CN117893513A - 一种基于视觉神经网络算法的pcb板检测方法及系统 - Google Patents
一种基于视觉神经网络算法的pcb板检测方法及系统 Download PDFInfo
- Publication number
- CN117893513A CN117893513A CN202410082965.3A CN202410082965A CN117893513A CN 117893513 A CN117893513 A CN 117893513A CN 202410082965 A CN202410082965 A CN 202410082965A CN 117893513 A CN117893513 A CN 117893513A
- Authority
- CN
- China
- Prior art keywords
- position data
- neural network
- training
- target
- path
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 136
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 74
- 230000000007 visual effect Effects 0.000 title claims abstract description 66
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 164
- 238000003062 neural network model Methods 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000003287 optical effect Effects 0.000 claims abstract description 9
- 238000012937 correction Methods 0.000 claims description 26
- 238000004140 cleaning Methods 0.000 claims 1
- 150000003071 polychlorinated biphenyls Chemical class 0.000 description 65
- 238000012545 processing Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本申请提供一种基于视觉神经网络算法的PCB板检测方法，方法包括：获取多个不同PCB板单元图像，基于PCB板单元图像获取多个训练识别点图像的多个第一位置数据，训练路径图像的第二位置数据，以及表示PCB板单元的边缘轮廓的第三位置数据。获得目标神经网络模型。获取检测PCB板单元图像，基于检测PCB板单元图像获取多个识别点，获取多个识别点图像的多个第四位置数据，以及表示检测PCB板单元的边缘轮廓的第五位置数据，将第四位置数据与第五位置数据导入目标神经网络模型，获得第六位置数据。基于第六位置数据获取目标路径图像，基于目标路径图像确定目标点位对目标点位进行导通检测，并输出检测结果。本申请还提供一种基于视觉神经网络算法的PCB板检测系统。
Description
技术领域
本申请涉及检测技术领域，尤其涉及一种基于视觉神经网络算法的PCB板检测方法及系统。
背景技术
PCB板是工业电子领域得到基础，在生产PCB板的过程中，检测PCB板的方式有多种，例如采用如针床测试仪和飞针测试仪，通过电气性能测试识别PCB制造缺陷。主要优点是测试成本低，智能化能快速检查短路、开路和元件值，在原型阶段为设计人员提供快速的反馈。
相关技术中，在采用针床测试仪和飞针测试仪检测时，由于使用固定的夹具，仅能针对针脚固定的一种PCB板进行检测，当有不同种类的PCB板需要检测时，需要分别使用不同的夹具，检测的效率较低。
发明内容
本申请实施例提供一种基于视觉神经网络算法的PCB板检测方法系统，以改善上述问题。
为达到上述目的，本申请采用如下技术方案：
第一方面，本申请提出了一种基于视觉神经网络算法的PCB板检测方法，方法包括：
获取多个不同PCB板单元图像，其中，PCB板单元边缘具有多个训练识别点，多个训练识别点中的一个训练识别点，与另外的一个或多个训练识别点连接并形成训练路径，PCB板单元图像包括多个训练识别点图像与多个训练路径图像；基于PCB板单元图像获取多个训练识别点图像的多个第一位置数据，训练路径图像的第二位置数据，以及表示PCB板单元的边缘轮廓的第三位置数据；构建初始神经网络训练模型并进行迭代计算，当初始神经网络模型满足预设条件时停止训练并获得目标神经网络模型，目标神经网络训练模型用于根据第一位置数据与第三位置数据生成第二位置数据；获取检测PCB板单元图像，基于检测PCB板单元图像获取多个识别点，获取多个识别点图像的多个第四位置数据，以及表示检测PCB板单元的边缘轮廓的第五位置数据，将第四位置数据与第五位置数据导入目标神经网络模型，获得第六位置数据；基于第六位置数据获取目标路径图像，基于目标路径图像确定目标点位，其中，目标点位为检测PCB板单元上的点位，对目标点位进行导通检测，并输出检测结果。
结合第一方面，在一些可行的实施方式中，基于PCB板单元图像获取多个训练识别点图像的多个第一位置数据，训练路径图像的第二位置数据，以及表示PCB板单元的边缘轮廓的第三位置数据，包括：基于PCB板单元图像获取训练视觉路径数据，其中，训练视觉路径为PCB板单元上可直接获取的可导通的路径，训练视觉路径数据为可导通的路径的位置数据；将训练视觉路径数据作为第二位置数据。
结合第一方面，在一些可行的实施方式中，构建初始神经网络训练模型并进行迭代计算，当初始神经网络模型满足预设条件时停止训练并获得目标神经网络模型，目标神经网络训练模型用于根据第一位置数据与第三位置数据生成第二位置数据，包括：基于初始神经网络模型获取预测第二位置数据；将预测第二位置数据与第二位置数据进行比对，并获取修正值；当修正值小于预设阈值时停止训练，并将此时的初始神经网络训练模型作为目标神经网络训练模型。
结合第一方面，在一些可行的实施方式中，将预测第二位置数据与第二位置数据进行比对，并获取修正值，包括：获取修正值，修正值与预测第二位置数据、第二位置数据之间的关系满足：
t＝|(|y1-yt|)y1|
其中，误差值为t，预测第二位置数据为yt，第二位置数据为y1。
结合第一方面，在一些可行的实施方式中，取检测PCB板单元图像，基于检测PCB板单元图像获取多个识别点，获取多个识别点图像的多个第四位置数据，以及表示检测PCB板单元的边缘轮廓的第五位置数据，将第四位置数据与第五位置数据导入目标神经网络模型，获得第六位置数据，包括：基于PCB板单元图像获取检测视觉路径数据，其中，检测视觉路径为检测PCB板单元上可直接获取的可导通的路径，检测视觉路径数据为可导通的路径的位置数据；将检测视觉路径数据作为第六位置数据。
结合第一方面，在一些可行的实施方式中，构建初始神经网络训练模型并进行迭代计算，当初始神经网络模型满足预设条件时停止训练并获得目标神经网络模型，目标神经网络训练模型用于根据第一位置数据与第三位置数据生成第二位置数据，还包括：将第一位置数据与第三位置数据作为不同的维度，生成第二位置数据的特征向量；根据第二位置数据的特征向量生成初始神经网络训练模型。
结合第一方面，在一些可行的实施方式中，获取检测PCB板单元图像，基于检测PCB板单元图像获取多个识别点，获取多个识别点图像的多个第四位置数据，以及表示检测PCB板单元的边缘轮廓的第五位置数据，将第四位置数据与第五位置数据导入目标神经网络模型，获得第六位置数据，还包括：将检测视觉路径数据作为第六位置数据导入目标神经网络模型，其中，第六数据的特征向量由第四数据与第五数据构成；基于目标神经网络模型获取所有的第六位置数据。
结合第一方面，在一些可行的实施方式中，将第一位置数据与第三位置数据作为不同的维度，生成第二位置数据的特征向量之前，还包括：对每个维度进行归一化处理，以使每个维度均位于[0,1]的范围内；对每个维度进行降噪处理；对每个维度进行数据清洗。
结合第一方面，在一些可行的实施方式中，基于第六位置数据获取目标路径图像，基于目标路径图像确定目标点位，其中，目标点位为检测PCB板单元上的点位，对目标点位进行导通检测，并输出检测结果，包括：基于第六位置数据生成映射路径图像，基于映射路径图像确定目标路径图像；基于目标路径图像确定目标路径，目标路径为检测PCB板单元上的导通路径；基于目标路径确定目标点位，目标点位为检测PCB板上的导通针脚点位。
第二方面，本申请实施例提出了一种基于视觉神经网络算法的PCB板检测系统，系统被配置为：获取多个不同PCB板单元图像，其中，PCB板单元边缘具有多个训练识别点，多个训练识别点中的一个训练识别点，与另外的一个或多个训练识别点连接并形成训练路径，PCB板单元图像包括多个训练识别点图像与多个训练路径图像；基于PCB板单元图像获取多个训练识别点图像的多个第一位置数据，训练路径图像的第二位置数据，以及表示PCB板单元的边缘轮廓的第三位置数据；构建初始神经网络训练模型并进行迭代计算，当初始神经网络模型满足预设条件时停止训练并获得目标神经网络模型，目标神经网络训练模型用于根据第一位置数据与第三位置数据生成第二位置数据；获取检测PCB板单元图像，基于检测PCB板单元图像获取多个识别点，获取多个识别点图像的多个第四位置数据，以及表示检测PCB板单元的边缘轮廓的第五位置数据，将第四位置数据与第五位置数据导入目标神经网络模型，获得第六位置数据；基于第六位置数据获取目标路径图像，基于目标路径图像确定目标点位，其中，目标点位为检测PCB板单元上的点位，对目标点位进行导通检测，并输出检测结果。
结合第二方面，在一些实施方式中，系统被配置为：
基于PCB板单元图像获取训练视觉路径数据，其中，训练视觉路径为PCB板单元上可直接获取的可导通的路径，训练视觉路径数据为可导通的路径的位置数据；将训练视觉路径数据作为第二位置数据。
结合第二方面，在一些实施方式中，系统被配置为：
基于初始神经网络模型获取预测第二位置数据；将预测第二位置数据与第二位置数据进行比对，并获取修正值；当修正值小于预设阈值时停止训练，并将此时的初始神经网络训练模型作为目标神经网络训练模型。
结合第二方面，在一些实施方式中，系统被配置为：
获取修正值，修正值与预测第二位置数据、第二位置数据之间的关系满足：
t＝|(|y1-yt|)y1|
其中，误差值为t，预测第二位置数据为yt，第二位置数据为y1。
结合第二方面，在一些实施方式中，系统被配置为：
基于PCB板单元图像获取检测视觉路径数据，其中，检测视觉路径为检测PCB板单元上可直接获取的可导通的路径，检测视觉路径数据为可导通的路径的位置数据；将检测视觉路径数据作为第六位置数据。
结合第二方面，在一些实施方式中，系统被配置为：
将第一位置数据与第三位置数据作为不同的维度，生成第二位置数据的特征向量；根据第二位置数据的特征向量生成初始神经网络训练模型。
结合第二方面，在一些实施方式中，系统被配置为：
将检测视觉路径数据作为第六位置数据导入目标神经网络模型，其中，第六数据的特征向量由第四数据与第五数据构成；基于目标神经网络模型获取所有的第六位置数据。
结合第二方面，在一些实施方式中，系统被配置为：
对每个维度进行归一化处理，以使每个维度均位于[0,1]的范围内；对每个维度进行降噪处理；对每个维度进行数据清洗。
结合第二方面，在一些实施方式中，系统被配置为：
基于第六位置数据生成映射路径图像，基于映射路径图像确定目标路径图像；基于目标路径图像确定目标路径，目标路径为检测PCB板单元上的导通路径；基于目标路径确定目标点位，目标点位为检测PCB板上的导通针脚点位。
本申请第三方面提出了一种电子设备，电子设备包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；存储器用于存放计算机程序；处理器用于执行存储器上所存放的程序时，实现如第一方面的方法步骤。
综上，上述方法及装置具有如下技术效果：
本申请提出的一种基于视觉神经网络算法的PCB板检测方法，首先通过多个不同PCB板单元图像作为训练集构建初始神经网络训练模型并进行迭代计算，当初始神经网络模型满足预设条件时停止训练并获得目标神经网络模型，目标神经网络训练模型用于根据第一位置数据与第三位置数据生成第二位置数据，然后获取检测PCB板单元图像，基于检测PCB板单元图像获取多个识别点，获取多个识别点图像的多个第四位置数据，以及表示检测PCB板单元的边缘轮廓的第五位置数据，将第四位置数据与第五位置数据导入目标神经网络模型，获得第六位置数据，最后基于第六位置数据获取目标路径图像，基于目标路径图像确定目标点位，其中，目标点位为检测PCB板单元上的点位，对目标点位进行导通检测，并输出检测结果。本申请提出的一种基于视觉神经网络算法的PCB板检测方法，通过训练可以得到一个由PCB板边缘、训练识别点以及训练路径图像的数据迭代计算的神经网络模型，在检测时，通过将检测PCB板单元图像中的数据输入至神经网络模型，可以获得检测PCB板上的导通路径，通过对导通路径进行导通检测，可以得到该检测PCB板的检测结果。
附图说明
图1为本申请实施例提出的一种基于视觉神经网络算法的PCB板检测方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在采用针床测试仪和飞针测试仪检测对PCB板进行检测时，首先需要确定导通路径才能够进行检测，由于PCB板上的部分路径隐藏于隔离层下，或是被部分元器件挡住，所以无法通过常规的视觉匹配直接获取。
随着神经网络算法的普及，由于不同形状的PCB板，其上的布线具有一定的规律，因此发明人想到可以利用机器学习，通过从能够直接获取的图像信息，来计算出PCB板上的布线方式，并控制针床测试仪和飞针测试仪的探头对布线路径进行检测。
因此，本申请实施例提出了一种基于视觉神经网络算法的PCB板检测方法，请参阅图1，包括以下步骤：
S101：获取多个不同PCB板单元图像，其中，PCB板单元边缘具有多个训练识别点，多个训练识别点中的一个训练识别点，与另外的一个或多个训练识别点连接并形成训练路径，PCB板单元图像包括多个训练识别点图像与多个训练路径图像。
可以理解的，本步骤中的PCB板单元是用于训练神经网络模型的，从PCB板单元图像获取的数据构成初始神经网络模型的训练集。在本实施例中，训练识别点也即在PCB板单元上直接连接针床测试仪和飞针测试仪的针脚点，检测的针脚点一般设置于PCB板单元的边缘位置。当然在另外一些实施例中，检测的针脚点也可以是设置于PCB板上的其他位置，在此不做限定。
S102：基于PCB板单元图像获取多个训练识别点图像的多个第一位置数据，训练路径图像的第二位置数据，以及表示PCB板单元的边缘轮廓的第三位置数据。
可以理解的，第一位置数据可以是在PCB板单元图像中的位置数据的量化表示，例如位置(x，y)中，位置数据可用N＝(x+y)xy等表示。具体量化方式在本实施例中不做限定。
训练路径图像也即是在PCB板单元单元上提前标注好的路径。具体的标注方式可以是人工进行标注的，之后对标注的路径也进行数据化的处理。可以理解的，这里标注的路径是隐藏起来、无法直接通过图像识别获得的路径。
对于部分可以直接看到的路径，可选地，步骤S102还可以包括：
基于PCB板单元图像获取训练视觉路径数据，其中，训练视觉路径为PCB板单元上可直接获取的可导通的路径，训练视觉路径数据为可导通的路径的位置数据；
将训练视觉路径数据作为第二位置数据。
可以理解的，在一些PCB板结构上具有的可以直接获取的导通路径，可以通过例如特征识别等图像识别方式直接或间接的标注出，具体的识别方式在相关技术中已经公开，在此不做限定。
