CN114463284A - Pcb缺陷检测方法、装置、设备及存储介质 - Google Patents

Pcb缺陷检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114463284A
CN114463284A CN202210046169.5A CN202210046169A CN114463284A CN 114463284 A CN114463284 A CN 114463284A CN 202210046169 A CN202210046169 A CN 202210046169A CN 114463284 A CN114463284 A CN 114463284A
Authority
CN
China
Prior art keywords
defect
preset
pcb
standard
neural network
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
Application number
CN202210046169.5A
Other languages
English (en)
Inventor
黄耀
张峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Achu Robot Technology Suzhou Co ltd
Original Assignee
Achu Robot Technology Suzhou Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Achu Robot Technology Suzhou Co ltd filed Critical Achu Robot Technology Suzhou Co ltd
Priority to CN202210046169.5A priority Critical patent/CN114463284A/zh
Publication of CN114463284A publication Critical patent/CN114463284A/zh
Pending legal-status Critical Current

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
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种PCB缺陷检测方法、装置、设备及存储介质，该方法包括：将待检测PCB产品的产品图片输入预设神经网络模型，获得待检测PCB产品的缺陷信息；获取预设放行缺陷标准，并将缺陷信息与预设放行缺陷标准进行对比，获得缺陷对比结果；根据缺陷对比结果判断待检测PCB产品是否存在可放行缺陷。本发明是通过将待检测PCB产品的产品图片输入预设神经网络模型获得待检测PCB产品的缺陷信息，将缺陷信息与预设方向缺陷标准对比获得缺陷对比结果，根据对比结果判断待检测PCB产品是否存在可放行缺陷，能够准确的对PCB产品存在的缺陷进行分类，并且能够满足不同客户对产品质量的要求，提高了PCB缺陷检测的准确度和普适性。

Description

PCB缺陷检测方法、装置、设备及存储介质
技术领域
本发明涉及缺陷检测技术领域，尤其涉及一种PCB缺陷检测方法、装置、设备及存储介质。
背景技术
现有的PCB外观缺陷检测来讲，检测由多种生产工艺导致的不同缺陷的存在一定的难度。而随着设计方和制造商对产品品质提出越来越高的要求，用户对外观检测设备的需求和要求越来越高。近年来，随着机器视觉技术的发展，越来越多设备商推出不同精度的PCB的外观检测设备。基于传统机器视觉的检测算法无法对PCB的缺陷进行准确分类且无法灵活应对不同客户的不同质量要求，因此如何对PCB的缺陷进行准确分类成为亟待解决的技术问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种PCB缺陷检测方法、装置、设备及存储介质，旨在解决现有技术无法对PCB的缺陷进行准确分类的技术问题。
为实现上述目的，本发明提供了一种PCB缺陷检测方法，所述方法包括以下步骤:
将待检测PCB产品的产品图片输入预设神经网络模型，获得所述待检测PCB产品的缺陷信息；
获取预设放行缺陷标准，并将所述缺陷信息与所述预设放行缺陷标准进行对比，获得缺陷对比结果；
根据所述缺陷对比结果判断所述待检测PCB产品是否存在可放行缺陷。
可选地，所述缺陷信息包括缺陷类型和缺陷等级，所述获取预设放行缺陷标准，并将所述缺陷信息与所述预设放行缺陷标准进行对比，获得缺陷对比结果，包括：
获取预设放行缺陷标准，根据所述预设放行缺陷标准确定预设放行缺陷类型和预设放行缺陷等级；
将所述缺陷类型与所述预设放行缺陷类型进行对比，获得第一对比结果；
将所述缺陷等级与所述预设放行缺陷等级进行对比，获得第二对比结果；
根据所述第一对比结果和所述第二对比结果确定缺陷对比结果。
可选地，所述将待检测PCB产品的产品图片输入预设神经网络模型，获得所述待检测PCB产品的缺陷信息之前，所述方法还包括：
获取PCB产品的若干缺陷图片，并根据所述若干缺陷图片构建模型训练集；
根据预设检验标准将所述模型训练集划分为若干模型子训练集；
通过所述若干模型子训练集对神经网络模型进行迭代训练，以获得符合预设标准的预设神经网络模型。
可选地，所述根据预设检验标准将所述模型训练集划分为若干模型子训练集，包括：
根据预设检验标准确定PCB的标准缺陷类型和各标准缺陷类型对应的标准缺陷等级；
根据所述标准缺陷类型和所述标准缺陷等级对所述模型训练集中的各缺陷图片进行标注；
根据各缺陷图片的标注结果将所述模型训练集划分为若干模型子训练集。
可选地，所述根据所述标准缺陷类型和所述标准缺陷等级对所述模型训练集中的各缺陷图片进行标注，包括：
对所述模型训练集中的各缺陷图片进行分析，获得各缺陷图片中目标组件的色差和尺寸差；
将所述标准缺陷类型与各缺陷图片进行对比确定各缺陷图片的缺陷类型；
将所述色差和所述尺寸差与所述标准缺陷等级对比，根据对比结果确定对应缺陷图片的缺陷等级；
根据所述缺陷类型和所述缺陷等级生成缺陷标签，根据所述缺陷标签对各缺陷图片进行标注。
可选地，所述通过所述若干模型子训练集对神经网络模型进行迭代训练，以获得符合预设标准的预设神经网络模型，包括：
通过所述若干模型子训练集对神经网络模型进行训练，并在训练过程中判断所述神经网络模型的准确率是否大于预设准确率；
在所述准确率大于预设准确率时，判断所述神经网络模型的损失函数的值是否小于预设值；
在所述损失函数的值小于预设值时，判定完成对神经网络模型的训练，获得预设神经网络模型。
可选地，所述在所述准确率大于预设准确率时，判断所述神经网络模型的损失函数的值是否小于预设值之后，所述方法还包括：
在所述损失函数的值小于预设值时，根据预设混淆矩阵确定各缺陷标签对应的分类准确度，所述预设混淆矩阵为根据训练过程中神经网络模型的输出结果生成的混淆矩阵；
在所述分类准确度小于预设准确度时，获取对应的缺陷标签，并根据所述缺陷标签确定加强模型训练集；
通过所述加强模型训练集对神经网络模型进行迭代训练，并获取训练过程中所述缺陷标签对应的分类准确度；
在所述分类准确度大于或等于预设准确度时，完成对神经网络模型的迭代训练，获得预设神经网络模型。
此外，为实现上述目的，本发明还提出一种PCB缺陷检测装置，所述装置包括：
输入模块，用于将待检测PCB产品的产品图片输入预设神经网络模型，获得所述待检测PCB产品的缺陷信息；
对比模块，用于获取预设放行缺陷标准，并将所述缺陷信息与所述预设放行缺陷标准进行对比，获得缺陷对比结果；
判断模块，用于根据所述缺陷对比结果判断所述待检测PCB产品是否存在可放行缺陷。
此外，为实现上述目的，本发明还提出一种PCB缺陷检测设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的PCB缺陷检测程序，所述PCB缺陷检测程序配置为实现如上文所述的PCB缺陷检测方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有PCB缺陷检测程序，所述PCB缺陷检测程序被处理器执行时实现如上文所述的PCB缺陷检测方法的步骤。
本发明将待检测PCB产品的产品图片输入预设神经网络模型，获得所述待检测PCB产品的缺陷信息；获取预设放行缺陷标准，并将所述缺陷信息与所述预设放行缺陷标准进行对比，获得缺陷对比结果；根据所述缺陷对比结果判断所述待检测PCB产品是否存在可放行缺陷。由于本发明是通过将待检测PCB产品的产品图片输入预设神经网络模型获得待检测PCB产品的缺陷信息，将缺陷信息与预设方向缺陷标准对比获得缺陷对比结果，根据对比结果判断待检测PCB产品是否存在可放行缺陷，能够准确的对PCB产品存在的缺陷进行分类，并且能够满足不同客户对产品质量的要求，提高了PCB缺陷检测的准确度和普适性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的PCB缺陷检测设备的结构示意图；
图2为本发明PCB缺陷检测方法第一实施例的流程示意图；
图3为本发明PCB缺陷检测方法第二实施例的流程示意图；
图4为本发明PCB缺陷检测方法第三实施例的流程示意图；
图5为本发明PCB缺陷检测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的PCB缺陷检测设备结构示意图。
如图1所示，该PCB缺陷检测设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对PCB缺陷检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及PCB缺陷检测程序。
在图1所示的PCB缺陷检测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明PCB缺陷检测设备中的处理器1001、存储器1005可以设置在PCB缺陷检测设备中，所述PCB缺陷检测设备通过处理器1001调用存储器1005中存储的PCB缺陷检测程序，并执行本发明实施例提供的PCB缺陷检测方法。
本发明实施例提供了一种PCB缺陷检测方法，参照图2，图2为本发明PCB缺陷检测方法第一实施例的流程示意图。
本实施例中，所述PCB缺陷检测方法包括以下步骤：
步骤S10：将待检测PCB产品的产品图片输入预设神经网络模型，获得所述待检测PCB产品的缺陷信息。
需要说明的是，本实施例的执行主体可以是一种具有数据处理、网络通信以及程序运行功能的计算服务设备，例如平板电脑、个人电脑、手机等，或者是一种能够实现上述功能的电子设备、PCB缺陷检测设备等。以下以所述PCB缺陷检测设备为例，对本实施例及下述各实施例进行说明。
可以理解的是，待检测PCB产品可以是需要进行缺陷检测的PCB产品；产品图片可以是通过扫描相机、摄像机或照相机等采集的待检测PCB产品的图片；预设神经网络模型可以是预先训练的能够根据输入的产品图片输出待检测PCB产品的缺陷信息的模型；缺陷信息包括待检测PCB产品的缺陷类型和缺陷等级。
在具体实现中，将通过影像设备采集的需要进行缺陷检测的PCB产品的图片输入预设神经网络模型，获得预设神经网络模型输出的待检测PCB产品的缺陷类型和缺陷等级。
步骤S20：获取预设放行缺陷标准，并将所述缺陷信息与所述预设放行缺陷标准进行对比，获得缺陷对比结果。
应该理解的是，预设放行缺陷标准可以是预先设定的针对待检测PCB产品的质量标准设定的在产品存在特定缺陷时，依然可以判定该待检测PCB产品为质量合格产品的标准，预设放行缺陷标准包括预设放行缺陷类型和预设放行缺陷等级。
需要说明的是，预设放行缺陷标准可由现场客户、工程师等用户，针对不同PCB产品的缺陷标准进行灵活调整配置，该调整主要是根据缺陷类型以和缺陷等级进行调整，例如普通消费类的电子产品，会将缺陷类型为焊盘氧化，缺陷等级为轻度和中度配置为预设放行缺陷标准；将缺陷类型为焊盘氧化，缺陷等级为严重不配置预设放行缺陷标准；例如在待检测PCB产品存在缺陷为焊盘氧化、轻级，则其为可放行缺陷，在待检测PCB产品存在缺陷为焊盘氧化、重级，则其为不可放行缺陷。
可以理解的是，将所述缺陷信息与所述预设放行缺陷标准进行对比获得缺陷对比结果可以是将待检测PCB产品的缺陷类型与预设放行缺陷类型进行对比，将缺陷等级与预设放行缺陷等级进行对比。
应该理解的是，缺陷对比结果包括缺陷信息符合预设放行缺陷标准和缺陷信息不符合预设放行缺陷标准。
步骤S30：根据所述缺陷对比结果判断所述待检测PCB产品是否存在可放行缺陷。
应该理解的是，根据缺陷对比结果判断所述待检测PCB产品是否存在可放行缺陷可以是在缺陷对比结果为缺陷信息符合预设放行缺陷标准时，判定待检测PCB产品存在可放行缺陷即该待检测PCB产品即使存在该缺陷，仍然符合产品质量要求；在缺陷对比结果为缺陷信息不符合预设放行缺陷标准时，判定待检测PCB产品存在不可放行缺陷即该待检测PCB产品存在的缺陷使得其不满足产品质量要求。
在具体实现中，由于客户生产的每一种产品，都有专属的唯一料号名，因为不同产品的预设放行缺陷标准有的相同有的不相同，为了提升客户的使用便捷，PCB缺陷检测设备可设置产品料号-模型绑定功能，在配置页面将相同预设放行缺陷标准的产品料号与预设神经网络模型绑定，当预设神经网络模型的参数修改时，绑定的产品料号可直接生效。
进一步地，为了提高缺陷检测的准确度，所述缺陷信息包括缺陷类型和缺陷等级，所述步骤S20，包括：获取预设放行缺陷标准，根据所述预设放行缺陷标准确定预设放行缺陷类型和预设放行缺陷等级；将所述缺陷类型与所述预设放行缺陷类型进行对比，获得第一对比结果；将所述缺陷等级与所述预设放行缺陷等级进行对比，获得第二对比结果；根据所述第一对比结果和所述第二对比结果确定缺陷对比结果。
可以理解的是，将所述缺陷类型与所述预设放行缺陷类型进行对比获得第一对比结果可以是将缺陷类型与预设放行缺陷类型进行匹配，在匹配到预设放行缺陷类型时，获得的第一对比结果为该缺陷类型是预设放行缺陷类型；在未匹配到预设放行缺陷类型时，获得的第一对比结果为该缺陷类型不是预设放行缺陷类型。
应该理解的是，若第一对比结果为：缺陷类型是预设放行缺陷类型，则将缺陷等级与预设放行缺陷等级进行对比获得第二对比结果；第二对比结果包括：(1)缺陷等级低于预设放行缺陷等级，则第二对比结果是缺陷等级符合预设预设放行缺陷等级；(2)缺陷等级高于预设放行缺陷等级，则第二对比结果是缺陷等级不符合预设放行缺陷等级。
可以理解的，根据第一对比结果和第二对比结果确定缺陷对比结果可以是：(1)第一对比结果为缺陷类型不是预设放行缺陷类型，则不需要对缺陷等级进行对比，获得的缺陷对比结果为缺陷信息不符合预设放行缺陷标准；(2)第一对比结果为缺陷类型是可预设放行缺陷类型，第二对比结果是缺陷等级符合预设放行缺陷等级，获得的缺陷对比结果为缺陷信息符合预设放行缺陷标准；(3)第一对比结果为缺陷类型是可预设放行缺陷类型，第二对比结果是缺陷等级不符合预设放行缺陷等级，获得的缺陷对比结果为缺陷信息不符合预设放行缺陷标准。
本实施例将待检测PCB产品的产品图片输入预设神经网络模型，获得所述待检测PCB产品的缺陷信息；获取预设放行缺陷标准，并将所述缺陷信息与所述预设放行缺陷标准进行对比，获得缺陷对比结果；根据所述缺陷对比结果判断所述待检测PCB产品是否存在可放行缺陷。由于本实施例是通过将待检测PCB产品的产品图片输入预设神经网络模型获得待检测PCB产品的缺陷信息，将缺陷信息与预设方向缺陷标准对比获得缺陷对比结果，根据对比结果判断待检测PCB产品是否存在可放行缺陷，能够准确的对PCB产品存在的缺陷进行分类，并且能够满足不同客户对产品质量的要求，提高了PCB缺陷检测的准确度和普适性。
参考图3，图3为本发明PCB缺陷检测方法第二实施例的流程示意图。
基于上述第一实施例，在本实施例中，在所述步骤S10之前，所述方法还包括：
步骤S01：获取PCB产品的若干缺陷图片，并根据所述若干缺陷图片构建模型训练集。
可以理解的是，缺陷图片可以是存在缺陷的PCB产品的图片，PCB产品存在的缺陷包括大焊盘异物、小焊盘沾墨和小孔环异物等缺陷；若干缺陷图片组成模型训练集。
步骤S02：根据预设检验标准将所述模型训练集划分为若干模型子训练集。
可以理解的是，预设检验标准可以是预先设定的判定PCB产品的缺陷类型和缺陷等级的标准；根据预设检验标准将所述模型训练集划分为若干模型子训练集可以是根据预设检验标准，按照PCB产品的缺陷类型和缺陷等级将模型训练集划分为若干模型子训练集。
步骤S03：通过所述若干模型子训练集对神经网络模型进行迭代训练，以获得符合预设标准的预设神经网络模型。
可以理解的是，预设标准可以是预先设定的判断神经网络模型是否训练完成的标准。
在具体实现中，获取若干存在大焊盘异物、小焊盘异物和小孔环异物等缺陷的PCB产品的图片构建模型训练集，按照PCB产品的缺陷类型和缺陷等级将将模型训练集划分为若干模型子训练集，通过若干模型子训练集对对神经网络模型进行训练，获得符合预设标准的预设神经网络模型。
进一步地，由于现有的缺陷检测技术，只能检测出PCB产品是否存在缺陷，但是无法确定缺陷的具体信息，为了实现对缺陷进行准确分类，所述步骤S02包括：
步骤S021：根据预设检验标准确定PCB的标准缺陷类型和各标准缺陷类型对应的标准缺陷等级。
可以理解的是，标准缺陷类型可包括大焊盘异物、小焊盘异物和小孔环异物等缺陷；标准缺陷等级可以是个标准缺陷类型的等级，每一个标准缺陷类型对应多个标准缺陷等级。
步骤S022：根据所述标准缺陷类型和所述标准缺陷等级对所述模型训练集中的各缺陷图片进行标注。
可以理解的是，根据所述标准缺陷类型和所述标准缺陷等级对所述模型训练集中的各缺陷图片进行标注可以是根据表1-缺陷标注表，为每张缺陷图片添加标签。
表1-缺陷标注表
Figure BDA0003471672910000091
步骤S023：根据各缺陷图片的标注结果将所述模型训练集划分为若干模型子训练集。
可以理解的是，根据各缺陷图片的标注结果将模型训练集划分为若干模型子训练集可以是根据各缺陷图片的标注结果确定每张图片的标签，将标签相同的缺陷图片添加至统一模型子训练集，获得若干模型子训练集；例如参照表1，在表1中共有9种标签，则可根据该9种标签将模型训练集划分为9个模型训练子集，每个模型训练子集中的图片具有相同的标签；标签的数量并不限于以上所述。
进一步地，为了提高缺陷图片的标注效率，所述步骤S022，包括：对所述模型训练集中的各缺陷图片进行分析，获得各缺陷图片中目标组件的色差和尺寸差；将所述标准缺陷类型与各缺陷图片进行对比确定各缺陷图片的缺陷类型；将所述色差和所述尺寸差与所述标准缺陷等级对比，根据对比结果确定对应缺陷图片的缺陷等级；根据所述缺陷类型和所述缺陷等级生成缺陷标签，根据所述缺陷标签对各缺陷图片进行标注。
可以理解的是，目标组件可以是缺陷图片中的大焊盘、小焊盘和小孔环等组件；对各缺陷图片进行分析，获得各缺陷图片中目标组件的色差和尺寸差可以是将缺陷图片与标准图片进行对比确定缺陷图片与标准图片中的对应目标组件的色差和尺寸差；将色差和尺寸差与标准缺陷等级对比确定缺陷图片的缺陷等级；根据缺陷类型和缺陷等级生成缺陷标签，根据缺陷标签对各缺陷图片进行标注。
本实施例获取PCB产品的若干缺陷图片，并根据所述若干缺陷图片构建模型训练集；根据预设检验标准将所述模型训练集划分为若干模型子训练集；通过所述若干模型子训练集对神经网络模型进行迭代训练，以获得符合预设标准的预设神经网络模型。由于本实施例是根据缺陷图片的缺陷类型和缺陷等级将模型训练集划分为若干模型子训练集，各模型子训练集中缺陷图片的缺陷类型和缺陷等级相同，通过若干模型子训练集对神经网络模型进行迭代训练，获得的预设神经网络模型能够根据不同的产品图片输出对应的缺陷类型和缺陷等级，实现了对缺陷进行准确分类。
参考图4，图4为本发明PCB缺陷检测方法第三实施例的流程示意图。
基于上述各实施例，在本实施例中，所述步骤S03包括：
步骤S031：通过所述若干模型子训练集对神经网络模型进行训练，并在训练过程中判断所述神经网络模型的准确率是否大于预设准确率。
可以理解的是，在对神经网络模型训练的过程中，可对神经网络模型的输出结果进行统计，将输出结果和输入神经网络模型的缺陷图片的标签对比，根据对比结果确定神经网络模型的准确率；预设准确率为大于0小于1的值，可将预设准确率设定为0.98。
步骤S032：在所述准确率大于预设准确率时，判断所述神经网络模型的损失函数的值是否小于预设值。
在具体实现中，在准确率大于预设准确率时，判断此时神经网络模型的损失函数的值是否小于预设值，可以预设值设定为0.09。
步骤S033：在所述损失函数的值小于预设值时，判定完成对神经网络模型的训练，获得预设神经网络模型。
在具体实现中，通过若干模型子训练集对神经网络模型进行训练，在训练过程中神经网络模型的准确率大于预设准确率时，判断此时损失函数的值是否小于预设值，若是，则完成训练，获得预设神经网络模型。
进一步地，为了提高缺陷检测的准确度，在所述步骤S032之后，所述方法还包括：在所述损失函数的值小于预设值时，根据预设混淆矩阵确定各缺陷标签对应的分类准确度，所述预设混淆矩阵为根据训练过程中神经网络模型的输出结果生成的混淆矩阵；在所述分类准确度小于预设准确度时，获取对应的缺陷标签，并根据所述缺陷标签确定加强模型训练集；通过所述加强模型训练集对神经网络模型进行迭代训练，并获取训练过程中所述缺陷标签对应的分类准确度；在所述分类准确度大于或等于预设准确度时，完成对神经网络模型的迭代训练，获得预设神经网络模型。
可以理解的是，预设混淆矩阵可以是预先设定的N*N的矩阵；预设混淆矩阵为根据训练过程中神经网络模型的输出结果生成的矩阵；分类准确度可以是神经网络模型对缺陷图片判断的准确度。
在具体实现中，以表2-预设混淆矩阵中的大焊盘异物-中度缺陷为例进行说明，例如输入神经网络模型100张标注的大焊盘异物-中度缺陷图片，神经网络模型输出结果为将其中50判定为大焊盘异物-中度缺陷，25张判定为大焊盘异物-轻度，25张判定为大焊盘异物-重度，则神经网络模型对大焊盘异物-中度缺陷图片判断的准确度为50％，若预设准确度为90％，此时准确度小于预设准确度，则获取大焊盘异物-中度这一缺陷标签，并收集大焊盘异物-中度缺陷标签对应的缺陷图片，根据该缺陷图片构建加强模型训练集；通过该加强训练集继续对神经网络模型进行迭代训练，根据迭代训练过程中神经网络模型的输出结果生成混淆矩阵，在迭代次数达到预设次数时，根据混淆矩阵确定该缺陷标签的分类准确度，在分类准确度大于预设准确度时，完成训练，获得预设神经网络模型；其余缺陷标签的分类准确度参照大焊盘异物-中度缺陷标签，本实施例在此不再赘述。
表2-预设混淆矩阵
Figure BDA0003471672910000121
