CN116128829A - 异形孔检测方法、装置、电子设备及存储介质 - Google Patents

异形孔检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116128829A
CN116128829A CN202211740004.4A CN202211740004A CN116128829A CN 116128829 A CN116128829 A CN 116128829A CN 202211740004 A CN202211740004 A CN 202211740004A CN 116128829 A CN116128829 A CN 116128829A
Authority
CN
China
Prior art keywords
special
shaped hole
shaped
detected
hole
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
CN202211740004.4A
Other languages
English (en)
Inventor
郑文先
王毕风
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.)
Chengdu Yuntian Lifei Technology Co ltd
Shenzhen Intellifusion Technologies Co Ltd
Original Assignee
Chengdu Yuntian Lifei Technology Co ltd
Shenzhen Intellifusion Technologies 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 Chengdu Yuntian Lifei Technology Co ltd, Shenzhen Intellifusion Technologies Co Ltd filed Critical Chengdu Yuntian Lifei Technology Co ltd
Priority to CN202211740004.4A priority Critical patent/CN116128829A/zh
Publication of CN116128829A publication Critical patent/CN116128829A/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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明实施例提供一种异形孔检测方法，获取待测孔板的透光图；通过训练好的异形孔检测网络对透光图进行异形孔检测，得到待测孔板的第一异形孔检测结果；若第一异形孔检测结果为检测失败，则通过训练好的缺陷检测网络对透光图进行缺陷检测，得到待测孔板的缺陷检测结果；基于待测孔板的缺陷检测结果，确定待测孔板的第二异形孔检测结果。通过训练好的异形孔检测网络对待测孔板的透光图进行异形孔检测，判断待测孔板是否为现有的异形孔孔板，在待测孔板不是现有的异形孔孔板，通过训练好的缺陷检测网络光图进行缺陷检测，若待测孔板也不是缺陷孔板，则可以确定待测孔板为新异形孔孔板，可以对新异形孔孔板进行不停线检测，提高待测孔板的检测效率。

Description

异形孔检测方法、装置、电子设备及存储介质
技术领域
本发明涉及工业图像处理领域，尤其涉及一种异形孔检测方法、装置、电子设备及存储介质。
背景技术
现有电路板生产过程中，一般是通过标准化生产来保证电路板上孔的质量，但是这种方法高度依赖打孔设备的精度，当打孔设备的精度下降后，通过孔板进行印刷的电路板会存在良品率低的问题。在进行印刷前，需要对孔板进行检测，可以通过检孔机可以对标准孔的孔数、孔径、孔偏移等进行检测，然而，对于一些特殊的电路板，上面往往会设置有异形孔，异形孔并非标准孔，因此，使用标准检孔机对异形孔进行检测会导致误检。若对异形孔的孔板单独训练图像识别模型，由于异形孔的不规则性，新形状的异形孔无法用原来图像识别模型进行也会造成误检，需要重新训练图像识别模型，因此，现有电路板孔板的检测方法在检测新异形孔时的效率不高。
发明内容
