CN117715302A - 元器件的配参方法、配参装置、配参设备及存储介质 - Google Patents
元器件的配参方法、配参装置、配参设备及存储介质 Download PDFInfo
- Publication number
- CN117715302A CN117715302A CN202211117404.XA CN202211117404A CN117715302A CN 117715302 A CN117715302 A CN 117715302A CN 202211117404 A CN202211117404 A CN 202211117404A CN 117715302 A CN117715302 A CN 117715302A
- Authority
- CN
- China
- Prior art keywords
- detected
- parameters
- components
- component
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 180
- 230000003287 optical effect Effects 0.000 claims abstract description 66
- 230000007547 defect Effects 0.000 claims description 37
- 238000013136 deep learning model Methods 0.000 claims description 19
- 238000007689 inspection Methods 0.000 claims description 10
- 238000012986 modification Methods 0.000 claims description 10
- 230000004048 modification Effects 0.000 claims description 10
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims description 9
- 238000005304 joining Methods 0.000 claims description 6
- 241000208340 Araliaceae Species 0.000 claims description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 229910052802 copper Inorganic materials 0.000 claims description 3
- 239000010949 copper Substances 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 238000012549 training Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
Abstract
本申请公开了一种元器件的配参方法、配参装置、配参设备及存储介质,该配参方法包括:获取电路板的光学检测图像;获取光学检测图像中的待检测元器件的信息;基于待检测元器件的信息,从元器件库中查找出与待检测元器件关联的检测参数,元器件库中预先存储有元器件及对应的检测参数;基于检测参数配置待检测元器件的待检测参数,并将待检测参数保存至元器件库中。本申请的配参方法中,基于元器件库对电路板的光学检测图像进行自动配置参数,通过此种方式,一方面能够节约人力成本,另一方面能够大大缩短光学检测图像的编程时间,提高光学检测图像的编程效率。
Description
技术领域
本申请涉及自动化测控技术领域,特别是涉及一种元器件的配参方法、配参装置、配参设备及存储介质。
背景技术
AOI(Automated Optical Inspection)全称为自动光学检测,是基于光学原理来对印刷电路板焊接生产中遇到的常见缺陷进行检测的设备。检测前设备先拍摄一张标准电路板的图像,并制作相应的电路板检测程式作为检验标准。实际测试过程中,待测电路板流入设备后,设备对板卡拍照并依据制作好的检测程式与标准板卡进行对比,进而判断被检电路板是否合格。
目前,通用电路板的编程方法全程需要手动逐一画框和设置元器件参数,具体地,首先获取一张标准的电路板的图像,对电路板上的所有元器件进行逐一画框确定元器件类别和位置信息,对每个框设置检测项所需参数,再利用检测框上的参数进行编程。
因此,现有的电路板的编程需要依赖人工操作,编程的时间较长,编程效率较低。
发明内容
本申请主要解决的技术问题是提供一种元器件的配参方法、配参装置、配参设备及存储介质,以解决现有技术中,电路板的编程需要依赖人工操作,编程的时间较长,编程效率较低的技术问题。
