CN112347950B - 基于深度学习的pcb板镭射标靶识别方法及系统 - Google Patents
基于深度学习的pcb板镭射标靶识别方法及系统 Download PDFInfo
- Publication number
- CN112347950B CN112347950B CN202011253411.3A CN202011253411A CN112347950B CN 112347950 B CN112347950 B CN 112347950B CN 202011253411 A CN202011253411 A CN 202011253411A CN 112347950 B CN112347950 B CN 112347950B
- Authority
- CN
- China
- Prior art keywords
- deep learning
- laser target
- laser
- pcb
- image
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000013461 design Methods 0.000 claims abstract description 15
- 238000010586 diagram Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 51
- 238000000605 extraction Methods 0.000 claims description 20
- 230000003287 optical effect Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 239000000463 material Substances 0.000 description 5
- 238000009417 prefabrication Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 241001292396 Cirrhitidae Species 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009713 electroplating Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000006552 photochemical reaction Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/22—Character recognition characterised by the type of writing
- G06V30/224—Character recognition characterised by the type of writing of printed characters having additional code marks or containing code marks
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K3/00—Apparatus or processes for manufacturing printed circuits
- H05K3/0073—Masks not provided for in groups H05K3/02 - H05K3/46, e.g. for photomechanical production of patterned surfaces
- H05K3/0082—Masks not provided for in groups H05K3/02 - H05K3/46, e.g. for photomechanical production of patterned surfaces characterised by the exposure method of radiation-sensitive masks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)
Abstract
