CN113192068A - 应用于印制线板的ai视觉检测系统 - Google Patents
应用于印制线板的ai视觉检测系统 Download PDFInfo
- Publication number
- CN113192068A CN113192068A CN202110603703.3A CN202110603703A CN113192068A CN 113192068 A CN113192068 A CN 113192068A CN 202110603703 A CN202110603703 A CN 202110603703A CN 113192068 A CN113192068 A CN 113192068A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- training
- artificial intelligence
- printed wiring
- 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
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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]
Abstract
本发明提供一种应用于印制线板的AI视觉检测系统,包括前端数据采集处理模块、边缘识别模块、人工智能云平台;所述前端数据采集处理模块包括AOI系统;所述边缘识别模块包括PCB智能检测模型以及视觉应用框架;所述人工智能云平台包括人工智能模型训练模块。本发明基于大数据、云计算、人工智能基础技术,搭建智能云平台,构建PCB板检测的人工智能分析技术服务,识别PCB板中的故障发生点,对判明的故障点进行明确的标记与类别提示;通过人工智能的识别,提升检出故障点准确率,降低故障检出的噪音率;可大幅降低甚至消除人工检视分析的工作量。
Description
技术领域
本发明属于PCB技术领域,具体涉及一种应用于印制线板的AI视觉检测系统。
背景技术
印刷线路板是现代社会工业化的基础,从计算机、通信设备到电子玩具都离不开它。近年来,随着生产工艺的不断提高,PCB 正在向高密度多层板发展。当这些高密度多层板在生产工序的最后一道检查中被发现有缺陷而不能使用时,其代价是很大的。
现有技术中,印制线路板产品外观检查目前采用检查设备拍照比对和人工复检的工作模式,由于电路板外观缺陷检测项目繁多,设备存在误检率高、检测算法无法升级等缺点问题,98%以上的电路板在机器检查后还要人工复检。
发明内容
有鉴于此,本发明提供一种应用于印制线板的AI视觉检测系统。
本发明的技术方案为:
一种应用于印制线板的AI视觉检测系统,其特征在于,包括前端数据采集处理模块、边缘识别模块、人工智能云平台;
所述前端数据采集处理模块包括AOI系统;
所述边缘识别模块包括PCB智能检测模型以及视觉应用框架;
所述人工智能云平台包括人工智能模型训练模块。
进一步的,所述前端数据采集处理模块用于采集需要机器视觉系统识别的内容,对图像数据进行预处理并上传。
进一步的,所述前端数据采集处理模块包括缺陷的数据集。
进一步的,所述缺陷的数据集包括:孔、焊板、线、手指、补强板、字符、保护膜、油墨、金面的缺陷情况分析。
进一步的,所述边缘识别模块通过5G进行模型进行模型与数据传输,实现产品在线实时监测,采用边缘云(MEC)提升处理速度。
本发明是传统工业视觉正在向基于深度学习的AI工业视觉过渡,针对AI工业视觉存在的单点系统端侧算力成本高,数据孤岛不能实现有效共享,有线互联网建设困难,无法适应移动性应用场景等瓶颈与挑战,采用 “5G+AI”工业视觉端到端解决方案,突破传统机器视觉的成本高、效率上限和质量不稳定等瓶颈,实现了云化控制、算法快速自优化、企业数据不出园区的安全性保障,并使投资成本大幅节约,作业效率明显提升。
进一步的,所述人工智能云平台可实现AI智能复检,所述AI智能复检包括以下步骤:
图像预处理(传统算法比对,获取缺陷数据);
图像数据清洗,标记;
预处理后的图片进入标的分类器,通过训练后的“缺陷解析模型库”和“缺陷参数表”筛选出对应的“缺陷解析模型”和“缺陷解析参数”;
把预处理的图片导入相应的“缺陷解析模型”和“缺陷解析参数”中进行推理运算;
得出优化后的复检结果。
进一步的,所述人工智能云平台包括AI建模,所述AI建模的步骤包括:收集原始数据—数据清洗—数据标注—模型训练—模型应用与优化—输出结果。
进一步的,所述数据清洗包括将存放无效、不完整的图片清楚,留下有效图片。
进一步的,所述数据标注包括将有效图片进行标注,形成特定的,可供后续算法输入的数据结构,保证模型的正确输入。
进一步的,所述模型许训练包括利用设计好的框架以及算法,对数据进行训练,根据数据量的大小、分类的种类以及硬件设备类型,制定训练时间。
进一步的,所述模型应用与优化,包括:
将训练好的模型下发到本地/边缘服务器,对接图像采集系统,对图像采集系统输出的图像做二次识别,输出识别结果;
将本地/边缘服务器储存的图像以及识别结果定期上传到人工智能机器视觉平台,不断迭代优化模型,不断提供模型准确率。
本发明针对人工智能及深度学习需要从计算平台、数据平台、计算框架、算法平台及应用五个层次部署。计算平台层提供面向人工智能最大定制化的架构设计;数据平台层提供对数据的各种处理,包括数据源管理,各种标记工具及标记算法;计算框架层针对不同的需求以及使用习惯,部署不同的深度学习框架,实现对图像的处理;系统层包含算法平台及引擎平台,算法平台中包含用于业务建模的多种算法,例如传统机器学习算法、深度学习算法、目标识别算法等,同时引擎平台能够做好第三方算法的管理与部署;应用层结合实际应用需求,设计深度学习模型与算法,并将实际的应用通过直观地方式展现。
进一步的,所述人工智能云平台的实施方式,包括以下步骤:训练数据—模型训练—上线试用—优化模型—系统迭代。
进一步的,所述训练数据包括开放识别结果图像,由检修工程师进行标注,标明是真点或假点,每种故障需要至少累积图像1000张,作为训练模型的样本。
进一步的,所述模型训练包括将样本图像输入模型训练平台,训练模型,将训练好的模型植入到本地识别模块。
进一步的,所述上线试用包括在产线部署本地识别模块,与AOI系统对接。
进一步的,所述优化模型包括检修工程师在实际工作中,标识出本地识别模块识别错误的图像,本地保存,累积到一定量后输入模型训练平台,用于模型优化训练直到满足要求。
进一步的,所述系统迭代包括针对不同的故障重复上述流程,迭代升级,逐步完成PCB裸板检测的人工智能识别验证。
本发明将视觉检测设备采集的高清产品图形信息借助高带宽低时延的5G网络传输到云平台进行智能分析和模型训练(利用设计好的框架以及算法,对数据进行训练),训练好的模型下发至本地/边缘服务器,对接图像采集系统,对图像采集系统输出的图像做二次识别,输出识别结果,本地/边缘服务器存储的图像及识别结果定期上传到人工智能机器视觉平台,不断迭代优化模型,提高模型准确率,减少设备误判和人工复检工作量。
本发明基于大数据、云计算、人工智能基础技术,搭建智能云平台,构建PCB板检测的人工智能分析技术服务,识别PCB板中的故障发生点,对判明的故障点进行明确的标记与类别提示;通过人工智能的识别,提升检出故障点准确率,降低故障检出的噪音率;可大幅降低甚至消除人工检视分析的工作量。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合具体实施方式,对本发明进行进一步的详细说明。应当理解的是,此处所描述的具体实施方式仅用以解释本发明,并不限定本发明的保护范围。
实施例
一种应用于印制线板的AI视觉检测系统,其特征在于,包括前端数据采集处理模块、边缘识别模块、人工智能云平台;
所述前端数据采集处理模块包括AOI系统;
所述边缘识别模块包括PCB智能检测模型以及视觉应用框架;
所述人工智能云平台包括人工智能模型训练模块。
进一步的,所述前端数据采集处理模块用于采集需要机器视觉系统识别的内容,对图像数据进行预处理并上传。
进一步的,所述前端数据采集处理模块包括缺陷的数据集。
进一步的,所述缺陷的数据集包括:孔、焊板、线、手指、补强板、字符、保护膜、油墨、金面的缺陷情况分析。
进一步的,所述边缘识别模块通过5G进行模型进行模型与数据传输,实现产品在线实时监测,采用边缘云(MEC)提升处理速度。
本发明是传统工业视觉正在向基于深度学习的AI工业视觉过渡,针对AI工业视觉存在的单点系统端侧算力成本高,数据孤岛不能实现有效共享,有线互联网建设困难,无法适应移动性应用场景等瓶颈与挑战,采用 “5G+AI”工业视觉端到端解决方案,突破传统机器视觉的成本高、效率上限和质量不稳定等瓶颈,实现了云化控制、算法快速自优化、企业数据不出园区的安全性保障,并使投资成本大幅节约,作业效率明显提升。
进一步的,所述人工智能云平台可实现AI智能复检,所述AI智能复检包括以下步骤:
图像预处理(传统算法比对,获取缺陷数据);
图像数据清洗,标记;
预处理后的图片进入标的分类器,通过训练后的“缺陷解析模型库”和“缺陷参数表”筛选出对应的“缺陷解析模型”和“缺陷解析参数”;
把预处理的图片导入相应的“缺陷解析模型”和“缺陷解析参数”中进行推理运算;
得出优化后的复检结果。
进一步的,所述人工智能云平台包括AI建模,所述AI建模的步骤包括:收集原始数据—数据清洗—数据标注—模型训练—模型应用与优化—输出结果。
进一步的,所述数据清洗包括将存放无效、不完整的图片清楚,留下有效图片。
进一步的,所述数据标注包括将有效图片进行标注,形成特定的,可供后续算法输入的数据结构,保证模型的正确输入。
进一步的,所述模型许训练包括利用设计好的框架以及算法,对数据进行训练,根据数据量的大小、分类的种类以及硬件设备类型,制定训练时间。
进一步的,所述模型应用与优化,包括:
将训练好的模型下发到本地/边缘服务器,对接图像采集系统,对图像采集系统输出的图像做二次识别,输出识别结果;
将本地/边缘服务器储存的图像以及识别结果定期上传到人工智能机器视觉平台,不断迭代优化模型,不断提供模型准确率。
本发明针对人工智能及深度学习需要从计算平台、数据平台、计算框架、算法平台及应用五个层次部署。计算平台层提供面向人工智能最大定制化的架构设计;数据平台层提供对数据的各种处理,包括数据源管理,各种标记工具及标记算法;计算框架层针对不同的需求以及使用习惯,部署不同的深度学习框架,实现对图像的处理;系统层包含算法平台及引擎平台,算法平台中包含用于业务建模的多种算法,例如传统机器学习算法、深度学习算法、目标识别算法等,同时引擎平台能够做好第三方算法的管理与部署;应用层结合实际应用需求,设计深度学习模型与算法,并将实际的应用通过直观地方式展现。
进一步的,所述人工智能云平台的实施方式,包括以下步骤:训练数据—模型训练—上线试用—优化模型—系统迭代。
进一步的,所述训练数据包括开放识别结果图像,由检修工程师进行标注,标明是真点或假点,每种故障需要至少累积图像1000张,作为训练模型的样本。
进一步的,所述模型训练包括将样本图像输入模型训练平台,训练模型,将训练好的模型植入到本地识别模块。
进一步的,所述上线试用包括在产线部署本地识别模块,与AOI系统对接。
进一步的,所述优化模型包括检修工程师在实际工作中,标识出本地识别模块识别错误的图像,本地保存,累积到一定量后输入模型训练平台,用于模型优化训练直到满足要求。
进一步的,所述系统迭代包括针对不同的故障重复上述流程,迭代升级,逐步完成PCB裸板检测的人工智能识别验证。
本发明将视觉检测设备采集的高清产品图形信息借助高带宽低时延的5G网络传输到云平台进行智能分析和模型训练(利用设计好的框架以及算法,对数据进行训练),训练好的模型下发至本地/边缘服务器,对接图像采集系统,对图像采集系统输出的图像做二次识别,输出识别结果,本地/边缘服务器存储的图像及识别结果定期上传到人工智能机器视觉平台,不断迭代优化模型,提高模型准确率,减少设备误判和人工复检工作量。
本发明基于大数据、云计算、人工智能基础技术,搭建智能云平台,构建PCB板检测的人工智能分析技术服务,识别PCB板中的故障发生点,对判明的故障点进行明确的标记与类别提示;通过人工智能的识别,提升检出故障点准确率,降低故障检出的噪音率;可大幅降低甚至消除人工检视分析的工作量。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。需注意的是,本发明中所未详细描述的技术特征,均可以通过本领域任一现有技术实现。
Claims (10)
1.应用于印制线板的AI视觉检测系统,其特征在于,包括前端数据采集处理模块、边缘识别模块、人工智能云平台;
所述前端数据采集处理模块包括AOI系统;
所述边缘识别模块包括PCB智能检测模型以及视觉应用框架;
所述人工智能云平台包括人工智能模型训练模块。
2.根据权利要求1所述的应用于印制线板的AI视觉检测系统,其特征在于,所述前端数据采集处理模块用于采集需要机器视觉系统识别的内容,对图像数据进行预处理并上传;
所述前端数据采集处理模块包括缺陷的数据集。
3.根据权利要求1所述的应用于印制线板的AI视觉检测系统,其特征在于,所述缺陷的数据集包括:孔、焊板、线、手指、补强板、字符、保护膜、油墨、金面的缺陷情况分析。
4.根据权利要求1所述的应用于印制线板的AI视觉检测系统,其特征在于,所述边缘识别模块通过5G进行模型进行模型与数据传输,实现产品在线实时监测,采用边缘云提升处理速度。
5.根据权利要求1所述的应用于印制线板的AI视觉检测系统,其特征在于,所述人工智能云平台可实现AI智能复检,所述AI智能复检包括以下步骤:
图像预处理;
图像数据清洗,标记;
预处理后的图片进入标的分类器,通过训练后的“缺陷解析模型库”和“缺陷参数表”筛选出对应的“缺陷解析模型”和“缺陷解析参数”;
把预处理的图片导入相应的“缺陷解析模型”和“缺陷解析参数”中进行推理运算;
得出优化后的复检结果。
6.根据权利要求1所述的应用于印制线板的AI视觉检测系统,其特征在于,所述人工智能云平台包括AI建模,所述AI建模的步骤包括:收集原始数据—数据清洗—数据标注—模型训练—模型应用与优化—输出结果。
7.根据权利要求6所述的应用于印制线板的AI视觉检测系统,其特征在于,
所述数据清洗包括将存放无效、不完整的图片清楚,留下有效图片;
所述数据标注包括将有效图片进行标注,形成特定的,可供后续算法输入的数据结构,保证模型的正确输入;
所述模型许训练包括利用设计好的框架以及算法,对数据进行训练,根据数据量的大小、分类的种类以及硬件设备类型,制定训练时间。
8.根据权利要求7所述的应用于印制线板的AI视觉检测系统,其特征在于,所述模型应用与优化,包括:
将训练好的模型下发到本地/边缘服务器,对接图像采集系统,对图像采集系统输出的图像做二次识别,输出识别结果;
将本地/边缘服务器储存的图像以及识别结果定期上传到人工智能机器视觉平台,不断迭代优化模型,不断提供模型准确率。
9.根据权利要求8所述的应用于印制线板的AI视觉检测系统,其特征在于,所述人工智能云平台的实施方式,包括以下步骤:训练数据—模型训练—上线试用—优化模型—系统迭代;所述训练数据包括开放识别结果图像,由检修工程师进行标注,标明是真点或假点,每种故障需要至少累积图像1000张,作为训练模型的样本。
10.根据权利要求9所述的应用于印制线板的AI视觉检测系统,其特征在于,所述模型训练包括将样本图像输入模型训练平台,训练模型,将训练好的模型植入到本地识别模块;
所述上线试用包括在产线部署本地识别模块,与AOI系统对接;
所述优化模型包括检修工程师在实际工作中,标识出本地识别模块识别错误的图像,本地保存,累积到一定量后输入模型训练平台,用于模型优化训练直到满足要求;
所述系统迭代包括针对不同的故障重复上述流程,迭代升级,逐步完成PCB裸板检测的人工智能识别验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110603703.3A CN113192068A (zh) | 2021-05-31 | 2021-05-31 | 应用于印制线板的ai视觉检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110603703.3A CN113192068A (zh) | 2021-05-31 | 2021-05-31 | 应用于印制线板的ai视觉检测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113192068A true CN113192068A (zh) | 2021-07-30 |
Family
ID=76986077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110603703.3A Pending CN113192068A (zh) | 2021-05-31 | 2021-05-31 | 应用于印制线板的ai视觉检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113192068A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4358020A1 (en) | 2022-10-17 | 2024-04-24 | Fitech sp. z o.o. | Method of detecting errors in the placement of elements in the pcb |
-
2021
- 2021-05-31 CN CN202110603703.3A patent/CN113192068A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4358020A1 (en) | 2022-10-17 | 2024-04-24 | Fitech sp. z o.o. | Method of detecting errors in the placement of elements in the pcb |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992317B (zh) | 一种基于语义分割的pcb板缺陷检测方法 | |
WO2017084186A1 (zh) | 挠性电路板制造过程自动监测和智能分析系统及方法 | |
US20240087104A1 (en) | Method for monitoring manufacture of assembly units | |
CN110070536A (zh) | 一种基于深度学习的pcb板元器件检测方法 | |
US20200005449A1 (en) | Defect inspection system and method using artificil intelligence | |
CN109584227A (zh) | 一种基于深度学习目标检测算法的焊点质量检测方法及其实现系统 | |
CN107144992A (zh) | 基于aoi技术的全自动化lcd检测控制系统及方法 | |
CN104992449A (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
CN107967491A (zh) | 木板识别的机器再学习方法、装置、电子设备及存储介质 | |
CN112966772A (zh) | 一种多人在线的图像半自动标注方法及系统 | |
CN109946304A (zh) | 基于特征匹配的零件表面缺陷在线检测系统及检测方法 | |
CN114862832A (zh) | 缺陷检测模型的优化方法、装置、设备及存储介质 | |
CN116843650A (zh) | 融合aoi检测与深度学习的smt焊接缺陷检测方法及系统 | |
KR102174424B1 (ko) | 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치 | |
CN113192068A (zh) | 应用于印制线板的ai视觉检测系统 | |
CN103913150B (zh) | 智能电能表电子元器件一致性检测方法 | |
Zhou et al. | Review of vision-based defect detection research and its perspectives for printed circuit board | |
Mamidi et al. | A light weight version of PCB defect detection system using YOLO V4 tiny | |
CN112907562A (zh) | 一种基于MobileNet的SMT缺陷分类算法 | |
Khare et al. | PCB-Fire: Automated Classification and Fault Detection in PCB | |
CN111307817B (zh) | 一种智能产线pcb生产过程的在线检测方法及系统 | |
US20220284699A1 (en) | System and method of object detection using ai deep learning models | |
KR20220105689A (ko) | 머신러닝 모델에 기반한 디스플레이 패널의 결함 판정 시스템 | |
CN112836724A (zh) | 物体缺陷识别模型训练方法、装置、电子设备和存储介质 | |
KR20210122429A (ko) | 영상 딥러닝을 이용한 ai 기반 화장품 용기 인쇄 제조 공정에서의 자동 결함 탐지 방법 및 시스템 |
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 |