本发明实施例提供一种异形孔检测方法，旨在解决现有电路板孔板的检测方法在检测新异形孔时效率不高的问题。通过训练好的异形孔检测网络对待测孔板的透光图进行异形孔检测，可以判断待测孔板是否为现有的异形孔孔板，在待测孔板不是现有的异形孔孔板，通过训练好的缺陷检测网络光图进行缺陷检测，若待测孔板也不是缺陷孔板，则可以确定待测孔板为新异形孔孔板，可以对新异形孔孔板进行不停线检测，提高待测孔板的检测效率。
第一方面，本发明实施例提供一种异形孔检测方法，所述方法包括：
获取待测孔板的透光图；
通过训练好的异形孔检测网络对所述透光图进行异形孔检测，得到所述待测孔板的第一异形孔检测结果；
若所述第一异形孔检测结果为检测失败，则通过训练好的缺陷检测网络对所述透光图进行缺陷检测，得到所述待测孔板的缺陷检测结果；
基于所述待测孔板的缺陷检测结果，确定所述待测孔板的第二异形孔检测结果。
可选的，在所述通过训练好的异形孔检测网络对所述透光图进行异形孔检测，得到所述待测孔板的第一异形孔检测结果之前，所述方法还包括：
获取第一数据集以及待训练异形孔检测网络，所述第一数据集包括已有异形孔的第一样本透光图以及与所述第一样本透光图对应的异形孔分类标签；
通过所述第一数据集对所述待训练异形孔检测网络进行有监督训练，得到训练好的异形孔检测网络。
可选的，在所述通过训练好的缺陷检测网络对所述透光图进行缺陷检测，得到所述待测孔板的缺陷检测结果之前，所述方法还包括：
获取第二数据集以及待训练缺陷检测网络，所述第二数据集包括已确认缺陷的第二样本透光图以及与所述第二样本透光图对应的缺陷分类标签；
通过所述第二数据集对所述待训练缺陷检测网络进行有监督训练，得到训练好的缺陷检测网络。
可选的，所述基于所述待测孔板的缺陷检测结果，确定所述待测孔板的第二异形孔检测结果，包括：
若所述缺陷检测结果为有缺陷，则确定所述待测孔板为缺陷孔板；
若所述缺陷检测结果为无缺陷，则确定所述待测孔板为新类型异形孔板。
可选的，在所述确定所述待测孔板为新类型异形孔板之后，所述方法还包括：
确定第一数量个所述待测孔板是否均为新类型异形孔板；
若确定出第一数量个所述待测孔板均为新类型异形孔板，则获取第三数据集，所述第三数据集包括第三样本透光图以及所述第三样本透光图对应的新异形孔分类标签，所述第三样本透光图为所述待测孔板的透光图，所述新异形孔分类标签为所述待测孔板的异形孔分类标签；
通过第三数据集对所述异形孔检测网络进行调整，得到调整好的异形孔检测网络；
通过调整好的异形孔检测网络对后续的所述待测孔板的透光图进行检测。
可选的，所述通过第三数据集对所述异形孔检测网络进行调整，得到调整好的异形孔检测网络，包括：
确定所述异形孔检测网络的遗忘异形孔类别；
将所述新异形孔类别替换所述遗忘异形孔类别，得到新的异形孔检测网络；
通过所述第二数据集对所述异形孔检测网络进行参数调整，得到调整好的异形孔检测网络。
可选的，所述通过第三数据集对所述异形孔检测网络进行调整，得到调整好的异形孔检测网络，包括：
为所述异形孔检测网络添加新异形孔类别对应的输出位，得到新的异形孔检测网络；
通过所述第二数据集对所述异形孔检测网络进行参数调整，得到调整好的异形孔检测网络。
第二方面，本发明实施例提供一种异形孔检测装置，所述装置包括：
第一获取模块，用于获取待测孔板的透光图；
第一检测模块，用于通过训练好的异形孔检测网络对所述透光图进行异形孔检测，得到所述待测孔板的第一异形孔检测结果；
第二检测模块，用于若所述第一异形孔检测结果为检测失败，则通过训练好的缺陷检测网络对所述透光图进行缺陷检测，得到所述待测孔板的缺陷检测结果；
确定模块，用于基于所述待测孔板的缺陷检测结果，确定所述待测孔板的第二异形孔检测结果。
第三方面，本发明实施例提供一种电子设备，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计算机程序，所述处理器执行所述计算机程序时实现本发明实施例提供的异形孔检测方法中的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现发明实施例提供的异形孔检测方法中的步骤。
本发明实施例中，获取待测孔板的透光图；通过训练好的异形孔检测网络对所述透光图进行异形孔检测，得到所述待测孔板的第一异形孔检测结果；若所述第一异形孔检测结果为检测失败，则通过训练好的缺陷检测网络对所述透光图进行缺陷检测，得到所述待测孔板的缺陷检测结果；基于所述待测孔板的缺陷检测结果，确定所述待测孔板的第二异形孔检测结果。通过训练好的异形孔检测网络对待测孔板的透光图进行异形孔检测，可以判断待测孔板是否为现有的异形孔孔板，在待测孔板不是现有的异形孔孔板，通过训练好的缺陷检测网络光图进行缺陷检测，若待测孔板也不是缺陷孔板，则可以确定待测孔板为新异形孔孔板，可以对新异形孔孔板进行不停线检测，提高待测孔板的检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种异形孔检测方法的流程图；
图2是本发明实施例提供的一种异形孔检测装置的结构示意图；
图3是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参见图1，图1是本发明实施例提供的一种异形孔检测方法的流程图，如图1所示，该异形孔检测方法包括以下步骤：
101、获取待测孔板的透光图。
在本发明实施例中，上述待测孔板为带有异形孔的孔板，上述孔板用于电路板的印刷。
将待测孔板固定在预设的拍照工位上，在拍照工位下方设置有背光源，在拍照工位的上方设置有图像采集设备，打开背光源后，通过图像采集设备对拍照工位上的待测孔板进行拍照，得到待测孔板的透光图。
上述图像采集设备可以是工业相机或其他类型的相机。
102、通过训练好的异形孔检测网络对透光图进行异形孔检测，得到待测孔板的第一异形孔检测结果。
在本发明实施例中，上述异形孔检测网络可以是深度卷积神经网络，比如可以是YOLO系列、ResNet系列、VggNet系列、MobileNet系列等网络。上述异形孔检测网络用于检测各个已有类型的异形孔。
将待测孔板的透光图输入到异形孔检测网络后，通过异形孔检测网络输出待测孔板的第一异形孔检测结果。上述第一异形孔检测结果可以包括检测成功和检测失败，检测成功可以理解为待测孔板为已有类型异形孔板，检测失败可以理解为待测孔板为新类型异形孔板或缺陷孔板。
103、若第一异形孔检测结果为检测失败，则通过训练好的缺陷检测网络对透光图进行缺陷检测，得到待测孔板的缺陷检测结果。
在本发明实施例中，第一异形孔检测结果为检测失败，说明待测孔板为新类型异形孔板或缺陷孔板，考虑异形孔与标准孔缺陷在区别在于标准孔缺陷是在标准孔的基础上产生的，在加工设备允许范围内出现的缺陷是与标准孔的有限差异，而异形孔是在设计范围内是与标准孔的无限差异，新异形孔出现相较于缺陷来说更难以检测，因此，可以通过训练好的缺陷检测网络对透光图进行缺陷检测，判断待测孔板是否为缺陷孔板，若待测孔板不是缺陷孔板，则可以确定待测孔板为新类型异形孔板。
具体的，上述缺陷检测网络可以是深度卷积神经网络，比如可以是YOLO系列、ResNet系列、VggNet系列、MobileNet系列等网络。
将待测孔板的透光图输入到缺陷检测网络后，通过缺陷检测网络输出待测孔板的缺陷检测结果。
104、基于待测孔板的缺陷检测结果，确定待测孔板的第二异形孔检测结果。
在本发明实施例中，上述缺陷检测结果可以包括检测成功和检测失败，检测成功可以理解为待测孔板为缺陷孔板，检测失败可以理解为待测孔板为新类型异形孔板。
本发明实施例中，获取待测孔板的透光图；通过训练好的异形孔检测网络对所述透光图进行异形孔检测，得到所述待测孔板的第一异形孔检测结果；若所述第一异形孔检测结果失败，则通过训练好的缺陷检测网络对所述透光图进行缺陷检测，得到所述待测孔板的缺陷检测结果；基于所述待测孔板的缺陷检测结果，确定所述待测孔板的第二异形孔检测结果。通过训练好的异形孔检测网络对待测孔板的透光图进行异形孔检测，可以判断待测孔板是否为现有的异形孔孔板，在待测孔板不是现有的异形孔孔板，通过训练好的缺陷检测网络光图进行缺陷检测，若待测孔板也不是缺陷孔板，则可以确定待测孔板为新异形孔孔板，可以对新异形孔孔板进行不停线检测，提高待测孔板的检测效率。
可选的，在通过训练好的异形孔检测网络对透光图进行异形孔检测，得到待测孔板的第一异形孔检测结果的步骤之前，还可以获取第一数据集以及待训练异形孔检测网络，第一数据集包括已有异形孔的第一样本透光图以及与第一样本透光图对应的异形孔分类标签；通过第一数据集对待训练异形孔检测网络进行有监督训练，得到训练好的异形孔检测网络。
在本发明实施例中，上述第一样本透光图为各种已有类型异形孔板的透光图，可以通过人工标注的方式对第一样本透光图进行标注，得到第一样本透光图对应的异形孔分类标签，每个第一样本透光图对应一个异形孔分类标签。上述待训练异形孔检测网络可以根据YOLO系列、ResNet系列、VggNet系列、MobileNet系列等网络构建得到。
在训练过程中，将第一样本透光图输入到待训练异形孔检测网络，通过待训练异形孔检测网络输出第一样本分类结果，计算第一样本分类结果与对应的异形孔分类标签之间的误差损失，以最小第一样本分类结果与对应的异形孔分类标签之间的误差损失为优化目标，采用反向传播的方式对待训练异形孔检测网络进行参数调整，迭代上述参数调整过程，直到迭代次数达到预设次数或待训练异形孔检测网络在最小误差损失处收敛时，停止训练，得到训练好的异形孔检测网络。
可选的，在通过训练好的缺陷检测网络对所述透光图进行缺陷检测，得到所述待测孔板的缺陷检测结果的步骤之前，还可以获取第二数据集以及待训练缺陷检测网络，第二数据集包括已确认缺陷的第二样本透光图以及与第二样本透光图对应的缺陷分类标签；通过第二数据集对待训练缺陷检测网络进行有监督训练，得到训练好的缺陷检测网络。
在本发明实施例中，上述第二样本透光图为各种已确认缺陷类型孔板的透光图，可以通过人工标注的方式对第二样本透光图进行标注，得到第二样本透光图对应的缺陷分类标签，每个第二样本透光图对应一个缺陷分类标签。上述待训练缺陷检测网络可以根据YOLO系列、ResNet系列、VggNet系列、MobileNet系列等网络构建得到。
在训练过程中，将第二样本透光图输入到待训练缺陷检测网络，通过待训练缺陷检测网络输出第二样本分类结果，计算第二样本分类结果与对应的缺陷分类标签之间的误差损失，以最小第二样本分类结果与对应的缺陷分类标签之间的误差损失为优化目标，采用反向传播的方式对待训练缺陷检测网络进行参数调整，迭代上述参数调整过程，直到迭代次数达到预设次数或待训练缺陷检测网络在最小误差损失处收敛时，停止训练，得到训练好的缺陷检测网络。
可选的，在基于待测孔板的缺陷检测结果，确定待测孔板的第二异形孔检测结果的步骤中，若缺陷检测结果为有缺陷，则可以确定待测孔板为缺陷孔板；若缺陷检测结果为无缺陷，则确定待测孔板为新类型异形孔板。
在本发明实施例中，通过训练好的缺陷检测网络对透光图进行缺陷检测，得到待测孔板的缺陷检测结果，若缺陷检测结果为有缺陷，则确定待测孔板为缺陷孔板。若缺陷检测结果为无缺陷，则确定待测孔板为新类型异形孔板，此时，可以确定待测孔板的第二异形孔检测结果为新类型异形孔板。
可选的，在确定待测孔板为新类型异形孔板的步骤之后，还可以确定第一数量个待测孔板是否均为新类型异形孔板；若确定出第一数量个待测孔板均为新类型异形孔板，则获取第二数据集，第二数据集包括第二样本透光图以及第二样本透光图对应的新异形孔分类标签，第二样本透光图为待测孔板的透光图，新异形孔分类标签为待测孔板的异形孔分类标签；通过第二数据集对异形孔检测网络进行调整，得到调整好的异形孔检测网络；通过调整好的异形孔检测网络对后续的待测孔板的透光图进行检测。
在本发明实施例中，上述第一数量小于上述第二数量，通过第一数量个待测孔板的缺陷检测结果来确定第一数量个待测孔板是否均为新类型异形孔板。具体的，若第一数量个待测孔板的第一展开孔检测结果均为检测失败，且第一数量个待测孔板的检测结果均为无缺陷，则可以确定待测孔板为新类型异形孔板，且为批量生产的新类型异形孔板，此时，可以将第二数量个待测孔板的透光图作为第三样本透光图，并通过人工标注的方式对第三样本透光图进行标注，得到第三样本透光图对应的新异形孔分类标签，每个第三样本透光图对应一个新异形孔分类标签，得到第三数据集。
在调整过程中，将第三样本透光图输入到异形孔检测网络，通过异形孔检测网络输出第三样本分类结果，计算第三样本分类结果与对应的新异形孔分类标签之间的误差损失，以最小第三样本分类结果与对应的新异形孔分类标签之间的误差损失为优化目标，采用反向传播的方式对待训练异形孔检测网络进行参数调整，迭代上述参数调整过程，直到迭代次数达到预设次数或异形孔检测网络在最小误差损失处收敛时，停止调整，得到调整好的异形孔检测网络。
在得到调整好的异形孔检测网络后，通过调整好的异形孔检测网络对后续的待测孔板的透光图进行处理。
在一种可能的实施例中，首先通过异形孔检测网络对透光图进行检测，若识别到异形孔不是已有类型的异形孔，则通过缺陷检测网络进行检测，在缺陷检测网络检测结果为无缺陷时，将透光图作为新类型异形孔板的样本图像对异形孔检测网络进行调整学习，结合缺陷检测网络的缺陷检测能力，可以在检测过程中还可以同时调整异形孔检测网络。在异形孔检测网络调整时，优先通过缺陷检测网络进行检测，在异形孔检测网络调整完成后，优先通过异形孔检测网络进行检测。可以做到端到端检测和不停线检测，提高批量检测的效率。
