CN111307817B - 一种智能产线pcb生产过程的在线检测方法及系统 - Google Patents
一种智能产线pcb生产过程的在线检测方法及系统 Download PDFInfo
- Publication number
- CN111307817B CN111307817B CN202010088508.7A CN202010088508A CN111307817B CN 111307817 B CN111307817 B CN 111307817B CN 202010088508 A CN202010088508 A CN 202010088508A CN 111307817 B CN111307817 B CN 111307817B
- Authority
- CN
- China
- Prior art keywords
- production line
- detection result
- intelligent
- defect detection
- intelligent production
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 90
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 83
- 230000007547 defect Effects 0.000 claims abstract description 53
- 238000005286 illumination Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 5
- 230000002950 deficient Effects 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 5
- 230000009123 feedback regulation Effects 0.000 claims description 5
- 239000012530 fluid Substances 0.000 claims description 5
- 238000000329 molecular dynamics simulation Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000001568 sexual effect Effects 0.000 claims description 3
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims description 2
- 230000003042 antagnostic effect Effects 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 239000000654 additive Substances 0.000 abstract 1
- 230000000996 additive effect Effects 0.000 abstract 1
- 238000007689 inspection Methods 0.000 description 7
- 238000000034 method Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 150000003071 polychlorinated biphenyls Chemical class 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- G01N21/8806—Specially adapted optical and illumination features
-
- 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
- G01N21/95—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
- G01N21/95—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
-
- 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
-
- G06T5/70—
-
- 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
- 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
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Abstract
本发明属于增材制造技术领域，具体提供了一种智能产线PCB生产过程的在线检测方法及系统，包括步骤S1：在多光谱照明环境下采集智能产线上电子器件的表面图像；S2：对所述表面图像进行缺陷检测；S3：对缺陷检测结果进行误判甄别；S4：将误判甄别后的最终检测结果导入智能产线进行反馈调。通过多光谱照明环境显著提高被测电子产品表面照明均匀度，进而提升了图像识别准确性；通过先利用深度网络进行缺陷检测，然后利用多物理场模型进行误判甄别，得到了更可靠的检测结果。最后根据检测结果来对产品进行修复或去除，及时止损，提高了良品率。
Description
技术领域
本发明属于机器视觉检测技术领域，具体涉及一种智能产线PCB生产过程的在线检测方法及系统。
背景技术
印制线路板PCB(printed circuit board)，简称印制板，是电子工业的重要部件之一。几乎每种具有集成电路等电子元件的电子设备都要使用印制板。但是由于越来越多的PCB的制造环境复杂，工艺步数多，其缺陷也越来越多（如翘曲、脱层、裂纹、短路等）。因此在印刷电路板制造过程中的缺陷检测重要性也越来越高。因此在印刷线路板制造过程中的缺陷检测重要性也越来越高。目前大多数生产线中仍然使用人工检测的方法，检测员凭借其经验通过目检对PCB单板进行逐一检测，这种方法显然效率较低，且对工作人员经验要求高。尽管目前已经逐渐出现自动光学检测（AOI）以及机器视觉检测等方法，但是单一光源使得电子产品表面疵病缺陷细节信息容易被掩盖或忽略，从而降低表面疵病缺陷的检测质量。复杂的制造环境以及机器视觉检测中不同于现实的平面成像特性也可能造成误判。故市场目前急需一种高效而又准确的缺陷识别的系统。
发明内容
本发明的目的是克服现有技术中PCB制造过程中缺陷检测单一且不全面的问题。
为此，本发明提供了一种智能产线PCB生产过程的在线检测方法，包括步骤：
S1：在多光谱照明环境下采集智能产线上电子器件的表面图像；
S2：对所述表面图像进行缺陷检测；
S3：对缺陷检测结果进行误判甄别；
S4：将误判甄别后的最终检测结果导入智能产线进行反馈调节。
优选地，所述步骤S1具体包括：
在多光谱照明下，利用CCD/CMOS相机对在智能产线的电子器件进行拍摄，并利用图像采集卡对图像进行采集与保存。
优选地，所述步骤S2具体包括：
S201：读取表面图像信息并进行灰度化处理及中值滤波图像预处理；
S202：将预处理后的图像导入至GAN模型中进行修复并得到修复图像；
S203：将修复后的图像与原表面图像一起导入LBP算法模型中比较差异，以得到缺陷检测结果。
优选地，所述步骤S3具体包括：
采用第一性原理、分子动力学理论及有限元分析方法，并结合电、热、力、光、化学及流体的多场耦合方法建立多场模型，将缺陷检测结果导入所述多场模型进行误判甄别得到修正后的最终检测结果。
优选地，所述步骤S4具体包括：
智能产线根据所述最终检测结果，记录并剔除有缺陷产品并收容无缺陷产品，并做出相应控制及调整。
优选地，所述智能产线包括制造执行系统。
优选地，所述多光谱照明环境包括可见光波段及近红外波段。
本发明还提供了一种智能产线PCB生产过程的在线检测系统，包括图像采集模块、缺陷检测模块、误判甄别模块及生产控制模块；
所述图像采集模块用于在多光谱照明环境下采集智能产线上电子器件的表面图像；
所述缺陷检测模块用于对所述表面图像进行缺陷检测；
所述误判甄别模块用于对缺陷检测结果进行误判甄别；
所述生产控制模块将误判甄别后的最终检测结果导入智能产线进行反馈调节。
优选地，所述图像采集模块包括优化后的自动光学检测设备的光谱频段范围为0.38μm ~2.0μm。
优选地，所述缺陷检测模块采用生成式对抗神经网络算法及局部二值模式算法。
本发明的有益效果：本发明提供的这种智能产线PCB生产过程的在线检测方法及系统，包括步骤S1：在多光谱照明环境下采集智能产线上电子器件的表面图像；S2：对所述表面图像进行缺陷检测；S3：对缺陷检测结果进行误判甄别；S4：将误判甄别后的最终检测结果导入智能产线进行反馈调。通过多光谱照明环境显著提高被测电子产品表面照明均匀度，进而提升了图像识别准确性；通过先利用深度网络进行缺陷检测，然后利用多物理场模型进行误判甄别，得到了更可靠的检测结果。最后根据检测结果来对产品进行修复或去除，及时止损，提高了良品率。
以下将结合附图对本发明做进一步详细说明。
附图说明
图1是本发明智能产线PCB生产过程的在线检测方法及系统的流程图；
图2是本发明智能产线PCB生产过程的在线检测系统模块示意图；
图3是本发明智能产线PCB生产过程的在线检测方法及系统的优化后的自动光学检测原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
本发明实施例提供了一种智能产线PCB生产过程的在线检测方法，包括步骤：
S1：在多光谱照明环境下采集智能产线上电子器件的表面图像；
S2：对所述表面图像进行缺陷检测；
S3：对缺陷检测结果进行误判甄别；
S4：将误判甄别后的最终检测结果导入智能产线进行反馈调。
如图1和图3所示，首先，在多光谱照明下，利用CCD/CMOS相机对在智能产线的电子器件进行拍摄，并利用图像采集卡对图像进行采集与保存。
其次，将采集图片载入缺陷检测模块中进行检测与识别。所述缺陷检测模块采用生成式对抗神经网络（Generative Adversarial Network, GAN）和局部二值模式（LocalBinary Pattern，LBP）算法对零件的外观缺陷进行识别检测。具体步骤包括（1）读取多光谱条件下采集的PCB图片，对其进行灰度化处理，中值滤波等图像预处理操作，使图片像素更加平滑，在降噪的同时提高图片质量。（2）将预处理后的PCB图片导入到GAN网络中进行修复并得到修复图片。GAN网络模型是一种深度学习模型。（3）将修复后的图片与原图片一起导入LBP算法中，通过算法识别原图与算法修复图片之间的差异，实现对缺陷区域的精确定位与识别。
再次，将检测结果导入误判甄别软件中进行判断。所述误判甄别模块采用第一性原理、分子动力学理论、有限元分析方法，结合电、热、力、光、化学、流体等多场耦合方法建立多场模型并进行误判的甄别，得到修正后的最终检测结果。
最后，智能产线接收最终检验结果，这里的智能产线可以是MES系统。随后MES系统将记录并剔除有缺陷产品，收容无缺陷产品并结合结果对生产系统做出相应控制或调整。
本发明实施例还提供了一种智能产线PCB生产过程的在线检测系统，如图2所示，包括图像采集模块、缺陷检测模块、误判甄别模块及生产控制模块；
