CN117355038B - 用于线路板软板的x型孔加工方法及其系统 - Google Patents

Abstract

本申请公开了一种用于线路板软板的X型孔加工方法及其系统，其通过采集加工完成的X型孔的孔型检测图像，并在后端引入图像处理和分析算法来进行所述孔型检测图像的分析，以判断X型孔的加工是否存在缺陷以及加工质量是否符合预定标准，以提供高质量的线路板软板。这样，能够提高线路板软板的生产效率和一致性，减少人为误差和缺陷率，从而提高线路板软板产品的可靠性和竞争力。

Description

用于线路板软板的X型孔加工方法及其系统

技术领域

本申请涉及智能加工领域，且更为具体地，涉及一种用于线路板软板的X型孔加工方法及其系统。

背景技术

线路板软板是电子产品中常用的一种基板，用于连接和支持电子元件。在线路板软板的制造过程中，X型孔是一种常见的加工要求。X型孔可以提供更好的连接性和稳定性，使得线路板软板能够适应更复杂的电路设计和布局。

在线路板软板的制造过程中，X型孔的加工方法通常需要进行多个步骤，包括打孔、切割和质量检测等，其中，X型孔的质量检测是至关重要的环节。质检旨在确保产品符合预定的标准和规范，以提供高质量的线路板软板。对于X型孔的加工而言，质检的目标是判断X型孔的加工质量是否符合预定标准，包括孔的形状、尺寸、对称性等方面。

然而，传统的X型孔加工质检方案通常依赖于人工操作和视觉检查，质检员需要凭借经验和直觉来判断X型孔的加工质量，这种主观判断容易受到人为误差的影响，导致质检结果的不一致性和不准确性。并且，传统质检方法需要耗费大量的人力和时间，特别是在大规模生产中，质检员需要逐个检查每个X型孔，这不仅耗时耗力，而且容易疲劳和出错。此外，传统质检方法通常只能检测一些表面的缺陷，如孔的形状和尺寸。然而，X型孔的加工质量还涉及到对称性、位置偏移等方面的要求，传统方法很难全面检测和评估这些因素。

因此，期望一种优化的用于线路板软板的X型孔加工方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于线路板软板的X型孔加工方法及其系统，其通过采集加工完成的X型孔的孔型检测图像，并在后端引入图像处理和分析算法来进行所述孔型检测图像的分析，以判断X型孔的加工是否存在缺陷以及加工质量是否符合预定标准，以提供高质量的线路板软板。这样，能够提高线路板软板的生产效率和一致性，减少人为误差和缺陷率，从而提高线路板软板产品的可靠性和竞争力。

根据本申请的一个方面，提供了一种用于线路板软板的X型孔加工方法，其包括：

步骤1：在线路板软板的预定位置进行打孔以得到多个圆孔；

步骤2：将所述线路板软板放置在一个具有X型刀片的切割机上，其中，所述切割机的X型刀片与所述圆孔的中心对齐；

步骤3：启动切割机，使所述X型刀片沿着所述圆孔的边缘切割出四个等边三角形的缺口，从而形成X型孔；

步骤4：对所述X型孔进行质量检测以判断所述X型孔的加工质量是否符合预定标准；以及

步骤5：重复步骤2、步骤3和步骤4以得到多个所述X型孔。

根据本申请的另一个方面，提供了一种用于线路板软板的X型孔加工系统，其包括：

图像获取模块，用于获取加工完成的X型孔的孔型检测图像；

浅层特征提取模块，用于通过基于第一深度神经网络模型的浅层特征提取器对所述孔型检测图像进行特征提取以得到孔型检测浅层特征图；

深层特征提取模块，用于通过基于第二深度神经网络模型的深层特征提取器对所述孔型检测浅层特征图进行特征提取以得到孔型检测深层特征图；

特征融合和自强化处理模块，用于对所述孔型检测浅层特征图和所述孔型检测深层特征图进行特征融合和自强化处理以得到自强化孔型检测特征；以及

结果生成模块，用于基于所述自强化孔型检测特征，确定所述X型孔的加工质量是否符合预定标准。

与现有技术相比，本申请提供的一种用于线路板软板的X型孔加工方法及其系统，其通过采集加工完成的X型孔的孔型检测图像，并在后端引入图像处理和分析算法来进行所述孔型检测图像的分析，以判断X型孔的加工是否存在缺陷以及加工质量是否符合预定标准，以提供高质量的线路板软板。这样，能够提高线路板软板的生产效率和一致性，减少人为误差和缺陷率，从而提高线路板软板产品的可靠性和竞争力。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的用于线路板软板的X型孔加工方法的流程图；

图2为根据本申请实施例的用于线路板软板的X型孔加工方法的系统架构图；

图3为根据本申请实施例的用于线路板软板的X型孔加工方法的训练阶段的流程图；

图4为根据本申请实施例的用于线路板软板的X型孔加工方法的子步骤S4的流程图；

图5为根据本申请实施例的用于线路板软板的X型孔加工方法的子步骤S44的流程图；

图6为根据本申请实施例的用于线路板软板的X型孔加工系统的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

传统的X型孔加工质检方案通常依赖于人工操作和视觉检查，质检员需要凭借经验和直觉来判断X型孔的加工质量，这种主观判断容易受到人为误差的影响，导致质检结果的不一致性和不准确性。并且，传统质检方法需要耗费大量的人力和时间，特别是在大规模生产中，质检员需要逐个检查每个X型孔，这不仅耗时耗力，而且容易疲劳和出错。此外，传统质检方法通常只能检测一些表面的缺陷，如孔的形状和尺寸。然而，X型孔的加工质量还涉及到对称性、位置偏移等方面的要求，传统方法很难全面检测和评估这些因素。因此，期望一种优化的用于线路板软板的X型孔加工方案。相应地，考虑到在用于线路板软板的X型孔加工过程中，对于加工后的X型孔进行质检尤为重要，其是确保产品符合预定的标准和规范，并保证生产出的线路板软板质量的关键。基于此，本申请的技术构思为通过采集加工完成的X型孔的孔型检测图像，并在后端引入图像处理和分析算法来进行所述孔型检测图像的分析，以判断X型孔的加工是否存在缺陷以及加工质量是否符合预定标准，以提供高质量的线路板软板。这样，能够提高线路板软板的生产效率和一致性，减少人为误差和缺陷率，从而提高线路板软板产品的可靠性和竞争力。

在本申请的技术方案中，提出了一种用于线路板软板的X型孔加工方法。图1为根据本申请实施例的用于线路板软板的X型孔加工方法的流程图。如图1所示，根据本申请的实施例的用于线路板软板的X型孔加工方法，包括步骤：S1，在线路板软板的预定位置进行打孔以得到多个圆孔；S2，将所述线路板软板放置在一个具有X型刀片的切割机上，其中，所述切割机的X型刀片与所述圆孔的中心对齐；S3，启动切割机，使所述X型刀片沿着所述圆孔的边缘切割出四个等边三角形的缺口，从而形成X型孔；S4，对所述X型孔进行质量检测以判断所述X型孔的加工质量是否符合预定标准；以及，S5，重复步骤2、步骤3和步骤4以得到多个所述X型孔。

特别地，所述S1，在线路板软板的预定位置进行打孔以得到多个圆孔。值得一提的是，软板是一种柔性线路板，由柔性基材制成，用于连接和支持电子元件。柔性基材通常是聚酰亚胺（PI）等柔性聚合物材料，具有良好的柔性和可弯曲性。软板可以在需要时进行折叠、弯曲或卷曲，适用于一些特殊的应用场景，如便携式电子设备、汽车电子、医疗设备等。软板相对于刚性线路板更轻薄灵活，可以适应复杂的形状和空间限制。

特别地，所述S2，将所述线路板软板放置在一个具有X型刀片的切割机上，其中，所述切割机的X型刀片与所述圆孔的中心对齐。值得一提的是，在线路板软板的制造过程中，X型孔是一种常见的加工要求。

特别地，所述S3，启动切割机，使所述X型刀片沿着所述圆孔的边缘切割出四个等边三角形的缺口，从而形成X型孔。值得一提的是，X型孔可以提供更好的连接性和稳定性，使得线路板软板能够适应更复杂的电路设计和布局。

特别地，所述S4，对所述X型孔进行质量检测以判断所述X型孔的加工质量是否符合预定标准。特别地，在本申请的一个具体示例中，如图2和图4所示，所述S4，包括：S41，获取加工完成的X型孔的孔型检测图像；S42，通过基于第一深度神经网络模型的浅层特征提取器对所述孔型检测图像进行特征提取以得到孔型检测浅层特征图；S43，通过基于第二深度神经网络模型的深层特征提取器对所述孔型检测浅层特征图进行特征提取以得到孔型检测深层特征图；S44，对所述孔型检测浅层特征图和所述孔型检测深层特征图进行特征融合和自强化处理以得到自强化孔型检测特征；以及，S45，基于所述自强化孔型检测特征，确定所述X型孔的加工质量是否符合预定标准。

具体地，所述S41，获取加工完成的X型孔的孔型检测图像。在本申请的技术方案中，可通过工业摄像头来获取加工完成的X型孔的孔型检测图像。值得一提的是，工业摄像头通常具有高分辨率，可以捕捉细节丰富的图像。这对于工业应用中需要进行精确检测、测量和分析的任务非常重要。

具体地，所述S42，通过基于第一深度神经网络模型的浅层特征提取器对所述孔型检测图像进行特征提取以得到孔型检测浅层特征图。也就是，使用在图像的隐含特征提取方面具有优异表现能力的卷积神经网络模型来进行所述孔型检测图像的特征挖掘，特别地，考虑到在实际进行X型孔的质量检测过程中，需要更加关注于所述X型孔的表面形状、尺寸、边缘和纹理等浅层特征信息，这有助于对于所述X型孔的加工质量进行检测。因此，在本申请的技术方案中，进一步将所述孔型检测图像通过基于第一卷积神经网络模型的浅层特征提取器以得到孔型检测浅层特征图。应可以理解，在进行加工完成的X型孔的孔型检测中，所述浅层特征提取器可以帮助捕捉孔的形状、边缘和纹理等特征信息，从而提供关于孔型的初步信息。更具体地，将所述孔型检测图像通过基于第一卷积神经网络模型的浅层特征提取器以得到孔型检测浅层特征图，包括：使用所述基于第一卷积神经网络模型的浅层特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于第一卷积神经网络模型的浅层特征提取器的最后一层的输出为所述孔型检测浅层特征图，所述基于第一卷积神经网络模型的浅层特征提取器的第一层的输入为所述孔型检测图像。

值得注意的是，卷积神经网络（Convolutional Neural Network，简称CNN）是一种深度学习模型，专门用于处理具有网格结构的数据，如图像和视频。CNN在计算机视觉领域取得了巨大成功，并在图像分类、目标检测、图像分割等任务上表现出色。CNN的核心思想是通过卷积操作来提取输入数据的特征，并通过层层堆叠的方式进行特征提取和抽象。以下是CNN的主要组成部分：卷积层：卷积层是CNN的核心组件，通过应用一组可学习的滤波器（也称为卷积核）对输入图像进行卷积操作，提取图像的局部特征。卷积操作可以有效捕捉图像中的空间关系和局部模式；池化层：池化层用于减小特征图的尺寸并保留重要的特征。常见的池化操作包括最大池化和平均池化，它们分别提取图像区域的最大值或平均值作为池化后的值；激活函数：激活函数引入非线性变换，增加模型的表达能力。常用的激活函数包括ReLU、Sigmoid和Tanh等。ReLU是最常用的激活函数，它在正区间上保持线性关系，在负区间上将值设为零；全连接层：全连接层将前一层的所有神经元与当前层的每个神经元相连接，用于将卷积层提取的特征映射与分类器相连，进行最终的分类或回归预测；Dropout层：Dropout层是一种正则化技术，用于减少过拟合。在训练过程中，Dropout层随机将一部分神经元的输出置为零，以降低神经元之间的依赖关系。CNN的训练过程通常使用反向传播算法进行参数更新，通过最小化损失函数来优化网络权重。在大规模数据集上进行训练，并使用梯度下降等优化算法进行参数更新，以提高模型的准确性和泛化能力。

具体地，所述S43，通过基于第二深度神经网络模型的深层特征提取器对所述孔型检测浅层特征图进行特征提取以得到孔型检测深层特征图。也就是，将所述孔型检测浅层特征图通过基于第二卷积神经网络模型的深层特征提取器以得到孔型检测深层特征图。应可以理解，通过使用所述深层特征提取器，可以捕捉到有关于所述X型孔的更高级别的语义信息，例如孔型的结构、对称性和细节等，这有助于更准确地区分不同类型的孔型和评估孔型的质量。更具体地，将所述孔型检测浅层特征图通过基于第二卷积神经网络模型的深层特征提取器以得到孔型检测深层特征图，包括：使用所述基于第二卷积神经网络模型的深层特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于第二卷积神经网络模型的深层特征提取器的最后一层的输出为所述孔型检测深层特征图，所述基于第二卷积神经网络模型的深层特征提取器的第一层的输入为所述孔型检测浅层特征图。

具体地，所述S44，对所述孔型检测浅层特征图和所述孔型检测深层特征图进行特征融合和自强化处理以得到自强化孔型检测特征。特别地，在本申请的一个具体示例中，如图5所示，所述S44，包括：S441，使用残差信息增强融合模块来融合所述孔型检测深层特征图和所述孔型检测浅层特征图以得到语义掩码强化孔型检测浅层特征图；以及，S442，对所述语义掩码强化孔型检测浅层特征图进行特征自相关强化处理以得到所述自强化孔型检测特征。

更具体地，所述S441，使用残差信息增强融合模块来融合所述孔型检测深层特征图和所述孔型检测浅层特征图以得到语义掩码强化孔型检测浅层特征图。考虑到在进行孔型检测图像的深层特征提取过程中，虽然可以提取到更高级别的抽象特征，但有时候可能会丢失一些细节信息。而所述浅层特征提取器可以更好地捕捉到图像的细节和局部特征。因此，需要将所述孔型检测图像的深层特征和浅层特征进行融合以综合利用它们各自的优势来提高孔型检测的准确性。基于此，在本申请的技术方案中，进一步使用残差信息增强融合模块来融合所述孔型检测深层特征图和所述孔型检测浅层特征图以得到语义掩码强化孔型检测浅层特征图。具体地，所述残差信息增强融合模块能够通过引入残差连接的方式，将所述孔型检测深层特征图与所述孔型检测浅层特征图进行融合。也就是说，残差连接可以帮助传递更多的细节信息和低频信息，从而增强所述孔型检测浅层特征图的语义表达能力。所述语义掩码强化孔型检测浅层特征图能够在保留X型孔的浅层特征的细节信息的同时，还融合了深层特征的语义信息，具备更丰富和准确的特征表示能力。

更具体地，所述S442，对所述语义掩码强化孔型检测浅层特征图进行特征自相关强化处理以得到所述自强化孔型检测特征。应可以理解，在孔型检测任务中，有关于X型孔的特征之间的关联性对于准确地识别和定位孔型非常重要。而由于自相关操作可以捕捉到特征之间的空间关系和上下文信息。因此，为了进一步增强特征之间的关联性和表达能力，在本申请的技术方案中，将所述语义掩码强化孔型检测浅层特征图通过特征自相关强化关联模块以得到自强化孔型检测浅层特征图。应可以理解，所述特征自相关强化关联模块的作用是通过引入自相关操作，增强特征之间的关联性，并提升特征的表达能力。通过对所述语义掩码强化孔型检测浅层特征图进行自相关操作，可以将特征图中每个位置有关于X型孔的特征与其周围位置的特征进行关联，从而获得更全局和上下文感知的特征表示。在一个具体示例中，将所述语义掩码强化孔型检测浅层特征图通过特征自相关强化关联模块以得到自强化孔型检测浅层特征图作为所述自强化孔型检测特征，包括：对所述语义掩码强化孔型检测浅层特征图通过所述特征自相关强化关联模块的第一卷积层以得到第一特征图;将所述第一特征图通过所述特征自相关强化关联模块的第二卷积层以得到第二特征图;将所述第二特征图沿通道维度的各个特征矩阵展开为特征向量以得到第一特征向量的序列;计算所述第一特征向量的序列中的任意两个第一特征向量之间的余弦相似度以得到以得到余弦相似性特征图;将所述余弦相似性特征图通过Softmax函数进行归一化处理以得到归一化余弦相似性特征图;将所述归一化余弦相似性特征图与所述余弦相似性特征图进行按位置点乘以得到相似度映射优化特征图:将所述相似度映射优化特征图通过所述特征自相关强化关联模块的第一反卷积层以得到第一反卷积特征图;计算所述第一反卷积特征图和所述第一特征图的逐元素和以得到第一融合特征图;将所述第一融合特征图通过所述特征自相关强化关联模块的第二反卷积层以得到第二反卷积特征图;计算所述第二反卷积特征图和所述语义掩码强化孔型检测浅层特征图的逐元素和以得到所述自强化孔型检测浅层特征图。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述孔型检测浅层特征图和所述孔型检测深层特征图进行特征融合和自强化处理以得到自强化孔型检测特征，例如：将浅层特征图和深层特征图进行特征融合，可以通过以下方法之一实现：拼接：将浅层特征图和深层特征图在通道维度上进行拼接，形成一个更丰富的特征表示；加权求和：对浅层特征图和深层特征图进行加权求和，可以通过学习可调的权重参数来控制特征的重要性；自强化处理：为了增强特征的表达能力和孔型检测的准确性，可以进行自强化处理。这可以通过以下步骤来实现：卷积操作：对特征融合后的图像特征进行卷积操作，以进一步提取更高级的语义特征；激活函数：应用激活函数对卷积操作的结果进行非线性变换，增加模型的表达能力；池化操作：对自强化后的特征图进行池化操作，以减小特征图的尺寸并保留重要的特征；输出：经过特征融合和自强化处理后，得到自强化孔型检测特征。

具体地，所述S45，基于所述自强化孔型检测特征，确定所述X型孔的加工质量是否符合预定标准。在本申请的技术方案中，将所述自强化孔型检测浅层特征图通过分类器以得到分类结果，所述分类结果用于表示X型孔的加工质量是否符合预定标准。也就是，利用经过特征自相关强化后的有关于X型孔的多尺度残差融合特征信息来进行分类处理，以此来判断X型孔的加工质量是否符合预定标准，包括孔的形状、尺寸、对称性等方面，以此来提供高质量的线路板软板。更具体地，将所述自强化孔型检测浅层特征图基于行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及；将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

分类器是指一种机器学习模型或算法，用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分，它通过学习从输入数据到输出类别的映射关系来进行分类任务。

全连接层是神经网络中常见的一种层类型。在全连接层中，每个神经元都与上一层的所有神经元相连接，每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入，并通过权重对这些输入进行加权求和，然后将结果传递给下一层。

Softmax分类函数是一种常用的激活函数，用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值，并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层，特别适用于多分类问题，因为它能够将网络输出映射为各个类别的概率分布。在训练过程中，Softmax函数的输出可以用于计算损失函数，并通过反向传播算法来更新网络参数。值得注意的是，Softmax函数的输出并不会改变元素之间的相对大小关系，只是对其进行了归一化处理。因此，Softmax函数并不改变输入向量的特性，只是将其转化为概率分布形式。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述X型孔进行质量检测以判断所述X型孔的加工质量是否符合预定标准，例如：首先，进行目视检查，观察X型孔的形状、大小和对称性。检查是否存在明显的缺陷、毛刺或不均匀的切割边缘；测量X型孔的尺寸，检查X型孔的边长是否一致；使用光学影像测量设备或三维扫描仪等设备，对X型孔进行几何形状检测。检查X型孔的角度、直线度和对称性等几何参数是否符合要求；观察X型孔的切割表面，检查是否存在划痕、磨损或其他表面缺陷。

特别地，所述S5，重复步骤2、步骤3和步骤4以得到多个所述X型孔。也就是，在通过重复步骤2、步骤3和步骤4以得到多个所述X型孔后，在后端引入图像处理和分析算法来依次进行对多个所述X型孔图像的分析，以判断X型孔的加工是否存在缺陷以及加工质量是否符合预定标准，以提供高质量的线路板软板。

应可以理解，在利用上述神经网络模型进行推断之前，需要对所述基于第一卷积神经网络模型的浅层特征提取器、所述基于第二卷积神经网络模型的深层特征提取器、所述残差信息增强融合模块、所述特征自相关强化关联模块和所述分类器进行训练。也就是说，在本申请的用于线路板软板的X型孔加工方法中，还包括训练阶段，用于对所述基于第一卷积神经网络模型的浅层特征提取器、所述基于第二卷积神经网络模型的深层特征提取器、所述残差信息增强融合模块、所述特征自相关强化关联模块和所述分类器进行训练。

图3为根据本申请实施例的用于线路板软板的X型孔加工方法的训练阶段的流程图。如图3所示，根据本申请实施例的用于线路板软板的X型孔加工方法，包括：训练阶段，包括：S110,获取训练数据，所述训练数据包括加工完成的X型孔的训练孔型检测图像；S120,通过基于第一卷积神经网络模型的浅层特征提取器对所述训练孔型检测图像进行特征提取以得到训练孔型检测浅层特征图；S130,通过基于第二卷积神经网络模型的深层特征提取器对所述训练孔型检测浅层特征图进行特征提取以得到训练孔型检测深层特征图；S140,对所述训练孔型检测浅层特征图和所述训练孔型检测深层特征图进行特征融合和自强化处理以得到训练自强化孔型检测特征图；以及S150,对所述训练自强化孔型检测特征图进行逐位置特征值优化以得到优化训练自强化孔型检测特征图；S160,将所述优化训练自强化孔型检测特征图通过所述分类器以得到分类损失函数值；以及，S170,基于所述分类损失函数值对所述基于第一卷积神经网络模型的浅层特征提取器、所述基于第二卷积神经网络模型的深层特征提取器、所述残差信息增强融合模块、所述特征自相关强化关联模块和所述分类器进行训练。

其中，将所述优化训练自强化孔型检测特征图通过所述分类器以得到分类损失函数值，包括：使用所述分类器对所述优化训练自强化孔型检测特征图进行处理以得到训练分类结果:以及，计算所述训练分类结果与所述X型孔的加工质量是否符合预定标准的真实值之间的交叉熵损失函数值作为所述分类损失函数值。

特别地，在本申请的技术方案中，所述孔型检测深层特征图和所述孔型检测浅层特征图分别表达所述孔型检测图像的浅层图像语义特征和深层图像语义特征，由此，使用残差信息增强融合模块来融合所述孔型检测深层特征图和所述孔型检测浅层特征图后，得到的所述语义掩码强化孔型检测浅层特征图的各个特征矩阵不仅包括所述孔型检测图像的浅层图像语义特征和深层图像语义特征，而且包括基于图像语义残差特征的层间残差图像语义特征表示，而将所述语义掩码强化孔型检测浅层特征图通过特征自相关强化关联模块后，会进一步基于所述语义掩码强化孔型检测浅层特征图的各个特征矩阵的图像语义特征分布来约束所述语义掩码强化孔型检测浅层特征图的各个特征矩阵间的通道分布，使得所述自强化孔型检测浅层特征图具有跨图像特征空间域的图像语义-残差语义多维度语义关联特征分布。但是，考虑到这种跨图像特征空间域的图像语义-残差语义多维度语义关联特征分布差异会给所述自强化孔型检测浅层特征图的整体特征表示带来局部特征分布稀疏化，即相对于整体高维特征流形的分布外稀疏化子流形，这会使得在将所述自强化孔型检测浅层特征图通过分类器进行类概率回归映射时，所述自强化孔型检测浅层特征图到概率空间内的预定类概率类别表示的收敛性差，影响分类结果的准确性。因此，优选地，对所述自强化孔型检测浅层特征图进行逐位置特征值优化，具体为：

其中是所述自强化孔型检测浅层特征图，/>是所述自强化孔型检测浅层特征图的每个特征值，/>（）表示向量的指数运算，/>是所述优化自强化孔型检测浅层特征图。也就是，通过基于重概率的正则化来处理高维特征空间内的稀疏分布，以激活所述自强化孔型检测浅层特征图/>在高维特征空间内的几何流形到概率空间的自然分布转移，从而通过对所述自强化孔型检测浅层特征图/>的高维特征流形的分布稀疏子流形进行基于重概率化的平滑正则的方式，提高具有高空间稀疏性的复杂高维特征流形在预定类概率下的类别收敛性，从而提升所述自强化孔型检测浅层特征图/>通过分类器得到的分类结果的准确性。这样，能够在加工过程中对X型孔的加工质量进行自动检测，以便于及时发现问题并采取纠正措施，从而提高线路板软板的质量，通过这样的方式，能够提高线路板软板的生产效率和一致性，减少人为误差和缺陷率，从而提高线路板软板产品的可靠性和竞争力。

综上，根据本申请实施例的用于线路板软板的X型孔加工方法被阐明，其通过采集加工完成的X型孔的孔型检测图像，并在后端引入图像处理和分析算法来进行所述孔型检测图像的分析，以判断X型孔的加工是否存在缺陷以及加工质量是否符合预定标准，以提供高质量的线路板软板。这样，能够提高线路板软板的生产效率和一致性，减少人为误差和缺陷率，从而提高线路板软板产品的可靠性和竞争力。

进一步地，还提供一种用于线路板软板的X型孔加工系统。

图6为根据本申请实施例的用于线路板软板的X型孔加工系统的框图。如图6所示，根据本申请实施例的用于线路板软板的X型孔加工系统300，包括：图像获取模块310，用于获取加工完成的X型孔的孔型检测图像；浅层特征提取模块320，用于通过基于第一深度神经网络模型的浅层特征提取器对所述孔型检测图像进行特征提取以得到孔型检测浅层特征图；深层特征提取模块330，用于通过基于第二深度神经网络模型的深层特征提取器对所述孔型检测浅层特征图进行特征提取以得到孔型检测深层特征图；特征融合和自强化处理模块340，用于对所述孔型检测浅层特征图和所述孔型检测深层特征图进行特征融合和自强化处理以得到自强化孔型检测特征；以及，结果生成模块350，用于基于所述自强化孔型检测特征，确定所述X型孔的加工质量是否符合预定标准。

如上所述，根据本申请实施例的用于线路板软板的X型孔加工系统300可以实现在各种无线终端中，例如具有用于线路板软板的X型孔加工算法的服务器等。在一种可能的实现方式中，根据本申请实施例的用于线路板软板的X型孔加工系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该用于线路板软板的X型孔加工系统300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该用于线路板软板的X型孔加工系统300同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该用于线路板软板的X型孔加工系统300与该无线终端也可以是分立的设备，并且该用于线路板软板的X型孔加工系统300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (8)

1.一种用于线路板软板的X型孔加工方法，其特征在于，包括：

步骤1：在线路板软板的预定位置进行打孔以得到多个圆孔；

步骤2：将所述线路板软板放置在一个具有X型刀片的切割机上，其中，所述切割机的X型刀片与所述圆孔的中心对齐；

步骤3：启动切割机，使所述X型刀片沿着所述圆孔的边缘切割出四个等边三角形的缺口，从而形成X型孔；

步骤4：对所述X型孔进行质量检测以判断所述X型孔的加工质量是否符合预定标准；以及

步骤5：重复步骤2、步骤3和步骤4以得到多个所述X型孔；

其中，所述步骤4，包括：

获取加工完成的X型孔的孔型检测图像；

通过基于第一深度神经网络模型的浅层特征提取器对所述孔型检测图像进行特征提取以得到孔型检测浅层特征图；

通过基于第二深度神经网络模型的深层特征提取器对所述孔型检测浅层特征图进行特征提取以得到孔型检测深层特征图；

对所述孔型检测浅层特征图和所述孔型检测深层特征图进行特征融合和自强化处理以得到自强化孔型检测特征；以及

基于所述自强化孔型检测特征，确定所述X型孔的加工质量是否符合预定标准。

2.根据权利要求1所述的用于线路板软板的X型孔加工方法，其特征在于，所述第一深度神经网络模型为第一卷积神经网络模型，所述第二深度神经网络模型为第二卷积神经网络模型。

3.根据权利要求2所述的用于线路板软板的X型孔加工方法，其特征在于，对所述孔型检测浅层特征图和所述孔型检测深层特征图进行特征融合和自强化处理以得到自强化孔型检测特征，包括：

使用残差信息增强融合模块来融合所述孔型检测深层特征图和所述孔型检测浅层特征图以得到语义掩码强化孔型检测浅层特征图；以及

对所述语义掩码强化孔型检测浅层特征图进行特征自相关强化处理以得到所述自强化孔型检测特征。

4.根据权利要求3所述的用于线路板软板的X型孔加工方法，其特征在于，对所述语义掩码强化孔型检测浅层特征图进行特征自相关强化处理以得到所述自强化孔型检测特征，包括：将所述语义掩码强化孔型检测浅层特征图通过特征自相关强化关联模块以得到自强化孔型检测浅层特征图作为所述自强化孔型检测特征。

5.根据权利要求4所述的用于线路板软板的X型孔加工方法，其特征在于，基于所述自强化孔型检测特征，确定所述X型孔的加工质量是否符合预定标准，包括：将所述自强化孔型检测浅层特征图通过分类器以得到分类结果，所述分类结果用于表示X型孔的加工质量是否符合预定标准。

6.根据权利要求5所述的用于线路板软板的X型孔加工方法，其特征在于，还包括训练步骤：用于对基于第一卷积神经网络模型的浅层特征提取器、基于第二卷积神经网络模型的深层特征提取器、所述残差信息增强融合模块、所述特征自相关强化关联模块和所述分类器进行训练。

7.根据权利要求6所述的用于线路板软板的X型孔加工方法，其特征在于，所述训练步骤，包括：

获取训练数据，所述训练数据包括加工完成的X型孔的训练孔型检测图像；

通过基于第一卷积神经网络模型的浅层特征提取器对所述训练孔型检测图像进行特征提取以得到训练孔型检测浅层特征图；

通过基于第二卷积神经网络模型的深层特征提取器对所述训练孔型检测浅层特征图进行特征提取以得到训练孔型检测深层特征图；

对所述训练孔型检测浅层特征图和所述训练孔型检测深层特征图进行特征融合和自强化处理以得到训练自强化孔型检测特征图；以及

对所述训练自强化孔型检测特征图进行逐位置特征值优化以得到优化训练自强化孔型检测特征图；

将所述优化训练自强化孔型检测特征图通过所述分类器以得到分类损失函数值；以及

基于所述分类损失函数值对所述基于第一卷积神经网络模型的浅层特征提取器、所述基于第二卷积神经网络模型的深层特征提取器、所述残差信息增强融合模块、所述特征自相关强化关联模块和所述分类器进行训练。

8.一种用于线路板软板的X型孔加工系统，其特征在于，包括：

图像获取模块，用于获取加工完成的X型孔的孔型检测图像；

浅层特征提取模块，用于通过基于第一深度神经网络模型的浅层特征提取器对所述孔型检测图像进行特征提取以得到孔型检测浅层特征图；

深层特征提取模块，用于通过基于第二深度神经网络模型的深层特征提取器对所述孔型检测浅层特征图进行特征提取以得到孔型检测深层特征图；

特征融合和自强化处理模块，用于对所述孔型检测浅层特征图和所述孔型检测深层特征图进行特征融合和自强化处理以得到自强化孔型检测特征；以及

结果生成模块，用于基于所述自强化孔型检测特征，确定所述X型孔的加工质量是否符合预定标准。