本发明公开了一种基于深度学习的PCB板镭射标靶识别方法及系统，其中，基于深度学习的PCB板镭射标靶识别方法具体按照如下步骤实施：S1，预制镭射标靶图案；S2，对所述S1中的镭射标靶图案进行图像采集，得到灰度图；S3，采用深度学习对所述S1中的图案进行镭射区域的标注，并根据所述S2中的灰度图对标注的镭射区域进行预处理；S4，对预处理后的镭射区域进行精确定位；S5，根据所述S4中精确定位的结果，将镭射标靶图案转移至PCB板上。实现上述过程所需要的部件比较常见，因此容易设计；并且，采用深度学习方式进行识别，可对生产过程中识别识别情况进行学习，不断增强识别成功率；深度学习识别方式能够按照权重对识别对象进行检测，识别的阈值大。
Description
技术领域
本发明属于PCB板技术领域，具体涉及一种基于深度学习的PCB板镭射标靶识别方法及系统。
背景技术
PCB板的生产流程包括钻孔、沉铜、图形转移、图形电镀、退膜等多个工艺，其中，关键步骤“图形转移”即曝光流程，具体是：将电路图案通过紫外光精准地转移到覆在PCB表面的感光材料(干膜或者湿膜)上；感光材料发生光化学反应，内部化学结构发生变化，物性发生变化，而未照射的不发生化学反应，活性不变。利用这一特性，采用溶解或剥离方法形成导电图形。
PCB板的图形转移过程需要通过专用设备在PCB板上进行镭射曝光，曝光出指定图案以作为图案曝光位置的标记；然后曝光设备通过图形识别镭射标靶位置，从而进行下一步曝光工序。
目前，电路板的电路细度最小可达20微米以内，因此，图形转移的识别精度对于PCB板的生产质量极为重要，提高识别精度即为PCB生产的关键步骤之一。
发明内容
为了解决上述问题，本发明提供一种基于深度学习的PCB板镭射标靶识别方法，其提高了镭射标靶的识别精度。
本发明的另一目的是提供一种基于深度学习的PCB板镭射标靶识别系统。
本发明所采用的技术方案是：
一种基于深度学习的PCB板镭射标靶识别方法，具体按照如下步骤实施：
S1，预制镭射标靶图案；
S2，对所述S1中的镭射标靶图案进行图像采集，得到灰度图；
S3，采用深度学习对所述S1中的图案进行镭射区域的标注，并根据所述S2中的灰度图对标注的镭射区域进行预处理；
S4，对预处理后的镭射区域进行精确定位；
S5，根据所述S4中精确定位的结果，将镭射标靶图案转移至PCB板上。
优选地，所述S1中预制镭射标靶图案，具体为：
S11，预制光学掩膜版；
S12，激光光束通过所述S11中的光学掩膜版射在覆感光膜的PCB板的四个角上，生成镭射标靶图案。
优选地，所述S2中对所述镭射标靶图案进行图像采集，得到灰度图，具体为：
将已生成镭射标靶图案的PCB板传送至曝光设备，位于曝光设备上的工业相机通过导轨移动至镭射标靶位置进行图像采集，并将图像的位置数据及图像数据发送至曝光设备的工业计算机中；
所述工业计算机对图片进行去噪处理，去除图像中的多余噪点；将去除噪点之后的图像分解出灰度图。
优选地，所述S3中采用深度学习对所述S1中的图案进行镭射区域的标注，并根据所述S2中的灰度图对标注的镭射区域进行预处理，具体为：
S31，根据灰度图像素点的灰度值对深度学习预处理模块标注出的镭射标靶所在区域进行计算，得到数组A；
S32，生成深度学习训练所需的格式化训练数据集；
S33，根据所述S32中的格式化训练数据集对网络权重及偏差进行调整，输出可对镭射标靶定位的深度学习网络；
S34，通过所述S33中的深度学习网络对镭射标靶的坐标位置及大小参数进行检测，得到镭射标靶在图像中的区域及定位，完成预处理。
优选地，所述S4中对预处理后的镭射区域进行精确定位，具体为：
S41，以正方形截取光学掩模版设计图案，设计图案中具有纹路的部分与正方形面积比值记为r1％；
S42，以矩形截取镭射标靶图像；
S43，对镭射标靶图像所在矩阵进行轮廓提取处理，轮廓提取后对轮廓进行填充，将图像分割成镭射标靶区域area1以及非镭射标靶区域area2，area1区域面积与截取镭射标靶图像的矩阵面积之比记为r2％；
S44，轮廓提取对灰度值进行参数调节，使轮廓提取出的区域大小可根据灰度值大小动态调整，在镭射标靶区域面积达到固定大小时，即可确定轮廓提取完毕；
S45，在镭射标靶区域内获取灰度值列表，提镭射标靶区域内灰度值列表在所述数组A中灰度累加计数值的映射，记为数组A1，数组维度为n，数组A1中灰度值Gk的灰度累加计数值即为Ck，k＝0、…、n，计算加权灰度值；
S46，对镭射标靶图像进行轮廓提取，将填充图案外轮廓拟合成圆形，并提取圆心坐标；同时将内部十字轮廓拟合成两个矩形的叠加，提取两个矩形相交的中心点坐标为，所述圆心坐标与中心点坐标的平均值即为镭射标靶的坐标。
