CN114216915A - 一种基于线路板污渍和缺陷类型类别级别检测分类的方法 - Google Patents
一种基于线路板污渍和缺陷类型类别级别检测分类的方法 Download PDFInfo
- Publication number
- CN114216915A CN114216915A CN202111537306.7A CN202111537306A CN114216915A CN 114216915 A CN114216915 A CN 114216915A CN 202111537306 A CN202111537306 A CN 202111537306A CN 114216915 A CN114216915 A CN 114216915A
- Authority
- CN
- China
- Prior art keywords
- circuit board
- defect
- stains
- image
- defects
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 250
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 238000004140 cleaning Methods 0.000 claims abstract description 31
- 238000004519 manufacturing process Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 239000000463 material Substances 0.000 claims description 15
- 239000007921 spray Substances 0.000 claims description 11
- 238000003709 image segmentation Methods 0.000 claims description 9
- 238000005507 spraying Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 6
- 229910052802 copper Inorganic materials 0.000 claims description 6
- 239000010949 copper Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000012459 cleaning agent Substances 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 230000002950 deficient Effects 0.000 abstract description 6
- 230000009467 reduction Effects 0.000 description 7
- 230000005611 electricity Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000004064 recycling Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
- 238000005476 soldering Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
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
- G01N21/95—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
- 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
- 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
- G01N2021/8854—Grading and classifying of flaws
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明属于线路板检测技术领域，具体的说是一种基于线路板污渍和缺陷类型类别级别检测分类的方法，本发明提供的一种基于线路板污渍和缺陷类型类别级别检测分类的方法，通过按照步骤S1‑S6对线路板进行检测及分析，针对每一步骤进行判别，从而区别缺陷线路板的缺陷类型，以及区别已知缺陷和含有污渍的线路板，针对于含有污渍的线路板通过多次清洗，判别含有污渍的线路板是否为可清洗污渍线路板或是不可清洗污渍线路板，继而能够对含有缺陷的线路板进行准确划分，并依照缺陷线路板所存在的问题，分析产生缺陷的原因，并调整线路板的生产环节以及方式，继而避免或减少缺陷产生的次数。
Description
【技术领域】
本发明属于线路板检测技术领域，具体的说是一种基于线路板污渍和缺陷类型类别级别检测分类的方法。
【背景技术】
线路板时电子元器件电气连接的基础，而随着印刷线路板设计以及制造越来越趋于高精度、高性能以及高密度，市场对于线路板的缺陷检测同时提出更高的要求。
目前市场上常见的缺陷包括短路、短路、凸起、凹陷、空洞以及污渍；传统的检测方式一般为人工目测以及电测试。
目前对于线路板的检测主要为人工目测以及电测试，而针对于人工目测，存在效率低下以及误差率较大的问题，而电测试无法针对于线路板的缺陷类型进行判别，很多时候是因为线路板具有污渍而不是真实损坏，但是哪种情况是污渍哪种情况是真实损坏很难通过肉眼判别，特别是存在污渍，且能够清洗的线路板，常常被判定为缺陷线路板进行降价销售，不能对通过调整生产环节进行控制的同时，导致生产成本上升。而如果对污渍的识别不精确，又有可能导致一些确实具有缺陷的线路板，会因为认为是污渍，而放过，导致质量不过关。
【发明内容】
为了弥补现有技术的不足，解决针对存在污渍，且能够清洗的线路板，常常被判定为缺陷线路板进行降价销售，不能对通过调整生产环节进行控制的同时，导致生产成本上升问题，本发明提出的一种基于线路板污渍和缺陷类型类别级别检测分类的方法。
