CN117693122A - 用于电池板的激光密钻盲槽工艺及其系统 - Google Patents
用于电池板的激光密钻盲槽工艺及其系统 Download PDFInfo
- Publication number
- CN117693122A CN117693122A CN202311719466.2A CN202311719466A CN117693122A CN 117693122 A CN117693122 A CN 117693122A CN 202311719466 A CN202311719466 A CN 202311719466A CN 117693122 A CN117693122 A CN 117693122A
- Authority
- CN
- China
- Prior art keywords
- circuit board
- parameter
- surface state
- laser
- board surface
- 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.)
- Granted
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000008569 process Effects 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 40
- 239000013598 vector Substances 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 44
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 24
- 239000000463 material Substances 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 8
- 239000000112 cooling gas Substances 0.000 claims description 7
- 239000000110 cooling liquid Substances 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 230000008439 repair process Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 11
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000007405 data analysis Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 18
- 238000009826 distribution Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 4
- 239000000306 component Substances 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 239000000356 contaminant Substances 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008555 neuronal activation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000003685 thermal hair damage Effects 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/50—Manufacturing or production processes characterised by the final manufactured product
Landscapes
- Laser Beam Processing (AREA)
Abstract
本申请公开了一种用于电池板的激光密钻盲槽工艺及其系统,其通过使用摄像头采集电路板的表面图像,同时结合电路板的参数信息(如厚度、形状和功能描述),并在后端引入图像处理和数据分析技术来进行电路板的表面图像和参数信息的分析,以此来基于电路板的加工状态来进行激光器的参数调整,从而优化加工效果和性能。这样,能够根据电池板的表面图像和参数自动推荐合适的激光器的焦距和功率参数,以此来进行激光密钻盲槽工艺的关键参数的自适应调整,从而提高激光密钻盲槽的加工效果和性能。
Description
技术领域
本申请涉及电池领域,且更为具体地,涉及一种用于电池板的激光密钻盲槽工艺及其系统。
背景技术
