CN113674249A - 基于工业互联网的pcb板印刷质量检测方法 - Google Patents
基于工业互联网的pcb板印刷质量检测方法 Download PDFInfo
- Publication number
- CN113674249A CN113674249A CN202110976189.8A CN202110976189A CN113674249A CN 113674249 A CN113674249 A CN 113674249A CN 202110976189 A CN202110976189 A CN 202110976189A CN 113674249 A CN113674249 A CN 113674249A
- Authority
- CN
- China
- Prior art keywords
- industrial internet
- image
- pcb
- detected
- quality detection
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
- 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
本发明涉及PCB板印刷质量检测技术领域,公开了一种基于工业互联网的PCB板印刷质量检测方法:通过应用端的现场设备采集PCB板的待检图像与PCB板基本信息,并上传至工业互联网缺陷识别中心;工业互联网缺陷识别中心根据PCB板基本信息判断工业互联网样本数据库中是否具备相应种类PCB板的缺陷样本;若是,则采用已根据所述工业互联网样本数据库中的样本训练完成的AI算法模型从待检图像中提取特征并进行质量检测云计算;若否,则下发人工检测指令到应用端;通过人工检测及时补充样本数据,并根据更新后的样本数据重新训练AI算法模型。本发明通过工业互联网样本数据库资源共享,能够快速适应新产品,缩短换线周期,降低应用端配置成本。
Description
技术领域
本发明涉及PCB板印刷质量检测技术领域。
背景技术
PCB板的锡膏印刷质量对SMT的生产质量影响很大,PCB板锡膏印刷作为SMT生产线的第一道主工序,60%不良来自于印刷品质,其重要性是不言而喻的,锡膏印刷后的印刷质量检测是产品质量控制的重要手段。
传统检验方法有2种:第一种采取人工目检,借助5-10倍放大镜检验工具检测。人眼目检的缺点是容易产生疲劳,具有持续检测时间短、检测速度慢等缺点,特别是对于面积小、集成度高线宽小的PCB板。目视检测受人为因素影响大,不能对锡膏的印刷质量进行量化检测,检测效率低。
第二种方法为现场单机视觉检测设备,与人眼目检相比,机器视觉检测虽有缺陷识别效率高、永不疲劳,检测准确率高等优点,但新产品换线后需要重新标定检测系统的样本数据,需要投入大量的人力到现场进行采集,效率低,换线周期长。
发明内容
针对上述现有技术的不足,本发明提供一种基于工业互联网的PCB板印刷质量检测方法,解决如何快速适应新产品的质量检测需求的技术问题。
为了解决上述技术问题,本发明采用了如下的技术方案:一种基于工业互联网的PCB板印刷质量检测方法,包括以下步骤:
S1:通过应用端的现场设备采集PCB板的待检图像与PCB板基本信息,并上传至工业互联网缺陷识别中心;
S2:工业互联网缺陷识别中心根据PCB板基本信息判断工业互联网样本数据库中是否具备相应种类PCB板的缺陷样本;若是,则采用已根据所述工业互联网样本数据库中的样本训练完成的AI算法模型从待检图像中提取特征并进行质量检测云计算,并进入步骤S3;若否,则下发人工检测指令到应用端,并进入步骤S4;
S3:将质量检测结果发送到应用端的管理系统,管理系统根据检测结果进行现场控制:对合格产品放行,对缺陷产品进行拦截并记录;
S4:将待检图像作为样本,待检图像的人工检测结果作为标签信息上传至所述工业互联网样本数据库中;
S5:更新工业互联网样本数据库,并根据更新后的样本数据重新训练AI算法模型。
与现有技术相比,本发明具有以下有益效果:
1、本发明为PCB板质量检测开辟了新的方向,不再局限于“闭门造车”式的本地检测,应用端只需上传数据就能通过云计算获取检测结果,同时PCB板质量检测的样本数据通过工业互联网样本数据库实现共享,例如A企业上新一款新产品,正好是B企业正在生产的同类产品并且已存入相关样板数据到工业互联网样本数据库中,训练后的AI算法模型能够识别该类产品的缺陷,那么A企业上传PCB板的待检图像后,AI算法模型就能直接进行云计算,从而快速适应A企业的产品上新后的质量检测需求。
2、当工业互联网样本数据库缺少某类PCB板的样本数据时,能够通过人工检测及时补充,该过程与生产同步,无需停产等待,并且由于数据共享,能够从不同企业的应用端获取同类产品的样本数据,从而快速积累到充足的样本数据,大大缩短了换线周期。
3、应用端只需提供数据,无需进行复杂的缺陷识别,减少应用端软硬件配置成本。
附图说明
图1为本具体实施方式中基于工业互联网的PCB板印刷质量检测方法的流程图;
图2为系统架构图;
图3为待检图像采集流程图。
图4为数据流向图。
具体实施方式
参考图1所示,一种基于工业互联网的PCB板印刷质量检测方法,包括以下步骤:
S1:通过应用端的现场设备采集PCB板的待检图像与PCB板基本信息,并上传至工业互联网缺陷识别中心。
S2:工业互联网缺陷识别中心根据PCB板基本信息判断工业互联网样本数据库中是否具备相应种类PCB板的缺陷样本;若是,则采用已根据所述工业互联网样本数据库中的样本(包括合格样本和缺陷样本)训练完成的AI算法模型从待检图像中提取特征并进行质量检测云计算,并进入步骤S3;若否,则下发人工检测指令到应用端,并进入步骤S4。
S3:将质量检测结果发送到应用端的管理系统,管理系统根据检测结果进行现场控制:对合格产品放行,对缺陷产品进行拦截并记录。管理系统为MES制造执行系统,MES能够通过信息传递对从订单下达到产品完成的整个生产过程进行的优化管理。当工厂发生实时事件时,MES能够对此及时做出反应、报告,并用当前的准确数据进行指导和处理。应用端操作控制装置由5部分组成(配置管理、光源配置、人机交互、特性预处理、伺服控制)。
S4:将待检图像作为样本,待检图像的人工检测结果作为标签信息上传至所述工业互联网样本数据库中。
S5:更新工业互联网样本数据库,并根据更新后的样本数据重新训练AI算法模型。
参考图2所示,本具体实施方式中,应用端与工业互联网缺陷识别中心采用5G通信。利用5G网络高数据传输速率,最高可达10Gbit/s优势对数据进行上传;利用5G较低的网络延迟优势(低于1毫秒,更快的响应时间)。
参考图3所示,本具体实施方式中,现场设备采集PCB板的图像后,依次进行模数转化、图像预处理后生成所述待检图像,待检图像通过5G网络传输至工业互联网缺陷识别中心。
现场设备主要由以下部分组成:读码器、机器人、电控柜、工控机、CCD拍摄套装、传感器、阻挡器、报警器、PLC等硬件。读码器对PCB板进行条码识别,获取PCB板的基本信息。通过伺服机构结合CCD相机对PCB板锡膏印刷层的不同位置进行图像采集。
参考图4所示,本具体实施方式中,根据PCB板检测部位的不同,所述AI算法模型,根据PCB板检测部位的不同,分为焊盘图形AI算法、IC焊排AI算法与漏印AI算法模型,各算法模型网络结构相同,但模型间相互独立。这些算法模型分别对同一待检图像进行相应缺陷的识别,使得质量检测更加全面。应用端只需提供数据,工业互联网缺陷识别中心提供并训练AI算法模型,AI算法模型云计算后返回检测结果给应用端。
各个算法模型相互独立,各个算法模型提取的特征不完全相同,如焊盘图形AI算法模型会提取更多焊盘的轮廓和细节、IC焊排AI算法则会提取更多IC焊排轮廓和细节。
本具体实施方式中,各种AI算法均是基于深度学习的图像识别算法(基于tensorflow框架的AI算法模型,GoogleNet网络结构),针对不同需求分为有小型网络和大型网络。小型网络采用MobileNet作为特征提取器对输入的待检图像进行特征提取,提取到的特征输出给由全连接层与softmax激活函数形成的网络头部以输出分类结果。大型网络采用MobileNet作为特征提取器对输入的待检图像进行特征提取,提取到的特征依次通过由全连接层、BN层、leakyrelu激活函数和dropout层组成的网络颈部处理后输出给配置softmax激活函数的全连接层以输出分类结果。
AI算法模型在训练中采用交叉熵函数作为损失函数:
arg min(L(Y,F(X|θ)));
式中,F(·)表示AI算法模型。X表示输入的待检图像。Y表示输出的分类结果。θ表示模型参数。L(·)表示损失函数,通过损失函数对训练中的模型参数进行优化,从而降低模型误差。
AI算法模型的推理公式如下:
H1=F1(X|θ1)
式中,H1、H2分别表示特征提取器的输出和网络颈部的输出;F1(·)表示特征提取函数;Fdrop(·)表示dropout层函数;Fbn(·)表示BN层函数;表示激活函数Fsoftmax(·)分W2、b2分别为网络颈部的全连接层的权重与偏置;W3、b3分别为网络头部的全连接层的权重与偏置;θ1表示MobileNet的网络模型参数,例如dropout丢弃率,batchsize尺寸等。
Claims (9)
1.一种基于工业互联网的PCB板印刷质量检测方法,其特征在于,包括以下步骤:
S1:通过应用端的现场设备采集PCB板的待检图像与PCB板基本信息,并上传至工业互联网缺陷识别中心;
S2:工业互联网缺陷识别中心根据PCB板基本信息判断工业互联网样本数据库中是否具备相应种类PCB板的缺陷样本;若是,则采用已根据所述工业互联网样本数据库中的样本训练完成的AI算法模型从待检图像中提取特征并进行质量检测云计算,并进入步骤S3;若否,则下发人工检测指令到应用端,并进入步骤S4;
S3:将质量检测结果发送到应用端的管理系统,管理系统根据检测结果进行现场控制:对合格产品放行,对缺陷产品进行拦截并记录;
S4:将待检图像作为样本,待检图像的人工检测结果作为标签信息上传至所述工业互联网样本数据库中;
S5:更新工业互联网样本数据库,并根据更新后的样本数据重新训练AI算法模型。
2.根据权利要求1所述的基于工业互联网的PCB板印刷质量检测方法,其特征在于,根据PCB板检测部位的不同,所述AI算法模型,根据PCB板检测部位的不同,分为焊盘图形AI算法、IC焊排AI算法与漏印AI算法模型,各算法模型网络结构相同,但模型间相互独立。
3.根据权利要求1所述的基于工业互联网的PCB板印刷质量检测方法,其特征在于,所述AI算法模型基于深度学习的图像识别算法,采用MobileNet作为特征提取器对输入的待检图像进行特征提取,提取到的特征输出给由全连接层与softmax激活函数形成的网络头部以输出分类结果。
4.根据权利要求1所述的基于工业互联网的PCB板印刷质量检测方法,其特征在于,所述AI算法模型基于深度学习的图像识别算法,采用MobileNet作为特征提取器对输入的待检图像进行特征提取,提取到的特征依次通过由全连接层、BN层、leakyrelu激活函数和dropout层组成的网络颈部处理后输出给配置softmax激活函数的全连接层以输出分类结果。
5.根据权利要求4所述的基于工业互联网的PCB板印刷质量检测方法,其特征在于,AI算法模型在训练中采用交叉熵函数作为损失函数:
arg min(L(Y,F(X|θ)));
式中,F(·)表示AI算法模型。X表示输入的待检图像。Y表示输出的分类结果。θ表示模型参数。L(·)表示损失函数,通过损失函数对训练中的模型参数进行优化,从而降低模型误差。
7.根据权利要求1所述的基于工业互联网的PCB板印刷质量检测方法,其特征在于,现场设备采集PCB板的图像后,依次进行模数转化、图像预处理后生成所述待检图像。
8.根据权利要求1所述的基于工业互联网的PCB板印刷质量检测方法,其特征在于,应用端与工业互联网缺陷识别中心采用5G通信。
9.根据权利要求1所述的基于工业互联网的PCB板印刷质量检测方法,其特征在于,所述管理系统为MES制造执行系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110976189.8A CN113674249A (zh) | 2021-08-24 | 2021-08-24 | 基于工业互联网的pcb板印刷质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110976189.8A CN113674249A (zh) | 2021-08-24 | 2021-08-24 | 基于工业互联网的pcb板印刷质量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113674249A true CN113674249A (zh) | 2021-11-19 |
Family
ID=78545725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110976189.8A Pending CN113674249A (zh) | 2021-08-24 | 2021-08-24 | 基于工业互联网的pcb板印刷质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113674249A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115901752A (zh) * | 2022-11-03 | 2023-04-04 | 重庆忽米网络科技有限公司 | 基于工业互联网技术的金属火花成分检测系统 |
-
2021
- 2021-08-24 CN CN202110976189.8A patent/CN113674249A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115901752A (zh) * | 2022-11-03 | 2023-04-04 | 重庆忽米网络科技有限公司 | 基于工业互联网技术的金属火花成分检测系统 |
CN115901752B (zh) * | 2022-11-03 | 2023-11-14 | 重庆忽米网络科技有限公司 | 基于工业互联网技术的金属火花成分检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110310261B (zh) | 一种接触网吊弦缺陷检测模型训练方法和缺陷检测方法 | |
CN110567974B (zh) | 一种基于云端人工智能表面缺陷检测系统 | |
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 | |
CN108171117A (zh) | 基于多核异构并行计算的电力人工智能视觉分析系统 | |
CN109978835B (zh) | 一种在线装配缺陷识别系统及其方法 | |
CN111289538B (zh) | 基于机器视觉的pcb板元件检测系统及检测方法 | |
CN204924967U (zh) | 全自动aoi整机的图像采集机构 | |
CN112183313A (zh) | 一种基于SlowFast的电力作业现场动作识别方法 | |
CN111862029A (zh) | 一种铁路动车组垂向减震器螺栓部件故障检测方法 | |
CN111591715A (zh) | 一种皮带纵向撕裂检测方法及装置 | |
CN110020691A (zh) | 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法 | |
CN113674249A (zh) | 基于工业互联网的pcb板印刷质量检测方法 | |
CN112070712A (zh) | 基于自编码器网络的印刷缺陷检测方法 | |
CN111651890B (zh) | 基于数据驱动的铝电解数字孪生工厂、控制方法及系统 | |
CN113077423A (zh) | 基于卷积神经网络的激光选区熔化熔池图像分析系统 | |
CN111753653A (zh) | 基于注意力机制的高铁接触网紧固件识别与定位方法 | |
CN111028250A (zh) | 一种实时智能验布方法及系统 | |
CN113192068A (zh) | 应用于印制线板的ai视觉检测系统 | |
CN114511801A (zh) | 一种虫害识别模型训练方法、虫害监测方法和电子设备 | |
CN113643340A (zh) | 一种基于机器视觉的热轧钢轨物料跟踪方法及系统 | |
CN117472015B (zh) | 一种基于机器视觉的工业加工控制方法 | |
Mueller et al. | Intelligent real time inspection of rivet quality supported by human-robot-collaboration | |
CN110174409A (zh) | 一种基于实时检测结果的中厚板周期性缺陷控制方法 | |
CN117787480A (zh) | 基于Res-LSTM的焊缝成形质量实时预测方法 | |
CN117314829A (zh) | 一种基于计算机视觉的工业零件质检方法和系统 |
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 |