CN112816484A - 用于pcb电路板的检测系统 - Google Patents

用于pcb电路板的检测系统 Download PDF

Info

Publication number
CN112816484A
CN112816484A CN202011605835.1A CN202011605835A CN112816484A CN 112816484 A CN112816484 A CN 112816484A CN 202011605835 A CN202011605835 A CN 202011605835A CN 112816484 A CN112816484 A CN 112816484A
Authority
CN
China
Prior art keywords
pcb
image
gas
defect
component
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011605835.1A
Other languages
English (en)
Inventor
马红阁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Kaige Electronics Co ltd
Original Assignee
Chongqing Kaige Electronics Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Kaige Electronics Co ltd filed Critical Chongqing Kaige Electronics Co ltd
Priority to CN202011605835.1A priority Critical patent/CN112816484A/zh
Publication of CN112816484A publication Critical patent/CN112816484A/zh
Pending legal-status Critical Current

Links

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
    • G01N21/8851—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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B08—CLEANING
    • B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
    • B08B5/00—Cleaning by methods involving the use of air flow or gas flow
    • B08B5/02—Cleaning by the force of jets, e.g. blowing-out cavities
    • 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
    • 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
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30141—Printed circuit board [PCB]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及电路板检测技术领域，具体涉及一种用于PCB电路板的检测系统，包括：清洁单元，清洁单元包括吹气部件、气体部件和电磁阀；吹气部件设有出气口，气体部件与吹气部件连接；电磁阀位于气体部件与吹气部件之间；准备单元，用于获取清洁后的待检测的PCB电路板的表面图像，并采用滤波算法对采集的表面图像进行预处理；建模单元，用于训练基于Tensorflow改进的FasterR‑CNN目标检测模型，得到PCB电路板表面缺陷的缺陷检测模型；检测单元，将预处理后的表面图像作为输入图像输入到缺陷检测模型，得到检测后的输出图像；输出单元，用于显示输出图像。本发明解决了现有技术由于PCB电路板上积累的灰尘，不能够实现对PCB电路板的准确检测的技术问题。

Description

用于PCB电路板的检测系统
技术领域
本发明涉及电路板检测技术领域，具体涉及一种用于PCB电路板的检测系统。
背景技术
目前，为了对PCB电路板的表面质量进行精确地检测，自动光学检测技术得到了大规模的使用。也即，通过光学手段获取被测PCB电路板的照明图像，反射量多的部分为亮(代表PCB电路板的铜面)，反射量少为暗(代表PCB电路板的基材)，然后将数字化的照明图像与预设标准进行比较、分析和判断，以检测出PCB电路板表面存在的残铜、短路、开路等不良现象。虽然，自动光学检测技术具有速度快、可适应大规模生产要求、操作简便。但是，也存在某些缺点，比如说，表面氧化后无法分辨出是PCB电路板的表面氧化的部分还是真正缺陷。
对此，文件CN111768363A公开了一种基于深度学习的电路板表面缺陷检测方法及检测系统，其中检测方法包括如下步骤：获取电路板表面缺陷的检测模型；获取待检测电路板表面图像；对表面图像进行裁剪、归一化预处理；将预处理后的表面图像作为检测模型的输入图像，检测模型对输入图像进行检测并将检测后的图像调整为原电路板大小尺寸的输出图像，同时输出缺陷位置在输出图像的坐标信息、缺陷类型、缺陷数量；控制机械手标记缺陷位置。通过这样的方式，能够有效提高多品种电路板表面缺陷检测效率。
在对PCB电路板进行检测的实际环境中，很少能够达到绝对的无尘的状态，加上PCB电路板本身具有静电吸引的作用，会使得PCB电路板上积累灰尘、粉尘、脏污或者尘埃。即使是少量的灰尘堆积在PCB电路板的表面，可能会遮挡PCB电路板表面的缺陷，当对PCB电路板的表面进行图像采集时，采集到的图像中不能显示出PCB电路板上的缺陷；与此同时，灰尘的存在，也可能被误测为缺陷，比如说灰尘形成黑色的小斑点。也就是说，现有技术由于PCB电路板上积累的灰尘，不能够实现对PCB电路板的准确检测。
发明内容
本发明提供一种用于PCB电路板的检测系统，解决了现有技术由于PCB电路板上积累的灰尘，不能够实现对PCB电路板的准确检测的技术问题。
本发明提供的基础方案为：用于PCB电路板的检测系统，包括：
清洁单元，清洁单元包括吹气部件、气体部件和电磁阀；吹气部件设有出气口，出气口朝向待检测的PCB电路板的表面；气体部件与吹气部件连接，为吹气部件提供压缩气体；电磁阀位于气体部件与吹气部件之间，在电磁阀处于接通状态时，开启除污；在电磁阀处于断开状态时，停止除污；
准备单元，用于获取清洁后的待检测的PCB电路板的表面图像，并采用滤波算法对采集的表面图像进行预处理，得到预处理后的表面图像；
建模单元，用于获取标准的PCB电路板表面缺陷的原始图像，对原始图像进行标注并建立PCB电路板的表面缺陷图像集；在表面缺陷图像集，训练基于Tensorflow改进的FasterR-CNN目标检测模型，得到PCB电路板表面缺陷的缺陷检测模型；
检测单元，将预处理后的表面图像作为输入图像输入到缺陷检测模型，得到检测后的输出图像，输出图像中包括缺陷类型、缺陷数量以及缺陷位置的信息；
输出单元，用于显示输出图像。
本发明的工作原理及优点在于：在对PCB电路的表面进行检测之前，先通过吹风的方式对PCB电路板进行清洁，清理掉PCB电路板上积累的灰尘，确保能够准确地采集到PCB电路板真实的表面图像。待PCB电路板的表面上的灰尘被清理干净后，采集PCB电路板的表面图像，并进行预处理，提高表面图像的质量。接着，在电路板缺陷图像数据集的基础上，训练基于Tensorflow改进后的FasterR-CNN目标检测模型，这样得到的缺陷检测模型，能够适用于检测类型的缺陷，从而具有较强的可拓展性。同时，检测后的输出图像中包括缺陷类型、缺陷数量以及缺陷位置的信息，能够简单、清楚、明了地显示PCB电路板的检测结果。通过这样的方式，对PCB电路板进行吹风清洁，然后进行缺陷检测，能够得到准确的检测结果。
本发明在对PCB电路的表面进行检测之前，先通过吹风的方式对PCB电路板进行清洁，清理掉PCB电路板上积累的灰尘，解决了现有技术由于PCB电路板上积累的灰尘，不能够实现对PCB电路板的准确检测的技术问题。
进一步，清洁单元还包括控制器，用于按照预设的时间区间，在时间区间届满时，使电磁阀从接通状态切换到断开状态。
有益效果在于：在灰尘较多时，可设置较长的时间区间；在灰尘较少时，可设置较短的时间区间；通过这样的方式，有利于灵活控制PCB电路板的除尘时间，既不影响除尘的效果，又提高除尘效率。
进一步，清洁单元还包括：图像采集部件，用于在预设的时间区间届满时，采集待检测的PCB电路板的表面的图像；控制部件，用于根据采集的图像，判断PCB电路板表面的脏污程度是否超过预设阈值，并在脏污程度超过预设阈值时，使电磁阀从断开状态切换至接通状态。
有益效果在于：由于预设的间隔时间通常是根据以往经验和脏污程度人为进行设定的，难以保证在预设的时间段内刚好将PCB电路板的表面灰尘清理干净；通过这样的方式，在经过一段间隔时间后进行检查，并在脏污程度不符合要求时进行再次清洁，能够确保PCB电路板的清洁效果达到预期的效果。
进一步，清洁单元还包括：过滤器，用于除去气体中的杂质；干燥器，用于除去气体中的水蒸气和/或水分；过滤器和干燥器位于气体部件与吹气部件之间。
有益效果在于：通过这样的方式，可以避免气体中携带的杂质对PCB电路板的表面进行冲击，从而造成表面划伤；也可以防止气体中的水蒸气和/或水分附着在PCB电路板的表面上造成腐蚀以及采集的图片不清晰。
进一步，清洁单元还包括单向阀，用于控制气体单向流动，单向阀位于气体部件与吹气部件之间。
有益效果在于：随着气体部件中气体的减少，其内部压强也会降低；通过这样的方式，仅允许气体从气体部件向吹气部件单向流动，可以防止气体从吹气部件向气体部件倒流。
进一步，清洁单元还包括：压力检测器，用于检测气体部件内的压力；溢流阀，用于通过调节溢流压力调节气体部件内的压力。
有益效果在于：通过这样的方式，检测气体部件内的压力，同时调节溢流阀的溢流压力，可以根据脏污程度调整压力，既保证有足够的气压对PCB电路板的表面的灰尘进行清洁，又可防止气压过大对PCB电路板的表面造成损伤。
进一步，清洁单元还包括驱动部件，用于驱动吹气部件沿着PCB电路板长度方向进行平移运动。
有益效果在于：通过这样的方式，可以适应PCB电路板的位置改变，也可以对不同位置处放入PCB电路板进行清洁。
进一步，准备单元还用于对清洁后的待检测的PCB电路板的表面图像进行裁剪和归一化处理。
有益效果在于：在采集待检测的PCB电路板的表面图像时，可能会采集到PCB电路板旁边物体，将其进行裁剪掉，有利于缩小检测范围，避免不必要的干扰；通过系列变换进行图像归一化，有利于将待检测的PCB电路板的表面图像转换成相应的唯一标准形式。
附图说明
图1为本发明用于PCB电路板的检测系统实施例的系统结构框图。
具体实施方式
下面通过具体实施方式进一步详细的说明：
实施例1
本发明用于PCB电路板的检测系统实施例基本如附图1所示，包括：
清洁单元，清洁单元包括吹气部件、气体部件和电磁阀；吹气部件设有出气口，出气口朝向待检测的PCB电路板的表面；气体部件与吹气部件连接，为吹气部件提供压缩气体；电磁阀位于气体部件与吹气部件之间，在电磁阀处于接通状态时，开启除污；在电磁阀处于断开状态时，停止除污；
准备单元，用于获取清洁后的待检测的PCB电路板的表面图像，并采用滤波算法对采集的表面图像进行预处理，得到预处理后的表面图像；
建模单元，用于获取标准的PCB电路板表面缺陷的原始图像，对原始图像进行标注并建立PCB电路板的表面缺陷图像集；在表面缺陷图像集，训练基于Tensorflow改进的FasterR-CNN目标检测模型，得到PCB电路板表面缺陷的缺陷检测模型；
检测单元，将预处理后的表面图像作为输入图像输入到缺陷检测模型，得到检测后的输出图像，输出图像中包括缺陷类型、缺陷数量以及缺陷位置的信息；
输出单元，用于显示输出图像。
在本实施例中，清洁单元包括吹气部件、气体部件、电磁阀、控制器、图像采集部件和控制部件。吹气部件设有出气口，比如，类似于电吹风的结构，出气口朝向待检测的PCB电路板的表面，呈一定的倾斜角度。气体部件与吹气部件通过管道连接，为吹气部件提供压缩气体，气体部件采用高压气罐。电磁阀位于气体部件与吹气部件之间，安装在管道上；在电磁阀处于接通状态时，开启除污；在电磁阀处于断开状态时，停止除污。控制器采用时间继电器或PLC控制器，被配置为按照预设的时间区间使电磁阀从接通状态切换到断开状态。图像获取部件为摄像头，采集待清洁的PCB电路板的表面的图像；控制部件为单片机，按照图像算法判断待清洁的PCB电路板的表面的脏污程度，比如说根据颜色、纹理特征、以及灰度进行判断，并在脏污程度超过阈值时使电磁阀从断开状态切换至接通状态。
准备单元、建模单元、检测单元集成在服务器上，通过软件/程序/代码实现其功能，输出单元为显示屏。
具体实施过程如下：
S1、对待检测的PCB电路板的表面进行清洁。
首先，将待检测的PCB电路板放置在吹气部件的出气口的下方，在控制器上设置时间区间，比如说5分钟；然后，开启电磁阀，使得在电磁阀处于接通状态，气体部件内的高压气体从吹气部件的出气口快速流出，开始对待检测的PCB电路板的表面进行清洁。当5分钟时间区间届满后，电磁阀断开，停止对待检测的PCB电路板的表面进行清洁。
接着，摄像头采集清洁后的待检测的PCB电路板的表面的图像，并将采集的表面的图像发送到单片机；单片机接收到表面的图像后，采用图像识别算法进行识别，并判断PCB电路板表面的脏污程度是否超过预设阈值，在脏污程度超过预设阈值时，使电磁阀从断开状态切换至接通状态，故而，再次对待检测的PCB电路板的表面清洁5分钟的时间。以此类推，直到待检测的PCB电路板的表面的脏污程度满足相关的要求为止。
S2、获取清洁后的待检测的PCB电路板的表面图像，并采用滤波算法对采集的表面图像进行预处理，得到预处理后的表面图像。
待检测的PCB电路板的表面的脏污程度满足相关的要求后，通过摄像头采集清洁后的待检测的PCB电路板的表面图像，采用高斯滤波或者中值滤波算法对表面图像进行滤波；滤波完毕后，基于Python编程算法对表面图像进行裁剪和归一化处理，从而得到预处理后的表面图像。
S3、获取标准的PCB电路板表面缺陷的原始图像，对原始图像进行标注并建立PCB电路板的表面缺陷图像集；在表面缺陷图像集，训练基于Tensorflow改进的FasterR-CNN目标检测模型，得到PCB电路板表面缺陷的缺陷检测模型。
首先，从服务器的数据库中提取出标准的PCB电路板表面缺陷的原始图像，这些原始图像包括PCB电路板上杂物、划伤、脏污、补线不良、孔损、线路缺损和补油超标等缺陷。然后，采用labelImg对提取出的原始图像进行标注，并通过标注后的原始图像建立表面缺陷图像集。最后，通过面缺陷图像集，采用神经网络深度学习算法训练基于Tensorflow改进的FasterR-CNN目标检测模型，即可得到PCB电路板表面缺陷的缺陷检测模型。
S4、将预处理后的表面图像作为输入图像输入到缺陷检测模型，得到检测后的输出图像，输出图像中包括缺陷类型、缺陷数量以及缺陷位置的信息。
得到PCB电路板表面缺陷的缺陷检测模型后，将预处理后的PCB电路板的表面图像作为输入图像输入到缺陷检测模型中进行缺陷检测，得到检测后的输出图像，并在输出图像中标注出缺陷类型、缺陷数量以及缺陷位置的信息。
S5、显示输出图像。
检测完毕后，显示输出图像，从而直观地获得输出图像中标注出的缺陷类型、缺陷数量以及缺陷位置的信息。
实施例2
与实施例1不同之处仅在于，清洁单元还包括过滤器、干燥器、单向阀、压力监测器、溢流阀和驱动部件。过滤器和干燥器安装在气体部件与吹气部件之间，除去气体中的杂质、水蒸气和/或水分；避免气体中携带的杂质对PCB电路板的表面进行冲击，也防止气体中的水蒸气和/或水分附着在PCB电路板的表面上造成腐蚀。单向阀安装在气体部件与吹气部件之间，控制气体单向流动，防止气体从吹气部件向气体部件倒流。压力检测器与溢流阀安装在气体部件上，压力检测器检测气体部件内的压力，溢流阀通过调节溢流压力调节气体部件内的压力，便于根据脏污程度调整压力。吹气部件安装在驱动部件上，由驱动部件驱动吹气部件沿着PCB电路板长度方向进行平移运动，从而实现来回移动进行除尘。
实施例3
与实施例2不同之处仅在于，在获取也即采集清洁后的待检测的PCB电路板的表面图像之前，先判断是否可以启动采集。也即，检测PCB电路板表面附近灰尘的浓度，并判断是否低于浓度阈值：如果PCB电路板表面附近灰尘的浓度低于浓度阈值，则可以启动采集；如果PCB电路板表面附近灰尘的浓度不低于浓度阈值，则不可以启动采集。
在本实施例中，用平行单色光照射PCB电路板表面附近，并检测PCB电路板表面附近入射光的相对衰减率。由于灰尘在光的照射下会产生光的散射现象，同时吸收部分入射光的能量，入射光的光强将会衰减。此外，入射光的相对衰减率与灰尘的浓度成正比，入射光的光强大小与经过光电转换的电信号强弱成正比，故而电信号与灰尘浓度相互对应，检测到电信号后即可根据相应的换算关系计算出灰尘的浓度。
如果PCB电路板表面附近灰尘的浓度低于浓度阈值，则可以启动采集，此时，就采集PCB电路板表面的图像，并根据图像中PCB电路板的清晰度判断吹风除尘是否成功：
如果图像中PCB电路板的清晰度大于、等于预设阈值，表明除尘成功，可接着进行图像预处理；如果图像中PCB电路板的清晰度小于预设阈值，对清晰度小于预设阈值的局部区域进行标记，并通过图像识别算法对标记的局部区域进行识别，判断标记的局部区域是否为机械瑕疵(比如说划伤、刮痕)：如果标记的局部区域为机械瑕疵，则提示将PCB电路板报废，如果标记的局部区域不为机械瑕疵，则提示除尘失败，并再次进行除尘。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (8)

1.用于PCB电路板的检测系统，其特征在于，包括：
清洁单元，清洁单元包括吹气部件、气体部件和电磁阀；吹气部件设有出气口，出气口朝向待检测的PCB电路板的表面；气体部件与吹气部件连接，为吹气部件提供压缩气体；电磁阀位于气体部件与吹气部件之间，在电磁阀处于接通状态时，开启除污；在电磁阀处于断开状态时，停止除污；
准备单元，用于获取清洁后的待检测的PCB电路板的表面图像，并采用滤波算法对采集的表面图像进行预处理，得到预处理后的表面图像；
建模单元，用于获取标准的PCB电路板表面缺陷的原始图像，对原始图像进行标注并建立PCB电路板的表面缺陷图像集；在表面缺陷图像集，训练基于Tensorflow改进的FasterR-CNN目标检测模型，得到PCB电路板表面缺陷的缺陷检测模型；
检测单元，将预处理后的表面图像作为输入图像输入到缺陷检测模型，得到检测后的输出图像，输出图像中包括缺陷类型、缺陷数量以及缺陷位置的信息；
输出单元，用于显示输出图像。
2.如权利要求1所述的用于PCB电路板的检测系统，其特征在于，清洁单元还包括控制器，用于按照预设的时间区间，在时间区间届满时，使电磁阀从接通状态切换到断开状态。
3.如权利要求2所述的用于PCB电路板的检测系统，其特征在于，清洁单元还包括：图像采集部件，用于在预设的时间区间届满时，采集待检测的PCB电路板的表面的图像；控制部件，用于根据采集的图像，判断PCB电路板表面的脏污程度是否超过预设阈值，并在脏污程度超过预设阈值时，使电磁阀从断开状态切换至接通状态。
4.如权利要求3所述的用于PCB电路板的检测系统，其特征在于，清洁单元还包括：过滤器，用于除去气体中的杂质；干燥器，用于除去气体中的水蒸气和/或水分；过滤器和干燥器位于气体部件与吹气部件之间。
5.如权利要求4所述的用于PCB电路板的检测系统，其特征在于，清洁单元还包括单向阀，用于控制气体单向流动，单向阀位于气体部件与吹气部件之间。
6.如权利要求5所述的用于PCB电路板的检测系统，其特征在于，清洁单元还包括：压力检测器，用于检测气体部件内的压力；溢流阀，用于通过调节溢流压力调节气体部件内的压力。
7.如权利要求6所述的用于PCB电路板的检测系统，其特征在于，清洁单元还包括驱动部件，用于驱动吹气部件沿着PCB电路板长度方向进行平移运动。
8.如权利要求7所述的用于PCB电路板的检测系统，其特征在于，准备单元还用于对清洁后的待检测的PCB电路板的表面图像进行裁剪和归一化处理。
CN202011605835.1A 2020-12-30 2020-12-30 用于pcb电路板的检测系统 Pending CN112816484A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011605835.1A CN112816484A (zh) 2020-12-30 2020-12-30 用于pcb电路板的检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011605835.1A CN112816484A (zh) 2020-12-30 2020-12-30 用于pcb电路板的检测系统

Publications (1)

Publication Number Publication Date
CN112816484A true CN112816484A (zh) 2021-05-18

Family

ID=75856033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011605835.1A Pending CN112816484A (zh) 2020-12-30 2020-12-30 用于pcb电路板的检测系统

Country Status (1)

Country Link
CN (1) CN112816484A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113600525A (zh) * 2021-07-29 2021-11-05 河北白沙烟草有限责任公司保定卷烟厂 一种基于智能识别技术的铜排链在线清洁装置
CN113686900A (zh) * 2021-08-31 2021-11-23 江西炬森智能装备有限公司 一种pcb板的外观缺陷检测、修复一体化方法以及装置
CN113916131A (zh) * 2021-12-15 2022-01-11 深圳市浩创盛科技有限公司 一种基于图案的pcb板孔位智能检测系统及方法
CN115082431A (zh) * 2022-07-20 2022-09-20 惠州威尔高电子有限公司 一种pcb板表面缺陷检测方法
CN115718073A (zh) * 2022-12-30 2023-02-28 上海康耐司信号设备有限公司 一种履带磨损监测装置及其监测方法
CN116944082A (zh) * 2023-09-19 2023-10-27 四川辰宇微视科技有限公司 一种微通道板封装前洁净度高效检测装置及方法
EP4300082A1 (de) * 2022-06-29 2024-01-03 Siemens Aktiengesellschaft Verschmutzungserkennung bei elektrischen baugruppen durch fluoreszente beschichtung
CN118348023A (zh) * 2024-03-05 2024-07-16 江苏梅曼新能源科技有限公司 一种基于数据分析的电子纸母片aoi瑕疵检测系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203786043U (zh) * 2014-01-21 2014-08-20 奥蒂玛光学科技（深圳）有限公司 一种电路板光学检测机
CN110000159A (zh) * 2019-05-10 2019-07-12 同方威视技术股份有限公司 光学器件表面清洁装置及扫描检查系统
CN209117601U (zh) * 2018-10-09 2019-07-16 广东电网有限责任公司 一种金属表面清洁度报警器
CN110160959A (zh) * 2019-05-27 2019-08-23 深圳明阳电路科技股份有限公司 一种aoi检测方法及系统
CN110756465A (zh) * 2019-09-16 2020-02-07 苏州筹策智能科技有限公司 Pcb板检测擦拭一体机
CN111768363A (zh) * 2020-05-13 2020-10-13 华南农业大学 基于深度学习的电路板表面缺陷检测方法及检测系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203786043U (zh) * 2014-01-21 2014-08-20 奥蒂玛光学科技（深圳）有限公司 一种电路板光学检测机
CN209117601U (zh) * 2018-10-09 2019-07-16 广东电网有限责任公司 一种金属表面清洁度报警器
CN110000159A (zh) * 2019-05-10 2019-07-12 同方威视技术股份有限公司 光学器件表面清洁装置及扫描检查系统
CN110160959A (zh) * 2019-05-27 2019-08-23 深圳明阳电路科技股份有限公司 一种aoi检测方法及系统
CN110756465A (zh) * 2019-09-16 2020-02-07 苏州筹策智能科技有限公司 Pcb板检测擦拭一体机
CN111768363A (zh) * 2020-05-13 2020-10-13 华南农业大学 基于深度学习的电路板表面缺陷检测方法及检测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王耀南 等: "《移动作业机器人感知、规划与控制》", 国防工业出版社, pages: 45 - 46 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113600525A (zh) * 2021-07-29 2021-11-05 河北白沙烟草有限责任公司保定卷烟厂 一种基于智能识别技术的铜排链在线清洁装置
CN113686900A (zh) * 2021-08-31 2021-11-23 江西炬森智能装备有限公司 一种pcb板的外观缺陷检测、修复一体化方法以及装置
CN113916131A (zh) * 2021-12-15 2022-01-11 深圳市浩创盛科技有限公司 一种基于图案的pcb板孔位智能检测系统及方法
EP4300082A1 (de) * 2022-06-29 2024-01-03 Siemens Aktiengesellschaft Verschmutzungserkennung bei elektrischen baugruppen durch fluoreszente beschichtung
WO2024002809A1 (de) 2022-06-29 2024-01-04 Siemens Aktiengesellschaft Verschmutzungserkennung bei elektrischen baugruppen durch fluoreszente beschichtung
CN115082431A (zh) * 2022-07-20 2022-09-20 惠州威尔高电子有限公司 一种pcb板表面缺陷检测方法
CN115082431B (zh) * 2022-07-20 2023-01-06 惠州威尔高电子有限公司 一种pcb板表面缺陷检测方法
CN115718073A (zh) * 2022-12-30 2023-02-28 上海康耐司信号设备有限公司 一种履带磨损监测装置及其监测方法
CN116944082A (zh) * 2023-09-19 2023-10-27 四川辰宇微视科技有限公司 一种微通道板封装前洁净度高效检测装置及方法
CN116944082B (zh) * 2023-09-19 2023-12-05 四川辰宇微视科技有限公司 一种微通道板封装前洁净度高效检测装置及方法
CN118348023A (zh) * 2024-03-05 2024-07-16 江苏梅曼新能源科技有限公司 一种基于数据分析的电子纸母片aoi瑕疵检测系统

Similar Documents

Publication Publication Date Title
CN112816484A (zh) 用于pcb电路板的检测系统
CN110836896B (zh) 一种激光清洗检测设备及激光清洗检测方法
CN109724984B (zh) 一种基于深度学习算法的缺陷检测识别装置和方法
CN110216080A (zh) 一种基于图像对比的pcb加工产线的质量监控系统
CN104483320B (zh) 工业脱硝催化剂的数字化缺陷检测装置与检测方法
CN107782733A (zh) 金属表面缺陷的图像识别无损检测装置及方法
CN108760747A (zh) 一种3d打印模型表面缺陷视觉检测方法
CN102116610A (zh) 基于机器视觉的汽车配件尺寸在线自动检测方法及装置
US7746458B2 (en) Diagnosing or determining parameters for an installation for detecting open defects in the surfaces of parts by sweating
CN108257171A (zh) 基于光视觉的汽车雷达装配孔径检测方法
CN110208269B (zh) 一种玻璃表面异物与内部异物区分的方法及系统
CN106706656A (zh) 一种基于机器视觉的拉链检测装置及方法
CN102175692A (zh) 织物坯布疵点快速检测系统及方法
CN109557104A (zh) 一种基于深度学习的木料优选锯智能检测方法
CN106226270B (zh) 检测图像传感器表面脏污缺陷的方法
CN112734720A (zh) 基于视觉识别的船壳激光清洗在位检测方法及系统
CN111711765A (zh) 一种零件生产工序检验系统
CN117664990A (zh) 一种pcba外观缺陷智能检测方法
CN111458345A (zh) 一种口罩缺陷视觉检测机构
CN108776966A (zh) 一种磁体外观缺陷检测的方法及系统
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
CN117862068A (zh) 一种瑕疵产品分拣程序验证方法、设备及存储介质
CN117949470A (zh) 多工位透明材料磨边边角缺陷检测系统及方法
CN111307817B (zh) 一种智能产线pcb生产过程的在线检测方法及系统
CN107741430A (zh) 一种基于接触式图像传感器的紧凑型结构镜片检测系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210518

RJ01 Rejection of invention patent application after publication