为解决上述技术问题,本申请采用的一个技术方案是:提供一种元器件的配参方法,该配参方法包括:获取电路板的光学检测图像;获取光学检测图像中的待检测元器件的信息;基于待检测元器件的信息,从元器件库中查找出与待检测元器件关联的检测参数,元器件库中预先存储有元器件及对应的检测参数;基于检测参数配置待检测元器件的待检测参数,并将待检测参数保存至元器件库中。
进一步地,获取光学检测图像中的待检测元器件的信息,包括,将光学检测图像输入预先训练好的深度学习模型,得到待检测元器件的类别和位置信息。
进一步地,得到待检测元器件的类别和位置信息的步骤之后,配参方法还包括,基于待检测元器件的位置信息,绘制覆盖待检测元器件的检测目标框,以对待检测元器件检测范围进行标记。
进一步地,基于检测参数配置待检测元器件的待检测参数,包括:接收检测参数的修改信息;基于修改信息对检测参数进行调整,生成待检测元器件的待检测参数。
进一步地,将待检测参数保存至元器件库,包括:将待检测参数与对应的元器件建立关联关系,并将关联关系保存至元器件库,以对元器件库进行更新。
进一步地,将待检测参数保存至元器件库,包括,将待检测参数与对应的元器件建立关联关系,并将关联关系保存至元器件库;获取在待检测参数下,元器件的第一缺陷检出率,以及在元器件库中预先存储的元器件的检测参数下,元器件的第二缺陷检测率;当确认第一缺陷检出率大于第二缺陷检出率,则将预先存储的元器件的检测参数从元器件库中删除;当确认第一缺陷检出率小于或者等于第二缺陷检出率,则将元器件的待检测参数从元器件库中删除。
进一步地,检测参数用于检测待检测元器件的缺陷,缺陷包括:漏件、错件、极性反、少锡、露铜、连锡、孔洞、炸锡、未出脚和偏移中的至少一种。
为了解决上述技术问题,本申请还提供了另一个技术方案:提供一种元器件的配参装置,该配参装置包括:第一获取模块,用于获取电路板的光学检测图像;第二获取模块,获取光学检测图像中的待检测元器件的信息;查找模块,用于基于待检测元器件的信息,从元器件库中查找出与待检测元器件关联的检测参数,元器件库中预先存储有元器件及对应的检测参数;配置模块,用于基于检测参数配置待检测元器件的待检测参数,并将待检测参数保存至元器件库中。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种元器件的配参设备,该配参设备包括相互耦接的存储器和处理器,处理器用于执行存储器中存储的程序指令,以实现上述任一实施例的元器件的配参方法。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种计算机可读存储介质,其上存储有程序指令,该程序指令被处理器执行时实现上述任一实施例的元器件的配参方法。
本申请的有益效果是:区别于现有技术的情况,本申请提供了一种元器件的配参方法,该配参方法包括:获取电路板的光学检测图像;获取光学检测图像中的待检测元器件的信息;基于待检测元器件的信息,从元器件库中查找出与待检测元器件关联的检测参数;基于检测参数配置待检测元器件的待检测参数。本申请的配参方法,获取光学检测图像中待检测元器件的信息,并通过元器件库查找出元器件的检测参数,以实现对待检测元器件的自动配参,通过此种方式,一方面能够节约人力成本,另一方面能够大大地缩短光学检测图像的配参编程时间,提升光学检测图像的配参编程效率。
附图说明
图1是电路板的光学检测图像的一实施例的结构示意图;
图2是本申请提供的元器件的配参方法的一实施例的流程示意图;
图3是本申请提供的深度学习模型的训练方法的一实施例的流程示意图;
图4是本申请提供的元器件的配参方法的另一实施例的流程示意图;
图5是本申请提供的一种元器件的配参装置的一实施例的框架示意图;
图6是本申请提供的一种元器件的配参设备的一实施例的框架示意图;
图7是本申请提供的一种计算机可读存储介质的一实施例的框架示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的描述中,“若干个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
印刷电路板(以下简称电路板)是集成各种电子元器件的信息载体,在电子领域中有着广泛的应用,其质量直接影响到产品的性能。电路板作为现代电子设备的重要组成部分,由于贴片元器件体积小,安装密度大,为了保证电子产品的性能,电路板缺陷检测技术已经成为电子行业中非常关键的技术。
自动光学检测系统利用光学和数字成像技术,并采用计算机软件技术对图像进行分析处理来完成自动检测的。其主要应用于电路板的缺陷检测、文字印刷检测等技术领域。然而,现有技术中的自动光学检测系统普遍存在着编程周期长的缺陷。为了解决上述技术问题,本申请提供一种元器件的配参方法,基于该配参方法,能够缩短光学检测图像的配参编程时间,提升光学检测图像的配参编程效率。
请参阅图1所示,图1是本申请提供的元器件的配参方法的一实施例的流程示意图,具体地,该配参方法包括:
S11:获取电路板的光学检测图像。
在对待检测电路板进行检测之前,需要获取到标准的电路板的光学检测图像,并对获取到的光学检测图像进行编程,以作为待检测电路板的检验标准。具体地,可以通过摄像机拍摄以得到电路板的光学检测图像。
比如,获取到的电路板的光学检测图像如图2所示,光学检测图像内包括有若干个待检测元器件10,其中,待检测元器件10包括电阻、电容、二极管、三极管或者电感等器件。
S12:获取光学检测图像中的待检测元器件的信息。
获取到电路板的光学检测图像后,再从光学检测图像中获取到待检测元器件的信息。具体地,可以利用深度学习模型获取光学检测图像中的待检测元器件的信息。在其他实施例中,还可以通过识别算法对光学检测图像进行处理,以得到光学检测图像中的待检测元器件的信息。
其中,元器件的信息可以包括元器件的名称和元器件的位置信息。元器件的位置信息可以包括元器件的位置坐标和/或元器件的范围大小等。
进一步地,利用深度学习模型获取光学检测图像中的待检测元器件的信息的步骤可以包括,将光学检测图像输入深度学习模型,得到所有的待检测元器件的类别和位置信息。比如,可以利用深度学习模型获取到光学检测图像中的二极管的位置坐标和范围大小、电阻的位置坐标和范围大小和继电器的位置坐标和范围大小等。
进一步地,可以根据待检测元器件的位置信息,绘制覆盖在待检测元器件的检测目标框。
如图2所示,可以根据待检测元器件10的范围大小在待检测元器件10的周围生成检测目标框11,待检测元器件10在检测目标框11内。
检测目标框用于对待检测元器件的检测范围进行标记,待检测元器件的所有检测参数都应用在检测目标框标记的检测范围内。用户可以根据绘制出来的检测目标框判断待检测元器件的检测范围是否正确,如果检测范围发生偏离,可以及时更正,如此,能够提高元器件配参的可靠性。
进一步地,如图3所示,深度学习模型的训练过程为:
S121:建立深度学习模型的初始模型。
对深度学习模型进行训练,首先建立深度学习模型的初始模型。
S122:获取电路板的训练光学检测图像和训练光学检测图像内待检测元器件的信息。
获取电路板的训练光学检测图像和训练光学检测图像内待检测元器件的信息。具体地,对获取的训练光学检测图像,可以使用标注工具来标注图像内元器件的本体,得到标注文本文件,标注文本文件包括不限于txt/xml/json格式,标注工具包括不限于labelImg/labelme。通过此种方式,以得到待检测元器件的信息。
S123:将训练光学检测图像和训练光学检测图像内待检测元器件的信息输入深度学习模型的初始模型进行训练,得到训练后的深度学习模型。
将获取到的训练光学检测图像和训练光学检测图像内待检测元器件的信息输入到上述建立的深度学习模型的初始模型以对该模型进行训练,从而得到训练后的深度学习模型,训练后的深度学习模型可以用于对光学检测图像进行识别和检测。
通过深度学习模型来识别和检测待检测元器件,实现自动对光学检测图像中待检测元器件的类别、位置信息及范围大小的识别,能够快速准确地获取到待检测元器件的信息。
S13:基于待检测元器件的信息,从元器件库中查找出与待检测元器件关联的检测参数,元器件库中预先存储有元器件及对应的检测参数。
本申请预先设计一个元器件库,该元器件库中包括元器件的类别及与该元器件关联的检测参数,元器件的检测参数用于检测元器件的缺陷。具体地,缺陷包括:漏件、错件、极性反、少锡、露铜、连锡、孔洞、炸锡、未出脚和偏移中的至少一种。
在获取到待检测元器件的信息后,可以基于待检测元器件的信息从设计的元器件库中查找出与待检测元器件关联的检测参数。
进一步地,基于待检测元器件的信息,从元器件库中查找出与待检测元器件关联的检测参数,包括,基于待检测元器件的类别从元器件库中获取与待检测元器件关联的检测参数和检测子框。如图2所示,待检测元器件10配置的检测子框111位于待检测元器件10中间,也即,检测子框111位于检测框11内,检测子框111内自动配置有文字检测算法,通过文字检测算法对该检测子框111内的文字进行检测。
比如,基于获得的黑色继电器器件的位置信息,自动设置抽取黑色RGB值,设置阈值为70%,或者在元器件中间添加检测子框,该检测子框用于检测文字。
S14:基于检测参数配置待检测元器件的待检测参数,并将待检测参数保存至元器件库中。
在获取到待检测元器件的检测参数后,基于获取的检测参数自动配置待检测元器件的待检测参数,并将待检测参数保存至元器件库中。
可选地,待检测参数可以直接是检测参数,以简化配参过程。在其他实施例中,待检测参数也可以是用户根据实际应用请求增加、删除、修改的检测参数,具体请参阅下述步骤S25中的文字说明,通过此种方式,能够对待检测参数进行按需调整,使待检测参数能够满足检测需求。
进一步地,将待检测参数保存至元器件库中的步骤可以是将待检测参数与对应的元器件建立关联关系,并将关联关系保存至元器件库,以对元器件库进行更新,以使元器件库中存储最新更正的检测参数。
可选地,也可以将待检测参数和元器件库中预先存储的检测参数都保留,然后比较两种检测参数下,缺陷检测效果,保留检测效果较好的检测参数。具体地,可以将待检测参数与对应的元器件建立关联关系,并将关联关系保存至元器件库,以使元器件库中存储有元器件的两种检测参数;获取在待检测参数下,该元器件的第一缺陷检出率,以及在元器件库中预先存储的该元器件的检测参数下,该元器件的第二缺陷检测率。当确认第一缺陷检出率大于第二缺陷检出率,则可认为待检测参数对应的缺陷检测效果较好,则将预先存储的元器件的检测参数从元器件库中删除。当确认第一缺陷检出率小于或者等于第二缺陷检出率,则可认为元器件库中预先存储的检测参数对应的缺陷检测效果较好,因此可以将元器件的待检测参数从元器件库中删除。通过此种方式,能够使元器件库中存储的检测参数的检测效果较好,从而提高元器件缺陷检测的准确率。
综上,本申请实施例设计了一种元器件库,元器件库中存储有待检测元器件类别及其对应的检测参数,以基于该元器件库自动对待检测元器件进行参数配置,通过此种方式,能够节约人工成本,实现对光学检测图像的批量配参编程,缩短光学检测图像的编程时间,提高光学检测图像的编程效率。
请参阅图4所示,图4是本申请提供的元器件的配参方法的另一实施例的流程示意图,具体地,该实施例中,配参方法包括:
S21:获取电路板的光学检测图像。
步骤S21与步骤S11相同,在此不再赘述。
S22:获取光学检测图像中的待检测元器件的信息。
步骤S22与步骤S12相同,在此不再赘述。
S23:基于待检测元器件的信息,从元器件库中查找出与待检测元器件关联的检测参数,元器件库中预先存储有元器件及对应的检测参数。
步骤S23与步骤S13相同,在此不再赘述。
S24:接收检测参数的修改信息。
从元器件库中查找出待检测元器件的参数后,用户可以根据实际应用情况修改参数。比如,用户可以增加、删除或者修正参数,以满足不同的检测项的要求。
S25:基于修改信息对检测参数进行调整,生成待检测元器件的待检测参数。
在获取到元器件的修改信息后,基于修改信息对检测参数进行更新,生成待检测元器件的待检测参数,通过此种方式,能够使待检测参数满足不同的检测需求。
本申请还可以对待检测参数进行自动保存,存入元器件库中,以对元器件库进行更新。通过此种方式,使得下次从元器件库中查找参数时,能够得到最新的参数。
S26:基于检测参数配置待检测元器件的待检测参数,并将待检测参数保存至元器件库中。
步骤S26与步骤S14相同,在此不再赘述。
上述实施例的配参方法中,用户能够根据实际应用情况对元器件的参数进行修改,并可将修改后的参数自动保存至元器件库,对元器件库内的参数进行更新,以实现批量配参编程。本申请的配参方法能够缩短光学检测图像编程时间,提升光学检测图像的编程效率。
本申请还提供一种元器件的配参装置,如图5所示,图5是本申请提供的元器件的配参装置的一实施例的框架示意图,该配参装置10包括:第一获取模块11、第二获取模块12、查找模块13和配置模块14。
第一获取模块11用于获取电路板的光学检测图像;第二获取模块12用于获取光学检测图像中的待检测元器件的信息;查找模块13用于基于待检测元器件的信息,从元器件库中查找出与待检测元器件关联的检测参数,元器件库中预先存储有元器件及对应的检测参数;配置模块14用于基于检测参数配置待检测元器件的待检测参数,并将待检测参数保存至元器件库中。
可选地,第二获取模块12还用于将光学检测图像输入预先训练好的深度学习模型,得到待检测元器件的类别和位置信息。
可选地,配置模块14还用于接收检测参数的修改信息;基于修改信息对检测参数进行调整,生成待检测元器件的待检测参数。
可选地,配置模块14还用于将待检测参数与对应的元器件建立关联关系,并将关联关系保存至元器件库,以对元器件库进行更新。
可选地,配置模块14还用于将待检测参数与对应的元器件建立关联关系,并将关联关系保存至元器件库;获取在待检测参数下,元器件的第一缺陷检出率,以及在元器件库中预先存储的元器件的检测参数下,元器件的第二缺陷检测率;当确认第一缺陷检出率大于第二缺陷检出率,则将预先存储的元器件的检测参数从元器件库中删除;当确认第一缺陷检出率小于或者等于第二缺陷检出率,则将元器件的待检测参数从元器件库中删除。
本申请还提供一种元器件的配参设备,如图6所示,图6是本申请提供的元器件的配参设备的一实施例的框架示意图,该配参设备70包括相互耦接的存储器71和处理器72,处理器72用于执行存储器71中存储的程序指令,以实现上述任一项的元器件的配参方法。
处理器72还可以称为CPU(Central Processing Unit,中央处理单元)。处理器72可能是一种集成电路芯片,具有信号的处理能力。处理器72还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器72也可以是任何常规的处理器等。另外,处理器72可以由集成电路芯片共同实现。
上述实施例的配参设备70通过深度学习模型算法自动识别光学检测图像中的待检测元器件的类别和位置信息;并设计了一种元器件库,元器件库中存储有待检测元器件的类别及其对应的参数,以基于该元器件库自动对待检测元器件进行参数配置,通过此种方式,能够节约人工成本,实现对光学检测图像的批量配参编程,缩短光学检测图像的编程时间,提高光学检测图像的编程效率。
本申请还提供一种计算机可读存储介质,请参阅图7所示,图7是本申请提供的计算机可读存储介质一实施例的框架示意图。计算机可读存储介质80存储有能够被处理器运行的程序指令81,程序指令81用于实现上述任一实施例的元器件的配参方法的步骤。
其中,该程序指令81可以以软件产品的形式存储在上述计算机可读存储介质80中,包括若干指令用以使得一个设备或处理器执行本申请各个实施方式方法的全部或部分步骤。
计算机可读存储介质80是计算机存储器中用于存储某种不连续物理量的媒体。其中,计算机可读存储介质80包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序指令81代码的介质。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种元器件的配参方法,其特征在于,所述配参方法包括:
获取电路板的光学检测图像;
获取所述光学检测图像中的待检测元器件的信息;
基于所述待检测元器件的信息,从元器件库中查找出与所述待检测元器件关联的检测参数,所述元器件库中预先存储有元器件及对应的检测参数;
基于所述检测参数配置所述待检测元器件的待检测参数,并将所述待检测参数保存至所述元器件库中。
2.根据权利要求1所述的配参方法,其特征在于,所述获取所述光学检测图像中的待检测元器件的信息,包括,
将所述光学检测图像输入预先训练好的深度学习模型,得到所述待检测元器件的类别和位置信息。
3.根据权利要求2所述的配参方法,其特征在于,所述得到所述待检测元器件的类别和位置信息的步骤之后,所述配参方法还包括,
基于所述待检测元器件的位置信息,绘制覆盖所述待检测元器件的检测目标框,以对所述待检测元器件检测范围进行标记。
4.根据权利要求1所述的配参方法,其特征在于,所述基于所述检测参数配置所述待检测元器件的待检测参数,包括:
接收所述检测参数的修改信息;
基于所述修改信息对所述检测参数进行调整,生成所述待检测元器件的待检测参数。
5.根据权利要求1所述的配参方法,其特征在于,所述将所述待检测参数保存至所述元器件库,包括:
将所述待检测参数与对应的元器件建立关联关系,并将所述关联关系保存至所述元器件库,以对所述元器件库进行更新。
6.根据权利要求1所述的配参方法,其特征在于,所述将所述待检测参数保存至所述元器件库,包括,
将所述待检测参数与对应的元器件建立关联关系,并将所述关联关系保存至所述元器件库;
获取在所述待检测参数下,所述元器件的第一缺陷检出率,以及在所述元器件库中预先存储的所述元器件的检测参数下,所述元器件的第二缺陷检测率;
当确认所述第一缺陷检出率大于所述第二缺陷检出率,则将预先存储的所述元器件的检测参数从所述元器件库中删除;
当确认所述第一缺陷检出率小于或者等于所述第二缺陷检出率,则将所述元器件的待检测参数从所述元器件库中删除。
7.根据权利要求1所述的配参方法,其特征在于,所述检测参数用于检测所述待检测元器件的缺陷,所述缺陷包括:漏件、错件、极性反、少锡、露铜、连锡、孔洞、炸锡、未出脚和偏移中的至少一种。
8.一种元器件的配参装置,其特征在于,所述配参装置包括:
第一获取模块,用于获取电路板的光学检测图像;
第二获取模块,获取所述光学检测图像中的待检测元器件的信息;
查找模块,用于基于所述待检测元器件的信息,从元器件库中查找出与所述待检测元器件关联的检测参数,所述元器件库中预先存储有元器件及对应的检测参数;
配置模块,用于基于所述检测参数配置所述待检测元器件的待检测参数,并将所述待检测参数保存至所述元器件库中。
9.一种元器件的配参设备,其特征在于,所述配参设备包括相互耦接的存储器和处理器,所述处理器用于执行所述存储器中存储的程序指令,以实现如权利要求1-8中任一项所述的元器件的配参方法。
10.一种计算机可读存储介质,其上存储有程序指令,其特征在于,所述程序指令被处理器执行时实现如权利要求1-8中任一项所述的元器件的配参方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211117404.XA CN117715302A (zh) | 2022-09-14 | 2022-09-14 | 元器件的配参方法、配参装置、配参设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211117404.XA CN117715302A (zh) | 2022-09-14 | 2022-09-14 | 元器件的配参方法、配参装置、配参设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117715302A true CN117715302A (zh) | 2024-03-15 |
Family
ID=90152152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211117404.XA Pending CN117715302A (zh) | 2022-09-14 | 2022-09-14 | 元器件的配参方法、配参装置、配参设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117715302A (zh) |
-
2022
- 2022-09-14 CN CN202211117404.XA patent/CN117715302A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108896278B (zh) | 一种滤光片丝印缺陷检测方法、装置及终端设备 | |
CN107945184A (zh) | 一种基于彩色图像分割和梯度投影定位的贴装元件检测方法 | |
US10684321B2 (en) | Printed circuit board inspecting apparatus, method for detecting anomaly in solder paste and computer readable recording medium | |
EP1388738A1 (en) | Inspection data producing method and board inspection apparatus using the method | |
US11521015B2 (en) | Image-recognition apparatus, image-recognition method, and non-transitory computer-readable storage medium thereof | |
CN111640088B (zh) | 基于深度学习的电子元件极性检测方法、系统及电子装置 | |
CN110705596A (zh) | 白屏检测方法、装置、电子设备及存储介质 | |
CN113077416A (zh) | 一种基于图像处理的焊点焊接缺陷检测方法与系统 | |
CN115294063A (zh) | 电子元件的缺陷检测方法、装置、系统、电子设备及介质 | |
CN115439411A (zh) | 电路板元器件极性的检测方法、装置、介质和电子设备 | |
CN106528665B (zh) | Aoi设备测试文件查找方法和系统 | |
CN103913150B (zh) | 智能电能表电子元器件一致性检测方法 | |
CN110795817A (zh) | 一种实验室数据处理方法及处理系统 | |
CN116559170A (zh) | 一种产品质量检测方法及相关系统 | |
CN112161984B (zh) | 酒品定位方法、酒品信息管理方法、装置、设备及存储介质 | |
CN117715302A (zh) | 元器件的配参方法、配参装置、配参设备及存储介质 | |
CN111127462A (zh) | 基于多曝光成像的成衣印花缺陷检测系统及检测方法 | |
JP4814116B2 (ja) | 実装基板外観検査方法 | |
TW200806977A (en) | Automatic inspecting method for inspecting the polar direction of the polar element | |
TWI549097B (zh) | 電子元件外觀影像檢測方法及其電腦可讀媒體 | |
CN113933309A (zh) | 一种复测aoi机台检盲孔孔内不良的方法 | |
CN113902940A (zh) | 基于神经网络的多类物品视觉识别方法及计量设备 | |
KR101383827B1 (ko) | 인쇄회로기판의 솔더링 영역 자동검출 시스템 및 방법 | |
CN215179785U (zh) | 一种电子零配件智能综合检验系统 | |
CN112801998B (zh) | 一种印制电路板检测方法、装置、计算机设备和存储介质 |
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 |