CN111091534A - 一种基于目标检测的pcb板缺陷检测与定位方法 - Google Patents
一种基于目标检测的pcb板缺陷检测与定位方法 Download PDFInfo
- Publication number
- CN111091534A CN111091534A CN201911135051.4A CN201911135051A CN111091534A CN 111091534 A CN111091534 A CN 111091534A CN 201911135051 A CN201911135051 A CN 201911135051A CN 111091534 A CN111091534 A CN 111091534A
- Authority
- CN
- China
- Prior art keywords
- target detection
- size
- defect
- layer
- pixels
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/045—Combinations of 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
-
- 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
- G01N21/8851—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
- G01N2021/8858—Flaw counting
-
- 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
- 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]
Abstract
本发明公开了一种基于目标检测的pcb板缺陷检测与定位方法,该方法首先采集大量无法检测的或误检的图片,并且准备与缺陷图片数量相同的正确图片;对采集好的缺陷图与正确图进行整理,清洗与标注,制作成训练集和测试集;根据pcb缺陷检测要求定义pcb板的缺陷程度与类型,然后根据需要识别的类型,进行目标检测算法的搭建;使用制作好的训练集对目标检测算法进行多次训练;并在最后使用制作好的测试集对训练好的目标检测算法进行泛化测试;通过测试结果计算准确率,召回率等等参数来评价目标检测算法的性能,如果性能没有达到要求,则不断重复之前的操作,直到训练到性能符合要求的目标检测算法;最后将训练完成的目标检测算法投入使用。
Description
技术领域
本发明涉及PCB板缺陷检测领域,尤其涉及一种基于目标检测的pcb板缺陷检测与定位方法。
背景技术
Pcb板缺陷检测历来是工业生产一个关键问题。在生产过程中,由于多方面误差等等因素,会导致pcb板出现不同程度缺陷。对pcb板缺陷检测的传统方法是人工处理,这是最落后的检测手段,效率低,成本高。之后pcb板缺陷检测进入了自动化处理,采用图像处理与机器视觉方法,比人工提高不少效率,但是与此同时,却出现许多的误检(不是缺陷的pcb电路板也标志为缺陷),因此,现有技术需要进一步改进和完善。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于目标检测的pcb板缺陷检测与定位方法。
本发明研制了一套目标检测的缺陷检测定位方法,主要作用是可以对自动化流程无法识别的缺陷图进行学习,最后能够分类出误检图中的真缺陷与假缺陷。经过实验发现,不仅减轻检测的工作量,同时因为能够长时间运行,并且性能稳定可靠,实现了对pcb板的高速度、高精度和非接触缺陷检测。
本发明的目的通过下述技术方案实现:
一种基于目标检测的pcb板缺陷检测与定位方法,该缺陷检测与定位方法主要包括如下具体步骤:
步骤S1:根据pcb缺陷检测要求,进行目标检测算法的搭建。
具体的,所述步骤S1的目标检测算法的搭建,是根据生产方的要求,对其需求进行数学建模与搭建;具体包括如下步骤:
resize输入图为224x224尺寸大小;
第一、二层,卷积层,卷积核大小为3像素,步长为1像素,输出224x224像素尺寸特征图;
第三层,最大池化层,池化核大小为2像素,步长为2像素,输出112x112像素尺寸特征图;
第四、五层,卷积层,卷积核大小为3像素,步长为1像素,输出为112x112像素尺寸特征图;
第六层,最大池化层,池化核大小为2像素,步长为2像素,输出56x56像素尺寸特征图;
第七、八、九层,卷积层,卷积核大小为3像素,步长为1像素,输出56x56像素尺寸特征图;
第十层,最大池化层,池化核大小为2像素,步长为2像素、输出28x28像素尺寸特征图;
第十一、十二、十三层,卷积层,卷积核大小为3像素,步长为1像素,输出28x28像素尺寸特征图;
第十四层,最大池化层,池化核大小为2像素,步长为2像素,输出14x14像素尺寸特征图;
第十五、十六、十七层,卷积层,卷积核大小为3像素,步长为1像素,输出14x14像素尺寸特征图;
第十八层,最大池化层,池化核大小为2像素,步长为2像素,输出7x7像素尺寸特征图。
步骤S2:采集大量由传统检测方法组成的自动化处理检测线无法检测的pcb缺陷图或者误检的pcb缺陷图,同时准备与缺陷图片数量同样的正确图。
步骤S3:对步骤S2采集的缺陷图片与正确图片进行整理,清洗与标注。
作为本发明的优选方案,所述步骤S3中的整理,涉及对图片的尺寸与方向进行调整,目标在与能够统一成相同格式,使之能够放入目标检测算法中进行训练与测试。
作为本发明的优选方案,所述步骤S3中的清洗,则是根据生产方对缺陷的定义,对误检图片中的真缺陷图片与假缺陷图片筛选分类。
作为本发明的优选方案,所述步骤S3中的标注,是使用标注工具,在真缺陷图片中标注出缺陷所在位置,并生成标注文件作为训练正样本。并将假缺陷全部归类为训练负样本。
步骤S4:对步骤S3所整理的图片,制作成训练集和测试集。
作为本发明的优选方案,所述步骤S4中的测试集不能与训练集重合。
步骤S5:使用步骤S4制作的训练集对步骤S1搭建的目标检测算法进行训练。
具体的,所述步骤S5还包括:
模型训练利用随机梯度下降法优化目标函数:
L*=L(Qi)+L(Oi) (1)
其中,公式(1)主要由两部分组成,第一部分是分类损失L(Qi),第二部分是回归损失L(Oi),i作为候选框的序号,Qi则表示候选框其所包含的目标缺陷的概率;Oi是一个向量,表示预测候选框的偏移量,其内部有四个属性,分别表示候选框的左上角x坐标偏移量与y坐标偏移量,以及候选框的长偏移量与宽偏移量;
其中,这两部分由如下公式(2)与公式(3)所组成:
其中,Qi*为表示目标缺陷是否在候选框内的标签,如果包含目标则表示1,否则表示0;Oi*与Oi是相同维度的向量,其表示候选框相对于实际标记的偏移量;Qpred为候选框的数目;Orel为特征图的尺寸;α为控制候选框的精确度;∑i对所有候选框的损失进行求和;Dpred是对数函数,由目标缺陷与非目标缺陷两类组成;Drel为分类框范围回归损失。
步骤S6:使用步骤S4制作的测试集对步骤S5训练好的目标检测算法进行泛化测试。
步骤S7:根据测试结果来检测目标检测算法的准确率等性能指标。
具体的,所述步骤S7中的检测性能指标,是根据目标检测算法对缺陷图的分类识别准确度进行统计,分别计算误检率和准确率;如果性能不达标,则重复步骤S2到步骤S7,不断增加缺陷的种类以提高目标检测算法对缺陷的识别丰富度,同时调节正负样本的比例,增强目标检测算法对负样本的排除能力。
步骤S8:将训练完成的目标检测算法投入检测中使用。
作为本发明的优选方案,所述步骤S8的投入使用,是包含了对目标检测的算法开发,将其移植到生产线上。
本发明的工作过程和原理是:本发明首先采集大量由传统检测方法组成的自动化处理检测线无法检测的或者误检的图片,并且准备与缺陷图片数量相同的正确图片;对采集好的缺陷图与正确图进行整理,清洗与标注,制作成训练集和测试集;根据厂家对pcb缺陷检测的要求,我们定义好pcb板的缺陷程度与类型,然后根据需要识别的类型,进行目标检测算法的搭建;使用制作好的训练集对目标检测算法进行多次训练;并在最后使用制作好的测试集对训练好的目标检测算法进行泛化测试;通过测试结果计算准确率,召回率等等参数来评价目标检测算法的性能,如果性能没有达到要求,则不断重复之前的操作,直到训练到性能符合要求的目标检测算法;最后将训练完成的目标检测算法投入使用。
与现有技术相比,本发明还具有以下优点:
(1)本发明所提供的基于目标检测的pcb板缺陷检测与定位方法将传统的自动化检测流程和深度学习结合起来,目标检测算法解决了传统检测无法学习新缺陷的问题。
(2)本发明所提供的基于目标检测的pcb板缺陷检测与定位方法采用目标检测算法,能够将缺陷检测并定位出来,为之后的pcb检查与修补提供了便利。
附图说明
图1是本发明所提供的基于目标检测的pcb板缺陷检测与定位方法的流程示意图。
图2是本发明所提供的实际生产中面临的各种缺陷示意图。
图3是本发明所提供的目标算法的结果示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明作进一步说明。
实施例1:
如图1、图2和图3所示,本实施例公开了一种基于目标检测的pcb板缺陷检测与定位方法,该缺陷检测与定位方法主要包括如下具体步骤:
步骤S1:根据pcb缺陷检测要求,进行目标检测算法的搭建。
具体的,所述步骤S1的目标检测算法的搭建,是根据生产方的要求,对其需求进行数学建模与搭建;具体包括如下步骤:
resize输入图为224x224尺寸大小;
第一、二层,卷积层,卷积核大小为3像素,步长为1像素,输出224x224像素尺寸特征图;
第三层,最大池化层,池化核大小为2像素,步长为2像素,输出112x112像素尺寸特征图;
第四、五层,卷积层,卷积核大小为3像素,步长为1像素,输出为112x112像素尺寸特征图;
第六层,最大池化层,池化核大小为2像素,步长为2像素,输出56x56像素尺寸特征图;
第七、八、九层,卷积层,卷积核大小为3像素,步长为1像素,输出56x56像素尺寸特征图;
第十层,最大池化层,池化核大小为2像素,步长为2像素、输出28x28像素尺寸特征图;
第十一、十二、十三层,卷积层,卷积核大小为3像素,步长为1像素,输出28x28像素尺寸特征图;
第十四层,最大池化层,池化核大小为2像素,步长为2像素,输出14x14像素尺寸特征图;
第十五、十六、十七层,卷积层,卷积核大小为3像素,步长为1像素,输出14x14像素尺寸特征图;
第十八层,最大池化层,池化核大小为2像素,步长为2像素,输出7x7像素尺寸特征图。
步骤S2:采集大量由传统检测方法组成的自动化处理检测线无法检测的pcb缺陷图或者误检的pcb缺陷图,同时准备与缺陷图片数量同样的正确图。
步骤S3:对步骤S2采集的缺陷图片与正确图片进行整理,清洗与标注。
作为本发明的优选方案,所述步骤S3中的整理,涉及对图片的尺寸与方向进行调整,目标在与能够统一成相同格式,使之能够放入目标检测算法中进行训练与测试。
作为本发明的优选方案,所述步骤S3中的清洗,则是根据生产方对缺陷的定义,对误检图片中的真缺陷图片与假缺陷图片筛选分类。
作为本发明的优选方案,所述步骤S3中的标注,是使用标注工具,在真缺陷图片中标注出缺陷所在位置,并生成标注文件作为训练正样本。并将假缺陷全部归类为训练负样本。
步骤S4:对步骤S3所整理的图片,制作成训练集和测试集。
作为本发明的优选方案,所述步骤S4中的测试集不能与训练集重合。
步骤S5:使用步骤S4制作的训练集对步骤S1搭建的目标检测算法进行训练。
具体的,所述步骤S5还包括:
模型训练利用随机梯度下降法优化目标函数:
L*=L(Qi)+L(Oi) (1)
其中,公式(1)主要由两部分组成,第一部分是分类损失L(Qi),第二部分是回归损失L(Oi),i作为候选框的序号,Qi则表示候选框其所包含的目标缺陷的概率;Oi是一个向量,表示预测候选框的偏移量,其内部有四个属性,分别表示候选框的左上角x坐标偏移量与y坐标偏移量,以及候选框的长偏移量与宽偏移量;
其中,这两部分由如下公式(2)与公式(3)所组成:
其中,Qi*为表示目标缺陷是否在候选框内的标签,如果包含目标则表示1,否则表示0;Oi*与Oi是相同维度的向量,其表示候选框相对于实际标记的偏移量;Qpred为候选框的数目;Orel为特征图的尺寸;α为控制候选框的精确度;∑i对所有候选框的损失进行求和;Dpred是对数函数,由目标缺陷与非目标缺陷两类组成;Drel为分类框范围回归损失。
步骤S6:使用步骤S4制作的测试集对步骤S5训练好的目标检测算法进行泛化测试。
步骤S7:根据测试结果来检测目标检测算法的准确率等性能指标。
具体的,所述步骤S7中的检测性能指标,是根据目标检测算法对缺陷图的分类识别准确度进行统计,分别计算误检率和准确率;如果性能不达标,则重复步骤S2到步骤S7,不断增加缺陷的种类以提高目标检测算法对缺陷的识别丰富度,同时调节正负样本的比例,增强目标检测算法对负样本的排除能力。
步骤S8:将训练完成的目标检测算法投入检测中使用。
作为本发明的优选方案,所述步骤S8的投入使用,是包含了对目标检测的算法开发,将其移植到生产线上。
本发明的工作过程和原理是:本发明首先采集大量由传统检测方法组成的自动化处理检测线无法检测的或者误检的图片,并且准备与缺陷图片数量相同的正确图片;对采集好的缺陷图与正确图进行整理,清洗与标注,制作成训练集和测试集;根据厂家对pcb缺陷检测的要求,我们定义好pcb板的缺陷程度与类型,然后根据需要识别的类型,进行目标检测算法的搭建;使用制作好的训练集对目标检测算法进行多次训练;并在最后使用制作好的测试集对训练好的目标检测算法进行泛化测试;通过测试结果计算准确率,召回率等等参数来评价目标检测算法的性能,如果性能没有达到要求,则不断重复之前的操作,直到训练到性能符合要求的目标检测算法;最后将训练完成的目标检测算法投入使用。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.一种基于目标检测的pcb板缺陷检测与定位方法,其特征在于,包括如下步骤:
步骤S1:根据pcb缺陷检测要求,进行目标检测算法的搭建;
步骤S2:采集大量由传统检测方法组成的自动化处理检测线无法检测的pcb缺陷图或者误检的pcb缺陷图,同时准备与缺陷图片数量同样的正确图;
步骤S3:对步骤S2采集的缺陷图片与正确图片进行整理,清洗与标注;
步骤S4:对步骤S3所整理的图片,制作成训练集和测试集;
步骤S5:使用步骤S4制作的训练集对步骤S1搭建的目标检测算法进行训练;
步骤S6:使用步骤S4制作的测试集对步骤S5训练好的目标检测算法进行泛化测试;
步骤S7:根据测试结果来检测目标检测算法的准确率等性能指标;
步骤S8:将训练完成的目标检测算法投入检测中使用。
2.根据权利要求1所述的基于目标检测的pcb板缺陷检测与定位方法,其特征在于,所述步骤S1的目标检测算法的搭建,是根据生产方的要求,对其需求进行数学建模与搭建;具体包括如下步骤:
resize输入图为224x224尺寸大小;
第一、二层,卷积层,卷积核大小为3像素,步长为1像素,输出224x224像素尺寸特征图;
第三层,最大池化层,池化核大小为2像素,步长为2像素,输出112x112像素尺寸特征图;
第四、五层,卷积层,卷积核大小为3像素,步长为1像素,输出为112x112像素尺寸特征图;
第六层,最大池化层,池化核大小为2像素,步长为2像素,输出56x56像素尺寸特征图;
第七、八、九层,卷积层,卷积核大小为3像素,步长为1像素,输出56x56像素尺寸特征图;
第十层,最大池化层,池化核大小为2像素,步长为2像素、输出28x28像素尺寸特征图;
第十一、十二、十三层,卷积层,卷积核大小为3像素,步长为1像素,输出28x28像素尺寸特征图;
第十四层,最大池化层,池化核大小为2像素,步长为2像素,输出14x14像素尺寸特征图;
第十五、十六、十七层,卷积层,卷积核大小为3像素,步长为1像素,输出14x14像素尺寸特征图;
第十八层,最大池化层,池化核大小为2像素,步长为2像素,输出7x7像素尺寸特征图。
3.根据权利要求1所述的基于目标检测的pcb板缺陷检测与定位方法,其特征在于,所述步骤S3中的整理,涉及对图片的尺寸与方向进行调整,目标在与能够统一成相同格式,使之能够放入目标检测算法中进行训练与测试。
4.根据权利要求1所述的基于目标检测的pcb板缺陷检测与定位方法,其特征在于,所述步骤S3中的清洗,则是根据生产方对缺陷的定义,对误检图片中的真缺陷图片与假缺陷图片筛选分类。
5.根据权利要求1所述的基于目标检测的pcb板缺陷检测与定位方法,其特征在于,所述步骤S3中的标注,是使用标注工具,在真缺陷图片中标注出缺陷所在位置,并生成标注文件作为训练正样本,并将假缺陷全部归类为训练负样本。
6.根据权利要求1所述的基于目标检测的pcb板缺陷检测与定位方法,其特征在于,所述步骤S4中的测试集不能与训练集重合。
7.根据权利要求1所述的基于目标检测的pcb板缺陷检测与定位方法,其特征在于,所述步骤S7中的检测性能指标,是根据目标检测算法对缺陷图的分类识别准确度进行统计,分别计算误检率和准确率;如果性能不达标,则重复步骤S2到步骤S7,不断增加缺陷的种类以提高目标检测算法对缺陷的识别丰富度,同时调节正负样本的比例,增强目标检测算法对负样本的排除能力。
8.根据权利要求1所述的基于目标检测的pcb板缺陷检测与定位方法,其特征在于,所述步骤S8的投入使用,是包含了对目标检测的算法开发,将其移植到生产线上。
9.根据权利要求1所述的基于目标检测的pcb板缺陷检测与定位方法,其特征在于,所述步骤S5还包括:
模型训练利用随机梯度下降法优化目标函数:
L*=L(Qi)+L(Oi) (1)
其中,公式(1)主要由两部分组成,第一部分是分类损失L(Qi),第二部分是回归损失L(Oi),i作为候选框的序号,Qi则表示候选框其所包含的目标缺陷的概率;Oi是一个向量,表示预测候选框的偏移量,其内部有四个属性,分别表示候选框的左上角x坐标偏移量与y坐标偏移量,以及候选框的长偏移量与宽偏移量;
其中,这两部分由如下公式(2)与公式(3)所组成:
其中,Qi*为表示目标缺陷是否在候选框内的标签,如果包含目标则表示1,否则表示0;Oi*与Oi是相同维度的向量,其表示候选框相对于实际标记的偏移量;Qpred为候选框的数目;Orel为特征图的尺寸;α为控制候选框的精确度;∑i对所有候选框的损失进行求和;Dpred是对数函数,由目标缺陷与非目标缺陷两类组成;Drel为分类框范围回归损失。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911135051.4A CN111091534A (zh) | 2019-11-19 | 2019-11-19 | 一种基于目标检测的pcb板缺陷检测与定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911135051.4A CN111091534A (zh) | 2019-11-19 | 2019-11-19 | 一种基于目标检测的pcb板缺陷检测与定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111091534A true CN111091534A (zh) | 2020-05-01 |
Family
ID=70393277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911135051.4A Pending CN111091534A (zh) | 2019-11-19 | 2019-11-19 | 一种基于目标检测的pcb板缺陷检测与定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091534A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487602A (zh) * | 2021-07-28 | 2021-10-08 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于小目标语义分割的工件检测方法 |
CN113487603A (zh) * | 2021-07-28 | 2021-10-08 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于目标检测算法的配件装包检查方法 |
WO2022208129A1 (en) * | 2021-03-30 | 2022-10-06 | Siemens Industry Software Inc. | Method and system for detecting a false error on a component of a board inspected by an aoi machine |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060215902A1 (en) * | 2005-03-24 | 2006-09-28 | Hisae Shibuya | Method and apparatus for detecting pattern defects |
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 |
CN110060238A (zh) * | 2019-04-01 | 2019-07-26 | 桂林电子科技大学 | 基于深度学习的pcb板标注印刷质量检测方法 |
CN110175982A (zh) * | 2019-04-16 | 2019-08-27 | 浙江大学城市学院 | 一种基于目标检测的缺陷检测方法 |
-
2019
- 2019-11-19 CN CN201911135051.4A patent/CN111091534A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060215902A1 (en) * | 2005-03-24 | 2006-09-28 | Hisae Shibuya | Method and apparatus for detecting pattern defects |
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 |
CN110060238A (zh) * | 2019-04-01 | 2019-07-26 | 桂林电子科技大学 | 基于深度学习的pcb板标注印刷质量检测方法 |
CN110175982A (zh) * | 2019-04-16 | 2019-08-27 | 浙江大学城市学院 | 一种基于目标检测的缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
何俊杰等: "基于卷积神经网络的电路缺陷识别方法", 《福建电脑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022208129A1 (en) * | 2021-03-30 | 2022-10-06 | Siemens Industry Software Inc. | Method and system for detecting a false error on a component of a board inspected by an aoi machine |
CN113487602A (zh) * | 2021-07-28 | 2021-10-08 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于小目标语义分割的工件检测方法 |
CN113487603A (zh) * | 2021-07-28 | 2021-10-08 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于目标检测算法的配件装包检查方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992317B (zh) | 一种基于语义分割的pcb板缺陷检测方法 | |
CN110543878B (zh) | 一种基于神经网络的指针仪表读数识别方法 | |
CN111103307A (zh) | 一种基于深度学习的pcb板缺陷检测方法 | |
CN111062915A (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
CN108346144B (zh) | 基于计算机视觉的桥梁裂缝自动监测与识别方法 | |
CN110909660A (zh) | 一种基于目标检测的塑料瓶检测与定位方法 | |
CN111091534A (zh) | 一种基于目标检测的pcb板缺陷检测与定位方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN111932501A (zh) | 一种基于语义分割的密封圈表面缺陷检测方法 | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN109447979B (zh) | 基于深度学习和图像处理算法的目标检测方法 | |
CN108846415A (zh) | 工业分拣机器人的目标识别装置和方法 | |
CN104063873A (zh) | 一种基于压缩感知的轴套类零件表面缺陷在线检测方法 | |
CN113763312A (zh) | 使用弱标记检测半导体试样中的缺陷 | |
CN113239930A (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
CN111598942A (zh) | 一种用于对电力设施仪表进行自动定位的方法及系统 | |
CN113643268A (zh) | 基于深度学习的工业制品缺陷质检方法、装置及存储介质 | |
CN107167172A (zh) | 一种总线式汽车数字仪表指针功能的在线监测方法 | |
CN111401358A (zh) | 一种基于神经网络的仪表表盘校正方法 | |
CN115599844A (zh) | 一种飞机翼面连接件错装漏装可视化检测方法 | |
CN113420619A (zh) | 一种遥感影像建筑物提取方法 | |
CN113763364B (zh) | 一种基于卷积神经网络的图像缺陷检测方法 | |
CN116029979A (zh) | 一种基于改进Yolov4的布料瑕疵视觉检测方法 | |
CN114219753A (zh) | 一种基于深度学习的电力设备表面缺陷检测方法及终端 | |
CN111429431A (zh) | 一种基于卷积神经网络的元件定位识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200501 |
|
RJ01 | Rejection of invention patent application after publication |