CN117409261B - 一种基于分类模型的元件角度分类方法及系统 - Google Patents
一种基于分类模型的元件角度分类方法及系统 Download PDFInfo
- Publication number
- CN117409261B CN117409261B CN202311713521.7A CN202311713521A CN117409261B CN 117409261 B CN117409261 B CN 117409261B CN 202311713521 A CN202311713521 A CN 202311713521A CN 117409261 B CN117409261 B CN 117409261B
- Authority
- CN
- China
- Prior art keywords
- information
- printed circuit
- circuit board
- data set
- component
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013145 classification model Methods 0.000 title claims abstract description 26
- 206010061274 Malocclusion Diseases 0.000 title claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 126
- 238000004519 manufacturing process Methods 0.000 claims abstract description 30
- 238000010276 construction Methods 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims description 47
- 239000000758 substrate Substances 0.000 claims description 32
- 239000000178 monomer Substances 0.000 claims description 12
- 230000008439 repair process Effects 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 26
- 239000003990 capacitor Substances 0.000 description 11
- 238000012549 training Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000009434 installation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012966 insertion method Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 239000003985 ceramic capacitor Substances 0.000 description 1
- 239000011889 copper foil Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
Abstract
本发明公开了一种基于分类模型的元件角度分类方法及系统,涉及印刷电路板元器件检测技术领域,所述系统包括第一构建单元、第二构建单元、第三构建单元、生成单元、获得单元和检测单元,所述方法应用于所述系统,所述方法包括:采集印刷电路板模板信息,所述信息包括第一数据集、第二数据集、第三数据集和标签数据集;基于深度学习的方式,利用第一数据集、第二数据集、第三数据集和标签数据集,获得角度检测模型;基于角度检测模型,对生产线上待检测印刷电路板的极性元器件进行元件角度检测。通过上述方法,可以实现对印刷电路板上极性元器件的角度检测,判断出是否存在极性元器件引脚接错的情况,同时弥补自动缺陷分类系统的不足。
Description
技术领域
本发明涉及印刷电路板元器件检测技术领域,具体地,涉及一种基于分类模型的元件角度分类方法。
背景技术
工业制造过程中因其工艺波动、机台差异等因素会产生各种各样形态的缺陷,这就需要工业制造企业使用大量人力对产品缺陷进行识别分类。工业2.0时代,越来越多的电子制造商开始采用自动缺陷分类系统 来取代人力进行缺陷分类,自动缺陷分类系统是一种基于机器视觉和图像识别等人工智能算法技术,提供自动缺陷检测和分类判图服务的系统,能够快速地进行诸如元器件缺失或者元器件破损等众多类型的产品缺陷识别与分类,但在印刷电路板的检测领域中,很多插件类元器件存在极性,插反或呈90/270度会导致印刷电路板异常,仅使用自动缺陷分类系统对元器件进行检测能满足对元器件缺失破碎情况的检测,但达不到对各极性元器件角度检测的要求。
发明内容
本发明的目的是提供一种基于分类模型的元件角度分类方法,解决在印刷电路板元器件检测技术领域仅使用自动缺陷分类系统无法达到对极性元器件角度检测要求的问题。
为实现上述目的,本发明采用了以下技术方案:
一种基于分类模型的元件角度分类方法,所述方法包括以下步骤:
S1、采集印刷电路板模板信息,所述印刷电路板模板信息包括元器件坐标位置信息和该坐标所对应的元器件信息,基于所述印刷电路板模板信息构建第一数据集;
S2、根据所述印刷电路板模板信息中的元器件信息判断元器件是否存在极性,根据判断结果将所述印刷电路板模板的元器件信息划分成极性元器件信息和非极性元器件信息,基于所述极性元器件信息构建第二数据集,所述极性元器件信息包括内含角度信息的元器件极性标识信息,所述印刷电路板模板信息包含所述极性元器件的角度信息,所述角度信息包括0°、90°、120°、180°、240°和270°角度;
S3、根据所述第二数据集,将所述极性元器件信息裁剪成若干仅包含一个极性元器件完整信息的单体极性元器件信息,基于所有单体极性元器件信息构建第三数据集,所述单体极性元器件信息中的角度为S2中所述角度信息中的一种角度;
S4、根据第三数据集,将所述极性标识中的角度信息作为特征值,对角度信息特征值相同的同类别极性元器件进行标注,生成对应的标签数据集;
S5、基于深度学习的方式,利用所述第一数据集、第二数据集、第三数据集和标签数据集,获得角度检测模型;
S6、基于角度检测模型,对生产线上待检测印刷电路板的极性元器件进行元件角度检测。
自动缺陷分类系统能够实现对印刷电路板上各元器件缺失或破损等生产缺陷进行检测,相较于人工检测而言,效率更高,但自动缺陷分类系统无法对印刷电路板上的极性元器件是否存在插法错误的情况进行检测,本发明将元器件的插法以角度的方式进行区分,通过判断极性元器件的角度来检测元器件的引脚安装是否正确,通过采用上述方法,从印刷电路板模板上裁剪出各极性元器件的角度信息,并将各极性元器件按照类型相同且角度相同的形式进行归类,利用采集到的各种数据集,基于深度学习的方式,获得角度检测模型,利用该检测模型对生产线上的印刷电路板进行检测,进而实现对印刷电路板上各极性元器件角度的识别,确定各极性元器件是否安装正确。同时,所述方法还可以直接利用自动缺陷分类系统本身的机器视觉和图像识别等人工智能算法技术,降低自动缺陷分类系统本身的复杂度,提升耦合性。
进一步地,所述步骤S6中进行元件角度检测之前还包括以下步骤:
检测所述待检测印刷电路板上是否存在极性元器件缺失情况或破损情况。
进行元件角度检测的前提条件是待检测的极性元器件存在且完整,所以进行极性元器件的元件角度检测之前,先对元器件进行缺失情况以及破损情况的检测,确保从待检测的印刷电路板获取的极性元器件信息是完整的,避免对后续检测结果造成影响。
进一步地,所述步骤S1中的印刷电路板模板信息还包括印刷电路板模板的基板坐标位置信息。获取印刷电路板模板的基板信息,用于对印刷电路板进行定位并且为后续印刷电路板的信息修正提供必要数据。
进一步地,所述方法还包括采集印刷电路板模板缺失信息,具体包括如下步骤:
A1、采集印刷电路板模板中各极性元器件独立状态下的极性标识信息并构建第一对比数据集,所述第一对比数据集包含所述各极性元器件的角度信息;
A2、获取所述印刷电路板模板信息中的极性标识信息并构建第二对比数据集;