S103：构建初始神经网络训练模型并进行迭代计算，当初始神经网络模型满足预设条件时停止训练并获得目标神经网络模型，目标神经网络训练模型用于根据第一位置数据与第三位置数据生成第二位置数据。
具体的，作为一种实施方式，可以将第一位置数据与第三位置数据作为不同的维度，生成第二位置数据的特征向量，然后根据第二位置数据的特征向量生成初始神经网络训练模型。该特征向量包含了多个维度的信息，可以作为神经网络训练模型的输入特征，进行模型训练和预测。
可选地，将第一位置数据与第三位置数据作为不同的维度，生成第二位置数据的特征向量之前，还包括数据处理的步骤。具体的，数据处理可以包括以下步骤：
对每个维度进行归一化处理，以使每个维度均位于[0,1]的范围内。
可以理解的，对每个维度进行归一化处理，可以使不同维度的数据具有可比性，避免不同尺度的数据对模型训练的影响不同。具体的，设x为某个维度的原始数据，xmin和xmax分别为该维度的最小值和最大值，则该维度的归一化后的值为：
y＝(x-xmin)/(xmax-xmin)
其中，y为归一化后的值，取值范围为[0,1]。该方法可以保留数据的相对大小关系，同时使得数据具有可比性。另外，对于某些特殊情况，如存在离群点或异常值的数据，可以考虑采用基于中位数和四分位数的RobustScaler归一化方法，该方法可以对异常值进行鲁棒处理，避免异常值对归一化结果的影响。
对每个维度进行降噪处理。
可以理解的，移动平均滤波可以在一定时间窗口内对数据进行平均处理，以去除瞬时异常数据的影响，从而保留数据的趋势和规律。具体地，对于一个长度为N的数据序列x(1),x(2),…,x(N)，可以定义一个窗口大小w，每次将窗口放在数据序列上，并计算窗口内数据的平均值，作为当前数据点的估计值。
对每个维度进行数据清洗。
可以理解的，数据清洗可以包括检查数据是否完整，具体的，可以通过检查数据中是否存在缺失值或异常值。如果存在，需要对缺失值进行填充或删除，对异常值进行修正或删除。在另外一些实施方式中，也可以包括对数据格式或重复性的检测，具体数据清洗的内容在此不做限定。
可选地，步骤S102还可以包括：
基于初始神经网络模型获取预测第二位置数据；
将预测第二位置数据与第二位置数据进行比对，并获取修正值；
当修正值小于预设阈值时停止训练，并将此时的初始神经网络训练模型作为目标神经网络训练模型。
具体的，在该步骤中，可以采用深度学习中常用的全连接神经网络训练模型，该模型可以通过多层神经元的计算，将输入特征与输出值之间的非线性关系进行建模。可以理解的，在本实施例中，设特征向量为x＝[y1,x2]，其中y1、x2分别表示归一化后的第一位置数据、和第三位置数据，设神经网络训练模型为f(x；θ)，其中θ表示模型参数，使得模型输出值f(x；θ)能够接近第二位置数据的的真实值y。则神经网络训练模型的训练过程可以通过最小化损失函数来实现，即：
L(θ)＝1/N*Σ(f(x_i；θ)-y_i)^2
其中，N表示训练样本数量，xi和yi分别表示第i个样本的输入特征和输出值。该损失函数可以衡量模型预测值与真实值之间的误差，通过反向传播算法和梯度下降等优化算法，可以更新模型参数θ，从而提高模型的准确性。
具体的，获取修正值，修正值与预测第二位置数据、第二位置数据之间的关系满足：
t＝|(|y1-yt|)y1|
其中，误差值为t，预测第二位置数据为yt，第二位置数据为y1。
可以理解的，当误差值小于预设值时，停止对神经网络训练模型的训练过程。这是因为当误差值小于一定阈值时，模型已经足够准确地对数据进行预测，继续训练模型的效果不大，而且可能会导致过拟合等问题。
S104：获取检测PCB板单元图像，基于检测PCB板单元图像获取多个识别点，获取多个识别点图像的多个第四位置数据，以及表示检测PCB板单元的边缘轮廓的第五位置数据，将第四位置数据与第五位置数据导入目标神经网络模型，获得第六位置数据。
可以理解的，通过本步骤可以实现对目标路径的预测过程。
可选地，本步骤中，还可以包括：
基于PCB板单元图像获取检测视觉路径数据，其中，检测视觉路径为检测PCB板单元上可直接获取的可导通的路径，检测视觉路径数据为可导通的路径的位置数据；
将检测视觉路径数据作为第六位置数据。
可以理解的，由于检测视觉路径可以直接获取的。因此，为了提高准确度，可已经将检测视觉路径数据作为一个样本添加到目标神经网络模型中，以获得更为准确的结果值。
具体的，首先，将检测视觉路径数据作为第六位置数据导入目标神经网络模型，其中，第六数据的特征向量由第四数据与第五数据构成，然后，基于目标神经网络模型获取所有的第六位置数据。
S105：基于第六位置数据获取目标路径图像，基于目标路径图像确定目标点位，其中，目标点位为检测PCB板单元上的点位，对目标点位进行导通检测，并输出检测结果。
具体的，首先，可以基于第六位置数据生成映射路径图像，基于映射路径图像确定目标路径图像，然后，基于目标路径图像确定目标路径，目标路径为检测PCB板单元上的导通路径，最后，基于目标路径确定目标点位，目标点位为检测PCB板上的导通针脚点位。通过导通针脚点位之间的电流、电压等，可以对PCB板的状态进行检测。具体的检测方式在此不做赘述。
本申请提出的一种基于视觉神经网络算法的PCB板检测方法，首先通过多个不同PCB板单元图像作为训练集构建初始神经网络训练模型并进行迭代计算，当初始神经网络模型满足预设条件时停止训练并获得目标神经网络模型，目标神经网络训练模型用于根据第一位置数据与第三位置数据生成第二位置数据，然后获取检测PCB板单元图像，基于检测PCB板单元图像获取多个识别点，获取多个识别点图像的多个第四位置数据，以及表示检测PCB板单元的边缘轮廓的第五位置数据，将第四位置数据与第五位置数据导入目标神经网络模型，获得第六位置数据，最后基于第六位置数据获取目标路径图像，基于目标路径图像确定目标点位，其中，目标点位为检测PCB板单元上的点位，对目标点位进行导通检测，并输出检测结果。本申请提出的一种基于视觉神经网络算法的PCB板检测方法，通过训练可以得到一个由PCB板边缘、训练识别点以及训练路径图像的数据迭代计算的神经网络模型，在检测时，通过将检测PCB板单元图像中的数据输入至神经网络模型，可以获得检测PCB板上的导通路径，通过对导通路径进行导通检测，可以得到该检测PCB板的检测结果。
基于同一发明构思，本申请实施例还提出了一种基于视觉神经网络算法的PCB板检测系统，系统被配置为：
获取多个不同PCB板单元图像，其中，PCB板单元边缘具有多个训练识别点，多个训练识别点中的一个训练识别点，与另外的一个或多个训练识别点连接并形成训练路径，PCB板单元图像包括多个训练识别点图像与多个训练路径图像；基于PCB板单元图像获取多个训练识别点图像的多个第一位置数据，训练路径图像的第二位置数据，以及表示PCB板单元的边缘轮廓的第三位置数据；构建初始神经网络训练模型并进行迭代计算，当初始神经网络模型满足预设条件时停止训练并获得目标神经网络模型，目标神经网络训练模型用于根据第一位置数据与第三位置数据生成第二位置数据；
获取检测PCB板单元图像，基于检测PCB板单元图像获取多个识别点，获取多个识别点图像的多个第四位置数据，以及表示检测PCB板单元的边缘轮廓的第五位置数据，将第四位置数据与第五位置数据导入目标神经网络模型，获得第六位置数据；基于第六位置数据获取目标路径图像，基于目标路径图像确定目标点位，其中，目标点位为检测PCB板单元上的点位，对目标点位进行导通检测，并输出检测结果。
在一些实施方式中，系统被配置为：
基于PCB板单元图像获取训练视觉路径数据，其中，训练视觉路径为PCB板单元上可直接获取的可导通的路径，训练视觉路径数据为可导通的路径的位置数据；将训练视觉路径数据作为第二位置数据。
在一些实施方式中，系统被配置为：
基于初始神经网络模型获取预测第二位置数据；将预测第二位置数据与第二位置数据进行比对，并获取修正值；当修正值小于预设阈值时停止训练，并将此时的初始神经网络训练模型作为目标神经网络训练模型。
在一些实施方式中，系统被配置为：
获取修正值，修正值与预测第二位置数据、第二位置数据之间的关系满足：
t＝|(|y1-yt|)y1|
其中，误差值为t，预测第二位置数据为yt，第二位置数据为y1。
在一些实施方式中，系统被配置为：
基于PCB板单元图像获取检测视觉路径数据，其中，检测视觉路径为检测PCB板单元上可直接获取的可导通的路径，检测视觉路径数据为可导通的路径的位置数据；将检测视觉路径数据作为第六位置数据。
在一些实施方式中，系统被配置为：
将第一位置数据与第三位置数据作为不同的维度，生成第二位置数据的特征向量；根据第二位置数据的特征向量生成初始神经网络训练模型。
在一些实施方式中，系统被配置为：
将检测视觉路径数据作为第六位置数据导入目标神经网络模型，其中，第六数据的特征向量由第四数据与第五数据构成；基于目标神经网络模型获取所有的第六位置数据。
在一些实施方式中，系统被配置为：
对每个维度进行归一化处理，以使每个维度均位于[0,1]的范围内；对每个维度进行降噪处理；对每个维度进行数据清洗。
在一些实施方式中，系统被配置为：
基于第六位置数据生成映射路径图像，基于映射路径图像确定目标路径图像；基于目标路径图像确定目标路径，目标路径为检测PCB板单元上的导通路径；基于目标路径确定目标点位，目标点位为检测PCB板上的导通针脚点位。
本申请提出的一种基于视觉神经网络算法的PCB板检测系统，首先通过多个不同PCB板单元图像作为训练集构建初始神经网络训练模型并进行迭代计算，当初始神经网络模型满足预设条件时停止训练并获得目标神经网络模型，目标神经网络训练模型用于根据第一位置数据与第三位置数据生成第二位置数据，然后获取检测PCB板单元图像，基于检测PCB板单元图像获取多个识别点，获取多个识别点图像的多个第四位置数据，以及表示检测PCB板单元的边缘轮廓的第五位置数据，将第四位置数据与第五位置数据导入目标神经网络模型，获得第六位置数据，最后基于第六位置数据获取目标路径图像，基于目标路径图像确定目标点位，其中，目标点位为检测PCB板单元上的点位，对目标点位进行导通检测，并输出检测结果。本申请提出的一种基于视觉神经网络算法的PCB板检测系统，通过训练可以得到一个由PCB板边缘、训练识别点以及训练路径图像的数据迭代计算的神经网络模型，在检测时，通过将检测PCB板单元图像中的数据输入至神经网络模型，可以获得检测PCB板上的导通路径，通过对导通路径进行导通检测，可以得到该检测PCB板的检测结果。
基于同一发明构思，本申请的实施例还提出了一种电子设备，电子设备包括：
至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本申请实施例的基于视觉神经网络算法的PCB板检测方法。
此外，为实现上述目的，本申请的实施例还提出了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现本申请实施例的基于视觉神经网络算法的PCB板检测方法。
下面对电子设备的各个构成部件进行具体的介绍：
其中，处理器是电子设备的控制中心，可以是一个处理器，也可以是多个处理元件的统称。例如，处理器是一个或多个中央处理器(central processing unit，CPU)，也可以是特定集成电路(application specific integrated circuit，ASIC)，或者是被配置成实施本发明实施例的一个或多个集成电路，例如：一个或多个微处理器(digital signalprocessor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)。
可选地，处理器可以通过运行或执行存储在存储器内的软件程序，以及调用存储在存储器内的数据，执行电子设备的各种功能。
其中，存储器用于存储执行本发明方案的软件程序，并由处理器来控制执行，具体实现方式可以参考上述方法实施例，此处不再赘述。
可选地，存储器可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compactdisc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以和处理器集成在一起，也可以独立存在，并通过电子设备的接口电路与处理器耦合，本发明实施例对此不作具体限定。
收发器，用于与网络设备通信，或者与终端设备通信。
可选地，收发器可以包括接收器和发送器。其中，接收器用于实现接收功能，发送器用于实现发送功能。
可选地，收发器可以和处理器集成在一起，也可以独立存在，并通过路由器的接口电路与处理器耦合，本发明实施例对此不作具体限定。
此外，电子设备的技术效果可以参考上述方法实施例的数据传输方法的技术效果，此处不再赘述。
应理解，在本发明实施例中的处理器可以是中央处理单元(central processingunit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解，本发明实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random accessmemory，RAM)可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM，DR RAM)。
上述实施例，可以全部或部分地通过软件、硬件(如电路)、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行计算机指令或计算机程序时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
本发明中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
Claims (10)
1.一种基于视觉神经网络算法的PCB板检测方法，其特征在于，所述方法包括：
获取多个不同PCB板单元图像，其中，PCB板单元边缘具有多个训练识别点，多个所述训练识别点中的一个所述训练识别点，与另外的一个或多个所述训练识别点连接并形成训练路径，所述PCB板单元图像包括多个训练识别点图像与多个训练路径图像；
基于所述PCB板单元图像获取多个所述训练识别点图像的多个第一位置数据，所述训练路径图像的第二位置数据，以及表示所述PCB板单元的边缘轮廓的第三位置数据；
构建初始神经网络训练模型并进行迭代计算，当所述初始神经网络模型满足预设条件时停止训练并获得目标神经网络模型，所述目标神经网络训练模型用于根据所述第一位置数据与所述第三位置数据生成所述第二位置数据；
获取检测PCB板单元图像，基于所述检测PCB板单元图像获取多个识别点，获取多个所述识别点图像的多个第四位置数据，以及表示所述检测PCB板单元的边缘轮廓的第五位置数据，将所述第四位置数据与所述第五位置数据导入所述目标神经网络模型，获得第六位置数据；
基于所述第六位置数据获取目标路径图像，基于所述目标路径图像确定目标点位，其中，所述目标点位为所述检测PCB板单元上的点位，对所述目标点位进行导通检测，并输出检测结果。
2.根据权利要求1所述的一种基于视觉神经网络算法的PCB板检测方法，其特征在于，基于所述PCB板单元图像获取多个所述训练识别点图像的多个第一位置数据，所述训练路径图像的第二位置数据，以及表示所述PCB板单元的边缘轮廓的第三位置数据，包括：
基于所述PCB板单元图像获取训练视觉路径数据，其中，训练视觉路径为所述PCB板单元上可直接获取的可导通的路径，所述训练视觉路径数据为可导通的路径的位置数据；
将所述训练视觉路径数据作为所述第二位置数据。
3.根据权利要求2所述的一种基于视觉神经网络算法的PCB板检测方法，其特征在于，所述构建初始神经网络训练模型并进行迭代计算，当所述初始神经网络模型满足预设条件时停止训练并获得目标神经网络模型，所述目标神经网络训练模型用于根据所述第一位置数据与所述第三位置数据生成所述第二位置数据，包括：
基于所述初始神经网络模型获取预测第二位置数据；
将所述预测第二位置数据与所述第二位置数据进行比对，并获取修正值；
当所述修正值小于预设阈值时停止训练，并将此时的所述初始神经网络训练模型作为所述目标神经网络训练模型。
4.根据权利要求3所述的一种基于视觉神经网络算法的PCB板检测方法，其特征在于，将所述预测第二位置数据与所述第二位置数据进行比对，并获取修正值，包括：
获取所述修正值，所述修正值与所述所述预测第二位置数据、所述第二位置数据之间的关系满足：
t＝|(|y1-yt|)y1|
其中，所述所述误差值为t，所述预测第二位置数据为yt，所述第二位置数据为y1。
5.根据权利要求4所述的一种基于视觉神经网络算法的PCB板检测方法，其特征在于，获取检测PCB板单元图像，基于所述检测PCB板单元图像获取多个识别点，获取多个所述识别点图像的多个第四位置数据，以及表示所述检测PCB板单元的边缘轮廓的第五位置数据，将所述第四位置数据与所述第五位置数据导入所述目标神经网络模型，获得第六位置数据，包括：
基于所述PCB板单元图像获取检测视觉路径数据，其中，检测视觉路径为所述检测PCB板单元上可直接获取的可导通的路径，所述检测视觉路径数据为可导通的路径的位置数据；
将所述检测视觉路径数据作为所述第六位置数据。
6.根据权利要求5所述的一种基于视觉神经网络算法的PCB板检测方法，其特征在于，构建初始神经网络训练模型并进行迭代计算，当所述初始神经网络模型满足预设条件时停止训练并获得目标神经网络模型，所述目标神经网络训练模型用于根据所述第一位置数据与所述第三位置数据生成所述第二位置数据，还包括：
将所述第一位置数据与所述第三位置数据作为不同的维度，生成所述第二位置数据的特征向量；
根据所述第二位置数据的特征向量生成所述初始神经网络训练模型。
7.根据权利要求6所述的一种基于视觉神经网络算法的PCB板检测方法，其特征在于，获取检测PCB板单元图像，基于所述检测PCB板单元图像获取多个识别点，获取多个所述识别点图像的多个第四位置数据，以及表示所述检测PCB板单元的边缘轮廓的第五位置数据，将所述第四位置数据与所述第五位置数据导入所述目标神经网络模型，获得第六位置数据，还包括：
将所述检测视觉路径数据作为所述第六位置数据导入所述目标神经网络模型，其中，所述第六数据的特征向量由所述第四数据与所述第五数据构成；
基于所述目标神经网络模型获取所有的所述第六位置数据。
8.根据权利要求7所述的一种基于视觉神经网络算法的PCB板检测方法，其特征在于，将所述第一位置数据与所述第三位置数据作为不同的维度，生成所述第二位置数据的特征向量之前，还包括：
对每个所述维度进行归一化处理，以使每个所述维度均位于[0,1]的范围内；
对每个所述维度进行降噪处理；
对每个所述维度进行数据清洗。
9.根据权利要求8所述的一种基于视觉神经网络算法的PCB板检测方法，其特征在于，基于所述第六位置数据获取目标路径图像，基于所述目标路径图像确定目标点位，其中，所述目标点位为所述检测PCB板单元上的点位，对所述目标点位进行导通检测，并输出检测结果，包括：
基于所述第六位置数据生成映射路径图像，基于所述映射路径图像确定目标路径图像；
基于所述目标路径图像确定目标路径，所述目标路径为所述检测PCB板单元上的导通路径；
基于所述目标路径确定目标点位，所述目标点位为所述检测PCB板上的导通针脚点位。
10.一种基于视觉神经网络算法的PCB板检测系统，其特征在于，所述系统被配置为：
获取多个不同PCB板单元图像，其中，PCB板单元边缘具有多个训练识别点，多个所述训练识别点中的一个所述训练识别点，与另外的一个或多个所述训练识别点连接并形成训练路径，所述PCB板单元图像包括多个训练识别点图像与多个训练路径图像；
基于所述PCB板单元图像获取多个所述训练识别点图像的多个第一位置数据，所述训练路径图像的第二位置数据，以及表示所述PCB板单元的边缘轮廓的第三位置数据；
构建初始神经网络训练模型并进行迭代计算，当所述初始神经网络模型满足预设条件时停止训练并获得目标神经网络模型，所述目标神经网络训练模型用于根据所述第一位置数据与所述第三位置数据生成所述第二位置数据；
获取检测PCB板单元图像，基于所述检测PCB板单元图像获取多个识别点，获取多个所述识别点图像的多个第四位置数据，以及表示所述检测PCB板单元的边缘轮廓的第五位置数据，将所述第四位置数据与所述第五位置数据导入所述目标神经网络模型，获得第六位置数据；
基于所述第六位置数据获取目标路径图像，基于所述目标路径图像确定目标点位，其中，
所述目标点位为所述检测PCB板单元上的点位，对所述目标点位进行导通检测，并输出检测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410082965.3A CN117893513A (zh) | 2024-01-19 | 2024-01-19 | 一种基于视觉神经网络算法的pcb板检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410082965.3A CN117893513A (zh) | 2024-01-19 | 2024-01-19 | 一种基于视觉神经网络算法的pcb板检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117893513A true CN117893513A (zh) | 2024-04-16 |
Family
ID=90647270
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410082965.3A Pending CN117893513A (zh) | 2024-01-19 | 2024-01-19 | 一种基于视觉神经网络算法的pcb板检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117893513A (zh) |
-
2024
- 2024-01-19 CN CN202410082965.3A patent/CN117893513A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wei et al. | CNN‐based reference comparison method for classifying bare PCB defects | |
| CN108960090B (zh) | 视频图像处理方法及装置、计算机可读介质和电子设备 | |
| US10674651B2 (en) | Printed circuit board inspecting apparatus, method for determining fault type of screen printer and computer readable recording medium | |
| CN108171203B (zh) | 用于识别车辆的方法和装置 | |
| CN113409284B (zh) | 电路板故障检测方法、装置、设备以及存储介质 | |
| CN116027180B (zh) | 一种pcb板高阻抗的性能检测方法及系统 | |
| TWI727323B (zh) | 返修板檢測裝置、方法及電腦可讀取存儲介質 | |
| CN111382029B (zh) | 基于pca和多维监测数据的主板异常诊断方法及装置 | |
| Cao et al. | Parametric modeling of microwave filter using combined MLS‐SVR and pole‐residue‐based transfer functions | |
| KR20190081708A (ko) | 뉴럴 네트워크 모델 기반의 웨이퍼 불량 패턴 인식 방법 및 이를 위한 컴퓨터 프로그램 | |
| WO2019176988A1 (ja) | 検査システム、識別システム、及び識別器評価装置 | |
| CN116563291B (zh) | 一种smt智能防错上料检测仪 | |
| CN117893513A (zh) | 一种基于视觉神经网络算法的pcb板检测方法及系统 | |
| CN108664936B (zh) | 一种基于机器故障的诊断方法及系统 | |
| CN110008972B (zh) | 用于数据增强的方法和装置 | |
| Kamm et al. | Hybrid Modelling for the Failure Analysis of SiC Power Transistors on Time-Domain Reflectometry Data | |
| Cai et al. | Improving the measurement accuracy of an absolute imaging position encoder via a new edge detection method | |
| CN116977250A (zh) | 一种工业零件的缺陷检测方法、装置和计算机设备 | |
| US20230204549A1 (en) | Apparatus and automated method for evaluating sensor measured values, and use of the apparatus | |
| CN115047262A (zh) | 基于电能质量数据的设备异常状态通用识别方法 | |
| CN115048290A (zh) | 软件质量的评估方法、装置、存储介质及计算机设备 | |
| CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 | |
| CN110399803B (zh) | 一种车辆检测方法及装置 | |
| CN114829958A (zh) | 用于评估印刷电路板的方法和系统 | |
| US11651587B2 (en) | Method and apparatus for product quality inspection |
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 |