CN116051500A - Pcb板的智能化加工方法及其系统 - Google Patents
Pcb板的智能化加工方法及其系统 Download PDFInfo
- Publication number
- CN116051500A CN116051500A CN202310028944.9A CN202310028944A CN116051500A CN 116051500 A CN116051500 A CN 116051500A CN 202310028944 A CN202310028944 A CN 202310028944A CN 116051500 A CN116051500 A CN 116051500A
- Authority
- CN
- China
- Prior art keywords
- feature map
- feature
- pcb
- detection
- classification
- 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.)
- Withdrawn
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
公开了一种PCB板的智能化加工方法及其系统,其以PCB板的探测图像与设计图像分别表征实际检测的与理想状态中无缺陷的PCB板的表面状态,并采用基于深度学习的人工智能检测技术,将PCB板的探测图像与设计图像之间在高维特征空间中的特征分布差异作为依据,以此来判断加工成型的PCB板的表面是否存在表面缺陷。这样,能够准确地对于所述PCB板表面的裂缝等缺陷进行检测,进而保证PCB板的加工质量。
Description
技术领域
本申请涉及PCB板加工领域,且更为具体地,涉及一种PCB板的智能化加工方法及其系统。
背景技术
PCB(Printed Circuit Board),中文名称为印制电路板,又称印刷线路板,是重要的电子部件,是电子元器件的支撑体,是电子元器件电气相互连接的载体。
随着电子信息技术的发展,对PCB板的线路及孔设计越来越密集,密集的线路对散热要求越来越高,为提升电子设备元器件的散热效果,在设计电子设备时会将PCB板中嵌入或埋入铜块,以加快PCB板、芯片等重要元器件散热。相关技术中的PCB板的制备过程包括:层压、开槽、将铜块嵌入所开的凹槽内、打孔、PCB板整板沉铜、镀铜等。
然而,上述相关技术的嵌入铜块的过程中会导致PCB板的开裂,因此,期待在PCB板的制备过程中,对PCB板的表面状态进行监测以分析其表面是否存在裂缝等表面缺陷。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种PCB板的智能化加工方法及其系统,其以PCB板的探测图像与设计图像分别表征实际检测的与理想状态中无缺陷的PCB板的表面状态,并采用基于深度学习的人工智能检测技术,将PCB板的探测图像与设计图像之间在高维特征空间中的特征分布差异作为依据,以此来判断加工成型的PCB板的表面是否存在表面缺陷。这样,能够准确地对于所述PCB板表面的裂缝等缺陷进行检测,进而保证PCB板的加工质量。
根据本申请的一个方面,提供了一种PCB板的智能化加工方法,其包括:
获取加工成型的PCB板的探测图像以及所述PCB板的设计图像;
将所述探测图像通过包含深浅特征融合模块的卷积神经网络模型以得到初始探测特征图;
将所述初始探测特征图通过空间注意力模块以得到探测特征图;
将所述设计图像通过所述包含深浅特征融合模块的卷积神经网络模型和所述空间注意力模块以得到参考特征图;
计算所述探测特征图和所述参考特征图之间的差分特征图;以及
将所述差分特征图通过分类器以得到分类结果,所述分类结果用于表示所述加工成型的PCB板的表面是否存在表面缺陷。
在上述PCB板的智能化加工方法中,所述将所述探测图像通过包含深浅特征融合模块的卷积神经网络模型以得到初始探测特征图,包括:从所述卷积神经网络模型的浅层提取浅层特征图;从所述卷积神经网络模型的深层提取深层特征图,其中,所述深层与所述浅层之间的比值大于等于5且小于等于10;以及,使用所述深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述初始探测特征图。
在上述PCB板的智能化加工方法中,所述卷积神经网络模型的浅层为第2层至第六层。
在上述PCB板的智能化加工方法中,所述使用所述深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述初始探测特征图,包括:使用所述深浅特征融合模块以如下公式融合所述浅层特征图和所述深层特征图以得到所述初始探测特征图;其中,所述公式为:
X=Concat[F1,F2]
其中,F1表示所述浅层特征图,F2表示所述深层特征图,X表示所述初始探测特征图,Concat[·,·]表示级联函数。
在上述PCB板的智能化加工方法中,所述将所述初始探测特征图通过空间注意力模块以得到探测特征图,包括:使用所述空间注意力模块的卷积编码部分对所述初始探测特征图进行深度卷积编码以得到初始卷积特征图;将所述初始卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图;将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及,计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到探测特征图。
在上述PCB板的智能化加工方法中,所述计算所述探测特征图和所述参考特征图之间的差分特征图,包括:以如下公式来计算所述探测特征图和所述参考特征图之间的差分特征图;其中,所述公式为:其中,F1表示所述探测特征图,F2表示所述参考特征图,Fc表示所述差分特征图,表示按位置作差。
在上述PCB板的智能化加工方法中,所述将所述差分特征图通过分类器以得到分类结果,所述分类结果用于表示所述加工成型的PCB板的表面是否存在表面缺陷,包括:将所述差分特征图进行特征图展开以得到分类特征向量;对所述分类特征向量进行结构模糊优化以得到优化分类特征向量;以及,将所述优化分类特征向量通过分类器以得到所述分类结果。
在上述PCB板的智能化加工方法中,所述将所述差分特征图进行特征图展开以得到分类特征向量,包括:将所述差分特征图中各个差分特征矩阵按照行向量展开为一维特征向量后进行级联以得到所述分类特征向量。
在上述PCB板的智能化加工方法中,所述对所述分类特征向量进行结构模糊优化以得到优化分类特征向量,包括:以如下公式对所述分类特征向量进行结构模糊优化以得到优化分类特征向量;其中,所述公式为:
其中,V是所述分类特征向量,V'是所述优化分类特征向量,表示所述分类特征向量的二范数的平方,即分类特征向量自身的内积,Vorder是分类特征向量的各特征值按大小次序排列的有序向量,且分类特征向量V是列向量形式,和⊙分别表示矩阵的Kronecker积和Hadamard积。
根据本申请的另一方面,提供了一种PCB板的智能化加工系统,包括:
图像获取模块,用于获取加工成型的PCB板的探测图像以及所述PCB板的设计图像;
探测深浅编码模块,用于将所述探测图像通过包含深浅特征融合模块的卷积神经网络模型以得到初始探测特征图;
探测空间编码模块,用于将所述初始探测特征图通过空间注意力模块以得到探测特征图;
设计特征提取模块,用于将所述设计图像通过所述包含深浅特征融合模块的卷积神经网络模型和所述空间注意力模块以得到参考特征图;
差分模块,用于计算所述探测特征图和所述参考特征图之间的差分特征图;以及
检测结果生成模块,用于将所述差分特征图通过分类器以得到分类结果,所述分类结果用于表示所述加工成型的PCB板的表面是否存在表面缺陷。
在上述PCB板的智能化加工系统中,所述探测深浅编码模块,进一步用于:从所述卷积神经网络模型的浅层提取浅层特征图;从所述卷积神经网络模型的深层提取深层特征图,其中,所述深层与所述浅层之间的比值大于等于5且小于等于10;以及,使用所述深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述初始探测特征图。
在上述PCB板的智能化加工系统中,所述探测空间编码模块,进一步用于:使用所述空间注意力模块的卷积编码部分对所述初始探测特征图进行深度卷积编码以得到初始卷积特征图;将所述初始卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图;将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及,计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到探测特征图。
在上述PCB板的智能化加工系统中,所述差分模块,进一步用于:以如下公式来计算所述探测特征图和所述参考特征图之间的差分特征图;其中,所述公式为:其中,F1表示所述探测特征图,F2表示所述参考特征图,Fc表示所述差分特征图,表示按位置作差。
在上述PCB板的智能化加工系统中,所述检测结果生成模块,包括:特征图展开单元,用于将所述差分特征图进行特征图展开以得到分类特征向量;结构模糊优化单元,用于对所述分类特征向量进行结构模糊优化以得到优化分类特征向量;以及,分类单元,用于将所述优化分类特征向量通过分类器以得到所述分类结果。
在上述PCB板的智能化加工系统中,所述特征图展开单元,进一步用于:将所述差分特征图中各个差分特征矩阵按照行向量展开为一维特征向量后进行级联以得到所述分类特征向量。
在上述PCB板的智能化加工系统中,所述结构模糊优化单元,进一步用于:以如下公式对所述分类特征向量进行结构模糊优化以得到优化分类特征向量;其中,所述公式为:
其中,V是所述分类特征向量,V'是所述优化分类特征向量,表示所述分类特征向量的二范数的平方,即分类特征向量自身的内积,Vorder是分类特征向量的各特征值按大小次序排列的有序向量,且分类特征向量V是列向量形式,和⊙分别表示矩阵的Kronecker积和Hadamard积。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的PCB板的智能化加工方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的PCB板的智能化加工方法。
与现有技术相比,本申请提供的PCB板的智能化加工方法及其系统,其以PCB板的探测图像与设计图像分别表征实际检测的与理想状态中无缺陷的PCB板的表面状态,并采用基于深度学习的人工智能检测技术,将PCB板的探测图像与设计图像之间在高维特征空间中的特征分布差异作为依据,以此来判断加工成型的PCB板的表面是否存在表面缺陷。这样,能够准确地对于所述PCB板表面的裂缝等缺陷进行检测,进而保证PCB板的加工质量。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的PCB板的智能化加工方法的应用场景图。
图2为根据本申请实施例的PCB板的智能化加工方法的流程图。
图3为根据本申请实施例的PCB板的智能化加工方法的架构图。
图4为根据本申请实施例的PCB板的智能化加工方法中将所述探测图像通过包含深浅特征融合模块的卷积神经网络模型以得到初始探测特征图的流程图。
图5为根据本申请实施例的PCB板的智能化加工系统的框图。
图6为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
如上述背景技术部分所言,随着电子信息技术的发展,对PCB板的线路及孔设计越来越密集,密集的线路对散热要求越来越高,为提升电子设备元器件的散热效果,在设计电子设备时会将PCB板中嵌入或埋入铜块,以加快PCB板、芯片等重要元器件散热。相关技术中的PCB板的制备过程包括:层压、开槽、将铜块嵌入所开的凹槽内、打孔、PCB板整板沉铜、镀铜等。
然而,上述相关技术的嵌入铜块的过程中会导致PCB板的开裂,因此,期待在PCB板的制备过程中,对PCB板的表面状态进行监测以分析其表面是否存在裂缝等表面缺陷,以保证PCB板的加工质量。
应可以理解,PCB板的探测图像与设计图像分别可以表征实际检测的PCB板表面状态与理想状态中无缺陷的PCB板的表面状态,可以建立两者之间的关联关系并借此进行缺陷检测。但在实际检测过程中,图像源域端通常会出现干扰,例如,空气中的粉尘,从而降低PCB板表面缺陷检测的准确度。
目前,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
近年来,深度学习以及神经网络的发展为PCB板的表面状态缺陷检测提供了新的解决思路和方案。
具体地,在本申请的技术方案中,采用基于深度学习的人工智能检测技术,将PCB板的探测图像与设计图像之间在高维特征空间中的特征分布差异来作为依据,以此来判断加工成型的PCB板的表面是否存在表面缺陷。也就是,将PCB板的探测图像与设计图像之间的对比放在高维特征空间中,以减少源域端因空气粉尘等造成的干扰。这样,能够准确地对于所述PCB板表面的裂缝等缺陷进行检测,进而保证PCB板的加工质量。
具体地,在本申请的技术方案中,首先,获取加工成型的PCB板的探测图像以及所述PCB板的设计图像。接着,考虑到若PCB板的表面在嵌入铜块的过程中出现裂缝等缺陷,则对应地,会在PCB板的探测图像的浅层特征中明显地体现出来,例如,图像的纹理会产生变化。因此,PCB板表面的纹理特征对PCB板表面缺陷检测起着不可忽视的作用。但在对其进行特征提取的过程中,随着卷积神经网络模型层数的加深,作为浅层的纹理特征会被模糊甚至消失,而导致最终分类判断精度的下降,因此,在本申请的技术方案中,将所述探测图像通过包含深浅特征融合模块的卷积神经网络模型以得到初始探测特征图。也就是,在本申请的技术方案中,以在图像特征提取领域具有优异性能表现的深度卷积神经网络模型作为特征提取器来提取所述PCB板的探测图像的局部图像高维隐含特征,即,局部纹理特征的深层隐含特征。并且,所述卷积神经网络模型进一步配置有深浅特征融合模块,以保留作为浅层的表面纹理特征和作为深层的本质特征,通过这样的方式,来提高后续PCB板表面缺陷检测的精准度。
进一步地,由于在对于所述PCB板表面缺陷检测的过程中,为了能够提高检测的准确性,需要聚焦所述探测图像中关于所述PCB板表面裂缝信息。因此,在本申请的技术方案中,将所述初始探测特征图通过空间注意力模块以得到探测特征图,即,通过空间注意力模块来增强所述初始探测特征图中关于PCB板表面裂缝的特征信息。
以同样的方式将所述设计图像通过所述包含深浅特征融合模块的卷积神经网络模型和所述空间注意力模块以得到参考特征图,以提取出代表正常PCB板的图像局部隐含关联特征信息,即参考特征图。应可以理解,使用具有相同网络结构的卷积神经网络模型来分别进行所述探测图像和所述设计图像的特征提取能够挖掘出两者的图像在图像源域端差异不明显的特征信息,以此来进行所述PCB板表面缺陷检测。
然后计算所述探测特征图和所述参考特征图之间的差分特征图以通过实际检测的所述探测图像和表示无表面缺陷的所述设计图像在高维空间中的特征分布差异来进行所述加工成型的PCB板的表面缺陷检测。也就是,在得到所述差分特征图后,以所述差分特征图作为分类特征图来通过分类器中进行分类处理,以得到用于表示所述加工成型的PCB板的表面是否存在表面缺陷的分类结果。这样,能够对于所述PCB板表面的裂缝缺陷进行检测判断,进而保证PCB板的加工质量。
在本申请的技术方案中,由于所述探测特征图和所述参考特征图分别是所述加工成型的PCB板的探测图像和所述PCB板的设计图像通过包含深浅特征融合模块的卷积神经网络模型和空间注意力模块得到的,这使得所述探测特征图和所述参考特征图包含所述探测图像和所述设计图像的丰富的深层浅层融合特征的空间强化表达的同时,由于所述深浅特征融合模块和所述空间注意力模块的特征提取约束方向可能存在的不一致,会导致所述探测特征图和所述参考特征图之间的所述差分特征图的特征分布的结构模糊,从而降低所述差分特征图的表达确定性,影响所述差分特征图通过分类器得到的分类结果的准确性。
基于此,本申请的申请人对所述差分特征图展开后得到的分类特征向量进行向量的有序希尔伯特完备化,表示为:
