CN116402745A - 一种智能化控制pcb分板切割的方法及系统 - Google Patents

一种智能化控制pcb分板切割的方法及系统 Download PDF

Info

Publication number
CN116402745A
CN116402745A CN202310088697.1A CN202310088697A CN116402745A CN 116402745 A CN116402745 A CN 116402745A CN 202310088697 A CN202310088697 A CN 202310088697A CN 116402745 A CN116402745 A CN 116402745A
Authority
CN
China
Prior art keywords
pcb
image data
numerical control
image
cutting
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.)
Granted
Application number
CN202310088697.1A
Other languages
English (en)
Other versions
CN116402745B (zh
Inventor
陈兵
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.)
Suzhou Kastek Automation Equipment Co ltd
Original Assignee
Suzhou Kastek Automation Equipment 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 Suzhou Kastek Automation Equipment Co ltd filed Critical Suzhou Kastek Automation Equipment Co ltd
Priority to CN202310088697.1A priority Critical patent/CN116402745B/zh
Publication of CN116402745A publication Critical patent/CN116402745A/zh
Application granted granted Critical
Publication of CN116402745B publication Critical patent/CN116402745B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V10/77—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
    • 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]
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本公开提供了一种智能化控制PCB分板切割的方法及系统，涉及数据处理技术领域，该方法包括：通过图像采集单元对PCB实物进行循环移动扫描，获取PCB图像数据；对所述PCB图像数据进行拼接融合，获取完整PCB图像数据；构建分板数控模型；将所述完整PCB图像数据输入所述分板数控模型中，输出待切割位置特征信息和特征点信息；将所述待切割位置特征信息和所述特征点信息发送至分板数控系统，通过分板数控系统控制分板机对所述PCB实物进行切割。解决了现有技术中存在的由于没有实现智能化的PCB分板切割，进而导致人工依赖程度较高，且切割效率和切割精度不足的技术问题，实现了对PCB的智能化切割，同时提高了切割效率和切割精度。

Description

一种智能化控制PCB分板切割的方法及系统
技术领域
本公开涉及数据处理技术领域，具体涉及一种智能化控制PCB分板切割的方法及系统。
背景技术
现阶段国内分板系统大多采用CCD辅助人眼示教或DXF导入方式编程，其中CCD示教方式易引起视觉疲劳，从而造成看错切割位置点，且需要花费较多编程时间，不利于流水线的快速换线。DXF文件导入方式需要客户提供合适版本的GERBER文件并利用CAD及同类绘图软件绘制轨迹后生成切割文件，此方式可线外编程，但需借助第三方绘图软件绘制，对操作人员有一定的绘图技能要求，适用性不够广泛，且上机后需要导入校正位置点以匹配机台坐标系，对人工依赖性较高。
目前，现有技术中存在由于没有实现智能化的PCB分板切割，进而导致人工依赖程度较高，且切割效率和切割精度不足的技术问题。
发明内容
本公开提供了一种智能化控制PCB分板切割的方法及系统，用以解决现有技术中存在的由于没有实现智能化的PCB分板切割，进而导致人工依赖程度较高，且切割效率和切割精度不足的技术问题。
根据本公开的第一方面，提供了一种智能化控制PCB分板切割的方法，包括：通过图像采集单元对PCB实物进行循环移动扫描，获取PCB图像数据；对所述PCB图像数据进行拼接融合，获取完整PCB图像数据；构建分板数控模型；将所述完整PCB图像数据输入所述分板数控模型中，输出待切割位置特征信息和特征点信息；将所述待切割位置特征信息和所述特征点信息发送至分板数控系统，通过分板数控系统控制分板机对所述PCB实物进行切割。
根据本公开的第二方面，提供了一种智能化控制PCB分板切割的系统，包括：图像数据采集模块，所述图像数据采集模块用于通过图像采集单元对P CB实物进行循环移动扫描，获取PCB图像数据；图像拼接融合模块，所述图像拼接融合模块用于对所述PCB图像数据进行拼接融合，获取完整PCB图像数据；分板数控模型构建模块，所述分板数控模型构建模块用于构建分板数控模型；切割数据输出模块，所述切割数据输出模块用于将所述完整PCB图像数据输入所述分板数控模型中，输出待切割位置特征信息和特征点信息；切割控制模块，所述切割控制模块用于将所述待切割位置特征信息和所述特征点信息发送至分板数控系统，通过分板数控系统控制分板机对所述PCB实物进行切割。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法。
根据本公开采用的一种智能化控制PCB分板切割的方法，通过图像采集单元对PCB实物进行循环移动扫描，获取PCB图像数据；对所述PCB图像数据进行拼接融合，获取完整PCB图像数据；构建分板数控模型；将所述完整PCB图像数据输入所述分板数控模型中，输出待切割位置特征信息和特征点信息；将所述待切割位置特征信息和所述特征点信息发送至分板数控系统，通过分板数控系统控制分板机对所述PCB实物进行切割，本公开通过对PCB实物进行循环阵列扫描，得到PCB图像数据，对PCB图像数据进行图像处理，经过对图像的拼接和融合，获取完整PCB图像数据，进一步得到样本图像训练集合对基于卷积神经网络的分板数控模型进行训练，得到训练至收敛的分板数控模型，将完整PCB图像数据输入分板数控模型中，输出待切割位置特征信息和特征点信息，达到智能化控制PCB分板切割，提高切割效率和切割精度的技术效果。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本公开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示例性的，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，还可以根据提供的附图获得其他的附图。
图1为本公开实施例提供的一种智能化控制PCB分板切割的方法的流程示意图；
图2为本公开实施例提供的一种智能化控制PCB分板切割的系统的结构示意图；
图3为本公开实施例提供的一种电子设备的结构示意图。
附图标记说明：图像数据采集模块11，图像拼接融合模块12，分板数控模型构建模块13，切割数据输出模块14，切割控制模块15，电子设备800，处理器801，存储器802，总线803。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
为了解决现有技术中存在的由于没有实现智能化的PCB分板切割，进而导致人工依赖程度较高，且切割效率和切割精度不足的技术问题，本公开的发明人经过创造性的劳动，得到了本公开的一种智能化控制PCB分板切割的方法及系统。
实施例一
图1为本申请实施例提供的一种智能化控制PCB分板切割的方法图，如图1所示，所述方法包括：
步骤S100：通过图像采集单元对PCB实物进行循环移动扫描，获取PCB图像数据；
其中，所述通过所述图像采集单元对所述PCB实物进行循环移动扫描，获取PCB图像数据，本申请实施例步骤S100包括：
步骤S110：获取PCB尺寸参数集合；
步骤S120：根据所述PCB尺寸参数集合编写循环移动扫描阵列，获得循环移动扫描阵列集合，所述PCB尺寸参数集合和所述循环移动扫描阵列集合具有对应关系；
步骤S130：获取所述PCB实物的尺寸信息；
步骤S140：根据所述尺寸信息在所述PCB尺寸参数集合中进行尺寸匹配，获得匹配尺寸参数；
步骤S150：根据所述匹配尺寸参数和所述对应关系，在所述循环移动扫描阵列集合中进行匹配，获得匹配循环移动扫描阵列；
步骤S160：根据所述匹配循环移动扫描阵列对所述PCB实物进行循环移动扫描，获取所述PCB图像数据。
具体而言，上述的图像采集单元是用于对PCB实物进行图像采集的视觉硬件系统(例如：CCD和LED)，循环移动扫描就是按一定的顺序，周而复始的对PCB实物进行图像采集的过程，循环移动的顺序可以自行设定，每一次循环移动后，都可以获得一个图像数据，基于此，获得的多个图像数据即为P CB图像数据。
具体地，首先获取PCB尺寸参数集合，PCB尺寸参数集合中包括多个不同大小的PCB尺寸参数，基于PCB尺寸参数集合编写循环移动扫描阵列，获得循环移动扫描阵列集合，循环移动扫描阵列是指图像采集单元的移动过程，示例如，从最外圈向最内圈移动，直到移动最内圈后，重新返回到最外圈进行下一次的循环扫描，这样可以采集到PCB的全部图像信息，防止图像数据采集不完整，影响切割精度，尺寸不同的PCB对应的循环移动扫描阵列不同，比如说，尺寸较大的PCB，可以扩大循环扫描的范围，循环移动扫描阵列集合中包含多个不同尺寸的PCB对应的循环移动扫描阵列，也就是说，PCB尺寸参数集合和循环移动扫描阵列集合具有对应关系，PCB尺寸参数集合中的一个数据对应循环移动扫描阵列集合中的一个数据。进一步地，获取PCB实物的尺寸信息，根据PCB实物的尺寸信息在PCB尺寸参数集合中进行匹配，筛选出与PCB实物的尺寸信息相同的匹配尺寸参数，根据筛选出的匹配尺寸参数，在循环移动扫描阵列集合中再筛选出与匹配尺寸参数对应的匹配循环移动扫描阵列，以循环移动扫描阵列为基准，对PCB实物进行循环移动扫描，获取PCB图像数据，达到准确采集PCB的全部图像信息，为后续的切割控制提供基础数据的技术效果。
步骤S200：对所述PCB图像数据进行拼接融合，获取完整PCB图像数据；
其中，所述对所述PCB图像数据进行拼接融合，获取完整PCB图像数据，本申请实施例步骤S200包括：
步骤S210：对所述PCB图像数据进行去噪处理，获得去噪图像数据；
步骤S220：对所述去噪图像数据进行图像识别，获得多个图像重合点；
步骤S230：根据所述多个图像重合点对所述去噪图像数据进行拼接融合，获得完整PCB图像数据。
具体而言，获取到的PCB图像数据中包含多个单幅图像数据，每一个单幅图像数据中只含有PCB实物的一小部分，需要将所有的单幅图像数据拼接融合，得到一个完整的PCB实物图像，即为完整PCB图像数据。
具体地，首先对PCB图像数据进行去噪处理，获得去噪图像数据，图像去噪是指减少数字图像中噪声的过程。现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，使得获取到的图像含有噪声，可以通过均值滤波器、中值滤波器、小波去噪等方法对PCB图像数据进行去噪处理，获取去噪图像数据，然后可以对去噪图像数据进行拼接融合。图像拼接融合简单的理解就是将数张有重叠部分的图像拼成一幅无缝的全景图或高分辨率图像，这些有重叠部分的图像可能是不同时间、不同视角或者不同传感器获得的图像，图像拼接的输出是多个输入图像的并集，多个图像重合点就是指去噪图像数据中多个图像的重叠部分，以多个图像重合点为基准，将去噪图像数据中多个图像拼接融合起来，就可以获得完整PCB图像数据，通过对PC B图像数据进行去噪处理、拼接融合，达到保证获得的PCB图像的准确性，提升分板切割精度的效果。
步骤S300：构建分板数控模型；
其中，所述构建分板数控模型，本申请实施例步骤S300包括：
步骤S310：获取样本训练数据集，其中，所述样本训练数据集包括样本图像和与样本图像对应的切割位置特征信息和特征点信息；
步骤S320：基于CNN卷积神经网络构建所述分板数控模型；
步骤S330：通过所述样本训练数据集对所述分板数控模型进行训练、测试，获取准确率符合预设要求的分板数控模型。
其中，所述获取样本训练数据集，本申请实施例步骤S310包括：
步骤S311：获得多个PCB实物，所述多个PCB实物尺寸不同；
步骤S312：通过所述图像采集单元对所述多个PCB实物进行循环移动扫描，获得循环扫描图像数据集；
步骤S313：对所述循环扫描图像数据集进行拼接融合，获得所述样本图像；
步骤S314：对融合后图像进行切割位置特征和特征点信息的提取，获得所述样本图像对应的切割位置特征信息和特征点信息；
步骤S315：根据所述样本图像和所述切割位置特征和特征点信息，获得所述样本训练数据集。
具体而言，分板数控模型是用于对完整PCB图像数据进行识别分析，获得待切割位置特征信息和特征点信息的功能模型，特征点信息是指PCB上定位所有电路特征的位置信息，待切割位置特征信息是指进行PCB分板切割的位置信息。
具体地，构建分半数控模型，首先获取样本训练数据集，样本训练数据集包括样本图像和与样本图像对应的切割位置特征信息和特征点信息，上述的样本图像与前述的完整PCB图像是一致的，基于CNN卷积神经网络构建所述分板数控模型，CNN卷积神经网络是进行图像识别、图像分类的神经网络，CN N图像分类采用一个输入图像，对其进行处理，并将其分类到特定的类别中，简单来说，就是对样本图像进行处理，将输入的样本图像进行分类，每一个类别对应的切割位置特征信息和特征点信息是不同的，通过样本训练数据集对分板数控模型进行训练、测试，可以将样本训练数据集中的数据划分为两部分，分别是训练数据集和测试数据集，通过训练数据集对分板数控模型进行训练，使得分板数控模型输出与样本图像对应的切割位置特征信息和特征点信息，然后通过测试数据集对分板数控模型的预测识别准确率进行测试，获取准确率符合预设要求的分板数控模型，预设要求是指对测试准确率的要求，只有测试准确率符合预设要求，分板数控模型构建完成，否则需要重新训练，直到测试准确率符合预设要求为止，通过构建分板数控模型，实现对切割位置信息和特征点的智能化分析，达到降低CB分板切割过程中的人工依赖程度，提高分板切割效率的技术效果。
具体地，获取样本训练数据集的过程如下：获取多个PCB实物，多个PC B实物的尺寸不同，通过图像采集单元分别对多个PCB实物进行循环移动扫描，获得循环扫描图像数据集，循环扫描图像数据集中包含每个PCB实物对应的多个循环扫描图像，对每个PCB实物对应的多个循环扫描图像进行图像拼接融合，拼接融合后的图像即为样本图像。对拼接融合后的图像进行切割位置特征和特征点信息的提取，简单来说，样本训练数据集中的PCB实物对应的切割位置特征信息和特征点信息是根据实际PCB图像进行分析得到的，以样本训练数据集中的样本图像、样本图像对应的切割位置特征信息和特征点信息对分板数控模型进行训练，实现根据PCB图像对切割位置特征信息和特征点信息进行自动识别的效果。
步骤S400：将所述完整PCB图像数据输入所述分板数控模型中，输出待切割位置特征信息和特征点信息；
具体而言，分板数控模型是用于通过对完整PCB图像数据进行识别分析获得待切割位置特征信息和特征点信息的功能模型，分板数控模型的输入数据是完整PCB图像数据，输出数据是待切割位置特征信息和特征点信息，待切割位置特征信息和特征点信息是用于控制分板机进行分板切割的信息，以此实现对待切割位置特征信息和特征点信息的自动识别。
步骤S500：将所述待切割位置特征信息和所述特征点信息发送至分板数控系统，通过分板数控系统控制分板机对所述PCB实物进行切割。
其中，所述将所述待切割位置特征信息和所述特征点信息发送至分板数控系统，通过分板数控系统控制分板机对所述PCB实物进行切割，本申请实施例步骤S500包括：
步骤S510：获取所述待切割位置特征信息和所述特征点信息的图像坐标位置；
步骤S520：构建机械坐标系；
步骤S530：确定图像坐标系与所述机械坐标系之间的转换关系；
步骤S540：根据所述转换关系将所述图像位置坐标转换为机械坐标位置；
步骤S550：根据所述机械坐标位置控制所述分板机对所述PCB实物进行切割。
具体而言，待切割位置特征信息和特征点信息用于控制分板机进行分板切割的信息，直接决定了分板机的切割结果，将获取到的待切割位置特征信息和特征点信息发送至分板数控系统，分板数控系统是用于控制分板机进行切割的系统平台，通过分板数控系统控制分板机对PCB实物进行切割。
具体地，首先获取待切割位置特征信息和特征点信息的图像坐标位置，图像坐标位置是指待切割位置特征信息和特征点信息在完整PCB图像上的位置坐标，简单来说，就是在完整PCB图像上构建一个图像坐标系，确定待切割位置特征信息和特征点信息在图像坐标系中的坐标位置。进一步地，构建机械坐标系，机械坐标系是指分板机进行切割时的用于控制分板机机头的坐标系，构建机械坐标系一般是以分板机切割工作台的一个固定的点为原点，以分板机机头水平左右移动的方向为X轴，以分板机机头水平前后移动的方向为Y轴，Z轴为分板机机头至工作台的高度，基于此，确定图像坐标系与机械坐标系之间的转换关系，即如何将图像坐标系转换为机械坐标系，从而将图像位置坐标转换为机械坐标位置，进而根据机械坐标位置控制分板机对PCB实物进行切割，达到对PCB进行智能化切割，同时提高切割效率和切割精度的技术效果。
其中，本申请实施例步骤S600还包括：
步骤S610：对分板机机头进行图像数据采集，获取机头图像数据；
步骤S620：对所述机头图像数据进行特征识别，根据识别结果进行损耗分析，获取机头损耗数据；
步骤S630：根据所述机头损耗数据判断是否需要更换机头，如果需要，激活机头更换指令；
步骤S640：通过所述机头更换指令生成机头更换辅助信息。
具体而言，分板机机头是用于进行分板切割的重要结构，分板机机头可能由于长时间使用存在损耗，比如生锈、卷边、机头破裂等情况，因此，需要对分板机机头进行图像数据采集，可以通过智能摄像头、摄像机等设备进行图像采集，从而获取机头图像数据，进一步对机头图像数据进行特征识别，识别出机头是否存在生锈、卷边、机头破裂等损耗情况，可以选择通过卷积核进行识别，寻找出一些带有生锈、卷边、机头破裂等损耗情况的机头图像，分别计算卷积核，通过比对卷积核的大小确定机头图像是否存在损耗，根据识别结果进行损耗分析，分析得出机头的损耗程度，对损耗程度进行量化表示，获取损耗程度指数，损耗程度指数即为机头损耗数据，根据机头损耗数据判断是否需要更换机头，如果需要，激活机头更换指令，在这里，可以预设一个机头损耗程度指数要求，如果损耗程度指数不满足预设机头损耗程度指数要求，激活机头更换指令，机头更换指令是用于控制机头更换的指令，当机头更换指令被激活时，就会生成机头更换辅助信息，机头更换辅助信息用于提醒工作人员进行机头的更换。通过分板机机头图像进行分析，当机头损坏程度较高时进行更换，达到提高分板机切割精度的技术效果。
基于上述分析可知，本公开提供了一种智能化控制PCB分板切割的方法，在本实施例中，通过对PCB实物进行循环阵列扫描，得到PCB图像数据，对PCB图像数据进行图像处理，经过对图像的拼接和融合，获取完整PCB图像数据，进一步得到样本图像训练集合对基于卷积神经网络的分板数控模型进行训练，得到训练至收敛的分板数控模型，将完整PCB图像数据输入分板数控模型中，输出待切割位置特征信息和特征点信息，达到智能化控制PCB分板切割，提高切割效率和切割精度的技术效果。
实施例二
基于与前述实施例中一种智能化控制PCB分板切割的方法同样的发明构思，如图2所示，本申请还提供了一种智能化控制PCB分板切割的系统，所述系统包括：
图像数据采集模块11，所述图像数据采集模块11用于通过图像采集单元对PCB实物进行循环移动扫描，获取PCB图像数据；
图像拼接融合模块12，所述图像拼接融合模块12用于对所述PCB图像数据进行拼接融合，获取完整PCB图像数据；
分板数控模型构建模块13，所述分板数控模型构建模块13用于构建分板数控模型；
切割数据输出模块14，所述切割数据输出模块14用于将所述完整PCB图像数据输入所述分板数控模型中，输出待切割位置特征信息和特征点信息；
切割控制模块15，所述切割控制模块15用于将所述待切割位置特征信息和所述特征点信息发送至分板数控系统，通过分板数控系统控制分板机对所述PCB实物进行切割。
进一步而言，所述系统还包括：
PCB尺寸参数集合模块，所述PCB尺寸参数集合获取模块用于获取PCB尺寸参数集合；
循环移动扫描阵列编写模块，所述循环移动扫描阵列编写模块用于根据所述PCB尺寸参数集合编写循环移动扫描阵列，获得循环移动扫描阵列集合，所述PCB尺寸参数集合和所述循环移动扫描阵列集合具有对应关系；
尺寸信息获取模块，所述尺寸信息获取模块用于获取所述PCB实物的尺寸信息；
尺寸匹配模块，所述尺寸匹配模块用于根据所述尺寸信息在所述PCB尺寸参数集合中进行尺寸匹配，获得匹配尺寸参数；
循环移动扫描阵列匹配模块，所述循环移动扫描阵列匹配模块用于根据所述匹配尺寸参数和所述对应关系，在所述循环移动扫描阵列集合中进行匹配，获得匹配循环移动扫描阵列；
循环移动扫描模块，所述循环移动扫描模块用于根据所述匹配循环移动扫描阵列对所述PCB实物进行循环移动扫描，获取所述PCB图像数据。
进一步而言，所述系统还包括：
图像去噪模块，所述图像去噪模块用于对所述PCB图像数据进行去噪处理，获得去噪图像数据；
图像重合点获取模块，所述图像重合点获取模块用于对所述去噪图像数据进行图像识别，获得多个图像重合点；
完整PCB图像数据获取模块，所述完整PCB图像数据获取模块用于根据所述多个图像重合点对所述去噪图像数据进行拼接融合，获得完整PCB图像数据。
进一步而言，所述系统还包括：
样本训练数据集获取模块，所述样本训练数据集获取模块用于获取样本训练数据集，其中，所述样本训练数据集包括样本图像和与样本图像对应的切割位置特征信息和特征点信息；
模型构建模块，所述模型构建模块用于基于CNN卷积神经网络构建所述分板数控模型；
训练测试模块，所述训练、测试模块用于通过所述样本训练数据集对所述分板数控模型进行训练、测试，获取准确率符合预设要求的分板数控模型。
进一步而言，所述系统还包括：
PCB样本获取模块，所述PCB样本获取模块用于获得多个PCB实物，所述多个PCB实物尺寸不同；
循环扫描图像数据集获取模块，所述循环扫描图像数据集获取模块用于通过所述图像采集单元对所述多个PCB实物进行循环移动扫描，获得循环扫描图像数据集；
样本图像获取模块，所述样本图像获取模块用于对所述循环扫描图像数据集进行拼接融合，获得所述样本图像；
特征提取模块，所述特征提取模块用于对融合后图像进行切割位置特征和特征点信息的提取，获得所述样本图像对应的切割位置特征信息和特征点信息；
数据整合模块，所述数据整合模块用于根据所述样本图像和所述切割位置特征和特征点信息，获得所述样本训练数据集。
进一步而言，所述系统还包括：
图像坐标位置获取模块，所述图像坐标位置获取模块用于获取所述待切割位置特征信息和所述特征点信息的图像坐标位置；
机械坐标系构建模块，所述机械坐标系构建模块用于构建机械坐标系；
转换关系确定模块，所述转换关系确定模块用于确定图像坐标系与所述机械坐标系之间的转换关系；
机械坐标位置获取模块，所述机械坐标位置获取模块用于根据所述转换关系将所述图像位置坐标转换为机械坐标位置；
PCB实物切割模块，所述PCB实物切割模块用于根据所述机械坐标位置控制所述分板机对所述PCB实物进行切割。
进一步而言，所述系统还包括：
机头图像数据采集模块，所述机头图像数据采集模块用于对分板机机头进行图像数据采集，获取机头图像数据；
机头损耗分析模块，所述机头损耗分析模块用于对所述机头图像数据进行特征识别，根据识别结果进行损耗分析，获取机头损耗数据；
机头更换指令激活模块，所述机头更换指令激活模块用于根据所述机头损耗数据判断是否需要更换机头，如果需要，激活机头更换指令；
机头更换辅助信息生成模块，所述机头更换辅助信息生成模块用于通过所述机头更换指令生成机头更换辅助信息。
前述实施例一中的一种智能化控制PCB分板切割的方法具体实例同样适用于本实施例的一种智能化控制PCB分板切割的系统，通过前述对一种智能化控制PCB分板切割的方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种智能化控制PCB分板切割的系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
实施例三
图3是根据本公开第三实施例的示意图，如图3所示，本公开中的电子设备800可以包括：处理器801和存储器802。
存储器802，用于存储程序；存储器802，可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)，如静态随机存取存储器(英文：static random-access memory，缩写：SRAM)，双倍数据率同步动态随机存取存储器(英文：Double Data Rate Synchronous Dynamic RandomAccess Memory，缩写：DDR SDRAM)等；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)。存储器802用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器802中。并且上述的计算机程序、计算机指令、数据等可以被处理器801调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器802中。并且上述的计算机程序、计算机指据等可以被处理器801调用。
处理器801，用于执行存储器802存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。
具体可以参见前面方法实施例中的相关描述。
处理器801和存储器802可以是独立结构，也可以是集成在一起的集成结构。当处理器801和存储器802是独立结构时，存储器802、处理器801可以通过总线803耦合连接。
本实施例的电子设备可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行，也可以顺序地执行也可以不同的次序执行，
只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (9)

1.一种智能化控制PCB分板切割的方法，其特征在于，所述方法包括：
通过图像采集单元对PCB实物进行循环移动扫描，获取PCB图像数据；
对所述PCB图像数据进行拼接融合，获取完整PCB图像数据；
构建分板数控模型；
将所述完整PCB图像数据输入所述分板数控模型中，输出待切割位置特征信息和特征点信息；
将所述待切割位置特征信息和所述特征点信息发送至分板数控系统，通过分板数控系统控制分板机对所述PCB实物进行切割。
2.如权利要求1所述的方法，其特征在于，所述通过所述图像采集单元对所述PCB实物进行循环移动扫描，获取PCB图像数据，包括：
获取PCB尺寸参数集合；
根据所述PCB尺寸参数集合编写循环移动扫描阵列，获得循环移动扫描阵列集合，所述PCB尺寸参数集合和所述循环移动扫描阵列集合具有对应关系；
获取所述PCB实物的尺寸信息；
根据所述尺寸信息在所述PCB尺寸参数集合中进行尺寸匹配，获得匹配尺寸参数；
根据所述匹配尺寸参数和所述对应关系，在所述循环移动扫描阵列集合中进行匹配，获得匹配循环移动扫描阵列；
根据所述匹配循环移动扫描阵列对所述PCB实物进行循环移动扫描，获取所述PCB图像数据。
3.如权利要求1所述的方法，其特征在于，所述对所述PCB图像数据进行拼接融合，获取完整PCB图像数据，包括：
对所述PCB图像数据进行去噪处理，获得去噪图像数据；
对所述去噪图像数据进行图像识别，获得多个图像重合点；
根据所述多个图像重合点对所述去噪图像数据进行拼接融合，获得完整PCB图像数据。
4.如权利要求1所述的方法，其特征在于，所述构建分板数控模型，包括：
获取样本训练数据集，其中，所述样本训练数据集包括样本图像和与样本图像对应的切割位置特征信息和特征点信息；
基于CNN卷积神经网络构建所述分板数控模型；
通过所述样本训练数据集对所述分板数控模型进行训练、测试，获取准确率符合预设要求的分板数控模型。
5.如权利要求3所述的方法，其特征在于，所述获取样本训练数据集，包括：
获得多个PCB实物，所述多个PCB实物尺寸不同；
通过所述图像采集单元对所述多个PCB实物进行循环移动扫描，获得循环扫描图像数据集；
对所述循环扫描图像数据集进行拼接融合，获得所述样本图像；
对融合后图像进行切割位置特征和特征点信息的提取，获得所述样本图像对应的切割位置特征信息和特征点信息；
根据所述样本图像和所述切割位置特征和特征点信息，获得所述样本训练数据集。
6.如权利要求1所述的方法，其特征在于，所述将所述待切割位置特征信息和所述特征点信息发送至分板数控系统，通过分板数控系统控制分板机对所述PCB实物进行切割，包括：
获取所述待切割位置特征信息和所述特征点信息的图像坐标位置；
构建机械坐标系；
确定图像坐标系与所述机械坐标系之间的转换关系；
根据所述转换关系将所述图像位置坐标转换为机械坐标位置；
根据所述机械坐标位置控制所述分板机对所述PCB实物进行切割。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
对分板机机头进行图像数据采集，获取机头图像数据；
对所述机头图像数据进行特征识别，根据识别结果进行损耗分析，获取机头损耗数据；
根据所述机头损耗数据判断是否需要更换机头，如果需要，激活机头更换指令；
通过所述机头更换指令生成机头更换辅助信息。
8.一种智能化控制PCB分板切割的系统，其特征在于，所述系统包括：
图像数据采集模块，所述图像数据采集模块用于通过图像采集单元对PC B实物进行循环移动扫描，获取PCB图像数据；
图像拼接融合模块，所述图像拼接融合模块用于对所述PCB图像数据进行拼接融合，获取完整PCB图像数据；
分板数控模型构建模块，所述分板数控模型构建模块用于构建分板数控模型；
切割数据输出模块，所述切割数据输出模块用于将所述完整PCB图像数据输入所述分板数控模型中，输出待切割位置特征信息和特征点信息；
切割控制模块，所述切割控制模块用于将所述待切割位置特征信息和所述特征点信息发送至分板数控系统，通过分板数控系统控制分板机对所述PCB实物进行切割。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
CN202310088697.1A 2023-02-09 2023-02-09 一种智能化控制pcb分板切割的方法及系统 Active CN116402745B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310088697.1A CN116402745B (zh) 2023-02-09 2023-02-09 一种智能化控制pcb分板切割的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310088697.1A CN116402745B (zh) 2023-02-09 2023-02-09 一种智能化控制pcb分板切割的方法及系统

Publications (2)

Publication Number Publication Date
CN116402745A true CN116402745A (zh) 2023-07-07
CN116402745B CN116402745B (zh) 2024-07-12

Family

ID=87011295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310088697.1A Active CN116402745B (zh) 2023-02-09 2023-02-09 一种智能化控制pcb分板切割的方法及系统

Country Status (1)

Country Link
CN (1) CN116402745B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004271739A (ja) * 2003-03-06 2004-09-30 Canon Inc 画像形成装置
CN107678899A (zh) * 2017-09-26 2018-02-09 郑州云海信息技术有限公司 一种多个板卡合并测试的诊断方法
CN110757555A (zh) * 2018-07-27 2020-02-07 维嘉数控科技（苏州）有限公司 分板机切割pcb板的控制方法及装置
CN111784692A (zh) * 2020-08-11 2020-10-16 国网内蒙古东部电力有限公司 一种电力系统中绝缘子缺陷的检测方法、装置及电子设备
CN112967285A (zh) * 2021-05-18 2021-06-15 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) 一种基于深度学习的黄褐斑图像识别方法、系统和装置
US20210397170A1 (en) * 2019-05-10 2021-12-23 Sandisk Technologies Llc Implementation of deep neural networks for testing and quality control in the production of memory devices

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004271739A (ja) * 2003-03-06 2004-09-30 Canon Inc 画像形成装置
CN107678899A (zh) * 2017-09-26 2018-02-09 郑州云海信息技术有限公司 一种多个板卡合并测试的诊断方法
CN110757555A (zh) * 2018-07-27 2020-02-07 维嘉数控科技（苏州）有限公司 分板机切割pcb板的控制方法及装置
US20210397170A1 (en) * 2019-05-10 2021-12-23 Sandisk Technologies Llc Implementation of deep neural networks for testing and quality control in the production of memory devices
CN111784692A (zh) * 2020-08-11 2020-10-16 国网内蒙古东部电力有限公司 一种电力系统中绝缘子缺陷的检测方法、装置及电子设备
CN112967285A (zh) * 2021-05-18 2021-06-15 中国医学科学院皮肤病医院(中国医学科学院皮肤病研究所) 一种基于深度学习的黄褐斑图像识别方法、系统和装置

Also Published As

Publication number Publication date
CN116402745B (zh) 2024-07-12

Similar Documents

Publication Publication Date Title
US10997465B2 (en) Information processing device, information processing method, and storage medium
CN1218274C (zh) 在线手写文字模式识别编辑装置及方法
CN110033023B (zh) 一种基于绘本识别的图像数据处理方法及系统
CN107169148B (zh) 图像搜索方法、装置、设备以及存储介质
CN109886928A (zh) 一种目标细胞标记方法、装置、存储介质及终端设备
DE102018121039A1 (de) Informationsverarbeitungsvorrichtung, verfahren zur steuerung von informationsverarbeitungsvorrichtung und speichermedium
JP2011158373A (ja) 自動欠陥分類のための教師データ作成方法、自動欠陥分類方法および自動欠陥分類装置
CN114155244B (zh) 缺陷检测方法、装置、设备及存储介质
CN112651966A (zh) 一种基于acyolov4_csp的印刷电路板微小缺陷检测方法
CN112651358A (zh) 一种目标检测方法、装置、网络摄像机及存储介质
CN115311618A (zh) 一种基于深度学习和对象匹配的装配质量检查方法
CN110688955A (zh) 一种基于yolo神经网络的建筑构建目标检测方法
CN115810133B (zh) 基于图像处理和点云处理的焊接控制方法及相关设备
CN112464802A (zh) 一种玻片样本信息的自动识别方法、装置和计算机设备
CN113469944A (zh) 一种产品质检方法、装置和电子设备
CN114429636B (zh) 图像扫描识别方法、装置及电子设备
KR102440198B1 (ko) 시각 검색 방법, 장치, 컴퓨터 기기 및 저장 매체 (video search method and apparatus, computer device, and storage medium)
CN113033297B (zh) 实物编程方法、装置、设备及存储介质
CN110427998A (zh) 模型训练、目标检测方法及装置、电子设备、存储介质
CN112417918B (zh) 二维码识别方法、装置、存储介质及电子设备
CN116402745B (zh) 一种智能化控制pcb分板切割的方法及系统
CN116486177A (zh) 一种基于深度学习的水下目标识别分类方法
CN112652056B (zh) 一种3d信息展示方法及装置
CN115565000A (zh) 一种基于目标检测的图像标注方法、系统、设备和介质
CN115909493A (zh) 一种面向课堂实录视频的教师不当手势检测方法及系统

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
GR01 Patent grant
GR01 Patent grant