CN114900966A - 电路板近孔背钻方法、电路板、通讯电子设备及加工装置 - Google Patents

Abstract

本发明属于PCB近孔背钻加工技术领域，公开了电路板近孔背钻方法、电路板、通讯电子设备及加工装置。所述电路板近孔背钻方法包括：LODI设定1.0mm；筛选孔间距≤1.0mm背钻孔；将孔间距≤1.0mm背钻孔挑出，按＞1.0mm设置跳钻，使孔间距≤1.0mm(LODI设定距离)的背钻孔通过跳钻改变背钻深度信号触发方式：由原来LODI区域内触发变更为单点触发(每个背钻孔均单点触发计算背钻深度)。本发明通过优化背钻加工方式，改善当背钻孔间距≤LODI设定范围，背钻第一个孔信号单点触发后，其余孔径参照第一个背钻孔深度，设备自动设定背钻深度，板面不平导致的背钻深度不一问题。

Description

电路板近孔背钻方法、电路板、通讯电子设备及加工装置

技术领域

本发明属于PCB近孔背钻加工技术领域，尤其涉及电路板近孔背钻方法、电路板、通讯电子设备及加工装置。

背景技术

随着5G通讯领域的崛起，5G类印制电路板加工过程中，为减少孔铜对信号传输的影响，通常采取背钻方式将影响信号传递的孔铜钻除，印制线路板背钻加工行业主流加工设备为schmoll背钻钻机，背钻深度信号触发为区域触发(设定区域内，第一个孔钻咀接触铝片触发信号计算深度，其他孔参照第一个孔自动设置深度)，当同一区域内两个孔间距小于背钻信号触发设定信号区，第一个背钻孔深度信号触发后，第二个背钻孔再下钻，会因为板面高低不平导致背钻深度不一；影响印制电路板信号传输；主要缺陷具体说明如下：

1)背钻钻带设置：在背钻钻带中设定背钻深度：在对应刀具后加M18Z+(背钻深度)；在程序后加M19取消背钻指令，将对应资料导入schmoll背钻钻带；

2)schmoll背钻信号触发区域(LODI)设定：一般schmoll背钻信号触发区域(LODI)为1.0mm(第一个背钻信号触发计算深度后，其余背钻距第一个背钻孔1.0mm范围内均参照第一个背钻孔深度设定)：

缺陷：当背钻孔间距(0.84mm)≤LODI设定范围(1.0mm)，背钻第一个孔信号单点触发后，其余孔径参照第一个背钻孔深度，设备自动设定背钻深度，由于板面不平易导致背钻深度不一，包括：

a)近孔孔间距0.82mm≤LODI(1.0mm)；

b)近孔背钻异常图片(同一设定深度，实际钻孔深度不一致):当背钻孔间距(0.84mm)≤LODI设定范围(1.0mm)，背钻第一个孔信号单点触发后，其余孔径参照第一个背钻孔深度，设备自动设定背钻深度，由于板面不平易导致背钻深度不一。

通过上述分析，现有技术存在的问题及缺陷为：现有技术中，当背钻孔间距≤LODI设定范围，背钻第一个孔信号单点触发后，其余孔径参照第一个背钻孔深度，设备自动设定背钻深度，由于板面不平会导致背钻深度不一，使得产品质量较差。

发明内容

为克服相关技术中存在的问题，本发明公开实施例提供了一种电路板近孔背钻方法、电路板、通讯电子设备及加工装置。

所述技术方案如下：一种电路板近孔背钻方法包括：

对背钻孔间距≤LODI设定距离的背钻孔通过跳钻改变背钻深度信号触发方式，由原来LODI区域内只触发第一个孔变更为每个背钻孔均单点触发计算背钻深度。

在一个实施例中，所述LODI设定距离为0.9-1.1mm，优选1.0mm。

在一个实施例中，对背钻孔间距≤LODI设定距离的背钻孔通过跳钻改变背钻深度信号触发方式前，需将对背钻孔间距≤1.0mm的背钻孔挑出，背钻孔间距按＞1.0mm设置跳钻。

在一个实施例中，在背钻孔间距按＞1.0mm设置跳钻中，背钻孔间距具体距离在满足实际加工要求前提下随机设定。

在一个实施例中，对背钻孔间距≤LODI设定距离的背钻孔通过跳钻改变背钻深度信号触发方式前，还需进行：通过CAM资料，筛选背钻孔间距≤1.0mm的背钻孔。

在一个实施例中，通过跳钻方式，改变背钻深度信号触发，其中跳钻为schmoll钻机程序选择设定。

通过跳钻方式，改变背钻深度信号触发，其中跳钻为schmoll钻机程序选择设定；

所述schmoll钻机程序包括：利用残差网络进行背钻深度信号特征提取，并融合多层电路板的深度学习神经网络特征和颜色特征作为最终特征向量，进行相似性度量，得到背钻深度。

在一个实施例中，所述深度学习神经网络特征提取的方法包括以下步骤：

1)向深度卷积网络输入一个C×H×W的三维张量，C表示特征的通道数，初始值为3；H和W分别表示输入图片的高和宽的像素大小；

2)图片经过多层卷积操作，每一层卷积的输入为上一层的输出，计算方法为：

式中，

表示第l层的第j个运算结果；

表示第n层第j个输出特征图所对应的多个输入特征图的索引集合；

表示偏置项，其被所有输入特征图共享；

表示第l层一个i×j大小的卷积核；ReLU为激活函数，公式为：

3)残差网络采用了平均池化(mean-pooling)对邻域内特征点求平均值，池化操作公式为：

以Resnet50为主网络模型，ResNet50最后的卷积层输出若干个7X7的卷积结果，去掉其最后的两层全连接层，加入两个全连接层：FC1层和FC2层，分别输出512维和30维的特征向量；对网络模型进行微调，使用已有的ResNet50模型及参数来训练全连接层的参数，得到一个拟合多层电路板数据集的网络模型，提取FC1层的512维的向量，作为深度学习神经网络特征；

多层电路板颜色特征提取的方法包括：

1)网络模型的最后一层卷积层中有2048个7x7卷积，对其进行平均池化后得出7x7的矩阵，直接提取信息较强位置最大的10个值，并记录其位置；

2)将原图的RGB值做平均池化，池化为7x7的矩阵，根据得到的10个值最大的位置，选出图片中相对应的10个RGB值得到3x10维的颜色特征，对矩阵进行标准化处理，z-score标准化公式为：

式中，x表示真实值，μ表示矩阵的平均值，σ表示标准差；

3)将矩阵转换为一个30维向量；将全连接层得到的512维向量与30维颜色向量进行并行连接，得到一个542维的特征向量，作为最终的特征表示。

本发明的另一目的在于提供一种电路板，所述电路板根据所述电路板近孔背钻方法制作而成。

本发明的另一目的在于提供一种5G通讯电子设备，所述5G通讯电子设备搭载所述的电路板。

本发明的另一目的在于提供一种实施所述电路板近孔背钻方法制作电路板的近孔背钻加工装置。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：

第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：

本发明通过优化背钻加工方式，改善当背钻孔间距≤LODI设定范围，背钻第一个孔信号单点触发后，其余孔径参照第一个背钻孔深度，设备自动设定背钻深度，板面不平导致的背钻深度不一问题。

本发明通过跳钻方式，改变背钻深度信号触发，其中跳钻为schmoll钻机程序选择设定。通过跳钻方式，改变背钻深度信号触发，其中跳钻为schmoll钻机程序选择设定；

所述schmoll钻机程序包括：利用残差网络进行背钻深度信号特征提取，并融合多层电路板的深度学习神经网络特征和颜色特征作为最终特征向量，进行相似性度量，得到背钻深度。

第二，把技术方案看作一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：

本发明通过优化背钻加工方式，改善当背钻孔间距≤LODI设定范围，背钻第一个孔信号单点触发后，其余孔径参照第一个背钻孔深度，设备自动设定背钻深度，由于板面不平导致的背钻深度不一问题。

本发明解决了背钻深度不一致，会引起钻孔深度不够或钻孔深度超层，引起批量的报废的问题。

本发明解决了背钻深度不一致，会引起钻孔深度不够或钻孔深度超层，引起批量的报废。良率由20％提升至98％。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是本发明实施例提供的电路板近孔背钻方法流程图；

图2是本发明应用例中提供的深度学习神经网络特征提取的方法流程图；

图3是本发明应用例中提供的多层电路板颜色特征提取的方法流程图；

图4是本发明应用例中提供的利用本发明电路板近孔背钻方法改善效果图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。

一、解释说明实施例：

实施例1

本发明提供的电路板近孔背钻方法包括：

通过优化背钻加工方式，改善当背钻孔间距≤LODI设定范围，背钻第一个孔信号单点触发后，其余孔径参照第一个背钻孔深度，设备自动设定背钻深度，板面不平导致的背钻深度不一问题。

实施例2

如图1所示，本发明提供的电路板近孔背钻方法包括：

S101，确定schmoll背钻钻机LODI设置距离；LODI设定0.9-1.1mm；

S102，分析CAM资料，筛选孔间距≤1.0mm(LODI设定距离)背钻孔；

S103，将孔间距≤1.0mm(LODI设定距离)背钻孔挑出，按＞1.0mm(LODI设定距离)设置跳钻(具体距离在满足要求前提下随机设定)，使孔间距≤1.0mm(LODI设定距离)的背钻孔通过跳钻改变背钻深度信号触发方式：由原来LODI区域内触发(LODI设定距离内只触发第一个孔，其余参照第一个孔设置深度)变更为单点触发(每个背钻孔均单点触发计算背钻深度)，提高背钻深度精准度。

步骤S101中LODI优选1.0mm。

实施例3

利用上述实施例2提供的电路板近孔背钻方法，本发明制作了一种电路板。

实施例4

利用上述实施例3，本发明实施例还提供一种5G通讯电子设备，所述5G通讯电子设备搭载所述的电路板。

实施例5

本发明实施例还提供一种实施实施例2电路板近孔背钻方法制作电路板的近孔背钻加工装置。

实施例6

通过跳钻方式，改变背钻深度信号触发，其中跳钻为schmoll钻机程序选择设定；

所述schmoll钻机程序包括：利用残差网络进行背钻深度信号特征提取，并融合多层电路板的深度学习神经网络特征和颜色特征作为最终特征向量，进行相似性度量，得到背钻深度。

如图2所示，所述深度学习神经网络特征提取的方法包括以下步骤：

S201，向深度卷积网络输入一个C×H×W的三维张量，C表示特征的通道数，初始值为3；H和W分别表示输入图片的高和宽的像素大小；

S202，图片经过多层卷积操作，每一层卷积的输入为上一层的输出，计算方法为：

式中，

表示第l层的第j个运算结果；

表示第n层第j个输出特征图所对应的多个输入特征图的索引集合；

表示偏置项，其被所有输入特征图共享；

表示第l层一个i×j大小的卷积核；ReLU为激活函数，公式为：

S203，残差网络采用了平均池化(mean-pooling)对邻域内特征点求平均值，池化操作公式为：

以Resnet50为主网络模型，ResNet50最后的卷积层输出若干个7X7的卷积结果，去掉其最后的两层全连接层，加入两个全连接层：FC1层和FC2层，分别输出512维和30维的特征向量；对网络模型进行微调，使用已有的ResNet50模型及参数来训练全连接层的参数，得到一个拟合多层电路板数据集的网络模型，提取FC1层的512维的向量，作为深度学习神经网络特征；

实施例7

如图3所示，多层电路板颜色特征提取的方法包括：

S301，网络模型的最后一层卷积层中有2048个7x7卷积，对其进行平均池化后得出7x7的矩阵，直接提取信息较强位置最大的10个值，并记录其位置；

S302，将原图的RGB值做平均池化，池化为7x7的矩阵，根据得到的10个值最大的位置，选出图片中相对应的10个RGB值得到3x10维的颜色特征，对矩阵进行标准化处理，z-score标准化公式为：

式中，x表示真实值，μ表示矩阵的平均值，σ表示标准差；

S303，将矩阵转换为一个30维向量；将全连接层得到的512维向量与30维颜色向量进行并行连接，得到一个542维的特征向量，作为最终的特征表示。

二、应用实施例：

应用例

以厂内孔间距为0.84mm的4个近孔背钻为例，将孔间距≤1.0mm的背钻孔通过Genesis工程软件设置为2mm跳钻生产，使近孔背钻深度信号单点触发，改善近孔背钻深度异常。改善效果如图4所示。

三、实施例相关效果的证据：

实验表明，本发明解决了背钻深度不一致，会引起钻孔深度不够或钻孔深度超层，引起批量的报废。良率由20％提升至98％。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种电路板近孔背钻方法，其特征在于，所述电路板近孔背钻方法包括：对间距≤LODI设定距离的背钻孔通过跳钻改变背钻深度信号触发方式，由LODI区域内只触发第一个孔变更为每个背钻孔均单点触发计算背钻深度。

2.根据权利要求1所述的电路板近孔背钻方法，其特征在于，所述LODI设定距离为0.9mm-1.1mm。

3.根据权利要求1所述的电路板近孔背钻方法，其特征在于，对间距≤LODI设定距离的背钻孔通过跳钻改变背钻深度信号触发方式前，需将对背钻孔间距≤1.0mm的背钻孔挑出，背钻孔间距按＞1.0mm设置跳钻。

4.根据权利要求3所述的电路板近孔背钻方法，其特征在于，在背钻孔间距按＞1.0mm设置跳钻中，背钻孔间距具体距离在满足实际加工要求前提下随机设定。

5.根据权利要求1所述的电路板近孔背钻方法，其特征在于，对间距≤LODI设定距离的背钻孔通过跳钻改变背钻深度信号触发方式前，还需进行：通过CAM资料，筛选背钻孔间距≤1.0mm的背钻孔。

6.根据权利要求1所述的电路板近孔背钻方法，其特征在于，通过跳钻方式，改变背钻深度信号触发，其中跳钻为schmoll钻机程序选择设定；

所述schmoll钻机程序包括：利用残差网络进行背钻深度信号特征提取，并融合多层电路板的深度学习神经网络特征和颜色特征作为最终特征向量，进行相似性度量，得到背钻深度。

7.根据权利要求6所述的电路板近孔背钻方法，其特征在于，所述深度学习神经网络特征提取的方法包括以下步骤：

1)向深度卷积网络输入一个C×H×W的三维张量，C表示特征的通道数，初始值为3；H和W分别表示输入图片的高和宽的像素大小；

2)图片经过多层卷积操作，每一层卷积的输入为上一层的输出，计算方法为：

式中，

表示第l层的第j个运算结果；

表示第n层第j个输出特征图所对应的多个输入特征图的索引集合；

表示偏置项，其被所有输入特征图共享；

表示第l层一个i×j大小的卷积核；ReLU为激活函数，公式为：

3)残差网络采用了平均池化(mean-pooling)对邻域内特征点求平均值，池化操作公式为：

以Resnet50为主网络模型，ResNet50最后的卷积层输出若干个7X7的卷积结果，去掉其最后的两层全连接层，加入两个全连接层：FC1层和FC2层，分别输出512维和30维的特征向量；对网络模型进行微调，使用已有的ResNet50模型及参数来训练全连接层的参数，得到一个拟合多层电路板数据集的网络模型，提取FC1层的512维的向量，作为深度学习神经网络特征；

多层电路板颜色特征提取的方法包括：

1)网络模型的最后一层卷积层中有2048个7x7卷积，对其进行平均池化后得出7x7的矩阵，直接提取信息较强位置最大的10个值，并记录其位置；

2)将原图的RGB值做平均池化，池化为7x7的矩阵，根据得到的10个值最大的位置，选出图片中相对应的10个RGB值得到3x10维的颜色特征，对矩阵进行标准化处理，z-score标准化公式为：

式中，x表示真实值，μ表示矩阵的平均值，σ表示标准差；

3)将矩阵转换为一个30维向量；将全连接层得到的512维向量与30维颜色向量进行并行连接，得到一个542维的特征向量，作为最终的特征表示。

8.一种电路板，其特征在于，所述电路板根据权利要求1～5任意一项所述电路板近孔背钻方法制作而成。

9.一种5G通讯电子设备，其特征在于，所述5G通讯电子设备搭载权利要求6所述的电路板。

10.一种实施权利要求1～7任意一项所述电路板近孔背钻方法制作电路板的近孔背钻加工装置。

Images