CN116152244A - 一种smt缺陷检测方法、系统 - Google Patents

一种smt缺陷检测方法、系统 Download PDF

Info

Publication number
CN116152244A
CN116152244A CN202310421037.0A CN202310421037A CN116152244A CN 116152244 A CN116152244 A CN 116152244A CN 202310421037 A CN202310421037 A CN 202310421037A CN 116152244 A CN116152244 A CN 116152244A
Authority
CN
China
Prior art keywords
defect detection
patch element
image
detected
sample
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
CN202310421037.0A
Other languages
English (en)
Inventor
许镇义
康宇
柏鹏
曹洋
胡峰
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.)
Institute of Artificial Intelligence of Hefei Comprehensive National Science Center
Original Assignee
Institute of Artificial Intelligence of Hefei Comprehensive National Science Center
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 Institute of Artificial Intelligence of Hefei Comprehensive National Science Center filed Critical Institute of Artificial Intelligence of Hefei Comprehensive National Science Center
Priority to CN202310421037.0A priority Critical patent/CN116152244A/zh
Publication of CN116152244A publication Critical patent/CN116152244A/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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • 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
    • G06T2207/20—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及缺陷检测技术领域，公开了一种SMT缺陷检测方法、系统，通过缺陷检测模型对贴片元件的待测图像进行缺陷检测，得到缺陷检测结果；缺陷检测模型的训练过程包括：将贴片元件的模板图像与待测图像组成贴片元件样本；将贴片元件样本输入到两个相同的编码器网络中，得到深度特征，进而得到语义差异映射特征；语义差异映射特征与深度特征融合后，将得到的融合特征送入解码器网络进行缺陷分割，得到缺陷检测结果；通过损失函数对缺陷检测模型进行训练；本发明通过融合人的先验知识揭示检测数据的表示特征和统计规律，构建融合数据驱动与知识引导的有限监督标签检测模型，实现不完全标签样本条件下SMT缺陷的精准高效检测。