优选地，所述S5中根据所述S4中精确定位的结果，将镭射标靶图案转移至PCB板上，具体为：
将所述镭射标靶的坐标位置传送至曝光设备，曝光设备根据坐标位置，将图案转移至PCB板上。
优选地，所述S32中生成深度学习训练所需的格式化训练数据集，具体为：
向深度学习预处理模块导入在环形光源照射下拍摄的镭射标靶图像，并对图像里的镭射曝光区域进行标注，最终将标注过的图像按照矩阵形式生成深度学习训练所需的格式化训练数据集，格式化训练数据集作为深度学习训练模块的输入。
优选地，所述S33中根据所述S32中的格式化训练数据集对网络权重及偏差进行调整，输出可对镭射标靶定位的深度学习网络，具体为：
在工业计算机上安装深度学习训练模块运算环境；
导入深度学习网络初始权重；
采用梯度下降算法进行网络训练，调整梯度下降算法过程中的训练步长和速率，对损失函数进行最小化处理；
网络参数迭代，完成学习目标。
一种基于深度学习的PCB板镭射标靶识别系统，其用于实现上述的基于深度学习的PCB板镭射标靶识别方法，其包括依次连接的镭射标靶生成组件、图像采集组件、深度学习训练组件、定位组件以及曝光组件；
所述镭射标靶生成组件，用于预制镭射标靶图案；所述图像采集组件，用于对镭射标靶图案进行图像采集，得到灰度图；所述深度学习训练组件，用于根据灰度图对标注的镭射区域进行预处理；所述定位组件，用于对预处理后的镭射区域进行精确定位；所述曝光组件，用于根据定位将镭射标靶图案转移至PCB板上。
优选地，所述深度学习训练组件包括依次连接的深度学习预处理单元、深度学习训练单元以及深度学习检测单元。
与现有技术相比，本发明使用时，首先预预制镭射标靶图案；之后对所述镭射标靶图案进行图像采集，得到灰度图；然后采用深度学习对所述图案进行镭射区域的标注，并根据所述S2中的灰度图对标注的镭射区域进行预处理；再对预处理后的镭射区域进行精确定位；最后根据所述精确定位的结果，将镭射标靶图案转移至PCB板上；
实现上述过程所需要的部件比较常见，因此容易设计；并且，采用深度学习方式进行识别，可对生产过程中识别识别情况进行学习，不断增强识别成功率；深度学习识别方式能够按照权重对识别对象进行检测，识别的阈值大。
附图说明
图1是本发明实施例1提供的一种基于深度学习的PCB板镭射标靶识别方法的流程图；
图2是本发明实施例1提供的一种基于深度学习的PCB板镭射标靶识别方法中光学掩膜版的示意图；
图3是本发明实施例1提供的一种基于深度学习的PCB板镭射标靶识别方法中镭射标靶图案的示意图；
图4是本发明实施例1提供的一种基于深度学习的PCB板镭射标靶识别方法中镭射标靶图案在PCB板上的示意图；
图5是本发明实施例2提供的一种基于深度学习的PCB板镭射标靶识别系统的系统框图；
图6是本发明实施例2提供的一种基于深度学习的PCB板镭射标靶识别系统中深度学习组件的框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要明确的是，术语“垂直”、“横向”、“纵向”、“前”、“后”、“左”、“右”、“上”、“下”、“水平”等指示方位或位置关系为基于附图所示的方位或位置关系，仅仅是为了便于描述本发明，而不是意味着所指的装置或元件必须具有特有的方位或位置，因此不能理解为对本发明的限制。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
本发明实施例1提供一种基于深度学习的PCB板镭射标靶识别方法，如图1所示，具体按照如下步骤实施：
S1，预制镭射标靶图案；
S2，对所述S1中的镭射标靶图案进行图像采集，得到灰度图；
S3，采用深度学习对所述S1中的图案进行镭射区域的标注，并根据所述S2中的灰度图对标注的镭射区域进行预处理；
S4，对预处理后的镭射区域进行精确定位；
S5，根据所述S4中精确定位的结果，将镭射标靶图案转移至PCB板上。
这样，因为实现上述过程所需要的部件比较常见，因此容易设计；并且，采用深度学习方式进行识别，可对生产过程中识别识别情况进行学习，不断增强识别成功率；深度学习识别方式能够按照权重对识别对象进行检测，识别的阈值大；并且，在进行预处理之后，进一步进行精确的定位，提高了识别的精度。
在具体实施例中：
所述S1中预制镭射标靶图案，具体为：
S11，预制光学掩膜版；
S12，激光光束通过所述S11中的光学掩膜版射在覆感光膜的PCB板的四个角上，生成镭射标靶图案。
更具体地，所述S11中预制光学掩膜版，具体为：
使用透明基材预制光学掩膜版，如图2所示；
上述透明基材可以为透明玻璃或透明树脂等材料；
所述S12中，激光光束通过所述S11中的光学掩膜版射在覆感光膜的PCB板的四个角上，生成镭射标靶图案，具体为：
将光学掩膜版安装在激光头光路出口处，激光头安装在镭射标靶预制模块上，镭射标靶预制模块通过生产线与曝光设备连接，覆感光膜的PCB板在生产线上首先经过镭射标靶预制模块，然后传送至曝光设备进行曝光处理，镭射标靶预制模块激光器开启后，激光光束通过光学掩膜版射在覆感光膜的PCB板的四个角上，生成镭射标靶图案，如图3和图4所示。
在具体实施例中：
所述S2中对所述镭射标靶图案进行图像采集，得到灰度图，具体为：
将已生成镭射标靶图案的PCB板传送至曝光设备，位于曝光设备上的工业相机通过导轨移动至镭射标靶位置进行图像采集，并将图像的位置数据及图像数据发送至曝光设备的工业计算机中；
所述工业计算机对图片进行去噪处理，去除图像中的多余噪点；将去除噪点之后的图像分解出灰度图。
其中，灰度图形的保存方式可以减少大量的计算过程，提高预处理的速度。
在具体实施例中：
所述S3中采用深度学习对所述S1中的图案进行镭射区域的标注，并根据所述S2中的灰度图对标注的镭射区域进行预处理，具体为：
S31，根据灰度图像素点的灰度值对深度学习预处理模块标注出的镭射标靶所在区域进行计算，得到数组A；
S32，生成深度学习训练所需的格式化训练数据集；
S33，根据所述S32中的格式化训练数据集对网络权重及偏差进行调整，输出可对镭射标靶定位的深度学习网络；
S34，通过所述S33中的深度学习网络对镭射标靶的坐标位置及大小参数进行检测，得到镭射标靶在图像中的区域及定位，完成预处理。
更具体地，
在所述S31中，将像素点灰度值记为Gn，n＝0、…、255；对镭射区域内每个灰度值的像素点总数进行累加计数，累计数记为Cn，n＝0、…、255；将Cn保存为数组A。
在所述S32中，向深度学习预处理模块导入在环形光源照射下拍摄的镭射标靶图像，并对图像里的镭射曝光区域进行标注，最终将标注过的图像按照矩阵形式生成深度学习训练所需的格式化训练数据集，格式化训练数据集作为深度学习训练模块的输入；
所述深度学习预处理模块工作流程为：
收集在不同条件下测试的已知镭射标靶图像，选取300-1000张图片，其中80％图片作为训练用途，20％图片作为校验用途。
在所述S33中，首先在工业计算机上安装深度学习训练模块运算环境；之后导入深度学习网络初始权重；然后采用梯度下降算法进行网络训练，调整梯度下降算法过程中的训练步长和速率，对损失函数进行最小化处理；最后网络参数迭代，完成学习目标。
在所述S34中，深度学习检测模块通过使用深度学习训练模块训练完毕的深度学习网络对镭射标靶的坐标位置及大小参数进行检测，镭射标靶的坐标位置记为bx、by；镭射标靶的长宽参数记为bh、bw，通过bx、by、bh、bw四个参数可得到镭射标靶在图像中的区域及定位。
在具体实施例中：
所述S4中对预处理后的镭射区域进行精确定位，具体为：
S41，以正方形截取光学掩模版设计图案，设计图案中具有纹路的部分与正方形面积比值记为r1％；
S42，以矩形截取镭射标靶图像；
S43，对镭射标靶图像所在矩阵进行轮廓提取处理，轮廓提取后对轮廓进行填充，将图像分割成镭射标靶区域area1以及非镭射标靶区域area2，area1区域面积与截取镭射标靶图像的矩阵面积之比记为r2％；
S44，轮廓提取对灰度值进行参数调节，使轮廓提取出的区域大小可根据灰度值大小动态调整，在镭射标靶区域面积达到固定大小时，即可确定轮廓提取完毕；
S45，在镭射标靶区域内获取灰度值列表，提镭射标靶区域内灰度值列表在所述数组A中灰度累加计数值的映射，记为数组A1，数组维度为n，数组A1中灰度值Gk的灰度累加计数值即为Ck，k＝0、…、n，计算加权灰度值；
S46，对镭射标靶图像进行轮廓提取，将填充图案外轮廓拟合成圆形，并提取圆心坐标；同时将内部十字轮廓拟合成两个矩形的叠加，提取两个矩形相交的中心点坐标为，所述圆心坐标与中心点坐标的平均值即为镭射标靶的坐标。
在具体实施时，所述S4对预处理后的镭射区域进行精确定位，具体按照如下方式实现：
(1)以正方形截取光学掩模版设计图案，设计图案中具有纹路的部分与正方形面积比值记为r1％；
(2)以矩形截取镭射标靶图像，矩形的长宽记为bh、bw；
(3)使用位置定位模块对镭射标靶图像所在矩阵进行轮廓提取处理，轮廓提取可使用OpenCV或者halcon等图像处理软件库进行，轮廓提取后对轮廓进行填充，将图像分割成镭射标靶区域area1以及非镭射标靶区域area2，将area1区域面积与截取镭射标靶图像的矩阵面积(bh*bw)之比记为r2％；
(4)轮廓提取对灰度值进行参数调节，使轮廓提取出的区域大小能够根据灰度值大小动态调整，在area1区域面积达到一定大小时(例如：r1/r2＝90％)，即可确定轮廓提取完毕；
(4)在镭射标靶区域area1内获取灰度值列表，提取area1内灰度值列表在数组A中灰度累加计数值的映射，记为数组A1，数组维度为n，数组A1中灰度值Gk的灰度累加计数值即为Ck，k＝0、…、n。可计算加权灰度值，如下公式：
(5)采用Ga作为灰度值参数，对镭射标靶图像进行轮廓提取。将填充图案外轮廓拟合成圆形，并提取圆心坐标(Xc，Yc)；同时将内部十字轮廓拟合成两个矩形的叠加，两个矩形相交的中心点坐标为(Xr，Yr)，(此步骤可使用OpenCV或者halcon等图像处理软件库进行提取及拟合)，取图案坐标为圆心坐标与十字中心点坐标的平均值(X，Y)，如下公式：
在具体实施例中：
所述S5中根据所述S4中精确定位的结果，将镭射标靶图案转移至PCB板上，具体为：
将所述镭射标靶的坐标位置传送至曝光设备，曝光设备根据坐标位置，将图案转移至PCB板上。
本实施例具有如下有益效果：
易于设计及搭建，具体为：
采用部件较为常见，易于设计人员设计。
图像识别成功率高，具体为：
采用深度学习方式进行识别，可对生产过程中识别识别情况进行学习，不断增强识别成功率；深度学习识别方式能够按照权重对识别对象进行检测，识别的阈值大，鲁棒性强；设计的光学掩模版能够与其他定位孔相区分，提高识别成功率。
图像识别精度高，具体为：
设计算法在深度学习的基础上进行定位修正，能够提高识别精度。
可适用范围广，具体为：
此方法适合各种光学掩模版的设计，深度学习的网络结构不需要调整。
实施例2
本发明实施例2提供一种基于深度学习的PCB板镭射标靶识别系统，其用于实现实施例1所述的基于深度学习的PCB板镭射标靶识别方法，其包括依次连接的镭射标靶生成组件1、图像采集组件2、深度学习训练组件3、定位组件4以及曝光组件5；
所述镭射标靶生成组件1，用于预制镭射标靶图案；所述图像采集组件2，用于对镭射标靶图案进行图像采集，得到灰度图；所述深度学习训练组件3，用于根据灰度图对标注的镭射区域进行预处理；所述定位组件4，用于对预处理后的镭射区域进行精确定位；所述曝光组件5，用于根据定位将镭射标靶图案转移至PCB板上；
这样，采用上述结构，通过镭射标靶生成组件1预制镭射标靶图案；之后通过图像采集组件2对镭射标靶图案进行图像采集，得到灰度图；然后通过深度学习训练组件3对所述图案进行镭射区域的标注，并根据灰度图对标注的镭射区域进行预处理，之后通过定位组件4对预处理后的镭射区域进行精确定位；最后通过曝光组件5根据定位将镭射标靶图案转移至PCB板上。
在具体实施例中：
所述深度学习训练组件3包括依次连接的深度学习预处理单元31、深度学习训练单元32以及深度学习检测单元33。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种基于深度学习的PCB板镭射标靶识别方法，其特征在于，具体按照如下步骤实施：
S1，预制镭射标靶图案；
S2，对所述S1中的镭射标靶图案进行图像采集，得到灰度图；
S3，采用深度学习对所述S1中的图案进行镭射区域的标注，并根据所述S2中的灰度图对标注的镭射区域进行预处理；
所述S3中采用深度学习对所述S1中的图案进行镭射区域的标注，并根据所述S2中的灰度图对标注的镭射区域进行预处理，具体为：
S31，根据灰度图像素点的灰度值对深度学习预处理模块标注出的镭射标靶所在区域进行计算，得到数组A；
S32，生成深度学习训练所需的格式化训练数据集；
S33，根据所述S32中的格式化训练数据集对网络权重及偏差进行调整，输出可对镭射标靶定位的深度学习网络；
S34，通过所述S33中的深度学习网络对镭射标靶的坐标位置及大小参数进行检测，得到镭射标靶在图像中的区域及定位，完成预处理；
S4，对预处理后的镭射区域进行精确定位；
S5，根据所述S4中精确定位的结果，将镭射标靶图案转移至PCB板上。
2.根据权利要求1所述的一种基于深度学习的PCB板镭射标靶识别方法，其特征在于，所述S1中预制镭射标靶图案，具体为：
S11，预制光学掩膜版；
S12，激光光束通过所述S11中的光学掩膜版射在覆感光膜的PCB板的四个角上，生成镭射标靶图案。