本发明解决其技术问题所采用的技术方案是：一种基于线路板污渍和缺陷类型类别级别检测分类的方法，该方法包括以下步骤：
S1：获取需要检测是否存在缺陷的线路板信息；
S2：通过第一摄像头图像识别技术获取线路板的信息，并判断线路板是否存在缺陷；
S3：对存在缺陷的线路板进行缺陷类型特征检测，识别缺陷类型不属于常规缺陷则判定为疑似缺陷，包括新的缺陷类型以及污渍；
S4：确定疑似缺陷类型，对两种类型的疑似缺陷类型线路板进行反馈及处理；
S5：排除含有污渍的疑似缺陷类型线路板，将线路板新的缺陷类型反馈至生产环节；
S6：对含有污渍且不存在其他缺陷类型的线路板进行处理。
优选的，所述S1中，线路板的信息包括：线路板的类型以及线路板的图像；所述线路板的类型包括：线路板的大小尺寸、线路板的应用以及线路板的材质；所述线路板的应用包括：刚性线路板和柔性线路板；所述线路板的材质包括：单面板、双面板以及多层线路板；所述线路板的图像通过视觉模块获取；所述线路板信息发送并储存入工控机的数据库。
优选的，所述S2中，缺陷类型包括：线路缺口、露铜、孔偏以及不同位置存在异物，其中不同位置包括：板面、IC位以及Pad；所述缺陷类型的获取步骤为：
A1：训练线路板缺陷检测模型，获取线路板的图像；
A2：已获取线路板的图像与标准的线路板图像进行图像灰度值比对；
A3：判断已获取线路板图像与标准线路板图像差异，判断是否存在缺陷；
A4：通过CV目标检测算法检测线路板存在缺陷的缺陷类型。
优选的，所述S3中，对于污渍疑似缺陷线路板，判别的方式包括：
B1：训练线路板疑似污渍检测模型；
B2：通过CV图像分割定位，对线路板污渍区域进行分割定位，得到线路板缺陷边界位点；
B3：当线路板存在缺陷且缺陷类型为不同位置存在异物时，辨别是污渍还是异物。
优选的，所述S4中，对两种类型的疑似缺陷类型线路板进行反馈及处理，具体的处理方式为：
C1：对于新的缺陷类型的线路板，根据分类出的缺陷类别和线路板信息确定线路板的处理方式；
C2：对于疑似污渍的线路板，需要进一步判定属于污渍缺陷或是缺陷类型不属于污渍缺陷；
C3：对于可疑线路板，确认其是否存在污渍而在检测过程中判定为异物缺陷类型。
优选的，所述S5中，线路板的缺陷类型反馈给线路板的生产环节并进行分析缺陷的产生原因；所述分析方式包括以下步骤：
D1：利用卷积神经网络训练瑕疵程度模型，确定线路板的瑕疵程度；
D2：通过CV目标检测算法获取线路板存在的缺陷类型；
D3：对于存在污渍缺陷，且存在其他类型缺陷的线路板，需反馈至数据库，并调整线路板的生产环节以及方式；
D4：对于数据库中经过三次检验程序的线路板进行复查，通过第一摄像头拍摄线路板图像，反馈到复查人员端口进行复查，复查人员将缺陷正确结果上传到数据库。
优选的，所述S6中，存在污渍缺陷且不存在其他缺陷类型的线路板的处理需先获取线路板的污渍总面积；
E1：污渍面积大于百分之三十，则对线路板进行一次清洗，并进行处理；具体为将污渍缺陷的线路板放置于清洗设备的放置架中进行清洗；
E2：污渍面积小于百分之三十，则对污渍类型进行细分类别，并进行处理。
优选的，所述清洗设备由外壳组件、放置组件以及喷淋组件组成；所述外壳组件由顶盖以及箱体组成；所述顶盖铰接在箱体的顶部；所述放置组件卡接于箱体上；所述喷淋组件设置在顶盖的内壁。
优选的，所述放置组件由一号放置架以及二号放置架组成；所述一号放置架固接与二号放置架的顶端，且所述一号放置架的顶部开设有契合槽；所述喷淋组件由水管以及喷头组成；所述水管固接于顶盖的内壁中；所述喷头设置若干组，且若干组所述喷头等距布置在水管中。
优选的，所述顶盖的中部贯穿有电机，且所述电机的一端设置有花键；所述花键贯穿在顶盖的内部；所述水管的一端贯穿于顶盖；所述放置组件的底部固接有轴承，且所述轴承中固接有底板；所述底板的两端固接有连接杆，且所述连接杆卡接于箱体的顶部。
本发明的技术效果和优点：
本发明提供的一种基于线路板污渍和缺陷类型类别级别检测分类的方法，通过按照步骤S1-S6对线路板进行检测及分析，针对每一步骤进行判别，从而区别缺陷线路板的缺陷类型，以及区别已知缺陷和含有污渍的线路板，针对于含有污渍的线路板通过多次清洗，判别含有污渍的线路板是否为可清洗污渍线路板或是不可清洗污渍线路板，继而能够对含有缺陷的线路板进行准确划分，并依照缺陷线路板所存在的问题，分析产生缺陷的原因，并调整线路板的生产环节以及方式，继而避免或减少缺陷产生的次数。
【附图说明】
下面结合附图对本发明作进一步说明。
图1是本发明检测方法的流程图；
图2是本发明的第一立体图；
图3是本发明的第二立体图
图4是本发明中放置组件的立体图；
图5是本发明中喷淋组件的立体图；
图中：11、顶盖；12、箱体；13、水管；14、花键；15、电机；16、喷头；21、连接杆；22、轴承；23、底板；3、放置组件；31、契合槽；32、一号放置架；33、二号放置架。
【具体实施方式】
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
如图1至图5所示，本发明所述的一种基于线路板污渍和缺陷类型类别级别检测分类的方法，该方法包括以下步骤：
S1：获取需要检测是否存在缺陷的线路板信息；
S2：通过第一摄像头图像识别技术获取线路板的信息，并判断线路板是否存在缺陷；
S3：对存在缺陷的线路板进行缺陷类型特征检测，识别缺陷类型不属于常规缺陷则判定为疑似缺陷，包括新的缺陷类型以及污渍；
S4：确定疑似缺陷类型，对两种类型的疑似缺陷类型线路板进行反馈及处理；
S5：排除含有污渍的疑似缺陷类型线路板，将线路板新的缺陷类型反馈至生产环节；
S6：对含有污渍且不存在其他缺陷类型的线路板进行处理。
进一步的，所述S1中，线路板的信息包括：线路板的类型以及线路板的图像；所述线路板的类型包括：线路板的大小尺寸、线路板的应用以及线路板的材质；所述线路板的应用包括：刚性线路板和柔性线路板；所述线路板的材质包括：单面板、双面板以及多层线路板；所述线路板的图像通过视觉模块获取；所述线路板信息发送并储存入工控机的数据库。
进一步的，所述S2中，缺陷类型包括：线路缺口、露铜、孔偏以及不同位置存在异物，其中不同位置包括：板面、IC位以及Pad；所述缺陷类型的获取步骤为：
A1：训练线路板缺陷检测模型，获取线路板的图像；
A2：已获取线路板的图像与标准的线路板图像进行图像灰度值比对；
A3：判断已获取线路板图像与标准线路板图像差异，判断是否存在缺陷；
A4：通过CV目标检测算法检测线路板存在缺陷的缺陷类型。
其中，训练线路板缺陷检测模型，具体包括：利用第一摄像头拍摄收集存在缺陷的线路板图像，利用CV目标检测算法提取线路板缺陷类型特征，通过线路板缺陷类型特征建立线路板缺陷搜寻匹配集，将缺陷收集匹配集作为训练数据，通过在线路板图像中目标检测到缺陷，与缺陷收集匹配集进行匹配作为模型训练，得到线路板缺陷检测模型。
具体的，在对缺陷进行定位时，即获取标准的线路板图像，在板面、IC位、Pad利用计算机视觉进行边界框标注，绘制边界框，对与标准的线路板图像灰度值比对后存在缺陷的线路板的图像灰度区域进行定位，根据线路板上的定位孔参数，利用公式H(x，y)＝B标准(x，y)XORD待测(x，y)完成缺陷在不同位置的定位；其中XORD是指双字异或指令。
进一步的，所述S3中，对于污渍疑似缺陷线路板，判别的方式包括：
B1：训练线路板疑似污渍检测模型；
具体包括：收集3000张有污渍没有其他缺陷的线路板图像，获取线路板的信息，建立线路板污渍图片库，将图片库作为训练数据，通过yolov5算法，结合目标检测技术，得到线路板疑似污渍检测模型；
B2：通过CV图像分割定位，对线路板污渍区域进行分割定位，得到线路板缺陷边界位点；
通过步骤S2得到线路板缺陷范围是在板面还是在IC位或是在Pad位置的信息，对三个缺陷范围内的边界位点顺次连结根据点运算算法计算缺陷面积，得到线路板污渍在板面、IC位以及Pad三个位置范围中的总面积，将总面积最大的缺陷范围定义为容易出现污渍的位置范围；
其中，将线路板缺陷区域的位点及对应面积计入数据库，通过knn算法得到缺陷区域出现次数最多的排序，用排序划定出现污渍区域的可能性大小，对于可能性大于50％的区域定义为容易残留污渍的线路板位置，当疑似污渍线路板在图像分割定位时缺陷区域在所述容易残留污渍的线路板位置，则判断该线路板为存在污渍线路板，线路板缺陷区域不在容易残留污渍的线路板位置但在容易出现污渍的位置范围时，与标准线路板进行灰度值对比。标准线路板即完整的无缺陷和污渍的线路板。
B3：当线路板存在缺陷且缺陷类型为不同位置存在异物时，辨别是污渍还是异物。
其中根据所述CV图像分割定位得到线路板缺陷范围是否在容易出现污渍的位置范围，如果在缺陷出现在容易出现污渍的位置范围时，则判断该线路板为疑似污渍线路板；当疑似缺陷不是污渍缺陷时，判断疑似缺陷为新的类别的缺陷，将所述新的类别的缺陷补充到缺陷收集匹配集中。
进一步的，所述S4中，对两种类型的疑似缺陷类型线路板进行反馈及处理，具体的处理方式为：
C1：对于新的缺陷类型的线路板，将所述线路板的缺陷补充到缺陷收集匹配集中，根据分类出的缺陷类别和线路板信息确定线路板的处理方式；
具体的，对于影响线路板性能的缺陷类别，先用电标笔检测线路板是否有漏电情况，如果线路板有漏电情况，将线路板进行废弃处理或者材料回收，材料回收需要根据线路板是否安装元器件、线路板的材质的情况判断是否可以回收；
具体包括：根据线路板信息，对于已安装元器件的线路板，所述线路板缺陷位置出现在板面上的，可以对线路板的元器件进行回收，线路板的材质为多层板或双层板时，对于没有缺陷的板面可以进行回收，如果线路板没有漏电情况，不影响所述线路板发挥性能，则进行降价处理；
C2：对于疑似污渍的线路板，需要进一步判定属于污渍缺陷或是缺陷类型不属于污渍缺陷。
具体的，当不能喷除疑似污渍时，分两种情况：污渍本身比较顽固或线路板缺陷类型不是存在污渍，根据线路板的类型利用价格函数得到线路板的生产成本，具体为：根据线路板的类型利用价格函数得到线路板的生产成本，获取清洗机器一次清洗的用水量和用电量数据乘以单价，设置大于的条件格式：生产成本>VALUE用水量用电量X单价，若线路板的生产成本大于清洗成本，且考虑到线路板可能存在污渍但污渍本身比较顽固，先将线路板放在清洗剂液体里浸泡清洗2-5分钟，如果仍不能去除疑似污渍，将线路板标记为新的类型缺陷线路板，如果能去除疑似污渍，将线路板标记为缺陷类型为存在污渍线路板，若线路板的生产价格大于清洗成本，进行多一次地完整清洗，如果仍不能去除疑似污渍，则判断该类型线路板缺陷为新的缺陷类型，并补充到缺陷收集匹配集中，当不能喷除疑似污渍的线路板生产价格小于清洗成本时，利用点运算算法获取所述线路板的缺陷面积，当线路板存在污渍的位置板面是焊接面时，自动化测试模块测试线路板的功能情况，如果线路板的功能完好，依据线路板缺陷面积参数利用交叉熵损失函数得出降价区间，对线路板降价销售，如果线路板功能并不完好，直接进行丢弃处理，丢弃处理包括材料回收再丢弃和直接丢弃处理方式，当线路板存在污渍的位置板面是元件面时，线路板功能完好，依据线路板缺陷面积参数利用交叉熵损失函数得出降价区间，线路板的功能并不完好，采取直接丢弃处理的方式；
C3：对于可疑线路板，确认其是否存在污渍而在检测过程中判定为异物缺陷类型；
具体的，首先获取待测线路板的图像，将图像定义为二维空间函数，在缺陷位置对应X和Y处坐标的灰度值对应为f值，用清洗剂进行一次喷洗后，查看缺陷位置灰度是否发生变化，如果发生变化，则可疑线路板为存在污渍线路板，并更新数据库，对于一般可疑线路板，因为存在污渍的可能性较小，为了节省成本，对每10个同一批次的可疑线路板进行抽样检查，如果确认为存在污渍线路板，对该批次的其他为抽查线路板进行检测线路板是否存在污渍处理；
除此以外，为了验证新的类型缺陷线路板中确实不存在污渍，利用图像识别技术获取线路板的图像，获取灰度图像并与标准线路板灰度图像进行灰度值对比，结合污渍图片库的训练数据，采用函数：
对灰度区域进行滤波及去噪处理，排除存在污渍的可能性。其中x是横坐标，y是纵坐标，n是污渍对应标准图像的横坐标偏移量，m是污渍对应标准图像的纵坐标偏移量，f代表对应规则。
进一步的，所述S5中，线路板的缺陷类型反馈给线路板的生产环节并进行分析缺陷的产生原因；所述分析方式包括以下步骤：
D1：利用卷积神经网络训练瑕疵程度模型，确定线路板的瑕疵程度；
具体的，对线路板缺陷的每一种类型图片进行收集，并根据瑕疵程度对线路板缺陷进行分级，瑕疵程度为线路板缺陷的数量、面积和深度，分级为低度瑕疵、中度瑕疵、重度瑕疵，利用卷积神经网络进行训练，得到线路板的瑕疵程度模型；
判断存在的缺陷类型线路缺口、露铜以及孔偏的瑕疵程度对应的原因，即通过CV目标检测算法获取线路板存在的所述缺陷类型为线路缺口时，先输入定位性缺口的位置信息，避免定位性缺口被当成缺陷标记，查看图像分割定位是否在此位置信息上，如果在此位置上，将定位性缺口标记为无缺口缺陷线路板，如果不在此位置上，则线路缺口为随机性缺口，不属于定位性缺口分槽线，通过计算机视觉识别缺口的形状，输入缺口原因和缺口形状参数，所述缺口原因包括：膜屑、粉尘、灰尘、皱膜、裂纹、干膜碎，利用VLOOKUP函数建立不同原因造成的缺口形状一一对应匹配关系，得到缺口原因并反馈给数据库，瑕疵程度为中度瑕疵或重度时，与标准线路板的线路图像进行灰度值比对，将不重叠的部分标记为0，统计不重叠部分的数量，计算线路板的补线单价，所述补线单价计算方式包括：测试获取一块有线路板缺口缺陷的线路板补线返工的材料损耗和设备功耗，得到返工成本，除以线路板的缺口数量，即为线路板补线单价，所述补线单价作为一个平均值量化，考虑到补线之后是不美观的线路板，因此设置大于条件格式为：0.8乘以生产成本>VALUE不重叠部分数量乘以补线单价，当条件格式成立时，将线路板标记为返工处理，当条件格式不成立时，将线路板标记为回收材料处理；
D2：通过CV目标检测算法获取线路板存在的缺陷类型；
具体的，瑕疵程度为低度瑕疵时，进行补线，瑕疵程度为中度瑕疵或重度时，根据线路板的成本决定是废弃处理还是返工，线路板存在的缺陷类型为露铜时，利用测试模块检测线路板是否漏电，线路板漏电时，标记该线路板为残次品，线路板不漏电时且瑕疵程度为低度瑕疵时，进行焊锡处理，瑕疵程度为中度瑕疵或重度时，根据线路板的成本决定是废弃处理还是回收材料处理，当线路板存在的缺陷类型为孔偏时，如果线路板存在孔偏缺陷的数量多于其他类型时，反馈孔偏缺陷问题，通过调整钻孔工序改善孔偏的情况，当孔偏线路板的数量较少时，计算不同程度孔偏对线路板寿命的影响，进行分级售价；计算孔偏程度包括：利用图像分割定位结合距离测算方法确定孔位的偏移量，建立线路板寿命与孔位偏移量的函数关系，并以函数关系(利用topsis模型建立线路板寿命与孔位偏移量的函数关系设立售卖价格)作为模型，对于寿命影响量达到降低百分之五十的数值时，将线路板进行对齐或材料回收处理；
D3：对于存在污渍缺陷，且存在其他类型缺陷的线路板，需反馈至数据库，并调整线路板的生产环节以及方式；
D4：对于数据库中经过三次检验程序的线路板进行复查，通过第一摄像头拍摄线路板图像，反馈到复查人员端口进行复查，复查人员将缺陷正确结果上传到数据库。
进一步的，所述S6中，存在污渍缺陷且不存在其他缺陷类型的线路板的处理需先获取线路板的污渍总面积；
E1：污渍面积大于百分之三十，则对线路板进行一次清洗，并进行处理；具体为将污渍缺陷的线路板放置于清洗设备的放置架中进行清洗；
具体的，如果没有去除污渍，将线路板标记为不美观线路板，所述没有去除污渍效果判断方式，具体包括：将清洗后的线路板与标准线路板进行比较，看是否配准，如果没有配准，则说明线路板污渍没有去除，将没有配准的线路板区域划分出来，根据所述线路板的清洗结果对线路板的售价进行分级，进行降价销售处理；
E2：污渍面积小于百分之三十，则对污渍类型进行细分类别，并进行处理。
具体的，细分类别包括：颗粒性污渍、非极性污渍、极性污渍，颗粒性污渍包括：灰尘和焊锡球，当同时存在两种或以上污渍类型、污渍类型为极性污渍、污渍类型为焊锡球时，考虑污渍类型的清洗成本，若清洗成本大于线路板价值时，将线路板标记为不美观线路板直接进行降价销售，当线路板的污渍类型为灰尘或非极性污渍时，将线路板根据污渍类型对应的清洗方法进行一次清洗，采用机器视觉检测线路板表面污渍量，根据污渍量来评定线路板表面清洁度，根据污渍量对线路板进行定级，其中定级包括：污渍量小于1.5ug/cm2的线路板为高级线路板、污渍量在1.5～5ug/cm2的线路板为一般线路板、污渍量在5～10ug/cm2的线路板为低级线路板，根据清洗成本决定线路板是否需要二次清洗，线路板类型参数制定价格函数得到线路板清洗成本低于生产成本时，对线路板所有污渍进行清除，线路板清洗成本高于生产成本时，根据所述线路板定级进行降价销售；
进一步的，所述清洗设备由外壳组件、放置组件3以及喷淋组件组成；所述外壳组件由顶盖11以及箱体12组成；所述顶盖11铰接在箱体12的顶部；所述放置组件3卡接于箱体12上；所述喷淋组件设置在顶盖11的内壁。
进一步的，所述放置组件3由一号放置架32以及二号放置架33组成；所述一号放置架32固接与二号放置架33的顶端，且所述一号放置架32的顶部开设有契合槽31；所述喷淋组件由水管13以及喷头16组成；所述水管13固接于顶盖11的内壁中；所述喷头16设置若干组，且若干组所述喷头16等距布置在水管13中。
进一步的，所述顶盖11的中部贯穿有电机15，且所述电机15的一端设置有花键14；所述花键14贯穿在顶盖11的内部；所述水管13的一端贯穿于顶盖11；所述放置组件3的底部固接有轴承22，且所述轴承22中固接有底板23；所述底板23的两端固接有连接杆21，且所述连接杆21卡接于箱体12的顶部。
工作原理：将若干污渍缺陷的线路板放置于放置组件3上，即将PCB板放置于一号放置架32以及二号放置架33上，随后人为合并顶盖11以及箱体12，当顶盖11合并在箱体12上时，顶盖11中部设置的花键14能够准确的卡接在放置组件3上设置的契合槽31中，随着电机15的启动以及水管13的连通，此时由水管13上的喷头16对放置于一号放置架32以及二号放置架33上的污渍缺陷线路板进行清洗，清洗的过程中，位于箱体的内部存在视觉抓取摄像头，能够在喷头间歇工作时，对疑似污渍缺陷线路板进行拍照，并将照片通过无线传输至电脑端，进行判定，继而识别污渍缺陷线路板的类别，随后打开顶盖11，拆卸连接杆21与箱体12之间的外接螺母，人为提取放置组件3，从而将清洗后的PCB板取出，继而对线路板进行进一步的处理，包括降价销售或是二次清洗。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于线路板污渍和缺陷类型类别级别检测分类的方法，其特征在于：该方法包括以下步骤：
S1：获取需要检测是否存在缺陷的线路板信息；
S2：通过第一摄像头图像识别技术获取线路板的信息，并判断线路板是否存在缺陷；在对所述缺陷进行定位时，即获取标准的线路板图像，在板面、IC位、Pad利用计算机视觉进行边界框标注，绘制边界框，对与标准的线路板图像灰度值比对后存在缺陷的线路板的图像灰度区域进行定位，根据线路板上的定位孔参数，利用公式H(x，y)＝B标准(x，y)XORD待测(x，y)完成缺陷在不同位置的定位；
S3：对存在缺陷的线路板进行缺陷类型特征检测，识别缺陷类型不属于常规缺陷则判定为疑似缺陷，包括新的缺陷类型以及污渍；所述缺陷检测算法包括训练线路板疑似污渍检测模型；具体包括：收集多张有污渍但没有其他缺陷的线路板图像，获取线路板的信息，建立线路板污渍图片库，将图片库作为训练数据，通过yolov5算法，结合目标检测技术，得到线路板疑似污渍检测模型；通过CV图像分割定位，对线路板污渍区域进行分割定位，得到线路板缺陷边界位点；根据线路板缺陷范围是在板面还是在IC位或是在Pad位置的信息，对三个缺陷范围内的边界位点顺次连结根据点运算算法计算缺陷面积，得到线路板污渍在板面、IC位以及Pad三个位置范围中的总面积，将总面积最大的缺陷范围定义为容易出现污渍的位置范围；
其中，将线路板缺陷区域的位点及对应面积计入数据库，通过knn算法得到缺陷区域出现次数最多的排序，用排序划定出现污渍区域的可能性大小，对于可能性大于预设阈值的区域定义为容易残留污渍的线路板位置，当疑似污渍线路板在图像分割定位时缺陷区域在所述容易残留污渍的线路板位置，则判断该线路板为存在污渍线路板，线路板缺陷区域不在容易残留污渍的线路板位置但在容易出现污渍的位置范围时，与标准线路板进行灰度值对比；
S4：确定疑似缺陷类型，对两种类型的疑似缺陷类型线路板进行反馈及处理；对于疑似缺陷线路板，确认其是否存在污渍而在检测过程中判定为异物缺陷类型；
具体的，首先获取待测线路板的图像，将图像定义为二维空间函数，在缺陷位置对应X和Y处坐标的灰度值对应为f值，用清洗剂进行一次喷洗后，查看缺陷位置灰度是否发生变化，如果发生变化，则可疑线路板为存在污渍线路板，并更新数据库，对于一般可疑线路板，因为存在污渍的可能性较小，为了节省成本，对每10个同一批次的可疑线路板进行抽样检查，如果确认为存在污渍线路板，对该批次的其他为抽查线路板进行检测线路板是否存在污渍处理；
除此以外，为了验证新的类型缺陷线路板中确实不存在污渍，利用图像识别技术获取线路板的图像，获取灰度图像并与标准线路板灰度图像进行灰度值对比，结合污渍图片库的训练数据，采用函数：
其中x是横坐标，y是纵坐标，n是污渍对应标准图像的横坐标偏移量，m是污渍对应标准图像的纵坐标偏移量，f代表对应规则；对灰度区域进行滤波及去噪处理，排除存在污渍的可能性；
S5：排除含有污渍的疑似缺陷类型线路板，将线路板新的缺陷类型反馈至生产环节；包括：判断存在的缺陷类型线路缺口、露铜以及孔偏的瑕疵程度对应的原因，即通过CV目标检测算法获取线路板存在的所述缺陷类型为线路缺口时，先输入定位性缺口的位置信息，避免定位性缺口被当成缺陷标记，查看图像分割定位是否在此位置信息上，如果在此位置上，将定位性缺口标记为无缺口缺陷线路板，如果不在此位置上，则线路缺口为随机性缺口，不属于定位性缺口分槽线，通过计算机视觉识别缺口的形状，输入缺口原因和缺口形状参数，所述缺口原因包括：膜屑、粉尘、灰尘、皱膜、裂纹、干膜碎，利用VLOOKUP函数建立不同原因造成的缺口形状一一对应匹配关系，得到缺口原因并反馈给数据库，瑕疵程度为中度瑕疵或重度时，与标准线路板的线路图像进行灰度值比对，将不重叠的部分标记为0，统计不重叠部分的数量，计算线路板的补线单价，所述补线单价计算方式包括：测试获取一块有线路板缺口缺陷的线路板补线返工的材料损耗和设备功耗，得到返工成本，除以线路板的缺口数量，即为线路板补线单价；
S6：对含有污渍且不存在其他缺陷类型的线路板进行处理；
包括获取线路板的污渍总面积，根据所述面积设置的阈值大小进行清洗。
2.根据权利要求1所述的一种基于线路板污渍和缺陷类型类别级别检测分类的方法，其特征在于：所述S1中，线路板的信息包括：线路板的类型以及线路板的图像；所述线路板的类型包括：线路板的大小尺寸、线路板的应用以及线路板的材质；所述线路板的应用包括：刚性线路板和柔性线路板；所述线路板的材质包括：单面板、双面板以及多层线路板；所述线路板的图像通过视觉模块获取；所述线路板信息发送并储存入工控机的数据库。
3.根据权利要求2所述的一种基于线路板污渍和缺陷类型类别级别检测分类的方法，其特征在于：所述S2中，缺陷类型包括：线路缺口、露铜、孔偏以及不同位置存在异物，其中不同位置包括：板面、IC位以及Pad；所述缺陷类型的获取步骤为：
A1：训练线路板缺陷检测模型，获取线路板的图像；
A2：已获取线路板的图像与标准的线路板图像进行图像灰度值比对；
A3：判断已获取线路板图像与标准线路板图像差异，判断是否存在缺陷；
A4：通过CV目标检测算法检测线路板存在缺陷的缺陷类型。
4.根据权利要求3所述的一种基于线路板污渍和缺陷类型类别级别检测分类的方法，其特征在于：所述S3中，对于污渍疑似缺陷线路板，判别的方式包括：
B1：训练线路板疑似污渍检测模型；
B2：通过CV图像分割定位，对线路板污渍区域进行分割定位，得到线路板缺陷边界位点；
B3：当线路板存在缺陷且缺陷类型为不同位置存在异物时，辨别是污渍还是异物。
5.根据权利要求4所述的一种基于线路板污渍和缺陷类型类别级别检测分类的方法，其特征在于：所述S4中，对两种类型的疑似缺陷类型线路板进行反馈及处理，具体的处理方式为：
C1：对于新的缺陷类型的线路板，根据分类出的缺陷类别和线路板信息确定线路板的处理方式；
C2：对于疑似污渍的线路板，需要进一步判定属于污渍缺陷或是缺陷类型不属于污渍缺陷；
C3：对于可疑线路板，确认其是否存在污渍而在检测过程中判定为异物缺陷类型。
6.根据权利要求5所述的一种基于线路板污渍和缺陷类型类别级别检测分类的方法，其特征在于：所述S5中，线路板的缺陷类型反馈给线路板的生产环节并进行分析缺陷的产生原因；所述分析方式包括以下步骤：
D1：利用卷积神经网络训练瑕疵程度模型，确定线路板的瑕疵程度；
D2：通过CV目标检测算法获取线路板存在的缺陷类型；
D3：对于存在污渍缺陷，且存在其他类型缺陷的线路板，需反馈至数据库，并调整线路板的生产环节以及方式；
D4：对于数据库中经过三次检验程序的线路板进行复查，通过第一摄像头拍摄线路板图像，反馈到复查人员端口进行复查，复查人员将缺陷正确结果上传到数据库。
7.根据权利要求6所述的一种基于线路板污渍和缺陷类型类别级别检测分类的方法，其特征在于：所述S6中，存在污渍缺陷且不存在其他缺陷类型的线路板的处理需先获取线路板的污渍总面积；
E1：污渍面积大于百分之三十，则利用清洗设备对线路板进行一次清洗，并进行处理，具体为将污渍缺陷的线路板放置于清洗设备的放置架中进行清洗；
E2：污渍面积小于百分之三十，则对污渍类型进行细分类别，并进行处理。
8.根据权利要求7所述的一种基于线路板污渍和缺陷类型类别级别检测分类的方法，其特征在于：所述清洗设备由外壳组件、放置组件(3)以及喷淋组件组成；所述外壳组件由顶盖(11)以及箱体(12)组成；所述顶盖(11)铰接在箱体(12)的顶部；所述放置组件(3)卡接于箱体(12)上；所述喷淋组件设置在顶盖(11)的内壁。
9.根据权利要求8所述的一种基于线路板污渍和缺陷类型类别级别检测分类的方法，其特征在于：所述放置组件(3)由一号放置架(32)以及二号放置架(33)组成；所述一号放置架(32)固接与二号放置架(33)的顶端，且所述一号放置架(32)的顶部开设有契合槽(31)；所述喷淋组件由水管(13)以及喷头(16)组成；所述水管(13)固接于顶盖(11)的内壁中；所述喷头(16)设置若干组，且若干组所述喷头(16)等距布置在水管(13)中。
10.根据权利要求9所述的一种基于线路板污渍和缺陷类型类别级别检测分类的方法，其特征在于：所述顶盖(11)的中部贯穿有电机(15)，且所述电机(15)的一端设置有花键(14)；所述花键(14)贯穿在顶盖(11)的内部；所述水管(13)的一端贯穿于顶盖(11)；所述放置组件(3)的底部固接有轴承(22)，且所述轴承(22)中固接有底板(23)；所述底板(23)的两端固接有连接杆(21)，且所述连接杆(21)卡接于箱体(12)的顶部。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111537306.7A CN114216915B (zh) | 2021-12-15 | 2021-12-15 | 一种基于线路板污渍和缺陷类型类别级别检测分类的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111537306.7A CN114216915B (zh) | 2021-12-15 | 2021-12-15 | 一种基于线路板污渍和缺陷类型类别级别检测分类的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114216915A true CN114216915A (zh) | 2022-03-22 |
| CN114216915B CN114216915B (zh) | 2024-03-29 |
Family
ID=80702514
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111537306.7A Active CN114216915B (zh) | 2021-12-15 | 2021-12-15 | 一种基于线路板污渍和缺陷类型类别级别检测分类的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114216915B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115283835A (zh) * | 2022-07-05 | 2022-11-04 | 深圳明锐理想科技有限公司 | 一种pcb板的缺陷打标方法及设备 |
| CN115294119A (zh) * | 2022-10-08 | 2022-11-04 | 江苏三通科技有限公司 | 基于机器视觉的梅花螺纹头部内槽污渍检测方法 |
| CN115314406A (zh) * | 2022-07-26 | 2022-11-08 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于图像分析的输电线路的智能缺陷检测方法 |
| CN116274170A (zh) * | 2023-03-27 | 2023-06-23 | 中建三局第一建设工程有限责任公司 | 一种激光清洗设备的控制方法、系统及相关装置 |
| CN116963409A (zh) * | 2023-09-21 | 2023-10-27 | 上海协鸿智能科技有限公司 | 一种电子线路板表面清洁控制系统及控制方法 |
| CN117920668A (zh) * | 2024-03-09 | 2024-04-26 | 珠海市华鹰药用包装材料有限公司 | 转笼式超声波清洗机的智能监控和控制方法及系统 |
| CN118169144A (zh) * | 2024-04-29 | 2024-06-11 | 苏州赫芯科技有限公司 | 一种基于多级匹配和ai复检的缺陷检测方法、系统及介质 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202453304U (zh) * | 2012-03-02 | 2012-09-26 | 四川虹视显示技术有限公司 | 平板显示器用基板污染物及缺陷快速检查装置 |
| CN105092598A (zh) * | 2015-09-28 | 2015-11-25 | 深圳大学 | 一种基于连通域的大幅面pcb板缺陷快速识别方法及系统 |
| CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测系统及方法 |
| CN207266396U (zh) * | 2017-08-08 | 2018-04-20 | 东莞市元昌电子有限公司 | 一种手机电路板清洗装置 |
| CN109100370A (zh) * | 2018-06-26 | 2018-12-28 | 武汉科技大学 | 一种基于投影法和连通域分析的pcb板缺陷检测方法 |
| CN109307675A (zh) * | 2017-07-26 | 2019-02-05 | 凌云光技术集团有限责任公司 | 一种产品外观检测方法和系统 |
| CN109725002A (zh) * | 2019-01-23 | 2019-05-07 | 深圳市华星光电技术有限公司 | 一种基于aoi的基板缺陷类别判别方法 |
| CN109839385A (zh) * | 2019-03-04 | 2019-06-04 | 佛山市南海区广工大数控装备协同创新研究院 | 一种自适应的pcb板缺陷视觉定位检测及分类系统 |
| CN110116254A (zh) * | 2019-05-05 | 2019-08-13 | 中国石油天然气集团有限公司 | 油气集输用双金属复合管环焊接头缺陷预测与控制方法 |
| CN110167285A (zh) * | 2019-04-18 | 2019-08-23 | 奥士康精密电路（惠州）有限公司 | 一种减少线路板内层开路、缺口的管控方法 |
| CN110648308A (zh) * | 2019-08-06 | 2020-01-03 | 广东工业大学 | 一种pcb导线缺陷的识别与定位方法 |
| CN111742214A (zh) * | 2019-01-22 | 2020-10-02 | 株式会社高迎科技 | 基板检查装置及丝网印刷机的缺陷类型确定方法 |
| CN111754456A (zh) * | 2020-05-15 | 2020-10-09 | 清华大学 | 基于深度学习的二维pcb外观缺陷实时自动检测技术 |
| CN112053318A (zh) * | 2020-07-20 | 2020-12-08 | 清华大学 | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 |
| CN112581447A (zh) * | 2020-12-16 | 2021-03-30 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于全局缺陷和局部缺陷的fpc软板线路检测方法 |
| CN113538375A (zh) * | 2021-07-15 | 2021-10-22 | 合肥工业大学 | 一种基于YOLOv5的PCB缺陷检测方法 |
-
2021
- 2021-12-15 CN CN202111537306.7A patent/CN114216915B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202453304U (zh) * | 2012-03-02 | 2012-09-26 | 四川虹视显示技术有限公司 | 平板显示器用基板污染物及缺陷快速检查装置 |
| CN105092598A (zh) * | 2015-09-28 | 2015-11-25 | 深圳大学 | 一种基于连通域的大幅面pcb板缺陷快速识别方法及系统 |
| CN109307675A (zh) * | 2017-07-26 | 2019-02-05 | 凌云光技术集团有限责任公司 | 一种产品外观检测方法和系统 |
| CN207266396U (zh) * | 2017-08-08 | 2018-04-20 | 东莞市元昌电子有限公司 | 一种手机电路板清洗装置 |
| CN107389701A (zh) * | 2017-08-22 | 2017-11-24 | 西北工业大学 | 一种基于图像的pcb表观缺陷自动检测系统及方法 |
| CN109100370A (zh) * | 2018-06-26 | 2018-12-28 | 武汉科技大学 | 一种基于投影法和连通域分析的pcb板缺陷检测方法 |
| CN111742214A (zh) * | 2019-01-22 | 2020-10-02 | 株式会社高迎科技 | 基板检查装置及丝网印刷机的缺陷类型确定方法 |
| CN109725002A (zh) * | 2019-01-23 | 2019-05-07 | 深圳市华星光电技术有限公司 | 一种基于aoi的基板缺陷类别判别方法 |
| CN109839385A (zh) * | 2019-03-04 | 2019-06-04 | 佛山市南海区广工大数控装备协同创新研究院 | 一种自适应的pcb板缺陷视觉定位检测及分类系统 |
| CN110167285A (zh) * | 2019-04-18 | 2019-08-23 | 奥士康精密电路（惠州）有限公司 | 一种减少线路板内层开路、缺口的管控方法 |
| CN110116254A (zh) * | 2019-05-05 | 2019-08-13 | 中国石油天然气集团有限公司 | 油气集输用双金属复合管环焊接头缺陷预测与控制方法 |
| CN110648308A (zh) * | 2019-08-06 | 2020-01-03 | 广东工业大学 | 一种pcb导线缺陷的识别与定位方法 |
| CN111754456A (zh) * | 2020-05-15 | 2020-10-09 | 清华大学 | 基于深度学习的二维pcb外观缺陷实时自动检测技术 |
| TW202144766A (zh) * | 2020-05-15 | 2021-12-01 | 清華大學 | 基於深度學習的二維ｐｃｂ外觀缺陷實時自動檢測之方法 |
| CN112053318A (zh) * | 2020-07-20 | 2020-12-08 | 清华大学 | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 |
| CN112581447A (zh) * | 2020-12-16 | 2021-03-30 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于全局缺陷和局部缺陷的fpc软板线路检测方法 |
| CN113538375A (zh) * | 2021-07-15 | 2021-10-22 | 合肥工业大学 | 一种基于YOLOv5的PCB缺陷检测方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115283835A (zh) * | 2022-07-05 | 2022-11-04 | 深圳明锐理想科技有限公司 | 一种pcb板的缺陷打标方法及设备 |
| CN115283835B (zh) * | 2022-07-05 | 2023-10-20 | 深圳明锐理想科技有限公司 | 一种pcb板的缺陷打标方法及设备 |
| CN115314406A (zh) * | 2022-07-26 | 2022-11-08 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于图像分析的输电线路的智能缺陷检测方法 |
| CN115314406B (zh) * | 2022-07-26 | 2023-10-03 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于图像分析的输电线路的智能缺陷检测方法 |
| CN115294119A (zh) * | 2022-10-08 | 2022-11-04 | 江苏三通科技有限公司 | 基于机器视觉的梅花螺纹头部内槽污渍检测方法 |
| CN116274170A (zh) * | 2023-03-27 | 2023-06-23 | 中建三局第一建设工程有限责任公司 | 一种激光清洗设备的控制方法、系统及相关装置 |
| CN116274170B (zh) * | 2023-03-27 | 2023-10-13 | 中建三局第一建设工程有限责任公司 | 一种激光清洗设备的控制方法、系统及相关装置 |
| CN116963409A (zh) * | 2023-09-21 | 2023-10-27 | 上海协鸿智能科技有限公司 | 一种电子线路板表面清洁控制系统及控制方法 |
| CN116963409B (zh) * | 2023-09-21 | 2023-12-12 | 上海协鸿智能科技有限公司 | 一种电子线路板表面清洁控制系统及控制方法 |
| CN117920668A (zh) * | 2024-03-09 | 2024-04-26 | 珠海市华鹰药用包装材料有限公司 | 转笼式超声波清洗机的智能监控和控制方法及系统 |
| CN117920668B (zh) * | 2024-03-09 | 2024-07-12 | 珠海市华鹰药用包装材料有限公司 | 转笼式超声波清洗机的智能监控和控制方法及系统 |
| CN118169144A (zh) * | 2024-04-29 | 2024-06-11 | 苏州赫芯科技有限公司 | 一种基于多级匹配和ai复检的缺陷检测方法、系统及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114216915B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114216915A (zh) | 一种基于线路板污渍和缺陷类型类别级别检测分类的方法 | |
| JP6922168B2 (ja) | 表面実装ラインの品質管理システム及びその制御方法 | |
| CN112053318B (zh) | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 | |
| CN114549530B (zh) | 一种基于图像处理的pcb板焊接质量评估方法 | |
| CN108311409A (zh) | 一种基于人工智能图像识别的印刷电路板检测系统 | |
| Fan et al. | Development of auto defect classification system on porosity powder metallurgy products | |
| Taha et al. | Automatic optical inspection for PCB manufacturing: a survey | |
| JP6922694B2 (ja) | 管理システム、管理装置、管理方法、及びプログラム | |
| CN107967679B (zh) | 一种基于pcb产品矢量图形的自动选取定位核的方法 | |
| CN111415330A (zh) | 基于深度学习的铜箔外观缺陷检测方法 | |
| CN116309277A (zh) | 基于深度学习的钢材检测方法及系统 | |
| CN111784645A (zh) | 一种充填管道裂纹检测方法 | |
| CN111882547A (zh) | 一种基于神经网络的pcb漏件检测方法 | |
| Aggarwal et al. | A survey on automatic printed circuit board defect detection techniques | |
| Singh et al. | Image processing based automatic visual inspection system for PCBs | |
| CN114518526A (zh) | 一种适用于pcb板ict的自动测试机控制系统 | |
| CN110132960B (zh) | 电路板组件的检测方法 | |
| CN111307817B (zh) | 一种智能产线pcb生产过程的在线检测方法及系统 | |
| CN112308816B (zh) | 影像辨识装置、影像辨识方法及其存储介质 | |
| TW202104876A (zh) | 印刷電路板的檢修方法及其系統 | |
| Cai et al. | PCB defect detection system based on image processing | |
| CN111310402A (zh) | 一种基于面面平行的印刷电路板裸板缺陷检测方法 | |
| CN114782431B (zh) | 一种印刷电路板缺陷检测模型训练方法及缺陷检测方法 | |
| Scaman et al. | Computer vision for automatic inspection of complex metal patterns on multichip modules (MCM-D) | |
| CN115825108A (zh) | 一种pcb电路板的aoi检测设备及检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |