CN114742771B - 一种电路板背钻孔尺寸自动化无损测量方法 - Google Patents
一种电路板背钻孔尺寸自动化无损测量方法 Download PDFInfo
- Publication number
- CN114742771B CN114742771B CN202210293155.3A CN202210293155A CN114742771B CN 114742771 B CN114742771 B CN 114742771B CN 202210293155 A CN202210293155 A CN 202210293155A CN 114742771 B CN114742771 B CN 114742771B
- Authority
- CN
- China
- Prior art keywords
- image
- pcb
- layer
- images
- segmentation
- 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.)
- Active
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 59
- 238000000691 measurement method Methods 0.000 title claims abstract description 7
- 239000010410 layer Substances 0.000 claims abstract description 62
- 230000011218 segmentation Effects 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 34
- 239000011229 interlayer Substances 0.000 claims abstract description 32
- 238000002591 computed tomography Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 42
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 239000000463 material Substances 0.000 claims description 17
- 238000010521 absorption reaction Methods 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 239000004020 conductor Substances 0.000 claims description 6
- 239000012811 non-conductive material Substances 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 description 17
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 14
- 229910052802 copper Inorganic materials 0.000 description 14
- 239000010949 copper Substances 0.000 description 14
- 238000003709 image segmentation Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 238000009659 non-destructive testing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 150000003071 polychlorinated biphenyls Chemical class 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 239000011810 insulating material Substances 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000007747 plating Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 241000276425 Xiphophorus maculatus Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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]
Abstract
本发明公开了一种电路板背钻孔尺寸自动化无损测量方法,其步骤包括:1)利用选取或生成的数据集训练U‑net网络,得到用于对PCB断层图像进行层分割的分割模型;2)根据待检测电路板的X射线计算机层析成像重建PCB断层图像,从重建的PCB断层图像中选取包含背钻孔部位的图像区域,并将其层间图像各层输入到所述分割模型中,得到各个层间图像对应的二值图像,进而根据各所述二值图像确定电路层的位置;3)从步骤2)重建的PCB断层图像中截取经过N个钻孔柱心的层间图像,根据对应二值图像确定钻孔末梢位置;4)根据电路层位置及钻孔末梢位置,得到待检测电路板对应钻孔的背钻孔尺寸。本发明能快速、自动化地得到微米级的测量值。
Description
技术领域
本发明属于X射线计算机层析成像无损检测技术领域,具体涉及一种基于CL断层图像分割的电路板背钻孔尺寸自动化无损测量方法。
背景技术
随着工业发展对印刷式电路板(Printed circuit board,PCB)需求逐渐提高,板制作密度、层数以及复杂度越来越高,人们对PCB质量控制和工艺要求越来越高,PCB质量检测研究变得越来越重要并更有实际意义。PCB通常采用多层结构,与电路层垂直互连的孔也是PCB的一部分。PCB的过孔通常为通孔设计(从电路板的Top表层贯通到Bottom底层),当电路信号的频率增加到一定高度后,PCB中的导通孔中多余的镀铜产生的信号辐射对周围的其他信号造成干扰,严重时将影响到线路系统的正常工作,背钻(Back drilling)的作用就是将多余的镀铜钻掉,从而消除此类问题,在降低成本的同时,满足高频、高速的性能。因此,背钻孔尺寸的测量对于高速PCB的过孔设计十分重要。
对于PCB的质量检测,破坏性方法更为常见。中国专利申请号“201910731409.3”涉及到一种利用千分表对PCB背钻孔尺寸精度的检测方法,但是此方法是需要对PCB板材表面进行打磨处理,会破坏待检测的PCB内部结构。这个过程大多是手动的,十分耗时、昂贵并且容易出错。因此,对PCB背钻孔尺寸测量采用无损检测的技术具有更大的实际意义。本发明考虑的是利用无损检测技术对PCB背钻孔尺寸进行测量。
基于X射线成像的无损检测技术是利用物质成分和密度不同,对射线的吸收率也不同,对物体进行成像,从而在不破坏物体的前提下得到物体内部结构。在工业无损检测中,传统计算机断层成像CT(Computed tomography,CT)的成像技术是一种十分高效的无损检测方式,但是CT扫描几何不适用于平板物体的检测,对大尺寸板状物体难以获取高分辨重建图像:射线在不同角度下穿透板状物体的长度差异大,进而导致投影数据差异大,难以得到高对比的断层图像,并且对于特定的扫描角度,扫描数据会出现很大的噪声,进而导致重建效果很差;此外,为了重建出高分辨率的图像,CT扫描过程中需要将板状物体贴近X射线源,可是这样可能会导致物体与X射线源碰撞,因此为了避免碰撞,扫描角度范围会受到限制。
X射线计算机层析成像(Computed laminography,CL)的特殊扫描几何可以对较大纵横比的板状物体进行高分辨检测。中科院高能物理研究所研制的X射线三维分层成像仪可用于平板状物体的检测,能实现三维高分辨扫描,对于大尺寸样品可进行任意区域扫描成像,适用于非切割、大尺寸、结构复杂的PCB质量检验。它采用如图1所示的CL扫描结构。
物体水平放置于可旋转运动平台,射线斜穿物体,平板探测器水平旋转运动接收扫描过程中的射线信号,并能沿着弧形机械臂滑动以调节角β的大小。这样的扫描几何可以让射线源紧靠物体,从而得到一个很高的放大比,提高重建分辨率。这为实现PCB背钻孔尺寸无损测量提供可行方法。本发明用于X射线三维分层成像仪,基于CL断层图像进行处理。
由于CL扫描结构在竖直方向(z方向)上的扫描角度受限,采样数据不足。Zhao Y.(2018)等人在文章“Edge information diffusion-based reconstruction for conebeam computed laminography”中提出一种基于边缘扩散的迭代重建算法,用于减少混叠伪影改善CL重建图像质量。然而这些迭代算法虽然一定程度上减小伪影提高了重建图像质量,但数值求解过程计算量很大,迭代过程耗时很长,在难以直接应用到实际PCB重建。Feldkamp-Davis-Kress(FDK)算法是锥束扫描常用的解析重建算法,直接引用FDK算法会给CL重建图像带来层间混叠伪影,但在重建时间比迭代算法要短得多,适用于实际工程应用,对FDK重建后图像进行后处理是一个十分值得研究探索的方向。
对于PCB重建图像,主要考虑的是对不同材质的分割,从后处理角度来看,就是一个分割问题。图像分割在计算机视觉领域已经有坚实理论基础的支撑,传统图像分割算法包括以直接寻找区域为基础基于区域和边缘的方法、利用训练数据寻找模式的分类方法、聚类方法。但是这些分割算法十分依赖于图像灰度水平,不适用于存在严重层间混叠伪影的CL断层图像;另外,传统算法受参数影响较大,鲁棒性差,难以实现背钻孔尺寸的自动化测量,传统分割算法有较大的局限性。
随着计算机算力逐渐增加,深度学习在计算机视觉上的飞速发展。Ronneberger(2015)等人在“U-net:Convolutional networks for biomedical image segmentation.”中提出U-net分割网络,网络能够利用较少的训练图像通过连续卷积层来学习数据已得到更精确的输出。但是U-net分割网络是一种有监督学习网络,需要带混叠伪影图像所对应的标签图像进行训练,而真实数据对应的标签数据难以获取也无法人工标注。
发明内容
针对现有技术中存在的问题,本发明的目的在于提供一种新型的PCB背钻孔尺寸测量的方法,做到在不破坏PCB内部结构的条件下测量背钻孔尺寸(如图2所示)。该算法可适用于常规CL重建得到的PCB数据处理,对于缺少真实标签数据的问题也同样适用。此方法对重建图像进行后处理,可以快速、自动化地得到微米级的测量值。
本发明基于CL层析成像的PCB背钻孔尺寸无损自动化测量的方法,是通过调用CL中原有的FDK重建算法,对断层图像进行后处理,并且考虑到三维数据占内存大,处理起来较为复杂,本发明将三维分割问题转化为二维图像序列分割问题。为了实现背钻孔尺寸的自动化测量,它需要对重建后的PCB断层图像进行分割,得到分割后的二值图像,进而才能进行自动化测量。而对于图像序列的分割,本发明结合传统分割算法和深度学习分割网络,它利用U-net分割网络的对输入和输出的图像进行学习,对某些特定结构联合自动化模糊C均值算法共同分割,从而得到分割较为精确的图像作为训练数据进行迭代训练。最后对分割处理后的二值图像进行电路层和钻孔末梢自动化定位,从而得到背钻孔尺寸的测量值。
本发明的技术方案为:
一种电路板背钻孔尺寸自动化无损测量方法,其步骤包括:
1)利用选取或生成的数据集训练U-net网络,得到一用于对PCB断层图像进行层分割的分割模型;其中所述数据集包括多组带层间混叠伪影的PCB断层图像的层间图像和对应的标签图像;
2)根据待检测电路板的X射线计算机层析成像重建PCB断层图像,从重建的PCB断层图像中选取包含背钻孔部位的图像区域,并将其层间图像各层输入到所述分割模型中,得到各个层间图像对应的二值图像,根据各所述二值图像生成分割好的二值三维体;
计算所述二值三维体各个层内图像的图像像素和,根据各所述图像像素和生成像素和分布图,将所述像素和分布图中峰半高宽所在层位置作为电路层的位置;
3)从步骤2)重建的PCB断层图像中截取经过N(N≤2)个钻孔柱心的层间图像,计算所截取的各层层间图像对应的二值图像的连通量面积,找出连通量面积最大的2N个连通体,从无导电材质向有导电材质的方向逐列遍历每一所述连通体的像素,将像素值不为0的列作为钻孔末梢位置;其中,所述二值图像中导电材质对应的像素值为0,非导电材质对应的像素值为1,N为待检测电路板的钻孔总数;
4)根据步骤2)确定的电路层位置,以及步骤3)确定的每一钻孔末梢位置,得到电路层和钻孔末梢的像素宽度距离,根据所述像素宽度距离确定出所述待检测电路板对应钻孔的背钻孔尺寸。
进一步的,生成所述数据集的方法为:
11)制备模拟训练数据所需的带钻孔PCB模体对应的层内图像;
12)对所述层内图像中不同设定材质赋值不同吸收系数,其中所述设定材质包括导电材质和非导电材质;
13)将步骤12)处理后的图像堆叠为扫描模体;利用ASTRA工具箱模拟X射线计算机层析成像扫描结构对所述扫描模体进行扫描,得到投影数据并对其添加噪声,然后根据每一添加噪声后的投影数据模拟重建得到带层间混叠伪影的PCB断层图像。
14)将步骤11)处理后的层内图像按照步骤13)制作扫描模体完全相同的堆叠方式,得到对应的标签图像。
进一步的,所述吸收系数为其中,Δx为扫描对象的宽度,I入为入射光子数,I出为射线穿过扫描对象后探测器接收到的出射光子数。
进一步的,训练U-net网络的方法为:利用所述数据集训练U-net网络,得到参数模型记为P0;对于一张真实PCB断层图像,用参数模型P0对该真实PCB断层图像进行分割,得到分割图;以及利用AFCM算法对该真实PCB断层图像进行分割,得到分割图;将两种分割方式得到的分割图进行合并,对合并后的分割图进行筛选,将所选合并后的分割图放入所述数据集中,再次训练U-net网络,得到训练好的参数模型记为P1;迭代上述训练过程,将最终训练好的参数模型P作为所述分割模型。
进一步的,所述像素宽度距离乘像素实际宽度得到所述待检测电路板对应钻孔的背钻孔尺寸。
进一步的,所述U-net网络为32、64、128、256、512通道进行上下采样的U-net模型。
本发明的优点如下:
(1)对于常规的CL数据,使用此发明相当于从软件上实现了在实际PCB数据上测量背钻孔尺寸,有较高的设备适应性。
(2)使用该发明方法与其它方法相比,能够做到无损、快速测量。
(3)本发明在得到重建图像后可自动化完成背钻孔尺寸的测量,操作快捷方便。
(4)本发明可以得到较为精确的测量结果,和多床位高放大比显微CT测量得到的结果相当,误差非常小(如表1所示)。
表1为多床位高放大比显微CT测量结果及本方法测量结果和误差对比表
附图说明
图1为CL设备扫描结构示意图。
图2为背钻孔尺寸示意图。
图3为本发明操作流程图。
图4为模拟数据三视图(左侧为2940×2940×1000,右侧为1000×1000×1000)。
图5为真实数据伪标签制作示意图。
图6为AFCM图像分割算法流程图。
图7为原始PCB重建数据背钻孔三视图。
图8为经过网络分割后的二值图像三视图。
图9为逐层像素和分布图。
图10为层间图像及层间图像的四个连通体(左一为层间图像,左二至左五为层间图像的四个连通体)。
具体实施方式
下面结合附图对本发明进行进一步详细描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本发明提供的一种新型PCB背钻孔尺寸自动化无损测量方法,算法总流程如图3所示,下面将分别介绍各个步骤。
1、模拟CL重建
本发明使用有监督深度学习分割网络U-net,需要制备具有问题特异性的数据进行训练。但是真实数据难以大量获取,需要进行模拟仿真,利用模拟所获取的训练数据进行训练。荷兰Antwerp大学iMinds-Vision实验室开发的ASTRA工具箱提供了有效灵活的CT图像重建开源代码,本发明利用开源重建软件ASTRA工具箱模拟X射线三维分层成像仪的扫描结构,制作带钻孔PCB模体,利用CL设备原有的FDK重建算法,获得带层间混叠伪影的PCB重建图像和对应的标签图像用于训练。制作模拟训练数据大致步骤如下:
(1)绘制PCB层内图像:对于一组基于CL扫描的真实PCB图像,层内图像(如图4)样式主要是电路层和非电路层;对于带钻孔的PCB,层内图像大多存在是两个圆环结构,对于单层电路层带双背钻孔形状的PCB三维结构,绘画出不同模式的三维电路层层内图像,图像尺寸设置为2940×2940(与CL扫描重建得到的图像大小一致),用白色表示铜材质,黑色表示其它吸收率较小的材质,例如空气、绝缘材质。
(2)对步骤(1)中绘制的层内图像中表示不同材质的像素赋值吸收系数:需要模拟的材质仅限铜和非铜材质,因此只对这两种材质进行赋值。考虑到实际扫描过程中存在散射、非铜材质组成较为复杂,为了得到更真实的模拟效果,需要求出PCB中两种不同材质的实际等效吸收系数。本方法利用吸收系数公式(Δx为扫描对象的宽度,I入为入射光子数,I出为射线穿过扫描对象后探测器接收到的出射光子数),通过以下操作求出实际等效的吸收系数:在同等扫描条件下分别对一块全绝缘材质PCB和一块大小厚度和电路板相当的铜薄片进行CL成像,得到对应的两个光子数I1,I2;另外,再测得在空扫(无扫描对象)时的光子数作为实际等效入射光子数,记录为I0;测量得到全绝缘材质PCB和铜片的宽度分别为Δx1和Δx2;最后利用吸收系数公式得到在当前设备的扫描条件下PCB中铜材质和非铜材质对应的实际等价吸收系数μ1、μ2。通过这种方式求得的实际等效吸收系数,可以得到更加接近真实重建图像的像素分布。
(3)模拟实验室中得到的真实PCB重建图像:将步骤(2)中对不同材质赋值其实际等效吸收系数后的图像,根据图像样式,仿照真实CL扫描重建得到的图像进行堆叠,最后制作成2940×2940×1000大小的三维数据,作为扫描模体。再利用ASTRA工具箱模拟CL扫描结构,得到其投影数据。根据真实投影数据,对模拟投影数据添加噪声,最后利用FDK算法重建,得到模拟的带层间混叠伪影的PCB重建图像。
(4)对步骤(1)中的图像,按照步骤(3)中制作扫描模体完全相同的堆叠方式,得到步骤(3)中带层间混叠伪影的PCB重建图像所对应的标签图像。
2、自适应网络训练
利用模拟得到的数据在U-net网络上进行训练,得到在模拟数据上表现较好的分割模型。但是考虑到模拟数据和真实数据存在一定差异,例如真实扫描过程中存在其它伪影和散射现象可能导致模拟数据和真实数据在特征分布上存在一定差异,而这种数据特征分布差异难以用具体参数指标表示,故而需要进行自训练。Tao(2019)等人在“AutomaticFuzzy Clustering Framework for Image Segmentation”中提出一种基于密度峰值的自动化模糊C均值分割算法,本发明结合自动化模糊C均值(AFCM)算法生成真实数据对应的伪标签,用于提高网络在真实数据上的分割能力。自适应训练数据生成框架的分割流程大致如下:
(1)首先对模拟数据进行剪裁,选择尺寸大小为1000×1000的层间图像(如图4所示)作为训练集。经过调试,选择32、64、128、256、512通道进行上下采样的U-net模型进行训练,训练集大小为7000-8000张,训练得到的参数模型为P0。
(2)如图5所示,对于一张真实PCB重建层间图像,用在模拟数据上训练好的网络模型P0进行U-net网络分割,得到分割图;同时利用AFCM算法进行分割,得到分割图。其中,AFCM图像分割算法流程如图6所示,即先对原始图像处理得到梯度图像,在进行腐蚀、分水岭操作,然后对图像进行膨胀操作,用区域灰度均值代表每一个区域的灰度值进而得到标签化的图像,最后用以聚类簇为2进行模糊C均值聚类分割。
(3)通过U-net网络对图像进行分割,能在电路层位置得到较好的分割结果,然而在钻孔末梢表现较差;利用AFCM分割算法可以得到钻孔末梢分割表现较好的图像,故而可以将两种分割方式得到的图像进行合并(如图5所示):保存AFCM分割得较好的钻孔末梢部位,记录列坐标,替代经用U-net网络分割的钻孔末梢部位,从而得到合并后的分割图,保留了U-net网络分割较好的电路层位置,也得到AFCM算法分割较好的钻孔末梢部位。然后人工选取分割效果较好的图像放入训练数据,进行下一步训练,得到训练好的参数模型P1。通过这种方式迭代三四次,提高伪标签的图像质量,逐渐增加训练数据中真实数据所占的比例,进而提高网络在真实数据上的分割效果,最终得到在真实数据上表现较好的参数模型P。
3、电路层自动化定位
PCB背钻孔尺寸的测量需要知道钻孔末梢和电路层位置,电路层定位精准也能帮助层间、层内图像的分割,因此电路层精准定位十分重要。大致步骤如下:
(1)从实验室采集到真实CL重建的PCB断层图像数据,选取包含背钻孔的部位进行剪裁,如图7所示,得到层间图像尺寸大小为1000×1000的图像,并用训练好的参数模型P进行预测,得到每一层层间图像的二值分割图像,并导入为三维体(如图8所示)。
(2)对步骤(1)得到的二值三维体各个层内二值图像的每一层求算像素和,进而得到像素和分布图(如图9),然后将峰的半高宽所在层位置作为电路层的位置。根据电路板结构特点,经过分割后的PCB数据电路层含铜面积高,层内像素值总和更高,非电路层一般只含有噪声点。考虑到电路层存在一定倾斜,对应电路层半高宽所在层位置即认为是电路层所在位置。在实验中也尝试过用峰脚,或者用一些其它先验信息进行限制的部位进行实验测量,最终考虑实验结果的准确性以及方法操作的便捷性,选取峰半高宽位置作为电路层的位置。
4、钻孔末梢自动化定位
如图2背钻孔尺寸示意图所示,背钻孔尺寸测量是从钻孔末梢到电路层下方位置,故而还需要得到钻孔末梢的位置。如图10,对于一组包含两个背钻孔的PCB数据,通过截取经过两个钻孔柱心的层间图像(如图10左一),将钻孔末梢测量问题转化为对钻孔侧面图进行处理:通过对二值图的连通量进行面积排序,找出连通量面积最大的四个连通体(图10左二至左五),对每一个连通体对应的图像,分别从左往右(从无铜存在的列往有铜存在列的方向)逐列遍历,一旦出现当前列的像素灰度值和不为0的情况,则说明当前列出现像素值为1的像素,即出现表示材质为铜的像素,故而当前列就是钻孔末梢位置,这样就能确定自动化得到每一个钻孔末梢的层位置。
5、测量背钻孔尺寸
得到电路层位置,以及每一个钻孔末梢的位置,就能得到电路层和钻孔末梢的像素宽度距离,而重建图像的像素实际宽度是已知的,像素宽度距离乘像素实际宽度,最终可以确定一组PCB重建数据中,两个钻孔对应的四个不同位置的背钻孔尺寸大小。
尽管为说明目的公开了本发明的具体实施例,其目的在于帮助理解本发明的内容并据以实施,本领域的技术人员可以理解:在不脱离本发明及所附的权利要求的精神和范围内,各种替换、变化和修改都是可能的。因此,本发明不应局限于最佳实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (6)
1.一种电路板背钻孔尺寸自动化无损测量方法,其步骤包括:
1)利用选取或生成的数据集训练U-net网络,得到一用于对PCB断层图像进行层分割的分割模型;其中所述数据集包括多组带层间混叠伪影的PCB断层图像的层间图像和对应的标签图像;
2)根据待检测电路板的X射线计算机层析成像重建PCB断层图像,从重建的PCB断层图像中选取包含背钻孔部位的图像区域,并将其层间图像各层输入到所述分割模型中,得到各个层间图像对应的二值图像,根据各所述二值图像生成分割好的二值三维体;计算所述二值三维体内各个层内图像的图像像素和,根据各所述图像像素和生成像素和分布图,将所述像素和分布图中峰半高宽所在层位置作为电路层的位置;
3)从步骤2)重建的PCB断层图像中截取经过N个钻孔柱心的层间图像,计算所截取的各层层间图像对应的二值图像的连通量面积,找出连通量面积最大的2N个连通体,从无导电材质向有导电材质的方向逐列遍历每一所述连通体的像素,将像素值不为0的列作为钻孔末梢位置;其中,所述二值图像中导电材质对应的像素值为0,非导电材质对应的像素值为1,N为待检测电路板的钻孔总数,N≤2;
4)根据步骤2)确定的电路层位置,以及步骤3)确定的每一钻孔末梢位置,得到电路层和钻孔末梢的像素宽度距离,根据所述像素宽度距离确定出所述待检测电路板对应钻孔的背钻孔尺寸。