3.根据权利要求2所述的一种基于深度学习的PCB板镭射标靶识别方法，其特征在于，所述S2中对所述镭射标靶图案进行图像采集，得到灰度图，具体为：
将已生成镭射标靶图案的PCB板传送至曝光设备，位于曝光设备上的工业相机通过导轨移动至镭射标靶位置进行图像采集，并将图像的位置数据及图像数据发送至曝光设备的工业计算机中；
所述工业计算机对图片进行去噪处理，去除图像中的多余噪点；将去除
噪点之后的图像分解出灰度图。
4.根据权利要求1所述的一种基于深度学习的PCB板镭射标靶识别方法，其特征在于，所述S4中对预处理后的镭射区域进行精确定位，具体为：
S41，以正方形截取光学掩模版设计图案，设计图案中具有纹路的部分与正方形面积比值记为r1％；
S42，以矩形截取镭射标靶图像；
S43，对镭射标靶图像所在矩阵进行轮廓提取处理，轮廓提取后对轮廓进行填充，将图像分割成镭射标靶区域area1以及非镭射标靶区域area2，area1区域面积与截取镭射标靶图像的矩阵面积之比记为r2％；
S44，轮廓提取对灰度值进行参数调节，使轮廓提取出的区域大小可根据灰度值大小动态调整，在镭射标靶区域面积达到固定大小时，即可确定轮廓提取完毕；
S45，在镭射标靶区域内获取灰度值列表，提镭射标靶区域内灰度值列表在所述数组A中灰度累加计数值的映射，记为数组A1，数组维度为n，数组A1中灰度值Gk的灰度累加计数值即为Ck，k＝0、…、n，计算加权灰度值；
S46，对镭射标靶图像进行轮廓提取，将填充图案外轮廓拟合成圆形，并提取圆心坐标；同时将内部十字轮廓拟合成两个矩形的叠加，提取两个矩形相交的中心点坐标为，所述圆心坐标与中心点坐标的平均值即为镭射标靶的坐标。
5.根据权利要求4所述的一种基于深度学习的PCB板镭射标靶识别方法，其特征在于，所述S5中根据所述S4中精确定位的结果，将镭射标靶图案转移至PCB板上，具体为：
将所述镭射标靶的坐标位置传送至曝光设备，曝光设备根据坐标位置，将图案转移至PCB板上。
6.根据权利要求1所述的一种基于深度学习的PCB板镭射标靶识别方法，其特征在于，所述S32中生成深度学习训练所需的格式化训练数据集，具体为：
向深度学习预处理模块导入在环形光源照射下拍摄的镭射标靶图像，并对图像里的镭射曝光区域进行标注，最终将标注过的图像按照矩阵形式生成深度学习训练所需的格式化训练数据集，格式化训练数据集作为深度学习训练模块的输入。
7.根据权利要求6所述的一种基于深度学习的PCB板镭射标靶识别方法，其特征在于，所述S33中根据所述S32中的格式化训练数据集对网络权重及偏差进行调整，输出可对镭射标靶定位的深度学习网络，具体为：
在工业计算机上安装深度学习训练模块运算环境；
导入深度学习网络初始权重；
采用梯度下降算法进行网络训练，调整梯度下降算法过程中的训练步长和速率，对损失函数进行最小化处理；
网络参数迭代，完成学习目标。
8.一种基于深度学习的PCB板镭射标靶识别系统，其特征在于，其用于实现权利要求1-7任一项所述的基于深度学习的PCB板镭射标靶识别方法，其包括依次连接的镭射标靶生成组件(1)、图像采集组件(2)、深度学习训练组件(3)、定位组件(4)以及曝光组件(5)；
所述镭射标靶生成组件(1)，用于预制镭射标靶图案；所述图像采集组件(2)，用于对镭射标靶图案进行图像采集，得到灰度图；所述深度学习训练组件(3)，用于根据灰度图对标注的镭射区域进行预处理；所述定位组件(4)，用于对预处理后的镭射区域进行精确定位；所述曝光组件(5)，用于根据定位将镭射标靶图案转移至PCB板上。
9.根据权利要求8所述的一种基于深度学习的PCB板镭射标靶识别系统，其特征在于，所述深度学习训练组件(3)包括依次连接的深度学习预处理单元(31)、深度学习训练单元(32)以及深度学习检测单元(33)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011253411.3A CN112347950B (zh) | 2020-11-11 | 2020-11-11 | 基于深度学习的pcb板镭射标靶识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011253411.3A CN112347950B (zh) | 2020-11-11 | 2020-11-11 | 基于深度学习的pcb板镭射标靶识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112347950A CN112347950A (zh) | 2021-02-09 |
| CN112347950B true CN112347950B (zh) | 2024-04-05 |
Family
ID=74363324
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011253411.3A Active CN112347950B (zh) | 2020-11-11 | 2020-11-11 | 基于深度学习的pcb板镭射标靶识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112347950B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108830838A (zh) * | 2018-05-28 | 2018-11-16 | 江苏大学 | 一种亚像素级的pcb板残缺基准点检测方法 |
| CN108875740A (zh) * | 2018-06-15 | 2018-11-23 | 浙江大学 | 一种应用于激光切割机的机器视觉切割方法 |
| 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 |
| CN110766170A (zh) * | 2019-09-05 | 2020-02-07 | 国网江苏省电力有限公司 | 基于图像处理的多传感器融合和人员定位的方法 |
| CN110769603A (zh) * | 2019-10-15 | 2020-02-07 | 广州美维电子有限公司 | 一种基于八点对位的多层pcb图形曝光对位方法及装置 |
| WO2020173036A1 (zh) * | 2019-02-26 | 2020-09-03 | 博众精工科技股份有限公司 | 基于深度学习的定位方法和系统 |
| CN111862025A (zh) * | 2020-07-14 | 2020-10-30 | 中国船舶重工集团公司第七一六研究所 | 基于深度学习的pcb缺陷自动检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6804388B2 (en) * | 2001-03-14 | 2004-10-12 | Maniabarco, Inc. | Method and apparatus of registering a printed circuit board |
| JP7023613B2 (ja) * | 2017-05-11 | 2022-02-22 | キヤノン株式会社 | 画像認識装置および学習装置 |
-
2020
- 2020-11-11 CN CN202011253411.3A patent/CN112347950B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108830838A (zh) * | 2018-05-28 | 2018-11-16 | 江苏大学 | 一种亚像素级的pcb板残缺基准点检测方法 |
| CN108875740A (zh) * | 2018-06-15 | 2018-11-23 | 浙江大学 | 一种应用于激光切割机的机器视觉切割方法 |
| WO2020173036A1 (zh) * | 2019-02-26 | 2020-09-03 | 博众精工科技股份有限公司 | 基于深度学习的定位方法和系统 |
| 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 |
| CN110766170A (zh) * | 2019-09-05 | 2020-02-07 | 国网江苏省电力有限公司 | 基于图像处理的多传感器融合和人员定位的方法 |
| CN110769603A (zh) * | 2019-10-15 | 2020-02-07 | 广州美维电子有限公司 | 一种基于八点对位的多层pcb图形曝光对位方法及装置 |
| CN111862025A (zh) * | 2020-07-14 | 2020-10-30 | 中国船舶重工集团公司第七一六研究所 | 基于深度学习的pcb缺陷自动检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 一种摄像模组位姿精确测量的方法;刘祚时;韩鑫;陈三风;胡涛;;现代电子技术(第07期);全文 * |
| 基于模板匹配和深度学习的反光弧面缺陷检测;高鑫;刘银华;许玉蕊;;传感器与微系统(第10期);全文 * |
| 基于直方图数据拟合的PCB板嵌孔识别研究;杨飞平;徐雷;贺云翔;李大双;;机械(第07期);全文 * |
| 激光打孔标靶识别算法研究;闫艳霞;崔建华;;激光杂志(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112347950A (zh) | 2021-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102673106B (zh) | 一种用于光伏太阳能硅片的丝网印刷定位设备及定位方法 | |
| US6165658A (en) | Nonlinear image distortion correction in printed circuit board manufacturing | |
| US20030190071A1 (en) | Multi-layer printed circuit board fabrication system and method | |
| CN106647180B (zh) | 直写曝光机中基于标定板的误差校正和补偿方法 | |
| US6493064B2 (en) | Method and apparatus for registration control in production by imaging | |
| WO1994008443A1 (en) | Method and apparatus for fabricating printed circuit boards | |
| KR20210018181A (ko) | 치수 계측 장치, 치수 계측 방법 및 반도체 제조 시스템 | |
| CN113838144B (zh) | 一种基于机器视觉和深度学习的uv打印机上物件定位方法 | |
| US7058474B2 (en) | Multi-layer printed circuit board fabrication system and method | |
| WO2000054005A1 (en) | Improved registration of sheet materials using statistical targets and method | |
| CN112347950B (zh) | 基于深度学习的pcb板镭射标靶识别方法及系统 | |
| US7062354B2 (en) | Multi-layer printed circuit board fabrication system and method | |
| WO2017146300A1 (ko) | 마킹 위치 보정장치 및 방법 | |
| CN106896653A (zh) | 一种应用于直写曝光机制作内层无孔对位板的方法 | |
| CN112484636B (zh) | 基于神经网络的pcb板激光标靶定位方法及定位系统 | |
| CN114137799B (zh) | 一种激光直接成像设备内层靶标标定方法 | |
| EP1252554A1 (en) | Nonlinear image distortion correction in printed circuit board manufacturing | |
| CN112764316A (zh) | 步进曝光机的控制设备与控制方法 | |
| CN100552544C (zh) | 曝光装置和定位方法 | |
| CN114148103B (zh) | 一种基于神经网络学习的焊膏印刷标记识别方法及系统 | |
| CN113674207B (zh) | 一种基于图卷积神经网络的pcb元器件自动定位方法 | |
| CN213342851U (zh) | 一种基于神经网络的pcb板激光标靶定位系统 | |
| CN106373161B (zh) | 一种基于sift特征点的定位方法 | |
| CN117372434B (zh) | 一种用于pcb板生产用的定位系统及方法 | |
| CN209215256U (zh) | 一种适用于人工智能检测pcb的自动光学检测装置 |
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 |