Description

一种SMT缺陷检测方法、系统
技术领域
本发明涉及缺陷检测技术领域，具体涉及一种SMT缺陷检测方法、系统。
背景技术
在智能制造的大背景下，电子行业中的表面贴装技术（Surface MountedTechnology，简称SMT）成为一个重点关注对象。SMT是一种通过一定的工艺、材料将贴片元件贴装在印刷电路板（Printed Circuit Board，简称PCB）上的电子组装技术，是现代电子产品制造中的关键工艺技术之一。推进SMT生产线智能化发展，对企业提高其竞争力水平具有至关重要的作用。在元件贴装环节，电子贴片元件通过锡膏焊接在PCB板上后，需要对元件贴片的质量进行检测，如检查是否有立碑、位移、空焊等缺陷。检查这些缺陷是SMT生产线中非常重要的一步，因为电子元件的正确安装对主板功能有着至关重要的影响，甚至一个零件的缺失都会影响整个主板的使用。现有的工业缺陷检测主要分为人工目检和自动化光学检测（Automated Optical Inspection，简称AOI）。AOI的出现降低了很多场景下的人工目检成本，但AOI误检率很高，例如在某知名消费电子生产制造企业的实际产线上，有高达60%的贴片元件需要进行人工复检，而经过人工检查后实际有缺陷的贴片元件只占AOI检测出有缺陷贴片元件数量的2%。所以在检测精度要求较高的SMT产线中，行业内普遍采取二者联合的检验方式，即经过AOI检测之后，进行人工复判。由于SMT产线中的贴片缺陷通常较为微小，人工的复判常常会因为疲劳等因素，导致再次漏检，并且人工复判的平均处理时间为15秒/件/人，无法满足高速生产的现代化产线的要求。所以，如何提高自动贴片元件的检测效率，降低人工成本，成为SMT元件贴装环节主要的研究方向和目的。
近年来，人工智能技术与先进制造技术深度融合，成为新一轮工业革命的核心驱动力。随着大数据和高性能计算智能技术的快速发展，深度学习在计算机视觉，自然语言处理以及模式识别等领域取得重大进展。但是，以深度学习为代表的人工智能方法在持续泛化性、透明可信度和稳定可靠性方面还存在有明显不足，还无法应对制造业智能化升级过程中“由部分阶段性的经验性评估到可持续运行的数字化分析”、“由过程不可知的黑箱式设计到操作可解释的透明化决策”、“由可见性故障的响应式处理到潜在性风险的预测性维护”等方面的严峻挑战。
发明内容
为解决上述技术问题，本发明提供一种SMT缺陷检测方法、系统。
为解决上述技术问题，本发明采用如下技术方案：
一种SMT缺陷检测方法，通过完成训练的缺陷检测模型对贴片元件的待测图像进行缺陷检测，得到缺陷检测结果；缺陷检测模型包括两个相同的编码器网络，以及解码器网络；缺陷检测模型的训练过程，包括以下步骤：
步骤一：将贴片元件的模板图像
Figure SMS_1
与贴片元件的待测图像/>
Figure SMS_2
组成贴片元件样本，并根据贴片元件样本中的两个图像的类型，为贴片元件样本设置标签；/>
步骤二：将贴片元件样本中的两个图像分别输入到两个相同的编码器网络中，得到模板图像的深度特征
Figure SMS_3
、待测图像的深度特征/>
Figure SMS_4
，并得到模板图像和待测图像的语义差异映射特征/>
Figure SMS_5
；
步骤三：语义差异映射特征
Figure SMS_6
与深度特征/>
Figure SMS_7
融合，将得到的融合特征F送入解码器网络进行缺陷分割，输出待测图像的缺陷检测结果；
步骤四：通过损失函数
Figure SMS_8
对缺陷检测模型进行训练：
Figure SMS_9
；
其中
Figure SMS_10
表示第i个贴片元件样本，/>
Figure SMS_11
为第i个贴片元件样本的标签，N为贴片元件样本的个数，/>
Figure SMS_12
、/>
Figure SMS_13
为常量，/>
Figure SMS_14
为特征空间距离阈值，/>
Figure SMS_15
