CN116258682A - 基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法 - Google Patents

基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法 Download PDF

Info

Publication number
CN116258682A
CN116258682A CN202310022305.1A CN202310022305A CN116258682A CN 116258682 A CN116258682 A CN 116258682A CN 202310022305 A CN202310022305 A CN 202310022305A CN 116258682 A CN116258682 A CN 116258682A
Authority
CN
China
Prior art keywords
solder paste
area
model
yolov7
pspnet
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
CN202310022305.1A
Other languages
English (en)
Inventor
李寄强
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.)
Hunan Keboqiang Electronic Technology Co ltd
Original Assignee
Hunan Keboqiang Electronic Technology 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 Hunan Keboqiang Electronic Technology Co ltd filed Critical Hunan Keboqiang Electronic Technology Co ltd
Priority to CN202310022305.1A priority Critical patent/CN116258682A/zh
Publication of CN116258682A publication Critical patent/CN116258682A/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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/70—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
    • G06V10/82—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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30141—Printed circuit board [PCB]
    • 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
    • G06T2207/30152—Solder
    • 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)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Electric Connection Of Electric Components To Printed Circuits (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，首先将采集到的PCB电路板图像进行图像预处理，标注出图像中的锡膏区域，分别制作锡膏区域目标检测和语义分割数据集；然后使用改进的YOLOv7对目标检测数据集进行训练并得到用于检测电路板图像中锡膏区域位置的定位模型；用PSPNet训练语义分割训练集得到能精细分割锡膏区域的分割模型；测试时将图像先经定位模型检测出锡膏区域位置，传给分割模型后进一步分割出锡膏区域，最后计算分割出的锡膏区域面积来判断锡膏缺陷的类型。本发明能准确检测出锡膏的多锡、少锡、连锡缺陷类型，便于生产线根据缺陷类型及时调整给锡量，解决了锡膏印刷缺陷检查困难的难题，提升了PCB生产自动化和产品质量水平。

Description

基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法
技术领域
本发明涉及PCB电路板缺陷检测领域，具体涉及一种基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法。
背景技术
在电子产品、电气产品的生产过程中，PCB电路板是其中重要的零部件，对PCB板的质量监测在生产质检中十分重要。其中，锡膏印刷机在印刷时容易出现错位的现象，导致各种锡膏缺陷，生产出的PCB电路板达不到质量要求。
传统的PCB质检主要由人工完成，工人在生产线上检查PCB电路板的生产情况，剔除不合格的产品，耗时长且工作量巨大，不利于自动化生产线的发展。此外，随着PCB技术的快速发展，PCB电路板的体积也在不断缩小，电路板上的锡膏区域尺寸也大幅减小，人工质检难以检查出小尺寸缺陷。基于自动化生产的需求和计算机视觉研究的深入，特别是深度学习技术的出现，相关技术在PCB质检中的应用逐渐展开，但面对PCB电路板目标密集且尺寸小的检测任务，现有检测方法仍普适性较差。
发明内容
为解决上述问题，本发明提供了一种基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，用于PCB电路板锡膏缺陷检测，可以关注到锡膏缺陷的边缘和轮廓，提高对PCB电路板上小目标缺陷检测的准确性，通过自动化检测方法检测出锡膏缺陷的多锡、少锡、连锡缺陷类型，及时调整生产线的给锡量，解决了锡膏印刷缺陷检查困难的难题，提升PCB板生产的自动化和产品质量水平。
实现本发明目的的技术方案如下：
一种基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，包括如下步骤：
步骤一、数据集制作，将采集到的PCB电路板图像进行图像预处理，标注出图像中的锡膏区域，分别制作锡膏区域的目标检测数据集和语义分割数据集；
步骤二、定位模型训练，使用改进的YOLOv7对目标检测数据集进行训练并得到用于检测电路板图像中锡膏区域位置的定位模型，用于实现对锡膏区域的粗定位；
步骤三、分割模型训练，将锡膏区域语义分割数据集作为输入用于PSPNet模型训练，得到能精细分割锡膏区域的分割模型；
步骤四、缺陷类型判断，测试时将图像先经定位模型检测出锡膏区域大致位置，传给分割模型后进一步分割出锡膏区域，最后计算分割出的锡膏区域面积来判断锡膏缺陷的类型。
作为本发明再进一步的方案，所述步骤一中，具体包括以下步骤：
a、在PCB生产线用RGB相机采集PCB电路板图像；
b、对采集图像进行预处理，包括图像去噪、裁剪变换、数据增强操作，用标注工具分别对锡膏区域进行位置标注和像素级标注，制作锡膏区域目标检测数据集和语义分割的数据集，并划分训练集和测试集；
本发明在数据集制作阶段，采用RGB相机采集并进行数据预处理，可确保采集到高质量的图像数据并提高数据集制作的质量。
作为本发明再进一步的方案，所述步骤二中，具体包括以下步骤：
a、基于深度学习Pytorch框架搭建改进的YOLOv7模型，并设置超参数：学习率、最大迭代次数、训练批量大小、优化器参数、损失函数；
b、将制作好的锡膏区域目标检测训练集输入所述搭建好的改进YOLOv7模型进行训练，得到能对锡膏区域进行粗定位的定位模型；
本发明在定位模型训练阶段，基于深度学习Pytorch框架搭建改进的最新YOLOv7模型，可提高目标检测准确性和模型的迁移性。
作为本发明再进一步的方案，所述步骤三中，具体包括以下步骤：
a、基于深度学习Pytorch框架搭建PSPNet模型，并设置超参数：学习率、最大迭代次数、训练批量大小、优化器参数、损失函数；
b、将制作好的锡膏区域语义分割训练集输入所述搭建好的PSPNet模型进行训练，得到能进一步精细分割锡膏区域的分割模型；
本发明在定位模型训练阶段，基于深度学习Pytorch框架搭建PSPNet模型，可提高语义分割准确性和模型的迁移性。
作为本发明再进一步的方案，所述步骤四中，具体包括以下步骤：
a、将所述测试集输入YOLO定位模型中，实现对锡膏区域的粗定位；
b、将定位模型的输出结果按照识别出的锡膏区域进行裁剪，作为PSPNet分割模型的输入；
c、利用训练好的PSPNet分割模型对所述裁剪后的锡膏区域进一步精细分割；
d、计算分割出的锡膏区域面积并根据面积阈值判断锡膏缺陷的类型，所述的锡膏缺陷类型有多锡、少锡、连锡。
本发明在缺陷类型判断阶段，使用基于面积的规则实现对缺陷类型的判断，充分考虑了不同锡膏缺陷的差异，可提高缺陷类型判断的准确性。
作为本发明再进一步的方案，所述的锡膏区域目标检测数据集和语义分割数据集制作方法为，利用LabelImg标注软件对锡膏区域进行矩形框选制作定位级别数据集，利用Labelme标注软件对锡膏区域进行像素级标注制作语义级别数据集。
本发明在数据集制作时，分别制作了用于目标检测和语义分割的PCB电路板数据集，可为PCB质量检测任务线提供宝贵的数据库资源。
作为本发明再进一步的方案，所述的改进的YOLOv7模型，具体包括，将原始YOLOv7模型中的主干特征提取网络改进为轻量级的MobileNetV2，并增加4倍下采样层，主干特征提取网络将提取出四个有效特征层，相应地PAN模块进行特征融合和检测头预测时也增加一个尺度的特征块。
