CN116805186B - 一种pcba板智能加工数据管理系统 - Google Patents
一种pcba板智能加工数据管理系统 Download PDFInfo
- Publication number
- CN116805186B CN116805186B CN202311048128.0A CN202311048128A CN116805186B CN 116805186 B CN116805186 B CN 116805186B CN 202311048128 A CN202311048128 A CN 202311048128A CN 116805186 B CN116805186 B CN 116805186B
- Authority
- CN
- China
- Prior art keywords
- welding
- positions
- temperature curve
- temperature
- abnormal
- 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.)
- Active
Links
- RVCKCEDKBVEEHL-UHFFFAOYSA-N 2,3,4,5,6-pentachlorobenzyl alcohol Chemical compound OCC1=C(Cl)C(Cl)=C(Cl)C(Cl)=C1Cl RVCKCEDKBVEEHL-UHFFFAOYSA-N 0.000 title claims abstract description 58
- 238000013523 data management Methods 0.000 title claims abstract description 42
- 238000012545 processing Methods 0.000 title abstract description 39
- 238000003466 welding Methods 0.000 claims abstract description 217
- 230000002159 abnormal effect Effects 0.000 claims abstract description 87
- 230000007547 defect Effects 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 57
- 230000002950 deficient Effects 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 64
- 229910000679 solder Inorganic materials 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 37
- 230000000875 corresponding effect Effects 0.000 description 46
- 238000004458 analytical method Methods 0.000 description 11
- 238000005476 soldering Methods 0.000 description 9
- 238000010438 heat treatment Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及电子数字数据处理技术领域,具体涉及一种PCBA板智能加工数据管理系统。该系统通过数据获取模块获取PCBA板的焊点位置及其温度曲线;在焊接预检测模块中根据温度曲线对焊点位置进行初步筛选,获得缺陷焊点位置和待检测焊点位置;通过焊接检测模块筛选出异常焊点位置;通过缺陷识别模块获得缺陷焊点位置和异常焊点位置的缺陷信息;通过数据管理模块将缺陷信息的数据进行储存。相比于现有系统方法,本发明避免了将所有焊点位置进行识别,降低了系统所需的计算资源,减少生产成本,避免了仅通过DTW算法比对判断温度曲线异常而产生偏差,提升系统的鲁棒性和可靠性。
Description
技术领域
本发明涉及电子数字数据处理技术领域,具体涉及一种PCBA板智能加工数据管理系统。
背景技术
PCBA(Printed Circuit Board Assembly,PCBA)板是指通过将电子元器件例如芯片、电阻、电容等焊接到印刷电路板上,形成一个完整的电子产品组件。PCBA板制造过程中通常使用回流焊技术,回流焊技术通过将预先分配到印制板上的焊料再次熔化,实现元器件的引脚与印制板上焊盘之间的物理连接以及电连接,它是一种自动化的高温焊接过程,通过加热和冷却来实现焊接连接。
根据焊接要求对回流焊炉的温度和时间进行精确控制具有重要意义,可以确保焊接质量和稳定性、避免元器件损坏、减少焊接缺陷、降低成本、提高产品一致性、提高生产质量。在生产制造过程中,这是一个关键环节,需要严格的监控和控制。
动态时间规整(Dynamic Time Warping,DTW)算法可以用于检测回流焊过程中的异常情况。生产过程中,可以使用DTW算法对实际不同温度曲线进行比对,检测出焊接过程的异常情况,如温度偏差、异常持续时间等。
但随着设备数量增多,海量的产品焊接温度曲线在监测过程中,由于焊接曲线变化微弱,仅通过DTW算法不能准确判别出焊炉的温度控制产生偏差,焊接区域存在缺陷。若将全部焊接区域都进行图像识别处理,则会使系统运算负荷过高,增加生产成本,限制生产速度,难以对智能加工数据进行精确管理。
发明内容
为了解决在PCBA板制造过程中,对海量焊接温度曲线的异常识别困难,不能对智能加工数据进行精确管理的技术问题,本发明的目的在于提供一种PCBA板智能加工数据管理系统,所采用的技术方案具体如下:
本发明提出了一种PCBA板智能加工数据管理系统,所述系统包括:
数据获取模块,用于获取PCBA板焊点位置和焊点位置的温度曲线;
焊接预检测模块,用于根据所述焊点位置的温度曲线筛选出缺陷焊点位置,其余焊点位置为待检测焊点位置;
焊接检测模块,用于获取所述待检测焊点位置的温度曲线的局部变化特征值;根据所述局部变化特征值将对应的温度曲线进行分割,获得截段温度曲线;将所有所述截段温度曲线根据截取顺序分类,获得截段温度曲线类别;若所述截段温度曲线类别中样本数量小于等于预设截段数量阈值,则将样本对应的所有所述待检测焊点位置跳过本模块后续操作过程,直接标记为异常焊点位置;将所述截段温度曲线类别内的截段温度曲线两两匹配,获得温度曲线组,根据动态时间规整算法获取每个所述温度曲线组的最短路径;根据每个所述截段温度曲线类别对应的所有所述最短路径,构建路径矩阵;根据所述最短路径,获得对应所述温度曲线组的比对相似性;根据所有所述温度曲线组的所述比对相似性和所述路径矩阵,获得路径热度矩阵;根据所述路径热度矩阵获取异常焊点位置;
缺陷识别模块,用于识别所述缺陷焊点位置和所述异常焊点位置的缺陷信息;
数据管理模块,将所述缺陷信息的数据进行储存。
进一步地,所述缺陷焊点位置获取方法包括:
选取任一焊点位置作为目标区域,获取所述目标区域从第一预设温度到第二预设温度所需的变化时长;将所述变化时长与正常变化时长范围对比,若所述变化时长不在所述正常变化时长范围内,则所述目标区域的数据异常,所述目标区域为缺陷焊点位置,遍历所有焊点位置,筛选出所有所述缺陷焊点位置。
进一步地,所述正常变化时长范围的获取方法包括:
根据所有所述待检测焊点位置的所述变化时长,利用拉依达准则获取正常变化时长范围。
进一步地,所述局部变化特征值的获取方法包括:
根据局部变化特征值计算公式获得所述局部变化特征值;所述局部变化特征值计算公式包括:
其中,表示起始点温度值,/>表示起始点后第/>个时序点的温度值,/>表示第个时序点对应的局部变化特征值,/>表示获取括号内数据的正负符号,/>表示在区间内第/>个时序点,/>符号表示同或,将第/>个时序点和第/>个时序点作为第一相邻对、第/>个时序点和第/>个时序点作为第二相邻对,表示第/>个时序点对应的第一相邻对的温度值差值符号和第二相邻对的温度值差值符号的同或结果,/>表示/>区间内所有同或结果的和,/>为起始点的时刻,/>为第/>个时序点的时刻,/>,/>为自然数集。
进一步地,所述截段温度曲线的获取方法包括:
通过对进行增加迭代,当局部变化特征值最大时,以此时/>对应的时间点与所述起始点之间的时序范围截取一段截段温度曲线;将截段温度曲线终点的相邻时序下一点作为下一起始点进行迭代,直到温度曲线的数据点数量小于等于预设阈值,停止迭代,得到多段所述截段温度曲线。
进一步地,所述截段温度曲线类别的获取方法包括:
将不同所述待检测焊点位置的温度曲线上具有相同截取顺序的所述截段温度曲线作为一类,获得截段温度曲线类别。
进一步地,所述比对相似性的获取方法包括:
根据所述温度曲线组的所述路径矩阵中的最短路径获取路径距离极差,将最短路径负相关映射并求和,再与所述路径距离极差求商,所得的商作为对应温度曲线组的比对相似性。
进一步地,所述路径热度矩阵的获取方法包括:
将所有所述的温度曲线组的所述比对相似性放入所述路径矩阵中对应最短路径的位置,获得路径热度矩阵,若所述路径矩阵中元素位置已存在比对相似性,则获取所述已存在比对相似性与待放入比对相似性的和,用和进行覆盖更新。
进一步地,所述异常焊点位置的获取方法包括:
将所述路径热度矩阵中的元素进行降序排序,获取元素值最大值及其在路径热度矩阵中与相邻元素值差值中的最大差值,将所述元素值最大值和所述最大差值之间的区域作为正常区域,不在所述正常区域的元素作为异常元素,所述异常元素对应的待检测焊点位置作为异常焊点位置。
进一步地,所述识别所述缺陷焊点位置和所述异常焊点位置的缺陷信息获取方法包括:
将所述缺陷焊点位置和所述异常焊点位置对应的区域图像送至预先训练好的神经网络中进行缺陷识别,获得所述缺陷焊点位置和所述异常焊点位置的缺陷信息。
本发明具有如下有益效果:
本发明利用PCBA板生产过程中海量焊接温度曲线的温度变化趋势总体相似的特点,根据焊点位置的温度曲线对焊点位置进行初步筛选,获得缺陷比较明显的缺陷焊点位置,能够减少计算量,降低由运算带来的生产成本,提升系统检测速度;进一步获取温度曲线的局部变化特征值对温度曲线进行分割,有利于在温度曲线复杂多变的实际场景下减少过度平均导致数据细节丢失,使得PCBA板智能加工数据管理系统在分析和处理数据时更加精确;进一步将截段温度曲线进行分类,获得截段温度曲线类别,将截段温度曲线类别中仅有一个样本时对应的待检测焊点位置直接标记为异常焊点位置,减少一定的计算量,提升系统检测速度;在截段温度曲线类别中,将截段温度曲线两两匹配获得温度曲线组,有利于突出异常温度曲线,筛选出异常焊点位置;进一步利用动态时间规整算法获得温度曲线组的最短路径,截段温度曲线类别对应的所有最短路径构建路径矩阵,根据温度曲线组的路径矩阵获得对应的比对相似性,利用动态时间规整算法的特点,提升系统的鲁棒性,提升系统分析速度和可靠性;进一步根据,通过截段温度曲线类别对应的所有比对相似性和路径矩阵获得路径热度矩阵,根据路径热度矩阵获得异常焊点位置,避免了仅通过曲线进行DTW比对判断温度曲线异常而产生偏差,提升系统的可靠性;进一步将筛选获得缺陷焊点位置和异常焊点位置对应的区域图像通过缺陷识别模块获取缺陷信息,避免了将所有焊点位置进行识别,降低了系统所需的计算资源,减少生产成本,最后通过数据管理模块将缺陷信息的数据进行储存,完成了对PCBA板智能加工过程的数据管理。
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种PCBA板智能加工数据管理系统的系统框图;
图2为本发明一个实施例所提供的一张生产过程中PCBA板的截取图像;
图3为本发明一个实施例所提供的一种温度曲线组经过动态时间规整算法处理后得到的结果示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种PCBA板智能加工数据管理系统的系统框图,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种PCBA板智能加工数据管理系统的系统框图具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种PCBA板智能加工数据管理系统的系统框图,该系统包括:数据获取模块101、焊接预检测模块102、焊接检测模块103、缺陷识别模块104、数据管理模块105。
数据获取模块101,用于获取PCBA板焊点位置和焊点位置的温度曲线。
本发明实施例中,数据获取模块101通过工业相机获取PCBA板图像,将PCBA板图像通过阈值分割,获得PCBA板焊点位置,通过温度传感器获取焊点位置的温度曲线。在本发明一个实施例中,阈值分割方法选取自适应阈值分割,在本发明其他实施例中,实施者可选择全局阈值分割等其他阈值分割方法。自适应阈值分割已是本领域技术人员所熟知的技术手段,在此不再进行赘述。
自适应阈值分割在目标图像中含有多个目标和目标形状不规则时,能够准确的分割出各个区域,获得更准确的焊点位置,提升PCBA板智能加工数据管理系统的准确性和效率。
请参阅图2,其示出了本发明一个实施例提供的一张生产过程中PCBA板的截取图像。
焊接预检测模块102,用于根据焊点位置的温度曲线筛选出缺陷焊点位置,其余焊点位置为待检测焊点位置。
在分析处理焊点的温度曲线时,由于大批量生产时焊点的数量庞大,在有限的计算资源下,不能对每个焊点进行精确的监测和管理控制,所以通过焊点位置在焊接过程中产生的局部温度变化特征对出现异常的焊接区域进行初步的筛选。通过初步对缺陷焊点位置的筛选,能够简易判别出部分由焊料缺失、元器件缺失所造成的焊接异常,实现焊接预检测,能够减少计算量,降低由运算带来的生产成本,提升系统检测速度。因为突出的温度异常的缺陷焊点位置的温度曲线具有明显的变化特征,所以可以根据温度曲线作为参考信息筛选出缺陷焊点位置。优选地,在本发明实施例中,选取任一焊点位置作为目标区域,获取目标区域从第一预设温度到第二预设温度所需的变化时长;将变化时长与正常变化时长范围对比,若变化时长不在正常变化时长范围内,则目标区域的数据异常,目标区域为缺陷焊点位置,遍历所有焊点位置,筛选出所有缺陷焊点位置。在本发明一个实施例中,选取室温到焊接启动温度作为温度变化区间,第一预设温度为室温,第二预设温度为焊接启动温度,焊接启动温度为150摄氏度,变化时长为从室温加热至焊接启动温度所需的加热时长。在本发明其他实施例中,实施者可选取生产加工过程中其它温度变化区间。
因为从室温加热至焊接启动温度时温度曲线变化明显,更容易突显出异常温度曲线,进而更容易筛选出缺陷焊接区域,实现焊接预检测,能够减少计算量,降低由运算带来的生产成本,提升系统检测速度。
优选地,在本发明实施例中,根据所有待检测焊点位置的所述变化时长,利用拉依达准则获取正常变化时长范围:获取所有加热时长的均值和标准差,依据拉依达准则,将加热时长均值的三个标准差范围内作为正常变化时长范围。需要说明的是,拉依达准则已是本领域技术人员所熟知的技术方法,在此不再进行赘述。
拉依达准则简单且可靠,焊点位置的温度曲线在升温过程中的变化总体相似,所以依据拉依达准则获取正常变化时间范围,不在正常加热时间范围内的温度曲线存在异常,所属焊点位置存在缺陷,既利用了焊接区域的温度变化特性,又利用了拉依达准则简单可靠的特点,所获取的正常变化时长范围更合理,对缺陷焊点区排查更准确,PCBA板智能加工数据管理系统更精准。
因为焊接预检测模块102的缺陷识别是初步筛选,所以筛选的结果并不准确,需要将剩余焊点位置作为待检测焊点位置进行后续模块的处理。
焊接检测模块103,用于获取待检测焊点位置的温度曲线的局部变化特征值;根据局部变化特征值将对应的温度曲线进行分割,获得截段温度曲线;将所有截段温度曲线根据截取顺序分类,获得截段温度曲线类别;若截段温度曲线类别中样本数量小于等于预设截段数量阈值,则将样本对应的所有待检测焊点位置跳过本模块后续操作过程,直接标记为异常焊点位置;将截段温度曲线类别内的截段温度曲线两两匹配,获得温度曲线组,根据动态时间规整算法获取每个温度曲线组的最短路径;根据每个截段温度曲线类别对应的所有最短路径,构建路径矩阵;根据最短路径,获得对应温度曲线组的比对相似性;根据所有温度曲线组的比对相似性和路径矩阵,获得路径热度矩阵;根据路径热度矩阵获取异常焊点位置。
对待检测焊接区域的整段温度曲线进行对比分析,可能会隐藏曲线中的一些细节和局部特征,无法精确捕获异常温度变化,不适用于回流焊生产过程中复杂的温度变化,所以要将温度曲线进行分段分析;生产过程中一些时间段内的温度变化情况更明显,有利于异常情况的辨别,所以将温度曲线中温度变化情更明显的部分作为一个分段,所以获取待检测焊点位置的温度曲线的局部变化特征值,用于对温度曲线进行分割。
优选地,在本发明一个实施例中,根据局部变化特征值计算公式获得所述局部变化特征值;所述局部变化特征值计算公式包括:
其中,表示起始点温度值,/>表示起始点后第/>个时序点的温度值,/>表示第个时序点对应的局部变化特征值,/>表示获取括号内数据的正负符号,/>表示在区间内第/>个时序点,/>符号表示同或,将第/>个时序点和第/>个时序点作为第一相邻对、第/>个时序点和第/>个时序点作为第二相邻对,表示第/>个时序点对应的第一相邻对的温度值差值符号和第二相邻对的温度值差值符号的同或结果,/>表示/>区间内所有同或结果的和,/>为起始点的时刻,/>为第/>个时序点的时刻,/>,/>为自然数集。
第个时序点与起始点温度值的差值绝对值与局部变化特征值正相关,差值绝对值越大,温度曲线变化特征越明显,局部变化特征值越大;/>区间内构成的相邻时序点温度值差值符号相同时,同或结果为1,否则同或结果为0;差值符号相同时,表示3个时序点温度变化趋势相同,温度曲线局部变化特征一致,所以区间内所有3个相邻时序点温度值差值的符号同或结果的和越大,局部变化特征值越大;越大表明时间跨度越大,区间内选取数据点数量越多,曲线的局部分辨能力越低,局部变化特征值越小。局部变化特征值能够反应出温度曲线的局部变化特征,依据局部变化特征值能够对温度曲线精确划分,有利于获取异常焊点位置,提升PCBA板智能加工数据管理系统的准确性。
进一步地,根据局部变化特征值将对应的温度曲线进行分割,获得截段温度曲线。
优选地,在本发明一个实施例中,通过对进行增加迭代,当局部变化特征值最大时,以此时/>对应的时间点与所述起始点之间的时序范围截取一段截段温度曲线;将截段温度曲线终点的相邻时序下一点作为下一起始点进行迭代,直到温度曲线的数据点数量小于等于预设阈值,停止迭代,得到多段所述截段温度曲线。遍历所有待检测焊点位置的温度曲线,依据对应的局部变化特征值进行分段。在本发明一个实施例中,预设阈值为3;在本发明其他实施例中,实施者可设置其他预设阈值。
根据局部变化特征值最大值分割温度曲线能够精确分段,得到温度变化明显部分的同时避免过度平均导致数据细节丢失,更适用于回流焊生产过程中温度曲线复杂多变的应用场景,使得PCBA板智能加工数据管理系统在分析和处理数据时更加精确。
进一步地,由于每次焊炉加热冷却时对每一个焊点位置的传导热量不完全相同,因此焊点位置之间的温度曲线变化数值存在差异,但产生的温度波动方向以及变化趋势是相似的。部分焊接区域存在异常,导致温度变化过程中温度波动数值与其他焊点位置的变化相似度较低,可以根据温度曲线的变化相似特征获取异常焊点位置。因此将所有截段温度曲线根据截取顺序进行分类,获得截段温度曲线类别;当温度曲线数据异常时,可能会出现异常截段温度曲线的类别比正常截段温度曲线的类别要多,导致有些截段温度曲线类别中的样本偏少,所以,若截段温度曲线类别中样本数量小于等于预设截段数量阈值,则将样本对应的所有待检测焊点位置跳过本模块后续操作过程,直接标记为异常焊点位置,减少一定的计算量。在本发明一个实施例中,预设截段数量阈值设置为待检测焊点位置数量的1/20,在本发明其他实施例中,实施者可根据实际情况设置其他的预设截段数量阈值。在后续过程中,以一个截段温度曲线类别作为一个单位,对其中的数据进行比对分析,有利于突出异常温度曲线,筛选出异常焊点位置,提升PCBA板智能加工数据管理系统的准确性和灵敏度。
优选地,在本发明一个实施例中,将不同待检测焊点位置的温度曲线上具有相同截取顺序的截段温度曲线作为一类,获得截段温度曲线类别。
进一步地,将截段温度曲线类别内的截段温度曲线两两匹配,获得温度曲线组,根据动态时间规整算法获取每个温度曲线组的最短路径;根据每个截段温度曲线类别对应的所有最短路径,构建路径矩阵。
截段温度曲线两两匹配可以减小异常曲线与异常曲线组合造成的负面影响,有利于突显出异常曲线数据,提升PCBA板智能加工数据管理系统准确性和鲁棒性;动态时间规整算法可以较好的捕获时间序列在时间维度上的相似性,忽略小幅波动和噪声,具有一定的鲁棒性,能够获得温度曲线组的形状、变化趋势的相似性,所以根据动态时间规整算法可以获得温度曲线组的最短路径;汇集一个类别的截段温度曲线的最短路径数据,更容易筛选出异常数据,所以根据每个截段温度曲线类别对应的所有最短路径,构建路径矩阵,根据路径矩阵和其他数据获得异常焊点位置,最后在PCBA板智能加工数据管理系统中获得缺陷数据并进行数据管理。
请参阅图3,其示出了本发明一个实施例所提供的一种温度曲线组经过动态时间规整算法处理后得到的结果示意图,图3以和/>两段温度曲线为例,示出了温度曲线组经过DTW算法后获得的最短路径,并标注出最短路径曲线。对于其他温度曲线组而言,与/>和两段温度曲线处理方法相同,获得其最短路径曲线,并将其他温度曲线组获得的最短路径曲线均放入同一个矩阵中,即获得包含整个截段温度曲线类别内所有最短路径信息的路径矩阵。
因为动态时间规整算法输出的最短路径能够表征截段温度曲线之间的相似性、对齐关系以及变化趋势,所以根据最短路径,获得对应温度曲线组的比对相似性。
优选地,在本发明实施例中,根据温度曲线组的路径矩阵中的最短路径获取路径距离极差,将最短路径负相关映射并求和,再与路径距离极差求商,所得的商作为对应温度曲线组的比对相似性。在本发明一个实施例中,负相关映射选取辛格函数。在本发明其他实施例中,实施者可以选择其他负相关映射关系。比对相似性的计算公式包括:
其中,表示区域/>和/>的比对相似性,/>表示最短路径曲线上第/>个单路径点路径距离,/>为最短路径曲线的单路径点的个数,/>表示辛格函数,/>为最短路径曲线上所有单路径点路径距离的辛格函数之和,/>表示路径距离最大值,/>,表示路径距离最小值,/>为路径距离极差。
路径距离越小,说明对应的截段温度曲线的时间序列越相似,截段温度曲线越相似,通过辛格函数映射后比对相似性越大;极差越大,表明对应的截段温度曲线的时间序列出现较大偏离时产生的路径距离较大,两序列的相似性较小,截段温度曲线相似性越小。所以比对相似性与待检测焊点位置的相似程度呈正相关关系,比对相似性越大,待检测焊点位置的相似程度越大,越有可能不是异常焊点位置。
遍历截段温度曲线类别内所有温度曲线组,获得所有的温度曲线组的比对相似性和最短路径。
因为路径矩阵是由截段温度曲线类别内所有最短路径构成的,所以包含了截段温度曲线类别所有信息,因此根据所有的温度曲线组的比对相似性和路径矩阵,获得路径热度矩阵,即路径热度矩阵是在路径矩阵的基础上进行构建的,包含截段温度曲线类别所有信息并且包含相似性信息,可以根据路径热度矩阵进行异常焊点位置的判断。
在本发明实施例中,将所有的温度曲线组的比对相似性放入路径矩阵中对应最短路径的位置,获得路径热度矩阵,若路径矩阵中元素位置已存在比对相似性,则获取已存在比对相似性与待放入比对相似性的和,用和进行覆盖更新。
路径热度矩阵可以直观的反应出不同时间序列之间的路径相似性,即反应出不同截段温度曲线的相似程度,较高的热度值表示路径较相似,同时截段温度曲线的相似程度越高,PCBA板智能加工数据管理系统利用路径热度矩阵可以找出温度曲线的时间序列数据中的异常情况,获得异常焊点位置。避免了仅通过曲线进行DTW比对判断温度曲线异常而产生偏差,可以提升系统的可靠性。
优选地,在本发明一个实施例中,将路径热度矩阵中的元素进行降序排序,获取元素值最大值及其在路径热度矩阵中与相邻元素值差值中的最大差值,将元素值最大值和最大差值之间的区域作为正常区域,不在正常区域的元素作为异常元素,异常元素对应的待检测焊点位置作为异常焊点位置。在本发明其他实施例中,实施者可根据路径热度矩阵中的中值等其他统计数据获得正常区域,从而获得异常焊点位置。
路径热度矩阵中元素的元素值越大,说明对应的比对相似性越大,截段温度曲线的相似程度越大,对应的待检测焊点位置异常可能性越小;反之,异常可能性越大,越有可能是异常焊点位置。依据路径热度矩阵获得异常焊点位置可以帮助PCBA板智能加工数据管理系统快速定位异常焊点位置,及时进行异常数据管理操作,提升生产质量。
遍历所有截段温度曲线类别,获得所有截段温度曲线类别的异常焊点位置。
缺陷识别模块104,用于识别缺陷焊点位置和异常焊点位置的缺陷信息。
直接将缺陷焊点位置和异常焊点位置的图像进行存储,所需储存空间较大,并且图像信息不能直接被调取用于生产调整,所以要将缺陷焊点位置和异常焊点位置的图像信息进行识别提取,获得对应的缺陷信息。
优选地,在本发明一个实施例中,将缺陷焊点位置和异常焊点位置对应的区域图像送至预先训练好的神经网络中进行缺陷识别,获得缺陷焊点位置和异常焊点位置的缺陷信息,神经网络结构为Encoder-Decoder,损失函数为交叉熵损失函数,神经网络的输入为筛选获得缺陷焊点位置和异常焊点位置对应的区域图像,输出为焊点部位的缺陷信息。在发明其他实施例中,实施者可以设置神经网络的其他架构。需要说明的是,神经网络已是本领域技术人员所熟知的技术手段,在此不在进行赘述。
神经网络在图像缺陷识别时,对于大规模数据有着较好的适配性,能够快速处理生产过程中产生的大量数据,并且可以区分微小和复杂的缺陷,有利于提升PCBA板智能加工数据管理系统的效率和准确性。
数据管理模块105,将缺陷信息的数据进行储存。通过对缺陷信息的数据进行存储,能够在后续调用过程中直接调用出对应PCBA板的缺陷信息,工作人员可直接根据缺陷信息对当前焊接工艺进行调整,提高了PCBA板生产加工过程中的工作效率。
综上所述,本发明利用PCBA板生产过程中海量焊接温度曲线的温度变化趋势总体相似的特点,将焊点位置的温度变化时长与正常变化时长范围对比,对焊点位置进行初步筛选,获得缺陷比较明显的缺陷焊点位置,能够减少计算量,降低由运算带来的生产成本,提升系统检测速度;进一步对待检测焊点位置进一步筛选,获取温度曲线的局部变化特征值对温度曲线进行分割,有利于在回流焊生产过程温度曲线复杂多变的实际场景下减少过度平均导致数据细节丢失,使得PCBA板智能加工数据管理系统在分析和处理数据时更加精确;进一步将截段温度曲线依据截取顺序获得截段温度曲线类别,将截段温度曲线按照类别统一分析,有利于突出异常温度曲线,筛选出异常焊点位置;进一步利用动态时间规整算法获得温度曲线组的最短路径,构建路径矩阵,通过温度曲线组的最短路径获得比对相似性,利用动态时间规整算法的特点,提升系统的鲁棒性,提升系统分析速度和可靠性;进一步根据比对相似性和路径矩阵获得路径热度矩阵,根据路径热度矩阵获得异常焊点位置,避免了仅通过曲线进行DTW比对判断温度曲线异常而产生偏差,提升系统的可靠性;将筛选获得缺陷焊点位置和异常焊点位置对应的区域图像通过缺陷识别模块进行缺陷识别,避免了将所有焊点位置进行识别,降低了系统所需的计算资源,减少生产成本;最后数据管理模块将缺陷信息的数据进行存储,完成了对PCBA板智能加工过程的数据管理。
一种PCBA板焊点异常分析系统实施例:
生产过程中,海量的产品焊接温度曲线在监测过程时,由于焊接曲线变化微弱,仅通过DTW算法不能准确判别出焊炉的温度控制产生偏差,焊接区域存在缺陷。若将全部焊接区域都进行图像识别处理,则会使系统运算负荷过高,增加生产成本,限制生产速度,难以对PCBA板焊点快速且准确的异常分析。
本发明考虑到现有的PCBA板焊点异常分析难以对PCBA板焊点快速且准确的异常分析的问题,提出了一种PCBA板焊点异常分析系统,包括:数据获取模块101、焊接预检测模块102、焊接检测模块103、缺陷识别模块104。
数据获取模块101,用于获取PCBA板焊点位置和焊点位置的温度曲线。
焊接预检测模块102,用于根据焊点位置的温度曲线获得缺陷焊点位置,其余焊点位置为待检测焊点位置。
焊接检测模块103,用于获取待检测焊点位置的温度曲线的局部变化特征值;根据局部变化特征值将对应的温度曲线进行分割,获得截段温度曲线;将所有截段温度曲线根据截取顺序分类,获得截段温度曲线类别;若截段温度曲线类别中样本数量小于等于预设截段数量阈值,则将样本对应的所有待检测焊点位置跳过本模块后续操作过程,直接标记为异常焊点位置;将截段温度曲线类别内的截段温度曲线两两匹配,获得温度曲线组,根据动态时间规整算法获取每个温度曲线组的最短路径;根据每个截段温度曲线类别对应的所有最短路径,构建路径矩阵;根据最短路径,获得对应温度曲线组的比对相似性;根据所有温度曲线组的比对相似性和路径矩阵,获得路径热度矩阵;根据路径热度矩阵获取异常焊点位置。
缺陷识别模块104,用于识别所述缺陷焊点位置和所述异常焊点位置的缺陷信息。
由于PCBA板焊点异常分析系统中数据获取模块101、焊接预检测模块102、焊接检测模块103、缺陷识别模块104的具体实现过程在上述一种PCBA板智能加工数据管理系统中已给出详细说明,不再赘述。
综上所述,本发明利用PCBA板生产过程中海量焊接温度曲线的温度变化趋势总体相似的特点,将焊点位置的温度变化时长与正常变化时长范围对比,对焊点位置进行初步筛选,获得缺陷比较明显的缺陷焊点位置,能够减少计算量,降低由运算带来的生产成本,提升系统检测速度;进一步对待检测焊点位置进一步筛选,获取温度曲线的局部变化特征值对温度曲线进行分割,有利于在回流焊生产过程温度曲线复杂多变的实际场景下减少过度平均导致数据细节丢失,使得PCBA板智能加工数据管理系统在分析和处理数据时更加精确;进一步将截段温度曲线依据截取顺序获得截段温度曲线类别,将截段温度曲线按照类别统一分析,有利于突出异常温度曲线,筛选出异常焊点位置;进一步利用动态时间规整算法获得温度曲线组的最短路径,构建路径矩阵,通过温度曲线组的最短路径获得比对相似性,利用动态时间规整算法的特点,提升系统的鲁棒性,提升系统分析速度和可靠性;进一步根据比对相似性和路径矩阵获得路径热度矩阵,根据路径热度矩阵获得异常焊点位置,避免了仅通过曲线进行DTW比对判断温度曲线异常而产生偏差,提升系统的可靠性;将筛选获得缺陷焊点位置和异常焊点位置对应的区域图像通过缺陷识别模块进行缺陷识别,避免了将所有焊点位置进行识别,降低了系统所需的计算资源,减少生产成本。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (7)
1.一种PCBA板智能加工数据管理系统,其特征在于,所述系统包括:
数据获取模块,用于获取PCBA板焊点位置和焊点位置的温度曲线;
焊接预检测模块,用于根据所述焊点位置的温度曲线筛选出缺陷焊点位置,其余焊点位置为待检测焊点位置;
焊接检测模块,用于获取所述待检测焊点位置的温度曲线的局部变化特征值;根据所述局部变化特征值将对应的温度曲线进行分割,获得截段温度曲线;将所有所述截段温度曲线根据截取顺序分类,获得截段温度曲线类别;若所述截段温度曲线类别中样本数量小于等于预设截段数量阈值,则将样本对应的所有所述待检测焊点位置跳过本模块后续操作过程,直接标记为异常焊点位置;将所述截段温度曲线类别内的截段温度曲线两两匹配,获得温度曲线组,根据动态时间规整算法获取每个所述温度曲线组的最短路径;根据每个所述截段温度曲线类别对应的所有所述最短路径,构建路径矩阵;根据所述最短路径,获得对应所述温度曲线组的比对相似性;根据所有所述温度曲线组的所述比对相似性和所述路径矩阵,获得路径热度矩阵;根据所述路径热度矩阵获取异常焊点位置;
缺陷识别模块,用于识别所述缺陷焊点位置和所述异常焊点位置的缺陷信息;
数据管理模块,将所述缺陷信息的数据进行储存;
所述比对相似性的获取方法包括:根据所述温度曲线组的所述路径矩阵中的最短路径获取路径距离极差,将最短路径负相关映射并求和,再与所述路径距离极差求商,所得的商作为对应温度曲线组的比对相似性;
所述路径热度矩阵的获取方法包括:将所有所述的温度曲线组的所述比对相似性放入所述路径矩阵中对应最短路径的位置,获得路径热度矩阵,若所述路径矩阵中元素位置已存在比对相似性,则获取所述已存在比对相似性与待放入比对相似性的和,用和进行覆盖更新;
所述异常焊点位置的获取方法包括:将所述路径热度矩阵中的元素进行降序排序,获取元素值最大值及其在路径热度矩阵中与相邻元素值差值中的最大差值,将所述元素值最大值和所述最大差值之间的区域作为正常区域,不在所述正常区域的元素作为异常元素,所述异常元素对应的待检测焊点位置作为异常焊点位置。
2.根据权利要求1中所述的一种PCBA板智能加工数据管理系统,其特征在于,所述缺陷焊点位置获取方法包括:
选取任一焊点位置作为目标区域,获取所述目标区域从第一预设温度到第二预设温度所需的变化时长;将所述变化时长与正常变化时长范围对比,若所述变化时长不在所述正常变化时长范围内,则所述目标区域的数据异常,所述目标区域为缺陷焊点位置,遍历所有焊点位置,筛选出所有所述缺陷焊点位置。
3.根据权利要求2中所述的一种PCBA板智能加工数据管理系统,其特征在于,所述正常变化时长范围的获取方法包括:
根据所有所述待检测焊点位置的所述变化时长,利用拉依达准则获取正常变化时长范围。
4.根据权利要求1中所述的一种PCBA板智能加工数据管理系统,其特征在于,所述局部变化特征值的获取方法包括:
根据局部变化特征值计算公式获得所述局部变化特征值;所述局部变化特征值计算公式包括:
其中,表示起始点温度值,/>表示起始点后第/>个时序点的温度值,/>表示第/>个时序点对应的局部变化特征值,/>表示获取括号内数据的正负符号,/>表示在区间内第/>个时序点,/>符号表示同或,将第/>个时序点和第/>个时序点作为第一相邻对、第/>个时序点和第/>个时序点作为第二相邻对,表示第/>个时序点对应的第一相邻对的温度值差值符号和第二相邻对的温度值差值符号的同或结果,/>表示/>区间内所有同或结果的和,/>为起始点的时刻,/>为第/>个时序点的时刻,/>,/>为自然数集。
5.根据权利要求4中所述的一种PCBA板智能加工数据管理系统,其特征在于,所述截段温度曲线的获取方法包括:
通过对进行增加迭代,当局部变化特征值最大时,以此时/>对应的时间点与所述起始点之间的时序范围截取一段截段温度曲线;将截段温度曲线终点的相邻时序下一点作为下一起始点进行迭代,直到温度曲线的数据点数量小于等于预设阈值,停止迭代,得到多段所述截段温度曲线。
6.根据权利要求1中所述的一种PCBA板智能加工数据管理系统,其特征在于,所述截段温度曲线类别的获取方法包括:
将不同所述待检测焊点位置的温度曲线上具有相同截取顺序的所述截段温度曲线作为一类,获得截段温度曲线类别。
7.根据权利要求1中所述的一种PCBA板智能加工数据管理系统,其特征在于,所述识别所述缺陷焊点位置和所述异常焊点位置的缺陷信息获取方法包括:
将所述缺陷焊点位置和所述异常焊点位置对应的区域图像送至预先训练好的神经网络中进行缺陷识别,获得所述缺陷焊点位置和所述异常焊点位置的缺陷信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311048128.0A CN116805186B (zh) | 2023-08-21 | 2023-08-21 | 一种pcba板智能加工数据管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311048128.0A CN116805186B (zh) | 2023-08-21 | 2023-08-21 | 一种pcba板智能加工数据管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116805186A CN116805186A (zh) | 2023-09-26 |
CN116805186B true CN116805186B (zh) | 2023-11-10 |
Family
ID=88079638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311048128.0A Active CN116805186B (zh) | 2023-08-21 | 2023-08-21 | 一种pcba板智能加工数据管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116805186B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CH653786A5 (en) * | 1981-05-12 | 1986-01-15 | Elpatronic Ag | Method for the continuous monitoring of the quality of the welding seam and determination of welding defects in the resistance welding of can bodies |
JP2021001959A (ja) * | 2019-06-21 | 2021-01-07 | 株式会社日立製作所 | 学習装置、評価装置および学習モデルの生産方法 |
KR102274594B1 (ko) * | 2020-06-10 | 2021-07-07 | 광주과학기술원 | 용접 전극 상태 모니터링 방법 |
WO2021207318A1 (en) * | 2020-04-08 | 2021-10-14 | BWXT Advanced Technologies LLC | In-situ inspection method based on digital data model of weld |
CN115018833A (zh) * | 2022-08-05 | 2022-09-06 | 山东鲁芯之光半导体制造有限公司 | 一种半导体器件的加工缺陷检测方法 |
CN115082466A (zh) * | 2022-08-22 | 2022-09-20 | 江苏庆慈机械制造有限公司 | 一种pcb表面焊点缺陷检测方法及系统 |
CN115452888A (zh) * | 2022-08-26 | 2022-12-09 | 北京卫星制造厂有限公司 | 一种基于红外热像技术的焊点质量检测装备及检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7460241B2 (ja) * | 2020-01-27 | 2024-04-02 | コマウ・ソシエタ・ペル・アチオニ | 溶接ビードの質をモニタリングする方法、関連する溶接ステーション、およびコンピュータプログラム製品 |
-
2023
- 2023-08-21 CN CN202311048128.0A patent/CN116805186B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CH653786A5 (en) * | 1981-05-12 | 1986-01-15 | Elpatronic Ag | Method for the continuous monitoring of the quality of the welding seam and determination of welding defects in the resistance welding of can bodies |
JP2021001959A (ja) * | 2019-06-21 | 2021-01-07 | 株式会社日立製作所 | 学習装置、評価装置および学習モデルの生産方法 |
WO2021207318A1 (en) * | 2020-04-08 | 2021-10-14 | BWXT Advanced Technologies LLC | In-situ inspection method based on digital data model of weld |
KR102274594B1 (ko) * | 2020-06-10 | 2021-07-07 | 광주과학기술원 | 용접 전극 상태 모니터링 방법 |
CN115018833A (zh) * | 2022-08-05 | 2022-09-06 | 山东鲁芯之光半导体制造有限公司 | 一种半导体器件的加工缺陷检测方法 |
CN115082466A (zh) * | 2022-08-22 | 2022-09-20 | 江苏庆慈机械制造有限公司 | 一种pcb表面焊点缺陷检测方法及系统 |
CN115452888A (zh) * | 2022-08-26 | 2022-12-09 | 北京卫星制造厂有限公司 | 一种基于红外热像技术的焊点质量检测装备及检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116805186A (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240087104A1 (en) | Method for monitoring manufacture of assembly units | |
CN113870260B (zh) | 一种基于高频时序数据的焊接缺陷实时检测方法及系统 | |
US7539583B2 (en) | Method and system for defect detection | |
US20110218754A1 (en) | Method for supporting analytical work of solder printing state and solder printing inspection machine | |
CN112053318A (zh) | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 | |
CN116500086B (zh) | 一种基于深度学习的铜复铝散热底板生产评价方法及系统 | |
CN116718600B (zh) | 一种用于对线束产品进行智能化检测的检测装置 | |
CN115294031A (zh) | 基于红外热成像分析的光伏组件故障图像识别方法 | |
CN112465775A (zh) | 触控面板缺陷检测系统及触控面板缺陷检测方法 | |
CN116805186B (zh) | 一种pcba板智能加工数据管理系统 | |
CN114518526A (zh) | 一种适用于pcb板ict的自动测试机控制系统 | |
CN111307817B (zh) | 一种智能产线pcb生产过程的在线检测方法及系统 | |
CN111460198A (zh) | 一种图片时间戳的审核方法及装置 | |
CN114708235A (zh) | 基于人工智能识别ai的纺织品检测系统 | |
CN115035118A (zh) | 一种基于识别模型的pcb生产线残缺检测方法及系统 | |
CN113778091A (zh) | 一种风电场升压站设备巡检方法 | |
CN110988660B (zh) | 一种ito缺陷检测方法及系统 | |
CN112964723A (zh) | 一种双面多目标等间距阵列视觉检测方法及检测系统 | |
Arora | AI-Driven Industry 4.0: Advancing Quality Control through Cutting-Edge Image Processing for Automated Defect Detection | |
CN112798109A (zh) | 一种主板质量的检测评价装置 | |
Jiang et al. | Energy meter patch resistance and welding spot anomaly detection method based on machine vision | |
CN111539933B (zh) | 一种直插元件检测方法及系统 | |
Fabrice et al. | SMD Detection and Classification Using YOLO Network Based on Robust Data Preprocessing and Augmentation Techniques | |
CN116453437B (zh) | 显示屏模组的测试方法、装置、设备及存储介质 | |
CN115656701B (zh) | 一种基于红外图像的电容器发热故障识别方法及装置 |
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 |