本实施例通过混淆矩阵确定每种缺陷标签对应的分类准确度，在分类准确度小于预设准确度时，构建与该缺陷标签对应的加强模型训练集继续对神经网络模型进行迭代训练，直至该缺陷标签的分类准确度大于预设准确度，能够提高缺陷分类的准确度。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有PCB缺陷检测程序，所述PCB缺陷检测程序被处理器执行时实现如上文所述的PCB缺陷检测方法的步骤。
参照图5，图5为本发明PCB缺陷检测装置第一实施例的结构框图。
如图5所示，本发明实施例提出的PCB缺陷检测装置包括：输入模块10、对比模块20和判断模块30。
所述输入模块10，用于将待检测PCB产品的产品图片输入预设神经网络模型，获得所述待检测PCB产品的缺陷信息；
所述对比模块20，用于获取预设放行缺陷标准，并将所述缺陷信息与所述预设放行缺陷标准进行对比，获得缺陷对比结果；
所述判断模块30，用于根据所述缺陷对比结果判断所述待检测PCB产品是否存在可放行缺陷。
本实施例将待检测PCB产品的产品图片输入预设神经网络模型，获得所述待检测PCB产品的缺陷信息；获取预设放行缺陷标准，并将所述缺陷信息与所述预设放行缺陷标准进行对比，获得缺陷对比结果；根据所述缺陷对比结果判断所述待检测PCB产品是否存在可放行缺陷。由于本实施例是通过将待检测PCB产品的产品图片输入预设神经网络模型获得待检测PCB产品的缺陷信息，将缺陷信息与预设方向缺陷标准对比获得缺陷对比结果，根据对比结果判断待检测PCB产品是否存在可放行缺陷，能够准确的对PCB产品存在的缺陷进行分类，并且能够满足不同客户对产品质量的要求，提高了PCB缺陷检测的准确度和普适性。
基于本发明上述PCB缺陷检测装置第一实施例，提出本发明PCB缺陷检测装置的第二实施例。
在本实施例中，所述对比模块29，还用于获取预设放行缺陷标准，根据所述预设放行缺陷标准确定预设放行缺陷类型和预设放行缺陷等级；将所述缺陷类型与所述预设放行缺陷类型进行对比，获得第一对比结果；将所述缺陷等级与所述预设放行缺陷等级进行对比，获得第二对比结果；根据所述第一对比结果和所述第二对比结果确定缺陷对比结果；所述缺陷信息包括缺陷类型和缺陷等级。
所述输入模块10，还用于获取PCB产品的若干缺陷图片，并根据所述若干缺陷图片构建模型训练集；根据预设检验标准将所述模型训练集划分为若干模型子训练集；通过所述若干模型子训练集对神经网络模型进行迭代训练，以获得符合预设标准的预设神经网络模型。
所述输入模块10，还用于根据预设检验标准确定PCB的标准缺陷类型和各标准缺陷类型对应的标准缺陷等级；根据所述标准缺陷类型和所述标准缺陷等级对所述模型训练集中的各缺陷图片进行标注；根据各缺陷图片的标注结果将所述模型训练集划分为若干模型子训练集。
所述输入模块10，还用于对所述模型训练集中的各缺陷图片进行分析，获得各缺陷图片中目标组件的色差和尺寸差；将所述标准缺陷类型与各缺陷图片进行对比确定各缺陷图片的缺陷类型；将所述色差和所述尺寸差与所述标准缺陷等级对比，根据对比结果确定对应缺陷图片的缺陷等级；根据所述缺陷类型和所述缺陷等级生成缺陷标签，根据所述缺陷标签对各缺陷图片进行标注。
所述输入模块10，还用于通过所述若干模型子训练集对神经网络模型进行训练，并在训练过程中判断所述神经网络模型的准确率是否大于预设准确率；在所述准确率大于预设准确率时，判断所述神经网络模型的损失函数的值是否小于预设值；在所述损失函数的值小于预设值时，判定完成对神经网络模型的训练，获得预设神经网络模型。
所述输入模块10，还用于在所述损失函数的值小于预设值时，根据预设混淆矩阵确定各缺陷标签对应的分类准确度，所述预设混淆矩阵为根据训练过程中神经网络模型的输出结果生成的混淆矩阵；
在所述分类准确度小于预设准确度时，获取对应的缺陷标签，并根据所述缺陷标签确定加强模型训练集；通过所述加强模型训练集对神经网络模型进行迭代训练，并获取训练过程中所述缺陷标签对应的分类准确度；在所述分类准确度大于或等于预设准确度时，完成对神经网络模型的迭代训练，获得预设神经网络模型。
本发明PCB缺陷检测装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种PCB缺陷检测方法，其特征在于，所述方法包括：
将待检测PCB产品的产品图片输入预设神经网络模型，获得所述待检测PCB产品的缺陷信息；
获取预设放行缺陷标准，并将所述缺陷信息与所述预设放行缺陷标准进行对比，获得缺陷对比结果；
根据所述缺陷对比结果判断所述待检测PCB产品是否存在可放行缺陷。
2.如权利要求1所述的方法，其特征在于，所述缺陷信息包括缺陷类型和缺陷等级，所述获取预设放行缺陷标准，并将所述缺陷信息与所述预设放行缺陷标准进行对比，获得缺陷对比结果，包括：
获取预设放行缺陷标准，根据所述预设放行缺陷标准确定预设放行缺陷类型和预设放行缺陷等级；
将所述缺陷类型与所述预设放行缺陷类型进行对比，获得第一对比结果；
将所述缺陷等级与所述预设放行缺陷等级进行对比，获得第二对比结果；
根据所述第一对比结果和所述第二对比结果确定缺陷对比结果。
3.如权利要求1所述的方法，其特征在于，所述将待检测PCB产品的产品图片输入预设神经网络模型，获得所述待检测PCB产品的缺陷信息之前，所述方法还包括：
获取PCB产品的若干缺陷图片，并根据所述若干缺陷图片构建模型训练集；
根据预设检验标准将所述模型训练集划分为若干模型子训练集；
通过所述若干模型子训练集对神经网络模型进行迭代训练，以获得符合预设标准的预设神经网络模型。
4.如权利要求3所述的方法，其特征在于，所述根据预设检验标准将所述模型训练集划分为若干模型子训练集，包括：
根据预设检验标准确定PCB的标准缺陷类型和各标准缺陷类型对应的标准缺陷等级；
根据所述标准缺陷类型和所述标准缺陷等级对所述模型训练集中的各缺陷图片进行标注；
根据各缺陷图片的标注结果将所述模型训练集划分为若干模型子训练集。
5.如权利要求4所述的方法，其特征在于，所述根据所述标准缺陷类型和所述标准缺陷等级对所述模型训练集中的各缺陷图片进行标注，包括：
对所述模型训练集中的各缺陷图片进行分析，获得各缺陷图片中目标组件的色差和尺寸差；
将所述标准缺陷类型与各缺陷图片进行对比确定各缺陷图片的缺陷类型；
将所述色差和所述尺寸差与所述标准缺陷等级对比，根据对比结果确定对应缺陷图片的缺陷等级；
根据所述缺陷类型和所述缺陷等级生成缺陷标签，根据所述缺陷标签对各缺陷图片进行标注。
6.如权利要求3所述的方法，其特征在于，所述通过所述若干模型子训练集对神经网络模型进行迭代训练，以获得符合预设标准的预设神经网络模型，包括：
通过所述若干模型子训练集对神经网络模型进行训练，并在训练过程中判断所述神经网络模型的准确率是否大于预设准确率；
在所述准确率大于预设准确率时，判断所述神经网络模型的损失函数的值是否小于预设值；
在所述损失函数的值小于预设值时，判定完成对神经网络模型的训练，获得预设神经网络模型。
7.如权利要求6所述的方法，其特征在于，所述在所述准确率大于预设准确率时，判断所述神经网络模型的损失函数的值是否小于预设值之后，所述方法还包括：
在所述损失函数的值小于预设值时，根据预设混淆矩阵确定各缺陷标签对应的分类准确度，所述预设混淆矩阵为根据训练过程中神经网络模型的输出结果生成的混淆矩阵；
在所述分类准确度小于预设准确度时，获取对应的缺陷标签，并根据所述缺陷标签确定加强模型训练集；
通过所述加强模型训练集对神经网络模型进行迭代训练，并获取训练过程中所述缺陷标签对应的分类准确度；
在所述分类准确度大于或等于预设准确度时，完成对神经网络模型的迭代训练，获得预设神经网络模型。
8.一种PCB缺陷检测装置，其特征在于，所述装置包括：
输入模块，用于将待检测PCB产品的产品图片输入预设神经网络模型，获得所述待检测PCB产品的缺陷信息；
对比模块，用于获取预设放行缺陷标准，并将所述缺陷信息与所述预设放行缺陷标准进行对比，获得缺陷对比结果；
判断模块，用于根据所述缺陷对比结果判断所述待检测PCB产品是否存在可放行缺陷。
9.一种PCB缺陷检测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的PCB缺陷检测程序，所述PCB缺陷检测程序配置为实现如权利要求1至7中任一项所述的PCB缺陷检测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有PCB缺陷检测程序，所述PCB缺陷检测程序被处理器执行时实现如权利要求1至7任一项所述的PCB缺陷检测方法的步骤。
CN202210046169.5A 2022-01-14 2022-01-14 Pcb缺陷检测方法、装置、设备及存储介质 Pending CN114463284A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210046169.5A CN114463284A (zh) 2022-01-14 2022-01-14 Pcb缺陷检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210046169.5A CN114463284A (zh) 2022-01-14 2022-01-14 Pcb缺陷检测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114463284A true CN114463284A (zh) 2022-05-10

Family

ID=81409427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210046169.5A Pending CN114463284A (zh) 2022-01-14 2022-01-14 Pcb缺陷检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114463284A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114842275A (zh) * 2022-07-06 2022-08-02 成都数之联科技股份有限公司 电路板缺陷判别方法、训练方法、装置、设备及存储介质
CN117237347A (zh) * 2023-11-14 2023-12-15 深圳思谋信息科技有限公司 Pcb板缺陷检测方法、装置、存储介质及电子设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114842275A (zh) * 2022-07-06 2022-08-02 成都数之联科技股份有限公司 电路板缺陷判别方法、训练方法、装置、设备及存储介质
CN117237347A (zh) * 2023-11-14 2023-12-15 深圳思谋信息科技有限公司 Pcb板缺陷检测方法、装置、存储介质及电子设备
CN117237347B (zh) * 2023-11-14 2024-03-29 深圳思谋信息科技有限公司 Pcb板缺陷检测方法、装置、存储介质及电子设备

Similar Documents

Publication Publication Date Title
CN108009543B (zh) 一种车牌识别方法及装置
CN114463284A (zh) Pcb缺陷检测方法、装置、设备及存储介质
US8553945B2 (en) Methods and systems for analyzing the quality of digital signature confirmation images
CN114266773B (zh) 显示面板缺陷定位方法、装置、设备及存储介质
KR102002024B1 (ko) 객체 라벨링 처리 방법 및 객체 관리 서버
JP5409910B2 (ja) 非製品画像識別
CN113963147B (zh) 一种基于语义分割的关键信息提取方法及系统
CN111899243A (zh) 一种图像清晰度评价方法、设备和计算机可读存储介质
CN104943421A (zh) 用于使图像检测系统自动地选择检验参数的方法
CN113221947A (zh) 一种基于图像识别技术的工业质检方法及系统
CN114862845A (zh) 手机触摸屏的缺陷检测方法、装置、设备及存储介质
CN107992527B (zh) 数据标记校验方法、服务器及存储介质
CN112381092A (zh) 跟踪方法、装置及计算机可读存储介质
CN112257649A (zh) 一种物品识别方法、模型训练方法、装置及电子设备
CN107291774A (zh) 错误样本识别方法和装置
CN113034421A (zh) 一种图像检测方法、装置及存储介质
CN108647570B (zh) 斑马线检测方法、装置及计算机可读存储介质
CN113901647A (zh) 一种零件工艺规程编制方法、装置、存储介质及电子设备
CN116342540A (zh) 包装膜缺陷检测方法、装置、设备及存储介质
CN115830599A (zh) 工业字符识别方法、模型训练方法、装置、设备和介质
CN115033487A (zh) 基于图像识别的自动化测试方法、装置、计算机设备及存储介质
CN113269276A (zh) 图像识别方法、装置、设备及存储介质
US11150849B2 (en) Device and method for checking the printing of an article
CN112052150A (zh) 页面加载时间检测方法、设备、存储介质及装置
CN115239732B (zh) 点灯机显示不均判断方法、装置、设备及存储介质

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