2.根据权利要求1所述的方法,其特征在于,生成所述数据集的方法为:
11)制备模拟训练数据所需的带钻孔PCB模体对应的层内图像;
12)对所述层内图像中不同设定材质赋值不同吸收系数,其中所述设定材质包括导电材质和非导电材质;
13)将步骤12)处理后的图像堆叠为扫描模体,利用ASTRA工具箱模拟X射线计算机层析成像扫描结构对所述扫描模体进行扫描,得到投影数据并对其添加噪声,然后根据每一添加噪声后的投影数据模拟重建得到带层间混叠伪影的PCB断层图像;
14)将步骤11)处理后的层内图像按照制作所述扫描模体的方式进行堆叠,得到对应的标签图像。
3.根据权利要求2所述的方法,其特征在于,所述吸收系数为其中,Δx为扫描对象的宽度,I入为入射光子数,I出为射线穿过扫描对象后探测器接收到的出射光子数。
4.根据权利要求1或2或3所述的方法,其特征在于,训练U-net网络的方法为:
利用所述数据集训练U-net网络,得到参数模型记为P0;
对于一张真实PCB断层图像,用参数模型P0对该真实PCB断层图像进行分割,得到分割图;以及利用AFCM算法对该真实PCB断层图像进行分割,得到分割图;
将两种分割方式得到的分割图进行合并,对合并后的分割图进行筛选,将所选合并后的分割图放入所述数据集中,再次训练U-net网络,得到训练好的参数模型记为P1;
迭代上述训练过程,将最终训练好的参数模型P作为所述分割模型。
5.根据权利要求1或2或3所述的方法,其特征在于,所述像素宽度距离乘像素实际宽度得到所述待检测电路板对应钻孔的背钻孔尺寸。
6.根据权利要求1所述的方法,其特征在于,所述U-net网络为32、64、128、256、512通道进行上下采样的U-net模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210293155.3A CN114742771B (zh) | 2022-03-23 | 2022-03-23 | 一种电路板背钻孔尺寸自动化无损测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210293155.3A CN114742771B (zh) | 2022-03-23 | 2022-03-23 | 一种电路板背钻孔尺寸自动化无损测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114742771A CN114742771A (zh) | 2022-07-12 |
CN114742771B true CN114742771B (zh) | 2024-04-02 |
Family
ID=82277023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210293155.3A Active CN114742771B (zh) | 2022-03-23 | 2022-03-23 | 一种电路板背钻孔尺寸自动化无损测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742771B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260748A (zh) * | 2020-02-14 | 2020-06-09 | 南京安科医疗科技有限公司 | 基于神经网络的数字合成x射线层析成像方法 |
WO2020237873A1 (zh) * | 2019-05-27 | 2020-12-03 | 清华大学 | 基于神经网络的螺旋ct图像重建方法和设备及存储介质 |
-
2022
- 2022-03-23 CN CN202210293155.3A patent/CN114742771B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020237873A1 (zh) * | 2019-05-27 | 2020-12-03 | 清华大学 | 基于神经网络的螺旋ct图像重建方法和设备及存储介质 |
CN111260748A (zh) * | 2020-02-14 | 2020-06-09 | 南京安科医疗科技有限公司 | 基于神经网络的数字合成x射线层析成像方法 |
Non-Patent Citations (2)
Title |
---|
基于有限角和计算机层析成像相结合的板状构件成像方法;邹晶;曾伟;胡晓东;;纳米技术与精密工程;20170915(第05期);全文 * |
超高层大尺寸高频高速厚背板工艺开发;焦其正;王小平;纪成光;;印制电路信息;20181210(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114742771A (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104655658B (zh) | 一种大型高温叶片内部缺陷三维无损检测方法 | |
KR20010081097A (ko) | 비파괴 테스트용 컴퓨터 단층 촬영법 및 장치 | |
CN109671056A (zh) | 一种基于x射线图像的复合轨枕孔隙缺陷检测方法 | |
US7092484B1 (en) | Model-assisted reconstruction of volumetric data | |
CN114693660A (zh) | 一种基于ict的固体火箭发动机装药计算网格生成方法 | |
CN107192726A (zh) | 板壳物体快速高分辨三维锥束计算机层析成像方法及装置 | |
Yosifov et al. | Probability of detection applied to X-ray inspection using numerical simulations | |
Ortega et al. | A methodology to obtain traceability for internal and external measurements of Inconel 718 components by means of XRCT | |
CN114742771B (zh) | 一种电路板背钻孔尺寸自动化无损测量方法 | |
Schrapp et al. | Artifact reduction in non-destructive testing by means of complementary data fusion of x-ray computed tomography and ultrasonic pulse-echo testing | |
CN110211091A (zh) | 一种高分辨图像重构方法、装置及隐裂无损检测系统 | |
Tan et al. | Scan angle selection and volume fusion for reducing metal artifacts by multiple X-ray CT scanning | |
JP4650076B2 (ja) | 回路パターン検査装置及び回路パターン検査方法 | |
CN111340786B (zh) | 一种复杂点阵结构内部缺陷的三维分割方法及系统 | |
Xiao et al. | Adaptive Hybrid Framework for Multiscale Void Inspection of Chip Resistor Solder Joints | |
CN108364325A (zh) | 规则样品x射线ct投影图位置平移偏差检测及校正方法 | |
CN111340127B (zh) | 基于材料聚类的能谱ct迭代材料分解方法和装置 | |
Shi et al. | An automatic measurement method of PCB stub based on rotational computed laminography imaging | |
Liaptsis et al. | High resolution X-ray volumetric inspection of large planar samples using SART based computed laminography | |
KR102585028B1 (ko) | 3차원 처리 기반 대상체 비파괴 검사 방법, 장치 및 시스템 | |
Meaney et al. | Helsinki tomography challenge 2022: Description of the competition and dataset | |
Schrapp et al. | Artifact reduction in industrial computed tomography via data fusion | |
CN116408462B (zh) | 一种激光金属增材沉积内部孔隙状态实时预测方法 | |
CN114018962B (zh) | 一种基于深度学习的同步多螺旋计算机断层成像方法 | |
Hena et al. | Towards Enhancing Automated Defect Detection (ADR) in Digital X-ray Radiography Applications: Synthesizing Training Data Through X-ray Intensity Distribution Modeling for Deep Learning Algorithms |
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 |