CN110473170B - 一种适用于pcb板真假缺陷判定的人工智能检测方法 - Google Patents
一种适用于pcb板真假缺陷判定的人工智能检测方法 Download PDFInfo
- Publication number
- CN110473170B CN110473170B CN201910622091.5A CN201910622091A CN110473170B CN 110473170 B CN110473170 B CN 110473170B CN 201910622091 A CN201910622091 A CN 201910622091A CN 110473170 B CN110473170 B CN 110473170B
- Authority
- CN
- China
- Prior art keywords
- model
- picture
- defects
- training
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30141—Printed circuit board [PCB]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种适用于PCB板真假缺陷判定的人工智能检测方法,包括如下步骤:①、构建AI模型,通过人工智能深度学习的方法构建按照缺陷进行分类的AI模型;②、人工智能检测,将AOI或AVI检测的缺陷图片传输到已训练好的AI模型,根据已训练好的AI模型计算传输过来的缺陷图片数据,判断真假缺陷及缺陷类型,并且将判断的真缺陷进行归类;③、结果反馈,将归类后的真缺陷进行统计,并且以信息反馈的方式输出表达出来,并反馈到客户端;客户端可针对统计报表内容优化对应前制程产品制程和品质,并可根据不同料号对应报表内容形成可追溯数据及分类问题图片,从而达成品质问题数据化可追溯。
Description
技术领域
本发明涉及PCB板的检测领域,尤其涉及一种适用于PCB板真假缺陷判定的人工智能检测方法。
背景技术
目前PCB行业大多采用AOI(外观检查机)和AVI(光学线路检查机)进行检测,但是采用上述检测方法进行检测时,存在很多问题,仅仅对规则性模板比对缺陷(重复、缺失)检测准确,还会因偏位等问题有较大准确性偏差,对于非规则性缺陷,如开路,短路,残铜,缺口,偏孔,氧化,毛边,锡粉,锡渣,塞孔,擦花,绿油等上百种检测容易出现较大量假缺陷的情况,因此需要人工频繁复检进行缺陷核实,导致效率低下,基于这种情况,引入了AI(人工智能)对AOI和AVI检测的假缺陷进行再次判定,可以极大的提高缺陷检出准确率,大量去除AOI和AVI检出真假点图片集中混入的假点,进而提高整个检测准确性、大幅提升生产效率;但是现有的人工智能检测判定真假缺陷仍旧存在一定的缺陷,经过人工智能检测判定后,输出的信号只有真缺陷还是假缺陷,无法根据检测结果进行分析优化产品制成和品质,无法达成品质问题分类统计数据化可追溯。
发明内容
本发明的目的是提供一种适用于PCB板真假缺陷判定的人工智能检测方法,经过AI人工智能利用系统产出的大数据进行分析并可输出真缺陷问题统计报表,客户端可针对统计报表内容优化对应前制程产品制程和品质,并可根据不同料号对应报表内容形成可追溯数据及分类问题图片,从而达成品质问题数据化可追溯。
为了实现以上目的,本发明采用的技术方案为:一种适用于PCB板真假缺陷判定的人工智能检测方法,包括如下步骤:
①、构建和训练AI模型,通过人工智能深度学习的方法训练出按照缺陷进行分类的AI模型;
②、人工智能检测,将AOI或AVI检测的缺陷图片传输到已训练好的AI模型,根据已训练好的AI模型计算传输过来的缺陷图片数据,判断真假缺陷及缺陷类型,并且将判断的真缺陷进行归类;
③、结果反馈,将归类后的真缺陷进行统计,并且以信息反馈的方式表达出来,并反馈到客户端。
优选的,步骤③中的信息反馈方式包括但不限于表格信息、柱状图信息和扇形图信息形式。
优选的,步骤①构建和训练AI模型包括如下步骤,1)、将用于AI模型训练的缺陷PCB板制作成标注图片,形成训练图片集,并按照一个训练图片不少于一个标签进行标注,在进行标签标注时,按照缺陷的类别进行分类,并形成训练数据库;2)、从训练数据库中选取对应标准的缺陷数据,构成人工智能检测的模型训练集;3)、将模型训练集传给AI模型进行训练,并生成该标准的AI模型,存入模型数据库以供调用。
优选的,步骤1)中,训练图片制作时,第一步先将有缺陷的PCB板制作成标注图片,第二步在图片中将缺陷部分用方框或圆框进行框定,并配上对应的标签进行标注,第三步采用包括但不限于XML、JSON、CSV的格式保存已标定的图片标注的图片像素信息,标定方框四个坐标位置信息或标定圆框中心坐标位置信息,缺陷类型信息,以及对应图片所在的路径信息,得到标签文件,第四步,将标签文件名前缀与图片文件名前缀一一对应,完成训练数据制作。
优选的,步骤1)中,将标签按照缺陷类别分类后,针对同一个类别的不同缺陷等级再次进行分级标定。
本发明的有益效果为:
1、经过AI人工智能利用系统产出的大数据进行分析并可输出真缺陷问题统计报表,客户端可针对统计报表内容优化对应前制程产品制程和品质,并可根据不同料号对应报表内容形成可追溯数据及分类问题图片,从而达成品质问题数据化可追溯;
2、训练数据库由多个训练数据组构成,在使用时,可以选择不同级别或分类的数据组作为训练数据,以训练出满足不同需求的AI模型,如此可以适用不同客户不同标准的人工智能分级检测需求,降低训练数据制作的工作量;
3、在PCB板缺陷检测的时候,小缺陷很多,小缺陷占图片的比例有的很小,当前PCB板按照卷积神经网络直接分类的方法,不对目标进行框定,会造成非常高的缺陷漏失率和误判率,而申请文件对目标进行框定,可以降低缺陷漏失率和误判率;
4、在缺陷分类后,在对缺陷进行分级,如毛刺可以跟毛刺等级进行划分,如此可以更好的适应不同厂家需求,构建出适应性更广的人工智能模型数据库。
具体实施方式
为了使本领域技术人员更好地理解本发明的技术方案,下面对本发明进行详细描述,本部分的描述仅是示范性和解释性,不应对本发明的保护范围有任何的限制作用。
首先构建人工智能检测模型数据库,具体步骤如下:
1、训练图片和标签制作,第一步先将AVI、AOI设备检测后输出有真缺陷的PCB板制作成图片,第二步在图片中将缺陷部分用方框、圆形进行框定标注,并配上对应的标签分类分级进行标定,第三步采用包括但不限于XML、JSON、CSV的格式保存已标定图片标注的图片像素信息,标定方框四个坐标位置信息或圆形标定信息,缺陷类型信息,以及对应图片所在的路径信息,得到标签文件,第四步,将标签文件名前缀与图片文件名前缀一一对应,完成训练数据的制做;
2、选择能满足不同客户需求的训练图片和标签传给AI模型进行训练,并将多个AI模型集合一个模型数据库;标签文件包含训练图片所在目录名称(如train_images文件夹)、该标签文件对应训练图片名称(如缺陷.jpg)、训练图片路径(如C:\Users\admin\Desktop\train_images\缺陷.jpg)、图片像素信息(如宽400,高400,位深度3)、缺陷种类名(可用任意英文字母表示缺陷种类比如可以用S表示短路,N可以表示缺口) 、标定框左上角坐标位置(如x:142,y:118)、标定框的长和宽(如w:179,h:160)。
在进行分组分类的过程中,可以有多种划分方式,比如是硬性要求缺陷和非硬性要求缺陷,讲硬性要求缺陷统一划为一个分类组,将非硬性要求缺陷单独分组和分级,如可可以更好的起到分组分类训练数据库的构建。
实施例1
甲客户仅对开路、短路、残铜、缺口和偏孔缺陷有标准要求,针对于甲客户,一种适用于PCB板真假缺陷判定的人工智能检测方法,包括如下步骤:
①、构建AI模型,将训练数据库中关于开路、短路、残铜、缺口、偏孔和氧化的数据调出并使之集合,形成甲客户的训练数据, 将训练数据传给AI模型进行训练,并训练出适用于甲客户的人工智能检测AI模型;
②、人工智能检测,将AOI或AVI检测的缺陷图片传输到已训练好的适用于甲客户的AI模型,根据该AI模型计算传输过来的缺陷图片数据,判断真假缺陷及缺陷类型,并且将判断的真缺陷按照开路、短路、残铜、缺口和偏孔进行归类;
③、结果反馈,将归类后的真缺陷进行统计,以表格的方式显现,并将表格反馈到客户端。
客户端可针对统计表格内容优化对应前制程产品制程和品质,并可根据不同料号对应报表内容形成可追溯数据及分类问题图片,从而达成品质问题数据化可追溯。
实施例2
乙客户仅对开路、短路、残铜、缺口、氧化、锡渣、塞孔和擦花缺陷有标准要求,针对于乙客户,一种适用于PCB板真假缺陷判定的人工智能检测方法,包括如下步骤:
①、构建AI模型,将训练数据库中关于开路、短路、残铜、缺口、锡渣、塞孔和擦花的数据调出并使之集合,形成甲客户的训练数据,将训练数据传给AI模型进行训练,训练出适用于乙客户的人工智能检测AI模型;
②、人工智能检测,将AOI或AVI检测的缺陷图片传输到已训练好的适用于乙客户的AI模型,根据该AI模型计算传输过来的缺陷图片数据,判断真假缺陷及缺陷类型,并且将判断的真缺陷按照开路、短路、残铜、缺口、氧化、锡渣、塞孔和擦花缺陷进行归类;
③、结果反馈,将归类后的真缺陷进行统计,以柱状图的方式显现,并将表格反馈到客户端。
客户端可针对统计柱状图内容优化对应前制程产品制程和品质,并可根据不同料号对应报表内容形成可追溯数据及分类问题图片,从而达成品质问题数据化可追溯。
实施例3