为第i个贴片元件样本的语义差异映射特征。
具体地，步骤一中，从贴片元件的模板图像集中随机选择一张模板图像
Figure SMS_16
，与从贴片元件的待测图像集中随机选择的一张待测图像/>
Figure SMS_17
，组成贴片元件样本/>
Figure SMS_18
；如果贴片元件样本中两个图像对应的贴片元件属于同一类别，标签设置为0；如果贴片元件样本中两个图像对应的贴片元件不属于同一类别，标签设置为1。
具体地，步骤二具体包括：
设置两个相同编码器网络，每个编码器网络包括四层卷积层，通过编码器网络分别提取模板图像的深度特征
Figure SMS_19
、待测图像的深度特征/>
Figure SMS_20
；
通过对深度特征
Figure SMS_21
、/>
Figure SMS_22
应用一个相关操作模块，得到模板图像和待测图像的语义差异映射/>
Figure SMS_23
：
Figure SMS_24
；
Figure SMS_25
、/>
Figure SMS_26
分别为/>
Figure SMS_27
、/>
Figure SMS_28
的第i个特征维度，n为/>
Figure SMS_29
、/>
Figure SMS_30
的特征维度总数。
具体地，步骤三中，输出待测图像的缺陷检测结果时，通过待测图像与模板图像的相似概率判断缺陷检测结果，当相似概率大于阈值时，待测图像对应的贴片元件无缺陷。
一种SMT缺陷检测系统，通过完成训练的缺陷检测模型对贴片元件的待测图像进行缺陷检测，得到缺陷检测结果；缺陷检测模型包括两个相同的编码器网络，以及解码器网络；通过以下模块对缺陷检测模型进行训练：
样本生成模块，将贴片元件的模板图像与贴片元件的待测图像组成贴片元件样本，并根据贴片元件样本中的两个图像的类型，为贴片元件样本设置标签；
编码模块，将贴片元件样本中的两个图像分别输入到两个相同的编码器网络中，得到模板图像的深度特征
Figure SMS_31
、待测图像的深度特征/>
Figure SMS_32
，并得到模板图像和待测图像的语义差异映射特征/>
Figure SMS_33
；
缺陷检测模块，将语义差异映射特征
Figure SMS_34
与深度特征/>
Figure SMS_35
融合，将得到的融合特征F送入解码器网络进行缺陷分割，输出待测图像的缺陷检测结果；
训练模块，通过损失函数
Figure SMS_36
对缺陷检测模型进行训练：
Figure SMS_37
；/>
其中
Figure SMS_38
表示第i个贴片元件样本，Y为第i个贴片元件样本的标签，N为贴片元件样本的个数，/>
Figure SMS_39
、/>
Figure SMS_40
为常量，/>
Figure SMS_41
为特征空间距离阈值。
与现有技术相比，本发明的有益技术效果是：
本发明通过融合人的先验知识揭示检测数据的表示特征和统计规律，构建融合数据驱动与知识引导的有限监督标签检测模型，实现不完全标签样本条件下SMT缺陷的精准高效检测。
附图说明
图1为本发明方法网络模型示意图。
具体实施方式
下面结合附图对本发明的一种优选实施方式作详细的说明。
本发明中的SMT缺陷检测方法，包括以下步骤：
步骤一、将贴片元件的模板图像与贴片元件的待测图像组成贴片元件样本，并根据贴片元件样本中的两个图像的类型，为贴片元件样本设置标签。
具体地，从贴片元件的模板图像集中随机选择一张模板图像
Figure SMS_42
，与从贴片元件的待测图像集中随机选择的一张待测图像/>
Figure SMS_43
，组成贴片元件样本/>
Figure SMS_44
；如果贴片元件样本中两个图像对应的贴片元件属于同一类别，标签设置为0；如果贴片元件样本中两个图像对应的贴片元件不属于同一类别，标签设置为1。
每一张待测图像都可以与一张模板图像配对组成一个训练样本，所以这种方式能够大幅地增长训练样本的数据量。
步骤二：将贴片元件样本中的两个图像分别输入到两个相同的编码器网络中，得到模板图像的深度特征
Figure SMS_45
、待测图像的深度特征/>
Figure SMS_46
，并得到模板图像和待测图像的语义差异映射特征/>
Figure SMS_47
，具体步骤如下：
S21：设计两个相同的编码器网络Encoder，每个编码器网络Encoder包含四层卷积层Conv0、Conv1、Conv2、Conv3。通过卷积等操作分别从模板图像和待测图像中提取深度特征
Figure SMS_48
、/>
Figure SMS_49
。
S22：通过对提取的深度特征
Figure SMS_50
、/>
Figure SMS_51
应用一个相关操作模块，得到模板图像和待测图像的语义差异映射/>
Figure SMS_52
：
Figure SMS_53
；
Figure SMS_54
、/>
Figure SMS_55
分别为/>
Figure SMS_56
、/>
Figure SMS_57
的第i个特征维度，n为/>
Figure SMS_58
、/>
Figure SMS_59
的特征维度总数。
步骤三：语义差异映射特征
Figure SMS_60
与深度特征/>
Figure SMS_61
融合，将得到的融合特征F送入解码器网络进行缺陷分割，输出待测图像的缺陷检测结果，具体包括：
S31：采用特征扩展操作实现对语义差异映射特征
Figure SMS_62
与深度特征/>
Figure SMS_63
的融合，融合特征记作F。
S32：将融合特征F送入解码器网络Decoder进行SMT缺陷分割，解码器网络Decoder包含四层卷积层Conv4、Conv5、Conv6、Conv7和三层上采样层Up1、Up2、Up3组成，结构为{Conv4,Up1,Conv5,Up2,Conv6,Up3,Conv7}；最后连接一个Softmax层，输出SMT缺陷概率。
步骤四：通过损失函数
Figure SMS_64
对缺陷检测模型的网络参数进行训练，具体包括：
当贴片元件样本
Figure SMS_65
的标签为1时，表明图像/>
Figure SMS_66
、/>
Figure SMS_67
对应的贴片元件类型不同，因此期望它们的特征在特征空间中的距离尽可能大；设置一个最大距离M，当/>
Figure SMS_68
时，表示特征之间的距离足够大，即这两个贴片元件差距越大。同理，当贴片元件样本/>
Figure SMS_69
的标签为0时，表明图像/>
Figure SMS_70
、/>
Figure SMS_71
对应的贴片元件类别相同，因此期望它们的特征在特征空间的距离尽可能小。
本发明将缺陷检测模型的损失函数
Figure SMS_72
设为：
Figure SMS_73
；
其中
Figure SMS_74
为第i个标记的贴片元件样本，Y为第i个贴片元件样本的标签，N为贴片元件样本的个数；/>
Figure SMS_75
、/>
Figure SMS_76
是常量，默认值是0.5。设定当/>
Figure SMS_77
时，损失函数值为0，以简化计算。
根据损失函数
Figure SMS_78
，训练缺陷检测模型，进行参数调整。
步骤五：将训练完成的缺陷检测模型用于待测图像的SMT缺陷检测。在检测时，选择与待测图像具有相同贴片元件类型的模板图像，将待测图像和模板图像输入至缺陷检测模型，当两个图像的相似概率大于阈值时，判断待测图像对应的贴片元件为正常。
本发明还公开了一种SMT缺陷检测系统，系统与方法相对应，方法的优选方案、细化方案同样适用于系统。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立技术方案，说明书的这种叙述方式仅仅是为了清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (5)

1.一种SMT缺陷检测方法，通过完成训练的缺陷检测模型对贴片元件的待测图像进行缺陷检测，得到缺陷检测结果；缺陷检测模型包括两个相同的编码器网络，以及解码器网络；缺陷检测模型的训练过程，包括以下步骤：
步骤一：将贴片元件的模板图像
Figure QLYQS_1
与贴片元件的待测图像/>
Figure QLYQS_2
组成贴片元件样本，并根据贴片元件样本中的两个图像的类型，为贴片元件样本设置标签；
步骤二：将贴片元件样本中的两个图像分别输入到两个相同的编码器网络中，得到模板图像的深度特征
Figure QLYQS_3
、待测图像的深度特征/>
Figure QLYQS_4
，并得到模板图像和待测图像的语义差异映射特征/>
Figure QLYQS_5
；
步骤三：语义差异映射特征
Figure QLYQS_6
与深度特征/>
Figure QLYQS_7
融合，将得到的融合特征F送入解码器网络进行缺陷分割，输出待测图像的缺陷检测结果；
步骤四：通过损失函数
Figure QLYQS_8
对缺陷检测模型进行训练：
Figure QLYQS_9
；
其中
Figure QLYQS_10
表示第i个贴片元件样本，/>
Figure QLYQS_11
为第i个贴片元件样本的标签，N为贴片元件样本的个数，/>
Figure QLYQS_12
、/>
Figure QLYQS_13
为常量，/>
Figure QLYQS_14
为特征空间距离阈值，/>
Figure QLYQS_15
为第i个贴片元件样本的语义差异映射特征。
2.根据权利要求1所述的SMT缺陷检测方法，其特征在于：步骤一中，从贴片元件的模板图像集中随机选择一张模板图像
Figure QLYQS_16
，与从贴片元件的待测图像集中随机选择的一张待测图像/>
Figure QLYQS_17
，组成贴片元件样本/>
Figure QLYQS_18
；如果贴片元件样本中两个图像对应的贴片元件属于同一类别，标签设置为0；如果贴片元件样本中两个图像对应的贴片元件不属于同一类别，标签设置为1。
3.根据权利要求1所述的SMT缺陷检测方法，其特征在于，步骤二具体包括：
设置两个相同编码器网络，每个编码器网络包括四层卷积层，通过编码器网络分别提取模板图像的深度特征
Figure QLYQS_19
、待测图像的深度特征/>
Figure QLYQS_20
；
通过对深度特征
Figure QLYQS_21
、/>
Figure QLYQS_22
应用一个相关操作模块，得到模板图像和待测图像的语义差异映射/>
Figure QLYQS_23
：
Figure QLYQS_24
；
Figure QLYQS_25
、/>
Figure QLYQS_26
分别为/>
Figure QLYQS_27
、/>
Figure QLYQS_28
的第i个特征维度，n为/>
Figure QLYQS_29
、/>
Figure QLYQS_30
的特征维度总数。
4.根据权利要求1所述的SMT缺陷检测方法，其特征在于：步骤三中，输出待测图像的缺陷检测结果时，通过待测图像与模板图像的相似概率判断缺陷检测结果，当相似概率大于阈值时，待测图像对应的贴片元件无缺陷。
5.一种SMT缺陷检测系统，其特征在于，通过完成训练的缺陷检测模型对贴片元件的待测图像进行缺陷检测，得到缺陷检测结果；缺陷检测模型包括两个相同的编码器网络，以及解码器网络；通过以下模块对缺陷检测模型进行训练：
样本生成模块，将贴片元件的模板图像与贴片元件的待测图像组成贴片元件样本，并根据贴片元件样本中的两个图像的类型，为贴片元件样本设置标签；
编码模块，将贴片元件样本中的两个图像分别输入到两个相同的编码器网络中，得到模板图像的深度特征
Figure QLYQS_31
、待测图像的深度特征/>
Figure QLYQS_32
，并得到模板图像和待测图像的语义差异映射特征/>
Figure QLYQS_33
；
缺陷检测模块，将语义差异映射特征
Figure QLYQS_34
与深度特征/>
Figure QLYQS_35
融合，将得到的融合特征F送入解码器网络进行缺陷分割，输出待测图像的缺陷检测结果；
训练模块，通过损失函数
Figure QLYQS_36
对缺陷检测模型进行训练：
Figure QLYQS_37
；
其中
Figure QLYQS_38
表示第i个贴片元件样本，Y为第i个贴片元件样本的标签，N为贴片元件样本的个数，/>
Figure QLYQS_39
、/>
Figure QLYQS_40
为常量，/>
Figure QLYQS_41
为特征空间距离阈值。/>
CN202310421037.0A 2023-04-19 2023-04-19 一种smt缺陷检测方法、系统 Pending CN116152244A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310421037.0A CN116152244A (zh) 2023-04-19 2023-04-19 一种smt缺陷检测方法、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310421037.0A CN116152244A (zh) 2023-04-19 2023-04-19 一种smt缺陷检测方法、系统

Publications (1)

Publication Number Publication Date
CN116152244A true CN116152244A (zh) 2023-05-23

Family

ID=86352784

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310421037.0A Pending CN116152244A (zh) 2023-04-19 2023-04-19 一种smt缺陷检测方法、系统

Country Status (1)

Country Link
CN (1) CN116152244A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
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
CN116824271A (zh) * 2023-08-02 2023-09-29 上海互觉科技有限公司 基于三模态向量空间对齐的smt芯片缺陷检测系统及方法
CN117132592A (zh) * 2023-10-24 2023-11-28 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种基于熵融合的工业缺陷检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113112483A (zh) * 2021-04-16 2021-07-13 合肥科大智能机器人技术有限公司 一种基于相似度度量的刚性接触网缺陷检测方法及系统
CN113379719A (zh) * 2021-06-28 2021-09-10 北京百度网讯科技有限公司 道路缺陷检测方法、装置、电子设备和存储介质
CN114022479A (zh) * 2022-01-05 2022-02-08 高视科技(苏州)有限公司 电池极耳外观缺陷检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113112483A (zh) * 2021-04-16 2021-07-13 合肥科大智能机器人技术有限公司 一种基于相似度度量的刚性接触网缺陷检测方法及系统
CN113379719A (zh) * 2021-06-28 2021-09-10 北京百度网讯科技有限公司 道路缺陷检测方法、装置、电子设备和存储介质
CN114022479A (zh) * 2022-01-05 2022-02-08 高视科技(苏州)有限公司 电池极耳外观缺陷检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
RUNWEI DING: "Unknown defect detection for printed circuit board based on multi-scale deep similarity measure method", THE JOURNAL OF ENGINEERING, pages 388 - 393 *
ZHIGANG LING: "Deep Siamese Semantic Segmentation Network for PCB Welding Defect Detection", IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT, pages 1 - 11 *
王韵涛: "基于多重孪生网络的表面缺陷识别方法", 《计算机应用》, pages 225 - 229 *

Cited By (6)

* Cited by examiner, † Cited by third party
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
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
CN116824271A (zh) * 2023-08-02 2023-09-29 上海互觉科技有限公司 基于三模态向量空间对齐的smt芯片缺陷检测系统及方法
CN116824271B (zh) * 2023-08-02 2024-02-09 上海互觉科技有限公司 基于三模态向量空间对齐的smt芯片缺陷检测系统及方法
CN117132592A (zh) * 2023-10-24 2023-11-28 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种基于熵融合的工业缺陷检测方法
CN117132592B (zh) * 2023-10-24 2024-01-26 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 一种基于熵融合的工业缺陷检测方法

Similar Documents

Publication Publication Date Title
CN110992317B (zh) 一种基于语义分割的pcb板缺陷检测方法
CN116152244A (zh) 一种smt缺陷检测方法、系统
CN109829895B (zh) 一种基于gan的aoi缺陷检测方法
CN111862025A (zh) 基于深度学习的pcb缺陷自动检测方法
CN108694265B (zh) 设计布局的失效风险的智能型预诊断系统及方法
CN112651966A (zh) 一种基于acyolov4_csp的印刷电路板微小缺陷检测方法
CN111738994B (zh) 一种轻量级的pcb缺陷检测方法
CN113920096A (zh) 一种集成电路金属封装缺陷检测方法
CN116258682A (zh) 基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法
CN114255212A (zh) 一种基于cnn的fpc表面缺陷检测方法及其系统
CN115866502A (zh) 一种麦克风零件表面缺陷在线检测流程
CN116309313A (zh) 一种电池表面焊接缺陷检测方法
CN112614105A (zh) 一种基于深度网络的3d点云焊点缺陷检测方法
CN112102242A (zh) 一种基于轻量级网络的pcb元器件检测方法
CN114429445A (zh) 一种基于MAIRNet的PCB缺陷检测与识别方法
CN112907562A (zh) 一种基于MobileNet的SMT缺陷分类算法
CN114387230A (zh) 一种基于重验证检测的pcb板缺陷检测方法
CN115035118B (zh) 一种基于识别模型的pcb生产线残缺检测方法及系统
CN115587989B (zh) 一种工件ct图像缺陷检测分割方法及系统
CN115100393A (zh) 一种基于深度学习的pcb焊接缺陷检测方法
CN112686843B (zh) 一种基于神经网络的木板缺陷检测方法及系统
Shao et al. An improved YOLOv3 network for PCB defect detection
CN113344041A (zh) 一种基于多模型融合卷积神经网络的pcb缺陷图像识别方法
Li et al. PCB defect recognition and elimination based on secondary error and statistical histogram
Kavitha et al. Component Identification and Defect Detection of Printed Circuit Board using Artificial Intelligence

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