KR101993705B1 - 자동광학검사기의 부품 라이브러리 코드 자동 입력 장치 및 방법 - Google Patents

자동광학검사기의 부품 라이브러리 코드 자동 입력 장치 및 방법 Download PDF

Info

Publication number
KR101993705B1
KR101993705B1 KR1020180011999A KR20180011999A KR101993705B1 KR 101993705 B1 KR101993705 B1 KR 101993705B1 KR 1020180011999 A KR1020180011999 A KR 1020180011999A KR 20180011999 A KR20180011999 A KR 20180011999A KR 101993705 B1 KR101993705 B1 KR 101993705B1
Authority
KR
South Korea
Prior art keywords
component
data
image
pcb
library code
Prior art date
Application number
KR1020180011999A
Other languages
English (en)
Inventor
박태형
Original Assignee
충북대학교 산학협력단
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 충북대학교 산학협력단 filed Critical 충북대학교 산학협력단
Priority to KR1020180011999A priority Critical patent/KR101993705B1/ko
Application granted granted Critical
Publication of KR101993705B1 publication Critical patent/KR101993705B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06K9/627—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

자동광학검사기의 부품 라이브러리 코드 자동 입력 장치 및 방법을 개시한다.
본 발명의 일 실시예에 의하면, 자동광학검사기의 티칭 데이터를 자동으로 생성하는 장치에 있어서, 자동광학검사기의 카메라로부터 검사 대상 인쇄회로기판(PCB)을 촬영한 PCB 영상을 획득하는 영상 획득부; 상기 검사 대상 PCB에 대응하는 CAD 데이터 및 거버 데이터를 입력받는 데이터 획득부; 상기 PCB 영상, 상기 CAD 데이터 및 상기 거버 데이터를 이용하여 부품 영상을 추출하는 부품 영상 추출부; 및 부품 영상 및 대응되는 부품 라이브러리 코드를 학습한 신경망 기반의 분류 네트워크를 통해 상기 부품 영상을 분류하여 부품 라이브러리 코드를 출력하는 분류부를 포함하는 자동광학검사기의 부품 라이브러리 코드 자동 입력 장치를 제공한다.

Description

자동광학검사기의 부품 라이브러리 코드 자동 입력 장치 및 방법{Apparatus and Method for Automatically Inputting Component Library Code for Automated Optical Inspection Machines}
본 발명은 자동광학검사기의 부품 라이브러리 코드 자동 입력 장치 및 방법에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
표면실장(surface mount technology, SMT) 라인에서의 자동광학검사기 (automated inspection machine, AOI)는 최종적으로 저항, 컨덴서, IC와 같은 전자부품이 인쇄회로기판(PCB)에 정상적으로 조립되었는지의 여부를 검사하는 장비이다. 조립이 완료된 PCB에 대한 영상을 획득하고 처리하여, 부품의 위치이탈 등의 오장착 여부와 과납, 미납, 단락과 같은 땜납상태의 불량여부를 검사한다. 인쇄회로기판(Printed Circuit Board, PCB)에 전자부품을 자동으로 조립하는 표면실장 라인에는 필수적으로 자동광학검사기가 포함되어 있다.
자동광학검사기로 검사 작업을 수행하기 위해서는, 작업할 PCB 에 대한 티칭 데이터를 사전에 작성하여야 한다. 티칭 데이터는 아래 표 1과 같이 부품 위치 데이터와 부품 라이브러리 코드로 구성된다.
Figure 112018010996525-pat00001
티칭 데이터 중 부품 위치 데이터는 PCB의 설계 CAD 데이터에서 추출한 CAD 데이터로부터 자동 추출이 가능하다. 단, CAD 데이터의 원점과 좌표계를 검사기에서 사용되는 원점과 좌표계로 변환하는 단계가 필요하다.
그러나, 티칭 데이터 중 부품 라이브러리 코드는 CAD 데이터로부터 자동추출이 어렵다. CAD 데이터의 부품 코드는 PCB를 설계 또는 조립하는 회사에서 부여한 부품의 이름이고, AOI 의 부품 라이브러리 코드는 AOI 제조사에서 부여한 부품의 이름이기 때문에, CAD 데이터에 포함된 부품 코드(파트코드 또는 자재코드)는 부품 라이브러리 코드와 상이하다.
그러므로 AOI의 티칭 데이터를 생성하는 종래의 방식은 CAD 데이터로부터 부품 위치 데이터를 자동으로 추출하고, 장비 오퍼레이터의 육안에 의존한 수작업을 통하여 각 부품에 대한 부품 라이브러리 코드를 입력하는 방식이었다. 하나의 PCB 에 통상 수백 개의 부품 종류가 있으므로, 티칭 데이터 작성에 많은 시간이 소요될 수 있다. 오퍼레이터의 육안에 의존하여 부품 라이브러리 코드를 수동으로 입역하는 경우, 많은 시간이 소요되고 실수로 오 입력하는 경우도 발생될 수 있다. 또한, 오퍼레이터 실수로 잘못 코드를 입력하는 경우 정확한 검사를 수행할 수 없다.
본 실시예는, 티칭 데이터 생성에 필요한 부품 라이브러리 코드 입력을 자동화하기 위한 것으로, 구체적으로 PCB 상의 모든 부품에 대한 티칭 데이터를 자동으로 생성하기 위하여 부품 라이브러리 코드를 자동으로 입력할 수 있는 장치 및 그 방법을 제공하는데 주된 목적이 있다.
본 발명의 일 실시예에 의하면, 자동광학검사기의 티칭데이터를 자동으로 생성하는 장치에 있어서, 자동광학검사기의 카메라로부터 검사 대상 인쇄회로기판(PCB)을 촬영한 PCB 영상을 획득하는 영상 획득부; 상기 검사 대상 PCB에 대응하는 CAD 데이터 및 거버 데이터를 입력받는 데이터 획득부; 상기 PCB 영상, 상기 CAD 데이터 및 상기 거버 데이터를 이용하여 부품 영상을 추출하는 부품 영상 추출부; 및 부품 영상 및 대응되는 부품 라이브러리 코드를 학습한 신경망 기반의 분류 네트워크를 통해 상기 부품 영상을 분류하여 부품 라이브러리 코드를 출력하는 분류부를 포함하는 자동광학검사기의 부품 라이브러리 코드 자동 입력 장치를 제공한다.
상기 자동광학검사기의 부품 라이브러리 코드 자동 입력 장치의 실시예들은 다음의 특징들을 하나 이상 더 포함할 수 있다.
본 발명의 다른 실시예에 의하면, 상기 데이터 획득부는, 상기 CAD 데이터 및 상기 거버 데이터로부터 부품 영역 데이터를 추출하고, 상기 부품 영상 추출부는, 상기 PCB 영상으로부터 상기 부품 영역 데이터를 이용해 부품 영역 영상을 추출하고, 상기 부품 영역 영상으로부터 부품 영상을 추출한다.
본 발명의 다른 실시예에 의하면, 상기 분류부는, 다수의 PCB 부품 영상을 포함하는 입력 데이터 및 상기 PCB 부품 영상과 대응되는 자동광학검사기용 부품 라이브러리 코드를 포함하는 출력 데이터를 포함하는 학습 데이터를 이용하여, PCB 부품 영상으로부터 대응되는 부품 라이브러리 코드를 출력하도록 학습한 분류 네트워크로 구성된다.
본 발명의 다른 실시예에 의하면, 부품의 크기를 기준으로 분류된 부품군에 대응하는 다수의 부품군별 분류 네트워크; 및 상기 CAD 데이터 및 상기 거버 데이터를 이용하여 상기 부품 영상을 크기를 기준으로 다수의 부품군별 분류 네트워크 중에서 상기 부품 영상에 대응되는 분류 네트워크를 선택하는 분류 네트워크 선택부를 포함한다.
본 발명의 일 실시예에 의하면, 자동광학검사기의 티칭데이터를 자동으로 생성하는 방법에 있어서, 자동광학검사기의 카메라로부터 검사 대상 인쇄회로기판(PCB)을 촬영한 PCB 영상을 획득하는 과정; 상기 검사 대상 PCB에 대응하는 CAD 데이터 및 거버 데이터를 입력받는 과정; 상기 PCB 영상, 상기 CAD 데이터 및 상기 거버 데이터를 이용하여 부품 영상을 추출하는 과정; 및 부품 영상 및 대응되는 부품 라이브러리 코드를 학습한 신경망 기반의 분류 네트워크를 통해 상기 부품 영상을 분류하여 부품 라이브러리 코드를 출력하는 과정을 포함하는 자동광학검사기의 부품 라이브러리 코드 자동 입력 방법을 제공한다.
이상에서 설명한 바와 같이 본 실시예에 의하면, AOI에 구비된 카메라로부터 획득할 수 있는 PCB 영상으로부터 부품 라이브러리 코드를 자동으로 입력할 수 있어 티칭 데이터 생성 과정 전체의 완전 자동화가 가능한 효과가 있다.
또한, 본 실시예에 의하면, PCB 영상으로부터 부품 라이브러리 코드를 자동으로 입력할 수 있기 때문에, AOI를 포함한 인쇄회로기판 조립라인의 생산성과 수율을 향상시킬 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 부품 라이브러리 코드 자동 입력 장치의 구성을 도시한 블록도이다.
도 2는 CAD 데이터 및 거버 데이터로부터 추출한 부품에 대한 위치 데이터 및 크기 데이터를 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 부품 영상 추출 동작을 도시한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 부품 영역 데이터를 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 PCB 영상, 부품 영역 영상 및 부품 영상을 예시한 도면이다.
도 6은 본 발명의 일 실시예에 따른 분류 네트워크의 학습 모형을 설명하기 위한 도면이다.
도 7은 은 본 발명의 일 실시예에 따른 부품 라이브러리 코드 자동 입력 장치 동작을 도시한 흐름도이다.
도 8은 본 발명의 다른 실시예에 따른 부품 라이브러리 코드 자동 입력 장치의 구성을 도시한 블록도이다.
도 9는 은 본 발명의 다른 실시예에 따른 부품 라이브러리 코드 자동 입력 장치 동작을 도시한 흐름도이다.
이하, 본 발명의 일부 실시예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
또한, 본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 명세서 전체에서, 어떤 부분이 어떤 구성요소를 '포함', '구비'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 '~부', '모듈' 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
본 발명의 일 실시예에서, 자동광학검사기(Automated Optical Inspection machine, AOI)는 인쇄회로기판(printed circuit board, PCB)의 전자 부품 조립 상태를 자동으로 검사하는 장비를 말하며, 카메라로 획득한 PCB 영상을 처리하여 각 부품의 조립 불량 여부를 판정한다.
본 발명의 일 실시예에서, 부품 라이브러리는 AOI 검사에 필요한 데이터들을 부품 종류 별로 분류하여 저장한 데이터베이스를 말하며, 부품 라이브러리 코드에 따른 기하학적 데이터와 검사 데이터를 포함한다. 부품 라이브러리 코드는 AOI의 제조사에서 각 부품에 대해 부여한 코드로, 각 부품마다 서로 다른 코드를 갖는다. 기하학적 데이터는, 예컨대, 부품의 크기, 리드 수, 리드의 크기, 리드 간격 등을 포함한다. 검사 데이터는, 예컨대, 검사 윈도우의 위치 및 크기, 조명 값, 검사 파라미터 등을 포함한다. 이러한 부품 라이브러리는 AOI 제조사 별로 각 AOI 장치에 따라 제작하여 AOI 장치와 함께 배포된다.
본 발명의 일 실시예에서, CAD 데이터는 PCB 설계 CAD 파일에서 추출한 데이터를 말하며, 참조명(reference code), 부품의 중심 위치값, 각도 및 부품 코드를 포함하여 구성된다.
본 발명의 일 실시예에서, 거버 데이터는 PCB 제조에 사용된 거버 파일로부터 추출한 데이터를 말하며, 부품의 땜납 패드의 위치와 크기, 부품 참조명을 포함하여 구성된다.
본 발명은 AOI의 티칭 데이터 생성에 필요한 부품 라이브러리 코드 입력을 자동화하는 것으로서, PCB 상의 모든 부품에 대한 부품 라이브러리 코드를 자동으로 입력시키는 것을 목적으로 한다. 구체적으로, 본 발명은 AOI용 부품 라이브러리 코드 인식을 위해 인공신경망 기술을 이용하는 것으로, PCB 상에서 획득한 부품의 영상으로부터 부품 라이브러리 코드를 출력시키도록 신경망을 학습시킨다. 본 실시예에서, CAD 데이터 및 거버 데이터를 이용하여 티칭 데이터를 생성하고, AOI에서 본래 획득하여 사용하는 PCB 영상 데이터를 이용하여 추가적으로 부품 라이브러리 코드를 추출함으로써, 별도의 비용이나 절차를 추가하지 않고 AOI의 티칭 데이터 생성을 자동화하고 티칭 데이터 생성 시간을 단축시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 부품 라이브러리 코드 자동 입력 장치의 구성을 도시한 블록도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 부품 라이브러리 코드 자동 입력 장치(100)는 영상 획득부(110), 데이터 획득부(120), 부품 영상 추출부(130) 및 분류부(140)를 포함하여 구성된다.
영상 획득부(110)는 자동광학검사기의 카메라로부터 검사 대상 PCB를 촬영한 PCB 영상을 획득한다. 영상 획득부(110)로부터 획득된 PCB 영상은 PCB의 부품에 대한 조립불량여부를 자동으로 판정하기 위해 이용되며, 또한, 부품 라이브러리 코드를 출력하기 자동으로 출력하기 위한 부품 영상 추출부(130)의 입력 데이터를 추출하기 위해 이용된다.
데이터 획득부(120)는 검사 대상 PCB에 대응하는 PCB 데이터를 획득한다. 여기서, PCB 데이터는 CAD 데이터 및 거버 데이터를 포함한다. 데이터 획득부(120)는 CAD 파일 및 거버 파일을 입력받아, CAD 파일 및 거버 파일로부터 CAD 데이터 및 거버 데이터를 추출한다. CAD 데이터는 아래의 표 2와 같이 구성되며, 거버 데이터는 아래의 표 3과 같이 구성된다.
Figure 112018010996525-pat00002
Figure 112018010996525-pat00003
데이터 획득부(120)는 CAD 데이터 및 거버 데이터로부터 부품 영역 데이터를 추출하여 부품 영역 데이터를 생성한다. 구체적으로, 부품 영역 데이터는 표 5와 같이 참조명을 기준으로 중심 위치값(CAD_X, CAD_Y), 각도 및 부품 영역(MAX_SIZEX, MAX_SIZEY, MIN_SIZEX, MIN_SIZEY)으로 구성되는 텍스트 형식의 데이터를 포함한다. 데이터 획득부(120)는 동일한 참조명을 공유하는 부품의 CAD 데이터의 중심 위치 값, 각도 및 거버 데이터의 땜납 패드의 위치와 크기로부터, 부품에 대한 위치 데이터 및 크기 데이터를 추출하여 부품 영역 데이터를 생성한다.
Figure 112018010996525-pat00004
도 2는 CAD 데이터 및 거버 데이터로부터 추출한 부품에 대한 위치 데이터 및 크기 데이터를 설명하기 위한 도면이다.
표 2 내지 표 4 및 도 2를 참조하면, 부품의 중심 위치는 CAD 데이터의 중심 위치값(CAD_X, CAD_Y)로부터 추출할 수 있으며, 거버 데이터로부터 땜납 패드의 위치(PAD_X, PAD_Y) 및 패드의 크기(PAD_SIZEX, PAD_SIZEY)로부터 부품 영역을 특정할 수 있다. 데이터 획득부(120)는 이러한 CAD 데이터 및 거버 데이터를 종합하여 부품 별 참조명에 따라 표 5와 같은 부품 영역 데이터를 생성한다.
부품 영상 추출부(130)는 PCB 영상, CAD 데이터 및 거버 데이터를 이용하여 부품 영상을 추출한다. 구체적으로, 부품 영상 추출부(130)는, PCB 영상으로부터 부품 영역 데이터를 이용해 부품 영역 영상을 추출하고, 부품 영역 영상으로부터 부품 영상을 추출한다. 부품 영역은 PCB 영상에서 부품이 위치하는 것으로 추정되는 영역으로, 패드의 외곽 영역과 내곽 영역 사이의 영역을 말한다.
또한, 부품 영상 추출부(130)는 부품 영역 데이터의 위치(CAD_X, CAD_Y)와 최대 크기(MAX_SIZEX, MAX_SIZEY)에 해당하는 부품 영역 영상을 PCB 영상에서 분리하여 추출한다. 부품 영역 영상은 PCB 영상에서 추출된 부품 영역에 대한 영상을 말한다. 부품 영상 추출부(130)는 부품 영역 영상에 포함된 패드 및 기판 부분을 제거하고, 부품의 패키지와 리드만을 포함하는 부품 영상을 추출한다.
도 3은 본 발명의 일 실시예에 따른 부품 영상 추출 동작을 도시한 흐름도이다.
먼저, 부품 영역 데이터를 추출한다(S310). 부품 영역 데이터는 위의 표 3과 같이 참조명을 기준으로 중심 위치값, 각도 및 부품 영역(부품의 위치 및 크기 데이터)으로 구성되는 텍스트 형식의 데이터를 말한다. 동일한 참조명을 공유하는 부품의 CAD 데이터의 중심 위치 값, 각도 및 거버 데이터의 땜납 패드의 위치와 크기로부터, 부품에 대한 위치 데이터 및 크기 데이터를 추출하여 부품 영역 데이터를 생성한다. 구체적으로, CAD 데이터의 중심 위치값(CAD_X, CAD_Y)로부터 부품의 중심 위치를 추출하고, 거버 데이터로부터 땜납 패드의 위치(PAD_X, PAD_Y) 및 패드의 크기(PAD_SIZEX, PAD_SIZEY)로부터 부품의 크기를 추출하여 부품 영역을 특정할 수 있다.
도 4는 본 발명의 일 실시예에 따른 부품 영역 데이터를 설명하기 위한 도면이다.
도 2 및 도 4를 참조하면, CAD 데이터의 중심 위치값(CAD_X, CAD_Y)을 기준으로, 거버 데이터의 땜납 패드의 위치(PAD_X, PAD_Y)와 패드의 크기(PAD_SIZEX, PAD_SIZEY)를 이용하여 패드의 외곽 영역의 크기(MAX_SIZEX, MAX_SIZEY) 및 내곽 영역의 크기(MIN_SIZEX, MIN_SIZEY)를 추출할 수 있음을 알 수 있다. 과정 S310에서는 추출된 패드의 외곽 영역의 크기 및 내곽 영역의 크기를 포함하는 부품 영역 데이터를 구성한다.
다음으로, 부품 영역 영상을 추출한다(S320). 부품 영역 영상은 PCB 영상에서 추출된 부품 영역에 대한 영상이다. 과정 S310에서 추출한 부품 영역 데이터를 이용하여, PCB 영상에서 부품 영역 영상을 추출할 수 있다.
마지막으로, 부품 영상을 추출한다(S330). 과정 S330에서는 부품 영역 영상으로부터 부품의 패키지와 리드에 대한 부분만 남기기 위하여, 패드 영역으로 추정되는 부분을 부품 영역 영상으로부터 삭제하여 부품 영상을 추출한다.
도 5는 본 발명의 일 실시예에 따른 PCB 영상, 부품 영역 영상 및 부품 영상을 예시한 도면이다. 도 5의 (a)는 PCB 영상을, 도 5의 (b)는 부품 영역 영상을, 도 5의 (c)는 부품 영상을 예시한 것이다. 도 (a)와 같은 PCB 영상으로부터, 도 3에 도시된 과정 S310 내지 과정 S330을 통해 도 5의 (b) 및 (c)와 같은 부품 영역 영상 및 부품 영상이 추출된다.
분류부(140)는 부품 영상 및 대응되는 부품 라이브러리 코드를 학습한 신경망 기반의 분류 네트워크를 통해 상기 부품 영상을 분류하여 부품 라이브러리 코드를 출력한다. 분류부(140)는, 다수의 PCB 부품 영상을 포함하는 입력 데이터 및 상기 PCB 부품 영상과 대응되는 자동광학검사기용 부품 라이브러리 코드를 포함하는 출력 데이터를 포함하는 학습 데이터를 이용하여, PCB 부품 영상으로부터 대응되는 부품 라이브러리 코드를 출력하도록 학습한 분류 네트워크로 구성된다. 학습 데이터는 다수의 PCB 부품 영상과 자동광학검사기용 부품 라이브러리 코드가 쌍을 이루어 구성된다. 분류 네트워크는 PCB 부품 영상-부품 라이브러리 코드 쌍을 학습하여 PCB 부품 영상이 입력되면 대응되는 부품 라이브러리 코드를 출력하도록 학습된 인공 신경망을 말한다. 본 실시예에서, 분류 네트워크는 영상 데이터를 처리하기에 적합한 딥 러닝 기반의 컨볼루션 신경망(convolution neural network, CNN)을 사용하여, 부품 영상을 입력받아 부품 라이브러리 코드를 출력한다.
도 6은 본 발명의 일 실시예에 따른 분류 네트워크의 학습 모형을 설명하기 위한 도면이다.
도 6을 참조하면, 하나의 부품 영상은, M*N의 화소로 구성되며, 각 화소에 대한 3가지 색상성분의 값(빨강(R):0~255, 초록(G):0~255, 파랑(B):0~255)이 분류 네트워크에 입력된다. 분류 네트워크는 입력값을 처리하여 각 부품 라이브러리 코드 별로 유사도에 해당하는 값(0~1)을 출력한다. 가장 큰 값을 갖는 부품 라이브러리 코드로 부품 영상을 분류한다. 분류 네트워크는 인공 신경망으로서 입력층, 출력층과 여러 개의 은닉층으로 구성되며, 각 층에는 많은 뉴런 (neuron) 들이 존재한다. 각 뉴론에서는 다음의 수학식 1에 해당하는 연산을 수행한다.
Figure 112018010996525-pat00005
Figure 112018010996525-pat00006
는 뉴런에 입력되는 값이고,
Figure 112018010996525-pat00007
는 가중치이다.
Figure 112018010996525-pat00008
는 바이어스 값,
Figure 112018010996525-pat00009
는 출력값이다. 함수
Figure 112018010996525-pat00010
는 활성화 함수로서 아래 수학식 2와 같은 쌍곡 탄젠트 함수를 많이 사용한다.
Figure 112018010996525-pat00011
인공신경망을 구성하는 뉴런의 가중치와 바이어스 값은 별도의 훈련(training) 과정을 통하여 결정한다. 오류 역전파(error back-propagation) 알고리즘이 대표적인 훈련 방법으로, 참값과 출력값의 차이를 사용하여 가중치값을 업데이트하는 과정을 반복한다.
도 7은 은 본 발명의 일 실시예에 따른 부품 라이브러리 코드 자동 입력 장치 동작을 도시한 흐름도이다.
먼저, PCB 데이터 및 PCB 영상을 획득한다(S710, S720). PCB 영상은 자동광학검사기의 카메라로부터 검사 대상 인쇄회로기판(PCB)을 촬영하여 획득한다. PCB 데이터는 CAD 데이터 및 거버 데이터를 포함하는 데이터로, CAD 파일 및 거버 파일을 입력받아, CAD 파일 및 거버 파일로부터 CAD 데이터 및 거버 데이터를 추출한다.
획득한 PCB 데이터를 이용하여 부품 영역 데이터를 추출한다(S730). 부품 영역 데이터는 위의 표 3과 같이 참조명을 기준으로 중심 위치값, 각도 및 부품 영역(부품의 위치 및 크기 데이터)으로 구성되는 텍스트 형식의 데이터를 포함한다. 부품 영상 추출부(130)는 동일한 참조명을 공유하는 부품의 CAD 데이터의 중심 위치 값, 각도 및 거버 데이터의 땜납 패드의 위치와 크기로부터, 부품에 대한 위치 데이터 및 크기 데이터를 추출하여 부품 영역 데이터를 생성한다.
과정 S730에서 추출한 부품 영역 데이터 및 과정 S720에서 획득한 PCB 영상을 이용하여 부품 영역 영상을 추출한다(S740). 부품 영역 데이터의 위치(CAD_X, CAD_Y)와 최대 크기(MAX_SIZEX, MAX SIZEY)에 해당하는 부품 영역 영상을 PCB 영상에서 분리하여 추출한다
다음으로, 부품 영역 영상으로부터 부품 영상을 추출한다(S750). 부품 영역 영상에 포함된 패드 및 기판 부분을 제거하고, 부품의 패키지와 리드만을 포함하는 부품 영상을 추출한다.
마지막으로, 과정 S750에서 추출한 부품 영상으로부터 부품을 분류하고 부품 라이브러리 코드를 출력한다(S760). 부품 라이브러리 코드를 출력하기 위하여, 다수의 PCB 부품 영상을 포함하는 입력 데이터 및 상기 PCB 부품 영상과 대응되는 자동광학검사기용 부품 라이브러리 코드를 포함하는 출력 데이터를 포함하는 학습 데이터를 이용하여, PCB 부품 영상으로부터 대응되는 부품 라이브러리 코드를 출력하도록 학습한 분류 네트워크를 사용한다. 여기서, 학습 데이터는 다수의 PCB 부품 영상과 자동광학검사기용 부품 라이브러리 코드가 쌍을 이루어 구성된다. 분류 네트워크는 PCB 부품 영상-부품 라이브러리 코드 쌍을 학습하여 PCB 부품 영상이 입력되면 대응되는 부품 라이브러리 코드를 출력하도록 학습된 인공 신경망을 말한다.
도 8은 본 발명의 다른 실시예에 따른 부품 라이브러리 코드 자동 입력 장치의 구성을 도시한 블록도이다.
도 8 참조하면, 본 발명의 일 실시예에 따른 부품 라이브러리 코드 자동 입력 장치(100)는 영상 획득부(110), 데이터 획득부(120), 부품 영상 추출부(130) 및 분류부(140)를 포함하여 구성된다.
영상 획득부(110)는 자동광학검사기의 카메라로부터 검사 대상 인쇄회로기판(PCB)을 촬영한 PCB 영상을 획득한다. 영상 획득부(110)로부터 획득된 PCB 영상은 PCB의 부품에 대한 조립불량여부를 자동으로 판정하기 위해 이용되며, 또한, 부품 라이브러리 코드를 출력하기 자동으로 출력하기 위한 부품 영상 추출부(130)의 입력 데이터를 추출하기 위해 이용된다.
데이터 획득부(120)는 검사 대상 PCB에 대응하는 PCB 데이터를 획득한다. 여기서, PCB 데이터는 CAD 데이터 및 거버 데이터를 포함한다. 데이터 획득부(120)는 CAD 파일 및 거버 파일을 입력받아, CAD 파일 및 거버 파일로부터 CAD 데이터 및 거버 데이터를 추출한다.
데이터 획득부(120)는 CAD 데이터 및 거버 데이터로부터 부품 영역 데이터를 추출한다. 부품 영역 데이터는 아래 표 3과 같이 참조명을 기준으로 중심 위치값, 각도 및 부품 영역(부품의 위치 및 크기 데이터)으로 구성되는 텍스트 형식의 데이터를 포함한다. 부품 영역 데이터는, 부품 영상 추출부(130)에서 부품 영상을 추출하기 위한 자료로 이용되며, 또한, 분류부(140)에서 분류 네트워크를 선택하기 위해 이용된다. 데이터 획득부(120)는 동일한 참조명을 공유하는 부품의 CAD 데이터의 중심 위치 값, 각도 및 거버 데이터의 땜납 패드의 위치와 크기로부터, 부품에 대한 위치 데이터 및 크기 데이터를 추출하여 부품 영역 데이터를 생성한다.
부품 영상 추출부(130)는 PCB 영상, CAD 데이터 및 거버 데이터를 이용하여 부품 영상을 추출한다. 구체적으로, 부품 영상 추출부(130)는, PCB 영상으로부터 부품 영역 데이터를 이용해 부품 영역 영상을 추출하고, 부품 영역 영상으로부터 부품 영상을 추출한다.
또한, 부품 영상 추출부(130)는 부품 영역 데이터의 위치(CAD_X, CAD_Y)와 최대 크기(MAX_SIZEX, MAX SIZEY)에 해당하는 부품 영역 영상을 PCB 영상에서 분리하여 추출한다. 부품 영역 영상은 PCB 영상에서 추출된 부품 영역에 대한 영상을 말한다. 부품 영상 추출부(130)는 부품 영역 영상에 포함된 패드 및 기판 부분을 제거하고, 부품의 패키지와 리드만을 포함하는 부품 영상을 추출한다.
분류부(140)는 부품 영상 및 대응되는 부품 라이브러리 코드를 학습한 신경망 기반의 분류 네트워크를 통해 상기 부품 영상을 분류하여 부품 라이브러리 코드를 출력한다.
분류부(140)는, 다수의 PCB 부품 영상을 포함하는 입력 데이터 및 상기 PCB 부품 영상과 대응되는 자동광학검사기용 부품 라이브러리 코드를 포함하는 출력 데이터를 포함하는 학습 데이터를 이용하여, PCB 부품 영상으로부터 대응되는 부품 라이브러리 코드를 출력하도록 학습한 분류 네트워크로 구성된다. 학습 데이터는 다수의 PCB 부품 영상과 자동광학검사기용 부품 라이브러리 코드가 쌍을 이루어 구성된다. 분류부(140)의 분류 네트워크는 PCB 부품 영상-부품 라이브러리 코드 쌍을 학습하여 PCB 부품 영상이 입력되면 대응되는 부품 라이브러리 코드를 출력하도록 학습된 인공 신경망을 말한다. 본 실시예에서, 분류 네트워크는 영상 데이터를 처리하기에 적합한 딥 러닝 기반의 컨볼루션 신경망(convolution neural network, CNN)을 사용하여, 부품 영상을 입력받아 부품 라이브러리 코드를 출력한다.
본 실시예에서, 분류부(140)는, 분류 네트워크 선택부(141) 및 다수의 분류 네트워크(142)를 포함하여 구성될 수 있다. AOI 의 부품 라이브러리에는 통상 수백 종에 이르는 부품이 분류되어 있다. 하나의 분류 네트워크로 수백 개의 분류를 실행 하는 경우, 분류 정확도가 저하될 수 있기 때문에, 본 실시예에서, 분류 네트워크를 부품의 크기 별로 별도로 학습시킨다.
구체적으로, 분류 네트워트의 분류 성능 저하를 방지하기 위하여, 부품 라이브러리에 속해있는 전체 부품을 여러 개의 그룹으로 나누고, 각 그룹에 대하여 별도의 분류 네트워크를 구성한다. 이때 그룹을 나누는 기준은 부품의 크기로 하여, 각 분류 네트워트는 유사한 크기를 갖는 일정 개수 이하의 부품을 분류한다.
분류 네트워크 선택부(141)는 CAD 데이터 및 상기 거버 데이터를 통해 생성된 부품 영역 데이터를 이용하여, 부품에 대한 크기 데이터를 얻는다. 부품 영상을 크기를 기준으로 다수의 부품군별 분류 네트워크 중에서 상기 부품 영상에 대응되는 분류 네트워크를 선택한다.
분류 네트워크(142)는 부품의 크기를 기준으로 분류된 부품군에 대응하는 다수의 부품군별 분류 네트워크로 구성된다. 분류 네트워크 선택부(141)에서 선택된 분류 네트워크(142)는 부품 영상 추출부(130)에서 추출된 부품 영상으로부터 부품 라이브러리 코드를 출력한다.
도 9는 은 본 발명의 다른 실시예에 따른 부품 라이브러리 코드 자동 입력 장치 동작을 도시한 흐름도이다.
먼저, PCB 데이터 및 PCB 영상을 획득한다(S910, S920). PCB 영상은 자동광학검사기의 카메라로부터 검사 대상 인쇄회로기판(PCB)을 촬영하여 획득한다. PCB 데이터는 CAD 데이터 및 거버 데이터를 포함하는 데이터로, CAD 파일 및 거버 파일을 입력받아, CAD 파일 및 거버 파일로부터 CAD 데이터 및 거버 데이터를 추출한다.
획득한 PCB 데이터를 이용하여 부품 영역 데이터를 추출한다(S930). 부품 영역 데이터는 위의 표 3과 같이 참조명을 기준으로 중심 위치값, 각도 및 부품 영역(부품의 위치 및 크기 데이터)으로 구성되는 텍스트 형식의 데이터를 포함한다.
부품 영역 데이터 및 PCB 영상을 이용하여 부품 영역 영상을 추출한다(S940). 부품 영역 데이터의 위치(CAD_X, CAD_Y)와 최대 크기(MAX_SIZEX, MAX SIZEY)에 해당하는 부품 영역 영상을 PCB 영상에서 분리하여 추출한다
부품 영역 영상으로부터 부품 영상을 추출한다(S950). 부품 영역 영상에 포함된 패드 및 기판 부분을 제거하고, 부품의 패키지와 리드만을 포함하는 부품 영상을 추출한다.
부품 영역 데이터를 이용하여, 부품의 크기를 판단하고 분류 네트워크를 선택한다(S960). 마지막으로, 선택된 분류 네트워크를 이용하여, 부품 영상으로부터 부품을 분류하고 부품 라이브러리 코드를 출력한다(S970).
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
전술한 바와 같이, 도 7 및 도 9에 기재된 부품 라이브러리 코드 자동 입력 방법은 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 본 발명의 일 실시예에 따른 부품 라이브러리 코드 자동 입력 방법을 구현하기 위한 프로그램이 기록되고 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 이러한 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등을 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. 또한, 본 실시예를 구현하기 위한 기능적인(Functional) 프로그램, 코드 및 코드 세그먼트들은 본 실시예가 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있을 것이다.
100: 부품 라이브러리 코드 자동 입력 장치
110: 영상 획득부
120: 데이터 획득부
130: 부품 영상 추출부
140: 분류부

Claims (8)

  1. 자동광학검사기의 티칭 데이터를 자동으로 생성하는 장치에 있어서,
    자동광학검사기의 카메라로부터 검사 대상 인쇄회로기판(PCB)을 촬영한 PCB 영상을 획득하는 영상 획득부;
    상기 검사 대상 PCB에 대응하는 CAD 데이터 및 거버 데이터를 입력받는 데이터 획득부;
    상기 PCB 영상, 상기 CAD 데이터 및 상기 거버 데이터를 이용하여 부품 영상을 추출하는 부품 영상 추출부; 및
    부품 영상 및 대응되는 부품 라이브러리 코드를 학습한 신경망 기반의 분류 네트워크를 통해 상기 부품 영상을 분류하여 부품 라이브러리 코드를 출력하는 분류부를 포함하며,
    상기 분류부는,
    다수의 PCB 부품 영상을 포함하는 입력 데이터 및 상기 PCB 부품 영상과 대응되는 자동광학검사기용 부품 라이브러리 코드를 포함하는 출력 데이터를 포함하는 학습 데이터를 이용하여, PCB 부품 영상으로부터 대응되는 부품 라이브러리 코드를 출력하도록 학습한 분류 네트워크로 구성되는 것
    을 특징으로 하는 자동광학검사기의 부품 라이브러리 코드 자동 입력 장치.
  2. 제 1항에 있어서,
    상기 데이터 획득부는,
    상기 CAD 데이터 및 상기 거버 데이터로부터 부품 영역 데이터를 추출하고,
    상기 부품 영상 추출부는,
    상기 PCB 영상으로부터 상기 부품 영역 데이터를 이용해 부품 영역 영상을 추출하고, 상기 부품 영역 영상으로부터 부품 영상을 추출하는 것을 특징으로 하는 자동광학검사기의 부품 라이브러리 코드 자동 입력 장치.
  3. 삭제
  4. 제 1항에 있어서,
    상기 분류부는,
    부품의 크기를 기준으로 분류된 부품군에 대응하는 다수의 부품군별 분류 네트워크; 및
    상기 CAD 데이터 및 상기 거버 데이터를 이용하여 상기 부품 영상을 크기를 기준으로 다수의 부품군별 분류 네트워크 중에서 상기 부품 영상에 대응되는 분류 네트워크를 선택하는 분류 네트워크 선택부
    를 포함하는 것을 특징으로 하는 자동광학검사기의 부품 라이브러리 코드 자동 입력 장치.
  5. 자동광학검사기의 티칭 데이터를 자동으로 생성하는 방법에 있어서,
    자동광학검사기의 카메라로부터 검사 대상 인쇄회로기판(PCB)을 촬영한 PCB 영상을 획득하는 과정;
    상기 검사 대상 PCB에 대응하는 CAD 데이터 및 거버 데이터를 입력받는 과정;
    상기 PCB 영상, 상기 CAD 데이터 및 상기 거버 데이터를 이용하여 부품 영상을 추출하는 과정; 및
    부품 영상 및 대응되는 부품 라이브러리 코드를 학습한 신경망 기반의 분류 네트워크를 통해 상기 부품 영상을 분류하여 부품 라이브러리 코드를 출력하는 과정을 포함하며,
    상기 분류 네트워크는,
    다수의 PCB 부품 영상을 포함하는 입력 데이터 및 상기 PCB 부품 영상과 대응되는 자동광학검사기용 부품 라이브러리 코드를 포함하는 출력 데이터를 포함하는 학습 데이터를 이용하여, PCB 부품 영상으로부터 대응되는 부품 라이브러리 코드를 출력하도록 학습된 것인 자동광학검사기의 부품 라이브러리 코드 자동 입력 방법.
  6. 제 5항에 있어서,
    상기 CAD 데이터 및 상기 거버 데이터로부터 부품 영역 데이터를 추출하는 과정을 더 포함하고,
    상기 부품 영상을 추출하는 과정은,
    상기 PCB 영상으로부터 상기 부품 영역 데이터를 이용해 부품 영역 영상을 추출하고, 상기 부품 영역 영상으로부터 부품 영상을 추출하는 것을 특징으로 하는 자동광학검사기의 부품 라이브러리 코드 자동 입력 방법.
  7. 삭제
  8. 제 5항에 있어서,
    상기 부품 라이브러리 코드를 출력하는 과정은,
    부품의 크기를 기준으로 분류된 부품군에 대응하는 다수의 부품군별 분류 네트워크로부터, 상기 CAD 데이터 및 상기 거버 데이터를 이용하여 상기 부품 영상을 크기를 기준으로 다수의 부품군별 분류 네트워크 중에서 상기 부품 영상에 대응되는 분류 네트워크를 선택하는 것을 특징으로 하는 자동광학검사기의 부품 라이브러리 코드 자동 입력 방법.
KR1020180011999A 2018-01-31 2018-01-31 자동광학검사기의 부품 라이브러리 코드 자동 입력 장치 및 방법 KR101993705B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180011999A KR101993705B1 (ko) 2018-01-31 2018-01-31 자동광학검사기의 부품 라이브러리 코드 자동 입력 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180011999A KR101993705B1 (ko) 2018-01-31 2018-01-31 자동광학검사기의 부품 라이브러리 코드 자동 입력 장치 및 방법

Publications (1)

Publication Number Publication Date
KR101993705B1 true KR101993705B1 (ko) 2019-06-27

Family

ID=67057117

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180011999A KR101993705B1 (ko) 2018-01-31 2018-01-31 자동광학검사기의 부품 라이브러리 코드 자동 입력 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101993705B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4165592A4 (en) * 2020-06-13 2024-02-28 Cybord Ltd. SYSTEM AND METHOD FOR TRACING COMPONENTS OF AN ELECTRONIC ASSEMBLY
GR20220100986A (el) * 2022-11-30 2024-06-11 Πρισμα Ηλεκτρονικα Α.Β.Ε.Ε Και Δ.Τ. "Prisma Electronics S.A., Συστημα και μεθοδος αναγνωρισης προτυπων για τη συναρμολογηση πλακετων τυπωμενων κυκλωματων με ψηφιακη εκτυπωση

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100286041B1 (ko) * 1998-06-30 2001-04-16 윤종용 Pcb자동검사장치의티칭데이타설정방법및장치
KR100696105B1 (ko) * 2000-07-14 2007-03-20 삼성전자주식회사 Ｐｃｂ검사장치의 티칭데이터 설정방법 및 장치
KR20120086410A (ko) * 2011-01-26 2012-08-03 충북대학교 산학협력단 자동광학검사기의 티칭데이터 자동 생성 장치 및 그 방법
KR20130072063A (ko) * 2011-12-21 2013-07-01 한국전자통신연구원 부품을 인식하기 위한 장치 및 그 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100286041B1 (ko) * 1998-06-30 2001-04-16 윤종용 Pcb자동검사장치의티칭데이타설정방법및장치
KR100696105B1 (ko) * 2000-07-14 2007-03-20 삼성전자주식회사 Ｐｃｂ검사장치의 티칭데이터 설정방법 및 장치
KR20120086410A (ko) * 2011-01-26 2012-08-03 충북대학교 산학협력단 자동광학검사기의 티칭데이터 자동 생성 장치 및 그 방법
KR20130072063A (ko) * 2011-12-21 2013-07-01 한국전자통신연구원 부품을 인식하기 위한 장치 및 그 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
박태형 외 2명, "신경회로망을 이용한 SMD 패키지의 자동 분류", 제어로봇시스템학회 논문지 제21권 제3호, 2015.3, 276-282 (7 pages)* *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4165592A4 (en) * 2020-06-13 2024-02-28 Cybord Ltd. SYSTEM AND METHOD FOR TRACING COMPONENTS OF AN ELECTRONIC ASSEMBLY
GR20220100986A (el) * 2022-11-30 2024-06-11 Πρισμα Ηλεκτρονικα Α.Β.Ε.Ε Και Δ.Τ. "Prisma Electronics S.A., Συστημα και μεθοδος αναγνωρισης προτυπων για τη συναρμολογηση πλακετων τυπωμενων κυκλωματων με ψηφιακη εκτυπωση

Similar Documents

Publication Publication Date Title
JP4736764B2 (ja) 基板検査装置並びにその検査ロジック設定方法および検査ロジック設定装置
CN112053318A (zh) 基于深度学习的二维pcb缺陷实时自动检测与分类装置
US11423531B2 (en) Image-recognition apparatus, image-recognition method, and non-transitory computer-readable storage medium thereof
KR101993705B1 (ko) 자동광학검사기의 부품 라이브러리 코드 자동 입력 장치 및 방법
CN113240673B (zh) 缺陷检测方法、装置、电子设备及存储介质
KR20210071806A (ko) 컨포멀 코팅된 pcb에서 기포를 검출하는 방법 및 장치와 이를 위한 컴퓨터로 판독 가능한 기록매체
KR102174424B1 (ko) 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치
KR102228957B1 (ko) 인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체
KR20160120641A (ko) 부품의 자동식별을 이용한 모듈 자동 설계/공정 시스템 및 그 방법
KR20120086410A (ko) 자동광학검사기의 티칭데이터 자동 생성 장치 및 그 방법
Caliskan et al. Design and realization of an automatic optical inspection system for PCB solder joints
CN114387230A (zh) 一种基于重验证检测的pcb板缺陷检测方法
JP4506395B2 (ja) 基板検査装置並びにそのパラメータ設定方法およびパラメータ設定装置
CN116993654B (zh) 摄像头模组缺陷检测方法、装置、设备、存储介质及产品
KR100696105B1 (ko) Ｐｃｂ검사장치의 티칭데이터 설정방법 및 장치
KR101563332B1 (ko) 표면실장부품 패키지의 분류 시스템 및 방법
JP2021086382A (ja) 学習装置、検出装置、学習方法、及び学習プログラム
KR102129459B1 (ko) 전자부품 불량 분류 방법 및 장치
KR20180037347A (ko) 기판 검사장치 및 이를 이용한 기판의 왜곡 보상 방법
KR102203441B1 (ko) 전자부품 분류장치 및 그 방법
CN115100095A (zh) 一种基于非监督算法的pcb板检测方法
KR101383827B1 (ko) 인쇄회로기판의 솔더링 영역 자동검출 시스템 및 방법
CN113298166A (zh) 缺陷分类器和缺陷分类方法、装置、设备及存储介质
Zhang et al. A Cascaded Zoom-In Method for Defect Detection of Solder Joints
KR102129970B1 (ko) 전자부품 검사 데이터 매칭 방법 및 장치

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant