CN117560846B - 电池类超厚铜板线路板及其方法 - Google Patents
电池类超厚铜板线路板及其方法 Download PDFInfo
- Publication number
- CN117560846B CN117560846B CN202311536229.2A CN202311536229A CN117560846B CN 117560846 B CN117560846 B CN 117560846B CN 202311536229 A CN202311536229 A CN 202311536229A CN 117560846 B CN117560846 B CN 117560846B
- Authority
- CN
- China
- Prior art keywords
- circuit board
- surface state
- feature
- copper plate
- local
- 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
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 121
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 108
- 239000010949 copper Substances 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000000465 moulding Methods 0.000 claims abstract description 36
- 239000000758 substrate Substances 0.000 claims abstract description 36
- 238000005553 drilling Methods 0.000 claims abstract description 11
- 239000000853 adhesive Substances 0.000 claims abstract description 9
- 230000001070 adhesive effect Effects 0.000 claims abstract description 9
- 238000007731 hot pressing Methods 0.000 claims abstract description 9
- 238000003825 pressing Methods 0.000 claims abstract description 8
- 238000011049 filling Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 83
- 239000011159 matrix material Substances 0.000 claims description 65
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000001035 drying Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000000844 transformation Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 23
- 230000008569 process Effects 0.000 description 18
- 239000011889 copper foil Substances 0.000 description 13
- 239000000463 material Substances 0.000 description 8
- 230000007547 defect Effects 0.000 description 7
- 238000003475 lamination Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004146 energy storage Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000001303 quality assessment method Methods 0.000 description 3
- 230000008646 thermal stress Effects 0.000 description 3
- 238000003466 welding Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000945 filler Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000005382 thermal cycling Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K3/00—Apparatus or processes for manufacturing printed circuits
- H05K3/0058—Laminating printed circuit boards onto other substrates, e.g. metallic substrates
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K1/00—Printed circuits
- H05K1/02—Details
- H05K1/0296—Conductive pattern lay-out details not covered by sub groups H05K1/02 - H05K1/0295
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K3/00—Apparatus or processes for manufacturing printed circuits
- H05K3/0011—Working of insulating substrates or insulating layers
- H05K3/0044—Mechanical working of the substrate, e.g. drilling or punching
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K3/00—Apparatus or processes for manufacturing printed circuits
- H05K3/0094—Filling or covering plated through-holes or blind plated vias, e.g. for masking or for mechanical reinforcement
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K2203/00—Indexing scheme relating to apparatus or processes for manufacturing printed circuits covered by H05K3/00
- H05K2203/02—Details related to mechanical or acoustic processing, e.g. drilling, punching, cutting, using ultrasound
- H05K2203/0221—Perforating
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K2203/00—Indexing scheme relating to apparatus or processes for manufacturing printed circuits covered by H05K3/00
- H05K2203/06—Lamination
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K2203/00—Indexing scheme relating to apparatus or processes for manufacturing printed circuits covered by H05K3/00
- H05K2203/10—Using electric, magnetic and electromagnetic fields; Using laser light
- H05K2203/107—Using laser light
Landscapes
- Engineering & Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing Of Printed Wiring (AREA)
Abstract
本发明公开了一种电池类超厚铜板线路板及其方法,其将基材层和覆铜层进行清洗、干燥和切割以得到预处理后基材层和预处理后覆铜层;将所述预处理后基材层和所述预处理后覆铜层按照预定位置进行对准,并通过热压或真空压合的方式连接;将绝缘层覆盖在所述预处理后覆铜层的表面,并通过激光打孔的方式形成导通孔;将所述导通孔内填充导电胶或导电油墨,并进行固化以得到铜板线路板;对所述铜板线路板进行质量检测以得到成型质量符合预定标准的电池类超厚铜板线路板。这样,可以提高电池类超厚铜板线路板的制作质量,增强其可靠性和稳定性,满足高功率应用的需求。
Description
技术领域
本发明涉及智能化线路板技术领域,尤其涉及一种电池类超厚铜板线路板及其方法。
背景技术
电池类超厚铜板线路板是一种具有高导电性、高可靠性和高稳定性的线路板,它广泛应用于电动汽车、储能系统、风力发电等领域。然而,传统的电池类超厚铜板线路板的制作方法存在一些问题,如铜板线路板的成型质量不高等。
因此,期待一种优化的电池类超厚铜板线路板及其方法。
发明内容
本发明实施例提供一种电池类超厚铜板线路板及其方法,其将基材层和覆铜层进行清洗、干燥和切割以得到预处理后基材层和预处理后覆铜层;将所述预处理后基材层和所述预处理后覆铜层按照预定位置进行对准,并通过热压或真空压合的方式连接;将绝缘层覆盖在所述预处理后覆铜层的表面,并通过激光打孔的方式形成导通孔;将所述导通孔内填充导电胶或导电油墨,并进行固化以得到铜板线路板;对所述铜板线路板进行质量检测以得到成型质量符合预定标准的电池类超厚铜板线路板。这样,可以提高电池类超厚铜板线路板的制作质量,增强其可靠性和稳定性,满足高功率应用的需求。
本发明实施例还提供了一种电池类超厚铜板线路板的方法,其包括:
将基材层和覆铜层进行清洗、干燥和切割以得到预处理后基材层和预处理后覆铜层;
将所述预处理后基材层和所述预处理后覆铜层按照预定位置进行对准,并通过热压或真空压合的方式连接;
将绝缘层覆盖在所述预处理后覆铜层的表面,并通过激光打孔的方式形成导通孔;
将所述导通孔内填充导电胶或导电油墨,并进行固化以得到铜板线路板;
对所述铜板线路板进行质量检测以得到成型质量符合预定标准的电池类超厚铜板线路板。
本发明实施例还提供了一种电池类超厚铜板线路板,其包括:由如所述的电池类超厚铜板线路板的方法制得。
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,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地介绍,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他的附图。在附图中:
图1为本发明实施例中提供的一种电池类超厚铜板线路板的方法的流程图。
图2为本发明实施例中提供的一种电池类超厚铜板线路板的方法的系统架构的示意图。
图3为本发明实施例中提供的一种电池类超厚铜板线路板的系统的框图。
图4为本发明实施例中提供的一种电池类超厚铜板线路板的方法的应用场景图。
实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
电池类超厚铜板线路板是一种特殊设计的线路板,具有较厚的铜箔层,用于应对高电流和高功率应用,在电动汽车、储能系统、风力发电等领域得到广泛应用。
电池类超厚铜板线路板采用较厚的铜箔层,通常在70微米(2盎司)以上,甚至可以达到200微米(6盎司)以上。相比传统线路板的薄铜箔层,超厚铜板具有更低的电阻和更高的导电性能,能够承受更高的电流密度,减少线路板上的能量损耗。
电池类超厚铜板线路板通过增加铜箔的厚度,提高了线路板的机械强度和耐热性能,能够更好地承受热膨胀和冷却过程中的应力,减少因温度变化引起的线路板变形和焊接点断裂等问题,这种高可靠性设计可以提高电池系统的使用寿命和稳定性。
电池类超厚铜板线路板还具有较好的稳定性,由于其较厚的铜箔层,能够更好地分散和传导电池系统中产生的热量,降低温升,提高系统的热管理能力,这对于电动汽车和储能系统等高功率应用来说尤为重要,可以有效提高系统的安全性和稳定性。
传统的电池类超厚铜板线路板的制作方法确实存在一些问题,其中包括铜板线路板的成型质量不高等。传统的制作方法中,通常使用机械压力将铜箔与基板层进行压合,以形成线路板。然而,由于超厚铜箔的厚度较大,压合过程中很难实现均匀的压力分布,导致铜箔与基板之间的结合不够牢固,容易出现气泡、空隙和接触不良等问题,影响线路板的成型质量。在制作超厚铜板线路板时,铜箔的厚度较大,热膨胀系数也相应增大,在焊接和热循环过程中,铜箔和基板之间的热应力会增加,导致线路板变形、开裂或焊点断裂等问题。这些问题严重影响了线路板的可靠性和稳定性。
为了解决这些问题,近年来一些新的制造方法和技术被引入,以提高电池类超厚铜板线路板的成型质量和性能。例如:通过精密控制压合过程中的温度、压力和时间等参数,可以实现更均匀的压力分布,提高铜箔与基板之间的结合质量。同时,采用适当的压合模具设计和材料选择,可以减少气泡和空隙的产生,提高线路板的成型质量。预应力技术是一种通过施加压力或拉伸力来改变材料内部应力分布的方法,在制造超厚铜板线路板时,可以采用预应力技术来减少热应力对线路板的影响,提高线路板的稳定性和可靠性。选择合适的基板材料和铜箔材料也对线路板的成型质量有重要影响,优化材料选择可以降低材料的热膨胀系数,减少热应力的产生,从而改善线路板的性能。
在本发明的一个实施例中,图1为本发明实施例中提供的一种电池类超厚铜板线路板的方法的流程图。如图1所示,根据本发明实施例的电池类超厚铜板线路板的方法,包括:110,将基材层和覆铜层进行清洗、干燥和切割以得到预处理后基材层和预处理后覆铜层;120,将所述预处理后基材层和所述预处理后覆铜层按照预定位置进行对准,并通过热压或真空压合的方式连接;130,将绝缘层覆盖在所述预处理后覆铜层的表面,并通过激光打孔的方式形成导通孔;140,将所述导通孔内填充导电胶或导电油墨,并进行固化以得到铜板线路板;150,对所述铜板线路板进行质量检测以得到成型质量符合预定标准的电池类超厚铜板线路板。
在所述步骤110中,清洗、干燥和切割基材层和覆铜层。在清洗过程中,要确保基材层和覆铜层表面的污垢和杂质被彻底清除,以确保良好的粘附性和连接性。干燥过程应避免过高的温度和过长的时间,以防止基材层和覆铜层的变形或损坏。切割时要保证切割边缘的平整度和精度。清洗和干燥可以去除表面的污垢和氧化物,提供良好的粘附性和连接性。切割后可以得到符合尺寸要求的预处理后基材层和预处理后覆铜层。
在所述步骤120中,热压或真空压合连接基材层和覆铜层。在对准和压合过程中,要确保基材层和覆铜层的位置准确无误,并且压合过程中应控制好温度、压力和时间等参数,以确保良好的结合质量,热压或真空压合的选择应根据具体要求和材料特性进行决定。通过热压或真空压合连接,可以实现基材层和覆铜层的牢固结合,提供良好的导电性和机械强度。
在所述步骤130中,激光打孔形成导通孔。激光打孔过程中要控制好激光功率、聚焦度和打孔速度等参数,以确保孔径的精度和质量。同时,要根据设计要求和布局规划合理的导通孔位置和数量。通过激光打孔形成导通孔,可以实现线路板上不同层之间的导通,为电路连接提供通路。
在所述步骤140中,填充导电胶或导电油墨并固化。填充导电胶或导电油墨时要控制好填充量和均匀性,确保填充物充满导通孔并与铜箔良好接触,固化过程中要控制好温度和时间,以确保填充物的固化效果。填充导电胶或导电油墨可以实现导通孔的导电性,提高线路板的导电性能和可靠性。
在所述步骤150中,质量检测电池类超厚铜板线路板。质量检测应包括尺寸测量、导通测试、焊盘可靠性测试等,以确保成型质量符合预定标准,检测过程中要使用合适的测试设备和方法,并进行全面的检查和评估。质量检测可以确保电池类超厚铜板线路板的成型质量符合预定标准,提供可靠的产品给客户。
其中,为了确保电池类超厚铜板线路板的成型质量符合预定的质量标准,通常需要对生产完毕的铜板线路板进行质量检测,以帮助制造商发现潜在的缺陷、不良工艺或材料问题,并及时采取纠正措施,以避免不良产品进入市场。目前,生产线上的质量检测需要高效率和快速响应,以确保生产的连续性和生产效率。然而,现有的质量检测方案可能需要大量的人工操作和人为判断,存在检测速度慢、操作复杂等问题,无法满足实际生产需求。
AI可以应用于图像处理和模式识别算法,对线路板进行自动检测和分析。通过比对设计规范和检测结果,AI可以快速发现缺陷、瑕疵或错误,并提供准确的质量评估和判定。AI的发展及其在铜板线路板制备领域上的应用为解决上述技术问题提供了一种新的解决思路。
图2为本发明实施例中提供的一种电池类超厚铜板线路板的方法的系统架构的示意图。如图2所示,对所述铜板线路板进行质量检测以得到成型质量符合预定标准的电池类超厚铜板线路板,包括:首先,获取待检测电池类超厚铜板线路板的表面状态图像,其中,所述待检测电池类超厚铜板线路板为所述铜板线路板;然后,提取所述待检测电池类超厚铜板线路板的局部表面状态特征以得到线路板表面状态局部特征向量的序列;接着,构建所述线路板表面状态局部特征向量的序列之间的拓扑关系特征以得到关系拓扑特征矩阵;然后,融合所述线路板表面状态局部特征向量的序列和所述关系拓扑特征矩阵以得到关系拓扑线路板表面状态全局特征矩阵;以及,最后,基于所述关系拓扑线路板表面状态全局特征矩阵,确定所述待检测电池类超厚铜板线路板的成型质量是否符合预定标准。
首先,获取待检测电池类超厚铜板线路板的表面状态图像。确保使用高分辨率的图像采集设备,以获取清晰、准确的线路板表面状态图像。同时,要注意光照条件和拍摄角度,以避免图像中的阴影、反光和失真等问题。通过获取线路板表面状态图像,可以提供对线路板表面质量和缺陷的视觉信息,为后续特征提取和分析提供基础。
然后,提取待检测电池类超厚铜板线路板的局部表面状态特征。选择合适的特征提取方法,例如纹理特征、颜色特征或形状特征等,以提取线路板表面的局部特征。要确保特征提取过程准确、稳定,并能够捕捉到线路板表面的关键信息。通过提取局部表面状态特征,可以将线路板表面的细节信息转化为数值化的特征向量,为后续的关系拓扑分析和成型质量判断提供数据基础。
接着,构建线路板表面状态局部特征向量的序列之间的拓扑关系特征。根据局部特征向量的序列,构建拓扑关系特征矩阵,通常可以使用图论中的图结构表示。要考虑特征之间的相对位置和连接关系,以准确地反映线路板表面状态的拓扑结构。通过构建拓扑关系特征矩阵,可以捕捉到线路板表面状态局部特征之间的关系和连接方式,提供更全面的表面状态信息。
然后,融合局部特征向量序列和关系拓扑特征矩阵。选择合适的融合方法,例如特征向量的拼接、加权平均或神经网络融合等,以将局部特征向量序列和关系拓扑特征矩阵结合起来。要确保融合过程合理、有效,能够综合考虑局部特征和拓扑关系的贡献。通过融合局部特征向量序列和关系拓扑特征矩阵,可以得到更全局的线路板表面状态特征,提供更全面、准确的描述线路板表面状态的信息。
最后,基于关系拓扑线路板表面状态全局特征矩阵进行成型质量判断。建立适当的成型质量判断模型,例如机器学习分类器或深度学习网络等,以基于关系拓扑线路板表面状态全局特征矩阵进行成型质量的判断和分类。要确保模型的准确性和鲁棒性,需要充分的训练数据和适当的模型选择。通过基于关系拓扑线路板表面状态全局特征矩阵进行成型质量判断,可以自动化地评估线路板的成型质量,提高生产效率和产品质量。
基于此,在本申请的技术方案中,首先获取待检测电池类超厚铜板线路板的表面状态图像。接着,提取所述待检测电池类超厚铜板线路板的局部表面状态特征以得到线路板表面状态局部特征向量的序列。应可以理解,电池类超厚铜板线路板可能存在各种缺陷和不良工艺,如表面凹凸、氧化、污染等,这些局部特征对于判断线路板的成型质量非常重要。通过提取线路板表面的局部特征,可以捕捉到具体区域的形状、纹理、颜色等信息,这些信息可以反映出潜在的缺陷和不良工艺。例如,局部特征可以帮助检测导通孔的形状、大小和位置是否符合要求,或者表面是否存在凹凸不平的问题。
在本申请的一个具体示例中,提取所述待检测电池类超厚铜板线路板的局部表面状态特征以得到线路板表面状态局部特征向量的序列,包括:将所述表面状态图像通过基于金字塔网络的线路板表面状态特征提取器以得到线路板表面状态特征图;以及,将所述线路板表面状态特征图的沿通道维度的各个特征矩阵展开为特征向量以得到所述线路板表面状态局部特征向量的序列。
具体地,将所述表面状态图像通过基于金字塔网络的线路板表面状态特征提取器以得到线路板表面状态特征图,包括:将所述表面状态图像通过所述基于金字塔网络的线路板表面状态特征提取器的第一卷积模块以得到第一编码特征图;将所述第一编码特征图通过所述基于金字塔网络的线路板表面状态特征提取器的第二卷积模块以得到第二编码特征图;将所述第二编码特征图通过所述基于金字塔网络的线路板表面状态特征提取器的第二卷积模块以得到第三编码特征图;以及,融合所述第一编码特征图、所述第二编码特征图和所述第三编码特征图以得到所述线路板表面状态特征图。
然后,构建所述线路板表面状态局部特征向量的序列之间的拓扑关系特征以得到关系拓扑特征矩阵。也就是,捕捉局部特征之间的相互关系和依赖性。本领域的普通技术人员应当了解,线路板上的局部特征并不是孤立存在的,它们之间可能存在一定的关联和拓扑结构。例如,导通孔的位置和连接性可能会受到周围线路板表面的特征影响。通过建立局部特征向量序列之间的拓扑关系特征,可以更好地描述线路板表面的整体结构和相关性。
在本申请的一个具体示例中,构建所述线路板表面状态局部特征向量的序列之间的拓扑关系特征以得到关系拓扑特征矩阵,包括:计算所述线路板表面状态局部特征向量的序列中任意两个线路板表面状态局部特征向量之间的相关度以得到关系拓扑矩阵;以及,将所述关系拓扑矩阵通过基于卷积神经网络模型的关系拓扑特征提取器以得到所述关系拓扑特征矩阵。
具体地,计算所述线路板表面状态局部特征向量的序列中任意两个线路板表面状态局部特征向量之间的相关度以得到关系拓扑矩阵,包括:以如下相关度公式计算所述线路板表面状态局部特征向量的序列中任意两个线路板表面状态局部特征向量之间的相关度;其中,所述相关度公式为:
其中,为所述线路板表面状态局部特征向量的序列中任意两个线路板表面状态局部特征向量的前一个线路板表面状态局部特征向量,/>为所述线路板表面状态局部特征向量的序列中任意两个线路板表面状态局部特征向量的后一个线路板表面状态局部特征向量,/>和/>为两种不同的线性变换,/>为所述前一个线路板表面状态局部特征向量和所述后一个线路板表面状态局部特征向量之间的相关度。
在本申请的一个具体实施例中,将所述关系拓扑矩阵通过基于卷积神经网络模型的关系拓扑特征提取器以得到所述关系拓扑特征矩阵,包括:使用所述基于卷积神经网络模型的关系拓扑特征提取器的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述基于卷积神经网络模型的关系拓扑特征提取器的最后一层的输出为所述关系拓扑特征矩阵,其中,所述基于卷积神经网络模型的关系拓扑特征提取器的第一层的输入为所述关系拓扑矩阵。
考虑到局部特征提供了对线路板表面具体区域的详细描述,而拓扑关系特征则提供了对局部特征之间相互作用的理解。结合这些特征,可以更好地判断电池类超厚铜板线路板的成型质量是否符合预定标准,并检测出潜在的缺陷和不良工艺。因此,在本申请的技术方案中,将所述线路板表面状态局部特征向量的序列和所述关系拓扑矩阵通过图神经网络模型以得到关系拓扑线路板表面状态全局特征矩阵。这样,利用图神经网络模型能够有效地处理图结构数据,并学习到节点之间的复杂关系的能力,来捕捉线路板表面状态的全局特征,并挖掘节点之间的相互作用和依赖关系。
在本申请的一个具体实施例中,融合所述线路板表面状态局部特征向量的序列和所述关系拓扑特征矩阵以得到关系拓扑线路板表面状态全局特征矩阵,包括:将所述线路板表面状态局部特征向量的序列和所述关系拓扑矩阵通过图神经网络模型以得到所述关系拓扑线路板表面状态全局特征矩阵。
在本申请的一个实施例中,基于所述关系拓扑线路板表面状态全局特征矩阵,确定所述待检测电池类超厚铜板线路板的成型质量是否符合预定标准,包括:对所述关系拓扑线路板表面状态全局特征矩阵尽进行特征分布校正以得到校正后关系拓扑线路板表面状态全局特征矩阵;以及,将所述校正后关系拓扑线路板表面状态全局特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述待检测电池类超厚铜板线路板的成型质量是否符合预定标准。
在本申请的技术方案中,所述线路板表面状态局部特征向量的序列中的每个线路板表面状态局部特征向量表达所述表面状态图像基于金字塔网络的不同尺度和不同深度的图像语义特征,由此,将所述线路板表面状态局部特征向量的序列和所述关系拓扑矩阵通过图神经网络模型通过图神经网络模型后,所述关系拓扑线路板表面状态全局特征矩阵的与所述线路板表面状态局部特征向量对应的特征向量,例如行特征向量用于表达相应通道下的所述表面状态图像的不同尺度和不同深度维度下的图像语义特征在基于所述卷积神经网络模型的通道分布的图像语义特征跨尺度跨深度通道相关度拓扑下的拓扑关联特征,也就是,在所述关系拓扑线路板表面状态全局特征矩阵通过分类器进行分类回归的基础上,所述关系拓扑线路板表面状态全局特征矩阵的各个行特征向量符合所述线路板表面状态局部特征向量的图像语义特征的对于分类回归目标的插值式拓扑关联混合。
因此,为了提升所述关系拓扑线路板表面状态全局特征矩阵的各个行特征向量在所述线路板表面状态局部特征向量的不同尺度和不同深度维度下的图像语义特征的表达一致性基础上的特征拓扑关联强化表达效果,对于每组行特征向量和所述线路板表面状态局部特征向量,基于所述线路板表面状态局部特征向量对所述行特征向量进行优化,表示为:对于所述关系拓扑线路板表面状态全局特征矩阵的每组行特征向量和所述线路板表面状态局部特征向量,以如下优化公式基于所述线路板表面状态局部特征向量对所述行特征向量进行特征分布校正以得到校正后关系拓扑线路板表面状态全局特征矩阵;其中,所述优化公式为:
其中,是所述线路板表面状态局部特征向量,/>是所述行特征向量,/>和/>分别表示所述线路板表面状态局部特征向量/>和所述行特征向量/>的全局最大值的倒数,/>是单位向量,且/>表示对所述行特征向量/>的逐位置特征值取倒数,/>是所述校正后关系拓扑线路板表面状态全局特征矩阵的特征向量,/>表示按位置减法,/>表示按位置加法,/>表示按位置点乘。
具体地,针对在特征提取过程中对于回归目标的插值式拓扑关联混合,基于插值正则化的思想,通过将离群特征的特征映射解除混合,使得高维特征流形基于归纳偏差而恢复到以弱增强为基础的流形几何形状,实现基于特征提取的插值样本和插值预测的一致性特征增强映射,以在保持所述关系拓扑线路板表面状态全局特征矩阵的各个行特征向量相对于所述线路板表面状态局部特征向量的特征一致性的同时获得基于拓扑关联的特征强化效果,从而改进每组对应的线路板表面状态局部特征向量和所述关系拓扑线路板表面状态全局特征矩阵的行特征向量之间的在表达一致性基础上的特征拓扑关联强化表达效果,以提升所述关系拓扑线路板表面状态全局特征矩阵通过分类器得到的分类结果的准确性。
进一步地,将所述校正后关系拓扑线路板表面状态全局特征矩阵通过分类器以得到分类结果,所述分类结果用于表示待检测电池类超厚铜板线路板的成型质量是否符合预定标准。
通过使用分类器对线路板进行分类,可以实现对成型质量的自动化评估,这消除了对人工判断的依赖,提高了评估的效率和一致性。分类结果可以快速地给出电池类超厚铜板线路板的成型质量判断,无需等待人工检查或复杂的测试过程,有助于提高生产效率和及时发现潜在问题。
使用分类器进行成型质量评估可以确保评估过程的重复性和一致性,相同的线路板样本在不同时间或不同操作者之间的评估结果应该是一致的,这有助于建立稳定的质量标准和生产流程。通过收集大量的线路板数据和相应的成型质量标签,可以不断优化分类器的性能和准确性,这使得质量控制和改进可以基于数据驱动的决策,提高生产效率和产品质量。
将校正后的关系拓扑线路板表面状态全局特征矩阵通过分类器进行成型质量分类具有自动化、快速反馈、高准确性、可重复性和一致性以及数据驱动决策等有益效果,有助于提高生产效率、降低人工成本,并确保电池类超厚铜板线路板的成型质量符合预定标准。
综上,基于本发明实施例的电池类超厚铜板线路板的方法被阐明,其AI可以应用于图像处理和模式识别算法,对线路板进行自动检测和分析。通过比对设计规范和检测结果,AI可以快速发现缺陷、瑕疵或错误,并提供准确的质量评估和判定。
在本申请的一个实施例中,还提供一种电池类超厚铜板线路板,由如所述的电池类超厚铜板线路板的方法制得。
图3为本发明实施例中提供的一种电池类超厚铜板线路板的系统的框图。如图3所示,所述电池类超厚铜板线路板的系统200,包括:预处理模块210,用于将基材层和覆铜层进行清洗、干燥和切割以得到预处理后基材层和预处理后覆铜层;对准模块220,用于将所述预处理后基材层和所述预处理后覆铜层按照预定位置进行对准,并通过热压或真空压合的方式连接;激光打孔模块230,用于将绝缘层覆盖在所述预处理后覆铜层的表面,并通过激光打孔的方式形成导通孔;铜板线路板生成模块240,用于将所述导通孔内填充导电胶或导电油墨,并进行固化以得到铜板线路板;质量检测模块250,用于对所述铜板线路板进行质量检测以得到成型质量符合预定标准的电池类超厚铜板线路板。
本领域技术人员可以理解,上述电池类超厚铜板线路板的系统中的各个步骤的具体操作已经在上面参考图1到图2的电池类超厚铜板线路板的方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本发明实施例的电池类超厚铜板线路板的系统200可以实现在各种终端设备中,例如用于电池类超厚铜板线路板的服务器等。在一个示例中,根据本发明实施例的电池类超厚铜板线路板的系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该电池类超厚铜板线路板的系统200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该电池类超厚铜板线路板的系统200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该电池类超厚铜板线路板的系统200与该终端设备也可以是分立的设备,并且该电池类超厚铜板线路板的系统200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图4为本发明实施例中提供的一种电池类超厚铜板线路板的方法的应用场景图。如图4所示,在该应用场景中,首先,获取待检测电池类超厚铜板线路板的表面状态图像(例如,如图4中所示意的C);然后,将获取的表面状态图像输入至部署有电池类超厚铜板线路板算法的服务器(例如,如图4中所示意的S)中,其中所述服务器能够基于电池类超厚铜板线路板算法对所述表面状态图像进行处理,以确定所述待检测电池类超厚铜板线路板的成型质量是否符合预定标准。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种电池类超厚铜板线路板的方法,其特征在于,包括:
将基材层和覆铜层进行清洗、干燥和切割以得到预处理后基材层和预处理后覆铜层;
将所述预处理后基材层和所述预处理后覆铜层按照预定位置进行对准,并通过热压或真空压合的方式连接;
将绝缘层覆盖在所述预处理后覆铜层的表面,并通过激光打孔的方式形成导通孔;
将所述导通孔内填充导电胶或导电油墨,并进行固化以得到铜板线路板;
对所述铜板线路板进行质量检测以得到成型质量符合预定标准的电池类超厚铜板线路板;
其中,对所述铜板线路板进行质量检测以得到成型质量符合预定标准的电池类超厚铜板线路板,包括:
获取待检测电池类超厚铜板线路板的表面状态图像,其中,所述待检测电池类超厚铜板线路板为所述铜板线路板;
提取所述待检测电池类超厚铜板线路板的局部表面状态特征以得到线路板表面状态局部特征向量的序列;
构建所述线路板表面状态局部特征向量的序列之间的拓扑关系特征以得到关系拓扑特征矩阵;
融合所述线路板表面状态局部特征向量的序列和所述关系拓扑特征矩阵以得到关系拓扑线路板表面状态全局特征矩阵;以及
基于所述关系拓扑线路板表面状态全局特征矩阵,确定所述待检测电池类超厚铜板线路板的成型质量是否符合预定标准;
其中,构建所述线路板表面状态局部特征向量的序列之间的拓扑关系特征以得到关系拓扑特征矩阵,包括:
计算所述线路板表面状态局部特征向量的序列中任意两个线路板表面状态局部特征向量之间的相关度以得到关系拓扑矩阵;以及
将所述关系拓扑矩阵通过基于卷积神经网络模型的关系拓扑特征提取器以得到所述关系拓扑特征矩阵;
其中,计算所述线路板表面状态局部特征向量的序列中任意两个线路板表面状态局部特征向量之间的相关度以得到关系拓扑矩阵,包括:
以如下相关度公式计算所述线路板表面状态局部特征向量的序列中任意两个线路板表面状态局部特征向量之间的相关度;
其中,所述相关度公式为:其中,/>为所述线路板表面状态局部特征向量的序列中任意两个线路板表面状态局部特征向量的前一个线路板表面状态局部特征向量,/>为所述线路板表面状态局部特征向量的序列中任意两个线路板表面状态局部特征向量的后一个线路板表面状态局部特征向量,/>和/>为两种不同的线性变换,/>为所述前一个线路板表面状态局部特征向量和所述后一个线路板表面状态局部特征向量之间的相关度。
2.根据权利要求1所述的电池类超厚铜板线路板的方法,其特征在于,提取所述待检测电池类超厚铜板线路板的局部表面状态特征以得到线路板表面状态局部特征向量的序列,包括:
将所述表面状态图像通过基于金字塔网络的线路板表面状态特征提取器以得到线路板表面状态特征图;以及
将所述线路板表面状态特征图的沿通道维度的各个特征矩阵展开为特征向量以得到所述线路板表面状态局部特征向量的序列。
3.根据权利要求2所述的电池类超厚铜板线路板的方法,其特征在于,将所述表面状态图像通过基于金字塔网络的线路板表面状态特征提取器以得到线路板表面状态特征图,包括:
将所述表面状态图像通过所述基于金字塔网络的线路板表面状态特征提取器的第一卷积模块以得到第一编码特征图;
将所述第一编码特征图通过所述基于金字塔网络的线路板表面状态特征提取器的第二卷积模块以得到第二编码特征图;
将所述第二编码特征图通过所述基于金字塔网络的线路板表面状态特征提取器的第二卷积模块以得到第三编码特征图;以及
融合所述第一编码特征图、所述第二编码特征图和所述第三编码特征图以得到所述线路板表面状态特征图。
4.根据权利要求3所述的电池类超厚铜板线路板的方法,其特征在于,将所述关系拓扑矩阵通过基于卷积神经网络模型的关系拓扑特征提取器以得到所述关系拓扑特征矩阵,包括:
使用所述基于卷积神经网络模型的关系拓扑特征提取器的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述基于卷积神经网络模型的关系拓扑特征提取器的最后一层的输出为所述关系拓扑特征矩阵,其中,所述基于卷积神经网络模型的关系拓扑特征提取器的第一层的输入为所述关系拓扑矩阵。
5.根据权利要求4所述的电池类超厚铜板线路板的方法,其特征在于,融合所述线路板表面状态局部特征向量的序列和所述关系拓扑特征矩阵以得到关系拓扑线路板表面状态全局特征矩阵,包括:
将所述线路板表面状态局部特征向量的序列和所述关系拓扑矩阵通过图神经网络模型以得到所述关系拓扑线路板表面状态全局特征矩阵。
6.根据权利要求5所述的电池类超厚铜板线路板的方法,其特征在于,基于所述关系拓扑线路板表面状态全局特征矩阵,确定所述待检测电池类超厚铜板线路板的成型质量是否符合预定标准,包括:
对所述关系拓扑线路板表面状态全局特征矩阵进行特征分布校正以得到校正后关系拓扑线路板表面状态全局特征矩阵;以及
将所述校正后关系拓扑线路板表面状态全局特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述待检测电池类超厚铜板线路板的成型质量是否符合预定标准。
7.一种电池类超厚铜板线路板,其特征在于,由如权利要求1-6任一所述的电池类超厚铜板线路板的方法制得。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311536229.2A CN117560846B (zh) | 2023-11-17 | 2023-11-17 | 电池类超厚铜板线路板及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311536229.2A CN117560846B (zh) | 2023-11-17 | 2023-11-17 | 电池类超厚铜板线路板及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117560846A CN117560846A (zh) | 2024-02-13 |
CN117560846B true CN117560846B (zh) | 2024-05-28 |
Family
ID=89814273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311536229.2A Active CN117560846B (zh) | 2023-11-17 | 2023-11-17 | 电池类超厚铜板线路板及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117560846B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5751910A (en) * | 1995-05-22 | 1998-05-12 | Eastman Kodak Company | Neural network solder paste inspection system |
JP2003203219A (ja) * | 2002-01-08 | 2003-07-18 | Fujitsu Ltd | 画像認識装置及びプログラム |
CN101692757A (zh) * | 2009-09-07 | 2010-04-07 | 皆利士多层线路版(中山)有限公司 | 12oz厚铜多层线路板制造工艺 |
CN107926121A (zh) * | 2015-08-11 | 2018-04-17 | 日立化成株式会社 | 多层印刷布线板的制造方法、带粘接层的金属箔、覆金属的层叠板、多层印刷布线板 |
CN109919925A (zh) * | 2019-03-04 | 2019-06-21 | 联觉(深圳)科技有限公司 | 印刷电路板智能检测方法、系统、电子装置及存储介质 |
CN115471732A (zh) * | 2022-09-19 | 2022-12-13 | 温州丹悦线缆科技有限公司 | 电缆的智能化制备方法及其系统 |
CN115835534A (zh) * | 2022-10-21 | 2023-03-21 | 苏州浪潮智能科技有限公司 | 一种多层pcb层间线路连通方法、系统、装置及存储介质 |
CN116916534A (zh) * | 2023-06-30 | 2023-10-20 | 江门崇达电路技术有限公司 | 一种充电桩用超厚铜pcb及其制作方法 |
-
2023
- 2023-11-17 CN CN202311536229.2A patent/CN117560846B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5751910A (en) * | 1995-05-22 | 1998-05-12 | Eastman Kodak Company | Neural network solder paste inspection system |
JP2003203219A (ja) * | 2002-01-08 | 2003-07-18 | Fujitsu Ltd | 画像認識装置及びプログラム |
CN101692757A (zh) * | 2009-09-07 | 2010-04-07 | 皆利士多层线路版(中山)有限公司 | 12oz厚铜多层线路板制造工艺 |
CN107926121A (zh) * | 2015-08-11 | 2018-04-17 | 日立化成株式会社 | 多层印刷布线板的制造方法、带粘接层的金属箔、覆金属的层叠板、多层印刷布线板 |
CN109919925A (zh) * | 2019-03-04 | 2019-06-21 | 联觉(深圳)科技有限公司 | 印刷电路板智能检测方法、系统、电子装置及存储介质 |
CN115471732A (zh) * | 2022-09-19 | 2022-12-13 | 温州丹悦线缆科技有限公司 | 电缆的智能化制备方法及其系统 |
CN115835534A (zh) * | 2022-10-21 | 2023-03-21 | 苏州浪潮智能科技有限公司 | 一种多层pcb层间线路连通方法、系统、装置及存储介质 |
CN116916534A (zh) * | 2023-06-30 | 2023-10-20 | 江门崇达电路技术有限公司 | 一种充电桩用超厚铜pcb及其制作方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117560846A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116452588B (zh) | 一种焊接质量评估方法及系统 | |
CN111899241B (zh) | 一种定量化的炉前pcb贴片缺陷在线检测方法及系统 | |
JP2020040119A (ja) | はんだ付けプロセスのパラメーター提案方法 | |
CN111986187A (zh) | 基于改进Tiny-YOLOv3网络的航天电子焊点缺陷检测方法 | |
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 | |
CN113989241A (zh) | 一种基于图像处理与深度学习融合的光伏组件el缺陷检测方法 | |
CN114627082A (zh) | 一种基于改进YOLOv5网络的光伏组件EL缺陷检测方法 | |
CN116152244A (zh) | 一种smt缺陷检测方法、系统 | |
CN117560846B (zh) | 电池类超厚铜板线路板及其方法 | |
CN116258682A (zh) | 基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法 | |
CN110827263A (zh) | 基于视觉识别技术的磁瓦表面缺陷检测系统及检测方法 | |
CN117528946A (zh) | Sip硬板的制备方法及其系统 | |
Zhao et al. | Adaptive vision inspection for multi-type electronic products based on prior knowledge | |
CN108765391A (zh) | 一种基于深度学习的平板玻璃异物影像分析方法 | |
Zervakis et al. | A Bayesian framework for multilead SMD post-placement quality inspection | |
CN109581201B (zh) | 基于正则化视在吸热系数判定虚焊焊点的方法 | |
CN116188374A (zh) | 插座检测方法、装置、计算机设备及存储介质 | |
Otamendi et al. | A scalable framework for annotating photovoltaic cell defects in electroluminescence images | |
CN114494186A (zh) | 一种高压输变电线路电气设备的故障检测方法 | |
Shao et al. | An improved yolov3 network for PCB defect detection | |
KR102112809B1 (ko) | 차량용 커넥터 자동화 생산 시스템 및 방법 | |
CN109543306B (zh) | 一种基于仿真测试的电池壳体盖板组件焊接内阻的测试方法 | |
CN111179267A (zh) | 一种零件表面激光熔覆制造过程的质量监测方法 | |
CN116525295B (zh) | 一种高频脉冲电容用金属化薄膜及其制备方法 | |
CN117438631B (zh) | 液冷储能电池组的智能生产流水线 |
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 |