A3、对比第二对比数据集和第一对比数据集获得对比结果,当对比结果表示所述第二对比数据集的角度信息出现信息缺失时,将所述对比结果中出现信息缺失的对应极性元器件赋予信息缺失标注,并在所述印刷电路板模板信息中生成带有信息缺失标注的极性元器件的标注文件。
在对印刷电路板进行信息采集的时候,用于采集信息的设备通常是具备拍照功能的相机,这类设备一般是固定在某一位置的,就会出现因拍摄角度固定而出现某些小体积极性元器件被大体积元器件遮挡的情况发生,从而导致采集到的极性元器件出现信息缺失的问题,影响获取到的数据集的完整性。通过上述步骤,基于印刷电路板模板,确定该模板上是否存在因元器件高度或大小出现部分极性元器件被遮挡致使信息采集装置无法获取完整信息的情况,如果存在,则获取被遮挡的极性元器件的坐标信息并将其标注为信息缺失,方便后续信息补全处理。
进一步地,所述步骤S6进行元件角度检测之前还包括以下步骤:
获取待检测印刷电路板信息,基于待检测印刷电路板信息构建第一待检测印刷电路板信息,所述待检测印刷电路版信息为元件角度检测所需信息,基于所述印刷电路板的基板坐标信息进行定位修正获取第二待检测印刷电路板信息,所述第二待检测印刷电路板信息为所述待检测印刷电路板的实际待检测信息,所述定位修正包括第一待检测印刷电路板信息修正和第一待检测印刷电路板信息中各极性元器件信息修正。
通过上述步骤,在待检测印刷电路板进行角度信息检测之前,先对待检测印刷电路板进行信息修正,确保从待检测印刷电路板中获取的信息能正常用于检测,不会因为印刷电路板的放置方式或者极性元器件被遮挡问题影响检测结果。
进一步地,所述定位修正包括以下步骤:
B1、获取第一待检测印刷电路板信息的坐标信息构建第一坐标信息集,所述坐标信息包括第一待检测印刷电路板的基板坐标信息和基板上的极性元器件坐标信息;
B2、获取第一待检测印刷电路板信息对应的印刷电路板模板坐标信息构建第二坐标信息集,所述坐标信息包括所述印刷电路板模板的基板坐标信息和基板上的极性元器件坐标信息;
B3、校验对比第一坐标信息集和第二坐标信息集获得校验结果,基于校验结果确定所述第一待检测印刷电路板信息与对应的印刷电路板模板之间的坐标偏差,基于所述坐标偏差进行第一待检测印刷电路板信息的修复矫正,所述修复矫正用于将第一待检测印刷电路板信息的坐标信息调整至与对应的印刷电路板模板的坐标信息一致,将所述第一待检测印刷电路板信息替换为修复矫正后的信息;
B4、在完成步骤B3的基础上,当检测到所述第一待检测印刷电路板信息所对应的印刷电路板模板信息存在标注文件时,进行所述标注文件中带有信息缺失标注的极性元器件的信息补全操作,基于所述信息补全操作获得第二待检测印刷电路板,所述信息补全操作用于补全因遮挡而无法被完整收集到的极性元器件信息。
进行元件角度检测前先进行图像定位和纠错,确保获取到的待检测印刷电路板图片与模板的角度方向大小等是一致的,然后再进行检测。基于待检测印刷电路板的坐标信息和其所对应的印刷电路板模板的坐标信息,将待检测印刷电路板的基板信息和基板上的各极性元器件信息进行修正,基板信息修正是将获取到的待检测印刷电路板图像调整至与其模板的坐标重合且方向一致,各极性元器件的信息修正是将调整后的印刷电路板上的各极性元器件信息进行矫正从而确保其角度和形状与其相应模板上的极性元器件的角度和形状一致,最终获取到符合元件角度检测条件的极性元器件信息。
进一步地,所述步骤B4中信息补全操作包括以下步骤:
B401、通过所述标注文件获取带有信息缺失标注的极性元器件的坐标位置信息,将所述坐标位置信息传递给信息采集装置;
B402、所述信息采集装置运动至所述带有信息缺失标注的极性元器件的正上方,采集所述带有信息缺失标注的极性元器件信息并标记为极性标识修正信息,基于极性标识修正信息构建极性标识修正数据集;
B403、利用所述极性标识修正数据集替换所述第一待检测印刷电路板信息的极性标识信息,完成信息补全,获取信息补全后的第二待检测印刷电路板信息。
当待检测印刷电路板经检测存在信息缺失标注的时候,就需要对缺失的信息进行补全操作,利用极性元器件的坐标信息确定带有信息缺失标注的极性元器件坐标位置,并根据该极性元器件坐标位置将信息采集装置移动至该极性元器件的正上方,通过调整数据采集装置获取极性元器件信息的视角,来获取被遮挡的极性元器件的完整信息,确保用于角度检测的极性元器件信息的准确性。
进一步地,所述第一数据集、第二数据集、第三数据集和标签数据集中均不包含所述非极性元器件的信息。在进行模型训练和利用模型进行检测时,采集到的数据量越多,在执行逻辑不变的情况下,模型训练和利用模型进行检测的效率就越低,不获取非极性元器件信息的目的是减少数据维度、精简检测模型训练用数据结构以及避免不必要的数据冗余,提升检测模型的训练效率。
进一步地,当步骤B402获取的极性标识信息仍存在信息缺失情况,所述步骤B402还包括以下步骤:
C1、获取信息缺失的极性标识信息,裁剪出的遮挡区信息并获取遮挡区坐标信息,基于遮挡区信息和遮挡区坐标位置信息构建第三对比数据集;
C2、获取所述第二待检测印刷电路板对应的印刷电路板模板信息,获取所述印刷电路板模板信息的极性标识信息和坐标信息,基于所述印刷电路板模板信息的极性标识信息和坐标信息构建第四对比数据集;
C3、将第三对比数据集与第四对比数据集进行信息对比,定位所述第四对比数据集中坐标信息与所述第三对比数据集遮挡区坐标信息一致的信息区域,使用遮挡区信息覆盖该信息区域的信息,基于完成信息覆盖后第四对比数据集构建第二角度信息;
C4、对所述信息缺失的极性标识信息进行角度检测时,使用的角度信息为所述第二角度信息。
进行元器件角度检测时,当印刷电路板上的极性元器件经过所述信息补全操作后仍然无法获取到完整信息的时候,通过上述步骤,直接将遮挡区信息做舍弃处理,利用局部特征来对印刷电路板进行角度检测。
进一步地,所述方法还包括:
S7、获取所述角度检测后的检测结果,将所述检测结果返回至生产制造系统,所述检测结果包括合格检测结果信息以及不合格检测结果信息,所述不合格检测结果信息包括印刷电路板各元器件角度检测情况和返工意见。
通过上述步骤S7,将生产模块与检测模块相关联,根据检测反馈能及时对生产系统进行调节。
为实现上述发明目的,本发明还提供了一种基于分类模型的元件角度分类系统,所述系统包括:
第一构建单元,用于采集印刷电路板模板信息,所述印刷电路板模板信息包括元器件坐标位置信息和该坐标所对应的元器件信息,基于所述印刷电路板模板信息构建第一数据集;
第二构建单元,用于根据所述印刷电路板模板信息中的元器件信息判断元器件是否存在极性,根据判断结果将所述印刷电路板模板的元器件信息划分成极性元器件信息和非极性元器件信息,基于所述极性元器件信息构建第二数据集,所述极性元器件信息包括内含角度信息的元器件极性标识信息,所述印刷电路板模板信息包含所述极性元器件的角度信息,所述角度信息包括0°、90°、120°、180°、240°和270°角度;
第三构建单元,用于根据所述第二数据集,将所述极性元器件信息裁剪成若干仅包含一个极性元器件完整信息的单体极性元器件信息,基于所有单体极性元器件信息构建第三数据集,所述单体极性元器件信息中的角度为S2中所述角度信息中的一种角度;
生成单元,用于根据第三数据集,将所述极性标识中的角度信息作为特征值,对角度信息特征值相同的同类别极性元器件进行标注,生成对应的标签数据集;
获得单元,用于基于深度学习的方式,利用所述第一数据集、第二数据集、第三数据集和标签数据集,获得角度检测模型;
检测单元,用于基于角度检测模型,对生产线上待检测印刷电路板的极性元器件进行元件角度检测。
本发明提供的一个或多个技术方案,至少具有如下技术效果或优点:
基于通过深度学习方式获取到的角度检测模型,对生产线上生产的印刷电路板进行极性元器件的角度检测,能够判断出进行检测的印刷电路板上的极性元器件是否存在安装时引脚连接错误的问题,同时配合自动缺陷分类系统一起使用,可以弥补自动缺陷分类系统达不到对各极性元器件角度检测需求的问题。
本发明提供的一种基于分类模型的元件角度分类方法中,再对待检测印刷电路板进行角度检测前,先进行信息修正,所述信息修正包括待检测印刷电路板基板的信息修正和待检测印刷电路板上极性元器件的信息修正,通过进行信息修正,能避免因待检测印刷电路板基板的放置角度不正或极性元器件被遮挡而产生的信息采集错误,提高检测准确率;同时,对通过改变信息采集装置视角仍不能获取完整信息的情况,直接采用获取被遮挡元器件局部信息的方式来进行检测,保证角度检测的正常进行。
通过采取检测完成后将检测信息反馈至生产系统并对存在问题的检测情况给予返工意见的方式,实现检测与生产的有效结合,形成生产闭环,提供返工意见能让生产人员快速定位问题点并及时采取修改措施,提升生产效率。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本发明的一部分,并不构成对本发明实施例的限定;
图1是本发明中基于分类模型的元件角度分类方法的流程示意图;
图2是本发明中采集印刷电路板模板缺失信息的流程示意图;
图3是本发明中待检测印刷电路板信息修正的流程示意图;
图4是本发明中印刷电路板模板缺失信息补全的流程示意图;
图5是本发明中印刷电路板模板缺失信息补全的补充操作的流程示意图;
图6是本发明中检测结果返回至生产制造系统的流程示意图;
图7是本发明中基于分类模型的元件角度分类系统组成示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
请参照图1,本发明一实施例提供的一种基于分类模型的元件角度分类方法的流程示意图,本实施例所述角度分类方法配合自动缺陷分类系统进行使用,当待检测印刷电路板完成生产以及各元器件装配后,利用自动缺陷分类系统进行元器件的缺失以及破损检测,确认元器件没有缺失或破损情况后,再对所述待检测印刷电路板进行元件角度检测。例如:生产线上的电路板基板上安装完发光二极管、电解电容和电阻等元器件后,进入检测区域被检测设备获取信息,所述检测设备可以是工业相机或者高清摄像头,经自动缺陷分类系统检测后发现存在一个元器件未安装的情况,此时直接判断该印刷电路板为不合格品,不进行后续元件角度检测,只有当自动缺陷分类系统检测后不存在元器件未安装且各个元器件都是完好不破损的情况,才执行元件角度检测。所述方法分为检测模型训练和检测模型使用两个方面,实施例中的各种信息可以是图像信息或者经数据转化后的文本信息,所述方法包括以下步骤:
S1、采集印刷电路板模板信息,构建第一数据集。
使用印刷电路板模板为采集检测模型提供训练所需的各种数据,所述印刷电路板模板上能安装元器件的位置无空缺,所述印刷电路板模板信息中包含能够安装在该印刷电路板上的所有极性元器件的所有角度信息,所述角度信息是指所述极性元器件引脚可能存在的接法,所述接法对应的极性元器件角度信息除0°以外的角度都是错误接法,例如,二极管引脚接法正常则为0°,引脚接法异常则为180°;三引脚的电容接法正常则为0°,引脚接法异常则为120°或者240°。其中,所述印刷电路板的模板信息包括元器件坐标信息和该坐标所对应的元器件信息,所述元器件坐标信息用于表示该元器件在所述印刷电路板上的位置,所述元器件信息包括该元器件的类型、该元器件是否为极性元器件以及该元器件的角度信息等信息,所述元器件的类型包括电解电容、电阻和发光二极管等,所述极性元器件包括电解电容、发光二极管和齐纳二极管等,非极性元器件包括电阻、陶瓷电容和晶体震荡管等,所述元器件的角度信息按照元器件存在的包含错误情况的插法,例如:两引脚的晶体二极管的角度信息为0°和180°,三引脚的电解电容的角度信息为0°、120°和240°,四引脚的电解电容的角度信息为0°、90°、180°和270°,长方体的集成电路的角度信息为0°和180°,正方体的集成电路的角度信息为0°、90°、180°和270°,所述角度为所述极性元器件在引脚正确插法基础上顺时针旋转所得,所述用于信息采集和数据集构建的可以是Python或C++编写的程序。
S2、基于第一数据集,获取印刷电路板模板的极性元器件信息,构建第二数据集。
利用第一数据集的信息,根据元器件的类型判断出该元器件是否为极性元器件,从中获取印刷电路板模板上的极性元器件信息,构建第二数据集,具体为:根据图像识别,判断出印刷电路板模板的元器件是否存在极性,将电解电容、发光二极管和齐纳二极管这些极性元器件归类在一起,通过步骤S1所述的程序或软件,构建出所述第二数据集。所述第二数据集为所述印刷电路板模板上所有极性元器件的整体图像信息。
S3、基于第二数据集,获取所有单体极性元器件信息,构建第三数据集。
利用图像处理工具,将所述第二数据集中的极性元器件信息裁剪成若干仅包含一个极性元器件完整信息的单体极性元器件信息,所述单体极性元器件信息包括该极性元器件的类别信息、角度信息和和极性标识信息,单体极性元器件信息中的角度为S1中所述角度信息中的一种角度,例如:一个发光二极管的单体极性元器件信息中,角度要么只能是0°,要么只能是180°。其中,所述极性标识信息为所述极性元器件上用于表述元器件正确连接角度的标示,例如:铝电解电容外壳顶部图形分为大小两个色带,大色带对应的是印刷电路板上的正极方向,所述图像处理工具可以是SimpleCV或者OpenCV,基于获得的印刷电路板模板上的所有单体极性元器件信息,构建出第三数据集。
S4、基于第三数据集,对角度信息特征值相同的同类别极性元器件进行标注,生成对应的标签数据集。
对第三数据集中的所有单体极性元器件信息按照种类和角度进行归类,对于同种类别的元器件,以角度信息为特征值,把所述单体极性元器件按照角度信息相同的条件归为一类,例如:对于类别都是发光二极管的极性元器件,由于其角度信息为0°和180度两种,所以将角度信息为0°的发光二极管归为同一类,将角度信息为180°的发光二极管归为同一类,并对归为一类的极性元器件信息给予标签,以key-value键值对的形式存储信息,所述标签对应所述键值对的key,所述标签对应的极性元器件信息的具体内容为value,基于归类后的所有信息构建标签数据集。
S5、基于深度学习的方式,利用所述第一数据集、第二数据集、第三数据集和标签数据集,获得角度检测模型。
所述第一数据集、所述第二数据集、所述第三数据集和所述标签数据集中都不包含非极性元器件的信息,非极性元器件信息在模型训练和检测中都属于非必要信息,不对其进行获取可以减少数据维度、精简检测模型训练用数据结构以及避免不必要的数据冗余,提升模型训练以及检测时的效率。所述深度学习的方式可以采用TensorFlow深度学习框架或者PyTorch深度学习框架。
S6基于角度检测模型,对生产线上待检测印刷电路板的极性元器件进行元件角度检测。
通过深度学习方式获得角度检测模型,所述角度检测模型在使用时可以嵌入到自动缺陷识别系统中或者单纯存在于一个独立的设备中,所述设备可以是工控机或者嵌入式计算机,所述角度检测模型的执行位于所述自动缺陷分类系统的最后,通过元件角度检测,能弥补使用自动缺陷分类系统达不到对各极性元器件安装后的角度正确与否的不足。
实施例2
请参照图2,本发明在实施例1的基础上提供的一种基于分类模型的元件角度分类方法,所述方法还包括采集印刷电路板模板缺失信息以及待检测印刷电路板信息的定位修正,所述电路板模板缺失信息是指在信息采集过程中,因为元器件的高度或大小不一致,存在部分极性元器件被遮挡的情况,此时需要对被遮挡的极性元器件进行处理以方便信息获取,实施例中的各种信息可以是图像信息或者经数据转化后的文本信息,进行所述采集印刷电路板模板缺失信息标注具体包括如下步骤:
A1、采集印刷电路板模板中各极性元器件独立状态下的极性标识信息并构建第一对比数据集。
所述各极性元器件独立状态下的极性标识信息是指该极性元器件在不被遮挡的情况下被信息采集装置获取到的信息,基于该信息构建第一对比数据集,所述信息采集装置可以是高清摄像头或工业相机,所述独立状态下的极性标识信息包含该极性元器件的完整极性标识信息。
A2、获取所述印刷电路板模板信息中的极性标识信息并构建第二对比数据集。
该步骤采集的极性标识信息是指利用和步骤A1中同样的信息采集装置在相同位置对所述印刷电路板模板进行图像采集后得到的信息。
A3、对比第二对比数据集和第一对比数据集获得对比结果。
当对比结果表示所述第二对比数据集的角度信息出现信息缺失时,所述信息缺失是指A1中所述信息采集装置采集完印刷电路板模板的图像中,因出现遮挡情况而导致无法获取到完整的极性元器件信息的情况,例如:使用工业相机对一块印刷电路板模板进行信息采集时,工业相机位于印刷电路板模板的正上方,由于工业相机拍摄角度原因,获取到的图像中,印刷电路板靠近边沿的位置处有一发光二极管被一个比该发光二极管体积大的电解电容阻挡而没有获取到该发光二极管的图像信息,这种情况即为信息缺失,将所述对比结果中出现信息缺失的对应极性元器件赋予信息缺失标注,并在所述印刷电路板模板信息中生成带有信息缺失标注的极性元器件的标注文件,所述标注文件可以是图像信息或者文本信息。
实施例3
请参照图3,本发明在实施例2的基础上提供的一种基于分类模型的元件角度分类方法,所述方法的步骤S6进行元件角度检测之前还包括对待检测印刷电路板进行定位修正,所述定位修正包括待检测印刷电路板基板的信息修正和待检测印刷电路板上各极性元器件的信息修正,完成元器件装配的印刷电路板在进入到检测区域的时候可能因为人为放置或者传送带传送不够平稳的情况,导致对待检测的印刷电路板进行信息采集的时候所获取的图像与相对应的印刷电路板模板不匹配,所述不匹配具体表现为图像旋转或者图像获取角度与模板有差异,当出现上述不匹配的问题,就需要进行信息修正,实施例中的各种信息可以是图像信息或者经数据转化后的文本信息,所述信息修正包括以下步骤:
B1、获取第一待检测印刷电路板信息的坐标信息构建第一坐标信息集,所述坐标信息包括第一待检测印刷电路板的基板坐标信息和基板上的极性元器件坐标信息。
进行信息修正,需要首先获取待检测印刷电路板的坐标信息,所述坐标信息包括待检测印刷电路板的基板坐标信息和基板上各极性元器件的坐标信息,所述基板坐标信息为印刷电路板在未安装元器件的状态下,自定义的一些该印刷电路板上用于进行定位识别的标志,所述标志包括过孔、焊盘或者铜箔导线,以该印刷电路板的相邻棱边交点为原点,建立平面直角坐标系并赋予所述标志相应坐标,所述基板上的极性元器件坐标信息则是该极性元器件在印刷电路板上的坐标,所述极性元器件坐标与基板坐标共用同一个平面直角坐标系。
B2、获取第一待检测印刷电路板信息对应的印刷电路板模板坐标信息构建第二坐标信息集,所述坐标信息包括所述印刷电路板模板的基板坐标信息和基板上的极性元器件坐标信息。
在获取待检测印刷电路板信息的坐标信息的同时,获取待检测印刷电路板所对应的印刷电路板模板的坐标信息,用于后续信息对比。
B3、校验对比第一坐标信息集和第二坐标信息集获得校验结果,基于校验结果确定所述第一待检测印刷电路板信息与对应的印刷电路板模板之间的坐标偏差,基于所述坐标偏差进行第一待检测印刷电路板信息的修复矫正,所述修复矫正用于将第一待检测印刷电路板信息的坐标信息调整至与对应的印刷电路板模板的坐标信息一致,将所述第一待检测印刷电路板信息替换为修复矫正后的信息。
对比待检测印刷电路板基板的坐标信息和相应的印刷电路板模板基板的坐标信息,当存在不一致时,利用图像处理工具基于所述印刷电路板模板的坐标信息将获取的待检测印刷电路板图片通过平移、旋转或者镜像等方式,达到坐标重合,所述图像处理工具为SimpleCV或者OpenCV,完成基板的信息修正后,通过所述图像处理工具,利用透视原理和裁剪拼接手段,对极性元器件进行信息修正,确保得到的极性元器件的形状大小能与模板上的极性元器件形状大小相一致。
B4、在完成步骤B3的基础上,当检测到所述第一待检测印刷电路板信息所对应的印刷电路板模板信息存在标注文件时,进行所述标注文件中带有信息缺失标注的极性元器件的信息补全操作,基于所述信息补全操作获得第二待检测印刷电路板,所述信息补全操作用于补全因遮挡而无法被完整收集到的极性元器件信息。
该步骤用于确保待检测印刷电路板上的极性元器件不会出现因被遮挡的情况而影响角度信息检测结果。
实施例4
请参照图4和图5,本发明在实施例3的基础上提供的一种基于分类模型的元件角度分类方法,所述方法在完成印刷电路板模板缺失信息的采集后,将所述标注文件加入角度信息检测模型中。当进行角度信息检测时,信息采集设备发现待检测印刷电路板所对应的印刷电路板模板中存在带有标注文件的极性元器件时,进行信息补全操作,所述信息补全操作包括以下步骤:
B401、通过所述标注文件获取带有信息缺失标注的极性元器件的坐标位置信息,将所述坐标位置信息传递给信息采集装置。
当待检测印刷电路板进行角度检测时,按照生产线预先设定好的生产安排,获取待检测印刷电路板的具体型号,通过该型号获得与其对应的印刷电路板的模板信息,并得到带有信息缺失标注的极性元器件的坐标位置信息,最后将所述坐标位置信息传递给信息采集装置,所述信息采集装置可以是安装在六自由度活动机械手臂上的工业相机或者位于待检测印刷电路板上方且安装在平行滑轨中的工业相机。
B402、所述信息采集装置运动至所述带有信息缺失标注的极性元器件的正上方,采集所述带有信息缺失标注的极性元器件信息并标记为极性标识修正信息,基于极性标识修正信息构建极性标识修正数据集。
接收到坐标位置信息后,B401中所述的信息采集装置移动至所述带有信息缺失标识的极性元器件的正上方,获取该极性元器件完整的极性标识信息,将采集到的所有带信息缺失标注的极性元器件的完整极性标识信息构建成一个数据集。另外,所述信息采集装置还可以是多个工业相机组合的阵列,从多个角度采集待检测印刷电路板上带有信息缺失标注的极性元器件的信息并采用SimpleCV或者OpenCV对记录有同一个极性元器件的多张图片进行拼接,获得该极性元器件的完整极性标识信息。
B403、利用所述极性标识修正数据集替换所述第一待检测印刷电路板信息的极性标识信息,完成信息补全。
将B402获取的数据集作为该待检测印刷电路板中带有信息缺失标注的极性元器件的实际被检测信息,并替换掉信息采集装置获取的待检测印刷电路板的初始待检测信息,所述初始待检测信息是指不对被遮挡印刷电路板采取信息补全操作所获得的待检测印刷电路板的用于进行角度信息检测的信息。
当步骤B402获取的极性标识信息仍存在信息缺失情况,即当通过采用变更信息采集装置的拍摄角度仍无法获取到待检测印刷电路板上极性元器件的完整信息时,所述步骤B402还包括以下步骤:
C1、获取信息缺失的极性标识信息,裁剪出的遮挡区信息并获取遮挡区坐标信息,基于遮挡区信息和遮挡区坐标位置信息构建第三对比数据集。
将通过信息补全步骤仍无法获得完整极性标识信息的极性元器件被遮挡处的图片信息利用OpenCV或者SimpleCV裁剪出来,并与该遮挡处的坐标信息一起构成数据集。
C2、获取所述第二待检测印刷电路板对应的印刷电路板模板信息,获取所述印刷电路板模板信息的极性标识信息和坐标信息,基于所述印刷电路板模板信息的极性标识信息和坐标信息构建第四对比数据集。
此步骤获取的数据集为待检测印刷电路板对应的印刷电路板模板中包含的完整的极性元器件信息。
C3、将第三对比数据集与第四对比数据集进行信息对比,定位所述第四对比数据集中坐标信息与所述第三对比数据集遮挡区坐标信息一致的信息区域,使用遮挡区信息覆盖该信息区域的信息,基于完成信息覆盖后第四对比数据集构建第二角度信息。
C1和C2获得的数据集进行对比,将用于检测的的印刷电路板模板上与待检测的印刷电路板上被遮挡区域相同位置的图片替换成C1中裁剪出来的图片,使得进行角度信息检测时,待检测印刷电路板和其相应的模板上的极性标识信息处分为遮挡区和非遮挡区。
C4、对所述信息缺失的极性标识信息进行角度检测时,使用的角度信息为所述第二角度信息。
对于执行C1到C3步骤的待检测印刷电路板,进行检查时,提供对比数据的印刷电路板模板信息和待检测印刷电路板模板中的遮挡区灰度直接调为0,只对非遮挡区进行检测,把整体特征对比的方式转变为局部特征对比的方式。
实施例5
请参照图6,本发明在实施例1的基础上提供的一种基于分类模型的元件分类角度方法,所述方法还包括步骤S7:
获取所述角度检测后的检测结果,将所述检测结果返回至生产制造系统,所述检测结果包括合格检测结果信息以及不合格检测结果信息,所述不合格检测结果信息包括印刷电路板各元器件角度检测情况和返工意见。
检测系统和生产系统可以使用同一个设备进行控制以及通过有线或者无线连接的两台设备进行控制,所述终端可以是普通工控机或者普通台式电脑,只有当待检测印刷电路板上无元器件缺失、无元器件破碎以及角度信息检测都为0°的时候,检测结果才返回合格,检测结果为合格时默认不进行反馈,当检测结果为缺失或者破损的情况时,通过上述设备的显示屏显示出元器件缺失位置,当检测结果为角度信息不合格时,显示不合格元器件位置以及修改方式,例如:三引脚的电解电容,角度信息检测结果为120°,则显示:请重新连接引脚,电容需逆时针转动120°;当角度信息检测结果为240°,则显示:请重新连接引脚,电容需顺时针转动120°。
实施例6
请参照图7,本发明一实施例提供的一种基于分类模型的元件角度分类系统,所述系统包括第一构建单元、第二构建单元、第三构建单元、生成单元、获得单元和检测单元。实施例1到实施例5都应用于所述系统中。其中第一构建单元用于构建第一数据集,所述第一数据集基于印刷电路板模板信息构建,第二构建单元用于构建第二数据集,所述第二数据集基于所述印刷电路板模板上的极性元器件信息构建,所述极性元器件信息包括内含角度信息的元器件极性标识信息,所述印刷电路板模板信息包含所述极性元器件的角度信息,所述角度信息包括0°、90°、120°、180°、240°和270°角度,第三构建单元用于构建第三数据集,所述第三数据集基于所述印刷电路板模板上的所有单体极性元器件信息构建,其中,单体极性元器件信息中的角度为所述角度信息中的一种角度,生成单元用于构建标签数据集,所述标签数据集基于具有相同角度信息特征值的同类型极性元器件信息构建。获得单元用于存储第一数据集、第二数据集、第三数据集和标签数据集,并且基于深度学习的方式,利用上述数据集进行模型训练,获得角度检测模型,所述获得单元用于储存的设备可以是只读存储器、随机存储器、闪存、硬盘或者光盘等,所述深度学习的方式可以采用TensorFlow深度学习框架或者PyTorch深度学习框架。所述检测单元用于对生产线上完成元器件安装的待检测印刷电路板进行角度检测,所述检测单元可以是存储有角度检测模型且能够正常运行该模型的工控机或普通台式计算机。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (11)
1.一种基于分类模型的元件角度分类方法,其特征在于,所述方法包括以下步骤:
S1、采集印刷电路板模板信息,所述印刷电路板模板信息包括元器件坐标位置信息和该坐标所对应的元器件信息,基于所述印刷电路板模板信息构建第一数据集;
S2、根据所述印刷电路板模板信息中的元器件信息判断元器件是否存在极性,根据判断结果将所述印刷电路板模板的元器件信息划分成极性元器件信息和非极性元器件信息,基于所述极性元器件信息构建第二数据集,所述极性元器件信息包括内含角度信息的元器件极性标识信息,所述印刷电路板模板信息包含所述极性元器件的角度信息,所述角度信息包括0°、90°、120°、180°、240°和270°角度;
S3、根据所述第二数据集,将所述极性元器件信息裁剪成若干仅包含一个极性元器件完整信息的单体极性元器件信息,基于所有单体极性元器件信息构建第三数据集,所述单体极性元器件信息中的角度为S2中所述角度信息中的一种角度;
S4、根据第三数据集,将所述极性标识中的角度信息作为特征值,对角度信息特征值相同的同类别极性元器件进行标注,生成对应的标签数据集;
S5、基于深度学习的方式,利用所述第一数据集、第二数据集、第三数据集和标签数据集,获得角度检测模型;
S6、基于角度检测模型,对生产线上待检测印刷电路板的极性元器件进行元件角度检测。
2.根据权利要求1所述的一种基于分类模型的元件角度分类方法,其特征在于,所述步骤S6中进行元件角度检测之前还包括以下步骤:
检测所述待检测印刷电路板上是否存在极性元器件缺失情况或破损情况。
3.根据权利要求1所述的一种基于分类模型的元件角度分类方法,其特征在于,所述步骤S1中的印刷电路板模板信息还包括印刷电路板模板的基板坐标位置信息。
4.根据权利要求3所述的一种基于分类模型的元件角度分类方法,其特征在于,所述方法还包括采集印刷电路板模板缺失信息,具体包括如下步骤:
A1、采集印刷电路板模板中各极性元器件独立状态下的极性标识信息并构建第一对比数据集,所述第一对比数据集包含所述各极性元器件的角度信息;
A2、获取所述印刷电路板模板信息中的极性标识信息并构建第二对比数据集;
A3、对比第二对比数据集和第一对比数据集获得对比结果,当对比结果表示所述第二对比数据集的角度信息出现信息缺失时,将所述对比结果中出现信息缺失的对应极性元器件赋予信息缺失标注,并在所述印刷电路板模板信息中生成带有信息缺失标注的极性元器件的标注文件。
5.根据权利要求4所述的一种基于分类模型的元件角度分类方法,其特征在于,所述步骤S6进行元件角度检测之前还包括以下步骤:
获取待检测印刷电路板信息,基于待检测印刷电路板信息构建第一待检测印刷电路板信息,所述待检测印刷电路版信息为元件角度检测所需信息,基于所述印刷电路板的基板坐标信息进行定位修正获取第二待检测印刷电路板信息,所述第二待检测印刷电路板信息为所述待检测印刷电路板的实际待检测信息,所述定位修正包括第一待检测印刷电路板信息修正和第一待检测印刷电路板信息中各极性元器件信息修正。
6.根据权利要求5所述的一种基于分类模型的元件角度分类方法,其特征在于,所述定位修正包括以下步骤:
B1、获取第一待检测印刷电路板信息的坐标信息构建第一坐标信息集,所述坐标信息包括第一待检测印刷电路板的基板坐标信息和基板上的极性元器件坐标信息;
B2、获取第一待检测印刷电路板信息对应的印刷电路板模板坐标信息构建第二坐标信息集,所述坐标信息包括所述印刷电路板模板的基板坐标信息和基板上的极性元器件坐标信息;
B3、校验对比第一坐标信息集和第二坐标信息集获得校验结果,基于校验结果确定所述第一待检测印刷电路板信息与对应的印刷电路板模板之间的坐标偏差,基于所述坐标偏差进行第一待检测印刷电路板信息的修复矫正,所述修复矫正用于将第一待检测印刷电路板信息的坐标信息调整至与对应的印刷电路板模板的坐标信息一致,将所述第一待检测印刷电路板信息替换为修复矫正后的信息;
B4、在完成步骤B3的基础上,当检测到所述第一待检测印刷电路板信息所对应的印刷电路板模板信息存在标注文件时,进行所述标注文件中带有信息缺失标注的极性元器件的信息补全操作,基于所述信息补全操作获得第二待检测印刷电路板,所述信息补全操作用于补全因遮挡而无法被完整收集到的极性元器件信息。
7.根据权利要求6所述的一种基于分类模型的元件角度分类方法,其特征在于,所述步骤B4中信息补全操作包括以下步骤:
B401、通过所述标注文件获取带有信息缺失标注的极性元器件的坐标位置信息,将所述坐标位置信息传递给信息采集装置;
B402、所述信息采集装置运动至所述带有信息缺失标注的极性元器件的正上方,采集所述带有信息缺失标注的极性元器件信息并标记为极性标识修正信息,基于极性标识修正信息构建极性标识修正数据集;
B403、利用所述极性标识修正数据集替换所述第一待检测印刷电路板信息的极性标识信息,完成信息补全,获取信息补全后的第二待检测印刷电路板信息。
8.根据权利要求1所述的一种基于分类模型的元件角度分类方法,其特征在于,所述第一数据集、第二数据集、第三数据集和标签数据集中均不包含所述非极性元器件的信息。
9.根据权利要求7所述的一种基于分类模型的元件角度分类方法,其特征在于,当步骤B402获取的极性标识信息仍存在信息缺失情况,所述步骤B402还包括以下步骤:
C1、获取信息缺失的极性标识信息,裁剪出的遮挡区信息并获取遮挡区坐标信息,基于遮挡区信息和遮挡区坐标位置信息构建第三对比数据集;
C2、获取所述第二待检测印刷电路板对应的印刷电路板模板信息,获取所述印刷电路板模板信息的极性标识信息和坐标信息,基于所述印刷电路板模板信息的极性标识信息和坐标信息构建第四对比数据集;
C3、将第三对比数据集与第四对比数据集进行信息对比,定位所述第四对比数据集中坐标信息与所述第三对比数据集遮挡区坐标信息一致的信息区域,使用遮挡区信息覆盖该信息区域的信息,基于完成信息覆盖后第四对比数据集构建第二角度信息;
C4、对所述信息缺失的极性标识信息进行角度检测时,使用的角度信息为所述第二角度信息。
10.根据权利要求1所述的一种基于分类模型的元件角度分类方法,其特征在于,所述方法还包括:
S7、获取所述角度检测后的检测结果,将所述检测结果返回至生产制造系统,所述检测结果包括合格检测结果信息以及不合格检测结果信息,所述不合格检测结果信息包括印刷电路板各元器件角度检测情况和返工意见。
11.一种基于分类模型的元件角度分类系统,其特征在于,所述系统包括:
第一构建单元,用于采集印刷电路板模板信息,所述印刷电路板模板信息包括元器件坐标位置信息和该坐标所对应的元器件信息,基于所述印刷电路板模板信息构建第一数据集;
第二构建单元,用于根据所述印刷电路板模板信息中的元器件信息判断元器件是否存在极性,根据判断结果将所述印刷电路板模板的元器件信息划分成极性元器件信息和非极性元器件信息,基于所述极性元器件信息构建第二数据集,所述极性元器件信息包括内含角度信息的元器件极性标识信息,所述印刷电路板模板信息包含所述极性元器件的角度信息,所述角度信息包括0°、90°、120°、180°、240°和270°角度;
第三构建单元,用于根据所述第二数据集,将所述极性元器件信息裁剪成若干仅包含一个极性元器件完整信息的单体极性元器件信息,基于所有单体极性元器件信息构建第三数据集,所述单体极性元器件信息中的角度为S2中所述角度信息中的一种角度;
生成单元,用于根据第三数据集,将所述极性标识中的角度信息作为特征值,对角度信息特征值相同的同类别极性元器件进行标注,生成对应的标签数据集;
获得单元,用于基于深度学习的方式,利用所述第一数据集、第二数据集、第三数据集和标签数据集,获得角度检测模型;
检测单元,用于基于角度检测模型,对生产线上待检测印刷电路板的极性元器件进行元件角度检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311713521.7A CN117409261B (zh) | 2023-12-14 | 2023-12-14 | 一种基于分类模型的元件角度分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311713521.7A CN117409261B (zh) | 2023-12-14 | 2023-12-14 | 一种基于分类模型的元件角度分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117409261A CN117409261A (zh) | 2024-01-16 |
CN117409261B true CN117409261B (zh) | 2024-02-20 |
Family
ID=89496589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311713521.7A Active CN117409261B (zh) | 2023-12-14 | 2023-12-14 | 一种基于分类模型的元件角度分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117409261B (zh) |
Citations (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08136400A (ja) * | 1994-11-04 | 1996-05-31 | Nec Corp | 素子特性欠陥検出方法およびそのための装置 |
JP2004202201A (ja) * | 2002-10-31 | 2004-07-22 | Toshiba Corp | 回転角度検出装置およびx線コンピュータ断層撮影装置 |
WO2011005353A1 (en) * | 2009-07-06 | 2011-01-13 | Exxonmobil Upstream Research Company | Method for seismic interpretation using seismic texture attributes |
KR20110034860A (ko) * | 2009-09-29 | 2011-04-06 | 삼성전기주식회사 | 피씨비 어레이 불량 검출 장치 |
CN103675588A (zh) * | 2013-11-20 | 2014-03-26 | 中国矿业大学 | 印刷电路元件极性的机器视觉检测方法及设备 |
WO2017084186A1 (zh) * | 2015-11-18 | 2017-05-26 | 华南理工大学 | 挠性电路板制造过程自动监测和智能分析系统及方法 |
WO2017215241A1 (zh) * | 2016-06-16 | 2017-12-21 | 广州视源电子科技股份有限公司 | 电路板元件漏件检测方法和系统 |
US9892301B1 (en) * | 2015-03-05 | 2018-02-13 | Digimarc Corporation | Localization of machine-readable indicia in digital capture systems |
JP2019220163A (ja) * | 2018-06-06 | 2019-12-26 | コグネックス・コーポレイション | ビジョンシステムでラインを検出するためのシステム及び方法 |
CN111312023A (zh) * | 2020-03-20 | 2020-06-19 | 上海中科教育装备集团有限公司 | 一种中学物理电路实验电路图自动绘制的装置及方法 |
WO2020248957A1 (zh) * | 2019-06-10 | 2020-12-17 | 中南民族大学 | 遮挡的目标物体的检测方法、系统、设备及存储介质 |
WO2021027184A1 (zh) * | 2019-08-09 | 2021-02-18 | 苏州康代智能科技股份有限公司 | 一种基于假点缺陷检测的pcb检修系统及检修方法 |
CN112651966A (zh) * | 2021-01-18 | 2021-04-13 | 厦门大学嘉庚学院 | 一种基于acyolov4_csp的印刷电路板微小缺陷检测方法 |
WO2021081688A1 (zh) * | 2019-10-28 | 2021-05-06 | 汉朔科技股份有限公司 | 基于价签的缺货检测方法及装置 |
WO2021090777A1 (ja) * | 2019-11-05 | 2021-05-14 | 日本電信電話株式会社 | 行動認識学習装置、行動認識学習方法、行動認識装置、及びプログラム |
KR102266605B1 (ko) * | 2020-10-23 | 2021-06-17 | 김철희 | 인쇄회로기판 검사 장치 및 방법 |
CN113030121A (zh) * | 2021-03-11 | 2021-06-25 | 微讯智造(广州)电子有限公司 | 用于电路板元器件的自动光学检测方法、系统、及设备 |
WO2021204936A1 (en) * | 2020-04-08 | 2021-10-14 | The University Court Of The University Of Glasgow | Apparatus and method for biomarker detection |
CN113822882A (zh) * | 2021-11-22 | 2021-12-21 | 武汉飞恩微电子有限公司 | 基于深度学习的电路板表面缺陷检测方法与检测装置 |
EP3941177A1 (en) * | 2020-07-13 | 2022-01-19 | Siemens Aktiengesellschaft | Inspection and production of printed circuit board assemblies |
CN114092448A (zh) * | 2021-11-22 | 2022-02-25 | 浙大城市学院 | 一种基于深度学习的插件电解电容混合检测方法 |
CN114429445A (zh) * | 2021-11-09 | 2022-05-03 | 南京师范大学 | 一种基于MAIRNet的PCB缺陷检测与识别方法 |
WO2022104585A1 (zh) * | 2020-11-18 | 2022-05-27 | 苏州康代智能科技股份有限公司 | 一种印刷电路板远程光学检修方法及系统 |
WO2022119347A1 (ko) * | 2020-12-02 | 2022-06-09 | 재단법인 아산사회복지재단 | 초음파 영상 기반의 딥 러닝을 통한 관상동맥 경화반 조직 분석 방법, 장치 및 기록매체 |
WO2022121039A1 (zh) * | 2020-12-10 | 2022-06-16 | 广州广电运通金融电子股份有限公司 | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 |
CN114841950A (zh) * | 2022-04-24 | 2022-08-02 | 大连保税区星隆国际工贸有限公司 | 基于动态检测的印刷电路板元件追踪系统及追踪方法 |
CN115439411A (zh) * | 2022-08-03 | 2022-12-06 | 深圳市国电科技通信有限公司 | 电路板元器件极性的检测方法、装置、介质和电子设备 |
CN116168040A (zh) * | 2023-04-26 | 2023-05-26 | 四川元智谷科技有限公司 | 元器件的方向检测方法、装置、电子设备及可读存储介质 |
WO2023092759A1 (zh) * | 2021-11-25 | 2023-06-01 | 浙江天铂云科光电股份有限公司 | 基于温度视觉的智能检测方法、装置及电子设备 |
CN116228741A (zh) * | 2023-04-10 | 2023-06-06 | 广东工业大学 | 一种pcba元器件缺陷检测方法及装置 |
WO2023115409A1 (zh) * | 2021-12-22 | 2023-06-29 | 深圳技术大学 | 一种焊盘检测方法、装置、计算机设备及存储介质 |
WO2023155069A1 (zh) * | 2022-02-16 | 2023-08-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的手机电池表面缺陷检测方法 |
CN117011300A (zh) * | 2023-10-07 | 2023-11-07 | 山东特检科技有限公司 | 一种实例分割与二次分类相结合的微小缺陷检测方法 |
WO2023220208A2 (en) * | 2022-05-13 | 2023-11-16 | Qualcomm Incorporated | Radar clustering using machine learning |
CN117109567A (zh) * | 2023-08-24 | 2023-11-24 | 江阴逐日信息科技有限公司 | 用于动感单车运动的骑行姿态监测方法、系统以及穿戴式骑行姿态监测设备 |
CN117152731A (zh) * | 2023-10-10 | 2023-12-01 | 江苏理工学院 | 一种卷烟厂入库物料箱标签关键信息识别方法及系统 |
CN117152123A (zh) * | 2023-10-12 | 2023-12-01 | 深圳正实自动化设备有限公司 | 一种用于锡膏印刷的检测定位优化方法、系统及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9558667B2 (en) * | 2012-07-09 | 2017-01-31 | Elwha Llc | Systems and methods for cooperative collision detection |
US10436720B2 (en) * | 2015-09-18 | 2019-10-08 | KLA-Tenfor Corp. | Adaptive automatic defect classification |
US10937168B2 (en) * | 2015-11-02 | 2021-03-02 | Cognex Corporation | System and method for finding and classifying lines in an image with a vision system |
US20190246036A1 (en) * | 2018-02-02 | 2019-08-08 | Futurewei Technologies, Inc. | Gesture- and gaze-based visual data acquisition system |
US11550309B2 (en) * | 2019-01-08 | 2023-01-10 | Kla Corporation | Unsupervised defect segmentation |
-
2023
- 2023-12-14 CN CN202311713521.7A patent/CN117409261B/zh active Active
Patent Citations (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08136400A (ja) * | 1994-11-04 | 1996-05-31 | Nec Corp | 素子特性欠陥検出方法およびそのための装置 |
JP2004202201A (ja) * | 2002-10-31 | 2004-07-22 | Toshiba Corp | 回転角度検出装置およびx線コンピュータ断層撮影装置 |
WO2011005353A1 (en) * | 2009-07-06 | 2011-01-13 | Exxonmobil Upstream Research Company | Method for seismic interpretation using seismic texture attributes |
KR20110034860A (ko) * | 2009-09-29 | 2011-04-06 | 삼성전기주식회사 | 피씨비 어레이 불량 검출 장치 |
CN103675588A (zh) * | 2013-11-20 | 2014-03-26 | 中国矿业大学 | 印刷电路元件极性的机器视觉检测方法及设备 |
US9892301B1 (en) * | 2015-03-05 | 2018-02-13 | Digimarc Corporation | Localization of machine-readable indicia in digital capture systems |
WO2017084186A1 (zh) * | 2015-11-18 | 2017-05-26 | 华南理工大学 | 挠性电路板制造过程自动监测和智能分析系统及方法 |
WO2017215241A1 (zh) * | 2016-06-16 | 2017-12-21 | 广州视源电子科技股份有限公司 | 电路板元件漏件检测方法和系统 |
JP2019220163A (ja) * | 2018-06-06 | 2019-12-26 | コグネックス・コーポレイション | ビジョンシステムでラインを検出するためのシステム及び方法 |
WO2020248957A1 (zh) * | 2019-06-10 | 2020-12-17 | 中南民族大学 | 遮挡的目标物体的检测方法、系统、设备及存储介质 |
WO2021027184A1 (zh) * | 2019-08-09 | 2021-02-18 | 苏州康代智能科技股份有限公司 | 一种基于假点缺陷检测的pcb检修系统及检修方法 |
WO2021081688A1 (zh) * | 2019-10-28 | 2021-05-06 | 汉朔科技股份有限公司 | 基于价签的缺货检测方法及装置 |
WO2021090777A1 (ja) * | 2019-11-05 | 2021-05-14 | 日本電信電話株式会社 | 行動認識学習装置、行動認識学習方法、行動認識装置、及びプログラム |
CN111312023A (zh) * | 2020-03-20 | 2020-06-19 | 上海中科教育装备集团有限公司 | 一种中学物理电路实验电路图自动绘制的装置及方法 |
WO2021204936A1 (en) * | 2020-04-08 | 2021-10-14 | The University Court Of The University Of Glasgow | Apparatus and method for biomarker detection |
EP3941177A1 (en) * | 2020-07-13 | 2022-01-19 | Siemens Aktiengesellschaft | Inspection and production of printed circuit board assemblies |
KR102266605B1 (ko) * | 2020-10-23 | 2021-06-17 | 김철희 | 인쇄회로기판 검사 장치 및 방법 |
WO2022104585A1 (zh) * | 2020-11-18 | 2022-05-27 | 苏州康代智能科技股份有限公司 | 一种印刷电路板远程光学检修方法及系统 |
WO2022119347A1 (ko) * | 2020-12-02 | 2022-06-09 | 재단법인 아산사회복지재단 | 초음파 영상 기반의 딥 러닝을 통한 관상동맥 경화반 조직 분석 방법, 장치 및 기록매체 |
WO2022121039A1 (zh) * | 2020-12-10 | 2022-06-16 | 广州广电运通金融电子股份有限公司 | 银行卡倾斜矫正检测方法、装置、可读存储介质和终端 |
CN112651966A (zh) * | 2021-01-18 | 2021-04-13 | 厦门大学嘉庚学院 | 一种基于acyolov4_csp的印刷电路板微小缺陷检测方法 |
CN113030121A (zh) * | 2021-03-11 | 2021-06-25 | 微讯智造(广州)电子有限公司 | 用于电路板元器件的自动光学检测方法、系统、及设备 |
CN114429445A (zh) * | 2021-11-09 | 2022-05-03 | 南京师范大学 | 一种基于MAIRNet的PCB缺陷检测与识别方法 |
CN113822882A (zh) * | 2021-11-22 | 2021-12-21 | 武汉飞恩微电子有限公司 | 基于深度学习的电路板表面缺陷检测方法与检测装置 |
CN114092448A (zh) * | 2021-11-22 | 2022-02-25 | 浙大城市学院 | 一种基于深度学习的插件电解电容混合检测方法 |
WO2023092759A1 (zh) * | 2021-11-25 | 2023-06-01 | 浙江天铂云科光电股份有限公司 | 基于温度视觉的智能检测方法、装置及电子设备 |
WO2023115409A1 (zh) * | 2021-12-22 | 2023-06-29 | 深圳技术大学 | 一种焊盘检测方法、装置、计算机设备及存储介质 |
WO2023155069A1 (zh) * | 2022-02-16 | 2023-08-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的手机电池表面缺陷检测方法 |
CN114841950A (zh) * | 2022-04-24 | 2022-08-02 | 大连保税区星隆国际工贸有限公司 | 基于动态检测的印刷电路板元件追踪系统及追踪方法 |
WO2023220208A2 (en) * | 2022-05-13 | 2023-11-16 | Qualcomm Incorporated | Radar clustering using machine learning |
CN115439411A (zh) * | 2022-08-03 | 2022-12-06 | 深圳市国电科技通信有限公司 | 电路板元器件极性的检测方法、装置、介质和电子设备 |
CN116228741A (zh) * | 2023-04-10 | 2023-06-06 | 广东工业大学 | 一种pcba元器件缺陷检测方法及装置 |
CN116168040A (zh) * | 2023-04-26 | 2023-05-26 | 四川元智谷科技有限公司 | 元器件的方向检测方法、装置、电子设备及可读存储介质 |
CN117109567A (zh) * | 2023-08-24 | 2023-11-24 | 江阴逐日信息科技有限公司 | 用于动感单车运动的骑行姿态监测方法、系统以及穿戴式骑行姿态监测设备 |
CN117011300A (zh) * | 2023-10-07 | 2023-11-07 | 山东特检科技有限公司 | 一种实例分割与二次分类相结合的微小缺陷检测方法 |
CN117152731A (zh) * | 2023-10-10 | 2023-12-01 | 江苏理工学院 | 一种卷烟厂入库物料箱标签关键信息识别方法及系统 |
CN117152123A (zh) * | 2023-10-12 | 2023-12-01 | 深圳正实自动化设备有限公司 | 一种用于锡膏印刷的检测定位优化方法、系统及存储介质 |
Non-Patent Citations (2)
Title |
---|
PCB Component Rotation Detection Based on Polarity Identifier Attention;Ma, H等;《International Conference on Artificial Neural Networks》;20230923;140-151 * |
基于机器视觉的插件式元器件插装后自动检测系统在PCBA过程中的应用;尹虎等;《自动化应用》;20231130;101-104 * |
Also Published As
Publication number | Publication date |
---|---|
CN117409261A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI667575B (zh) | 利用人工智慧的瑕疵檢測系統及其方法 | |
US5911001A (en) | Image processing apparatus | |
CN111742214B (zh) | 基板检查装置及丝网印刷机的缺陷类型确定方法 | |
US11521015B2 (en) | Image-recognition apparatus, image-recognition method, and non-transitory computer-readable storage medium thereof | |
Mahalingam et al. | Pcb-metal: A pcb image dataset for advanced computer vision machine learning component analysis | |
US11727553B2 (en) | Vision analysis and validation system for improved inspection in robotic assembly | |
CN109918523B (zh) | 一种基于yolo9000算法的电路板元器件检测方法 | |
CN113344929B (zh) | 一种焊点视觉检测识别方法、可读存储介质及设备 | |
US20230262903A1 (en) | Inspection and production of printed circuit board assemblies | |
CN110865087A (zh) | 一种基于人工智能的pcba质量检测方法 | |
CN117409261B (zh) | 一种基于分类模型的元件角度分类方法及系统 | |
US11455490B2 (en) | Image-recognition apparatus, image-recognition method, and non-transitory computer-readable storage medium thereof | |
CN114022436A (zh) | 一种印制电路板的检测方法、装置及检测设备 | |
US10069042B2 (en) | Light-emitting components containing body, manufacturing method of light-emitting components containing body, components mounting apparatus, components mounting method, and components mounting system | |
US20060034506A1 (en) | Machine vision analysis system and method | |
CN116934732A (zh) | 一种光伏组件的检测方法、装置及电子设备 | |
US20230237642A1 (en) | System and method for tracing components of electronic assembly | |
US20200045862A1 (en) | Board inspecting apparatus and method of compensating board distortion using the same | |
KR101664413B1 (ko) | Smt 마운트 머신의 부품 마운트 오류 판단 방법 | |
CN113933309A (zh) | 一种复测aoi机台检盲孔孔内不良的方法 | |
US20220207877A1 (en) | Method for detecting objects and their state, apparatus and storage medium applying method, and electronic device | |
TW202104879A (zh) | 影像辨識裝置、影像辨識方法及其電腦程式產品 | |
JP2008218737A (ja) | 画像処理装置 | |
TWI764473B (zh) | 物體檢測方法、裝置、電子設備及存儲介質 | |
CN113284108B (zh) | 检验电子纸点亮性能的检验方法、检验装置及检验设备 |
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 |