CN117054517A - 用于显示类器件的超声波线路检测方法 - Google Patents
用于显示类器件的超声波线路检测方法 Download PDFInfo
- Publication number
- CN117054517A CN117054517A CN202310965994.XA CN202310965994A CN117054517A CN 117054517 A CN117054517 A CN 117054517A CN 202310965994 A CN202310965994 A CN 202310965994A CN 117054517 A CN117054517 A CN 117054517A
- Authority
- CN
- China
- Prior art keywords
- defect
- ultrasonic
- line
- detection
- model
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 99
- 230000007547 defect Effects 0.000 claims abstract description 146
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000013136 deep learning model Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 24
- 238000007689 inspection Methods 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 239000011521 glass Substances 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/22—Details, e.g. general constructional or apparatus details
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
-
- 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
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Acoustics & Sound (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提供用于显示类器件的超声波线路检测方法,包括以下步骤:S1 对正常显示面板,利用超声波发生器发出超声波并记录正常面板的回波信号,建立正常回波信号数据集;S2 针对缺陷显示面板检测分析样本,利用超声波发生器发射超声波并记录缺陷位置对应的回波信号,并形成缺陷信号数据集;S3 比较缺陷位置的回波信号与同样位置的正常回波信号,并针对缺陷分析样本进行缺陷类型的标记,并根据缺陷显示面板检测分析样本得到的缺陷位置对应回波信号得到线路缺陷数据集,对线路缺陷数据集进行预处理并加入噪声数据,通过深度学习模型对线路缺陷训练集进行训练得到显示类器件线路缺陷判断模型;检测精度高且检测效率高。
Description
技术领域
本发明涉及显示类器件缺陷检测技术领,尤其是涉及用于显示类器件的超声波线路检测方法。
背景技术
目前显示类器件中显示屏幕的质量对显示类器件的质量起到关键作用,而针对显示类面板中屏幕走线缺陷检测问题,尤其是针对液晶显示面板中的屏幕走线问题,通常通过线路测试以及AOI设备进行测量,在液晶显示面板中,针对缺陷产品的检测,通常还需要人工拆分上下基板进行破片处理,才能进一步利用摄像头检查线路,费时费力,且破片过程不可逆,破片之后不能检查整片模组的整体性能。
为了解决上述问题,如中国专利申请号为202210259462.X,公布日为2022.07.29,其公开了基于AOI的PCB裸板缺陷的检测系统及方法,具体公开了:包括摄像头定位模块、图像采集模块、图像定位模块、图像预处理模块、图像特征提取模块、目标识别模块、图像传输模块以及结果输出和显示模块,所述摄像头定位模块用于摄像头的三维坐标进行定位;所述图像定位模块用于对待检测的PCB板进行精确定位。该文献通过两个摄像头同时对待检测的PCB裸板进行定位、图像采集、预处理,使得缺陷从图像中分离出来,从而检测PCB板线宽、线距的缺陷以及短路、断路、空洞、凹陷、凸起、划痕的缺陷,同时将PCB板上的缺陷按照线路层、碳线层、焊盘层和机械层进行分类统计,方便使用者进行查阅、监控,可以快速发现问题,具有较高的实用性。
该方法需要通过两个摄像头进行定位检测从而实现缺陷位置,而对于显示面板内的线路缺陷而言,那需要对显示面板进行破坏性取出线路板才能进行测试,测试方法不可靠,且通过摄像头对微型线路进行检测,对摄像头的精度要求较高,同时摄像头检测的精度不高的问题。
发明内容
本发明目的是在于提供一种用于显示类器件的超声波线路检测方法,能对缺陷的不同进行标记分类,检测效率高且使对线路的检测更加准确。
为达到上述目的,本发明提供一种用于显示类器件的超声波线路检测方法,包括以下步骤:
S1 对正常显示面板,利用超声波发生器发出超声波并记录正常面板的回波信号,建立正常回波信号数据集。
S2 针对缺陷显示面板检测分析样本,利用超声波发生器发射超声波并记录缺陷位置对应的回波信号,并形成缺陷信号数据集。
S3 比较缺陷位置的回波信号与同样位置的正常回波信号,并针对缺陷分析样本进行缺陷类型的标记,并根据缺陷显示面板检测分析样本得到的缺陷位置对应回波信号得到线路缺陷数据集,对线路缺陷数据集进行预处理并加入噪声数据,通过深度学习模型对线路缺陷训练集进行训练得到显示类器件线路缺陷判断模型。
S4进行异常显示面板进行超声波线路检测,并通过显示类器件线路缺陷判断模型检测异常屏幕的待检测区域的线路异常,并统计线路异常区域的超声波回波信号参数是否达到预设检测精度,若是,
进入步骤S41:将异常区域的超声波回波信号输入到显示器件线路判断模型进行判断缺陷;若否,则进入步骤S42:对线路缺陷训练集中增加一预设量噪声数据然后重新进入到步骤S4进行检测直到达到预设检测精度为止。
S5 使用显示类器件线路缺陷判断模型判断待检测区域第一检测点是否为缺陷,若是则将异常区域第一检测点的超声波回波信号输入到显示器件线路判断模型进行判断区域缺陷,若否待检测区域第一检测点检测结束。
S6 确认是否完成所有区域的待检测点进行测量,若是结束,若否则将移动平台移动到下一个待检测点进行判断缺陷直到所有检测点检测完成。
上述方法,通过建立同一型号的显示面板对应坐标位置的正常超声波回波信号的数据集和缺陷超声波,将缺陷位置的回波信号与正常回波信号进行比较,进而从回波检测信号异常中确认线路异常;对异常回波信号,将异常回波信号打上对应的标签,并建立异常回波信号数据集,并对异常的回波信号数据集增加噪声增强异常回波信号,提高数据集和模型的泛化能力,最后通过深度学习模型的方式,训练异常回波信号数据集,并得到显示类器件线路缺陷判断模型,然后利用该线路缺陷判断模型对异常显示面板进行超声波线路检测,确认异常回波信号是否达到限定的检测精度,若是达到检测精度则将异常超声波回波信号输入到显示器件线路缺陷判断模型,不达到通过人为增加噪声,继续进行模型训练,使得缺陷超声波数据集能更加贴合正常超声波数据集,从而使得缺陷超声波数据集能达到预设检测精度,从而提高检测精度,然后使用通过训练集得到的显示类器件线路缺陷判断模型判断待检测区域第一检测点是否为缺陷,若是则将异常区域第一检测点的超声波回波信号输入到显示器件线路判断模型进行判断区域缺陷,若否第一检测点检测结束;确认是否完成所有区域的待检测点进行测量,若是结束,若否则将移动平台移动到下一个待检测点进行判断缺陷直到所有检测点检测完成,从而能只需要通过得到的显示类器件线路缺陷判断模型即可进行所有的检测,检测效率高。
进一步的,步骤S1中对正常显示面板,通过移动平台移动到正常显示面板指定位置的上方,所述移动平台移动由控制电机转动控制。
以上设置,电机转动以控制末端的空间坐标实现对待检测的位置进行检测,能够准确快速的到达待检测位置,使检测效率提升。
进一步的,步骤S2中针对缺陷显示面板检测分析样本,通过移动平台移动到缺陷位置的上方,所述移动平台移动由控制电机转动控制。
以上设置,通过移动平台实现移动,结构简单且可靠。
进一步的,步骤S3中对缺陷类型标记,标记出缺陷区域的超声波信号段标记出来,所述标记为玻璃裂痕、细微裂痕、线路断线。
以上设置,对缺陷类型进行分类标注,便于整理缺陷的类型,后续可直接通过对应回波信号得出缺陷类型。
进一步的,针对缺陷分析样本进行缺陷类型的标记包括:通过分析收集到回波信号的第一参数,比较第一参数的不同,将缺陷样本中不同的第一参数利用软件标记出来。
以上设置,对回波信号进行比较和标注,使数据更加直观的体现出来,能更加直观的识别缺陷类型。
进一步的,第一参数包括超声波的振幅和频率。
以上设置,由于振幅和频率是最能体现超声波信号的特性的,从而能使得标记更加准确。
进一步的,回波信号集利用praat软件标注超声波信号的第一参数形成正常回拨信号数据集和缺陷信号数据集。
以上设置,对回波信号进行分类,便于后续对比和整理。
进一步的,加入噪声数据为随机选取线路缺陷数据集集中部分样本增加人为噪声,所述人为噪声为产线中运行的噪声,或与设备期间本身的典型噪声或随机裁剪的操作噪声。
以上设置,通过增加噪声以增强数据的多样性并扩充数据集规模,增加模型的泛化能力,提高模型的鲁棒性,进行预处理使得训练更加准确和高效。
进一步的,所述深度学习模型为YOLOv5s模型。
以上设置,所述YOLOv5s模型数据集分为训练集、验证集和测试集,用训练集实现模型训练,利用验证集实现模型参数和阈值调整,利用测试集实现模型性能和泛化能力的评估,使数据集进行标注和划分,为了便于训练模型、调整模型参数和评估模型性能。
进一步的,所述YOLOv5s模型需修改数据集配置文件,以及修改YOLOv5s的模型配置文件,将预训练权重文件放到weights权重指定路径,并对应更新权重路径的参数,将修改好的模型YOLOv5_panel.yaml、及数据集的panel.yaml进行参数和文件路径的更新,最后在系统中进行YOLOv5s模型训练。
以上设置,通过更新配置文件的方式实现数据的更新,保证在达到预定精度之前数据的更新,保证检测结果达到要求。
附图说明
图1为本发明的流程框图。
图2为本发明检测步骤框图。
图3为本发明实现检测流程框图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步详细说明。
如图1至图3所示,本发明提供一种用于显示类器件的超声波线路检
测方法,包括以下步骤:
S1 对正常显示面板,利用超声波发生器发出超声波并记录正常面板的回波信号,建立正常回波信号数据集。
S2 针对缺陷显示面板检测分析样本,利用超声波发生器发射超声波并记录缺陷位置对应的回波信号,并形成缺陷信号数据集。
S3 比较缺陷位置的回波信号与同样位置的正常回波信号,并针对缺陷分析样本进行缺陷类型的标记,并根据缺陷显示面板检测分析样本得到的缺陷位置对应回波信号得到线路缺陷数据集,对线路缺陷数据集进行预处理并加入噪声数据,通过深度学习模型对线路缺陷训练集进行训练得到显示类器件线路缺陷判断模型。
S4进行异常显示面板进行超声波线路检测,并通过显示类器件线路缺陷判断模型检测异常屏幕的待检测区域的线路异常,并统计线路异常区域的超声波回波信号参数是否达到预设检测精度,若是,
进入步骤S41:将异常区域的超声波回波信号输入到显示器件线路判断模型进行判断缺陷;若否,则进入步骤S42:对线路缺陷训练集中增加一预设量噪声数据然后重新进入到步骤S4进行检测直到达到预设检测精度为止。
S5 使用显示类器件线路缺陷判断模型判断待检测区域第一检测点是否为缺陷,若是则将异常区域第一检测点的超声波回波信号输入到显示器件线路判断模型进行判断区域缺陷并判断精度,若否待检测区域第一检测点检测结束。
S6 确认是否完成所有区域的待检测点进行测量,若是结束,若否则将移动平台移动到下一个待检测点进行判断缺陷直到所有检测点检测完成。
以上步骤中,通过移动平台进行收集正常数据和缺陷数据,然后对缺陷数据进行数据分类标记,再进行增强预处理等,然后通过深度学习模型得到显示类器件线路缺陷判断模型,然后基于显示类器件线路缺陷判断模型对待检测区域进行判断。
一实施例中,S1 中以控制电机转动控制末端的空间坐标对正常的样本进行光致超声技术检测,检测收到的回波信号使用超声波换能器转换成电信号,最后利用praat软件标注建立正常的回波信号数据集。
S2中以控制电机转动控制末端的空间坐标对异常的样本进行光致超声技术检测,检测收到的回波信号使用超声波换能器转换成电信号,最后利用praat软件标注建立正常的回波信号数据集。
S3中通过分析收集到的超声波信号的第一参数,比较第一参数的不同,第一参数为振幅、频率等,将缺陷样本中参数的不同利用软件标记出来,再比较缺陷位置的超声波信号与同样位置的正常回波信号的不同,并针对缺陷分析样本进行缺陷类型的标记,并建立数据集;数据预处理,预处理步骤为先进行数据清洗,即对超声波图像进行筛选,去除不符合要求的图像,具体可以通过图像与预设正确图像进行比对确定图像是否符合要求,确保数据集的质量和可靠性;其次,进行数据增强,即针对数据集中部分样本人为增加噪声,噪声可以是产线中运行的噪声,或者与设备期间本身的典型噪声,以及随机裁剪等操作噪声,增加的量为一预设值,比如1db,然后,通过深度学习模型进行训练,该步骤分为数据集的标注和划分以及模型的训练,为了便于训练模型、调整模型参数和评估模型性能,进行数据集的划分工作,数据集划分为训练集、验证集和测试集,之后,利用训练集实现模型训练,利用验证集实现模型参数和阈值调整,利用测试集实现模型性能和泛化能力的评估,得到显示器件线路的异常;深度学习模型为YOLOv5s模型,在软件实现上,首先,修改数据集配置文件,以及修改YOLOv5s的模型配置文件,其次,将预训练权重文件放到weights权重指定路径,并对应更新权重路径的参数。然后,将修改好的模型YOLOv5_panel.yaml、及数据集的panel.yaml进行参数和文件路径的更新。最后,在配置好的系统中进行YOLOv5s模型训练。本实施例中预训练的权重文件用于放置YOLOv5s模型中相关参数值。
S4中训练结束后YOLOv5s模型会生成准确度表征评估是否准确,准确度表示模型正确识别的比例,在训练之后,进行异常显示面板进行超声波线路检测,并通过显示类器件线路缺陷判断模型检测异常屏幕的待检测区域的线路异常,并统计线路异常区域的超声波回波信号参数是否达到预设检测精度,若是,
进入步骤S41:将异常区域的超声波回波信号输入到显示器件线路判断模型进行判断缺陷;进行保存设置,若否,则进入步骤S42:对线路缺陷训练集中增加一预设量噪声数据然后重新进入到步骤S4进行检测直到达到预设检测精度为止。本实施例中一预设量噪声数据为1db的噪声数据,噪声数据可以是产线中运行的噪声,或与设备期间本身的典型噪声或随机裁剪的操作噪声,在不达到预设检测精度要求时,可选择再增加1db的相同噪声数据,也可以增加1db的其它类型的噪声数据,比如在第一增加的是产线中运行的噪声,在第二次增加时可以增加设备器件本身的典型噪声,具体选择是那种噪声可以随机设置。
S5 用显示类器件线路缺陷判断模型判断待检测区域第一检测点是否为缺陷,若是则将异常区域第一检测点的超声波回波信号输入到显示器件线路判断模型进行判断区域缺陷并精度检测,若否区域第一检测点检测结束。
S6 确认是否完成所有区域的待检测点进行测量,若是结束,若否则将移动平台移动到下一个待检测点进行判断缺陷直到所有检测点检测完成。
如图3所示,已经成功能建立用于显示类器件的超声波检测的显示器件线路判断模型对待测产品进行检测时,检测到的产品为缺陷产品时,则将缺陷的超声波回波信号输入到显示器件线路判断模型进行判断区域缺陷,若无法判断缺陷类型,则进行精度确定。这样会实现边检查边测量的效果。
上述方法,通过建立同一型号的显示面板对应坐标位置的正常超声波回波信号的数据集和缺陷超声波,将缺陷位置的回波信号与正常回波信号进行比较,进而从回波检测信号异常中确认线路异常;对异常回波信号,将异常回波信号打上对应的标签,并建立异常回波信号数据集,并对异常的回波信号数据集增加噪声增强异常回波信号,提高数据集和模型的泛化能力,最后通过深度学习模型的方式,训练异常回波信号数据集,并得到显示类器件线路缺陷判断模型,然后利用该线路缺陷判断模型对异常显示面板进行超声波线路检测,确认异常回波信号是否达到限定的检测精度,若是达到检测精度则将异常超声波回波信号输入到显示器件线路缺陷判断模型,不达到通过人为增加噪声,继续进行模型训练,使得缺陷超声波数据集能更加贴合正常超声波数据集,从而使得缺陷超声波数据集能达到预设检测精度,从而提高检测精度,然后使用通过训练集得到的显示类器件线路缺陷判断模型判断待检测区域第一检测点是否为缺陷,若是则将异常区域第一检测点的超声波回波信号输入到显示器件线路判断模型进行判断区域缺陷,若否第一检测点检测结束;确认是否完成所有区域的待检测点进行测量,若是结束,若否则将移动平台移动到下一个待检测点进行判断缺陷直到所有检测点检测完成,从而能只需要通过得到的显示类器件线路缺陷判断模型即可进行所有的检测,检测效率高。
Claims (10)
1.用于显示类器件的超声波线路检测方法,其特征在于:包括以下步骤:
S1 对正常显示面板,利用超声波发生器发出超声波并记录正常面板的回波信号,建立正常回波信号数据集;
S2 针对缺陷显示面板检测分析样本,利用超声波发生器发射超声波并记录缺陷位置对应的回波信号,并形成缺陷信号数据集;
S3 比较缺陷位置的回波信号与同样位置的正常回波信号,并针对缺陷分析样本进行缺陷类型的标记,并根据缺陷显示面板检测分析样本得到的缺陷位置对应回波信号得到线路缺陷数据集,对线路缺陷数据集进行预处理并加入噪声数据,通过深度学习模型对线路缺陷训练集进行训练得到显示类器件线路缺陷判断模型;
S4进行异常显示面板进行超声波线路检测,并通过显示类器件线路缺陷判断模型检测异常屏幕的待检测区域的线路异常,并统计线路异常区域的超声波回波信号参数是否达到预设检测精度,若是,
进入步骤S41:将异常区域的超声波回波信号输入到显示器件线路判断模型进行判断缺陷;若否,则进入步骤S42:对线路缺陷训练集中增加一预设量噪声数据然后重新进入到步骤S4进行检测直到达到预设检测精度为止;
S5 使用显示类器件线路缺陷判断模型判断待检测区域第一检测点是否为缺陷,若是则将异常区域第一检测点的超声波回波信号输入到显示器件线路判断模型进行判断区域缺陷,若否待检测区域第一检测点检测结束;
S6 确认是否完成所有区域的待检测点进行测量,若是结束,若否则将移动平台移动到下一个待检测点进行判断缺陷直到所有检测点检测完成。
2.根据权利要求1所述的用于显示类器件的超声波线路检测方法,其特征在于:步骤S1中对正常显示面板,通过移动平台移动到正常显示面板指定位置的上方,所述移动平台移动由控制电机转动控制。
3.根据权利要求1所述的用于显示类器件的超声波线路检测方法,其特征在于:
步骤S2中针对缺陷显示面板检测分析样本,通过移动平台移动到缺陷位置的上方,所述移动平台移动由控制电机转动控制。
4.根据权利要求1所述的用于显示类器件的超声波线路检测方法,其特征在于:步骤S3中对缺陷类型标记,标记出缺陷区域的超声波信号段标记出来,所述标记为玻璃裂痕、细微裂痕、线路断线。
5.根据权利要求1所述的用于显示类器件的超声波线路检测方法,其特征在于:针对缺陷分析样本进行缺陷类型的标记包括:通过分析收集到回波信号的第一参数,比较第一参数的不同,将缺陷样本中不同的第一参数利用软件标记出来。
6.根据权利要求5所述的用于显示类器件的超声波线路检测方法,其特征在于:第一参数包括超声波的振幅和频率。
7.根据权利要求1所述的用于显示类器件的超声波线路检测方法,其特征在于:回波信号集利用praat软件标注超声波信号的第一参数形成正常回拨信号数据集和缺陷信号数据集。
8.根据权利要求1所述的用于显示类器件的超声波线路检测方法,其特征在于:加入噪声数据为随机选取线路缺陷数据集集中部分样本增加人为噪声,所述人为噪声为产线中运行的噪声,或与设备期间本身的典型噪声或随机裁剪的操作噪声。
9.根据权利要求1所述的用于显示类器件的超声波线路检测方法,其特征在于:所述深度学习模型为YOLOv5s模型。
10.根据权利要求9所述的用于显示类器件的超声波线路检测方法,其特征在于:所述YOLOv5s模型需修改数据集配置文件,以及修改YOLOv5s的模型配置文件,将预训练权重文件放到weights权重指定路径,并对应更新权重路径的参数,将修改好的模型YOLOv5_panel.yaml、及数据集的panel.yaml进行参数和文件路径的更新,最后在系统中进行YOLOv5s模型训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310965994.XA CN117054517A (zh) | 2023-08-02 | 2023-08-02 | 用于显示类器件的超声波线路检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310965994.XA CN117054517A (zh) | 2023-08-02 | 2023-08-02 | 用于显示类器件的超声波线路检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117054517A true CN117054517A (zh) | 2023-11-14 |
Family
ID=88661807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310965994.XA Pending CN117054517A (zh) | 2023-08-02 | 2023-08-02 | 用于显示类器件的超声波线路检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117054517A (zh) |
-
2023
- 2023-08-02 CN CN202310965994.XA patent/CN117054517A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112053318B (zh) | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 | |
CN111024728B (zh) | 一种基于计算机视觉与超声波探伤的铁路检测方法和系统 | |
TWI618940B (zh) | 印刷電路板的盲孔檢測裝置與方法 | |
CN116540682B (zh) | 模拟单机测试方法、系统、装置、设备及介质 | |
JP2019191117A (ja) | 画像処理装置、画像処理方法及びプログラム | |
CN107290653B (zh) | 基于宽频磁感应信道特征辨识pcb的检测装置和方法 | |
CN110648308A (zh) | 一种pcb导线缺陷的识别与定位方法 | |
TWI658281B (zh) | 印刷電路板的鑽孔檢測裝置與方法 | |
CN117054517A (zh) | 用于显示类器件的超声波线路检测方法 | |
TW202402117A (zh) | 印刷電路板缺陷檢測模型訓練方法及缺陷檢測方法 | |
CN116012285A (zh) | 一种基于激光超声的bga焊点缺陷检测系统及检测方法 | |
CN112702905B (zh) | 印刷电路板良率和生产设备错误率之回溯方法及其系统 | |
KR20150104766A (ko) | 검사공정에서의 불량 이력 추적 방법 | |
CN1459628A (zh) | 电路板板材表面瑕疵检测即时汇报装置 | |
JPH09203765A (ja) | ビジュアル併用型基板検査装置 | |
CN110850126B (zh) | 检测系统、探针装置及面板检测方法 | |
CN113034496A (zh) | 一种pcb板测试系统 | |
CN113702726A (zh) | 一种车载显示器自动测试装置及测试方法 | |
JP2007292554A (ja) | 超音波探傷システム | |
JP5821881B2 (ja) | 超音波探傷装置および超音波探傷方法 | |
KR100472776B1 (ko) | 반도체 장치의 웨이퍼 결함 검사 방법 | |
CN117686588B (zh) | 燃气管道焊接质量的无损监测系统及方法 | |
KR102579226B1 (ko) | 딥러닝을 활용한 비원형 용기 생산 공정의 머신비전 검사 시스템 | |
KR20040055471A (ko) | 웨이퍼의 결함 검출 방법 | |
CN118226236A (zh) | 一种pcb缺陷的智能识别方法及装置 |
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 |