在电池板制造过程中,需要在表面创建盲槽以安装电子元件或连接导线。激光密钻盲槽工艺是一种利用激光束在电池板上打孔的方法,可以实现高精度、高效率和低损耗的加工,该工艺适用于各种材料和形状的电池板,尤其是对于薄膜太阳能电池板,激光盲槽可以减少电阻损失和热应力,提高电流密度和填充因子,进而提高电池板的光电转换效率和稳定性。然而,激光密钻盲槽工艺的关键参数,如激光器的焦距和功率,需要根据电池板的具体情况进行调整,否则会导致加工质量不佳或损坏电池板。但目前的激光密钻盲槽工艺的工艺参数通常是人工按照规则和经验预先进行设定,精度和自动化程度较低,不能满足现代化工艺的需求。
因此,期望一种优化的用于电池板的激光密钻盲槽工艺。
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电池板的激光密钻盲槽工艺及其系统,其通过使用摄像头采集电路板的表面图像,同时结合电路板的参数信息(如厚度、形状和功能描述),并在后端引入图像处理和数据分析技术来进行电路板的表面图像和参数信息的分析,以此来基于电路板的加工状态来进行激光器的参数调整,从而优化加工效果和性能。这样,能够根据电池板的表面图像和参数自动推荐合适的激光器的焦距和功率参数,以此来进行激光密钻盲槽工艺的关键参数的自适应调整,从而提高激光密钻盲槽的加工效果和性能。
根据本申请的一个方面,提供了一种用于电池板的激光密钻盲槽工艺,其包括:
将电池板固定在工作台上,调整激光器的焦距和功率,使所述激光器与所述电池板的表面距离和材料相匹配;
选择预定的密钻模式,并设置密钻的深度、直径和间距;
启动所述激光器,沿着预设的路径对所述电池板进行密钻,并使用冷却液或气体对所述电池板进行冷却和清洗;
停止所述激光器,检查所述电池板的密钻质量并进行相应修复或更换措施。
根据本申请的另一个方面,提供了一种用于电池板的激光密钻盲槽系统,其包括:
表面图像获取模块,用于获取由摄像头采集的所述电路板的表面图像;
参数获取模块,用于获取所述电路板的参数,所述参数包括厚度、形状和功能描述;
电路板表面状态特征提取模块,用于通过基于深度神经网络模型的电路板表面特征提取器对所述表面图像进行特征提取以得到电路板表面状态特征图;
电路板参数语义编码模块,用于对所述电路板的参数进行语义编码以得到电路板参数语义编码特征向量;
跨模态关联分析模块,用于对所述电路板表面状态特征图和所述电路板参数语义编码特征向量进行跨模态关联分析以得到参数引导电路板表面状态特征;
结果生成模块,用于基于所述参数引导电路板表面状态特征,确定推荐的所述激光器的焦距和功率。
与现有技术相比,本申请提供的一种用于电池板的激光密钻盲槽工艺及其系统,其通过使用摄像头采集电路板的表面图像,同时结合电路板的参数信息(如厚度、形状和功能描述),并在后端引入图像处理和数据分析技术来进行电路板的表面图像和参数信息的分析,以此来基于电路板的加工状态来进行激光器的参数调整,从而优化加工效果和性能。这样,能够根据电池板的表面图像和参数自动推荐合适的激光器的焦距和功率参数,以此来进行激光密钻盲槽工艺的关键参数的自适应调整,从而提高激光密钻盲槽的加工效果和性能。
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电池板的激光密钻盲槽工艺的流程图;
图2为根据本申请实施例的用于电池板的激光密钻盲槽工艺的系统架构图;
图3为根据本申请实施例的用于电池板的激光密钻盲槽工艺的训练阶段的流程图;
图4为根据本申请实施例的用于电池板的激光密钻盲槽工艺的子步骤S1的流程图;
图5为根据本申请实施例的用于电池板的激光密钻盲槽系统的框图。
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。
激光密钻盲槽工艺的关键参数,如激光器的焦距和功率,需要根据电池板的具体情况进行调整,否则会导致加工质量不佳或损坏电池板。但目前的激光密钻盲槽工艺的工艺参数通常是人工按照规则和经验预先进行设定,精度和自动化程度较低,不能满足现代化工艺的需求。因此,期望一种优化的用于电池板的激光密钻盲槽工艺。
在本申请的技术方案中,提出了一种用于电池板的激光密钻盲槽工艺。图1为根据本申请实施例的用于电池板的激光密钻盲槽工艺的流程图。如图1所示,根据本申请的实施例的用于电池板的激光密钻盲槽工艺,包括步骤:S1,将电池板固定在工作台上,调整激光器的焦距和功率,使所述激光器与所述电池板的表面距离和材料相匹配;S2,选择预定的密钻模式,并设置密钻的深度、直径和间距;S3,启动所述激光器,沿着预设的路径对所述电池板进行密钻,并使用冷却液或气体对所述电池板进行冷却和清洗;S4,停止所述激光器,检查所述电池板的密钻质量并进行相应修复或更换措施。
特别地,所述S1,将电池板固定在工作台上,调整激光器的焦距和功率,使所述激光器与所述电池板的表面距离和材料相匹配。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S1,包括:S11,获取由摄像头采集的所述电路板的表面图像;S12,获取所述电路板的参数,所述参数包括厚度、形状和功能描述;S13,通过基于深度神经网络模型的电路板表面特征提取器对所述表面图像进行特征提取以得到电路板表面状态特征图;S14,对所述电路板的参数进行语义编码以得到电路板参数语义编码特征向量;S15,对所述电路板表面状态特征图和所述电路板参数语义编码特征向量进行跨模态关联分析以得到参数引导电路板表面状态特征;S16,基于所述参数引导电路板表面状态特征,确定推荐的所述激光器的焦距和功率。
具体地,所述S11,获取由摄像头采集的所述电路板的表面图像。应可以理解,电路板的表面图像通常展示了电路板上的电子元件、电路布局和连接方式。值得一提的是,在摄像头的选型中,应选用分辨率较高的摄像头以保证所获取的所述电路板的表面图像的合格度。
具体地,所述S12,获取所述电路板的参数,所述参数包括厚度、形状和功能描述。应可以理解,在激光密钻盲槽工艺中,关键参数的优化设计对于实现良好的加工效果和性能至关重要,这些关键参数包括激光器的焦距和功率、密钻的深度、直径和间距等。这些参数需要根据电池板的材料、厚度、形状和功能进行调整,以确保激光能够准确地切割出所需的盲槽。
具体地,所述S13,通过基于深度神经网络模型的电路板表面特征提取器对所述表面图像进行特征提取以得到电路板表面状态特征图。也就是,使用在图像的隐含特征提取方面具有优异表现性能的基于卷积神经网络模型的电路板表面特征提取器对所述表面图像的特征提取,以提取出所述表面图像中关于电路板的形状、边缘和材料等特征分布信息,从而得到电路板表面状态特征图。特别地,通过将所述电路板的表面图像输入到卷积神经网络模型中,网络会自动学习并提取出与电路板表面状态相关的特征,这些特征可以包括电路板上的元件位置、线路走向、焊盘形状等信息。通过提取这些特征,可以更好地理解电路板的结构和状态,为后续的分析和决策提供基础。更具体地,使用在图像的隐含特征提取方面具有优异表现性能的基于卷积神经网络模型的电路板表面特征提取器对所述表面图像的特征提取以得到得到所述电路板表面状态特征图,包括:使用所述基于卷积神经网络模型的电路板表面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,所述基于卷积神经网络模型的电路板表面特征提取器的最后一层的输出为所述电路板表面状态特征图,所述基于卷积神经网络模型的电路板表面特征提取器的第一层的输入为所述表面图像。
值得注意的是,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习模型,广泛应用于图像识别、计算机视觉和模式识别等领域。CNN的设计灵感来源于生物视觉系统中的感受野和局部连接原理。CNN的核心组件是卷积层,它通过卷积操作对输入数据进行特征提取。卷积操作使用一组可学习的滤波器(也称为卷积核或特征检测器)对输入数据进行滑动窗口式的局部特征提取。每个滤波器会对输入数据进行卷积运算,生成一个特征图,其中每个元素表示滤波器在输入数据对应位置的响应值。通过使用多个滤波器,卷积层可以提取出不同的特征,如边缘、纹理和形状等。在卷积层之后通常会使用激活函数(如ReLU)对特征图进行非线性映射,增加网络的表达能力。然后,通过池化层(PoolingLayer)对特征图进行下采样,减少特征图的尺寸并保留重要的特征。池化操作可以通过取局部区域的最大值(最大池化)或平均值(平均池化)来实现。CNN通常由多个卷积层、激活函数、池化层和全连接层组成。全连接层将特征图展平成一维向量,并通过全连接层进行分类或回归等任务的输出。在训练过程中,CNN通过反向传播算法来优化网络参数,使其能够更好地拟合训练数据。
具体地,所述S14,对所述电路板的参数进行语义编码以得到电路板参数语义编码特征向量。考虑到电路板的参数包括厚度、形状和功能描述等信息,这些参数对于电路板的加工和性能具有重要影响。因此,为了对于电路板的参数语义进行捕捉,在本申请的技术方案中,进一步对所述电路板的参数进行语义编码,以此来提取出所述电路板的参数上下文语义关联特征信息,从而得到电路板参数语义编码特征向量。更具体地,将所述电路板的参数进行分词处理后通过包含词嵌入层的电路板上下文语义编码器以得到所述电路板参数语义编码特征向量,包括:对所述电路板的参数进行分词处理以将所述电路板的参数转化为由多个词组成的词序列;使用所述包含词嵌入层的电路板上下文语义编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;使用所述包含词嵌入层的电路板上下文语义编码器的转换器对所述词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义特征向量;以及,将所述多个全局上下文语义特征向量进行级联以得到所述电路板参数语义编码特征向量。
值得注意的是,上下文语义编码器是指一种深度学习模型,用于将文本序列转换为具有语义表示的向量表示。它的目标是捕捉文本序列中的语义信息和上下文相关性,以便在后续的自然语言处理任务中能够更好地理解和处理文本。上下文语义编码器通常基于深度学习模型,其中一种常用的模型是循环神经网络(Recurrent Neural Network,RNN)。RNN通过逐步处理文本序列中的每个单词或字符,并使用隐藏状态来捕捉上下文信息。通过反向传播算法,RNN可以学习到适合任务的上下文语义表示。除了RNN,还有一些其他的模型和架构被用作上下文语义编码器。其中,长短时记忆网络和门控循环单元是RNN的扩展,通过引入门控机制来改善长期依赖问题。另外,注意力机制也被广泛用于上下文语义编码,它允许模型在编码过程中更加关注输入序列的不同部分,从而更好地捕捉重要的上下文信息。
具体地,所述S15,对所述电路板表面状态特征图和所述电路板参数语义编码特征向量进行跨模态关联分析以得到参数引导电路板表面状态特征。在本申请的技术方案中,由于在电路板加工过程中,电路板的参数(如厚度、形状、功能描述等)语义对于激光密钻盲槽工艺具有重要影响。同时,所述电路板的表面状态特征图反映了电路板表面的纹理、形状、材料和元件位置等特征信息。为了更好地理解和分析电路板的加工状态,以更为准确地进行工艺关键参数的控制,需要将这两种关于电路板的语义特征信息进行融合。因此,在本申请的技术方案中,进一步将所述电路板参数语义编码特征向量和所述电路板表面状态特征图通过参数引导跨模态编码器以得到参数引导电路板表面状态特征图。通过使用所述参数引导跨模态编码器,可以将所述电路板参数语义编码特征向量和所述电路板表面状态特征图进行联合编码。这样的编码过程可以融合电路板的参数语义特征与表面结构和表面状态特征之间的关联性和依赖关系,从而能够得到更全面地描述电路板加工状态,以此来为电池板的激光密钻盲槽工艺参数调控提供依据。更具体地,将所述电路板参数语义编码特征向量和所述电路板表面状态特征图通过参数引导跨模态编码器以得到参数引导电路板表面状态特征图作为所述参数引导电路板表面状态特征,包括:将所述电路板表面状态特征图通过所述参数引导跨模态编码器的卷积神经网络模型中进行处理以得到电路板表面状态增强语义特征图;将所述电路板参数语义编码特征向量通过所参数引导跨模态编码器的第一卷积层后再通过ReLU函数进行线性修正处理以得到线性修正后电路板参数语义编码特征向量;将所述线性修正后电路板参数语义编码特征向量通过所述参数引导跨模态编码器的第二卷积层后再通过Sigmoid 函数进行处理以得到归一化后电路板参数语义编码特征向量;以所述归一化后电路板参数语义编码特征向量对所述电路板表面状态增强语义特征图进行沿通道维度的加权融合以得到所述参数引导电路板表面状态特征图。
值得注意的是,ReLU(Rectified Linear Unit)是一种常用的激活函数,用于神经网络中的神经元激活操作。
具体地,所述S16,基于所述参数引导电路板表面状态特征,确定推荐的所述激光器的焦距和功率。在本申请的技术方案中,将所述参数引导电路板表面状态特征图通过解码器以得到解码值,所述解码值为推荐的激光器的焦距和功率。也就是,利用所述电路板的参数语义特征引导表面状态特征表达的融合特征信息来进行解码回归,以此基于电路板的加工状态来进行激光器的参数调整,从而优化加工效果和性能。更具体地,将所述参数引导电路板表面状态特征图通过解码器以得到解码值,所述解码值为推荐的激光器的焦距和功率,包括:使用所述解码器以如下公式将所述参数引导电路板表面状态特征图进行解码回归以获得用于表示推荐的激光器的焦距和功率的解码值;其中,所述公式为:,其中/>表示所述参数引导电路板表面状态特征图,/>是所述解码值,/>是权重矩阵,/>表示矩阵相乘。
特别地,所述S2,选择预定的密钻模式,并设置密钻的深度、直径和间距。应可以理解,密钻是在电路板或其他材料上钻孔的一种工艺。选择预定的密钻模式以及设置密钻的深度、直径和间距,会对最终的产品质量和性能产生影响。在一个示例中,密钻模式指定了钻孔的布局方式,包括孔的位置、排列方式和密度等。不同的密钻模式适用于不同的应用需求。例如,正交模式适用于普通的电路板,而对于高密度的电路板,可能需要使用斜交模式或其他更复杂的模式来增加钻孔的密度和布局灵活性。密钻深度是指钻孔在材料中的深度。它决定了钻孔穿透的材料厚度,对于多层电路板来说,也影响着钻孔穿透的层数。设置适当的密钻深度可以确保钻孔完全穿透所需的层数,并避免过度穿透或未穿透的情况。密钻直径是指钻孔的直径大小。它决定了钻孔的尺寸,对于电路板来说,也会影响到电路连接的可靠性和信号传输的性能。选择合适的密钻直径需要考虑电路板设计的要求、元器件封装的大小以及信号传输的频率等因素。密钻间距是指相邻钻孔之间的距离。它决定了钻孔的密度和布局紧密程度。较小的密钻间距可以增加钻孔的密度,适用于高密度电路板和微细线路的制造。然而,过小的密钻间距可能会增加制造成本和制造难度。
特别地,所述S3,启动所述激光器,沿着预设的路径对所述电池板进行密钻,并使用冷却液或气体对所述电池板进行冷却和清洗。应可以理解,一方面激光钻孔过程中会产生大量的热量,如果不及时冷却,可能会导致电路板或其他材料的热损伤。通过使用冷却液或气体,可以有效地降低激光钻孔过程中的温度,保持电路板的稳定性和完整性。冷却液或气体可以吸收热量并快速带走,从而防止电路板过热;另一方面激光钻孔过程中会产生烟尘、金属屑和其他污染物。这些污染物如果残留在电路板上,可能会影响电路的性能和可靠性。使用冷却液或气体可以将这些污染物冲洗或吹走,使得电路板表面清洁。这有助于保证电路板质量,并为后续工艺步骤(如电镀、印刷等)提供一个干净的表面。
特别地,所述S4,停止所述激光器,检查所述电池板的密钻质量并进行相应修复或更换措施。应可以理解,通过停止激光器并检查密钻质量,可以及时发现和解决电路板制造过程中可能存在的问题。这有助于提高电路板的质量和可靠性,并确保最终产品符合设计要求。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述基于卷积神经网络模型的电路板表面特征提取器、所述包含词嵌入层的电路板上下文语义编码器、所述参数引导跨模态编码器和所述解码器进行训练。也就是说,在本申请的用于电池板的激光密钻盲槽工艺中,还包括训练阶段,用于对所述基于卷积神经网络模型的电路板表面特征提取器、所述包含词嵌入层的电路板上下文语义编码器、所述参数引导跨模态编码器和所述解码器进行训练。
图3为根据本申请实施例的用于电池板的激光密钻盲槽工艺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电池板的激光密钻盲槽工艺,包括:训练阶段,包括:S110,获取训练数据,所述训练数据包括由摄像头采集的所述电路板的训练表面图像;以及,所述电路板的训练参数,其中,所述参数包括厚度、形状和功能描述;S120,通过基于卷积神经网络模型的电路板表面特征提取器对所述训练表面图像进行特征提取以得到训练电路板表面状态特征图;S130,将所述电路板的训练参数进行分词处理后通过包含词嵌入层的电路板上下文语义编码器以得到训练电路板参数语义编码特征向量;S140,将所述训练电路板参数语义编码特征向量和所述训练电路板表面状态特征图通过参数引导跨模态编码器以得到训练参数引导电路板表面状态特征图;S150,对所述训练参数引导电路板表面状态特征图的各个特征值进行优化以得到优化训练参数引导电路板表面状态特征图;S160,将所述优化训练参数引导电路板表面状态特征图通过解码器以得到解码损失函数值;S170,基于所述解码损失函数值对所述基于卷积神经网络模型的电路板表面特征提取器、所述包含词嵌入层的电路板上下文语义编码器、所述参数引导跨模态编码器和所述解码器进行训练。
其中,将所述优化训练参数引导电路板表面状态特征图通过解码器以得到解码损失函数值,包括:使用解码器对所述优化训练参数引导电路板表面状态特征图进行解码回归以得到训练解码值;以及,计算所述训练解码值与所述推荐的所述激光器的焦距和功率的真实值之间的均方误差值作为所述解码损失函数值。
特别地,在本申请的技术方案中,所述电路板参数语义编码特征向量表达电路板的参数的编码语义关联特征,而所述电路板表面状态特征图的各个特征矩阵表达所述表面图像的图像语义特征,且各个特征矩阵之间遵循所述卷积神经网络模型的通道分布,由此,将所述电路板参数语义编码特征向量和所述电路板表面状态特征图通过参数引导跨模态编码器时,会基于所述电路板参数语义编码特征向量的参数编码语义特征来对所述电路板表面状态特征图的通道分布进行约束,使得所述参数引导电路板表面状态特征图的各个特征矩阵遵循图像语义特征空间分布,而在通道维度上遵循参数编码语义特征分布。因此,考虑到所述参数引导电路板表面状态特征图在特征矩阵空间分布维度和通道分布维度之间的语义表达差异性,会导致所述参数引导电路板表面状态特征图的整体语义特征分布的分布稀疏化,从而导致将所述参数引导电路板表面状态特征图通过解码器进行逐特征值解码概率回归映射时,所述参数引导电路板表面状态特征图的各个特征值的回归概率的概率密度分布的收敛性差,影响通过解码器得到的解码值的准确性。因此,优选地,对所述参数引导电路板表面状态特征图的各个特征值进行优化,具体表示为:
其中是所述参数引导电路板表面状态特征图,/>和/>是所述参数引导电路板表面状态特征图的第/>和第/>个特征值,且/>是所述参数引导电路板表面状态特征图的全局特征均值,/>()表示指数运算,/>是所述优化参数引导电路板表面状态特征图的第/>个特征值。具体地,针对所述参数引导电路板表面状态特征图/>在高维特征空间内的稀疏分布导致的概率空间内概率密度分布的局部概率密度不匹配,通过正则化全局自洽类编码,来模仿所述参数引导电路板表面状态特征图/>的高维特征在概率空间内的编码行为的全局自洽关系,以调整在高维开放空间域内的特征流形的误差景观,实现所述参数引导电路板表面状态特征图/>的高维特征对显式概率空间嵌入的自洽匹配式类编码,从而提升所述参数引导电路板表面状态特征图/>的回归概率的概率密度分布的收敛性,改进其通过解码器得到的解码值的准确性。这样,能够根据电池板的表面图像和参数自动推荐合适的激光器的焦距和功率参数,以此来进行激光密钻盲槽工艺的关键参数的自适应调整,从而提高激光密钻盲槽的加工效果和性能。
综上,根据本申请实施例的用于电池板的激光密钻盲槽工艺被阐明,其通过使用摄像头采集电路板的表面图像,同时结合电路板的参数信息(如厚度、形状和功能描述),并在后端引入图像处理和数据分析技术来进行电路板的表面图像和参数信息的分析,以此来基于电路板的加工状态来进行激光器的参数调整,从而优化加工效果和性能。这样,能够根据电池板的表面图像和参数自动推荐合适的激光器的焦距和功率参数,以此来进行激光密钻盲槽工艺的关键参数的自适应调整,从而提高激光密钻盲槽的加工效果和性能。
进一步地,还提供一种用于电池板的激光密钻盲槽系统。
图5为根据本申请实施例的用于电池板的激光密钻盲槽系统的框图。如图5所示,根据本申请实施例的用于电池板的激光密钻盲槽系统300,包括:表面图像获取模块310,用于获取由摄像头采集的所述电路板的表面图像;参数获取模块320,用于获取所述电路板的参数,所述参数包括厚度、形状和功能描述;电路板表面状态特征提取模块330,用于通过基于深度神经网络模型的电路板表面特征提取器对所述表面图像进行特征提取以得到电路板表面状态特征图;电路板参数语义编码模块340,用于对所述电路板的参数进行语义编码以得到电路板参数语义编码特征向量;跨模态关联分析模块350,用于对所述电路板表面状态特征图和所述电路板参数语义编码特征向量进行跨模态关联分析以得到参数引导电路板表面状态特征;结果生成模块360,用于基于所述参数引导电路板表面状态特征,确定推荐的所述激光器的焦距和功率。
如上所述,根据本申请实施例的用于电池板的激光密钻盲槽系统300可以实现在各种无线终端中,例如具有用于电池板的激光密钻盲槽算法的服务器等。在一种可能的实现方式中,根据本申请实施例的风光发电储能管理系统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,该用于电池板的激光密钻盲槽系统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,该用于电池板的激光密钻盲槽系统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,该用于电池板的激光密钻盲槽系统300与该无线终端也可以是分立的设备,并且该用于电池板的激光密钻盲槽系统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 (10)
1.一种用于电池板的激光密钻盲槽工艺,其特征在于,包括:
将电池板固定在工作台上,调整激光器的焦距和功率,使所述激光器与所述电池板的表面距离和材料相匹配;
选择预定的密钻模式,并设置密钻的深度、直径和间距;
启动所述激光器,沿着预设的路径对所述电池板进行密钻,并使用冷却液或气体对所述电池板进行冷却和清洗;
停止所述激光器,检查所述电池板的密钻质量并进行相应修复或更换措施。
2.根据权利要求1所述的用于电池板的激光密钻盲槽工艺,其特征在于,将电池板固定在工作台上,调整激光器的焦距和功率,使所述激光器与所述电池板的表面距离和材料相匹配,包括:
获取由摄像头采集的所述电路板的表面图像;
获取所述电路板的参数,所述参数包括厚度、形状和功能描述;
通过基于深度神经网络模型的电路板表面特征提取器对所述表面图像进行特征提取以得到电路板表面状态特征图;
对所述电路板的参数进行语义编码以得到电路板参数语义编码特征向量;
对所述电路板表面状态特征图和所述电路板参数语义编码特征向量进行跨模态关联分析以得到参数引导电路板表面状态特征;
基于所述参数引导电路板表面状态特征,确定推荐的所述激光器的焦距和功率。
3.根据权利要求2所述的用于电池板的激光密钻盲槽工艺,其特征在于,所述深度神经网络模型为卷积神经网络模型。
4.根据权利要求3所述的用于电池板的激光密钻盲槽工艺,其特征在于,对所述电路板的参数进行语义编码以得到电路板参数语义编码特征向量,包括:将所述电路板的参数进行分词处理后通过包含词嵌入层的电路板上下文语义编码器以得到所述电路板参数语义编码特征向量。
5.根据权利要求4所述的用于电池板的激光密钻盲槽工艺,其特征在于,对所述电路板表面状态特征图和所述电路板参数语义编码特征向量进行跨模态关联分析以得到参数引导电路板表面状态特征,包括:将所述电路板参数语义编码特征向量和所述电路板表面状态特征图通过参数引导跨模态编码器以得到参数引导电路板表面状态特征图作为所述参数引导电路板表面状态特征。
6.根据权利要求5所述的用于电池板的激光密钻盲槽工艺,其特征在于,将所述电路板参数语义编码特征向量和所述电路板表面状态特征图通过参数引导跨模态编码器以得到参数引导电路板表面状态特征图作为所述参数引导电路板表面状态特征,包括:
将所述电路板表面状态特征图通过所述参数引导跨模态编码器的卷积神经网络模型中进行处理以得到电路板表面状态增强语义特征图;
将所述电路板参数语义编码特征向量通过所参数引导跨模态编码器的第一卷积层后再通过ReLU函数进行线性修正处理以得到线性修正后电路板参数语义编码特征向量;
将所述线性修正后电路板参数语义编码特征向量通过所述参数引导跨模态编码器的第二卷积层后再通过Sigmoid 函数进行处理以得到归一化后电路板参数语义编码特征向量;
以所述归一化后电路板参数语义编码特征向量对所述电路板表面状态增强语义特征图进行沿通道维度的加权融合以得到所述参数引导电路板表面状态特征图。
7.根据权利要求6所述的用于电池板的激光密钻盲槽工艺,其特征在于,基于所述参数引导电路板表面状态特征,确定推荐的所述激光器的焦距和功率,包括:将所述参数引导电路板表面状态特征图通过解码器以得到解码值,所述解码值为推荐的激光器的焦距和功率。
8.根据权利要求7所述的用于电池板的激光密钻盲槽工艺,其特征在于,还包括训练步骤:用于对所述基于卷积神经网络模型的电路板表面特征提取器、所述包含词嵌入层的电路板上下文语义编码器、所述参数引导跨模态编码器和所述解码器进行训练。
9.根据权利要求8所述的用于电池板的激光密钻盲槽工艺,其特征在于,所述训练步骤,包括:
获取训练数据,所述训练数据包括由摄像头采集的所述电路板的训练表面图像;以及,所述电路板的训练参数,其中,所述参数包括厚度、形状和功能描述;
通过基于卷积神经网络模型的电路板表面特征提取器对所述训练表面图像进行特征提取以得到训练电路板表面状态特征图;
将所述电路板的训练参数进行分词处理后通过包含词嵌入层的电路板上下文语义编码器以得到训练电路板参数语义编码特征向量;
将所述训练电路板参数语义编码特征向量和所述训练电路板表面状态特征图通过参数引导跨模态编码器以得到训练参数引导电路板表面状态特征图;
对所述训练参数引导电路板表面状态特征图的各个特征值进行优化以得到优化训练参数引导电路板表面状态特征图;
将所述优化训练参数引导电路板表面状态特征图通过解码器以得到解码损失函数值;
基于所述解码损失函数值对所述基于卷积神经网络模型的电路板表面特征提取器、所述包含词嵌入层的电路板上下文语义编码器、所述参数引导跨模态编码器和所述解码器进行训练。
10.一种用于电池板的激光密钻盲槽系统,其特征在于,包括:
表面图像获取模块,用于获取由摄像头采集的所述电路板的表面图像;
参数获取模块,用于获取所述电路板的参数,所述参数包括厚度、形状和功能描述;
电路板表面状态特征提取模块,用于通过基于深度神经网络模型的电路板表面特征提取器对所述表面图像进行特征提取以得到电路板表面状态特征图;
电路板参数语义编码模块,用于对所述电路板的参数进行语义编码以得到电路板参数语义编码特征向量;
跨模态关联分析模块,用于对所述电路板表面状态特征图和所述电路板参数语义编码特征向量进行跨模态关联分析以得到参数引导电路板表面状态特征;
结果生成模块,用于基于所述参数引导电路板表面状态特征,确定推荐的所述激光器的焦距和功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311719466.2A CN117693122B (zh) | 2023-12-14 | 2023-12-14 | 用于电池板的激光密钻盲槽工艺及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311719466.2A CN117693122B (zh) | 2023-12-14 | 2023-12-14 | 用于电池板的激光密钻盲槽工艺及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117693122A true CN117693122A (zh) | 2024-03-12 |
CN117693122B CN117693122B (zh) | 2024-06-11 |
Family
ID=90126121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311719466.2A Active CN117693122B (zh) | 2023-12-14 | 2023-12-14 | 用于电池板的激光密钻盲槽工艺及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117693122B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116321757A (zh) * | 2023-05-24 | 2023-06-23 | 深圳市丰达兴线路板制造有限公司 | 一种用于印刷电路板加工的精准控制方法及系统 |
CN116847554A (zh) * | 2023-07-11 | 2023-10-03 | 赣州市超跃科技有限公司 | 一种高密度电路板的质量控制系统、方法、装置和介质 |
CN117079031A (zh) * | 2023-08-19 | 2023-11-17 | 江西威尔高电子股份有限公司 | 铁氟龙线路板钻孔加工系统及其方法 |
-
2023
- 2023-12-14 CN CN202311719466.2A patent/CN117693122B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116321757A (zh) * | 2023-05-24 | 2023-06-23 | 深圳市丰达兴线路板制造有限公司 | 一种用于印刷电路板加工的精准控制方法及系统 |
CN116847554A (zh) * | 2023-07-11 | 2023-10-03 | 赣州市超跃科技有限公司 | 一种高密度电路板的质量控制系统、方法、装置和介质 |
CN117079031A (zh) * | 2023-08-19 | 2023-11-17 | 江西威尔高电子股份有限公司 | 铁氟龙线路板钻孔加工系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117693122B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111581961B (zh) | 一种中文视觉词汇表构建的图像内容自动描述方法 | |
CN111222317B (zh) | 序列标注方法、系统和计算机设备 | |
CN110933518A (zh) | 一种利用卷积多层注意力网络机制生成面向查询的视频摘要的方法 | |
Wang et al. | Hand-drawn electronic component recognition using deep learning algorithm | |
CN114757171A (zh) | 预训练语言模型的训练方法、语言模型的训练方法及装置 | |
Adi et al. | Analysis of sentence embedding models using prediction tasks in natural language processing | |
Yang et al. | Zero-shot domain adaptation via kernel regression on the grassmannian | |
CN116051388A (zh) | 经由语言请求的自动照片编辑 | |
CN116704431A (zh) | 水污染的在线监测系统及其方法 | |
CN111027681B (zh) | 时序数据处理模型训练方法、数据处理方法、装置及存储介质 | |
CN115048870A (zh) | 基于残差网络和注意力机制的目标轨迹识别方法 | |
CN117693122B (zh) | 用于电池板的激光密钻盲槽工艺及其系统 | |
CN113806645A (zh) | 标签分类系统及标签分类模型的训练系统 | |
Li et al. | Image operation chain detection with machine translation framework | |
CN113010635B (zh) | 一种文本纠错方法及装置 | |
CN117079031A (zh) | 铁氟龙线路板钻孔加工系统及其方法 | |
Zhao et al. | Rescuing deep hashing from dead bits problem | |
CN111382333B (zh) | 基于案件相关性联合学习与图卷积的新闻文本句中案件要素抽取方法 | |
CN117171299A (zh) | 一种文本生成方法和装置 | |
CN109934248B (zh) | 一种针对迁移学习的多模型随机生成与动态自适应组合方法 | |
CN116756275A (zh) | 文本检索匹配方法及装置 | |
Shao et al. | Variational joint self‐attention for image captioning | |
CN112766465A (zh) | 用于智能转动性能检测的神经网络的训练方法 | |
Huang et al. | Adapted goolenet for answer selection | |
Barati et al. | Integration of the latent variable knowledge into deep image captioning with Bayesian modeling |
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 |