CN116756535A - Fpc的缺陷检测方法、装置以及检测设备 - Google Patents
Fpc的缺陷检测方法、装置以及检测设备 Download PDFInfo
- Publication number
- CN116756535A CN116756535A CN202311034391.4A CN202311034391A CN116756535A CN 116756535 A CN116756535 A CN 116756535A CN 202311034391 A CN202311034391 A CN 202311034391A CN 116756535 A CN116756535 A CN 116756535A
- Authority
- CN
- China
- Prior art keywords
- characters
- information
- model
- defect detection
- fpc
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 159
- 230000007547 defect Effects 0.000 title claims abstract description 156
- 238000004519 manufacturing process Methods 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims description 37
- 108091026890 Coding region Proteins 0.000 claims description 27
- 238000000926 separation method Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000013136 deep learning model Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- 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
Abstract
本发明提供的FPC的缺陷检测方法、装置以及检测设备，包括：获取FPC的生产信息以及FPC的型号信息；作为入参分别输入至预设的脚本中，输出对应的结果；其中，结果包括缺陷检测模型的类型；调用与缺陷检测模型的类型以及生产厂家信息对应的初始缺陷检测模型；基于FPC的型号信息，匹配对应的模型参数集合；基于匹配的所述模型参数集合对所述初始缺陷检测模型进行更新，得到目标缺陷检测模型；采集FPC的产品信息，输入至目标缺陷检测模型中预测得到FPC的缺陷检测结果。本发明中，基于FPC的生产信息以及FPC的型号信息，适应性调整对应的缺陷检测模型，从而使得缺陷检测更加具有针对性，提高缺陷检测的准确率。
Description
技术领域
本发明涉及数据处理的技术领域，特别涉及一种FPC的缺陷检测方法、装置以及检测设备。
背景技术
在当前的电子产品制造过程中，越来越多的电路板采用了柔性印制电路（Flexible Printed Circuit，FPC）作为连接部件。然而，由于FPC在生产过程中存在一定的工艺和设计难题，可能会导致一些制造缺陷，例如导线间断、导线短路等。为了减少这些缺陷对产品质量的影响，需要开发一种高效的FPC缺陷检测方法，而目前的缺陷检测方法通常是采用一成不变的检测方式，随着产品的更新换代，显然陈旧的缺陷检测方案无法适应于新的产品上，造成缺陷检测准确率低。
发明内容
本发明的主要目的为提供一种FPC的缺陷检测方法、装置以及检测设备，旨在克服目前缺陷检测准确率的问题。
为实现上述目的，本发明提供了一种FPC的缺陷检测方法，包括以下步骤：
获取FPC的生产信息以及FPC的型号信息；其中，所述生产信息包括所述FPC的生产厂家信息以及生产日期，所述型号信息包括FPC的类型信息；
将所述生产厂家信息以及生产日期作为入参分别输入至预设的脚本中，输出对应的结果；其中，所述结果包括缺陷检测模型的类型；
在模型数据库中，调用与所述缺陷检测模型的类型以及生产厂家信息对应的初始缺陷检测模型；其中，所述初始缺陷检测模型为深度学习模型训练得到；
基于所述FPC的型号信息，在模型参数数据库中，匹配对应的模型参数集合；其中，所述模型参数数据库中存储有模型参数集合与型号信息的映射关系；所述模型参数集合包括缺陷检测模型的多个模型参数；
基于匹配的所述模型参数集合对所述初始缺陷检测模型进行更新，得到目标缺陷检测模型；
采集FPC的产品信息，并将所述产品信息输入至所述目标缺陷检测模型中进行预测，预测得到所述FPC的缺陷检测结果。
进一步地，所述采集FPC的产品信息的步骤之前，包括：
获取所述目标缺陷检测模型的输入数据类型；
基于所述输入数据类型，确定待采集的产品信息的类型。
进一步地，所述获取所述目标缺陷检测模型的输入数据类型的步骤，包括：
获取所述初始缺陷检测模型的属性信息；其中，所述属性信息为一个字符串；
将所述属性信息输入至预设的查询表中进行查询，得到所述属性信息对应的目标信息；其中，所述目标信息为一个字符串；
获取预设的字符分隔规则，基于所述字符分隔规则对所述属性信息以及目标信息分别进行分隔处理，得到分隔所述属性信息后的多个第一字符组合，以及得到分隔所述目标信息后的多个第二字符组合；
将各个所述第一字符组合分别作为一个元素，添加在第一集合中；将各个所述第二字符组合分别作为一个元素，添加在第二集合中；其中，不同的第一字符组合对应不同的第一集合，不同的第二字符组合对应不同的第二集合；
对所述第一集合以及第二集合进行求交计算，得到交集字符组合；
分别对各个所述交集字符组合进行解析，得到各个交集字符组合对应的数据类型，作为所述目标缺陷检测模型的输入数据类型。
进一步地，所述分别对各个所述交集字符组合进行解析，得到各个交集字符组合对应的数据类型的步骤，包括：
采用编码表分别对各个所述交集字符组合进行转换，得到对应的转换字符，基于各个转换字符匹配对应的数据类型；其中，数据库中存储有转换字符与数据类型的映射关系。
进一步地，所述编码表的获取方式，包括：
对所有所述交集字符组合中的字符进行去重，得到去重后的字符；
获取初始编码表；所述初始编码表中包括编码序列数字与编码字符的对应关系；
在初始编码表的编码字符中，查找出与所述去重后的字符相同的编码字符，将对应的编码字符标记为无效；
创建一个二叉搜索树；其中，二叉搜索树中每个节点都包含一个编码序列数字和一个编码字符的对应关系；无效的编码字符在二叉搜索树中标记为无效；
使用反向遍历的方式遍历二叉搜索树，在遍历过程中，首先为每个有效节点分配一个新的编码序列数字；其中，有效节点分配的编码序列数字按照顺序依次生成；
在所有的有效节点分配新的编码序列数字完成之后，再针对无效标记的编码字符，按照顺序赋予新的编码序列数字，并对其重新标记为有效；
获取二叉搜索树中所有标记为有效的编码字符与其对应的新的编码序列数字，组合得到所述编码表。
进一步地，所述将所述生产厂家信息以及生产日期作为入参分别输入至预设的脚本中，输出对应的结果的步骤，包括：
获取所述预设的脚本的各个入参接口的标识属性；其中，各所述标识属性均为字符的组合；
分别将各个入参接口的标识属性中的字符分别作为一个元素依序添加在第三集合中；其中，不同入参接口的标识属性中的字符添加在不同的第三集合中；
将所述生产厂家信息以及生产日期分别进行标准化，得到对应的标准厂家字符以及标准日期字符；其中，所述标准厂家字符中只包括英文字符以及数字字符的组合，所述标准日期字符中只包括数字字符；
将所述标准厂家字符中的字符分别作为一个元素依序添加在第四集合中，将所述标准日期字符中的字符分别作为一个元素依序添加在第五集合中；
将所述第四集合与各个第三集合进行对比，得到与所述第四集合相同字符数量最多的第三集合，作为第一目标集合；将所述第五集合与各个第三集合进行对比，得到与所述第五集合相同字符数量最多的第三集合，作为第二目标集合；其中，两个集合对比时，只针对排列在相同位置上的集合元素进行对比；
将所述生产厂家信息输入至所述第一目标集合对应的入参接口中，将所述生产日期输入至所述第二目标集合对应的入参接口中，并基于所述预设的脚本基于预设的逻辑规则，输出对应的结果。
进一步地，所述将所述生产厂家信息以及生产日期分别进行标准化，得到对应的标准厂家字符以及标准日期字符的步骤，包括：
依序将所述生产厂家信息中除英文字符以及数字字符之外的所有字符剔除，并保留原有排序组合得到所述标准厂家字符；
依序将所述生产日期中除数字字符之外的所有字符剔除，并保留原有排序组合得到所述标准日期字符。
本发明还提供了一种FPC的缺陷检测装置，包括：
获取单元，用于获取FPC的生产信息以及FPC的型号信息；其中，所述生产信息包括所述FPC的生产厂家信息以及生产日期，所述型号信息包括FPC的类型信息；
输入单元，用于将所述生产厂家信息以及生产日期作为入参分别输入至预设的脚本中，输出对应的结果；其中，所述结果包括缺陷检测模型的类型；
调用单元，用于在模型数据库中，调用与所述缺陷检测模型的类型以及生产厂家信息对应的初始缺陷检测模型；其中，所述初始缺陷检测模型为深度学习模型训练得到；
匹配单元，用于基于所述FPC的型号信息，在模型参数数据库中，匹配对应的模型参数集合；其中，所述模型参数数据库中存储有模型参数集合与型号信息的映射关系；所述模型参数集合包括缺陷检测模型的多个模型参数；
更新单元，用于基于匹配的所述模型参数集合对所述初始缺陷检测模型进行更新，得到目标缺陷检测模型；
预测单元，用于采集FPC的产品信息，并将所述产品信息输入至所述目标缺陷检测模型中进行预测，预测得到所述FPC的缺陷检测结果。
进一步地，所述输入单元具体用于：
获取所述预设的脚本的各个入参接口的标识属性；其中，各所述标识属性均为字符的组合；
分别将各个入参接口的标识属性中的字符分别作为一个元素依序添加在第三集合中；其中，不同入参接口的标识属性中的字符添加在不同的第三集合中；
将所述生产厂家信息以及生产日期分别进行标准化，得到对应的标准厂家字符以及标准日期字符；其中，所述标准厂家字符中只包括英文字符以及数字字符的组合，所述标准日期字符中只包括数字字符；
将所述标准厂家字符中的字符分别作为一个元素依序添加在第四集合中，将所述标准日期字符中的字符分别作为一个元素依序添加在第五集合中；
将所述第四集合与各个第三集合进行对比，得到与所述第四集合相同字符数量最多的第三集合，作为第一目标集合；将所述第五集合与各个第三集合进行对比，得到与所述第五集合相同字符数量最多的第三集合，作为第二目标集合；其中，两个集合对比时，只针对排列在相同位置上的集合元素进行对比；
将所述生产厂家信息输入至所述第一目标集合对应的入参接口中，将所述生产日期输入至所述第二目标集合对应的入参接口中，并基于所述预设的脚本基于预设的逻辑规则，输出对应的结果。
本发明还提供一种检测设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本发明提供的FPC的缺陷检测方法、装置以及检测设备，包括：获取FPC的生产信息以及FPC的型号信息；其中，所述生产信息包括所述FPC的生产厂家信息以及生产日期，所述型号信息包括FPC的类型信息；将所述生产厂家信息以及生产日期作为入参分别输入至预设的脚本中，输出对应的结果；其中，所述结果包括缺陷检测模型的类型；在模型数据库中，调用与所述缺陷检测模型的类型以及生产厂家信息对应的初始缺陷检测模型；其中，所述初始缺陷检测模型为深度学习模型训练得到；基于所述FPC的型号信息，在模型参数数据库中，匹配对应的模型参数集合；其中，所述模型参数数据库中存储有模型参数集合与型号信息的映射关系；所述模型参数集合包括缺陷检测模型的多个模型参数；基于匹配的所述模型参数集合对所述初始缺陷检测模型进行更新，得到目标缺陷检测模型；采集FPC的产品信息，并将所述产品信息输入至所述目标缺陷检测模型中进行预测，预测得到所述FPC的缺陷检测结果。本发明中，基于FPC的生产信息以及FPC的型号信息，适应性调整对应的缺陷检测模型，从而使得缺陷检测更加具有针对性，提高缺陷检测的准确率。
附图说明
图1是本发明一实施例中FPC的缺陷检测方法步骤示意图；
图2是本发明一实施例中FPC的缺陷检测装置结构框图；
图3是本发明一实施例的检测设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，本发明一实施例中提供了一种FPC的缺陷检测方法，包括以下步骤：
步骤S1，获取FPC的生产信息以及FPC的型号信息；其中，所述生产信息包括所述FPC的生产厂家信息以及生产日期，所述型号信息包括FPC的类型信息；
步骤S2，将所述生产厂家信息以及生产日期作为入参分别输入至预设的脚本中，输出对应的结果；其中，所述结果包括缺陷检测模型的类型；
步骤S3，在模型数据库中，调用与所述缺陷检测模型的类型以及生产厂家信息对应的初始缺陷检测模型；其中，所述初始缺陷检测模型为深度学习模型训练得到；
步骤S4，基于所述FPC的型号信息，在模型参数数据库中，匹配对应的模型参数集合；其中，所述模型参数数据库中存储有模型参数集合与型号信息的映射关系；所述模型参数集合包括缺陷检测模型的多个模型参数；
步骤S5，基于匹配的所述模型参数集合对所述初始缺陷检测模型进行更新，得到目标缺陷检测模型；
步骤S6，采集FPC的产品信息，并将所述产品信息输入至所述目标缺陷检测模型中进行预测，预测得到所述FPC的缺陷检测结果。
在本实施例中，上述方案应用于根据FPC的生产信息以及FPC的型号信息，适应性调整对应的缺陷检测模型，从而使得缺陷检测更加具有针对性，提高缺陷检测的准确率。
具体地，如上述步骤S1所述的，获取FPC的生产信息和型号信息：首先，需要获取FPC的生产信息，包括生产厂家信息和生产日期。此外，还需获取FPC的型号信息，用于后续的模型参数匹配和选择。
如上述步骤S2所述的，运行预设的脚本：将获取的生产厂家信息和生产日期作为输入参数，在预设的脚本中进行处理并输出对应的结果。这些结果可能包括缺陷检测模型的类型，即确定采用何种类型的深度学习模型进行缺陷检测。上述脚本为预选编写、数据训练完成。
如上述步骤S3所述的，调用初始缺陷检测模型：根据模型数据库中存储的缺陷检测模型信息，根据缺陷检测模型的类型和生产厂家信息进行匹配，找到与之对应的初始缺陷检测模型。这些初始模型是通过深度学习模型训练得到的，在制造缺陷检测方面具有良好的性能。
如上述步骤S4所述的，匹配模型参数集合：根据FPC的型号信息，从模型参数数据库中找到对应的模型参数集合。模型参数数据库存储了模型参数集合与不同型号信息之间的映射关系。模型参数集合包括多个模型参数，用于描述目标缺陷检测模型的结构和特征。
如上述步骤S5所述的，更新初始缺陷检测模型：利用匹配到的模型参数集合，对初始缺陷检测模型进行更新，以生成目标缺陷检测模型。通过更新模型参数，可以使模型更适应当前所测试的FPC产品，提高缺陷检测的准确性和可靠性。
如上述步骤S6所述的，输入产品信息进行预测：采集待测试的FPC产品信息，并将这些产品信息输入到目标缺陷检测模型中进行预测。通过预测过程，可以得到FPC的缺陷检测结果，帮助制造商或质检人员判断产品是否存在缺陷，并及时采取相应的措施进行修复或处理。
在一实施例中，所述采集FPC的产品信息的步骤之前，包括：
获取所述目标缺陷检测模型的输入数据类型；
基于所述输入数据类型，确定待采集的产品信息的类型。
在一实施例中，所述获取所述目标缺陷检测模型的输入数据类型的步骤，包括：
获取所述初始缺陷检测模型的属性信息；其中，所述属性信息为一个字符串；
将所述属性信息输入至预设的查询表中进行查询，得到所述属性信息对应的目标信息；其中，所述目标信息为一个字符串；
获取预设的字符分隔规则，基于所述字符分隔规则对所述属性信息以及目标信息分别进行分隔处理，得到分隔所述属性信息后的多个第一字符组合，以及得到分隔所述目标信息后的多个第二字符组合；
将各个所述第一字符组合分别作为一个元素，添加在第一集合中；将各个所述第二字符组合分别作为一个元素，添加在第二集合中；其中，不同的第一字符组合对应不同的第一集合，不同的第二字符组合对应不同的第二集合；
对所述第一集合以及第二集合进行求交计算，得到交集字符组合；
分别对各个所述交集字符组合进行解析，得到各个交集字符组合对应的数据类型，作为所述目标缺陷检测模型的输入数据类型。
在本实施例中，获取初始缺陷检测模型的属性信息：首先需要获取初始缺陷检测模型的属性信息，该信息是一个字符串，描述了初始模型的一些特征。在一些实施例中，这些特征可以包括模型的结构、层数、激活函数等方面的信息。
查询属性信息对应的目标信息：将获取的属性信息输入到预设的查询表中进行查询，得到属性信息所对应的目标信息。查询表中存储了属性信息和目标信息之间的映射关系，可以帮助确定目标缺陷检测模型所需的一些特定信息。
字符分隔处理：获取预设的字符分隔规则，并使用该规则对属性信息和目标信息进行分隔处理。通过字符分隔，可以将属性信息和目标信息拆分成多个部分。
构建第一集合和第二集合：将经过分隔处理后得到的各个第一字符组合分别作为一个元素，添加到第一集合中。同样地，将经过分隔处理后得到的各个第二字符组合分别作为一个元素，添加到第二集合中。这样，不同的第一字符组合对应不同的第一集合，不同的第二字符组合对应不同的第二集合。
求交集计算：对第一集合和第二集合进行求交计算，得到交集字符组合。交集字符组合即是第一集合和第二集合中共同出现的元素，它们是通过属性信息和目标信息的字符分隔后的结果得到的。
解析交集字符组合：对每个交集字符组合进行解析，得到各个交集字符组合对应的数据类型。这些数据类型将作为目标缺陷检测模型的输入数据类型，用于指导后续的数据处理和模型训练。
通过以上步骤，上述方法可以根据初始缺陷检测模型的属性信息，查询对应的目标信息，并通过字符分隔和交集计算方法获得最终的输入数据类型。这种方式可以根据不同模型的特征和需求，动态确定目标缺陷检测模型的输入数据类型，从而提高检测的精准性和适应性。
在一实施例中，所述分别对各个所述交集字符组合进行解析，得到各个交集字符组合对应的数据类型的步骤，包括：
采用编码表分别对各个所述交集字符组合进行转换，得到对应的转换字符，基于各个转换字符匹配对应的数据类型；其中，数据库中存储有转换字符与数据类型的映射关系。
在一实施例中，所述编码表的获取方式，包括：
对所有所述交集字符组合中的字符进行去重，得到去重后的字符；
获取初始编码表；所述初始编码表中包括编码序列数字与编码字符的对应关系；
在初始编码表的编码字符中，查找出与所述去重后的字符相同的编码字符，将对应的编码字符标记为无效；
创建一个二叉搜索树；其中，二叉搜索树中每个节点都包含一个编码序列数字和一个编码字符的对应关系；无效的编码字符在二叉搜索树中标记为无效；
使用反向遍历的方式遍历二叉搜索树，在遍历过程中，首先为每个有效节点分配一个新的编码序列数字；其中，有效节点分配的编码序列数字按照顺序依次生成；
在所有的有效节点分配新的编码序列数字完成之后，再针对无效标记的编码字符，按照顺序赋予新的编码序列数字，并对其重新标记为有效；
获取二叉搜索树中所有标记为有效的编码字符与其对应的新的编码序列数字，组合得到所述编码表。
在本实施例中，首先去重字符：对所有交集字符组合中的字符进行去重操作，即去除重复的字符，得到去重后的字符。这是为了避免编码表中存在重复字符。
获取初始编码表：获取初始编码表，该表包含编码序列数字与编码字符的对应关系。初始编码表可以是提前设定的，也可以从外部资源获取。
标记无效编码字符：在初始编码表的编码字符中，查找与去重后的字符相同的编码字符，并将对应的编码字符标记为无效。这些标记的字符将被视为不可用的编码字符。
创建二叉搜索树：创建一个二叉搜索树，其中每个节点都包含一个编码序列数字和一个编码字符的对应关系。注意，二叉搜索树是一种有序二叉树，左子节点的值小于等于当前节点的值，右子节点的值大于等于当前节点的值。
反向遍历二叉搜索树：按照反向遍历的方式遍历二叉搜索树。首先为每个有效节点分配一个新的编码序列数字，按顺序进行分配。有效节点即是在初始编码表中的编码字符，未被标记为无效的字符。
重新标记无效编码字符：在所有有效节点分配新的编码序列数字完成后，对于之前被标记为无效的编码字符，按顺序赋予新的编码序列数字，并将其重新标记为有效。
获取有效编码表：从二叉搜索树中获取所有标记为有效的编码字符与其对应的新的编码序列数字，将它们组合成编码表。编码表将用于后续的数据编码和处理，确保各个字符都有唯一的编码序列数字来表示。
通过以上步骤，所述方法可以生成一个编码表，该表中包含了所有标记为有效的编码字符与其对应的新的编码序列数字。这种编码表的生成方式具有去重、标记无效和重新分配编码序列数字等操作，以保证编码字符的唯一性和有效性。
在一实施例中，所述将所述生产厂家信息以及生产日期作为入参分别输入至预设的脚本中，输出对应的结果的步骤，包括：
获取所述预设的脚本的各个入参接口的标识属性；其中，各所述标识属性均为字符的组合；
分别将各个入参接口的标识属性中的字符分别作为一个元素依序添加在第三集合中；其中，不同入参接口的标识属性中的字符添加在不同的第三集合中；
将所述生产厂家信息以及生产日期分别进行标准化，得到对应的标准厂家字符以及标准日期字符；其中，所述标准厂家字符中只包括英文字符以及数字字符的组合，所述标准日期字符中只包括数字字符；
将所述标准厂家字符中的字符分别作为一个元素依序添加在第四集合中，将所述标准日期字符中的字符分别作为一个元素依序添加在第五集合中；
将所述第四集合与各个第三集合进行对比，得到与所述第四集合相同字符数量最多的第三集合，作为第一目标集合；将所述第五集合与各个第三集合进行对比，得到与所述第五集合相同字符数量最多的第三集合，作为第二目标集合；其中，两个集合对比时，只针对排列在相同位置上的集合元素进行对比；即两个集合中，排列在第一位上的元素相互对比，排列在第二位上的元素相互对比，以此类推，直至至少一个集合中的元素对比完毕。
将所述生产厂家信息输入至所述第一目标集合对应的入参接口中，将所述生产日期输入至所述第二目标集合对应的入参接口中，并基于所述预设的脚本基于预设的逻辑规则，输出对应的结果。
在本实施例中，获取预设脚本的入参接口的标识属性：首先需要获取预设脚本的各个入参接口的标识属性。这些标识属性可以是字符的组合，用于识别和区分不同的入参接口。
构建第三集合：将各个入参接口的标识属性中的字符分别作为一个元素依序添加到第三集合中。不同入参接口的标识属性中的字符将添加到不同的第三集合中，以便后续的对比操作。
标准化生产厂家信息和生产日期：将生产厂家信息以及生产日期进行标准化处理，得到对应的标准厂家字符和标准日期字符。标准厂家字符只包括英文字符和数字字符的组合，标准日期字符只包括数字字符。
构建第四集合和第五集合：将标准厂家字符中的字符分别作为一个元素依序添加到第四集合中，将标准日期字符中的字符分别作为一个元素依序添加到第五集合中。
对比并得到目标集合：将第四集合与各个第三集合进行对比，找到与第四集合相同字符数量最多的第三集合，作为第一目标集合。同样地，将第五集合与各个第三集合进行对比，找到与第五集合相同字符数量最多的第三集合，作为第二目标集合。在对比过程中，只针对排列在相同位置上的集合元素进行对比。
输入参数并输出结果：将生产厂家信息输入到第一目标集合对应的入参接口中，将生产日期输入到第二目标集合对应的入参接口中。基于预设的脚本和逻辑规则，运行脚本并输出对应的结果。预设的脚本将使用输入的生产厂家信息和生产日期进行处理，根据脚本中设定的逻辑规则进行相应判断、计算或者其它操作，最终输出对应的结果。
在一实施例中，所述将所述生产厂家信息以及生产日期分别进行标准化，得到对应的标准厂家字符以及标准日期字符的步骤，包括：
依序将所述生产厂家信息中除英文字符以及数字字符之外的所有字符剔除，并保留原有排序组合得到所述标准厂家字符；
依序将所述生产日期中除数字字符之外的所有字符剔除，并保留原有排序组合得到所述标准日期字符。
在本实施例中，对于生产厂家信息，首先需要将除了英文字母和数字字符之外的所有字符都去除。这意味着需要删除除了英文字母和数字之外的任何其他字符，例如特殊符号、空格或标点符号。然后，需要保留原有的字符顺序，并将它们组合在一起，形成标准的厂家字符。
对于生产日期，需要将除了数字字符之外的所有字符剔除。这包括日期中的非数字字符，例如分隔符（如破折号、斜杠）或其他特殊符号。同样地，保留原有的字符顺序，并将它们组合在一起，得到标准的日期字符。
通过这两个步骤，可以分别得到标准的厂家字符和标准的日期字符，以便在后续的处理中进行使用。这样可以确保生产厂家信息和生产日期的数据格式统一且易于处理。
参照图2，本发明一实施例中还提供了一种FPC的缺陷检测装置，包括：
获取单元，用于获取FPC的生产信息以及FPC的型号信息；其中，所述生产信息包括所述FPC的生产厂家信息以及生产日期，所述型号信息包括FPC的类型信息；
输入单元，用于将所述生产厂家信息以及生产日期作为入参分别输入至预设的脚本中，输出对应的结果；其中，所述结果包括缺陷检测模型的类型；
调用单元，用于在模型数据库中，调用与所述缺陷检测模型的类型以及生产厂家信息对应的初始缺陷检测模型；其中，所述初始缺陷检测模型为深度学习模型训练得到；
匹配单元，用于基于所述FPC的型号信息，在模型参数数据库中，匹配对应的模型参数集合；其中，所述模型参数数据库中存储有模型参数集合与型号信息的映射关系；所述模型参数集合包括缺陷检测模型的多个模型参数；
更新单元，用于基于匹配的所述模型参数集合对所述初始缺陷检测模型进行更新，得到目标缺陷检测模型；
预测单元，用于采集FPC的产品信息，并将所述产品信息输入至所述目标缺陷检测模型中进行预测，预测得到所述FPC的缺陷检测结果。
在一实施例中，所述输入单元具体用于：
获取所述预设的脚本的各个入参接口的标识属性；其中，各所述标识属性均为字符的组合；
分别将各个入参接口的标识属性中的字符分别作为一个元素依序添加在第三集合中；其中，不同入参接口的标识属性中的字符添加在不同的第三集合中；
将所述生产厂家信息以及生产日期分别进行标准化，得到对应的标准厂家字符以及标准日期字符；其中，所述标准厂家字符中只包括英文字符以及数字字符的组合，所述标准日期字符中只包括数字字符；
将所述标准厂家字符中的字符分别作为一个元素依序添加在第四集合中，将所述标准日期字符中的字符分别作为一个元素依序添加在第五集合中；
将所述第四集合与各个第三集合进行对比，得到与所述第四集合相同字符数量最多的第三集合，作为第一目标集合；将所述第五集合与各个第三集合进行对比，得到与所述第五集合相同字符数量最多的第三集合，作为第二目标集合；其中，两个集合对比时，只针对排列在相同位置上的集合元素进行对比；
将所述生产厂家信息输入至所述第一目标集合对应的入参接口中，将所述生产日期输入至所述第二目标集合对应的入参接口中，并基于所述预设的脚本基于预设的逻辑规则，输出对应的结果。
在本实施例中，上述装置实施例中的各个单元的具体实现，请参照上述方法实施例中所述，在此不再进行赘述。
参照图3，本发明实施例中还提供一种检测设备，该检测设备可以是服务器，其内部结构可以如图3所示。该检测设备包括通过系统总线连接的处理器、存储器、显示屏、输入装置、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该检测设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该检测设备的数据库用于存储本实施例中对应的数据。该检测设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的检测设备的限定。
本发明一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。
综上所述，为本发明实施例中提供的FPC的缺陷检测方法、装置以及检测设备，包括：获取FPC的生产信息以及FPC的型号信息；其中，所述生产信息包括所述FPC的生产厂家信息以及生产日期，所述型号信息包括FPC的类型信息；将所述生产厂家信息以及生产日期作为入参分别输入至预设的脚本中，输出对应的结果；其中，所述结果包括缺陷检测模型的类型；在模型数据库中，调用与所述缺陷检测模型的类型以及生产厂家信息对应的初始缺陷检测模型；其中，所述初始缺陷检测模型为深度学习模型训练得到；基于所述FPC的型号信息，在模型参数数据库中，匹配对应的模型参数集合；其中，所述模型参数数据库中存储有模型参数集合与型号信息的映射关系；所述模型参数集合包括缺陷检测模型的多个模型参数；基于匹配的所述模型参数集合对所述初始缺陷检测模型进行更新，得到目标缺陷检测模型；采集FPC的产品信息，并将所述产品信息输入至所述目标缺陷检测模型中进行预测，预测得到所述FPC的缺陷检测结果。本发明中，基于FPC的生产信息以及FPC的型号信息，适应性调整对应的缺陷检测模型，从而使得缺陷检测更加具有针对性，提高缺陷检测的准确率。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种FPC的缺陷检测方法，其特征在于，包括以下步骤：
获取FPC的生产信息以及FPC的型号信息；其中，所述生产信息包括所述FPC的生产厂家信息以及生产日期，所述型号信息包括FPC的类型信息；
将所述生产厂家信息以及生产日期作为入参分别输入至预设的脚本中，输出对应的结果；其中，所述结果包括缺陷检测模型的类型；
在模型数据库中，调用与所述缺陷检测模型的类型以及生产厂家信息对应的初始缺陷检测模型；其中，所述初始缺陷检测模型为深度学习模型训练得到；
基于所述FPC的型号信息，在模型参数数据库中，匹配对应的模型参数集合；其中，所述模型参数数据库中存储有模型参数集合与型号信息的映射关系；所述模型参数集合包括缺陷检测模型的多个模型参数；
基于匹配的所述模型参数集合对所述初始缺陷检测模型进行更新，得到目标缺陷检测模型；
采集FPC的产品信息，并将所述产品信息输入至所述目标缺陷检测模型中进行预测，预测得到所述FPC的缺陷检测结果。
2.根据权利要求1所述的FPC的缺陷检测方法，其特征在于，所述采集FPC的产品信息的步骤之前，包括：
获取所述目标缺陷检测模型的输入数据类型；
基于所述输入数据类型，确定待采集的产品信息的类型。
3.根据权利要求2所述的FPC的缺陷检测方法，其特征在于，所述获取所述目标缺陷检测模型的输入数据类型的步骤，包括：
获取所述初始缺陷检测模型的属性信息；其中，所述属性信息为一个字符串；
将所述属性信息输入至预设的查询表中进行查询，得到所述属性信息对应的目标信息；其中，所述目标信息为一个字符串；
获取预设的字符分隔规则，基于所述字符分隔规则对所述属性信息以及目标信息分别进行分隔处理，得到分隔所述属性信息后的多个第一字符组合，以及得到分隔所述目标信息后的多个第二字符组合；
将各个所述第一字符组合分别作为一个元素，添加在第一集合中；将各个所述第二字符组合分别作为一个元素，添加在第二集合中；其中，不同的第一字符组合对应不同的第一集合，不同的第二字符组合对应不同的第二集合；
对所述第一集合以及第二集合进行求交计算，得到交集字符组合；
分别对各个所述交集字符组合进行解析，得到各个交集字符组合对应的数据类型，作为所述目标缺陷检测模型的输入数据类型。
4.根据权利要求3所述的FPC的缺陷检测方法，其特征在于，所述分别对各个所述交集字符组合进行解析，得到各个交集字符组合对应的数据类型的步骤，包括：
采用编码表分别对各个所述交集字符组合进行转换，得到对应的转换字符，基于各个转换字符匹配对应的数据类型；其中，数据库中存储有转换字符与数据类型的映射关系。
5.根据权利要求4所述的FPC的缺陷检测方法，其特征在于，所述编码表的获取方式，包括：
对所有所述交集字符组合中的字符进行去重，得到去重后的字符；
获取初始编码表；所述初始编码表中包括编码序列数字与编码字符的对应关系；
在初始编码表的编码字符中，查找出与所述去重后的字符相同的编码字符，将对应的编码字符标记为无效；
创建一个二叉搜索树；其中，二叉搜索树中每个节点都包含一个编码序列数字和一个编码字符的对应关系；无效的编码字符在二叉搜索树中标记为无效；
使用反向遍历的方式遍历二叉搜索树，在遍历过程中，首先为每个有效节点分配一个新的编码序列数字；其中，有效节点分配的编码序列数字按照顺序依次生成；
在所有的有效节点分配新的编码序列数字完成之后，再针对无效标记的编码字符，按照顺序赋予新的编码序列数字，并对其重新标记为有效；
获取二叉搜索树中所有标记为有效的编码字符与其对应的新的编码序列数字，组合得到所述编码表。
6.根据权利要求1所述的FPC的缺陷检测方法，其特征在于，所述将所述生产厂家信息以及生产日期作为入参分别输入至预设的脚本中，输出对应的结果的步骤，包括：
获取所述预设的脚本的各个入参接口的标识属性；其中，各所述标识属性均为字符的组合；
分别将各个入参接口的标识属性中的字符分别作为一个元素依序添加在第三集合中；其中，不同入参接口的标识属性中的字符添加在不同的第三集合中；
将所述生产厂家信息以及生产日期分别进行标准化，得到对应的标准厂家字符以及标准日期字符；其中，所述标准厂家字符中只包括英文字符以及数字字符的组合，所述标准日期字符中只包括数字字符；
将所述标准厂家字符中的字符分别作为一个元素依序添加在第四集合中，将所述标准日期字符中的字符分别作为一个元素依序添加在第五集合中；
将所述第四集合与各个第三集合进行对比，得到与所述第四集合相同字符数量最多的第三集合，作为第一目标集合；将所述第五集合与各个第三集合进行对比，得到与所述第五集合相同字符数量最多的第三集合，作为第二目标集合；其中，两个集合对比时，只针对排列在相同位置上的集合元素进行对比；
将所述生产厂家信息输入至所述第一目标集合对应的入参接口中，将所述生产日期输入至所述第二目标集合对应的入参接口中，并基于所述预设的脚本基于预设的逻辑规则，输出对应的结果。
7.根据权利要求6所述的FPC的缺陷检测方法，其特征在于，所述将所述生产厂家信息以及生产日期分别进行标准化，得到对应的标准厂家字符以及标准日期字符的步骤，包括：
依序将所述生产厂家信息中除英文字符以及数字字符之外的所有字符剔除，并保留原有排序组合得到所述标准厂家字符；
依序将所述生产日期中除数字字符之外的所有字符剔除，并保留原有排序组合得到所述标准日期字符。
8.一种FPC的缺陷检测装置，其特征在于，包括：
获取单元，用于获取FPC的生产信息以及FPC的型号信息；其中，所述生产信息包括所述FPC的生产厂家信息以及生产日期，所述型号信息包括FPC的类型信息；
输入单元，用于将所述生产厂家信息以及生产日期作为入参分别输入至预设的脚本中，输出对应的结果；其中，所述结果包括缺陷检测模型的类型；
调用单元，用于在模型数据库中，调用与所述缺陷检测模型的类型以及生产厂家信息对应的初始缺陷检测模型；其中，所述初始缺陷检测模型为深度学习模型训练得到；
匹配单元，用于基于所述FPC的型号信息，在模型参数数据库中，匹配对应的模型参数集合；其中，所述模型参数数据库中存储有模型参数集合与型号信息的映射关系；所述模型参数集合包括缺陷检测模型的多个模型参数；
更新单元，用于基于匹配的所述模型参数集合对所述初始缺陷检测模型进行更新，得到目标缺陷检测模型；
预测单元，用于采集FPC的产品信息，并将所述产品信息输入至所述目标缺陷检测模型中进行预测，预测得到所述FPC的缺陷检测结果。
9.根据权利要求8所述的缺陷检测装置，其特征在于，所述输入单元具体用于：
获取所述预设的脚本的各个入参接口的标识属性；其中，各所述标识属性均为字符的组合；
分别将各个入参接口的标识属性中的字符分别作为一个元素依序添加在第三集合中；其中，不同入参接口的标识属性中的字符添加在不同的第三集合中；
将所述生产厂家信息以及生产日期分别进行标准化，得到对应的标准厂家字符以及标准日期字符；其中，所述标准厂家字符中只包括英文字符以及数字字符的组合，所述标准日期字符中只包括数字字符；
将所述标准厂家字符中的字符分别作为一个元素依序添加在第四集合中，将所述标准日期字符中的字符分别作为一个元素依序添加在第五集合中；
将所述第四集合与各个第三集合进行对比，得到与所述第四集合相同字符数量最多的第三集合，作为第一目标集合；将所述第五集合与各个第三集合进行对比，得到与所述第五集合相同字符数量最多的第三集合，作为第二目标集合；其中，两个集合对比时，只针对排列在相同位置上的集合元素进行对比；
将所述生产厂家信息输入至所述第一目标集合对应的入参接口中，将所述生产日期输入至所述第二目标集合对应的入参接口中，并基于所述预设的脚本基于预设的逻辑规则，输出对应的结果。
10.一种检测设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311034391.4A CN116756535B (zh) | 2023-08-17 | 2023-08-17 | Fpc的缺陷检测方法、装置以及检测设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311034391.4A CN116756535B (zh) | 2023-08-17 | 2023-08-17 | Fpc的缺陷检测方法、装置以及检测设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116756535A true CN116756535A (zh) | 2023-09-15 |
| CN116756535B CN116756535B (zh) | 2023-11-24 |
Family
ID=87950021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311034391.4A Active CN116756535B (zh) | 2023-08-17 | 2023-08-17 | Fpc的缺陷检测方法、装置以及检测设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116756535B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112906302A (zh) * | 2021-03-01 | 2021-06-04 | 常州机电职业技术学院 | 基于深度残差网络的注塑件表面微缺陷自动快速检测方法 |
| CN114255212A (zh) * | 2021-12-07 | 2022-03-29 | 深圳技术大学 | 一种基于cnn的fpc表面缺陷检测方法及其系统 |
| CN115619025A (zh) * | 2022-10-26 | 2023-01-17 | 安徽大学 | 基于meemd与最优组合集成的电力负荷三角模糊预测方法 |
| CN115937170A (zh) * | 2022-12-23 | 2023-04-07 | 正泰集团研发中心(上海)有限公司 | 电路板检测方法、装置、计算机设备及存储介质 |
| CN116188374A (zh) * | 2022-12-23 | 2023-05-30 | 正泰集团研发中心(上海)有限公司 | 插座检测方法、装置、计算机设备及存储介质 |
-
2023
- 2023-08-17 CN CN202311034391.4A patent/CN116756535B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112906302A (zh) * | 2021-03-01 | 2021-06-04 | 常州机电职业技术学院 | 基于深度残差网络的注塑件表面微缺陷自动快速检测方法 |
| CN114255212A (zh) * | 2021-12-07 | 2022-03-29 | 深圳技术大学 | 一种基于cnn的fpc表面缺陷检测方法及其系统 |
| CN115619025A (zh) * | 2022-10-26 | 2023-01-17 | 安徽大学 | 基于meemd与最优组合集成的电力负荷三角模糊预测方法 |
| CN115937170A (zh) * | 2022-12-23 | 2023-04-07 | 正泰集团研发中心(上海)有限公司 | 电路板检测方法、装置、计算机设备及存储介质 |
| CN116188374A (zh) * | 2022-12-23 | 2023-05-30 | 正泰集团研发中心(上海)有限公司 | 插座检测方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116756535B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6590355B1 (ja) | 学習モデル生成装置、文字認識装置、学習モデル生成方法、文字認識方法、及びプログラム | |
| CN112650855B (zh) | 知识图谱工程化构建方法、装置、计算机设备和存储介质 | |
| CN111177184A (zh) | 基于自然语言的结构化查询语言转换方法、及其相关设备 | |
| CN112560450B (zh) | 一种文本纠错方法及装置 | |
| CN116132527B (zh) | 管理指示牌的系统、方法及数据处理服务器 | |
| US10460240B2 (en) | Apparatus and method for tag mapping with industrial machines | |
| CN111651978A (zh) | 基于实体的词法检查方法与装置和计算机设备及存储介质 | |
| CN110046155B (zh) | 特征数据库的更新、数据特征的确定方法、装置及设备 | |
| CN111831920A (zh) | 用户需求分析方法、装置、计算机设备及存储介质 | |
| CN114724169A (zh) | 一种二维图纸构件的识别方法及系统 | |
| CN114647713A (zh) | 基于虚拟对抗的知识图谱问答方法、设备及存储介质 | |
| US11507746B2 (en) | Method and apparatus for generating context information | |
| CN113961768A (zh) | 敏感词检测方法、装置、计算机设备和存储介质 | |
| CN113850081A (zh) | 基于人工智能的文本处理方法、装置、设备及介质 | |
| CN116756535B (zh) | Fpc的缺陷检测方法、装置以及检测设备 | |
| CN115455922B (zh) | 表单校验方法、装置、电子设备和存储介质 | |
| CN112487270A (zh) | 基于图片识别进行资产分类及准确度校验的方法和装置 | |
| CN110727743A (zh) | 数据识别方法、装置、计算机设备及存储介质 | |
| CN114416847A (zh) | 一种数据转换的方法、装置、服务器及存储介质 | |
| CN114579580A (zh) | 存储数据的方法、查询数据的方法和装置 | |
| CN111538914B (zh) | 地址信息的处理方法和装置 | |
| CN113177543A (zh) | 证件识别方法、装置、设备及存储介质 | |
| CN114860894A (zh) | 知识库的查询方法、装置、计算机设备和存储介质 | |
| CN116541228B (zh) | 显示器的触控响应检测方法、装置以及计算机设备 | |
| CN112287005A (zh) | 一种数据处理方法、装置、服务器及介质 |
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 |