所述图像采集模块用于在多光谱照明环境下采集智能产线上电子器件的表面图像；
所述缺陷检测模块用于对所述表面图像进行缺陷检测；
所述误判甄别模块用于对缺陷检测结果进行误判甄别；
所述生产控制模块将误判甄别后的最终检测结果导入智能产线进行反馈调节。
其中所述图像采集模块（高速图像采集的方式）采用优化后的多光谱照明系统(AOI)进行照明，通过CCD/CMOS对电子产品进行表面图像采集。如图3所示，将不同波长反馈图像多通道识别算法及可见/近红外光谱范围内的反射率特性及统计综合分析以优化得到可见/近红外波段的多光谱照明系统。
优化后的多光谱照明系统通过多光谱目标探测技术与识别算法对不同波长进行优化组合，提升对不同波长具有一定选择性的疵病缺陷检测能力；拓宽光谱频段到可见/近红外波段（0.38~2.0μm），提高PCB疵病缺陷检测的准确性。另一方面，构造自由曲面光学算法及设计新型的自由曲面光（光学元件）来将广场分布全局优化，以显著提高被测电子产品表面高照明均匀度多光谱广场，提升CCD相机对目标源图像采集的完整性，减少AOI的误报和漏报。
缺陷检测模块采用生成式对抗神经网络（Generative Adversarial Network,GAN）和局部二值模式（Local Binary Pattern，LBP）算法对零件的外观缺陷进行识别检测。具体步骤包括（1）读取多光谱条件下采集的PCB图片，对其进行灰度化处理，中值滤波等图像预处理操作，使图片像素更加平滑，在降噪的同时提高图片质量。（2）将预处理后的PCB图片导入到GAN网络中进行修复并得到修复图片。（3）将修复后的图片与原图片一起导入LBP算法中，通过算法识别原图与算法修复图片之间的差异，实现对缺陷区域的精确定位与识别。
误判甄别模块采用第一性原理、分子动力学理论、有限元分析方法，结合电、热、力、光、化学、流体等多场耦合方法建立多场模型并进行辅助判断，甄别环境，平面成像等问题造成的误判。
MES系统控制模块负责接收最终检验结果，并做出相应控制或调整。其中MES系统即制造执行系统 ，接受最终检测结果后，MES系统将记录并剔除有缺陷产品，收容无缺陷产品。
通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1）使用优化后的多光谱自动光学检测系统，显著提高被测电子产品表面照明均匀度，提升了CCD/CMOS相机对目标源图像采集的完整性，进而提高检测的准确性。
2）利用深度神经网络技术，通过深度学习进行缺陷识别，使得检测过程高效，可靠。
3）建立多物理场模型进行辅助判断，有效的甄别了环境，平面成像等问题造成的误判。
4 ）在缺陷样本有限的情况下，本系统可根据需要识别的PCB缺陷种类，利用算法对正常图片进行变异，实现人为定制缺陷并进行检测。
5）在线检测能够及时检测出产品缺陷，利于生产者对产品进行修复或去除，及时止损。
以上例举仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (9)
1.一种智能产线PCB生产过程的在线检测方法，其特征在于，包括步骤：
S1：在多光谱照明环境下采集智能产线上电子器件的表面图像；
S2：对所述表面图像进行缺陷检测；
S3：对缺陷检测结果进行误判甄别；具体地，采用第一性原理、分子动力学理论及有限元分析方法，并结合电、热、力、光、化学及流体的多场耦合方法建立多场模型，将缺陷检测结果导入所述多场模型进行误判甄别得到修正后的最终检测结果；
S4：将误判甄别后的最终检测结果导入智能产线进行反馈调节。
2.根据权利要求1所述的智能产线PCB生产过程的在线检测方法，其特征在于，所述步骤S1具体包括：
在多光谱照明下，利用CCD/CMOS相机对在智能产线的电子器件进行拍摄，并利用图像采集卡对图像进行采集与保存。
3.根据权利要求1所述的智能产线PCB生产过程的在线检测方法，其特征在于，所述步骤S2具体包括：
S201：读取表面图像信息并进行灰度化处理及中值滤波图像预处理；
S202：将预处理后的图像导入至GAN模型中进行修复并得到修复图像；
S203：将修复后的图像与原表面图像一起导入LBP算法模型中比较差异，以得到缺陷检测结果。
4.根据权利要求1所述的智能产线PCB生产过程的在线检测方法，其特征在于，所述步骤S4具体包括：
智能产线根据所述最终检测结果，记录并剔除有缺陷产品并收容无缺陷产品，并做出相应控制及调整。
5.根据权利要求1或2所述的智能产线PCB生产过程的在线检测方法，其特征在于：所述智能产线包括制造执行系统。
6.根据权利要求1所述的智能产线PCB生产过程的在线检测方法，其特征在于：所述多光谱照明环境包括可见光波段及近红外波段。
7.一种智能产线PCB生产过程的在线检测系统，其特征在于：包括图像采集模块、缺陷检测模块、误判甄别模块及生产控制模块；
所述图像采集模块用于在多光谱照明环境下采集智能产线上电子器件的表面图像；
所述缺陷检测模块用于对所述表面图像进行缺陷检测；
所述误判甄别模块用于对缺陷检测结果进行误判甄别；具体地，采用第一性原理、分子动力学理论及有限元分析方法，并结合电、热、力、光、化学及流体的多场耦合方法建立多场模型，将缺陷检测结果导入所述多场模型进行误判甄别得到修正后的最终检测结果；
所述生产控制模块将误判甄别后的最终检测结果导入智能产线进行反馈调节。
8.根据权利要求7所述的智能产线PCB生产过程的在线检测系统，其特征在于：所述图像采集模块包括优化后的自动光学检测设备的光谱频段范围为0.38μm～2.0μm。
9.根据权利要求7所述的智能产线PCB生产过程的在线检测系统，其特征在于：所述缺陷检测模块采用生成式对抗神经网络算法及局部二值模式算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010088508.7A CN111307817B (zh) | 2020-02-12 | 2020-02-12 | 一种智能产线pcb生产过程的在线检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010088508.7A CN111307817B (zh) | 2020-02-12 | 2020-02-12 | 一种智能产线pcb生产过程的在线检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111307817A CN111307817A (zh) | 2020-06-19 |
| CN111307817B true CN111307817B (zh) | 2021-04-09 |
Family
ID=71150977
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010088508.7A Active CN111307817B (zh) | 2020-02-12 | 2020-02-12 | 一种智能产线pcb生产过程的在线检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111307817B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113570549A (zh) * | 2021-06-30 | 2021-10-29 | 青岛海尔科技有限公司 | 反光表面的缺陷检测方法及装置 |
| CN113240673B (zh) * | 2021-07-09 | 2021-09-17 | 武汉Tcl集团工业研究院有限公司 | 缺陷检测方法、装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101153854A (zh) * | 2006-09-26 | 2008-04-02 | 以色列商奥宝科技股份有限公司 | 光学检验系统 |
| CN103134808A (zh) * | 2011-11-22 | 2013-06-05 | 东友精细化工有限公司 | 光学检查系统用振动噪声校正装置及方法 |
| JP2015219141A (ja) * | 2014-05-19 | 2015-12-07 | シライ電子工業株式会社 | プリント基板検査装置およびその検査方法 |
| CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测系统及方法 |
| CN107633508A (zh) * | 2017-09-06 | 2018-01-26 | 中国电力科学研究院 | 一种计量产品印刷线路板外观验证方法及系统 |
| CN108520274A (zh) * | 2018-03-27 | 2018-09-11 | 天津大学 | 基于图像处理及神经网络分类的高反光表面缺陷检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109884074A (zh) * | 2017-12-06 | 2019-06-14 | 英业达科技有限公司 | 用于流水线的电路板元件检测的检测装置及其方法 |
-
2020
- 2020-02-12 CN CN202010088508.7A patent/CN111307817B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101153854A (zh) * | 2006-09-26 | 2008-04-02 | 以色列商奥宝科技股份有限公司 | 光学检验系统 |
| CN103134808A (zh) * | 2011-11-22 | 2013-06-05 | 东友精细化工有限公司 | 光学检查系统用振动噪声校正装置及方法 |
| JP2015219141A (ja) * | 2014-05-19 | 2015-12-07 | シライ電子工業株式会社 | プリント基板検査装置およびその検査方法 |
| CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测系统及方法 |
| CN107633508A (zh) * | 2017-09-06 | 2018-01-26 | 中国电力科学研究院 | 一种计量产品印刷线路板外观验证方法及系统 |
| CN108520274A (zh) * | 2018-03-27 | 2018-09-11 | 天津大学 | 基于图像处理及神经网络分类的高反光表面缺陷检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| A Surface Defect Detection Method Based on Positive Samples;Zhixuan Zhao et al;《Springer International Publishing AG, part of Springer Nature》;20181231;摘要、第2-3节 * |
| 基于机器视觉的PCB裸板缺陷自动检测方法;杨庆华 等;《中国机械工程》;20121130;第23卷(第22期);第2661-2666页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111307817A (zh) | 2020-06-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102579783B1 (ko) | 제품 결함 이미지 원격 학습을 통한 비전 검사 시스템 | |
| CN110659660B (zh) | 利用深度学习系统的自动光学检测分类设备及其训练设备 | |
| Anitha et al. | A survey on defect detection in bare PCB and assembled PCB using image processing techniques | |
| CN107945184B (zh) | 一种基于彩色图像分割和梯度投影定位的贴装元件检测方法 | |
| CN109959661A (zh) | 自动光学检测方法、设备、及其深度学习系统 | |
| CN110216080A (zh) | 一种基于图像对比的pcb加工产线的质量监控系统 | |
| CN111307817B (zh) | 一种智能产线pcb生产过程的在线检测方法及系统 | |
| CN112053318A (zh) | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 | |
| KR20180106856A (ko) | 자동 광학 검사 시스템 및 그 동작 방법 | |
| CN106501272B (zh) | 机器视觉焊锡定位检测系统 | |
| CN107895362A (zh) | 一种微型接线端子质量检测的机器视觉方法 | |
| CN116718600B (zh) | 一种用于对线束产品进行智能化检测的检测装置 | |
| CN109870463B (zh) | 一种电子芯片故障检测装置 | |
| CN113418561A (zh) | 一种双层电路板的智能检测系统及方法 | |
| CN114820439A (zh) | 基于aoi的pcb裸板缺陷的检测系统及方法 | |
| CN115170497A (zh) | 一种基于ai视觉检测技术的pcba在线检测平台 | |
| CN114518526A (zh) | 一种适用于pcb板ict的自动测试机控制系统 | |
| US20230152781A1 (en) | Manufacturing intelligence service system connected to mes in smart factory | |
| CN115343313A (zh) | 基于人工智能的视觉识别方法 | |
| CN213749668U (zh) | 一种柔性电路板外观测试装置 | |
| CN111310402B (zh) | 一种基于面面平行的印刷电路板裸板缺陷检测方法 | |
| CN115060742A (zh) | 一种基于视觉边缘计算的印刷电路板缺陷检测系统及方法 | |
| CN115035118A (zh) | 一种基于识别模型的pcb生产线残缺检测方法及系统 | |
| Mogharrebi et al. | Missing component detection on PCB using neural networks | |
| CN112215149A (zh) | 基于视觉检测的配件分拣系统及方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220221 Address after: 414022 floors 2, 3 and 4, R & D building, Yueyang modern equipment manufacturing industrial park, muligang Avenue, Yueyang Economic and Technological Development Zone, Hunan Province Patentee after: Yueyang Luojia Intelligent Technology Co.,Ltd. Address before: 430072 Hubei city of Wuhan province Wuchang Luojiashan Patentee before: WUHAN University |
|
| TR01 | Transfer of patent right | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 414022 floors 2, 3 and 4, R & D building, Yueyang modern equipment manufacturing industrial park, muligang Avenue, Yueyang Economic and Technological Development Zone, Hunan Province Patentee after: Hunan Luojia Intelligent Technology Co.,Ltd. Address before: 414022 floors 2, 3 and 4, R & D building, Yueyang modern equipment manufacturing industrial park, muligang Avenue, Yueyang Economic and Technological Development Zone, Hunan Province Patentee before: Yueyang Luojia Intelligent Technology Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder |