CN114004815A - 一种pcba外观检测方法及装置 - Google Patents
一种pcba外观检测方法及装置 Download PDFInfo
- Publication number
- CN114004815A CN114004815A CN202111292576.6A CN202111292576A CN114004815A CN 114004815 A CN114004815 A CN 114004815A CN 202111292576 A CN202111292576 A CN 202111292576A CN 114004815 A CN114004815 A CN 114004815A
- Authority
- CN
- China
- Prior art keywords
- pcba
- detection
- standard
- component
- 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.)
- 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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
-
- 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
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
一种PCBA外观检测方法及装置,属于工业视觉检测技术领域,解决如何采用机器视觉检测方法提高表面安装有复杂立体电子元器件的PCBA的检测效率,方法将深度学习训练得到的元器件模型应用于标准PCBA图像,提取识别标准PCBA图像中的各个元器件;将待检测PCBA板的元器件位置信息和标准PCBA板的元器件位置信息逐个进行对比,计算每个对应标注框的面积交叉比IOU来判断电子元件是否存在错焊、漏焊,解决了传统的PCBA外观检测主要采用人工目视方式,带来的劳动强度高、工人易疲劳,且检测效率偏低的问题,降低人力成本、提升检测效率;装置结构简单,成本低。
Description
技术领域
本发明属于工业视觉检测技术领域,涉及一种PCBA外观检测方法及装置。
背景技术
PCBA(Printed Circuit Board Assembly),表示PCB印刷电路板经SMT(SurfaceMounted Technology)贴片或DIP(Dual In-line Package)插件而成的成品印制电路板,已经广泛应用于各种电子产品,覆盖了通信网络、家用电器、工业控制、消费电子、医疗电子、航空航天等多个领域。
随着电子产品朝着低功耗、轻量化、智能化等的方向发展,印制板的组装密度和集成度越来越高,因此PCBA外观检测至关重要。传统的PCBA外观检测主要采用人工目视方式,检测电子元件是否存在错焊、漏焊等问题,但是这种检测方式劳动强度高,工人易疲劳,且检测效率偏低。
基于机器视觉的检测方式具有非接触、速度快、精度高等优势,在平面PCB检测方面已经取得较好的效果,一般检测步骤包括目标定位、模板配准、模板比对等操作。如申请号为201711189432.1、公开日期为2018年4与6日的中国发明人专利申请《一种基于卷积神经网络检测电路板元器件极性方法和装置》公开一种基于卷积神经网络检测电路板元器件极性方法,调整相机安装高度和拍摄参数以及调整照明光源,选取一定数量电路板并建立极性正确和错误的目标元器件图像数据库,将所得极性正确和极性错误的电路板的目标元器件图像作为卷积神经网络的输入图像进行训练优化,得到最优化极性特征分类器,相机对待检测电路板拍摄并高斯滤波处理得到消除噪声的待测目标元器件图像,极性特征分类器对滤波后的目标元器件图像判断得到最终检测结果,判断后的目标元器件图像又作为极性特征分类器的学习对象。
虽然上述现有技术具有快速、精准、可靠等优点,可加快电路板元器件检测速度,然而,对于PCBA,其表面安装有不同规格的立体电子元器件,且安装倾斜的情况比较普遍,导致传统PCB检测方法难以兼容。
发明内容
本发明的目的在于如何采用机器视觉检测方法提高表面安装有复杂立体电子元器件的PCBA的检测效率。
本发明是通过以下技术方案解决上述技术问题的:
一种PCBA外观检测方法,包括以下步骤:
S1、将标准PCBA放入PCBA放置槽内,采集得到一幅标准PCBA图像;
S2、对标准PCBA图像进行二值化分割处理,获得PCBA的区域掩模,对PCBA图像进行定位;
S3、将深度学习训练得到的元器件模型应用于标准PCBA图像,提取识别标准PCBA图像中的各个元器件;
S4、根据PCBA的区域掩模以及元器件的识别结果,获得各个元器件在标准PCBA上所处的位置信息;
S5、将待检测PCBA放入PCBA放置槽内,采集待检测PCBA的图像,然后进行二值化分割和元器件识别,获得各个元器件在待检测PCBA板上所处的位置信息;
S6、将待检测PCBA板的元器件位置信息和标准PCBA板的元器件位置信息逐个进行对比,计算每个对应标注框的面积交叉比IOU,输出检测结果并将其保存至数据库。
解决了传统的PCBA外观检测主要采用人工目视方式,带来的劳动强度高、工人易疲劳,且检测效率偏低的问题,降低人力成本、提升检测效率。
作为本发明技术方案的进一步改进,步骤S3中所述的深度学习训练得到的元器件模型的方法为:
S31、准备多个PCBA板作为训练样本,逐个将PCBA板放入放置槽内;
S32、摄像机逐个采集PCBA板的图像并储存至PCBA图像训练集;
S33、对采集的PCBA板的图像进行离线标注,采用虚线框表示标注框、图标表示被标注的元器件、文字表示元器件的标签;
S34、将标注过的图像训练集输入至Darknet-53搭配FPN金字塔特征检测网络进行训练,得到不同型号规格的元器件的模型;所述的Darknet-53搭配FPN金字塔特征检测网络的具体流程为:首先采用3x3步长为1的卷积核对原始的416*416*3的输入做初步的特征提取,再采用3x3步长为2的卷积核对特征图做下采样;再经过一个残差层,做下采样处理,此时图像分辨率为104*104;再经过8个残差层后,再一次下采样,得到分辨率52*52的特征图;再依次经过8个残差层,又一次下采样得到分辨率26*26的特征图;最终经过4个残差层,得到13*13分辨率的特征图;在分辨率为13*13、26*26、52*52的特征图上分别使用目标检测头来获得结构化的目标检测输出;
作为本发明技术方案的进一步改进,步骤S6中所述的计算每个对应检测框的面积交叉比IOU具体为:IOU=(A∩B)/(A∪B),设置判断阈值K,若IOU≤K,则判断为元器件的位置安装异常;若IOU>K,则表示元器件的位置安装正常,其中A表示待检测PCBA板的元器件对应检测框的面积,B表示标准PCBA板的元器件对应检测框的面积,0≤IOU<1,0≤K<1。
作为本发明技术方案的进一步改进,步骤S6中所述的标注框为矩形框,具体格式为:Lab0(N),(XN,YN,LN,WN);其中,Lab()表示检测类别,N表示样本数量,N为正整数;XN、YN分别表示矩形框的左上角点图像坐标位置,LN、WN分别矩形框的长和宽。
作为本发明技术方案的进一步改进,步骤S6中所述的检测结果为:若待检测PCBA板与对应型号的标准PCBA板相比,在相同位置上的元器件类别不同,则待检测PCBA板的元器件错焊;若待检测PCBA板与对应型号的标准PCBA板相比,在相同位置上标准PCBA板存在元器件,而待检测PCBA板上没有元器件,则待检测PCBA板的元器件漏焊。
一种基于所述的PCBA板外观在线检测方法的PCBA板外观检测装置,包括:计算机、摄像机、光源、PCBA放置槽,所述的摄像机与计算机连接,所述的PCBA放置槽用于放置PCBA板,所述的光源安装于PCBA放置槽的上方,用于系统的照明;其中摄像机的视场覆盖PCBA放置槽,光源照射区域覆盖PCBA放置槽;PCBA放置槽的槽尺寸和PCBA的外观尺寸相等。
本发明的优点在于:
(1)本发明的PCBA外观检测方法将深度学习训练得到的元器件模型应用于标准PCBA图像,提取识别标准PCBA图像中的各个元器件;将待检测PCBA板的元器件位置信息和标准PCBA板的元器件位置信息逐个进行对比,计算每个对应标注框的面积交叉比IOU来判断电子元件是否存在错焊、漏焊,解决了传统的PCBA外观检测主要采用人工目视方式,带来的劳动强度高、工人易疲劳,且检测效率偏低的问题,降低人力成本、提升检测效率。
(2)本发明的PCBA外观检测装置的PCBA放置槽内,保证每次PCBA的摆放位置和姿态一致,因此其在图像中的感兴趣区域偏移较小;同时,PCBA放置槽的外观颜色单一,且与PCBA的颜色存在较大色差,这样有利于后续PCBA感兴趣区域的精确分割与定位,装置结构简单,成本低。
附图说明
图1是本发明实施例的PCBA外观检测装置;
图2是本发明实施例的PCBA外观检测方法的流程图;
图3是本发明实施例的PCBA板标注示意图;
图4是本发明实施例的深度学习网络模型图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合说明书附图以及具体的实施例对本发明的技术方案作进一步描述:
实施例
如图1所示,一种PCBA板外观检测装置,包括:计算机、摄像机、光源、PCBA放置槽,所述的摄像机与计算机连接,所述的PCBA放置槽用于放置PCBA板,所述的光源安装于PCBA放置槽的上方,用于系统的照明;其中摄像机的视场能够覆盖PCBA放置槽,光源照射区域也需要覆盖PCBA放置槽,且光照强度分布比较均匀;PCBA放置槽的槽尺寸和PCBA的外观尺寸相等,PCBA板恰好可以放入PCBA放置槽内,保证每次PCBA的摆放位置和姿态一致,因此其在图像中的感兴趣区域偏移较小;同时,PCBA放置槽的外观颜色单一,且与PCBA的颜色存在较大色差,这样有利于后续PCBA感兴趣区域的精确分割与定位。
如图2所示,一种PCBA板外观检测方法,包括以下步骤:
1、将标准PCBA放入PCBA放置槽内,采集得到一幅标准PCBA图像;
2、对标准PCBA图像进行二值化分割处理,获得PCBA的区域掩模,实现对PCBA的定位;
3、将深度学习训练得到的标准电子元器件模型应用于标准PCBA图像,提取识别标准PCBA图像中的各个元器件;
所述的深度学习训练的方法为:
1)准备足够数量的PCBA作为训练样本;
2)逐个将PCBA放入放置槽内;
3)摄像机逐个采集PCBA的图像并储存至PCBA图像训练集,注意PCBA图像训练集中的图像数量需达到一定数量,一般要求上千张以上;
4)对PCBA图像训练集图像进行离线标注,收集大量PCBA元器件图像,对关注类别异形类别进行标注,具体标注结果采用VOC格式存储,并用于深度学习训练,其标注示意图如图3所示,其中虚线框表示标注框,图标表示被标注的元器件,文字表示元器件的标签,图中仅展示了电阻、电容、电感和二极管的标注示例;
所述的离线标注采用矩形框进行标注,具体为:
Step1:采集一个标准的PCBA版图像;
Step2:对图像板子上目标元器件进行标注,用矩形框进行标注,具体格式是:
Lab0(1),(X1,Y1,L1,W1);
Lab0(2),(X2,Y2,L2,W2);
……
Lab0(N),(XN,YN,LN,WN);
其中,Lab()表示检测类别,N表示样本数量,N为正整数;XN、YN分别表示矩形框的左上角点图像坐标位置,LN、WN分别矩形框的长和宽。
Setp3:把结果存下来作为比对信息模板。
5)将标注过的图像训练集输入至深度学习网络进行训练,便可以得到不同型号规格的元器件的模型。
如图4所示,所述的深度学习网络模型的基础骨干网络采用Darknet-53,搭配FPN金字塔特征检测网络。Darknet-53是全卷积网络,不包含全连接层,并大量使用残差单元。
首先采用3x3步长为1的卷积核对原始的416*416*3的输入做初步的特征提取,再采用3x3步长为2的卷积核对特征图做下采样。
再经过一个残差层,做下采样处理,此时图像分辨率为104*104。再经过8个残差层后,再一次下采样,得到分辨率52*52的特征图。再依次经过8个残差层,又一次下采样得到分辨率26*26的特征图。最终经过4个残差层,得到13*13分辨率的特征图。
在分辨率为13*13、26*26、52*52的特征图上分别使用目标检测头来获得结构化的目标检测输出。
以13*13的特征图为例,使用全卷积网络,得到13*13*(3*(6+c))的特征表示,对13*13的原图像网格划分而言,每个网格可以预测3个目标框,每个目标框的信息包括c个类别的概率、目标框的坐标信息、物体区分度信息和角度信息。13*13和26*26分辨率的特征图还会进行上采样,分别与26*26和52*52分辨率的特征进行信息融合,从而实现信息在空间金字塔中的流动,保证了高分辨率特征图中高阶语义信息和低阶细节信息的兼容平衡。
4、根据PCBA的区域掩模以及元器件的识别结果,获得各个元器件在标准PCBA上所处的位置信息;
5、将待检测PCBA放入PCBA放置槽内,采集待检测PCBA的图像,然后进行二值化分割和元器件识别,获得各个元器件在待检测PCBA板上所处的位置信息;
6、将待检测PCBA板的元器件位置信息和标准的PCBA板的元器件位置信息逐个进行对比,计算两者之间的差异,输出错焊、漏焊等检测结果,并将检测结果保存至数据库,便于后续检索和查询。
计算每个对应检测框的面积交叉比IOU,IOU=(A∩B)/(A∪B)。设置IOU≤0.6,则判断为位置安装异常,如果IOU≥0.6,则表示安装正常,IOU阈值可根据实际情况进行调整。
若待检测PCBA板与对应型号的标准PCBA板相比,在相同位置上的元器件类别不同,则待检测PCBA板的元器件错焊。
若待检测PCBA板与对应型号的标准PCBA板相比,在相同位置上标准PCBA板存在元器件,而待检测PCBA板上没有元器件,则待检测PCBA板的元器件漏焊。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种PCBA外观检测方法,其特征在于,包括以下步骤:
S1、将标准PCBA放入PCBA放置槽内,采集得到一幅标准PCBA图像;
S2、对标准PCBA图像进行二值化分割处理,获得PCBA的区域掩模,对PCBA图像进行定位;
S3、将深度学习训练得到的元器件模型应用于标准PCBA图像,提取识别标准PCBA图像中的各个元器件;
S4、根据PCBA的区域掩模以及元器件的识别结果,获得各个元器件在标准PCBA上所处的位置信息;
S5、将待检测PCBA放入PCBA放置槽内,采集待检测PCBA的图像,然后进行二值化分割和元器件识别,获得各个元器件在待检测PCBA板上所处的位置信息;
S6、将待检测PCBA板的元器件位置信息和标准PCBA板的元器件位置信息逐个进行对比,计算每个对应标注框的面积交叉比IOU,输出检测结果并将其保存至数据库。
2.根据权利要求1所述的PCBA板外观在线检测方法,其特征在于,步骤S3中所述的深度学习训练得到的元器件模型的方法为:
S31、准备多个PCBA板作为训练样本,逐个将PCBA板放入放置槽内;
S32、摄像机逐个采集PCBA板的图像并储存至PCBA图像训练集;
S33、对采集的PCBA板的图像进行离线标注,采用虚线框表示标注框、图标表示被标注的元器件、文字表示元器件的标签;
S34、将标注过的图像训练集输入至Darknet-53搭配FPN金字塔特征检测网络进行训练,得到不同型号规格的元器件的模型;所述的Darknet-53搭配FPN金字塔特征检测网络的具体流程为:首先采用3x3步长为1的卷积核对原始的416*416*3的输入做初步的特征提取,再采用3x3步长为2的卷积核对特征图做下采样;再经过一个残差层,做下采样处理,此时图像分辨率为104*104;再经过8个残差层后,再一次下采样,得到分辨率52*52的特征图;再依次经过8个残差层,又一次下采样得到分辨率26*26的特征图;最终经过4个残差层,得到13*13分辨率的特征图;在分辨率为13*13、26*26、52*52的特征图上分别使用目标检测头来获得结构化的目标检测输出。
3.根据权利要求1所述的PCBA板外观在线检测方法,其特征在于,步骤S6中所述的计算每个对应检测框的面积交叉比IOU具体为:IOU=(A∩B)/(A∪B),设置判断阈值K,若IOU≤K,则判断为元器件的位置安装异常;若IOU>K,则表示元器件的位置安装正常,其中A表示待检测PCBA板的元器件对应检测框的面积,B表示标准PCBA板的元器件对应检测框的面积,0≤IOU<1,0≤K<1。
4.根据权利要求1所述的PCBA板外观在线检测方法,其特征在于,步骤S6中所述的标注框为矩形框,具体格式为:Lab0(N),(XN,YN,LN,WN);其中,Lab()表示检测类别,N表示样本数量,N为正整数;XN、YN分别表示矩形框的左上角点图像坐标位置,LN、WN分别矩形框的长和宽。
5.根据权利要求1所述的PCBA板外观在线检测方法,其特征在于,步骤S6中所述的检测结果为:若待检测PCBA板与对应型号的标准PCBA板相比,在相同位置上的元器件类别不同,则待检测PCBA板的元器件错焊;若待检测PCBA板与对应型号的标准PCBA板相比,在相同位置上标准PCBA板存在元器件,而待检测PCBA板上没有元器件,则待检测PCBA板的元器件漏焊。
6.一种基于权利要求1-5任一项所述的PCBA板外观在线检测方法的PCBA板外观检测装置,包括:计算机、摄像机、光源、PCBA放置槽,所述的摄像机与计算机连接,所述的PCBA放置槽用于放置PCBA板,所述的光源安装于PCBA放置槽的上方,用于系统的照明;其中摄像机的视场覆盖PCBA放置槽,光源照射区域覆盖PCBA放置槽;PCBA放置槽的槽尺寸和PCBA的外观尺寸相等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111292576.6A CN114004815A (zh) | 2021-11-03 | 2021-11-03 | 一种pcba外观检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111292576.6A CN114004815A (zh) | 2021-11-03 | 2021-11-03 | 一种pcba外观检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114004815A true CN114004815A (zh) | 2022-02-01 |
Family
ID=79926770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111292576.6A Pending CN114004815A (zh) | 2021-11-03 | 2021-11-03 | 一种pcba外观检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004815A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114372984A (zh) * | 2022-03-22 | 2022-04-19 | 南京熊猫电子制造有限公司 | 一种超分辨率元器件角度识别装置及方法 |
CN116026859A (zh) * | 2023-01-30 | 2023-04-28 | 讯芸电子科技(中山)有限公司 | 一种光电子模块的安装检测方法、装置、设备及存储介质 |
CN116740385A (zh) * | 2023-08-08 | 2023-09-12 | 深圳探谱特科技有限公司 | 一种设备质检方法、装置和系统 |
CN116991131A (zh) * | 2023-09-26 | 2023-11-03 | 南通新丰威机械科技有限公司 | 基于传感器协同的生产流转控制方法及系统 |
-
2021
- 2021-11-03 CN CN202111292576.6A patent/CN114004815A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114372984A (zh) * | 2022-03-22 | 2022-04-19 | 南京熊猫电子制造有限公司 | 一种超分辨率元器件角度识别装置及方法 |
CN116026859A (zh) * | 2023-01-30 | 2023-04-28 | 讯芸电子科技(中山)有限公司 | 一种光电子模块的安装检测方法、装置、设备及存储介质 |
CN116026859B (zh) * | 2023-01-30 | 2023-12-12 | 讯芸电子科技(中山)有限公司 | 一种光电子模块的安装检测方法、装置、设备及存储介质 |
CN116740385A (zh) * | 2023-08-08 | 2023-09-12 | 深圳探谱特科技有限公司 | 一种设备质检方法、装置和系统 |
CN116740385B (zh) * | 2023-08-08 | 2023-10-13 | 深圳探谱特科技有限公司 | 一种设备质检方法、装置和系统 |
CN116991131A (zh) * | 2023-09-26 | 2023-11-03 | 南通新丰威机械科技有限公司 | 基于传感器协同的生产流转控制方法及系统 |
CN116991131B (zh) * | 2023-09-26 | 2023-12-01 | 南通新丰威机械科技有限公司 | 基于传感器协同的生产流转控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114004815A (zh) | 一种pcba外观检测方法及装置 | |
CN110992317B (zh) | 一种基于语义分割的pcb板缺陷检测方法 | |
CN110070536B (zh) | 一种基于深度学习的pcb板元器件检测方法 | |
CN104933720B (zh) | 一种基于视觉的sop元件定位和缺陷检测方法 | |
CN104992449B (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
CN111899241B (zh) | 一种定量化的炉前pcb贴片缺陷在线检测方法及系统 | |
CN104990926B (zh) | 一种基于视觉的tr元件定位和缺陷检测方法 | |
CN111160352A (zh) | 一种基于图像分割的工件金属表面文字识别方法及系统 | |
CN107945184A (zh) | 一种基于彩色图像分割和梯度投影定位的贴装元件检测方法 | |
CN111275759A (zh) | 基于无人机双光影像融合的变电站刀闸温度检测方法 | |
CN109859164A (zh) | 一种通过快速型卷积神经网络对pcba外观检验的方法 | |
CN113724216A (zh) | 一种波峰焊点缺陷检测方法及系统 | |
CN106874913A (zh) | 一种菜品检测方法 | |
CN113222913B (zh) | 一种电路板缺陷检测定位方法、装置和存储介质 | |
CN114723706A (zh) | 一种基于机器视觉的焊点检测定位方法 | |
CN111210417B (zh) | 基于卷积神经网络的布匹缺陷检测方法 | |
CN115170497A (zh) | 一种基于ai视觉检测技术的pcba在线检测平台 | |
CN110705199A (zh) | 一种基于可穿戴设备的智能电装系统及方法 | |
Huang et al. | Deep learning object detection applied to defect recognition of memory modules | |
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 | |
JP2008185395A (ja) | 実装基板外観検査方法 | |
JPH07175894A (ja) | ニューラルネットワークと文字認識方法と電子部品実装検査装置及びそれを用いた管理方法 | |
CN116704518A (zh) | 一种文本识别方法及装置、电子设备、存储介质 | |
CN110910352A (zh) | 基于深度学习的太阳能电池缺陷检测系统及检测方法 | |
CN111189826A (zh) | 用于pH试纸测量待测溶液pH值的智能评分实验设备及方法 |
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 |