至对第九PCB上印刷的多处焊膏的测量信息的变化，从而 决定丝网印刷机101的缺陷。
在一个实施例中，对第一印刷电路板上印刷的多处焊膏的第一测量信息也 可以根据第一印刷电路板的多个焊垫各自的特征，分解为周期信息、趋势信息、 有条件分散信息、平均移动趋势信息及误差信息。印刷电路板检查装置100的 处理器130可以将从第一测量信息分解的周期信息、趋势信息、有条件分散信 息、平均移动趋势信息及误差信息，与从第二测量信息610分解的周期信息620、 趋势信息630、有条件分散信息640、平均移动趋势信息650及误差信息660进 行比较。处理器130可以根据比较结果，感知第一印刷电路板上印刷的多处焊 膏中至少一处焊膏是否异常。
图7a及图7b图示了本公开的多样实施例的显示印刷于印刷电路板的多个 焊膏是否异常的图像。
在一个实施例中，印刷电路板检查装置100的处理器130可以通过关于第 一印刷电路板的图像710，生成用于基于机器学习的模型的学习的至少一个图像 720、730、740。处理器130可以利用经学习的基于机器学习的模型，导出代表 生成的至少一个图像与丝网印刷机101的至少一个缺陷类型的关联性的值。
例如，基于机器学习的模型通过显示印刷于第一印刷电路板的多个焊膏是 否异常的图像720进行学习时，处理器130如图7a所示，可以生成显示印刷于 第一印刷电路板的多个焊膏是否异常的图像720。在生成的图像720中，可以显 示印刷于第一印刷电路板的多个焊膏是否异常信息。例如，多个焊膏中，对未 感知异常的至少一个焊膏可用黑色标记，对感知到异常的至少一个焊膏用白色 标记。另外，多个焊膏是否异常可以用0或1值表示。例如，对应于未感知异 常的至少一个焊膏的像素值设为0，对应于感知到异常的至少一个焊膏的像素值 可设为1。
作为又一示例，基于机器学习的模型通过显示印刷于所述第一印刷电路板 的多个焊膏是否过焊异常的图像730、及显示印刷于第一印刷电路板的多个焊膏 是否欠焊异常的图像740来学习时，处理器130如图7b所示，可以生成显示多 个焊膏是否过焊异常的图像730及显示多个焊膏是否欠焊异常的图像740。在生 成的图像730中，可以显示多个焊膏是否过焊异常。在生成的图像740中，可 以显示多个焊膏是否欠焊异常。
另外，处理器130在基于机器学习的模型通过不同于上述图像的其他至少 一个图像来学习时，可以生成不同于上述图像的至少一个图像。
图8是本公开的多样实施例的基于机器学习的模型的概念图。
在一个实施例中，印刷电路板检查装置100的处理器130可以通过显示分 别印刷于印刷电路板的多个焊膏是否异常的多个图像，使基于机器学习的模型 进行学习，其中，所述多个焊膏是按照丝网印刷机101的至少一个缺陷类型进 行分类的。下面，为了说明的便利，以基于机器学习的模型之一的CNN模型为 中心进行说明，但并非限定于此，可以利用多样基于机器学习的模型。
在一个实施例中，作为为了使CNN模型进行学习而利用的图像，可以利用 显示印刷于印刷电路板的多个焊膏是否异常的图像、显示印刷于印刷电路板的 多个焊膏是否过焊异常的图像，及显示印刷于印刷电路板的多个焊膏是否欠焊 异常的图像中至少一个。
例如，包括至少一个卷积层(convolution layer)及至少一个池化层(poolinglayer)的CNN特征提取层810，可以提取显示多个焊膏是否异常的图像的特征。 特征提取层810为了提取图像的特征，可以使用3x3或5x5过滤器。3x3或5x5 过滤器的系数可以在CNN通过显示分别印刷于多个印刷电路板的多个焊膏是否 异常的多个图像进行学习的过程中决定，其中，所述多个焊膏是按照至少一个 缺陷类型进行分类的。
另外，CNN的由全连接层(fully connected layer)构成的分类器820，可以 利用特征提取层810提取的特征，对显示多个焊膏是否异常的图像进行分类。 通过分类器820导出的分类结果可以包括代表显示多个焊膏是否异常的的图像 与至少一个缺陷类型的关联性的值。
所述方法虽然通过特定实施例进行了说明，但所述方法还可以在计算机可 读记录介质中，以计算机可读代码体现。计算机可读记录介质包括供可借助于 计算机系统而读取的数据存储的所有种类的记录装置。计算机可读记录介质可 以包括ROM、RAM、CD-ROM、光数据存储装置等。另外，计算机可读记录介 质可以分布于以网络连接的计算机系统，计算机可读代码可以以分布方式存储、 运行。而且，体现所述实施例所需的功能性(functional)程序、代码及代码片 段，可以由本公开所属技术领域的程序员容易地推导。
以上根据一部分实施例和附图图示的示例，说明了本公开的技术思想，但 本公开所属技术领域的技术人员可以理解，在不超出本公开的技术思想及范围 的范围内，可以实现多样的置换、变形及变更。另外，这种置换、变形及变更 应视为属于附带的权利要求书的范围内。

Claims (19)

1.一种印刷电路板检查装置，作为检查印刷电路板的装置，其中，包括：
存储器，其存储经学习的基于机器学习的模型，所述基于机器学习的模型进行学习，以便通过输入根据丝网印刷机的至少一个缺陷类型而分类的图像，导出代表所述丝网印刷机的至少一个缺陷类型与所述图像的关联性的至少一个值，其中，所述图像是显示印刷于所述印刷电路板的多个焊膏是否异常的图像，所述丝网印刷机的至少一个缺陷类型是能够导致印刷于所述印刷电路板的焊膏的异常的至少一个缺陷类型；及
处理器，其与所述存储器电气连接，
所述处理器利用关于第一印刷电路板的图像，感知所述第一印刷电路板上印刷的多个焊膏中至少一个焊膏异常，并响应于感知的所述至少一个焊膏异常，生成显示所述多个焊膏是否异常至少一个图像，将生成的所述至少一个图像输入到所述基于机器学习的模型，
从所述基于机器学习的模型，获得代表所述至少一个缺陷类型与所述生成的至少一个图像的关联性的至少一个值，
基于所述获得的至少一个值，在所述至少一个缺陷类型中决定与所述感知异常的至少一个焊膏相关的缺陷类型，
所述至少一个图像是区分了印刷于所述第一印刷电路板的多个焊膏中被感知到异常的第一焊膏与未被感知到异常的第二焊膏的图像。
2.根据权利要求1所述的印刷电路板检查装置，其中，
所述处理器利用通过所述第一印刷电路板的图像所获得的所述多个焊膏的第一测量信息，感知所述多个焊膏中至少一个焊膏是否异常。
3.根据权利要求2所述的印刷电路板检查装置，其中，
所述第一测量信息包括关于焊膏的体积、面积、高度、形状或位置中至少一个。
4.根据权利要求3所述的印刷电路板检查装置，其中，
所述存储器还存储第二测量信息，在所述第一印刷电路板之前，借助于所述印刷电路板检查装置，对多个第二印刷电路板检查是否异常，所述第二测量信息是对所述多个第二印刷电路板上分别印刷的多个焊膏的测量信息，
所述处理器利用所述第一测量信息与所述第二测量信息，在所述多个焊膏中，对所述至少一个焊膏感知是否异常。
5.根据权利要求4所述的印刷电路板检查装置，其中，
所述第二测量信息是按照所述多个第二印刷电路板各自的检查顺序，由对所述多个第二印刷电路板上分别印刷的多个焊膏的测量信息，按时间序列结合生成。
6.根据权利要求5所述的印刷电路板检查装置，其中，
所述处理器基于所述第二测量信息，按照所述多个第二印刷电路板各自的检查顺序，判断对所述多个第二印刷电路板上分别印刷的多个焊膏的测量信息的变化，
基于所述判断的测量信息的变化，在所述至少一个缺陷类型中，决定与所述第一印刷电路板上印刷的至少一个焊膏异常相关的缺陷类型。
7.根据权利要求1所述的印刷电路板检查装置，其中，
所述至少一个缺陷类型包括挤压叶片缺陷、挤压叶片固定缺陷、支架缺陷、工作台缺陷、栅格锁设置不良导致的缺陷、焊膏放置和焊膏调和不良导致的缺陷、焊膏不足导致的缺陷及模版接触不良导致的缺陷中的至少一个。
8.根据权利要求1所述的印刷电路板检查装置，其中，
所述基于机器学习的模型为卷积神经网络模型。
9.根据权利要求1所述的印刷电路板检查装置，其中，
所述处理器通过显示分别印刷于多个印刷电路板的多个焊膏是否异常的多个图像，使所述基于机器学习的模型进行学习，其中，所述多个焊膏按照所述至少一个缺陷类型进行分类。
10.根据权利要求9所述的印刷电路板检查装置，其中，
所述处理器决定与所述感知异常的至少一个焊膏相关的缺陷类型后，通过所述生成的至少一个图像，使所述基于机器学习的模型进行学习。
11.根据权利要求1所述的印刷电路板检查装置，其中，
所述处理器将同所述获得的至少一个值中预先设置的临界值以上的值相对应的缺陷类型，决定为与所述感知异常的至少一个焊膏相关的缺陷类型。
12.一种计算机可判读记录介质，作为记录用于在计算机上执行的程序的非易失性计算机可判读记录介质，其中，
所述程序包括在借助于处理器而运行时使得所述处理器执行如下步骤的可执行命令：
利用关于第一印刷电路板的图像，感知所述第一印刷电路板上印刷的多个焊膏中至少一个焊膏异常，并响应于感知的所述至少一个焊膏异常，生成显示多个焊膏是否异常的至少一个图像的步骤；
利用经学习的基于机器学习的模型，获得代表丝网印刷机的至少一个缺陷类型与所述生成的至少一个图像的关联性的至少一个值的步骤，其中，所述基于机器学习的模型进行学习，以便通过输入根据所述丝网印刷机的至少一个缺陷类型而分类的图像，导出代表所述丝网印刷机的至少一个缺陷类型与所述图像的关联性的至少一个值，所述图像是显示印刷于所述印刷电路板的多个焊膏是否异常的图像，所述丝网印刷机的至少一个缺陷类型是能够导致印刷于所述印刷电路板的焊膏的异常的至少一个缺陷类型；及
基于所述获得的至少一个值，在所述至少一个缺陷类型中，决定与所述感知到异常的至少一个焊膏相关的缺陷类型的步骤，
所述至少一个图像是区分了印刷于所述第一印刷电路板的多个焊膏中被感知到异常的第一焊膏与未被感知到异常的第二焊膏的图像。
13.根据权利要求12所述的计算机可判读记录介质，其中，
所述可执行命令还执行：
利用通过所述关于第一印刷电路板的图像而获得的对所述多个焊膏的第一测量信息，在所述多个焊膏中感知所述至少一个焊膏是否异常的步骤。
14.根据权利要求13所述的计算机可判读记录介质，其中，
所述第一测量信息包括关于焊膏的体积、面积、高度、形状或位置中至少一个。
15.根据权利要求13所述的计算机可判读记录介质，其中，
在所述多个焊膏中感知所述至少一个焊膏是否异常的步骤包括：
利用所述第一测量信息与第二测量信息，在所述多个焊膏中，对所述至少一个焊膏感知是否异常的步骤；
所述第二测量信息是在所述第一印刷电路板之前，借助于印刷电路板检查装置，对多个第二印刷电路板检查是否异常，按照所述多个第二印刷电路板各自的检查顺序，由对所述多个第二印刷电路板上分别印刷的多个焊膏的测量信息，按时间序列结合生成。
16.根据权利要求12所述的计算机可判读记录介质，其中，
所述基于机器学习的模型为卷积神经网络模型。
17.根据权利要求12所述的计算机可判读记录介质，其中，
所述可执行命令还执行：
通过显示多个焊膏是否异常的多个图像，使所述基于机器学习的模型进行学习的步骤，其中，所述多个焊膏按照所述至少一个缺陷类型进行分类。
18.根据权利要求12所述的计算机可判读记录介质，其中，
所述决定与所述感知到异常的至少一个焊膏相关的缺陷类型的步骤包括：
将同所述获得的至少一个值中预先设置的临界值以上的至少一个值相对应的缺陷类型，决定为与所述感知的至少一个焊膏相关的缺陷类型的步骤。
19.一种在印刷电路板检查装置中决定丝网印刷机的缺陷类型的方法，其中，包括：
利用关于第一印刷电路板的图像，感知所述第一印刷电路板上印刷的多个焊膏中至少一个焊膏异常，并响应于感知的所述至少一个焊膏异常，生成显示所述多个焊膏是否异常的至少一个图像的步骤；
利用经学习的基于机器学习的模型，获得代表丝网印刷机的至少一个缺陷类型与所述生成的至少一个图像的关联性的至少一个值的步骤，其中，所述基于机器学习的模型进行学习，以便通过输入根据所述丝网印刷机的至少一个缺陷类型而分类的图像，导出代表所述丝网印刷机的至少一个缺陷类型与所述图像的关联性的至少一个值，所述图像是显示印刷于所述印刷电路板的多个焊膏是否异常的图像，所述丝网印刷机的至少一个缺陷类型是能够导致印刷于所述印刷电路板的焊膏的异常的至少一个缺陷类型；及
基于所述获得的至少一个值，在所述至少一个缺陷类型中，决定与所述感知到异常的至少一个焊膏相关的缺陷类型的步骤，
所述至少一个图像是区分了印刷于所述第一印刷电路板的多个焊膏中被感知到异常的第一焊膏与未被感知到异常的第二焊膏的图像。
CN201711405589.3A 2017-12-21 2017-12-22 印刷电路板检查装置、决定丝网印刷机的缺陷类型的方法及计算机可判读记录介质 Active CN109946319B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020170177379A KR20190084167A (ko) 2017-12-21 2017-12-21 인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체
KR10-2017-0177379 2017-12-21

Publications (2)

Publication Number Publication Date
CN109946319A CN109946319A (zh) 2019-06-28
CN109946319B true CN109946319B (zh) 2022-10-18

Family

ID=60811932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711405589.3A Active CN109946319B (zh) 2017-12-21 2017-12-22 印刷电路板检查装置、决定丝网印刷机的缺陷类型的方法及计算机可判读记录介质

Country Status (4)

Country Link
US (1) US10674651B2 (zh)
EP (1) EP3501829A1 (zh)
KR (1) KR20190084167A (zh)
CN (1) CN109946319B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102106349B1 (ko) * 2017-12-21 2020-05-04 주식회사 고영테크놀러지 인쇄 회로 기판 검사 장치, 솔더 페이스트 이상 감지 방법 및 컴퓨터 판독 가능한 기록 매체
KR20190084167A (ko) * 2017-12-21 2019-07-16 주식회사 고영테크놀러지 인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체
US11531843B2 (en) * 2019-01-22 2022-12-20 Koh Young Technology Inc. Substrate inspection apparatus and method of determining fault type of screen printer
CN111766253A (zh) * 2019-03-15 2020-10-13 鸿富锦精密电子（成都）有限公司 锡膏印刷品质检测方法、数据处理装置及计算机存储介质
JP7394852B2 (ja) * 2019-07-04 2023-12-08 株式会社Fuji 部品実装システム
CN112557416A (zh) * 2019-09-09 2021-03-26 英业达科技有限公司 使用深度学习模型检测焊点是否桥接的系统及方法
CN112579810B (zh) * 2019-09-30 2023-10-27 深圳市嘉立创科技发展有限公司 印刷电路板分类方法、装置、计算机设备和存储介质
CN112974301B (zh) * 2019-12-02 2022-07-26 捷普电子(广州)有限公司 自动化判定以分拣托盘的方法及托盘分拣系统
KR102228957B1 (ko) * 2019-12-30 2021-03-17 주식회사 고영테크놀러지 인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체
US11922613B2 (en) * 2019-12-30 2024-03-05 Micron Technology, Inc. Apparatuses and methods for determining wafer defects
CN114930160A (zh) * 2020-01-17 2022-08-19 株式会社富士 检查装置以及检查方法
WO2021194466A1 (en) * 2020-03-23 2021-09-30 Hewlett-Packard Development Company, L.P. Device failure prediction based on autoencoders
KR102268909B1 (ko) 2020-04-10 2021-06-23 코그넥스코오포레이션 Edge Field와 딥러닝 기반 검사 방법
CN111542218B (zh) * 2020-04-23 2021-07-20 国网浙江省电力有限公司营销服务中心 一种电能表可信生产贴片环节采集验证方法及系统
JP6952160B1 (ja) * 2020-06-05 2021-10-20 Ckd株式会社 スクリーンマスク検査装置、半田印刷検査装置及びスクリーンマスクの検査方法
KR102459695B1 (ko) * 2020-11-03 2022-10-28 주식회사 고영테크놀러지 실장 정보를 결정하기 위한 장치, 방법 및 명령을 기록한 기록 매체
JP7547980B2 (ja) * 2020-12-14 2024-09-10 トヨタ自動車株式会社 異常診断システム、異常診断方法及びプログラム
CN118111377A (zh) * 2022-11-24 2024-05-31 中兴通讯股份有限公司 锡膏检测阈值调整方法、设备及存储介质
CN117783769B (zh) * 2024-02-28 2024-05-10 国网山西省电力公司太原供电公司 基于可视平台的配电网络故障定位方法、系统、设备及存储介质

Family Cites Families (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6317513B2 (en) * 1996-12-19 2001-11-13 Cognex Corporation Method and apparatus for inspecting solder paste using geometric constraints
US5982927A (en) * 1996-12-19 1999-11-09 Cognex Corporation Methods and apparatuses for in-line solder paste inspection
US6574358B1 (en) * 1998-11-13 2003-06-03 Cognex Technology And Investment Corporation Automatic training of inspection sites for paste inspection
US20020057830A1 (en) * 1998-12-16 2002-05-16 James Sherill Akin Method and apparatus for inspection of assemblies
US6567542B1 (en) * 1998-12-17 2003-05-20 Cognex Technology And Investment Corporation Automatic training of inspection sites for paste inspection by using sample pads
US6606402B2 (en) * 1998-12-18 2003-08-12 Cognex Corporation System and method for in-line inspection of stencil aperture blockage
US6336082B1 (en) * 1999-03-05 2002-01-01 General Electric Company Method for automatic screening of abnormalities
US7072503B2 (en) * 1999-05-04 2006-07-04 Speedline Technologies, Inc. Systems and methods for detecting defects in printed solder paste
US6738505B1 (en) * 1999-05-04 2004-05-18 Speedline Technologies, Inc. Method and apparatus for detecting solder paste deposits on substrates
DE10152408A1 (de) * 2000-10-25 2002-05-16 Matsushita Electric Ind Co Ltd System und Verfahren zur Bauteilmontage
US7110591B2 (en) * 2001-03-28 2006-09-19 Siemens Corporate Research, Inc. System and method for recognizing markers on printed circuit boards
US7127099B2 (en) * 2001-05-11 2006-10-24 Orbotech Ltd. Image searching defect detector
US7346470B2 (en) * 2003-06-10 2008-03-18 International Business Machines Corporation System for identification of defects on circuits or other arrayed products
US7752581B2 (en) * 2003-06-10 2010-07-06 International Business Machines Corporation Design structure and system for identification of defects on circuits or other arrayed products
JP4493421B2 (ja) * 2004-06-30 2010-06-30 株式会社リコー プリント回路基板検査装置とプリント回路基板組み立て検査ラインシステムおよびプログラム
JP4736764B2 (ja) * 2005-01-11 2011-07-27 オムロン株式会社 基板検査装置並びにその検査ロジック設定方法および検査ロジック設定装置
US20080083816A1 (en) * 2006-10-04 2008-04-10 Leinbach Glen E Statistical process control of solder paste stenciling using a replicated solder paste feature distributed across a printed circuit board
US8351683B2 (en) * 2007-12-25 2013-01-08 Hitachi High-Technologies Corporation Inspection apparatus and inspection method
US8152048B2 (en) * 2008-12-09 2012-04-10 Taiwan Semiconductor Manufacturing Co., Ltd. Method and structure for adapting solder column to warped substrate
GB201005750D0 (en) 2010-04-06 2010-05-19 Dtg Int Gmbh Screen printing machine and method
CN103429984B (zh) * 2011-03-14 2016-03-02 松下知识产权经营株式会社 焊锡高度检测方法以及焊锡高度检测装置
KR101491037B1 (ko) * 2012-04-27 2015-02-23 주식회사 고영테크놀러지 스크린 프린터 장비의 보정방법 및 이를 이용한 기판 검사시스템
US11176635B2 (en) * 2013-01-25 2021-11-16 Cyberoptics Corporation Automatic programming of solder paste inspection system
US9743527B2 (en) * 2013-08-09 2017-08-22 CyberOptics Corporaiton Stencil programming and inspection using solder paste inspection system
HUE046480T2 (hu) * 2013-08-19 2020-03-30 Asm Assembly Sys Gmbh & Co Kg Nyomtatás szabályozási paraméterek megváltoztatása a mért forrasztó kenõcs lerakódásokra alapozva nyomtatott áramköri kártya bizonyos al-területeiben
CN105473979B (zh) * 2013-08-22 2018-09-28 富士机械制造株式会社 基板的生产作业方法、基板的拍摄条件决定方法及基板的生产作业装置
KR20160019564A (ko) * 2014-08-11 2016-02-22 주식회사 고영테크놀러지 검사 장치 및 방법과, 이를 포함하는 부품 실장 시스템 및 방법
JP6225222B1 (ja) * 2016-06-14 2017-11-01 Ckd株式会社 半田印刷検査装置
JP6922168B2 (ja) * 2016-08-10 2021-08-18 オムロン株式会社 表面実装ラインの品質管理システム及びその制御方法
KR101917006B1 (ko) * 2016-11-30 2018-11-08 에스케이 주식회사 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법
US10402688B2 (en) * 2016-12-07 2019-09-03 Kla-Tencor Corporation Data augmentation for convolutional neural network-based defect inspection
US10387755B2 (en) * 2017-06-28 2019-08-20 Applied Materials, Inc. Classification, search and retrieval of semiconductor processing metrology images using deep learning/convolutional neural networks
US10607119B2 (en) * 2017-09-06 2020-03-31 Kla-Tencor Corp. Unified neural network for defect detection and classification
CN107402218A (zh) * 2017-09-25 2017-11-28 武汉华星光电技术有限公司 Cf基板的微观缺陷检测方法、装置及设备
US10656518B2 (en) * 2017-12-17 2020-05-19 United Microelectronics Corp. Automatic inline detection and wafer disposition system and method for automatic inline detection and wafer disposition
KR20190084167A (ko) * 2017-12-21 2019-07-16 주식회사 고영테크놀러지 인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체
KR102106349B1 (ko) * 2017-12-21 2020-05-04 주식회사 고영테크놀러지 인쇄 회로 기판 검사 장치, 솔더 페이스트 이상 감지 방법 및 컴퓨터 판독 가능한 기록 매체
EP3530463B1 (en) * 2018-02-26 2024-09-11 Koh Young Technology Inc. Apparatus and method of generating control parameter of screen printer
US10872406B2 (en) * 2018-04-13 2020-12-22 Taiwan Semiconductor Manufacturing Company, Ltd. Hot spot defect detecting method and hot spot defect detecting system

Also Published As

Publication number Publication date
US10674651B2 (en) 2020-06-02
EP3501829A1 (en) 2019-06-26
US20190200494A1 (en) 2019-06-27
CN109946319A (zh) 2019-06-28
KR20190084167A (ko) 2019-07-16

Similar Documents

Publication Publication Date Title
CN109946319B (zh) 印刷电路板检查装置、决定丝网印刷机的缺陷类型的方法及计算机可判读记录介质
CN109952019B (zh) 印刷电路板检查装置、感知焊膏是否异常的方法及计算机可判读记录介质
CN111742214B (zh) 基板检查装置及丝网印刷机的缺陷类型确定方法
KR102228957B1 (ko) 인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체
CN107734955B (zh) 表面安装线的检查装置、品质管理系统以及记录介质
EP3102018B1 (en) Quality management device and method for controlling quality management device
JP6576073B2 (ja) 画像検査方法の誤り識別の信頼性をテストするための方法
JP2017107541A (ja) 情報処理装置、情報処理方法、プログラムおよび検査システム
JP2013224833A (ja) 外観検査装置、外観検査方法及びコンピュータプログラム
CN112418590B (zh) 一种印制电路板元器件检测方法及系统
CN108072399B (zh) 检查系统、检查装置的控制方法及计算机可读存储介质
CN114829958A (zh) 用于评估印刷电路板的方法和系统
WO2022196003A1 (ja) 品質評価装置及び検査管理システム
EP4134883B1 (en) Systems and methods for automated x-ray inspection
KR102674249B1 (ko) 리플로우 장비의 이상 여부 확인 방법
WO2022157995A1 (ja) 検査管理システム、検査管理装置、検査管理方法、及びプログラム
US20210055235A1 (en) Method to Automatically Inspect Parts Using X-Rays
WO2023186432A1 (en) Inspection of printed circuit board assemblies
JP2023008416A (ja) 異常検知システムおよび異常検知方法
Cortés-Perez et al. Quality control and inspection reliability of the PCB manufacturing process through convolutional networks
KR20220083936A (ko) 인공지능 기반 plc 모듈을 활용한 양품/불량품 판별 방법 및 시스템
CN118781097A (zh) 基于人工智能的pcb检测方法、终端设备和存储介质
CN116739967A (zh) 检查系统以及ai模型数据的管理方法
JP2023110337A (ja) 画像検査方法、画像検査装置、及びプログラム
KR980010771A (ko) 프린트 기판 검사 기능을 구비한 자삽기용 장착 좌표 입력장치 및 그 제어방법

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Seoul, South Kerean

Applicant after: Gaoying Technology Co.,Ltd.

Address before: Seoul, South Kerean

Applicant before: KOH YOUNG TECHNOLOGY Inc.

GR01 Patent grant
GR01 Patent grant