本发明采用改进的YOLOv7模型用于PCB板锡膏缺陷检测粗定位，使用轻量级骨干网络，可提高模型的迁移性，可方便迁移至工业现场应用，同时充分考虑了PCB电路板上目标密集且缺陷尺寸小的特点，对原始网络进行改进，有利于提高锡膏缺陷检测的准确性。
作为本发明再进一步的方案，使用基于面积的规则完成对缺陷类型判断的方法为，假设标准锡膏面积为S，冗余面积为r1，则锡膏面积小于(S-r1)像素面积的判定为少锡，锡膏面积大于(S+r1)像素面积的判定为连锡，面积介于两者之间的判定为多锡。
本发明提供了一种基于面积规则的判断锡膏缺陷类型的方法，针对不同类型的锡膏缺陷特点，使用面积阈值可方便地区分开不同的缺陷种类。
本发明与现有技术相比，有以下显著优点：
1、使用改进的YOLOv7模型用于PCB板锡膏缺陷检测粗定位，骨干特征提取网络采用轻量型MobileNetV2，使模型迁移性更强，同时增加四倍下采样，提高对PCB板锡膏小缺陷的检测能力，模型整体兼顾小目标缺陷检测精度的同时，使模型尽量轻量化，更符合工业应用的需求。
2、使用PSPNet语义分割模型，从像素级别分割出PCB板的锡膏区域，关注到锡膏缺陷的边缘和轮廓，能够对PCB板中的锡膏区域进行精准识别和分割。
3、针对PCB电路板上元器件复杂，锡膏区域面积小的情况，结合使用YOLOv7目标检测模型和PSPNet分割模型，先利用目标检测模型框选出锡膏区域的大致位置，再利用分割模型针对锡膏区域进一步进行精细分割，可提高对小目标锡膏缺陷的检测准确性。
4、基于面积规则判断锡膏缺陷类型，针对不同类型的锡膏缺陷特点，合理制定面积阈值精准地判定不同的缺陷种类，以便及时根据锡膏缺陷类型调整生产线的给锡量，提升PCB生产线的产品质量。
附图说明
图1为基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法流程图；
图2为改进YOLOv7目标检测模型结构图；
图3为PSPNet语义分割模型结构图；
图4为不同类型锡膏缺陷示意图。
具体实施方式
为了更清楚地说明本发明具体实施方式和技术目的，下面将结合附图对本发明案例进行具体描述。
本发明提供了一种基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，附图1为本发明案例的方法流程图，包括以下主要步骤：
步骤一、数据集制作，将采集到的PCB电路板图像进行图像预处理，标注出图像中的锡膏区域，分别制作锡膏区域目标检测数据集和语义分割数据集；具体实施过程为，在PCB生产线用RGB相机采集PCB电路板图像，对采集图像进行预处理，包括图像去噪、裁剪变换、数据增强操作，利用LabelImg标注软件对锡膏区域进行矩形框选制作目标检测数据集，利用Labelme标注软件对锡膏区域进行像素级标注制作语义分割数据集，以8：2的比例划分训练集和测试集；
步骤二、定位模型训练，使用改进的YOLOv7对定位数据集进行训练并得到用于检测电路板图像中锡膏区域位置的定位模型，用于实现对锡膏区域的粗定位；具体实施过程为，基于深度学习Pytorch框架搭建改进的YOLOv7模型，如附图2所示，所述的改进的YOLOv7模型与原始YOLOv7模型不同的是，将原始YOLOv7模型中的骨干特征提取网络改进为轻量级的MobileNetV2，并增加4倍下采样层，主干特征提取网络将提取出四个有效特征层，相应地PAN模块(PAN模块是YOLO网络中的一个模块)进行特征融合和检测头预测时也增加一个尺度的特征块；再进行超参数的设置，包括学习率、最大迭代次数、训练批量大小、优化器参数、损失函数；
将制作好的定位级别训练集输入所述搭建好的改进YOLOv7模型进行训练，观察损失函数的收敛情况，得到能对锡膏区域进行粗定位的定位模型，将模型进行存储；
步骤三、分割模型训练，将锡膏区域语义分割数据集作为输入用于PSPNet模型训练，得到能精细分割锡膏区域的分割模型，具体实施过程为，基于深度学习Pytorch框架搭建PSPNet模型，模型结构如附图3所示，在训练开始前进行超参数的设置，包括学习率、最大迭代次数、训练批量大小、优化器参数、损失函数；
将制作好的语义分割训练集输入所述搭建好的PSPNet模型进行训练，在训练过程中观察损失函数的收敛情况，得到能进一步精细分割锡膏区域的分割模型，并将模型进行存储；
步骤四、缺陷类型判断，测试时将图像先经定位模型检测出锡膏区域大致位置，传给分割模型后进一步分割出锡膏区域，最后计算分割出的锡膏区域面积来判断锡膏缺陷的类型；具体实施过程为，将所述测试集输入YOLO定位模型中，定位模型将框选出PCB电路板中的锡膏区域位置，实现对锡膏区域的粗定位；将定位模型的框选出的锡膏区域进行裁剪，作为PSPNet分割模型的输入；利用训练好的PSPNet分割模型对所述裁剪后的锡膏区域进一步精细分割；
根据分割结果图计算分割出的锡膏区域面积，并与标准锡膏面积做比较。如附图4所示为不同类型锡膏缺陷，图中展示的是剖面图，我们采集的PCB图像为锡膏的俯视图，其中假设标准锡膏面积为S，冗余面积为r1，则锡膏面积小于(S-r1)像素面积的判定为少锡，锡膏面积大于(S+r1)像素面积的判定为连锡，面积介于两者之间的判定为多锡。

Claims (9)

1.基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，其特征在于，包括以下步骤：
步骤一、数据集制作，将采集到的PCB电路板图像进行图像预处理，标注出图像中的锡膏区域，分别制作PCB板锡膏区域的目标检测数据集和语义分割数据集；
步骤二、定位模型训练，使用改进的YOLOv7对锡膏区域目标检测数据集进行训练并得到用于检测电路板图像中锡膏区域位置的定位模型，用于实现对锡膏区域的粗定位；
步骤三、分割模型训练，将锡膏区域语义分割数据集作为输入用于PSPNet模型训练，得到能精细分割锡膏区域的分割模型；
步骤四、缺陷类型判断，测试时将图像先经定位模型检测出锡膏区域大致位置，将该区域输入到分割模型中进一步对锡膏区域进行分割，最后计算分割出的锡膏区域面积来判断锡膏缺陷的类型。
2.根据权利要求1所述的基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，其特征在于，所述步骤一中，具体包括以下步骤：
a、在PCB生产线用RGB相机采集PCB电路板图像；
b、对采集图像进行预处理，包括图像去噪、裁剪变换、数据增强的操作，用标注工具分别对锡膏区域进行位置标注和像素级标注，制作锡膏区域的目标检测数据集和语义分割的数据集，并划分训练集和测试集。
3.根据权利要求1所述的基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，其特征在于，所述步骤二中，具体包括以下步骤：
a、基于深度学习Pytorch框架搭建改进的YOLOv7模型，并设置超参数：学习率、最大迭代次数、训练批量大小、优化器参数、损失函数；
b、将制作好的锡膏区域目标检测训练集输入所述搭建好的改进YOLOv7模型进行训练，得到能对锡膏区域进行粗定位的定位模型。
4.根据权利要求1所述的基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，其特征在于，所述步骤三中，具体包括以下步骤：
a、基于深度学习Pytorch框架搭建PSPNet模型，并设置超参数：学习率、最大迭代次数、训练批量大小、优化器参数、损失函数；
b、将制作好的锡膏区域语义分割训练集输入所述搭建好的PSPNet模型进行训练，得到能进一步精细分割锡膏区域的分割模型。
5.根据权利要求1所述的基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，其特征在于，所述步骤四中，具体包括以下步骤：
a、将所述测试集输入YOLO定位模型中，实现对锡膏区域的粗定位；
b、将定位模型的输出结果按照识别出的锡膏区域进行裁剪，作为PSPNet分割模型的输入；
c、利用训练好的PSPNet分割模型对所述裁剪后的锡膏区域进一步精细分割；
d、计算分割出的锡膏区域面积并根据面积阈值判断锡膏缺陷的类型。
6.根据权利要求1所述的基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，其特征在于，所述的锡膏区域目标检测数据集和语义分割数据集制作方法为，利用LabelImg标注软件对锡膏区域进行矩形框选制作目标检测数据集，利用Labelme标注软件对锡膏区域进行像素级标注制作语义分割数据集。
7.根据权利要求1所述的基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，其特征在于，所述的改进的YOLOv7模型，具体包括，将原始YOLOv7模型中的主干特征提取网络改进为轻量级的MobileNetV2，并增加4倍下采样层，主干特征提取网络将提取出四个有效特征层，相应地PAN模块进行特征融合和检测头预测时也增加一个尺度的特征块。
8.根据权利要求1所述的基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，其特征在于，所述的缺陷类型有多锡、少锡、连锡。
9.根据权利要求1所述的基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，其特征在于，标准锡膏面积为S，冗余面积为r1，锡膏面积小于(S-r1)像素面积的判定为少锡，锡膏面积大于(S+r1)像素面积的判定为连锡，面积介于两者之间的判定为多锡。
CN202310022305.1A 2023-01-07 2023-01-07 基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法 Pending CN116258682A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310022305.1A CN116258682A (zh) 2023-01-07 2023-01-07 基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310022305.1A CN116258682A (zh) 2023-01-07 2023-01-07 基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法

Publications (1)

Publication Number Publication Date
CN116258682A true CN116258682A (zh) 2023-06-13

Family

ID=86683581

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310022305.1A Pending CN116258682A (zh) 2023-01-07 2023-01-07 基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法

Country Status (1)

Country Link
CN (1) CN116258682A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115114A (zh) * 2023-08-29 2023-11-24 南京晓庄学院 基于yolo的电力电子器件生产工艺目标识别与缺陷检测方法
CN117152123A (zh) * 2023-10-12 2023-12-01 深圳正实自动化设备有限公司 一种用于锡膏印刷的检测定位优化方法、系统及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115114A (zh) * 2023-08-29 2023-11-24 南京晓庄学院 基于yolo的电力电子器件生产工艺目标识别与缺陷检测方法
CN117115114B (zh) * 2023-08-29 2024-01-30 南京晓庄学院 基于yolo的电力电子器件生产工艺目标识别与缺陷检测方法
CN117152123A (zh) * 2023-10-12 2023-12-01 深圳正实自动化设备有限公司 一种用于锡膏印刷的检测定位优化方法、系统及存储介质
CN117152123B (zh) * 2023-10-12 2024-01-30 深圳正实自动化设备有限公司 一种用于锡膏印刷的检测定位优化方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
CN110992317B (zh) 一种基于语义分割的pcb板缺陷检测方法
CN116258682A (zh) 基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法
CN107085846B (zh) 工件表面缺陷图像识别方法
CN110443791B (zh) 一种基于深度学习网络的工件检测方法及其检测装置
CN112614105B (zh) 一种基于深度网络的3d点云焊点缺陷检测方法
CN111738994B (zh) 一种轻量级的pcb缺陷检测方法
WO2024002187A1 (zh) 缺陷检测方法、缺陷检测设备及存储介质
CN115272204A (zh) 一种基于机器视觉的轴承表面划痕检测方法
CN113222938A (zh) 芯片缺陷检测方法及系统与计算机可读存储介质
CN113409250A (zh) 一种基于卷积神经网络的焊点检测方法
CN102074031A (zh) 一种印刷电路板外观检查机的建标方法
CN113627435A (zh) 一种瓷砖的瑕疵检测与识别方法及系统
CN111507249A (zh) 基于目标检测的变电站鸟窝识别方法
CN109657682B (zh) 一种基于深度神经网络和多阈值软切分的电能表示数识别方法
CN114663382A (zh) 基于YOLOv5卷积神经网络的电子元器件表面缺陷检测方法
CN112381794B (zh) 一种基于深度卷积生成网络的印刷缺陷检测方法
CN117351472A (zh) 烟叶信息检测方法、装置及电子设备
CN115830302B (zh) 一种多尺度特征提取融合配电网设备定位识别方法
CN116958052A (zh) 一种基于yolo和注意力机制的印刷电路板缺陷检测方法
CN115587989B (zh) 一种工件ct图像缺陷检测分割方法及系统
CN116542962A (zh) 一种基于改进Yolov5m模型光伏电池缺陷检测方法
CN113222947B (zh) 一种非金属材料焊接缺陷智能检测方法及系统
CN113487570A (zh) 基于改进的yolov5x网络模型的高温连铸坯表面缺陷检测方法
Chang et al. Research on PCB solder joint defect detection method based on machine vision

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