这里,通过将有序向量映射到由向量的自内积定义的希尔伯特空间内,可以实现特征集合的数值关系在一致性空间内的有意义的度量,以此为基础通过与特征向量的相对位置嵌入构造具有正交性结构的特征空间,并基于向量查询对特征向量的高维流形进行特征空间内的结构完备化,可以避免由于模糊化结构降低所述差分特征图的表达确定性,从而改进所述差分特征图通过分类器得到的分类结果的准确性。
基于此,本申请提出了一种PCB板的智能化加工方法,其包括:获取加工成型的PCB板的探测图像以及所述PCB板的设计图像;将所述探测图像通过包含深浅特征融合模块的卷积神经网络模型以得到初始探测特征图;将所述初始探测特征图通过空间注意力模块以得到探测特征图;将所述设计图像通过所述包含深浅特征融合模块的卷积神经网络模型和所述空间注意力模块以得到参考特征图;计算所述探测特征图和所述参考特征图之间的差分特征图;以及,将所述差分特征图通过分类器以得到分类结果,所述分类结果用于表示所述加工成型的PCB板的表面是否存在表面缺陷。
图1为根据本申请实施例的PCB板的智能化加工方法的应用场景图。如图1所示,在该应用场景中,首先由摄像头(例如,如图1中所示意的C)获取加工成型的PCB板(例如,如图1中所示意的B)的探测图像。进而,将所述加工成型的PCB板的探测图像输入至部署有PCB板的智能化加工算法的服务器(例如,如图1所示意的S)中,其中,所述服务器能够基于所述PCB板的智能化加工算法对所述加工成型的PCB板的探测图像进行处理,以得到用于表示所述加工成型的PCB板的表面是否存在表面缺陷的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2为根据本申请实施例的PCB板的智能化加工方法的流程图。如图2所示,根据本申请实施例的PCB板的智能化加工方法,包括:S110,获取加工成型的PCB板的探测图像以及所述PCB板的设计图像;S120,将所述探测图像通过包含深浅特征融合模块的卷积神经网络模型以得到初始探测特征图;S130,将所述初始探测特征图通过空间注意力模块以得到探测特征图;S140,将所述设计图像通过所述包含深浅特征融合模块的卷积神经网络模型和所述空间注意力模块以得到参考特征图;S150,计算所述探测特征图和所述参考特征图之间的差分特征图;以及,S160,将所述差分特征图通过分类器以得到分类结果,所述分类结果用于表示所述加工成型的PCB板的表面是否存在表面缺陷。
图3为根据本申请实施例的PCB板的智能化加工方法的架构图。如图3所示,在该架构中,首先,获取加工成型的PCB板的探测图像以及所述PCB板的设计图像;接着,将所述探测图像通过包含深浅特征融合模块的卷积神经网络模型以得到初始探测特征图;然后,将所述初始探测特征图通过空间注意力模块以得到探测特征图;继而,将所述设计图像通过所述包含深浅特征融合模块的卷积神经网络模型和所述空间注意力模块以得到参考特征图;接着,计算所述探测特征图和所述参考特征图之间的差分特征图;最后,将所述差分特征图通过分类器以得到分类结果,所述分类结果用于表示所述加工成型的PCB板的表面是否存在表面缺陷。
如上述背景技术部分所言,随着电子信息技术的发展,对PCB板的线路及孔设计越来越密集,密集的线路对散热要求越来越高,为提升电子设备元器件的散热效果,在设计电子设备时会将PCB板中嵌入或埋入铜块,以加快PCB板、芯片等重要元器件散热。相关技术中的PCB板的制备过程包括:层压、开槽、将铜块嵌入所开的凹槽内、打孔、PCB板整板沉铜、镀铜等。
然而,上述相关技术的嵌入铜块的过程中会导致PCB板的开裂,因此,期待在PCB板的制备过程中,对PCB板的表面状态进行监测以分析其表面是否存在裂缝等表面缺陷,以保证PCB板的加工质量。
应可以理解,PCB板的探测图像与设计图像分别可以表征实际检测的PCB板表面状态与理想状态中无缺陷的PCB板的表面状态,可以建立两者之间的关联关系并借此进行缺陷检测。但在实际检测过程中,图像源域端通常会出现干扰,例如,空气中的粉尘,从而降低PCB板表面缺陷检测的准确度。
目前,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
近年来,深度学习以及神经网络的发展为PCB板的表面状态缺陷检测提供了新的解决思路和方案。
具体地,在本申请的技术方案中,采用基于深度学习的人工智能检测技术,将PCB板的探测图像与设计图像之间在高维特征空间中的特征分布差异来作为依据,以此来判断加工成型的PCB板的表面是否存在表面缺陷。也就是,将PCB板的探测图像与设计图像之间的对比放在高维特征空间中,以减少源域端因空气粉尘等造成的干扰。这样,能够准确地对于所述PCB板表面的裂缝等缺陷进行检测,进而保证PCB板的加工质量。
在步骤S110中,获取加工成型的PCB板的探测图像以及所述PCB板的设计图像。这里,以所述PCB板的探测图像以及所述PCB板的设计图像作为卷积神经网络模型的输入。
在步骤S120中,将所述探测图像通过包含深浅特征融合模块的卷积神经网络模型以得到初始探测特征图。考虑到若PCB板的表面在嵌入铜块的过程中出现裂缝等缺陷,则对应地,会在PCB板的探测图像的浅层特征中明显地体现出来,例如,图像的纹理会产生变化。因此,PCB板表面的纹理特征对PCB板表面缺陷检测起着不可忽视的作用。但在对其进行特征提取的过程中,随着卷积神经网络模型层数的加深,作为浅层的纹理特征会被模糊甚至消失,而导致最终分类判断精度的下降,因此,在本申请的技术方案中,将所述探测图像通过包含深浅特征融合模块的卷积神经网络模型以得到初始探测特征图。也就是,在本申请的技术方案中,以在图像特征提取领域具有优异性能表现的深度卷积神经网络模型作为特征提取器来提取所述PCB板的探测图像的局部图像高维隐含特征,即,局部纹理特征的深层隐含特征。并且,所述卷积神经网络模型进一步配置有深浅特征融合模块,以保留作为浅层的表面纹理特征和作为深层的本质特征,通过这样的方式,来提高后续PCB板表面缺陷检测的精准度。
图4为根据本申请实施例的PCB板的智能化加工方法中将所述探测图像通过包含深浅特征融合模块的卷积神经网络模型以得到初始探测特征图的流程图。如图4所示,所述将所述探测图像通过包含深浅特征融合模块的卷积神经网络模型以得到初始探测特征图,包括:S210,从所述卷积神经网络模型的浅层提取浅层特征图;S220,从所述卷积神经网络模型的深层提取深层特征图,其中,所述深层与所述浅层之间的比值大于等于5且小于等于10;以及,S230,使用所述深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述初始探测特征图。在本申请实施例中,所述卷积神经网络模型的浅层为第2层至第6层。
具体地,在本申请实施例中,所述使用所述深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述初始探测特征图,包括:使用所述深浅特征融合模块以如下公式融合所述浅层特征图和所述深层特征图以得到所述初始探测特征图;其中,所述公式为:
X=Concat[F1,F2]
其中,F1表示所述浅层特征图,F2表示所述深层特征图,X表示所述初始探测特征图,Concat[·,·]表示级联函数。
在步骤S130中,将所述初始探测特征图通过空间注意力模块以得到探测特征图。进一步地,由于在对于所述PCB板表面缺陷检测的过程中,为了能够提高检测的准确性,需要聚焦所述探测图像中关于所述PCB板表面裂缝信息。因此,在本申请的技术方案中,将所述初始探测特征图通过空间注意力模块以得到探测特征图,即,通过空间注意力模块来增强所述初始探测特征图中关于PCB板表面裂缝的特征信息。
具体地,在本申请实施例中,所述将所述初始探测特征图通过空间注意力模块以得到探测特征图,包括:使用所述空间注意力模块的卷积编码部分对所述初始探测特征图进行深度卷积编码以得到初始卷积特征图;将所述初始卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图;将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及,计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到探测特征图。
在步骤S140中,将所述设计图像通过所述包含深浅特征融合模块的卷积神经网络模型和所述空间注意力模块以得到参考特征图。以同样的方式将所述设计图像通过所述包含深浅特征融合模块的卷积神经网络模型和所述空间注意力模块以得到参考特征图,以提取出代表正常PCB板的图像局部隐含关联特征信息,即参考特征图。
应可以理解,使用具有相同网络结构的卷积神经网络模型来分别进行所述探测图像和所述设计图像的特征提取能够挖掘出两者的图像在图像源域端差异不明显的特征信息,以此来进行所述PCB板表面缺陷检测。
在步骤S150中,计算所述探测特征图和所述参考特征图之间的差分特征图。也就是,计算所述探测特征图和所述参考特征图之间的差分特征图以通过实际检测的所述探测图像和表示无表面缺陷的所述设计图像在高维空间中的特征分布差异来进行所述加工成型的PCB板的表面缺陷检测。
具体地,在本申请实施例中,所述计算所述探测特征图和所述参考特征图之间的差分特征图,包括:以如下公式来计算所述探测特征图和所述参考特征图之间的差分特征图;其中,所述公式为:其中,F1表示所述探测特征图,F2表示所述参考特征图,Fc表示所述差分特征图,表示按位置作差。
在步骤S160中,将所述差分特征图通过分类器以得到分类结果,所述分类结果用于表示所述加工成型的PCB板的表面是否存在表面缺陷。也就是,在得到所述差分特征图后,以所述差分特征图作为分类特征图来通过分类器中进行分类处理,以得到用于表示所述加工成型的PCB板的表面是否存在表面缺陷的分类结果。这样,能够对于所述PCB板表面的裂缝缺陷进行检测判断,进而保证PCB板的加工质量。
具体地,在本申请实施例中,所述将所述差分特征图通过分类器以得到分类结果,所述分类结果用于表示所述加工成型的PCB板的表面是否存在表面缺陷,包括:将所述差分特征图进行特征图展开以得到分类特征向量;对所述分类特征向量进行结构模糊优化以得到优化分类特征向量;以及,将所述优化分类特征向量通过分类器以得到所述分类结果。在本申请的一个具体示例中,将所述差分特征图中各个差分特征矩阵按照行向量展开为一维特征向量后进行级联以得到所述分类特征向量。
更具体地,在本申请实施例中,所述对所述分类特征向量进行结构模糊优化以得到优化分类特征向量,包括:以如下公式对所述分类特征向量进行结构模糊优化以得到优化分类特征向量;其中,所述公式为:
其中,V是所述分类特征向量,V'是所述优化分类特征向量,表示所述分类特征向量的二范数的平方,即分类特征向量自身的内积,Vorder是分类特征向量的各特征值按大小次序排列的有序向量,且分类特征向量V是列向量形式,和⊙分别表示矩阵的Kronecker积和Hadamard积。
综上,基于本申请实施例的PCB板的智能化加工方法被阐明,其以PCB板的探测图像与设计图像分别表征实际检测的与理想状态中无缺陷的PCB板的表面状态,并采用基于深度学习的人工智能检测技术,将PCB板的探测图像与设计图像之间在高维特征空间中的特征分布差异作为依据,以此来判断加工成型的PCB板的表面是否存在表面缺陷。这样,能够准确地对于所述PCB板表面的裂缝等缺陷进行检测,进而保证PCB板的加工质量。
示例性系统
图5为根据本申请实施例的PCB板的智能化加工系统的框图。如图5所示,根据本申请实施例的PCB板的智能化加工系统100,包括:图像获取模块110,用于获取加工成型的PCB板的探测图像以及所述PCB板的设计图像;探测深浅编码模块120,用于将所述探测图像通过包含深浅特征融合模块的卷积神经网络模型以得到初始探测特征图;探测空间编码模块130,用于将所述初始探测特征图通过空间注意力模块以得到探测特征图;设计特征提取模块140,用于将所述设计图像通过所述包含深浅特征融合模块的卷积神经网络模型和所述空间注意力模块以得到参考特征图;差分模块150,用于计算所述探测特征图和所述参考特征图之间的差分特征图;以及,检测结果生成模块160,用于将所述差分特征图通过分类器以得到分类结果,所述分类结果用于表示所述加工成型的PCB板的表面是否存在表面缺陷。
在一个示例中,在上述PCB板的智能化加工系统100中,所述探测深浅编码模块120,进一步用于:从所述卷积神经网络模型的浅层提取浅层特征图;从所述卷积神经网络模型的深层提取深层特征图,其中,所述深层与所述浅层之间的比值大于等于5且小于等于10;以及,使用所述深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述初始探测特征图。
在一个示例中,在上述PCB板的智能化加工系统100中,所述探测空间编码模块130,进一步用于:使用所述空间注意力模块的卷积编码部分对所述初始探测特征图进行深度卷积编码以得到初始卷积特征图;将所述初始卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图;将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及,计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到探测特征图。
在一个示例中,在上述PCB板的智能化加工系统100中,所述差分模块150,进一步用于:以如下公式来计算所述探测特征图和所述参考特征图之间的差分特征图;其中,所述公式为:其中,F1表示所述探测特征图,F2表示所述参考特征图,Fc表示所述差分特征图,表示按位置作差。
在一个示例中,在上述PCB板的智能化加工系统100中,所述检测结果生成模块160,包括:特征图展开单元,用于将所述差分特征图进行特征图展开以得到分类特征向量;结构模糊优化单元,用于对所述分类特征向量进行结构模糊优化以得到优化分类特征向量;以及,分类单元,用于将所述优化分类特征向量通过分类器以得到所述分类结果。
在一个示例中,在上述PCB板的智能化加工系统100中,所述特征图展开单元,进一步用于:将所述差分特征图中各个差分特征矩阵按照行向量展开为一维特征向量后进行级联以得到所述分类特征向量。
在一个示例中,在上述PCB板的智能化加工系统100中,所述结构模糊优化单元,进一步用于:以如下公式对所述分类特征向量进行结构模糊优化以得到优化分类特征向量;其中,所述公式为:
其中,V是所述分类特征向量,V'是所述优化分类特征向量,表示所述分类特征向量的二范数的平方,即分类特征向量自身的内积,Vorder是分类特征向量的各特征值按大小次序排列的有序向量,且分类特征向量V是列向量形式,和⊙分别表示矩阵的Kronecker积和Hadamard积。
这里,本领域技术人员可以理解,上述PCB板的智能化加工系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的PCB板的智能化加工方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的PCB板的智能化加工系统100可以实现在各种终端设备中,例如用于PCB板的智能化加工的服务器等。在一个示例中,根据本申请实施例的PCB板的智能化加工系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该PCB板的智能化加工系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该PCB板的智能化加工系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该PCB板的智能化加工系统100与该终端设备也可以是分立的设备,并且该PCB板的智能化加工系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面,参考图6来描述根据本申请实施例的电子设备。图6图示了根据本申请实施例的电子设备的框图。如图6所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的PCB板的智能化加工方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如需求响应申报调控的描述等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括待调度电力用户的需求响应调控量等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图6中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的PCB板的智能化加工方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的PCB板的智能化加工方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种PCB板的智能化加工方法,其特征在于,包括:
获取加工成型的PCB板的探测图像以及所述PCB板的设计图像;
将所述探测图像通过包含深浅特征融合模块的卷积神经网络模型以得到初始探测特征图;
将所述初始探测特征图通过空间注意力模块以得到探测特征图;
将所述设计图像通过所述包含深浅特征融合模块的卷积神经网络模型和所述空间注意力模块以得到参考特征图;
计算所述探测特征图和所述参考特征图之间的差分特征图;以及
将所述差分特征图通过分类器以得到分类结果,所述分类结果用于表示所述加工成型的PCB板的表面是否存在表面缺陷。
2.根据权利要求1所述的PCB板的智能化加工方法,其特征在于,所述将所述探测图像通过包含深浅特征融合模块的卷积神经网络模型以得到初始探测特征图,包括:
从所述卷积神经网络模型的浅层提取浅层特征图;
从所述卷积神经网络模型的深层提取深层特征图,其中,所述深层与所述浅层之间的比值大于等于5且小于等于10;
使用所述深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述初始探测特征图。
3.根据权利要求2所述的PCB板的智能化加工方法,其特征在于,所述卷积神经网络模型的浅层为第2层至第六层。
4.根据权利要求3所述的PCB板的智能化加工方法,其特征在于,所述使用所述深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到所述初始探测特征图,包括:
使用所述深浅特征融合模块以如下公式融合所述浅层特征图和所述深层特征图以得到所述初始探测特征图;
其中,所述公式为:
X=Concat[F1,F2]
其中,F1表示所述浅层特征图,F2表示所述深层特征图,X表示所述初始探测特征图,Concat[·,·]表示级联函数。
5.根据权利要求4所述的PCB板的智能化加工方法,其特征在于,所述将所述初始探测特征图通过空间注意力模块以得到探测特征图,包括:
使用所述空间注意力模块的卷积编码部分对所述初始探测特征图进行深度卷积编码以得到初始卷积特征图;
将所述初始卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图;
将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及
计算所述空间注意力特征图和所述初始卷积特征图的按位置点乘以得到探测特征图。
7.根据权利要求6所述的PCB板的智能化加工方法,其特征在于,所述将所述差分特征图通过分类器以得到分类结果,所述分类结果用于表示所述加工成型的PCB板的表面是否存在表面缺陷,包括:
将所述差分特征图进行特征图展开以得到分类特征向量;
对所述分类特征向量进行结构模糊优化以得到优化分类特征向量;以及
将所述优化分类特征向量通过分类器以得到所述分类结果。
8.根据权利要求7所述的PCB板的智能化加工方法,其特征在于,所述将所述差分特征图进行特征图展开以得到分类特征向量,包括:将所述差分特征图中各个差分特征矩阵按照行向量展开为一维特征向量后进行级联以得到所述分类特征向量。
10.一种PCB板的智能化加工系统,其特征在于,包括:
图像获取模块,用于获取加工成型的PCB板的探测图像以及所述PCB板的设计图像;
探测深浅编码模块,用于将所述探测图像通过包含深浅特征融合模块的卷积神经网络模型以得到初始探测特征图;
探测空间编码模块,用于将所述初始探测特征图通过空间注意力模块以得到探测特征图;
设计特征提取模块,用于将所述设计图像通过所述包含深浅特征融合模块的卷积神经网络模型和所述空间注意力模块以得到参考特征图;
差分模块,用于计算所述探测特征图和所述参考特征图之间的差分特征图;以及
检测结果生成模块,用于将所述差分特征图通过分类器以得到分类结果,所述分类结果用于表示所述加工成型的PCB板的表面是否存在表面缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310028944.9A CN116051500A (zh) | 2023-01-09 | 2023-01-09 | Pcb板的智能化加工方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310028944.9A CN116051500A (zh) | 2023-01-09 | 2023-01-09 | Pcb板的智能化加工方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116051500A true CN116051500A (zh) | 2023-05-02 |
Family
ID=86123335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310028944.9A Withdrawn CN116051500A (zh) | 2023-01-09 | 2023-01-09 | Pcb板的智能化加工方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116051500A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563291A (zh) * | 2023-07-11 | 2023-08-08 | 深圳市蓝眼科技有限公司 | 一种smt智能防错上料检测仪 |
CN116610080A (zh) * | 2023-05-23 | 2023-08-18 | 浙江众邦家居有限公司 | 休闲椅的智能生产方法及其控制系统 |
-
2023
- 2023-01-09 CN CN202310028944.9A patent/CN116051500A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116610080A (zh) * | 2023-05-23 | 2023-08-18 | 浙江众邦家居有限公司 | 休闲椅的智能生产方法及其控制系统 |
CN116610080B (zh) * | 2023-05-23 | 2023-11-10 | 浙江众邦家居有限公司 | 休闲椅的智能生产方法及其控制系统 |
CN116563291A (zh) * | 2023-07-11 | 2023-08-08 | 深圳市蓝眼科技有限公司 | 一种smt智能防错上料检测仪 |
CN116563291B (zh) * | 2023-07-11 | 2023-09-22 | 深圳市蓝眼科技有限公司 | 一种smt智能防错上料检测仪 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116051500A (zh) | Pcb板的智能化加工方法及其系统 | |
Zhang et al. | Convolutional neural network‐based multi‐label classification of PCB defects | |
US8577124B2 (en) | Method and apparatus of pattern inspection and semiconductor inspection system using the same | |
CN115375691B (zh) | 基于图像的半导体扩散纸源缺陷检测系统及其方法 | |
CN111782584B (zh) | 建筑图纸预处理系统、方法、电子设备及存储介质 | |
Chen et al. | Fast PCB defect detection method based on FasterNet backbone network and CBAM attention mechanism integrated with feature fusion module in improved YOLOv7 | |
JP5404910B2 (ja) | 独占所有権を有する回路配置の識別 | |
CN114580515A (zh) | 用于半导体脱焊智能检测的神经网络训练方法 | |
CN117269644A (zh) | 电流互感器的线路故障监测系统及其方法 | |
CN116703878A (zh) | 家用电器壳体生产线自动检测系统及其方法 | |
CN117030129A (zh) | 纸杯在线检漏方法及其系统 | |
US20150135151A1 (en) | Canonical Forms Of Layout Patterns | |
CN114596302A (zh) | 一种pcb板缺陷检测方法、系统、介质、设备及终端 | |
Xiong | A design of bare printed circuit board defect detection system based on YOLOv8 | |
CN116728162A (zh) | 金属件自动加工方法及其系统 | |
CN117408980A (zh) | 家用电器壳体的智能加工系统及其方法 | |
CN117079031A (zh) | 铁氟龙线路板钻孔加工系统及其方法 | |
CN116843677A (zh) | 钣金件的外观质量检测系统及其方法 | |
CN114863450B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN116977250A (zh) | 一种工业零件的缺陷检测方法、装置和计算机设备 | |
CN112347723B (zh) | 基于版图的rom代码提取验证方法及装置 | |
CN111443096B (zh) | 印刷电路板的缺陷检测方法、系统、电子装置及存储介质 | |
CN112766358A (zh) | 用于粉尘抽吸强度控制的神经网络的训练方法 | |
CN113868997A (zh) | 基于与缺陷相关联的计算机辅助设计标识符来分割缺陷 | |
JP2021190085A (ja) | 画像翻訳方法及び装置、画像翻訳モデルトレーニング方法及び装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230502 |
|
WW01 | Invention patent application withdrawn after publication |