可选的，在通过第三数据集对异形孔检测网络进行调整，得到调整好的异形孔检测网络的步骤中，可以确定异形孔检测网络的遗忘异形孔类别；将新异形孔类别替换遗忘异形孔类别，得到新的异形孔检测网络；通过第二数据集对异形孔检测网络进行参数调整，得到调整好的异形孔检测网络。
在本发明实施例中，上述遗忘异形孔类别可以是确定以后不再生产的异形孔板类别，比如时间较久的一些异形孔类别。将新异形孔类别替换遗忘异形孔类别，使得新的异形孔检测网络能够输出新异形孔类别，对于异形孔检测网络的改动较少，调整时间可以缩短。
在得到新的展开孔检测网络后，以第三数据集对异形孔检测网络进行参数调整，得到调整好的异形孔检测网络。
可选的，在通过第二数据集对异形孔检测网络进行调整，得到调整好的异形孔检测网络的步骤中，可以为异形孔检测网络添加新异形孔类别对应的输出位，得到新的异形孔检测网络；通过第二数据集对异形孔检测网络进行参数调整，得到调整好的异形孔检测网络。
在本发明实施例中，若已有类别异形孔在后面仍要生产，则可以在展开孔检测网络的输出层增加一个输出位，增加的输出位用于输出新展开孔类别，从而得到新的异形孔检测网络。
在得到新的展开孔检测网络后，以第三数据集对异形孔检测网络进行参数调整，得到调整好的异形孔检测网络。
需要说明的是，本发明实施例提供的异形孔检测方法可以应用于可以进行异形孔检测方法的智能摄像头、智能手机、电脑、服务器等设备。
可选的，请参见图2，图2是本发明实施例提供的一种异形孔检测装置的结构示意图，如图2所示，所述装置包括：
第一获取模块201，用于获取待测孔板的透光图；
第一检测模块202，用于通过训练好的异形孔检测网络对所述透光图进行异形孔检测，得到所述待测孔板的第一异形孔检测结果；
第二检测模块203，用于若所述第一异形孔检测结果为检测失败，则通过训练好的缺陷检测网络对所述透光图进行缺陷检测，得到所述待测孔板的缺陷检测结果；
确定模块204，用于基于所述待测孔板的缺陷检测结果，确定所述待测孔板的第二异形孔检测结果。
可选的，所述装置还包括：
第二获取模块，用于获取第一数据集以及待训练异形孔检测网络，所述第一数据集包括已有异形孔的第一样本透光图以及与所述第一样本透光图对应的异形孔分类标签；
第一训练模块，用于通过所述第一数据集对所述待训练异形孔检测网络进行有监督训练，得到训练好的异形孔检测网络。
可选的，所述装置还包括：
第三获取模块，用于获取第二数据集以及待训练缺陷检测网络，所述第二数据集包括已确认缺陷的第二样本透光图以及与所述第二样本透光图对应的缺陷分类标签；
第二训练模块，用于通过所述第二数据集对所述待训练缺陷检测网络进行有监督训练，得到训练好的缺陷检测网络。
可选的，所述确定模块204，包括：
第一确定子模块，用于若所述缺陷检测结果为有缺陷，则确定所述待测孔板为缺陷孔板；
第二确定子模块，用于若所述缺陷检测结果为无缺陷，则确定所述待测孔板为新类型异形孔板。
可选的，所述装置还包括：
第二确定模块，用于确定第一数量个所述待测孔板是否均为新类型异形孔板；
第三获取模块，用于若确定出第一数量个所述待测孔板均为新类型异形孔板，则获取第三数据集，所述第三数据集包括第三样本透光图以及所述第三样本透光图对应的新异形孔分类标签，所述第三样本透光图为所述待测孔板的透光图，所述新异形孔分类标签为所述待测孔板的异形孔分类标签；
调整模块，用于通过第三数据集对所述异形孔检测网络进行调整，得到调整好的异形孔检测网络；
第三检测模块，用于通过调整好的异形孔检测网络对后续的所述待测孔板的透光图进行检测。
可选的，所述调整模块，包括：
第三确定子模块，用于确定所述异形孔检测网络的遗忘异形孔类别；
替换子模块，用于将所述新异形孔类别替换所述遗忘异形孔类别，得到新的异形孔检测网络；
第一调整子模块，用于通过所述第二数据集对所述异形孔检测网络进行参数调整，得到调整好的异形孔检测网络。
可选的，所述调整模块，包括：
添加子模块，用于为所述异形孔检测网络添加新异形孔类别对应的输出位，得到新的异形孔检测网络；
第二调整子模块，用于通过所述第二数据集对所述异形孔检测网络进行参数调整，得到调整好的异形孔检测网络。
需要说明的是，本发明实施例提供的异形孔检测装置可以应用于可以进行异形孔检测方法的智能摄像头、智能手机、电脑、服务器等设备。
本发明实施例提供的异形孔检测装置能够实现上述方法实施例中异形孔检测方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。
参见图3，图3是本发明实施例提供的一种电子设备的结构示意图，如图3所示，包括：存储器302、处理器301及存储在所述存储器302上并可在所述处理器301上运行的异形孔检测方法的计算机程序，其中：
处理器301用于调用存储器302存储的计算机程序，执行如下步骤：
获取待测孔板的透光图；
通过训练好的异形孔检测网络对所述透光图进行异形孔检测，得到所述待测孔板的第一异形孔检测结果；
若所述第一异形孔检测结果为检测失败，则通过训练好的缺陷检测网络对所述透光图进行缺陷检测，得到所述待测孔板的缺陷检测结果；
基于所述待测孔板的缺陷检测结果，确定所述待测孔板的第二异形孔检测结果。
可选的，在所述通过训练好的异形孔检测网络对所述透光图进行异形孔检测，得到所述待测孔板的第一异形孔检测结果之前，处理器301执行的所述方法还包括：
获取第一数据集以及待训练异形孔检测网络，所述第一数据集包括已有异形孔的第一样本透光图以及与所述第一样本透光图对应的异形孔分类标签；
通过所述第一数据集对所述待训练异形孔检测网络进行有监督训练，得到训练好的异形孔检测网络。
可选的，在所述通过训练好的缺陷检测网络对所述透光图进行缺陷检测，得到所述待测孔板的缺陷检测结果之前，处理器301执行的所述方法还包括：
获取第二数据集以及待训练缺陷检测网络，所述第二数据集包括已确认缺陷的第二样本透光图以及与所述第二样本透光图对应的缺陷分类标签；
通过所述第二数据集对所述待训练缺陷检测网络进行有监督训练，得到训练好的缺陷检测网络。
可选的，处理器301执行的所述基于所述待测孔板的缺陷检测结果，确定所述待测孔板的第二异形孔检测结果，包括：
若所述缺陷检测结果为有缺陷，则确定所述待测孔板为缺陷孔板；
若所述缺陷检测结果为无缺陷，则确定所述待测孔板为新类型异形孔板。
可选的，在所述确定所述待测孔板为新类型异形孔板之后，处理器301执行的所述方法还包括：
确定第一数量个所述待测孔板是否均为新类型异形孔板；
若确定出第一数量个所述待测孔板均为新类型异形孔板，则获取第三数据集，所述第三数据集包括第三样本透光图以及所述第三样本透光图对应的新异形孔分类标签，所述第三样本透光图为所述待测孔板的透光图，所述新异形孔分类标签为所述待测孔板的异形孔分类标签；
通过第三数据集对所述异形孔检测网络进行调整，得到调整好的异形孔检测网络；
通过调整好的异形孔检测网络对后续的所述待测孔板的透光图进行检测。
可选的，处理器301执行的所述通过第三数据集对所述异形孔检测网络进行调整，得到调整好的异形孔检测网络，包括：
确定所述异形孔检测网络的遗忘异形孔类别；
将所述新异形孔类别替换所述遗忘异形孔类别，得到新的异形孔检测网络；
通过所述第二数据集对所述异形孔检测网络进行参数调整，得到调整好的异形孔检测网络。
可选的，处理器301执行的所述通过第三数据集对所述异形孔检测网络进行调整，得到调整好的异形孔检测网络，包括：
为所述异形孔检测网络添加新异形孔类别对应的输出位，得到新的异形孔检测网络；
通过所述第二数据集对所述异形孔检测网络进行参数调整，得到调整好的异形孔检测网络。
本发明实施例提供的电子设备能够实现上述方法实施例中异形孔检测方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的异形孔检测方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Nenory，RON)或随机存取存储器(Randon AccessNenory，简称RAN)等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种异形孔检测方法，其特征在于，包括以下步骤：
获取待测孔板的透光图；
通过训练好的异形孔检测网络对所述透光图进行异形孔检测，得到所述待测孔板的第一异形孔检测结果；
若所述第一异形孔检测结果为检测失败，则通过训练好的缺陷检测网络对所述透光图进行缺陷检测，得到所述待测孔板的缺陷检测结果；
基于所述待测孔板的缺陷检测结果，确定所述待测孔板的第二异形孔检测结果。
2.如权利要求1所述的异形孔检测方法，其特征在于，在所述通过训练好的异形孔检测网络对所述透光图进行异形孔检测，得到所述待测孔板的第一异形孔检测结果之前，所述方法还包括：
获取第一数据集以及待训练异形孔检测网络，所述第一数据集包括已有异形孔的第一样本透光图以及与所述第一样本透光图对应的异形孔分类标签；
通过所述第一数据集对所述待训练异形孔检测网络进行有监督训练，得到训练好的异形孔检测网络。
3.如权利要求2所述的异形孔检测方法，其特征在于，在所述通过训练好的缺陷检测网络对所述透光图进行缺陷检测，得到所述待测孔板的缺陷检测结果之前，所述方法还包括：
获取第二数据集以及待训练缺陷检测网络，所述第二数据集包括已确认缺陷的第二样本透光图以及与所述第二样本透光图对应的缺陷分类标签；
通过所述第二数据集对所述待训练缺陷检测网络进行有监督训练，得到训练好的缺陷检测网络。
4.如权利要求3所述的异形孔检测方法，其特征在于，所述基于所述待测孔板的缺陷检测结果，确定所述待测孔板的第二异形孔检测结果，包括：
若所述缺陷检测结果为有缺陷，则确定所述待测孔板为缺陷孔板；
若所述缺陷检测结果为无缺陷，则确定所述待测孔板为新类型异形孔板。
5.如权利要求4所述的异形孔检测方法，其特征在于，在所述确定所述待测孔板为新类型异形孔板之后，所述方法还包括：
确定第一数量个所述待测孔板是否均为新类型异形孔板；
若确定出第一数量个所述待测孔板均为新类型异形孔板，则获取第三数据集，所述第三数据集包括第三样本透光图以及所述第三样本透光图对应的新异形孔分类标签，所述第三样本透光图为所述待测孔板的透光图，所述新异形孔分类标签为所述待测孔板的异形孔分类标签；
通过第三数据集对所述异形孔检测网络进行调整，得到调整好的异形孔检测网络；
通过调整好的异形孔检测网络对后续的所述待测孔板的透光图进行检测。
6.如权利要求5所述的异形孔检测方法，其特征在于，所述通过第三数据集对所述异形孔检测网络进行调整，得到调整好的异形孔检测网络，包括：
确定所述异形孔检测网络的遗忘异形孔类别；
将所述新异形孔类别替换所述遗忘异形孔类别，得到新的异形孔检测网络；
通过所述第二数据集对所述异形孔检测网络进行参数调整，得到调整好的异形孔检测网络。
7.如权利要求5所述的异形孔检测方法，其特征在于，所述通过第三数据集对所述异形孔检测网络进行调整，得到调整好的异形孔检测网络，包括：
为所述异形孔检测网络添加新异形孔类别对应的输出位，得到新的异形孔检测网络；
通过所述第二数据集对所述异形孔检测网络进行参数调整，得到调整好的异形孔检测网络。
8.一种异形孔检测装置，其特征在于，所述装置包括：
第一获取模块，用于获取待测孔板的透光图；
第一检测模块，用于通过训练好的异形孔检测网络对所述透光图进行异形孔检测，得到所述待测孔板的第一异形孔检测结果；
第二检测模块，用于若所述第一异形孔检测结果为检测失败，则通过训练好的缺陷检测网络对所述透光图进行缺陷检测，得到所述待测孔板的缺陷检测结果；
确定模块，用于基于所述待测孔板的缺陷检测结果，确定所述待测孔板的第二异形孔检测结果。
9.一种电子设备，其特征在于，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计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的异形孔检测方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的异形孔检测方法中的步骤。
CN202211740004.4A 2022-12-31 2022-12-31 异形孔检测方法、装置、电子设备及存储介质 Pending CN116128829A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211740004.4A CN116128829A (zh) 2022-12-31 2022-12-31 异形孔检测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211740004.4A CN116128829A (zh) 2022-12-31 2022-12-31 异形孔检测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116128829A true CN116128829A (zh) 2023-05-16

Family

ID=86295057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211740004.4A Pending CN116128829A (zh) 2022-12-31 2022-12-31 异形孔检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116128829A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117274965A (zh) * 2023-11-21 2023-12-22 浙江恒逸石化有限公司 图像识别模型的训练方法、喷丝板检测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117274965A (zh) * 2023-11-21 2023-12-22 浙江恒逸石化有限公司 图像识别模型的训练方法、喷丝板检测方法及装置
CN117274965B (zh) * 2023-11-21 2024-03-05 浙江恒逸石化有限公司 图像识别模型的训练方法、喷丝板检测方法及装置

Similar Documents

Publication Publication Date Title
TWI706318B (zh) 錫膏印刷品質檢測方法、數據處理裝置及電腦存儲介質
CN105372581A (zh) 挠性电路板制造过程自动监测和智能分析系统及方法
US20220189002A1 (en) Method and system for defect inspection based on deep learning
CN106127746A (zh) 电路板元件漏件检测方法和系统
US20190195939A1 (en) Printed circuit board inspecting apparatus, method for detecting anomaly in solder paste and computer readable recording medium
CN112651966A (zh) 一种基于acyolov4_csp的印刷电路板微小缺陷检测方法
CN116128829A (zh) 异形孔检测方法、装置、电子设备及存储介质
CN115937170A (zh) 电路板检测方法、装置、计算机设备及存储介质
CN111160432A (zh) 一种面板生产制造缺陷的自动分类方法及系统
US20200090319A1 (en) Machine learning method implemented in aoi device
TWI707299B (zh) 光學檢測二次圖像分類方法
CN117274245B (zh) 基于图像处理技术的aoi光学检测方法及系统
TW202401294A (zh) Pcb缺陷檢測系統及pcb缺陷檢測方法
CN112102242A (zh) 一种基于轻量级网络的pcb元器件检测方法
KR20200006028A (ko) 인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체
CN108415886B (zh) 一种基于生产工序的数据标签纠错方法及装置
CN117455887A (zh) 基于机器视觉的pcb来料检测方法、装置、设备及介质
Khare et al. PCB-Fire: Automated Classification and Fault Detection in PCB
US20040126002A1 (en) System and method for measuring an object
CN117589770A (zh) Pcb贴片板检测方法、装置、设备及介质
CN117292191A (zh) 一种模型优化方法、电子设备及计算机可读存储介质
CN116091416A (zh) 印制电路板组装缺陷检测、变化检测模型训练方法及装置
CN115100095A (zh) 一种基于非监督算法的pcb板检测方法
CN116128830A (zh) 异形孔检测方法、装置、电子设备及存储介质
CN114692887A (zh) 半监督学习系统及半监督学习方法

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