CN114418940A - Ai人工智能视觉检测分级方法、装置及可读介质 - Google Patents
Ai人工智能视觉检测分级方法、装置及可读介质 Download PDFInfo
- Publication number
- CN114418940A CN114418940A CN202111502678.6A CN202111502678A CN114418940A CN 114418940 A CN114418940 A CN 114418940A CN 202111502678 A CN202111502678 A CN 202111502678A CN 114418940 A CN114418940 A CN 114418940A
- Authority
- CN
- China
- Prior art keywords
- detection
- artificial intelligence
- visual inspection
- inspection
- parameters
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种AI人工智能视觉检测分级方法、装置及可读介质的技术方案,包括:创建检测分级标准,通过分级标准对PCB板进行分类,得到分类结果;根据分类结果,通过基于AI人工智能视觉执行对应的检测,获取检测时的检测参数;根据检测参数及分类结果作为AI人工智能视觉检测时的检测标准,本发明可以有效的提高生产效率,避免AI学习灌输标准误导问题产生;可以减少生产不良漏失,避免了因为在不同标准的情况下,灌输的标准不统一时会导致要求严格的客户出现缺陷检验漏失问题。
Description
技术领域
本发明涉及人工智能及PCB检测领域,具体涉及了一种AI人工智能视觉检测分级方法、装置及可读介质。
背景技术
随着PCB(Printed Circuit Board,印制电路板)的发展,PCB工厂逐渐增多,产品质量竞争越来越大,从而控制质量报废的成本和提高生产效率是成为盈利的主要方向。
目前PCB行业中内层AOI、外层AOI和终检工序均会使用AOI和AVI扫描设备进行操作生产。AOI和AVI扫描设备说明:根据PCB板型号资料与实务板进行比对,并对差异点进行标示给出坐标,在将不良的PCB板坐标传到VRS(检修站)进行检修,而在比对中会有很多假点,导致VRS(检修站)需要确认的问题点太多,严重浪费生产效率和缺陷漏失问题。现行业中为解决此内问题,AOI和AVI扫描设备会增加AI人工智能视觉检测软件进行判定假点,其原理就是将假点缺陷进行记录统计、学习、应用其到达人工智能判定效果,现AI人工智能视觉检测软件只是将所有的PCB板缺陷进行记录统计。
其缺点如下:(1)不同客户PCB板标准不同,会直接影响判定标准不准确。(2)不同客户PCB板标准不同,在AI人工智能视觉检测软件学习中会统计出现错误。如何将AI人工智能应用于不同的PCB板标准是急需解决的技术问题
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供了一种AI人工智能视觉检测分级方法、装置及可读介质,解决了现有技术的不足。
本发明的技术方案包括一种AI人工智能视觉检测分级方法,其特征在于,所述方法包括:创建检测分级标准,通过所述分级标准对PCB板进行分类,得到分类结果;根据所述分类结果,通过基于AI人工智能视觉执行对应的检测,获取检测时的检测参数;根据所述检测参数及所述分类结果作为所述AI人工智能视觉检测时的检测标准。
根据所述的AI人工智能视觉检测分级方法,其中创建检测分级标准,通过所述分级标准对所PCB板进行分类,得到分类结果包括:根据所述PCB板的类型及预设检测质量标准,将多个所述PCB板进行划分,得到基于不同质量标准的所述分类结果。
根据所述的AI人工智能视觉检测分级方法,其中质量标准包括通过AI人工智能视觉检测后的假点与经过检修站后所确定的实际缺陷点的误差。
根据所述的AI人工智能视觉检测分级方法,其中根据所述分类结果,通过基于AI人工智能视觉执行对应的检测,获取检测时的检测参数包括:
对每种类型PCB板基于预设检测质量标准采用AI人工智能视觉进行学习,获取达到检测要求时的AI人工智能视觉的检测参数。
根据所述的AI人工智能视觉检测分级方法,其中检测参数包括:用于AI人工智能视觉检测时的网络模型、训练和学习参数、模型组成及学习策略的一种或多种。
根据所述的AI人工智能视觉检测分级方法,其中根据所述检测参数及所述分类结果作为所述AI人工智能视觉检测时的检测标准包括:根据待检测的所述PCB板的类型及检测质量要求,确定待检测的所述PCB板的类型及检测质量要求确定待检测的所述PCB板的检测参数;根据所确定的检测参数生成对应的AI人工智能视觉检测方法,执行检测处理。
本发明的技术方案还包括一种AI人工智能视觉检测分级装置,该装置包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现任一所述的方法步骤。
本发明的技术方案一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如任一所述的方法步骤。
本发明的有益效果如下:可以有效的提高生产效率,避免AI学习灌输标准误导问题产生;可以减少生产不良漏失,避免了因为在不同标准的情况下,灌输的标准不统一时会导致要求严格的客户出现缺陷检验漏失问题。
附图说明
下面结合附图和实施例对本发明进一步地说明;
图1所示为根据本发明实施方式的AI人工智能视觉检测分级方法流程图。
图2所示为根据本发明实施方式的不同PCB板的AI人工智能视觉检测分级方法流程图。
图3所示为根据本发明实施方式的装置图。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。
在本发明的描述中,对方法步骤的连续标号是为了方便审查和理解,结合本发明的整体技术方案以及各个步骤之间的逻辑关系,调整步骤之间的实施顺序并不会影响本发明技术方案所达到的技术效果。
本发明的描述中,除非另有明确的限定,设置等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
参考图1,其中图1所示的AI人工智能视觉检测分级方法流程图包括以下步骤:
S100,创建检测分级标准,通过分级标准对PCB板进行分类,得到分类结果;
S200,根据分类结果,通过基于AI人工智能视觉执行对应的检测,获取检测时的检测参数;
S300,根据检测参数及分类结果作为AI人工智能视觉检测时的检测标准。
在一个实施方案中,其中步骤S100所创建检测分级标准的基于不同的用户对于PCB板的质量要求,进行划分,即PCB板的假点与经过检测站的实际缺点的误差,以及,PCB板本身的质量要求,如板面杂质、板面污染等,当假点过多时,会严重影响PCB板的生产效率,其中假点为通过具有AI人工智能视觉检测得到。
在一个实施方案中,一个用户可能有一套或者多套检测标准,可以根据要求对同一PCB板执行多次本发明的技术方案,以满足多样化的需求。
在一个实施方案中,用于AI人工智能视觉检测时的检测参数包括网络模型、训练和学习参数、模型组成及学习策略的一种或多种,可以根据实际检测要求进行设置或自动生成。
参照图2,图2为不同PCB板的AI人工智能视觉检测分级方法流程图。其包括以下步骤:
S210,确定待检测的PCB板的类型及检测质量要求确定待检测的PCB板的检测参数;
S220,根据检测参数生成Al人工智能视觉检测方法及其流程;
S230,根据检测参数及分类结果作为Al人工智能视觉检测时的检测标准。
图3所示为根据本发明实施方式的装置图。装置包括存储器100及处理器200,其中处理器200存储有计算机程序,计算机程序用于执行:创建检测分级标准,通过分级标准对PCB板进行分类,得到分类结果;根据分类结果,通过基于AI人工智能视觉执行对应的检测,获取检测时的检测参数;根据检测参数及分类结果作为AI人工智能视觉检测时的检测标准。
应当认识到,本发明实施例中的方法步骤可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本文所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如消费者。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括消费者上产生的物理和有形对象的特定视觉描绘。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (8)
1.一种AI人工智能视觉检测分级方法,其特征在于,所述方法包括:
创建检测分级标准,通过所述分级标准对PCB板进行分类,得到分类结果;
根据所述分类结果,通过基于AI人工智能视觉执行对应的检测,获取检测时的检测参数;
根据所述检测参数及所述分类结果作为所述AI人工智能视觉检测时的检测标准。
2.根据权利要求1所述的AI人工智能视觉检测分级方法,其特征在于,所述创建检测分级标准,通过所述分级标准对所PCB板进行分类,得到分类结果包括:
根据所述PCB板的类型及预设检测质量标准,将多个所述PCB板进行划分,得到基于不同质量标准的所述分类结果。
3.根据权利要求2所述的AI人工智能视觉检测分级方法,其特征在于,所述质量标准包括通过AI人工智能视觉检测后的假点与经过检修站后所确定的实际缺陷点的误差。
4.根据权利要求1所述的AI人工智能视觉检测分级方法,其特征在于,所述根据所述分类结果,通过基于AI人工智能视觉执行对应的检测,获取检测时的检测参数包括:
对每种类型PCB板基于预设检测质量标准采用AI人工智能视觉进行学习,获取达到检测要求时的AI人工智能视觉的检测参数。
5.根据权利要求1所述的AI人工智能视觉检测分级方法,其特征在于,所述检测参数包括:
用于AI人工智能视觉检测时的网络模型、训练和学习参数、模型组成及学习策略的一种或多种。
6.根据权利要求1所述的AI人工智能视觉检测分级方法,其特征在于,所述根据所述检测参数及所述分类结果作为所述AI人工智能视觉检测时的检测标准包括:
根据待检测的所述PCB板的类型及检测质量要求,确定待检测的所述PCB板的类型及检测质量要求确定待检测的所述PCB板的检测参数;
根据所确定的检测参数生成对应的AI人工智能视觉检测方法,执行检测处理。
7.一种AI人工智能视觉检测分级装置,该装置包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-8任一所述的方法步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-8任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111502678.6A CN114418940A (zh) | 2021-12-09 | 2021-12-09 | Ai人工智能视觉检测分级方法、装置及可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111502678.6A CN114418940A (zh) | 2021-12-09 | 2021-12-09 | Ai人工智能视觉检测分级方法、装置及可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114418940A true CN114418940A (zh) | 2022-04-29 |
Family
ID=81265741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111502678.6A Pending CN114418940A (zh) | 2021-12-09 | 2021-12-09 | Ai人工智能视觉检测分级方法、装置及可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114418940A (zh) |
-
2021
- 2021-12-09 CN CN202111502678.6A patent/CN114418940A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10674651B2 (en) | Printed circuit board inspecting apparatus, method for determining fault type of screen printer and computer readable recording medium | |
CN106097361B (zh) | 一种缺陷区域检测方法及装置 | |
CN108090897A (zh) | 印刷线路板缺陷的检测方法、检测装置及存储介质 | |
CN111143188B (zh) | 一种对应用进行自动化测试的方法及设备 | |
CN114549512A (zh) | 一种电路板缺陷检测方法、装置、设备及介质 | |
CN108984369A (zh) | 卡顿预测方法、装置及移动终端 | |
CN105700490B (zh) | 一种提高产品良率的方法及系统 | |
CN110969600A (zh) | 一种产品缺陷检测方法、装置、电子设备及存储介质 | |
CN113222913A (zh) | 一种电路板缺陷检测定位方法、装置和存储介质 | |
CN115661160A (zh) | 一种面板缺陷检测方法及系统及装置及介质 | |
CN115937101A (zh) | 质量检测方法、装置、设备及存储介质 | |
CN114066835A (zh) | 图像检测、自动光学检测方法、装置、存储介质及设备 | |
CN113012097B (zh) | 图像复检方法、计算机装置及存储介质 | |
CN109102486B (zh) | 基于机器学习的表面缺陷检测方法及装置 | |
US11941519B2 (en) | Machine learning training platform | |
CN114418940A (zh) | Ai人工智能视觉检测分级方法、装置及可读介质 | |
JP2023133160A (ja) | 検査システム、aiモデルデータの管理方法及び、aiモデルデータセット | |
EP0441547A2 (en) | Simulation of human performance of a process operation procedure | |
CN112598616B (zh) | 一种电子设备曝光参数的确定方法及成像方法 | |
US20220414859A1 (en) | Image annotation method, device and system | |
CN112527631A (zh) | bug定位方法、系统、电子设备及存储介质 | |
Shen et al. | Design and implementation of PCB detection and classification system based on machine vision | |
CN112485260B (zh) | 工件缺陷检测方法及装置 | |
CN110252686A (zh) | 遥控器质量的确定方法及装置 | |
Dzyubanenko et al. | Quality control in cyber-physical systems of smart electronics manufacturing |
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 |