CN112053318A - 基于深度学习的二维pcb缺陷实时自动检测与分类装置 - Google Patents
基于深度学习的二维pcb缺陷实时自动检测与分类装置 Download PDFInfo
- Publication number
- CN112053318A CN112053318A CN202010699142.7A CN202010699142A CN112053318A CN 112053318 A CN112053318 A CN 112053318A CN 202010699142 A CN202010699142 A CN 202010699142A CN 112053318 A CN112053318 A CN 112053318A
- Authority
- CN
- China
- Prior art keywords
- module
- defect
- pcb
- image
- cnn
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 251
- 238000001514 detection method Methods 0.000 title claims abstract description 98
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 118
- 238000001914 filtration Methods 0.000 claims abstract description 38
- 238000005070 sampling Methods 0.000 claims abstract description 35
- 238000004519 manufacturing process Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000002372 labelling Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 abstract description 2
- 238000011897 real-time detection Methods 0.000 abstract description 2
- 239000002699 waste material Substances 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 239000000523 sample Substances 0.000 description 11
- 238000003466 welding Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005282 brightening Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011202 physical detection method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的二维PCB缺陷实时自动检测与分类装置，包括：图像采集模块、PCB定位模块、图像预处理模块、功能区标注模块、图像校准模块、图像采样模块、序列化数据模块、PCB缺陷库模块、CNN缺陷训练模块、CNN缺陷点检测模块、CNN缺陷点分类模块、CNN缺陷点过滤模块、统计与显示模块。从PCB生产流水线上获取图像，传送到云端检测装置在线实时检测，在图像层面上标识出疑似缺陷并对其进行分类预测。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，避免有缺陷的PCB板送入后续的装配阶段，造成电路板的生产废品和使用中潜在的问题。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。
Description
技术领域
本发明涉及缺陷检测、计算机软件工程技术领域，特别涉及一种基于深度学习的二维PCB缺陷实时自动检测与分类装置。
背景技术
PCB是电子设备必不可少的组成部分，如电脑、手机、冰箱等。现代电子设备性能的优劣，不但受电子元器件本身质量和性能的影响，而且在很大程度上取决于PCB质量的好坏，特别是二维PCB是整个电子电路的基础，是关系到后续电子产品质量的第一道关键环节，也关系到电子系统质量和生产周期的重要环节。
随着电子信息领域的高速发展，各种设备生产厂商对于电路板的要求越来越高，不只是追求更高性能和效率，对电路板的良品率和产能还有更加严格的要求。
二维PCB检测的传统做法是采用人工检测和飞针检测。人工检测是雇佣工人在生产线上对生产完毕的电路板在灯光下用眼睛观察电路板的各个区域，找出电路板的缺陷。人工检测有如下缺点：
(1)检测结果不稳定，容易产生漏检：由于人工检测主观影响较大，判断标准难以统一，导致缺陷阈值与检测人高度相关。随着工作时间增长，人眼会出现疲劳，导致有些微小的缺陷漏检。
(2)效率低下：现在PCB的精度越来越高，布线和功能模块越来越密集、精细。对于拥有高元件密度和复杂图形的PCB板，人眼很难进行快速且准确的检测。
(3)人工成本上升：随着制造业的不断发展，各种硬件成本逐渐下降，与之相对的，劳务成本显得越来越多，相比于用硬件自动检测，人工检测成本会更高。
(4)数据收集和实时统计困难：与信息化管理要求相比，人工检测难以做到实时大量数据收集和统计，不能帮助工厂及时发现问题。
飞针检测是按照设计图纸检测焊点之间的连通性，是一种物理检测方法。它用探针来取代针床，使用多个由马达驱动的、能够快速移动的电气探针同器件的引脚进行接触并进行电气测量。它有如下缺点：
(1)测试时间长：由于需要对各个焊点之间的连通性进行检测，焊点间的组合方案非常多，每次测试又需要飞针移动，因此十分耗时。
(2)可能对PCB造成损伤：由于飞针需要通过传动机构移动直到接触到焊点，可能会造成元件脱落或划伤。
(3)精度和适应范围受限：由于飞针检测机构的移动范围是固定的，不能按照PCB电路板的大小灵活调整，同时对电路板元件密度限制也很大。
随着制造业对于印刷电路板产能需求的不断提升，基于光学原理的自动光学检测(Automated Optical Inspection，AOI)用于PCB检测。AOI设备通过摄像头自动扫描PCB采集图像，测试的焊点与数据库中的合格的参数进行比较，经过图像处理，检查出PCB上缺陷，并通过显示器或自动标志把缺陷标示出来。
然而现有的一些AOI设备通常配备复杂的灯光、传动、采集系统，需要占用生产线的很大空间，部署成本高。AOI设备需要配备专业工程师针对PCB进行编程，检测性能与编程水准高度相关。使用复杂，泛化性能差。AOI需要对每个不同的PCB分别编程，如果生产PCB型号变化迅速，且每个批次生产数量很少，编程也需要时间，没有人工检测的灵活性。传统的AOI检测原理基于传统的频域变换和统计分析，计算复杂、检测精度低，检测过程中出现大量的虚假缺陷。
利用人工智能方法进行自动检测是当前工业智造的发展趋势，它不仅可以改进复杂的AOI设备，也可以将工人从生产线的机械劳动中解放出来，将劳动力用于其他更需要的地方。
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，本发明的一个目的在于提出一种基于深度学习的二维PCB缺陷实时自动检测与分类装置，该装置配置简单，泛化性能强，易部署，空间占用低，速度快，效率和精度高。
为达到上述目的，本发明一方面实施例提出了一种基于深度学习的二维PCB缺陷实时自动检测与分类装置，包括：
图像采集模块，包含标准板图像采集和待测板图像采集两类模块，用于从PCB生产流水线上获取包含背景的PCB图像，并发送到服务器端；
PCB定位模块，由灰度化及缩放、粗定位及提取、倾角和位移预估计及矫正、倾角和方位参数确定、PCB区域提取、PCB图像定位子模块组成，所述PCB定位模块与所述图像采集模块连接，用于从包含背景的PCB图像中提取PCB板区域，并进行平移、旋转和仿射变换；
图像预处理模块，由图像去噪、亮度和对比度增强、边缘增强、预处理后标准和待测PCB图像子模块组成，所述图像预处理模块与所述PCB定位模块连接，用于对提取完毕后的PCB图像进行画质预处理，将预处理后的PCB图像传输到图像校准模块；
图像校准模块，由标准PCB图像和待测PCB图像的颜色校正、全局配准、局部配准、灰度值比对子模块组成，所述图像校准模块与所述图像预处理模块连接，用于对待检测板的图像与标准板进行匹配和校准，校准完毕后将标准板与待测板图像进行图片灰度值比对，得到残差图像，将标准板图像、待测板图像、残差图像一起传输到图像采样模块；
功能区标注模块，所述功能区标注模块与所述图像预处理模块连接，用于在录入PCB标准板数据时，标记PCB的功能区与非功能区；
图像采样模块，由图像分割、非均匀采样、模块数据序列化子模块组成，所述图像采样模块分别与所述图像校准模块和所述功能区标注模块连接，用于对PCB图像进行采样得到多个图像块数据；
序列化数据模块，所述序列化数据模块与所述图像采样模块连接，将标准板和待测板图像的图像块数据进行汇总形成序列化数据对；
PCB缺陷库模块，所述PCB缺陷库模块用于收集PCB缺陷，标记存在的PCB缺陷以及缺陷区域，并进行分类与分级标记；
CNN缺陷训练模块，所述CNN缺陷训练模块与所述PCB缺陷库模块连接，用于对PCB缺陷库中各类PCB缺陷和各级PCB缺陷，采用CNN算法作特征训练，分别提取PCB缺陷类别特征和缺陷级别特征；
CNN缺陷点检测模块，由数据对滤波、提取图像对、PCB残差CNN缺陷检测子模块组成，其中PCB残差CNN缺陷检测子模块由卷积神经网络组成，所述CNN缺陷点检测模块与所述序列化数据模块和所述CNN缺陷训练模块连接，用于采用CNN算法，对所述序列化数据对进行检测得到PCB疑似缺陷点，标记检测PCB的缺陷和缺陷位置；
CNN缺陷点分类模块，所述CNN缺陷点分类模块与所述CNN缺陷点检测模块和所述CNN缺陷训练模块连接，用于利用CNN算法对标记的缺陷图像块进行细分类，得到每个缺陷的类别或类别的概率数据；
CNN缺陷点过滤模块，由区域打标、功能区过滤、CNN类别过滤、CNN分级过滤子模块组成，所述CNN缺陷点过滤模块与所述CNN缺陷点分类模块、所述功能区标注模块和所述CNN缺陷训练模块连接，用于利用卷积神经网络对标记的缺陷图像块进行分类、分级过滤，根据所述功能区标注模块标注的功能区分布、缺陷是否处于背景、缺陷是否属于可忽略缺陷类型以及缺陷的严重程度进行过滤；
统计与显示模块，所述统计与显示模块与所述CNN缺陷点过滤模块连接，用于统计、记录、显示生产过程中所有被检测到的缺陷，在修复PCB过程中辅助工人确认缺陷位置，同时随时反馈生产线的生产质量状况。
另外，根据本发明上述实施例的基于深度学习的二维PCB缺陷实时自动检测与分类装置还可以具有以下附加的技术特征：
在本发明的一个实施例中，所述图像预处理模块具体用于，对图像进行去噪、对比度增强、锐化边缘和提亮。
在本发明的一个实施例中，所述图像校准模块具体用于，
将待检测板的图像与标准板在空间和颜色上匹配，其中包含颜色校正、全局配准和局部配准操作，颜色校正可以抵消拍摄光线变化产生的影响，全局配准则是将待检测板与标准板在空间上整体对齐，局部配准操作则是将待检测板与标准板在局部区域内对齐，校准完毕后将标准板与待测板图像比对，并将标准板图像、待测板图像、残差图像一起传输到所述图像采样模块。
在本发明的一个实施例中，所述图像采样模块具体用于，
根据预设规则对所有位置进行密集采样，采样得到的是标准板和待测板图像大小相等的一系列图像块数据，将标准板和待测板图像两类数据进行汇总形成所述序列化数据对，直接将所述序列数据对传输到所述CNN缺陷点检测模块。
在本发明的一个实施例中，所述PCB缺陷库模块具体用于收集PCB缺陷，标记存在的PCB缺陷以及缺陷区域，并进行分类与分级标记。
在本发明的一个实施例中，所述CNN缺陷训练模块具体用于，
对PCB缺陷库中各类PCB缺陷和各级PCB缺陷，采用CNN算法作特征训练，分别提取PCB缺陷类别特征和缺陷级别特征。
在本发明的一个实施例中，所述CNN缺陷点检测模块具体用于，
将有标注数据通过所述图像采样模块后得到训练用的缺陷库，从缺陷库中提取标准板-待测板图像对和相应的缺陷信息对所述CNN缺陷点检测模块、所述CNN缺陷点分类模块和所述CNN缺陷点过滤模块中不同的CNN进行训练；
所述CNN缺陷点检测模块由多个卷积神经网络组成，对所述序列数据对滤波，过滤掉标准板和待侧板图像块一致的数据对；
输入有差异的数据对，通过卷积神经网络对所述序列化数据对的特征残差检测出可能的PCB缺陷和缺陷区域；
其中，卷积神经网络包含两个图层：待检测层和标准层，检测结果用矩形框表示缺陷点，返回矩形框的左上角坐标和宽高，同时给出预测置信度值，值越高越表示缺陷的可能性高，检测完毕后将所有可能的缺陷区域和图像块传输到所述CNN缺陷点分类模块。
在本发明的一个实施例中，所述待检测层分为特征提取部分和缺陷框预测部分，其中，所述特征提取部分的输入是先经过FPN提取待检测图和标准图各自的特征图，然后叠加对应大小的特征图，最后将合并特征图输入到对应的缺陷框预测部分，得到在特征图下的缺陷检测结果，将所有特征图的检测结果合并到一起生成整体检测结果。
在本发明的一个实施例中，所述CNN缺陷点分类模块具体用于，
所述CNN缺陷分类模块的卷积神经网络结构分为特征提取和类别预测，其中，标准图像和待检测图像的特征分开提取，再将相应特征在通道连接到一起，经过多个全连接层得到最终的分类预测结果。
本发明的有益效果是：
1)配置简单，泛化性能强。每个批次PCB板的系统初始化只需要输入一张标准板和对应的功能区图片。而且对于不同批次PCB板，可以共用一套模型。
2)易部署，空间占用低。本装置只需要在生产线上部署图像采集模块，对生产线改动可忽略不计，服务器可放置在任意区域。
3)效率高，速度快。每块PCB板能在一秒时间内检测完毕，能保证PCB流水线上实时在线检测。
4)精度高。采用了最先进的人工智能技术与深度学习框架，检测和分类精度非常高。
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缺陷实时自动检测与分类装置结构示意图；
图2为根据本发明又一个实施例的基于深度学习的二维PCB缺陷实时自动检测与分类装置结构示意图；
图3为根据本发明一个实施例的PCB定位模块工作框图；
图4为根据本发明一个实施例的图像预处理模块工作框图；
图5为根据本发明一个实施例的图像校准模块工作框图；
图6为根据本发明一个实施例的图像采样模块工作框图；
图7为根据本发明一个实施例的CNN缺陷点检测模块工作框图；
图8为根据本发明一个实施例的PCB残差CNN缺陷检测模块网络结构示意图；
图9为根据本发明一个实施例的缺陷点过滤模块工作框图。
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缺陷实时自动检测与分类装置。
图1为根据本发明一个实施例的基于深度学习的二维PCB缺陷实时自动检测与分类装置结构示意图。
图2为根据本发明又一个实施例的基于深度学习的二维PCB缺陷实时自动检测与分类装置结构示意图。
如图1和图2所示，该装置包括：图像采集模块101、PCB定位模块102、图像预处理模块103、图像校准模块104、功能区标注模块105、图像采样模块106、序列化数据模块107、PCB缺陷库模块108、CNN缺陷训练模块109、CNN缺陷点检测模块110、CNN缺陷点分类模块111、CNN缺陷点过滤模块112和统计与显示模块113。
其中，图像采集模块101，包含标准板图像采集和待测板图像采集两类模块，用于从PCB生产流水线上获取包含背景的PCB图像，并发送到服务器端。
可以理解的是，标准板图像采集模块上传标准板PCB图像，待测板图像采集模块从生产流水线上获取待测PCB图像，在标准PCB图像和生产线上采集的PCB图像中，包含相同的PCB板和背景。
图3展示了PCB定位模块的工作流程，显示PCB图像定位的过程。PCB定位模块102与图像采集模块101连接，PCB定位模块从包含背景的PCB图像中提取PCB板区域，并进行平移、旋转和仿射变换。PCB定位模块由灰度化及缩放、粗定位及提取、倾角和位移预估计及矫正、倾角和方位参数确定、PCB区域提取、PCB图像定位等子模块构成(见图3)。灰度化及缩放子模块与含背景标准板PCB图像模块和待测板PCB图像模块连接，粗定位及提取子模块与灰度化及缩放子模块连接，倾角和位移预估计及矫正子模块与粗定位及提取子模块连接，倾角和方位参数确定子模块与倾角和位移预估计及矫正子模块连接，PCB区域提取子模块与倾角和方位参数确定子模块连接，PCB图像定位模块与PCB区域提取子模块连接。
图像预处理模块103与PCB定位模块102连接，对提取完毕后的PCB图像进行画质预处理，将预处理后的PCB图像传输到图像校准模块。
如图4所示，图像预处理模块由图像去噪、亮度和对比度增强、边缘增强、预处理后标准和待测PCB图像等子模块构成。图像去噪子模块与定位后标准和待测PCB图像模块连接，亮度和对比度增强子模块与图像去噪子模块连接，边缘增强子模块与亮度和对比度增强子模块连接，预处理后标准和待测PCB图像子模块与边缘增强子模块连接。
图像校准模块104与图像预处理模块103连接，对待检测板的图像与标准板进行匹配和校准，校准完毕后将标准板与待测板图像进行图片灰度值比对，得到残差图像，将标准板图像、待测板图像、残差图像一起传输到图像采样模块。
具体地，图像校准模块由标准PCB图像和待测PCB图像的颜色校正、全局配准、局部配准、灰度值比对等子模块构成，如图5所示，颜色校正子模块与标准PCB图像模块和待测PCB模块连接，全局配准子模块与标准PCB图像模块和颜色校正子模块连接，局部配准子模块与全局配准子模块、标准PCB图像模块、颜色校正后的待测PCB图像子模块连接，灰度值比对子模块与局部配准子模块、标准PCB图像模块、颜色校正后的待测PCB图像子模块连接，配准后标准和待测PCB图像、残差图像模块与灰度值比对子模块连接。将待检测板的图像与标准板在空间和颜色上匹配。颜色校正可以抵消拍摄光线变化产生的影响，全局配准则是将待检测板与标准板在空间上整体对齐，局部配准操作则是将待检测板与标准板在局部区域内对齐。
功能区标注模块105与图像预处理模块103连接，在录入PCB标准板数据时，标记PCB的功能区与非功能区.
图像采样模块106分别与所述图像校准模块104和所述功能区标注模块105连接，用于对PCB图像进行采样得到多个图像块数据。
具体地，图像采样模块由图像分割、非均匀采样、模块数据序列化等子模块构成，如图6所示，图像分割子模块与配准后标准和待测PCB图像、残差图像模块连接，非均匀采样子模块与图像分割子模块连接，模块数据序列化子模块与非均匀采样子模块连接，标准和待测PCB序列化数据模块与模块数据化子模块连接。
根据残差图像疑似缺陷出现位置有侧重地对图像进行采样，出现疑似缺陷频次较高的区域多采样，出现缺陷频次较低的区域减少采样。采样得到的是标准板和待测板图像大小相等的一系列图像块(patch)数据，将标准板和待测板图像这两类数据进行汇总形成序列化数据对。
序列化数据模块107与图像采样模块106连接，将标准板和待测板图像的图像块数据进行汇总形成序列化数据对。
PCB缺陷库模块108收集PCB缺陷，缺陷库是PCB缺陷块与对应的标准板构成的图像数据对集合，标记存在的PCB缺陷以及缺陷区域，进行分类与分级标记。
CNN缺陷训练模块109与PCB缺陷库模块108连接，对PCB缺陷库中各类PCB缺陷和各级PCB缺陷，采用CNN算法作特征训练，分别提取PCB缺陷类别特征和缺陷级别特征。
具体地，将有标注数据通过缺陷采样模块后得到训练用的缺陷库，从缺陷库中提取标准板-待测板图像对和相应的缺陷信息即可对不同的CNN进行训练。
CNN缺陷点检测模块110与序列化数据模块107和CNN缺陷训练模块109连接，采用CNN算法，对序列化数据对进行检测得到PCB疑似缺陷点，标记检测PCB的缺陷和缺陷位置。
具体地，CNN缺陷点检测模块由数据对滤波、提取图像对、PCB残差CNN缺陷检测等子模块构成，结构如图7所示，数据对滤波子模块与PCB序列化数据对模块连接，提取图像对子模块与数据对滤波子模块连接，PCB残差CNN缺陷检测子模块与提取图像对子模块连接，PCB疑似缺陷模块与PCB残差CNN缺陷检测子模块连接。
PCB残差CNN缺陷检测子模块由多个卷积神经网络组成，如图8所示，但不局限于图7中的CNN网络结构。首先对序列数据对滤波，过滤掉标准板和待测板patch一致的数据对。然后输入有差异的数据对，通过CNN对序列化数据对的特征残差检测出可能的PCB缺陷和缺陷区域。CNN包含两个图层：待检测层和标准层。检测结果用矩形框表示缺陷点，返回矩形框的左上角坐标和宽高，同时给出预测置信度值，值越高越可能是缺陷。检测完毕后将所有可能的缺陷区域和图像块传输到缺陷点分类模块。
检测模块分为特征提取部分和缺陷框预测部分(anchorhead)，其中特征提取部分的输入是将待检测的图像Patch和对应的标准Patch在通道叠加在一起，然后输入到FPN(Feature Pyramid Networks)中，得到不同大小的特征图。然后将特征图分别输入到对应的anchorhead中，得到在此特征图下的缺陷检测结果，将所有特征图的检测结果合并到一起就是整体检测结果。
CNN缺陷点分类模块111与CNN缺陷点检测模块110和CNN缺陷训练模块109连接，利用CNN算法对标记的缺陷图像块进行细分类，得到每个缺陷的类别或类别的概率数据。
可以理解的是，CNN缺陷点分类模块是对每个检测框内的图像进行细分类，并给出属于每个缺陷类别或正常的概率。最终返回每个缺陷框和它的类别概率。将此数据传输到缺陷点过滤模块。
缺陷分类模块的CNN网络结构分为特征提取和类别预测。与缺陷点检测模块不同的是，标准图像和待检测图像的特征是分开提取的，然后将相应特征在通道连接到一起，经过多个全连接层即可得到最终的分类预测。
CNN缺陷点过滤模块112与CNN缺陷点分类模块111、功能区标注模块105和CNN缺陷训练模块109连接，利用卷积神经网络对标记的缺陷图像块进行分类、分级过滤，根据所述功能区标注模块标注的功能区分布、缺陷是否处于背景、缺陷是否属于可忽略缺陷类型以及缺陷的严重程度进行过滤；
如图9所示，CNN缺陷点过滤模块由区域打标、功能区过滤、CNN类别过滤、CNN分级过滤等子模块构成。区域打标子模块与检测疑似缺陷分类模块和标准板功能区标准模块连接，功能区过滤子模块与区域打标连接，CNN类别过滤子模块与功能区过滤子模块连接，CNN分级过滤子模块与CNN类别过滤子模块连接，PCB缺陷点过滤模块与CNN分级过滤子模块连接。
统计与显示模块113与缺陷点过滤模块112连接，用于统计、记录、显示生产过程中所有被检测到的缺陷，在修复PCB过程中辅助工人确认缺陷位置，同时随时反馈生产线的生产质量状况。
根据本发明实施例提出的基于深度学习的二维PCB缺陷实时自动检测与分类装置，通过包括图像去噪、图像前景背景分割、图像配准到特征提取、缺陷检测、缺陷分类的工作框架。从PCB生产流水线上获取图像，传送到云端检测装置在线实时检测，在图像层面上标识出疑似缺陷并对其进行分类预测。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，避免有缺陷的PCB板送入后续的装配阶段，造成电路板的生产废品和使用中潜在的问题。相比于传统检测方法，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 (9)
1.一种基于深度学习的二维PCB缺陷实时自动检测与分类装置，其特征在于，包括：
图像采集模块，包含标准板图像采集和待测板图像采集两类模块，用于从PCB生产流水线上获取包含背景的PCB图像，并发送到服务器端；
PCB定位模块，由灰度化及缩放、粗定位及提取、倾角和位移预估计及矫正、倾角和方位参数确定、PCB区域提取、PCB图像定位子模块组成，所述PCB定位模块与所述图像采集模块连接，用于从包含背景的PCB图像中提取PCB板区域，并进行平移、旋转和仿射变换；
图像预处理模块，由图像去噪、亮度和对比度增强、边缘增强、预处理后标准和待测PCB图像子模块组成，所述图像预处理模块与所述PCB定位模块连接，用于对提取完毕后的PCB图像进行画质预处理，将预处理后的PCB图像传输到图像校准模块；
图像校准模块，由标准PCB图像和待测PCB图像的颜色校正、全局配准、局部配准、灰度值比对子模块组成，所述图像校准模块与所述图像预处理模块连接，用于对待检测板的图像与标准板进行匹配和校准，校准完毕后将标准板与待测板图像进行图片灰度值比对，得到残差图像，将标准板图像、待测板图像、残差图像一起传输到图像采样模块；
功能区标注模块，所述功能区标注模块与所述图像预处理模块连接，用于在录入PCB标准板数据时，标记PCB的功能区与非功能区；
图像采样模块，由图像分割、非均匀采样、模块数据序列化子模块组成，所述图像采样模块分别与所述图像校准模块和所述功能区标注模块连接，用于对PCB图像进行采样得到多个图像块数据；
序列化数据模块，所述序列化数据模块与所述图像采样模块连接，将标准板和待测板图像的图像块数据进行汇总形成序列化数据对；
PCB缺陷库模块，所述PCB缺陷库模块用于收集PCB缺陷，标记存在的PCB缺陷以及缺陷区域，并进行分类与分级标记；
CNN缺陷训练模块，所述CNN缺陷训练模块与所述PCB缺陷库模块连接，用于对PCB缺陷库中各类PCB缺陷和各级PCB缺陷，采用CNN算法作特征训练，分别提取PCB缺陷类别特征和缺陷级别特征；
CNN缺陷点检测模块，由数据对滤波、提取图像对、PCB残差CNN缺陷检测子模块组成，其中PCB残差CNN缺陷检测子模块由卷积神经网络组成，所述CNN缺陷点检测模块与所述序列化数据模块和所述CNN缺陷训练模块连接，用于采用CNN算法，对所述序列化数据对进行检测，得到PCB疑似缺陷点，标记检测PCB的缺陷和缺陷位置；
CNN缺陷点分类模块，所述CNN缺陷点分类模块与所述CNN缺陷点检测模块和所述CNN缺陷训练模块连接，用于利用CNN算法对标记的缺陷图像块进行细分类，得到每个缺陷的类别或类别的概率数据；
CNN缺陷点过滤模块，由区域打标、功能区过滤、CNN类别过滤、CNN分级过滤子模块组成，所述CNN缺陷点过滤模块与所述CNN缺陷点分类模块、所述功能区标注模块和所述CNN缺陷训练模块连接，用于利用卷积神经网络对标记的缺陷图像块进行分类、分级过滤，根据所述功能区标注模块标注的功能区分布、缺陷是否处于背景、缺陷是否属于可忽略缺陷类型以及缺陷的严重程度进行过滤；
统计与显示模块，所述统计与显示模块与所述CNN缺陷点过滤模块连接，用于统计、记录、显示生产过程中所有被检测到的缺陷，在修复PCB过程中辅助工人确认缺陷位置，同时随时反馈生产线的生产质量状况。
2.根据权利要求1所述的基于深度学习的二维PCB缺陷实时自动检测与分类装置，其特征在于，所述图像预处理模块具体用于，对图像进行去噪、对比度增强、锐化边缘和提亮。
3.根据权利要求1所述的基于深度学习的二维PCB缺陷实时自动检测与分类装置，其特征在于，所述图像校准模块具体用于，
将待检测板的图像与标准板在空间和颜色上匹配，其中包含颜色校正、全局配准和局部配准操作，颜色校正可以抵消拍摄光线变化产生的影响，全局配准则是将待检测板与标准板在空间上整体对齐，局部配准操作则是将待检测板与标准板在局部区域内对齐，校准完毕后将标准板与待测板图像比对，并将标准板图像、待测板图像、残差图像一起传输到所述图像采样模块。
4.根据权利要求1所述的基于深度学习的二维PCB缺陷实时自动检测与分类装置，其特征在于，所述图像采样模块具体用于，
根据预设规则对所有位置进行密集采样，采样得到的是标准板和待测板图像大小相等的一系列图像块数据，将标准板和待测板图像两类数据进行汇总形成所述序列化数据对，直接将所述序列数据对传输到所述CNN缺陷点检测模块。
5.根据权利要求1所述的基于深度学习的二维PCB缺陷实时自动检测与分类装置，其特征在于，所述PCB缺陷库模块具体用于收集PCB缺陷，标记存在的PCB缺陷以及缺陷区域，并进行分类与分级标记。
6.根据权利要求1所述的基于深度学习的二维PCB缺陷实时自动检测与分类装置，其特征在于，所述CNN缺陷训练模块具体用于，
对PCB缺陷库中各类PCB缺陷和各级PCB缺陷，采用CNN算法作特征训练，分别提取PCB缺陷类别特征和缺陷级别特征。
7.根据权利要求1所述的基于深度学习的二维PCB缺陷实时自动检测与分类装置，其特征在于，所述CNN缺陷点检测模块具体用于，
将有标注数据通过所述图像采样模块后得到训练用的缺陷库，从缺陷库中提取标准板-待测板图像对和相应的缺陷信息对所述CNN缺陷点检测模块、所述CNN缺陷点分类模块和所述CNN缺陷点过滤模块中不同的CNN进行训练；
所述CNN缺陷点检测模块由多个卷积神经网络组成，对所述序列数据对滤波，过滤掉标准板和待侧板图像块一致的数据对；
输入有差异的数据对，通过卷积神经网络对所述序列化数据对的特征残差检测出可能的PCB缺陷和缺陷区域；
其中，卷积神经网络包含两个图层：待检测层和标准层，检测结果用矩形框表示缺陷点，返回矩形框的左上角坐标和宽高，同时给出预测置信度值，值越高越表示缺陷的可能性高，检测完毕后将所有可能的缺陷区域和图像块传输到所述CNN缺陷点分类模块。
8.根据权利要求7所述的基于深度学习的二维PCB缺陷实时自动检测与分类装置，其特征在于，
所述待检测层分为特征提取部分和缺陷框预测部分，其中，所述特征提取部分的输入是先经过FPN提取待检测图和标准图各自的特征图，然后叠加对应大小的特征图，最后将合并特征图输入到对应的缺陷框预测部分，得到在特征图下的缺陷检测结果，将所有特征图的检测结果合并到一起生成整体检测结果。
9.根据权利要求1所述的基于深度学习的二维PCB缺陷实时自动检测与分类装置，其特征在于，所述CNN缺陷点分类模块具体用于，
所述CNN缺陷分类模块的卷积神经网络结构分为特征提取和类别预测，其中，标准图像和待检测图像的特征分开提取，再将相应特征在通道连接到一起，经过多个全连接层得到最终的分类预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010699142.7A CN112053318B (zh) | 2020-07-20 | 2020-07-20 | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010699142.7A CN112053318B (zh) | 2020-07-20 | 2020-07-20 | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112053318A true CN112053318A (zh) | 2020-12-08 |
| CN112053318B CN112053318B (zh) | 2024-01-05 |
Family
ID=73601805
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010699142.7A Active CN112053318B (zh) | 2020-07-20 | 2020-07-20 | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112053318B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113192061A (zh) * | 2021-05-25 | 2021-07-30 | 安徽睿微信息科技有限公司 | Led封装外观检测图像的提取方法、装置、电子设备和存储介质 |
| CN113592859A (zh) * | 2021-09-26 | 2021-11-02 | 中导光电设备股份有限公司 | 一种基于深度学习的用于显示面板缺陷的分类方法 |
| 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 |
| TWI758134B (zh) * | 2021-03-17 | 2022-03-11 | 英業達股份有限公司 | 依據元件識別資料使用圖形特徵二次檢測之系統及方法 |
| CN114170190A (zh) * | 2021-12-09 | 2022-03-11 | 上海阅凡自动化科技有限公司 | 一种基于像素级深度网络特征匹配的非标件缺陷检测方法 |
| CN114216915A (zh) * | 2021-12-15 | 2022-03-22 | 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 |
| WO2022241784A1 (zh) * | 2021-05-21 | 2022-11-24 | 京东方科技集团股份有限公司 | 缺陷检测方法及装置、存储介质及电子设备 |
| CN115616386A (zh) * | 2022-11-18 | 2023-01-17 | 江苏新央华智能科技有限公司 | 一种基于人工智能的飞针测试方法 |
| CN116027171A (zh) * | 2022-12-23 | 2023-04-28 | 广东祺力电子有限公司 | 一种用于实现pcba板测试的智能系统及方法 |
| CN116030016A (zh) * | 2023-01-10 | 2023-04-28 | 广州市易鸿智能装备有限公司 | 产品图像缺陷检测方法、装置、电子设备及存储介质 |
| CN116109523A (zh) * | 2023-04-11 | 2023-05-12 | 深圳奥雅设计股份有限公司 | 一种智能设计的图像缺陷点自动修复方法及系统 |
| CN116563291A (zh) * | 2023-07-11 | 2023-08-08 | 深圳市蓝眼科技有限公司 | 一种smt智能防错上料检测仪 |
| CN117325012A (zh) * | 2023-10-25 | 2024-01-02 | 江阴市精奇数控有限公司 | 磨削加工轴承裂纹缺陷管理装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20190197679A1 (en) * | 2017-12-25 | 2019-06-27 | Utechzone Co., Ltd. | Automated optical inspection method using deep learning and apparatus, computer program for performing the method, computer-readable storage medium storing the computer program,and deep learning system thereof |
| CN110636715A (zh) * | 2019-08-27 | 2019-12-31 | 杭州电子科技大学 | 一种基于自学习的自动焊接及缺陷检测方法 |
-
2020
- 2020-07-20 CN CN202010699142.7A patent/CN112053318B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| US20190197679A1 (en) * | 2017-12-25 | 2019-06-27 | Utechzone Co., Ltd. | Automated optical inspection method using deep learning and apparatus, computer program for performing the method, computer-readable storage medium storing the computer program,and deep learning system thereof |
| CN110636715A (zh) * | 2019-08-27 | 2019-12-31 | 杭州电子科技大学 | 一种基于自学习的自动焊接及缺陷检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 何伟;李薇;张玲;: "基于计算机图像处理的电路印刷板缺陷检测", 计算机测量与控制, no. 10 * |
| 冯嘉猷 等: "镍诱导纳米晶硅薄膜的生长", 江苏大学学报(自然科学版), vol. 28, no. 2 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI758134B (zh) * | 2021-03-17 | 2022-03-11 | 英業達股份有限公司 | 依據元件識別資料使用圖形特徵二次檢測之系統及方法 |
| WO2022241784A1 (zh) * | 2021-05-21 | 2022-11-24 | 京东方科技集团股份有限公司 | 缺陷检测方法及装置、存储介质及电子设备 |
| CN113192061A (zh) * | 2021-05-25 | 2021-07-30 | 安徽睿微信息科技有限公司 | Led封装外观检测图像的提取方法、装置、电子设备和存储介质 |
| CN113192061B (zh) * | 2021-05-25 | 2023-08-29 | 安徽睿微信息科技有限公司 | Led封装外观检测图像的提取方法、装置、电子设备和存储介质 |
| 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 |
| CN113592859A (zh) * | 2021-09-26 | 2021-11-02 | 中导光电设备股份有限公司 | 一种基于深度学习的用于显示面板缺陷的分类方法 |
| CN113592859B (zh) * | 2021-09-26 | 2022-01-14 | 中导光电设备股份有限公司 | 一种基于深度学习的用于显示面板缺陷的分类方法 |
| CN114170190A (zh) * | 2021-12-09 | 2022-03-11 | 上海阅凡自动化科技有限公司 | 一种基于像素级深度网络特征匹配的非标件缺陷检测方法 |
| CN114216915A (zh) * | 2021-12-15 | 2022-03-22 | 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 |
| 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 |
| CN115616386A (zh) * | 2022-11-18 | 2023-01-17 | 江苏新央华智能科技有限公司 | 一种基于人工智能的飞针测试方法 |
| CN116027171A (zh) * | 2022-12-23 | 2023-04-28 | 广东祺力电子有限公司 | 一种用于实现pcba板测试的智能系统及方法 |
| CN116027171B (zh) * | 2022-12-23 | 2023-11-14 | 广东祺力电子有限公司 | 一种用于实现pcba板测试的智能系统及方法 |
| CN116030016A (zh) * | 2023-01-10 | 2023-04-28 | 广州市易鸿智能装备有限公司 | 产品图像缺陷检测方法、装置、电子设备及存储介质 |
| CN116109523B (zh) * | 2023-04-11 | 2023-06-30 | 深圳奥雅设计股份有限公司 | 一种智能设计的图像缺陷点自动修复方法及系统 |
| CN116109523A (zh) * | 2023-04-11 | 2023-05-12 | 深圳奥雅设计股份有限公司 | 一种智能设计的图像缺陷点自动修复方法及系统 |
| CN116563291A (zh) * | 2023-07-11 | 2023-08-08 | 深圳市蓝眼科技有限公司 | 一种smt智能防错上料检测仪 |
| CN116563291B (zh) * | 2023-07-11 | 2023-09-22 | 深圳市蓝眼科技有限公司 | 一种smt智能防错上料检测仪 |
| CN117325012A (zh) * | 2023-10-25 | 2024-01-02 | 江阴市精奇数控有限公司 | 磨削加工轴承裂纹缺陷管理装置 |
| CN117325012B (zh) * | 2023-10-25 | 2024-04-12 | 江阴市精奇数控有限公司 | 磨削加工轴承裂纹缺陷管理装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112053318B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN103502801B (zh) | 缺陷分类方法以及缺陷分类系统 | |
| US7127099B2 (en) | Image searching defect detector | |
| CN109616426B (zh) | 智能型的缺陷校正系统与其实施方法 | |
| US20080281548A1 (en) | Method and System for Automatic Defect Detection of Articles in Visual Inspection Machines | |
| CN106127746A (zh) | 电路板元件漏件检测方法和系统 | |
| CN109856156A (zh) | 一种基于aoi的显示面板微小缺陷判定方法与装置 | |
| CN114549512A (zh) | 一种电路板缺陷检测方法、装置、设备及介质 | |
| CN113111903A (zh) | 智能产线监测系统及监测方法 | |
| CN116993744B (zh) | 一种基于阈值分割的焊缝缺陷检测方法 | |
| CN113850749A (zh) | 训练缺陷侦测器的方法 | |
| CN117274258B (zh) | 主板图像的缺陷检测方法、系统、设备及存储介质 | |
| CN115170497A (zh) | 一种基于ai视觉检测技术的pcba在线检测平台 | |
| CN115375610A (zh) | 检测方法及装置、检测设备和存储介质 | |
| CN113176275B (zh) | 一种用于显示面板复检的方法、装置及系统 | |
| CN117455917B (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
| CN114518526A (zh) | 一种适用于pcb板ict的自动测试机控制系统 | |
| CN117589770A (zh) | Pcb贴片板检测方法、装置、设备及介质 | |
| CN117689646A (zh) | 一种正负样本融合的高精度缺陷检测方法、系统及介质 | |
| JP4814116B2 (ja) | 実装基板外観検査方法 | |
| CN115937555A (zh) | 一种基于标准化流模型的工业缺陷检测算法 | |
| Nevliudov et al. | Automated System Development for the Printed Circuit Boards Optical Inspection Using Machine Learning Methods | |
| CN114638792A (zh) | 一种用于插件电路板电解电容极性缺陷检测的方法 | |
| CN113034496A (zh) | 一种pcb板测试系统 | |
| JP4599980B2 (ja) | 多層配線構造の不良解析方法および不良解析装置 |
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 |