CN111754456B - 基于深度学习的二维pcb外观缺陷实时自动检测技术 - Google Patents
基于深度学习的二维pcb外观缺陷实时自动检测技术 Download PDFInfo
- Publication number
- CN111754456B CN111754456B CN202010412967.6A CN202010412967A CN111754456B CN 111754456 B CN111754456 B CN 111754456B CN 202010412967 A CN202010412967 A CN 202010412967A CN 111754456 B CN111754456 B CN 111754456B
- Authority
- CN
- China
- Prior art keywords
- pcb
- defect
- picture
- dimensional
- defects
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 569
- 238000001514 detection method Methods 0.000 title claims abstract description 94
- 238000013135 deep learning Methods 0.000 title claims abstract description 31
- 238000005516 engineering process Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000001502 supplementing effect Effects 0.000 claims abstract description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 91
- 238000001914 filtration Methods 0.000 claims description 17
- 238000003709 image segmentation Methods 0.000 claims description 11
- 239000003086 colorant Substances 0.000 claims description 10
- 230000002950 deficient Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 150000003071 polychlorinated biphenyls Chemical class 0.000 claims description 2
- 239000013589 supplement Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
Abstract
本发明提出了一种基于深度学习的二维PCB外观缺陷实时自动检测技术，含有依赖于标准PCB板作比对的CNN检测、无标准PCB板比对的CNN检测(非监督学习检测)、混合CNN检测三种PCB缺陷检测方法，包括：训练PCB缺陷图片库的每一种类缺陷，将待测PCB图片分割成多个图片块；利用PCB缺陷特征搜索缺陷块识别待测PCB图片中的缺陷并标记疑似缺陷块；利用PCB缺陷类别特征进行缺陷分类，判断缺陷类别，判断不在类别中的疑似缺陷是假缺陷还是新类别的缺陷，将新类别缺陷补充至缺陷图片库；利用PCB缺陷级别特征判断疑似缺陷，若为假缺陷，则删除对应缺陷并分析原因，若为真缺陷，则标记在缺陷记录中。该方法检测PCB缺陷速度快、精度高。
Description
技术领域
本发明涉及缺陷检测技术领域，特别涉及一种基于深度学习的二维PCB外观缺陷实时自动检测技术。
背景技术
二维(2D)印刷电路板(PCB)是各种微电路版、主板制作的基础，其正确性是其它后续工序正确的保障。由于现代技术和精细工艺的不断发展，PCB的制作也越来越复杂、越来越精密。传统的外观检测已不适应复杂的PCB检测。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的目的在于提出一种基于深度学习的二维PCB外观缺陷实时自动检测技术，该方法具有速度快、精度高、泛化能力强，结构清晰等优点。
为达到上述目的，本发明实施例提出了一种基于深度学习的二维PCB外观缺陷实时自动检测技术，包括：
S1，通过搜集和标记PCB缺陷块图片，建立二维PCB缺陷块图片库，所述二维PCB缺陷块图片库包括二维PCB缺陷数据对图片库和二维PCB缺陷单数据图片库；
S2，对所述二维PCB缺陷块图片库中的每一种类PCB缺陷，利用卷积神经网络进行训练，提取PCB缺陷类别特征；
S3，对所述二维PCB缺陷块图片库中的每一种类PCB缺陷的级别，利用卷积神经网络进行训练，提取PCB缺陷级别特征；
S4，通过PCB生产流水线提取二维PCB图片，所述二维PCB图片包括二维标准PCB图片和二维待测PCB图片；
S5，通过滤波去噪块，对所述二维PCB图片进行去噪处理；
S6，通过图像配准块，对所述二维待测PCB图片与所述二维标准PCB图片配准；
S7，通过图像灰度值比对块，对所述二维标准PCB图片和所述二维待测PCB图片灰度值进行比对分析，得到二维PCB残差图片；
S8，通过图像分割定位块，对所述二维标准PCB图片、所述二维待测PCB图片和所述二维PCB残差图片进行分割定位，得到多个图片的图片块和对应的坐标；
S9，通过残差滤波块，对所述二维PCB残差图片的图片块过滤，消去因配准及其它因素产生比对误差；
S10，缺陷搜索匹配块，通过卷积神经网络训练的PCB缺陷特征，在多个图片块中搜索缺陷块，并进行缺陷块匹配；
S11，CNN缺陷识别块，通过卷积神经网络对所述二维待测PCB图片中的缺陷进行识别；
S12，PCB缺陷分类块，通过卷积神经网络训练的PCB缺陷类别特征对对所述二维待测PCB图片中标记的缺陷进行分类，对不在类别中的缺陷进行判断，判断是否为假缺陷还是新的类别的缺陷，将所述新的类别的缺陷补充至缺陷块图片库；
S13，通过PCB缺陷疑似块，对所述二维待测PCB图片中每一类缺陷标记为疑似缺陷；
S14，PCB缺陷验证块，通过卷积神经网络训练的PCB缺陷级别特征和分类信息，判断疑似缺陷块的真假性，若缺陷为假缺陷，则删除对应缺陷，并分析产生假缺陷的原因，若缺陷为真缺陷，则标记在缺陷记录中。
本发明实施例的基于深度学习的二维PCB外观缺陷实时自动检测技术，利用PCB图像和标准PCB图像以及卷积神经网络对PCB进行缺陷检测，通过PCB检测缺陷的工具，在装配工艺过程的早期查找和消除错误，可以避免将含有缺陷的PCB板送到后续的装配阶段，同时会减少修理成本将避免报废不可修理的电路板。利用卷积神经网络具有速度快、精度高、泛化能力强，结构清晰等优点。
另外，根据本发明上述实施例的基于深度学习的二维PCB外观缺陷实时自动检测技术还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，所述二维PCB缺陷块图片库分为两类，一类为二维PCB缺陷块和对应无缺陷标准PCB块图片组成的数据对图片库，另一类为只有单个二维PCB缺陷块的数据图片库。
进一步地，在本发明的一个实施例中，所述步骤S1还包括：
建立二维PCB缺陷块图片库。两类二维PCB缺陷块图片库包含PCB的多种已标记且分类和分级的PCB缺陷块图片，所述PCB缺陷块图片包括多尺度图片。
进一步地，在本发明的一个实施例中，所述步骤S2和步骤S3还包括：
对所述二维PCB缺陷块图片库中的每一种类PCB缺陷，用卷积神经网络进行训练，提取PCB缺陷类别特征；
对所述二维PCB缺陷块图片库中的每一种类PCB缺陷的级别，用卷积神经网络进行训练，提取PCB缺陷级别特征。
进一步地，在本发明的一个实施例中，在S4中，通过PCB图片提取块提取的二维PCB图片包括两种：一种为提取二维标准PCB图片和二维待测PCB图片；另一种为只提取二维待测PCB图片。
进一步地，在本发明的一个实施例中，所述S4还包括：
在比对标准PCB的检测方法和PCB混合检测方法中，提取二维待测PCB图片和对应的二维标准PCB图片；
在无标准板比对PCB检测方法中，只提取二维待测PCB图片。
进一步地，在本发明的一个实施例中，所述S5中，滤波去噪块对所述二维PCB图片进行去噪处理，包括：
利用算法对所述二维标准PCB图片和所述二维待测PCB图片进行去噪，在比对标准PCB的检测方法和PCB混合检测方法中，对所述二维标准PCB图片和所述二维待测PCB图片去噪，去除图片中的噪声，修正底板颜色对图片的影响，使得标准PCB图片、待测PCB图片、缺陷库中图片的底板颜色一致；
在无标准板比对PCB检测方法中，只对所述二维待测PCB图片去噪，去除图片中的噪声，修正底板颜色对图片的影响，使得待测PCB图片、缺陷库中图片的底板颜色一致。
进一步地，在本发明的一个实施例中，对所述二维标准PCB图片和所述二维待测PCB图片进行配准、灰度值比对、图像分割，进一步包括：
在比对标准PCB的检测方法和PCB混合检测方法中，所述S6、S7和S8，包括：
在比对标准PCB的检测方法和PCB混合检测方法中，将所述二维标准PCB图片和所述二维待测PCB图片配准，根据去噪处理后的二维标准PCB图片对所述二维待测PCB图片进行矫正，将所述二维标准PCB图片和所述二维待测PCB图片对比灰度值，计算图片残差得到二维PCB残差图片；将所述二维标准PCB图片、所述二维待测PCB图片和所述二维PCB残差图片进行分割得到多个图片块和对应的坐标；
对所述二维标准PCB图片进行配准，检测所述二维标准PCB图片是否存在旋转、形变、光线不均和光线反射，若存在，则利用算法进行矫正；
将所述二维待测PCB图片与处理后的二维标准PCB图片进行对比，判断位置、光线和颜色是否一致，若不一致，则通过算法对所述二维待测PCB图片进行矫正。
进一步地，在本发明的一个实施例中，在非比对参考的检测方法中，S8进一步包括：对所述二维待测PCB图片进行分割得到多个图片块和对应的坐标。
进一步地，在本发明的一个实施例中，所述S9中，对所述二维PCB残差图片的图片块过滤，消去因配准及其它因素产生比对误差，删除所述二维PCB残差图片中没有残差的图片块；
所述S10和S12进一步包括：
在无标准板比对PCB的检测方法中，采用所述二维PCB缺陷单数据图片库；
在无标准板比对PCB的检测方法和PCB混合检测方法中，对所述二维PCB缺陷图片库和所述二维PCB缺陷图片库中的每一种类PCB缺陷，用卷积神经网络训练，提取PCB缺陷特征和PCB缺陷类别特征；
步骤S10通过卷积神经网络训练的PCB缺陷特征，所述步骤S8在多个图片块中进行PCB缺陷搜索判别，采用单个二维PCB缺陷图片库卷积神经网络训练PCB缺陷的类别特征，步骤S12对所述二维待测PCB图片中标记的缺陷进行分类，对不在类别中的缺陷进行判断，判断是否为假缺陷还是新的类别的缺陷，将所述新的类别的缺陷补充至缺陷图片库。
进一步地，在本发明的一个实施例中，在比对标准PCB的检测方法和PCB混合检测方法中，分别对所述二维PCB缺陷图片库和所述二维PCB缺陷图片库中的每一种类PCB缺陷，用卷积神经网络训练，提取PCB缺陷特征和PCB缺陷类别特征。步骤S11和步骤S12还包括：
采用二维PCB缺陷块和对应无缺陷的标准PCB块图片组成的二维PCB缺陷数据对图片库，步骤S11通过卷积神经网络训练的PCB缺陷特征对，步骤S9对残差图片作缺陷识别，采用二维PCB缺陷图片库卷积神经网络训练PCB缺陷的类别特征对，步骤S12对所述二维待测PCB图片中标记的缺陷进行分类，对不在类别中的缺陷进行判断，判断是否为假缺陷还是新的类别的缺陷，将所述新的类别的缺陷补充至缺陷图片库。
进一步地，在本发明的一个实施例中，在PCB混合检测方法中，步骤S12之后还包括：
利用卷积神经网络训练的所述二维PCB缺陷图片库的PCB缺陷特征对标记的疑似缺陷块进行搜索匹配，删除其中的假缺陷，提高识别精度；
在步骤S13之后，通过卷积神经网络训练的PCB缺陷特征，对疑似缺陷在所述缺陷图片中搜索匹配。
进一步地，在本发明的一个实施例中，对PCB缺陷验证，通过步骤S3卷积神经网络训练的PCB缺陷级别特征信息，判断PCB缺陷的真假性，若缺陷为假缺陷，则删除该假缺陷，并分析产生假缺陷的原因，若缺陷为真缺陷，则标记在缺陷记录中。
进一步地，在本发明的一个实施例中，在搜索和判断缺陷过程中，通过多次识别迭代，对缺陷进行逐次排除。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明一个实施例的基于深度学习的二维PCB外观缺陷实时自动检测技术流程框图；
图2为根据本发明一个具体实施例的基于深度学习的二维PCB外观缺陷实时自动检测方法流程框图；
图3为根据本发明另一个具体实施例的基于深度学习的二维PCB外观缺陷实时自动检测方法流程框图；
图4为根据本发明再一个具体实施例的基于深度学习的二维PCB外观缺陷实时自动检测方法流程框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于深度学习的二维PCB外观缺陷实时自动检测技术。
随着工艺的发展，PCB的制作越来越复杂和精密，现有的缺陷检测方法效率不高，精度很低。本发明实施例提出了一种基于深度学习的二维PCB外观缺陷实时自动检测技术，具体包括三种缺陷检测的方法的实施例进行PCB缺陷检测。其中，一种是依赖于标准PCB板作比对的CNN检测方法(称为方法一)，第二种是没有标准板比对的CNN检测方法(称为方法二)，第三种是前两种方法混合CNN的PCB检测方法(称为方法三)。
如图1所示，本发明实施例的基于深度学习的二维PCB外观缺陷实时自动检测技术，包括：
S1，PCB缺陷块图片库，建立二维PCB缺陷块(patch)图片库，分别有二维PCB缺陷数据对图片库和二维PCB缺陷单数据图片库；
S2，CNN缺陷特征训练块，对二维PCB缺陷块图片库中的每一种类PCB缺陷，用卷积神经网络(CNN)训练，提取PCB缺陷类别特征；
S3，CNN缺陷级别特征训练块，对二维PCB缺陷块图片库中的每一种类PCB缺陷的级别，用卷积神经网络训练，提取PCB缺陷级别特征；
S4，PCB图片提取块，提取二维PCB图片，分别有二维标准PCB图片和二维待测PCB图片；
S5，滤波去噪块，对二维PCB图片进行去噪处理；
S6，图像配准块，对二维标准PCB图片和二维待测PCB图片配准，使得二维标准PCB图片和二维待测PCB图片对齐；
S7，图像灰度值比对块，对二维标准PCB图片和二维待测PCB图片灰度值进行比对分析，得到二维PCB残差图片；
S8，图像分割定位块，对二维标准PCB图片、二维待测PCB图片和二维PCB残差图片进行分割定位，得到多个图片的块(patch)和对应的坐标；
S9，残差滤波块，对二维PCB残差图片的patch过滤，消去因配准及其它因素产生比对误差；
S10，缺陷搜索匹配块，通过卷积神经网络训练的PCB缺陷特征，在多个图片块中搜索缺陷块，并进行缺陷块匹配；
S11，CNN缺陷识别块，通过卷积神经网络对待测PCB图片中缺陷进行识别；
S12，PCB缺陷分类块，通过卷积神经网络训练的PCB缺陷类别特征对对待测PCB图片中标记的缺陷进行分类，对不在类别中的缺陷进行判断，判断是否为假缺陷还是新的类别的缺陷，将新的类别的缺陷补充至缺陷图片库；
S13，PCB缺陷疑似块，对二维待测PCB图片中每一类缺陷标记为疑似缺陷；
S14，PCB缺陷验证块，通过卷积神经网络训练的PCB缺陷级别特征和分类信息，判断疑似缺陷块的真假性，若缺陷为假缺陷，则删除对应缺陷，并分析产生假缺陷的原因，若缺陷为真缺陷，则标记在缺陷记录中。
在本发明的实施例中，二维PCB缺陷块图片库分为两类，一类为二维PCB缺陷块和对应无缺陷标准PCB块图片组成的数据对图片库，另一类只有单个二维PCB缺陷块数据图片库。
在本发明的实施例中，在上述实施例的基础上，S1还包括：
两类二维PCB缺陷块图片库包含PCB的多种已标记且分类和分级的PCB缺陷块图片，PCB缺陷块图片包括多尺度图片。
在本发明的实施例中，S2和S3还包括：
对二维PCB缺陷块图片库中的每一种类PCB缺陷，用卷积神经网络(CNN)训练，提取PCB缺陷类别特征；
对二维PCB缺陷块图片库中的每一种类PCB缺陷的级别，用卷积神经网络训练，提取PCB缺陷级别特征。
在本发明的实施例中，其特征在于，S4包含提取二维PCB图片。分两种情形，提取二维标准PCB图片和二维待测PCB图片以及只提取待测PCB图片。
步骤S4还包括：
对需要比对技术的检测方法一和方法三，需要提取二维待测PCB图片和对应的标准PCB图片。对非监督学习检测(也就是非比对参考学习检测方法)方法二，只需要提取二维待测PCB图片。
在本发明的实施例中，S5滤波去噪块对二维PCB图片进行去噪处理。
利用算法对标准PCB图片和待测PCB图片进行去噪。方法一和方法三，需要对二维标准PCB图片和待测PCB图片去噪，去除图片中的噪声，修正底板颜色对图片的影响，使得标准PCB图片、待测PCB图片、缺陷库中图片的底板颜色一致；方法二只需对待测PCB图片去噪，去除图片中的噪声，修正底板颜色对图片的影响，使得待测PCB图片、缺陷库中图片的底板颜色一致。
对标准PCB图片和待测PCB图片进行配准、灰度值比对、图像分割。
对S6、S7和S8，用于方法一和方法三。将标准PCB图片和待测PCB图片配准，根据处理后的标准PCB图片对待测PCB图片进行矫正。将标准PCB图片和待测PCB图片对比灰度值，计算图片残差得到残差图片；然后将标准PCB图片、待测PCB图片和残差图片进行分割得到多个图片块和坐标。
对标准PCB图片进行配准，检测标准PCB图片是否存在旋转、形变、光线不均和光线反射，若存在，则利用算法进行矫正。
将待测PCB图片与处理后的标准PCB图片进行对比，判断位置、光线和颜色是否一致，若不一致，则通过算法对待测PCB图片进行矫正。
图像分割定位S8用于方法二，对待测PCB图片进行分割得到多个图片块和坐标。
在本发明的实施例中，S9对二维PCB残差图片的patch过滤，消去因配准及其它因素产生比对误差，删除残差图片中没有残差的图片块；
对二维PCB缺陷图片库和二维PCB缺陷图片库中的每一种类PCB缺陷，用卷积神经网络训练，提取PCB缺陷特征、PCB缺陷类别特征。S10和S12还包括：
方法二采用只有单个二维PCB缺陷块数据图片库。S10通过CNN训练的PCB缺陷特征，S8进行PCB缺陷搜索判别。然后采用单个二维PCB缺陷图片库CNN训练PCB缺陷的类别特征，S12对待测PCB图片中标记的缺陷进行分类，对不在类别中的缺陷进行判断，判断是否为假缺陷还是新的类别的缺陷，将新的类别的缺陷补充至缺陷图片库。
在本发明的实施例中，其特征在于，分别对二维PCB缺陷图片库和二维PCB缺陷图片库中的每一种类PCB缺陷，用卷积神经网络训练，提取PCB缺陷特征、PCB缺陷类别特征。S11和S12还包括：
方法一和方法三采用二维PCB缺陷块和对应无缺陷标准PCB块图片组成的数据对图片库，S11通过CNN训练的PCB缺陷特征对，S9对残差图片作缺陷识别。然后采用二维PCB缺陷图片库CNN训练PCB缺陷的类别特征对，S12对待测PCB图片中标记的缺陷进行分类，对不在类别中的缺陷进行判断，判断是否为假缺陷还是新的类别的缺陷，将新的类别的缺陷补充至缺陷图片库。
在S12之后方法三还包括：
利用卷积神经网络训练的二维PCB缺陷图片库的PCB缺陷特征对标记的疑似缺陷块进行搜索匹配，删除其中的假缺陷，提高识别精度。
在S13之后，通过卷积神经网络训练的PCB缺陷特征，对疑似缺陷在缺陷图片中搜索匹配。
在本发明的实施例中，对PCB缺陷验证，通过S3卷积神经网络训练的PCB缺陷级别特征信息，判断PCB缺陷的真假性，若缺陷为假缺陷，则删除该假缺陷，并分析产生假缺陷的原因，若缺陷为真缺陷，则标记在缺陷记录中。
在本发明的实施例中，其特征在于，在搜索和判断缺陷过程中，通过多次识别迭代，对缺陷进行逐次排除。
综上，本发明实施例提出了三种缺陷检测的方法，下面通过附图对三种检测方法进行详细描述。
方法一：
基于深度学习检测，如图2所示，包括以下步骤：
1-1)建立二维PCB缺陷图片库S1。该缺陷库包含了PCB各种已标记且分类和分级的缺陷图片。缺陷图片可以是多尺度图片。缺陷图片以标准图片(正例)和缺陷图片(反例)构成的图片数据对。
1-2)CNN缺陷训练S2与缺陷库S1连接。对每一种类PCB缺陷数据对，用CNN训练，提取PCB缺陷特征和缺陷类别特征。
1-3)CNN缺陷级别训练S3与缺陷库S1连接。对每个级别PCB缺陷数据对，利用CNN训练，提取PCB缺陷级别特征。
1-4)读取标准PCB图片S4，分别读取标准PCB图像和待测PCB图像。
1-5)图像去噪S5与S4连接，分别对标准PCB图像和待测PCB图像去噪。图片中不可避免有多种噪声，以及底板颜色，这对缺陷识别造成很大影响。需要采用多种算法和技术过滤噪声。
1-6)图像配准S6与S5连接，分别对标准PCB和待测PCB图像配准。
1-6-1)检测标准PCB图片是否端正。是否有旋转、形变等改变。如果发生改变，需要矫正；检测标准PCB图片光线是否异常，是否有光线不均、反射等情形。如果出现光线异常，需要算法矫正。
1-6-2)除了与图像去噪S5连接外，待测PCB图片还要与配准的标准PCB图片连接。检测待测PCB图片是否端正、是否与标准PCB位置一致，检查与标准图片的位置、光线、颜色是否一致。如果不一致，利用算法矫正。
1-7)比对图像灰度值S7与图像配准S6连接，将待测PCB图片与标准PCB图片比对图片灰度值，计算图片的残差。
1-8)图像分割S8与S7连接，对PCB的标准图片、待测图片、残差图片进行适当的相同分割，分割成小块(patch)，为缺陷块定位和标记准备。
1-9)残差滤波S9与图像分割S8连接，过滤残差中因配准误差和干扰造成的比对残差。删除残差图片中没有残差的patch，待检测和分析有残差的patch。
1-10)PCB缺陷判别S11与残差滤波S9和PCB缺陷特征训练S2连接。利用S2中CNN训练的PCB缺陷特征，识别残差patch。识别哪些patch是待测PCB的缺陷，标记出疑似缺陷patch。该步骤可以多次识别迭代，对疑似缺陷patch进行逐步剔除。
1-11)PCB缺陷分类S12与缺陷判别S11和缺陷训练S2连接。利用S2中CNN训练的PCB缺陷类别特征，对缺陷判别S11中标记的缺陷patch进行分类，判断标记的缺陷属于哪一种缺陷。
1-12)PCB缺陷验证S14与缺陷分类S12和缺陷级别特征S3连接。利用S3中CNN训练的PCB缺陷级别特征，检查由S12得到的疑似PCB缺陷是否是真缺陷，删除假缺陷，提高检测精度。如果是真缺陷，进行标记。同时对那些不在类别中的缺陷进行甄别，当检测的真缺陷又是新的类型的缺陷，则将该新的缺陷标记，并添加到缺陷库中。如果是假缺陷，分析产生假缺陷的原因，为后续检测提供参考。
方法二：
第二种缺陷检测方法相比第一种检测方法，为非参考学习检测，不需要和标准的PCB作参考和对比。如图3所示，具体步骤为：
2-1)建立PCB缺陷图片库S1。缺陷库包含了PCB各种已标记且分类和分级的缺陷图片。缺陷图片可以是多尺度图片。该缺陷库不同于第一种检测方法中图片库，不是图片数据对，只是单个缺陷图片。
2-2)CNN缺陷训练S2与缺陷库S1连接。对每一种类PCB缺陷，用CNN训练，提取PCB缺陷特征和缺陷类别特征。
2-3)CNN缺陷级别训练S3与缺陷库S1连接。对每个级别PCB缺陷，利用CNN训练，提取PCB缺陷级别特征。
2-4)读取标准PCB图片S4，读取待测PCB图像。
2-5)图像去噪S5与S4连接，对待测PCB图像去噪。图片中不可避免有多种噪声，以及底板颜色，这对缺陷识别造成很大影响。需要采用多种算法和技术过滤噪声。
2-6)图像分割S8与图像去噪S5连接，对PCB的待测图片进行分割，分割成小块(patch)，为缺陷块定位和标记准备。
2-7)缺陷匹配搜索S10与图像S8和缺陷特征训练S2连接。利用S2中CNN训练的PCB缺陷特征，搜索缺陷patch。识别哪些patch是待测PCB的缺陷，标记出疑似缺陷patch。该步骤可以多次识别迭代，对疑似缺陷patch进行逐步剔除。
2-8)PCB缺陷分类S12与缺陷匹配搜索S10和缺陷训练S2连接。利用S2中CNN训练的PCB缺陷类别特征，对缺陷搜索S10中标记的缺陷patch进行分类，判断标记的缺陷属于哪一种缺陷，同时对那些不在类别中的缺陷进行甄别，判断是否是假缺陷还是新的类型的缺陷；如果是新类型的缺陷，将该缺陷扩充到缺陷库中。
2-9)PCB缺陷验证S14与缺陷分类S12和缺陷级别特征S3连接。利用S3中CNN训练的PCB缺陷级别特征，检查由S12得到的疑似PCB缺陷是否是真缺陷，删除假缺陷，提高检测精度。如果是真缺陷，进行标记。当检测的真缺陷又是新的类型的缺陷，则将该新的缺陷标记，并添加到缺陷库中。如果是假缺陷，分析产生假缺陷的原因，为后续检测提供参考。
方法三：
第三种检测方法是对上面介绍的两种检测方法的结合，称为混合检测方法，可以更精确的识别PCB中的缺陷，如图4所示，具体步骤为：
3-1)建立二维PCB缺陷图片库S1。该缺陷库包含了PCB各种已标记且分类和分级的缺陷图片。缺陷图片可以是多尺度图片。
PCB缺陷库分为两类缺陷图片库。一类是缺陷图片以标准图片(正例)和缺陷图片(反例)构成的图片数据对，第二类只是缺陷图片构成的图片库。
3-2)CNN缺陷训练S2与缺陷库S1连接。对第一类缺陷库中每一种类PCB缺陷数据对，用CNN训练，提取PCB缺陷特征和缺陷类别特征。对第二类缺陷库中每一种类PCB缺陷，用CNN训练，提取PCB缺陷特征和缺陷类别特征。
3-3)CNN缺陷级别训练S3与缺陷库S1连接。对第一类缺陷库中每个级别PCB缺陷数据对，利用CNN训练，提取PCB缺陷级别特征。对第二类缺陷库中每个级别PCB缺陷，利用CNN训练，提取PCB缺陷级别特征。
3-4)读取标准PCB图片S4，分别读取标准PCB图像和待测PCB图像。
3-5)图像去噪S5与S4连接，分别对标准PCB图像和待测PCB图像去噪。图片中不可避免有多种噪声，以及底板颜色，这对缺陷识别造成很大影响。需要采用多种算法和技术过滤噪声。
3-6)图像配准S6与S5连接，分别对标准PCB和待测PCB图像配准。
3-6-1)检测标准PCB图片是否端正。是否有旋转、形变等改变。如果发生改变，需要矫正；检测标准PCB图片光线是否异常，是否有光线不均、反射等情形。如果出现光线异常，需要算法矫正。
3-6-2)除了与图像去噪S5连接外，待测PCB图像还要与配准的标准PCB图像连接。检测待测PCB图片是否端正、是否与标准PCB位置一致，检查与标准图片的位置、光线、颜色是否一致。如果不一致，利用算法矫正。
3-7)比对图像灰度值S7与图像配准S6连接，将待测PCB图片与标准PCB图片比对图片灰度值，计算图片的残差。
3-8)图像分割S8与S7连接，对PCB的标准图片、待测图片、残差图片进行适当的相同分割，分割成小块(patch)，为缺陷块定位和标记准备。
3-9)残差滤波S9与图像分割S8连接，过滤残差中因配准误差和干扰造成的比对残差。删除残差图片中没有残差的patch，待检测和分析有残差的patch。
3-10)PCB缺陷判别S11与残差滤波S9和PCB缺陷特征训练S2连接。利用S2中CNN训练的PCB缺陷特征，识别残差patch。识别哪些patch是待测PCB的缺陷，标记出疑似缺陷patch。该步骤可以多次识别迭代，对疑似缺陷patch进行逐步剔除。
3-11)PCB缺陷分类S12与缺陷判别S11和缺陷训练S2连接。利用S2中CNN训练的PCB缺陷类别特征，对缺陷判别S11中标记的缺陷patch进行分类。
3-12)疑似缺陷S13与S12连接，标记待测PCB疑似缺陷，判断标记的疑似缺陷属于哪一种缺陷。
3-13)缺陷搜索匹配S10与疑似缺陷S13和CNN缺陷训练S2连接。对疑似缺陷S13，利用S2中第二类缺陷库CNN训练的PCB缺陷特征和类别特征搜索匹配。过滤疑似缺陷中的假缺陷。
3-14)PCB缺陷验证S14与缺陷搜索匹配S10和缺陷级别特征S3连接。对S10筛选的缺陷进一步过滤。利用S3中第二类缺陷库CNN训练的PCB缺陷级别特征，检查由S10得到的疑似PCB缺陷是否是真缺陷，删除假缺陷，提高检测精度。如果是真缺陷，进行标记。同时对那些不在类别中的缺陷进行甄别，当检测的真缺陷又是新的类型的缺陷，则将该新的缺陷标记，并添加到缺陷库中。如果是假缺陷，分析产生假缺陷的原因，为后续检测提供参考。
根据本发明实施例提出的基于深度学习的二维PCB外观缺陷实时自动检测技术，利用PCB图像和标准PCB图像以及卷积神经网络对PCB进行缺陷检测，通过PCB检测缺陷的工具，在装配工艺过程的早期查找和消除错误，可以避免将坏板送到后续的装配阶段，同时会减少修理成本将避免报废不可修理的电路板。利用卷积神经网络具有速度快、精度高、泛化能力强，结构清晰等优点。
此外，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至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (14)
1.一种基于深度学习的二维PCB外观缺陷实时自动检测技术，其特征在于，包括以下步骤：
S1，通过PCB缺陷块图片库建立二维PCB缺陷块图片库，所述二维PCB缺陷块图片库包括二维PCB缺陷数据对图片库和二维PCB缺陷单数据图片库；
S2，通过CNN缺陷特征训练块，对所述二维PCB缺陷块图片库中的每一种类PCB缺陷，利用卷积神经网络进行训练，提取PCB缺陷类别特征；
S3，通过CNN缺陷级别特征训练块，对所述二维PCB缺陷块图片库中的每一种类PCB缺陷的级别，利用卷积神经网络进行训练，提取PCB缺陷级别特征；
S4，通过PCB图片提取块提取二维PCB图片，所述二维PCB图片包括二维标准PCB图片和二维待测PCB图片；
S5，通过滤波去噪块，对所述二维PCB图片进行去噪处理；
S6，通过图像配准块，对所述二维待测PCB图片与所述二维标准PCB图片配准；
S7，通过图像灰度值比对块，对所述二维标准PCB图片和所述二维待测PCB图片灰度值进行比对分析，得到二维PCB残差图片；
S8，通过图像分割定位块，对所述二维标准PCB图片、所述二维待测PCB图片和所述二维PCB残差图片进行分割定位，得到多个图片的图片块和对应的坐标；
S9，通过残差滤波块，对所述二维PCB残差图片的图片块过滤，消去因配准及其它因素产生的比对误差；
S10，缺陷搜索匹配块通过卷积神经网络训练的PCB缺陷特征，在多个图片块中搜索缺陷块，并进行缺陷块匹配；
S11，CNN缺陷识别块通过卷积神经网络对所述二维待测PCB图片中的缺陷进行识别；
S12，PCB缺陷分类块通过卷积神经网络训练的PCB缺陷类别特征对对所述二维待测PCB图片中标记的缺陷进行分类，对不在类别中的缺陷进行判断，判断是否为假缺陷还是新的类别的缺陷，将所述新的类别的缺陷补充至缺陷块图片库；
S13，通过PCB缺陷疑似块，对所述二维待测PCB图片中每一类缺陷标记为疑似缺陷；
S14，PCB缺陷验证块通过卷积神经网络训练的PCB缺陷级别特征和分类信息，判断疑似缺陷块的真假性，若缺陷为假缺陷，则删除对应缺陷，并分析产生假缺陷的原因，若缺陷为真缺陷，则标记在缺陷记录中。
2.根据权利要求1所述的基于深度学习的二维PCB外观缺陷实时自动检测技术，其特征在于，
所述二维PCB缺陷块图片库分为两类，一类为二维PCB缺陷块和对应无缺陷标准PCB块图片组成的数据对图片库，另一类为只有单个二维PCB缺陷块的数据图片库。
3.根据权利要求2所述的基于深度学习的二维PCB外观缺陷实时自动检测技术，其特征在于，所述步骤S1还包括：
建立二维PCB缺陷块图片库。两类二维PCB缺陷块图片库包含PCB的多种已标记且分类和分级的PCB缺陷块图片，所述PCB缺陷块图片包括多尺度图片。
4.根据权利要求3所述的基于深度学习的二维PCB外观缺陷实时自动检测技术，其特征在于，所述步骤S2和步骤S3还包括：
对所述二维PCB缺陷块图片库中的每一种类PCB缺陷，用卷积神经网络进行训练，提取PCB缺陷类别特征；
对所述二维PCB缺陷块图片库中的每一种类PCB缺陷的级别，用卷积神经网络进行训练，提取PCB缺陷级别特征。
5.根据权利要求1所述的基于深度学习的二维PCB外观缺陷实时自动检测技术，其特征在于，在S4中，通过PCB图片提取块提取的二维PCB图片包括两种：一种为提取二维标准PCB图片和二维待测PCB图片；另一种为只提取二维待测PCB图片。
6.根据权利要求5所述的基于深度学习的二维PCB外观缺陷实时自动检测技术，其特征在于，所述S4还包括：
在比对标准PCB的检测方法和PCB混合检测方法中，提取二维待测PCB图片和对应的二维标准PCB图片；
在无标准板比对PCB检测方法中，只提取二维待测PCB图片。
7.根据权利要求6所述的基于深度学习的二维PCB外观缺陷实时自动检测技术，其特征在于，所述S5中，滤波去噪块对所述二维PCB图片进行去噪处理，包括：
利用算法对所述二维标准PCB图片和所述二维待测PCB图片进行去噪，在比对标准PCB的检测方法和PCB混合检测方法中，对所述二维标准PCB图片和所述二维待测PCB图片去噪，去除图片中的噪声，修正底板颜色对图片的影响，使得标准PCB图片、待测PCB图片、缺陷库中图片的底板颜色一致；
在无标准板比对PCB检测方法中，只对所述二维待测PCB图片去噪，去除图片中的噪声，修正底板颜色对图片的影响，使得待测PCB图片、缺陷库中图片的底板颜色一致。
8.根据权利要求7所述的基于深度学习的二维PCB外观缺陷实时自动检测技术，其特征在于，对所述二维标准PCB图片和所述二维待测PCB图片进行配准、灰度值比对、图像分割，进一步包括：
在比对标准PCB的检测方法和PCB混合检测方法中，所述S6、S7和S8，包括：
在比对标准PCB的检测方法和PCB混合检测方法中，将所述二维标准PCB图片和所述二维待测PCB图片配准，根据去噪处理后的二维标准PCB图片对所述二维待测PCB图片进行矫正，将所述二维标准PCB图片和所述二维待测PCB图片对比灰度值，计算图片残差得到二维PCB残差图片；将所述二维标准PCB图片、所述二维待测PCB图片和所述二维PCB残差图片进行分割得到多个图片块和对应的坐标；
对所述二维标准PCB图片进行配准，检测所述二维标准PCB图片是否存在旋转、形变、光线不均和光线反射，若存在，则利用算法进行矫正；
将所述二维待测PCB图片与处理后的二维标准PCB图片进行对比，判断位置、光线和颜色是否一致，若不一致，则通过算法对所述二维待测PCB图片进行矫正。
9.根据权利要求7所述的基于深度学习的二维PCB外观缺陷实时自动检测技术，其特征在于，在非比对参考的检测方法中，S8进一步包括：对所述二维待测PCB图片进行分割得到多个图片块和对应的坐标。
10.根据权利要求9所述的基于深度学习的二维PCB外观缺陷实时自动检测技术，其特征在于，所述S9中，对所述二维PCB残差图片的图片块过滤，消去比对误差，删除所述二维PCB残差图片中没有残差的图片块；
所述S10和S12进一步包括：
在无标准板比对PCB的检测方法中，采用所述二维PCB缺陷单数据图片库；
在无标准板比对PCB的检测方法和PCB混合检测方法中，对所述二维PCB缺陷图片库和所述二维PCB缺陷图片库中的每一种类PCB缺陷，用卷积神经网络训练，提取PCB缺陷特征和PCB缺陷类别特征；
步骤S10通过卷积神经网络训练的PCB缺陷特征，在多个图片块中进行PCB缺陷搜索判别，采用单个二维PCB缺陷图片库卷积神经网络训练PCB缺陷的类别特征，步骤S12对所述二维待测PCB图片中标记的缺陷进行分类，对不在类别中的缺陷进行判断，判断是否为假缺陷还是新的类别的缺陷，将所述新的类别的缺陷补充至缺陷图片库。
11.根据权利要求9或10所述的基于深度学习的二维PCB外观缺陷实时自动检测技术，其特征在于，
在比对标准PCB的检测方法和PCB混合检测方法中，分别对所述二维PCB缺陷图片库和所述二维PCB缺陷图片库中的每一种类PCB缺陷，用卷积神经网络训练，提取PCB缺陷特征和PCB缺陷类别特征。步骤S11和步骤S12还包括：
采用二维PCB缺陷块和对应无缺陷的标准PCB块图片组成的二维PCB缺陷数据对图片库，步骤S11通过卷积神经网络训练的PCB缺陷特征对，步骤S9对残差图片作缺陷识别，采用二维PCB缺陷图片库卷积神经网络训练PCB缺陷的类别特征对，步骤S12对所述二维待测PCB图片中标记的缺陷进行分类，对不在类别中的缺陷进行判断，判断是否为假缺陷还是新的类别的缺陷，将所述新的类别的缺陷补充至缺陷图片库。
12.根据权利要求11所述的基于深度学习的二维PCB外观缺陷实时自动检测技术，其特征在于，
在PCB混合检测方法中，步骤S12之后还包括：
利用卷积神经网络训练的所述二维PCB缺陷图片库的PCB缺陷特征对标记的疑似缺陷块进行搜索匹配，删除其中的假缺陷，提高识别精度；
在步骤S13之后，通过卷积神经网络训练的PCB缺陷特征，对疑似缺陷在所述缺陷图片中搜索匹配。
13.根据权利要求4或12所述的基于深度学习的二维PCB外观缺陷实时自动检测技术其特征在于，
对PCB缺陷验证，通过步骤S3卷积神经网络训练的PCB缺陷级别特征信息，判断PCB缺陷的真假性，若缺陷为假缺陷，则删除该假缺陷，并分析产生假缺陷的原因，若缺陷为真缺陷，则标记在缺陷记录中。
14.根据权利要求1-13所述的基于深度学习的二维PCB外观缺陷实时自动检测技术，其特征在于，在搜索和判断缺陷过程中，通过多次识别迭代，对缺陷进行逐次排除。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010412967.6A CN111754456B (zh) | 2020-05-15 | 2020-05-15 | 基于深度学习的二维pcb外观缺陷实时自动检测技术 |
| TW110115716A TWI796681B (zh) | 2020-05-15 | 2021-04-30 | 基於深度學習的二維ｐｃｂ外觀缺陷實時自動檢測之方法 |
| JP2021082647A JP7347836B2 (ja) | 2020-05-15 | 2021-05-14 | 深層学習に基づく２次元ｐｃｂ外観欠陥のリアルタイム自動検出方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010412967.6A CN111754456B (zh) | 2020-05-15 | 2020-05-15 | 基于深度学习的二维pcb外观缺陷实时自动检测技术 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111754456A CN111754456A (zh) | 2020-10-09 |
| CN111754456B true CN111754456B (zh) | 2022-10-14 |
Family
ID=72674531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010412967.6A Active CN111754456B (zh) | 2020-05-15 | 2020-05-15 | 基于深度学习的二维pcb外观缺陷实时自动检测技术 |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP7347836B2 (zh) |
| CN (1) | CN111754456B (zh) |
| TW (1) | TWI796681B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113838015B (zh) * | 2021-09-15 | 2023-09-22 | 上海电器科学研究所（集团）有限公司 | 一种基于网络协同的电器产品外观缺陷检测方法 |
| KR20230089583A (ko) * | 2021-12-13 | 2023-06-21 | 한국기계연구원 | 소자 검사 방법 및 이를 수행하는 소자 검사 장치 |
| CN114216915B (zh) * | 2021-12-15 | 2024-03-29 | 江门市浩远科技有限公司 | 一种基于线路板污渍和缺陷类型类别级别检测分类的方法 |
| CN115035081B (zh) * | 2022-06-23 | 2024-03-01 | 西安交通大学 | 一种基于工业ct的金属内部缺陷危险源定位方法及系统 |
| 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 |
| CN116168021B (zh) * | 2023-04-21 | 2023-08-29 | 中江立江电子有限公司 | 一种故障零件识别系统及方法 |
| CN117309873A (zh) * | 2023-09-04 | 2023-12-29 | 淮安特创科技有限公司 | 一种高效的pcb外观检测系统及方法 |
| CN117078674B (zh) * | 2023-10-14 | 2024-01-05 | 中电鹏程智能装备有限公司 | 一种pcba外观缺陷智能检测方法和检测系统 |
| CN117455917B (zh) * | 2023-12-25 | 2024-03-26 | 深圳市睿阳精视科技有限公司 | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110910353A (zh) * | 2019-11-06 | 2020-03-24 | 成都数之联科技有限公司 | 一种工业假不良检测方法及系统 |
| 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 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI653605B (zh) * | 2017-12-25 | 2019-03-11 | 由田新技股份有限公司 | 利用深度學習的自動光學檢測方法、設備、電腦程式、電腦可讀取之記錄媒體及其深度學習系統 |
| KR102175286B1 (ko) * | 2018-10-11 | 2020-11-06 | 라온피플 주식회사 | 결함 검출 장치 및 방법 |
| CN110455822A (zh) * | 2019-07-10 | 2019-11-15 | 苏州卓融新能源科技有限公司 | 一种pcb板缺陷的检测方法 |
-
2020
- 2020-05-15 CN CN202010412967.6A patent/CN111754456B/zh active Active
-
2021
- 2021-04-30 TW TW110115716A patent/TWI796681B/zh active
- 2021-05-14 JP JP2021082647A patent/JP7347836B2/ja active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110910353A (zh) * | 2019-11-06 | 2020-03-24 | 成都数之联科技有限公司 | 一种工业假不良检测方法及系统 |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 基于卷积神经网络的晶圆缺陷检测与分类算法;邡鑫等;《计算机工程》;20180815(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7347836B2 (ja) | 2023-09-20 |
| JP2021180309A (ja) | 2021-11-18 |
| TW202144766A (zh) | 2021-12-01 |
| TWI796681B (zh) | 2023-03-21 |
| CN111754456A (zh) | 2020-10-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111754456B (zh) | 基于深度学习的二维pcb外观缺陷实时自动检测技术 | |
| CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
| US9965847B2 (en) | Multi-type BGA chip visual recognition method using line based clustering | |
| CN112053318B (zh) | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 | |
| CN109959661A (zh) | 自动光学检测方法、设备、及其深度学习系统 | |
| CN111899241B (zh) | 一种定量化的炉前pcb贴片缺陷在线检测方法及系统 | |
| JP2004502250A (ja) | 検査システムと共に用いるための画像処理システム | |
| CN108520514B (zh) | 基于计算机视觉的印刷电路板电子元器一致性检测方法 | |
| CN109462999B (zh) | 通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置 | |
| CN113706490B (zh) | 一种晶片缺陷检测方法 | |
| CN116168218A (zh) | 一种基于图像识别技术的电路板故障诊断方法 | |
| CN115170501A (zh) | 缺陷检测方法、系统、电子设备及存储介质 | |
| CN115775246A (zh) | 一种pcb元器件缺陷检测的方法 | |
| CN116385770A (zh) | Pcb缺陷板标注和存储方法、系统、电子设备及存储介质 | |
| CN111460198B (zh) | 一种图片时间戳的审核方法及装置 | |
| US20230342937A1 (en) | Vehicle image analysis | |
| CN114897863A (zh) | 一种缺陷的检测方法、装置以及设备 | |
| KR20190119801A (ko) | 차량 헤드라이트 얼라인먼트 보정 및 분류 방법 및 이를 이용한 차량 헤드라이트 불량검사 방법 | |
| CN114549414A (zh) | 一种针对轨道数据的异常变化检测方法及系统 | |
| CN113780488A (zh) | 基于位置聚合程度的刮伤与擦伤缺陷检测方法 | |
| CN113267506A (zh) | 木板ai视觉缺陷检测装置、方法、设备及介质 | |
| CN114078109A (zh) | 图像处理方法、电子装置和存储介质 | |
| CN112288782A (zh) | 一种基于边界段数数值pcb缺陷检测方法 | |
| Ghosh et al. | Automated framework for unsupervised counterfeit integrated circuit detection by physical inspection | |
| TWI810016B (zh) | 軟性電路板檢測系統 |
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 |