丙客户仅对开路、短路、残铜、缺口、和毛边缺陷达到3级以上的缺陷有标准要求,针对于丙客户,一种适用于PCB板真假缺陷判定的人工智能检测方法,包括如下步骤:
①、构建AI模型,将训练数据库中关于开路、短路、残铜、缺口、和毛刺缺陷达到3级以上的缺陷调出并使之集合,形成丙客户的训练数据,将训练数据传给AI模型进行训练,训练出适用于丙客户的人工智能检测AI模型;
②、人工智能检测,将AOI或AVI检测的缺陷图片传输到已训练好的适用于丙客户的AI模型,根据该AI模型计算传输过来的缺陷图片数据,判断真假缺陷,并且将判断的真缺陷按照开路、短路、残铜、缺口、和毛边进行归类,同时将同一类别中的不同缺陷等级进行分级;
③、结果反馈,将归类后的真缺陷类别及等级进行统计,以扇形图显示缺陷分类信息,以表格显示每个类别中不同等级对应的数量信息,
客户端可针对统计扇形图和表格内容优化对应前制程产品制程和品质,并可根据不同料号对应报表内容形成可追溯数据及分类问题图片,从而达成品质问题数据化可追溯。
实施例4
丁客户仅对开路、短路、残铜、缺口、毛边、锡粉达到5级以上、锡渣、塞孔达到2及以上和擦花的缺陷有标准要求,针对于丁客户,一种适用于PCB板真假缺陷判定的人工智能检测方法,包括如下步骤:
①、构建AI模型,将训练数据库中关于开路、短路、残铜、缺口、毛边、锡粉达到5级以上、锡渣、塞孔达到2及以上和擦花的缺陷的缺陷调出并使之集合,形成丁客户的训练数据,将训练数据传给AI模型进行训练,训练出适用于丁客户的人工智能检测AI模型;
②、人工智能检测,将AOI或AVI检测的缺陷图片传输到已训练好的适用于丁客户的AI模型,根据该AI模型计算传输过来的缺陷图片数据,判断真假缺陷,并且将判断的真缺陷按照开路、短路、残铜、缺口、毛边、锡粉、锡渣、塞孔和擦花进行归类,同时将同一类别中的不同缺陷等级进行分级;
③、结果反馈,将归类后的真缺陷类别及等级进行统计,以柱状图显示缺陷分类信息,以扇形图显示每个类别中不同等级对应的数量信息,
客户端可针对统计柱状图和扇形图内容优化对应前制程产品制程和品质,并可根据不同料号对应报表内容形成可追溯数据及分类问题图片,从而达成品质问题数据化可追溯。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
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,以上实例的说明只是用于帮助理解本发明的方法及其核心思想,以上所述仅是本发明的优选实施方式,应当指出,由于文字表达的有限性,而客观上存在无限的具体结构,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进、润饰或变化,也可以将上述技术特征以适当的方式进行组合;这些改进润饰、变化或组合,或未经改进将发明的构思和技术方案直接应用于其它场合的,均应视为本发明的保护范围。
Claims (2)
1.一种适用于PCB板真假缺陷判定的人工智能检测方法,其特征在于,包括如下步骤:
①、构建和训练AI模型,通过人工智能深度学习的方法训练出按照缺陷进行分类的AI模型;
②、人工智能检测,将AOI或AVI检测的缺陷图片传输到已训练好的AI模型,根据已训练好的AI模型计算传输过来的缺陷图片数据,判断真假缺陷及缺陷类型,并且将判断的真缺陷进行归类;
③、结果反馈,将归类后的真缺陷进行统计,并且以信息反馈的方式表达出来,并反馈到客户端;
步骤①构建和训练AI模型包括如下步骤,1)、将用于AI模型训练的缺陷PCB板制作成标注图片,形成训练图片集,并按照一个训练图片不少于一个标签进行标注,在进行标签标注时,按照缺陷的类别进行分类,并形成训练数据库;2)、从训练数据库中选取对应标准的缺陷数据,构成人工智能检测的模型训练集;3)、将模型训练集传给AI模型进行训练,并生成该标准的AI模型,存入模型数据库以供调用;
步骤1)中,训练图片制作时,第一步先将有缺陷的PCB板制作成标注图片,第二步在图片中将缺陷部分用方框或圆框进行框定,并配上对应的标签进行标注,第三步采用包括但不限于XML、JSON、CSV的格式保存已标定的图片标注的图片像素信息,标定方框四个坐标位置信息或标定圆框中心坐标位置信息,缺陷类型信息,以及对应图片所在的路径信息,得到标签文件,第四步,将标签文件名前缀与图片文件名前缀一一对应,完成训练数据制作;
步骤1)中,将标签按照缺陷类别分类后,针对同一个类别的不同缺陷等级再次进行分级标定。
2.根据权利要求1所述的一种适用于PCB板真假缺陷判定的人工智能检测方法,其特征在于,步骤③中的信息反馈方式包括但不限于表格信息、柱状图信息和扇形图信息形式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910622091.5A CN110473170B (zh) | 2019-07-10 | 2019-07-10 | 一种适用于pcb板真假缺陷判定的人工智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910622091.5A CN110473170B (zh) | 2019-07-10 | 2019-07-10 | 一种适用于pcb板真假缺陷判定的人工智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110473170A CN110473170A (zh) | 2019-11-19 |
CN110473170B true CN110473170B (zh) | 2023-04-07 |
Family
ID=68507203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910622091.5A Active CN110473170B (zh) | 2019-07-10 | 2019-07-10 | 一种适用于pcb板真假缺陷判定的人工智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110473170B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110865087A (zh) * | 2019-11-27 | 2020-03-06 | 科士恩科技(上海)有限公司 | 一种基于人工智能的pcba质量检测方法 |
CN110992333B (zh) * | 2019-11-29 | 2023-03-24 | 合肥颀材科技有限公司 | COF Film缺陷AITraining数据库及应用 |
CN111458269A (zh) * | 2020-05-07 | 2020-07-28 | 厦门汉舒捷医疗科技有限公司 | 一种外周血淋巴微核细胞图像人工智能识别方法 |
CN111768371A (zh) * | 2020-06-05 | 2020-10-13 | 上海展华电子(南通)有限公司 | Aoi智能检修方法、装置、计算机设备和存储介质 |
CN111707677A (zh) * | 2020-06-24 | 2020-09-25 | 江西景旺精密电路有限公司 | 一种pcb外观检测方法及装置 |
WO2022104585A1 (zh) * | 2020-11-18 | 2022-05-27 | 苏州康代智能科技股份有限公司 | 一种印刷电路板远程光学检修方法及系统 |
CN112329896B (zh) * | 2021-01-05 | 2021-05-14 | 武汉精测电子集团股份有限公司 | 模型训练方法及装置 |
CN113032919B (zh) * | 2021-03-12 | 2022-03-04 | 奥特斯科技(重庆)有限公司 | 部件承载件制造方法、处理系统、计算机程序和系统架构 |
CN113609897A (zh) * | 2021-06-23 | 2021-11-05 | 阿里巴巴新加坡控股有限公司 | 缺陷的检测方法和缺陷的检测系统 |
CN115100095B (zh) * | 2021-12-29 | 2023-08-22 | 苏州真目人工智能科技有限公司 | 一种基于非监督算法的pcb板检测方法 |
WO2024134664A1 (en) * | 2022-12-23 | 2024-06-27 | Saint-Gobain Glass France | An automated method for glass defect classification and a system thereof |
CN117078622A (zh) * | 2023-08-17 | 2023-11-17 | 上海感图网络科技有限公司 | 一种物料缺陷复检方法、装置及物料缺陷检测系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491867A (zh) * | 2018-03-12 | 2018-09-04 | 苏州卓融新能源科技有限公司 | 基于人工智能的影像匹配及识别方法 |
CN109444172A (zh) * | 2018-12-13 | 2019-03-08 | 苏州卓融新能源科技有限公司 | 一种适用于人工智能检测pcb的自动光学检测装置及其方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9607233B2 (en) * | 2012-04-20 | 2017-03-28 | Applied Materials Israel Ltd. | Classifier readiness and maintenance in automatic defect classification |
US10360669B2 (en) * | 2017-08-24 | 2019-07-23 | Applied Materials Israel Ltd. | System, method and computer program product for generating a training set for a classifier |
-
2019
- 2019-07-10 CN CN201910622091.5A patent/CN110473170B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491867A (zh) * | 2018-03-12 | 2018-09-04 | 苏州卓融新能源科技有限公司 | 基于人工智能的影像匹配及识别方法 |
CN109444172A (zh) * | 2018-12-13 | 2019-03-08 | 苏州卓融新能源科技有限公司 | 一种适用于人工智能检测pcb的自动光学检测装置及其方法 |
Non-Patent Citations (4)
Title |
---|
印制电路板外观检查机的设计研究;王建平等;《印制电路信息》;20091015;全文 * |
基于无人机图像识别技术的输电线路缺陷检测;李宁等;《电子设计工程》;20190520(第10期);全文 * |
基于统计分析的PCB组装缺陷特征学习方法;邝泳聪等;《计算机应用研究》;20100215(第02期);全文 * |
少缺陷样本的PCB焊点智能检测方法;卢盛林等;《焊接学报》;20090525(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110473170A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110473170B (zh) | 一种适用于pcb板真假缺陷判定的人工智能检测方法 | |
CN110455822A (zh) | 一种pcb板缺陷的检测方法 | |
CN103577817B (zh) | 表单识别方法与装置 | |
CN106033544B (zh) | 基于模板匹配的试卷内容区域提取方法 | |
CN110458196B (zh) | 一种适用于pcb板人工智能检测的数据库构建方法 | |
CN109064454A (zh) | 产品缺陷检测方法及系统 | |
CN107590491B (zh) | 一种图像处理方法及装置 | |
CN107832768A (zh) | 基于深度学习的高效阅卷方法和阅卷系统 | |
CN108304876A (zh) | 分类模型训练方法、装置及分类方法及装置 | |
CN108052984A (zh) | 计数方法及装置 | |
CN106537390B (zh) | 标识教育视频的呈现样式 | |
CN110533017B (zh) | 鉴伪方法、装置、终端及存储介质 | |
CN114219799A (zh) | 一种智能制造用次品分析方法及系统 | |
CN111178530A (zh) | 一种基于数据标注的质检方法和装置 | |
CN108229610A (zh) | 一种基于二维码的产品过站方法 | |
CN114066848A (zh) | 一种fpca外观缺陷视觉检测系统 | |
CN110533660B (zh) | 一种电子产品外壳丝印缺陷的检测方法 | |
CN116309427A (zh) | 一种基于改进YOLOv5算法的PCB表面缺陷检测方法 | |
CN106910195A (zh) | 一种网页页面布局监测方法及装置 | |
CN112907562A (zh) | 一种基于MobileNet的SMT缺陷分类算法 | |
CN110852204A (zh) | 一种智能远程书法数字化学习评价信息处理系统及方法 | |
CN111709258A (zh) | 一种高效率人工智能防伪图像识别的系统及方法 | |
CN110706064A (zh) | 菜品推荐信息的生成方法、装置、设备及存储介质 | |
Karatzas et al. | An on-line platform for ground truthing and performance evaluation of text extraction systems | |
CN114578015B (zh) | 一种软磁铁氧体智能化质量检测方法 |
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 |