基于统计分析的PCB组装缺陷特征学习方法*

为了减少自动光学检测系统对用户经验的依赖,提出了一种基于统计分析的PCB组装缺陷特征学习方法。该方法通过对良品和不良品样本图像的统计学习优选出分类能力强的特征,再采用最小风险贝叶斯决策得到特征分类参数。实验结果表明,该算法有效地简化了用户检测程序的编程和调试,提高了AOI的使用效率和准确率。     

将CIMS技术引入PCB组装

PCB板组装生产线中的大多数加工设备均为数控设备。它们编程所需要的大多数特征数据均可从CAD设计系统中得到。如何在CAD设计系统和自动化加工设备之间建立起有机的联系和共享,正是CIMS所要解决的问题。因此,本文以CIMS系统中的CAD／CAM为重点,介绍了构造和设计一个电子CAD／CAM集成系统的方法和思路,以期吸引更多的同行加入到该技术的研究中来。     

一种基于Gerber文件的PCB缺陷检测方法

介绍一种基于Gerber文件的PCB缺陷检测方法。通过读取Gerber文件,对待检测PCB板图像元件进行快速的精准定位,提取定位区域中的图像信息,经过后期算法处理,实现对PCB板缺陷进行检测的目的。     

基于AOI的PCB孔缺陷检测法

PCB(Printed Circuit Board,印制电路板)是提供电子零件安装与插接的基板,实现电子元器件之间的电气互连,是电子产品不可缺少的基本构成部分。过孔是PCB的重要组成部分,在PCB生产线上由于钻孔和电镀等工艺技术的限制,造成孔内缺陷,影响元器件的电气连接及焊接质量。因此为了保证过孔的可靠性必须进行缺陷检测。基于AOI(Automatic Optical Inspection,自动光学检测)原理,用计算机对PCB孔透光过程进行光学衍射建模仿真。将缺陷孔和无缺陷孔的仿真衍射图样进行比较,可判断出PCB孔是否存在缺陷。结果证明,这种缺陷检测方法具有可行性且操作简便。     

基于卷积神经网络的PCB缺陷检测

印刷电路板(PCB)在生产制造中由于生产工序等问题易导致电路板存在瑕疵缺陷,为提高对电路板缺陷的检测效率,提出了一种基于卷积神经网络(CNN)的电路板缺陷检测网络.该检测网络基于YOLO v4网络进行优化改造,针对于PCB制作精密、复杂,各类缺陷不易检测的难点,在优化后的网络中加入了基于细粒度空间域的长距离全局注意力机...     

基于人工智能的PCB缺陷检测系统

PCB缺陷检测在现代电子信息技术中越来越重要,因此提高检测的效率和准确性是亟需研究的一个问题。针对这一问题,设计了一套基于人工智能识别的PCB故障智能检测系统。该系统首先利用硬件系统采集图像,再通过软件系统完成灰度化、中值滤波等图像预处理操作。之后利用Canny算子和霍夫变换获取边缘信息,并分割元器件图像。最后,利用事先训练好的神经网络模型实现故障识别。实际测试表明,该检测系统的准确率大于90%,因此该系统在PCB质量检测领域具有实际应用的意义。     

基于融合MBAM与YOLOv5的PCB缺陷检测方法

随着电子信息产业迅速发展,PCB行业作为电子信息产业的基础,其产品质量对后续生产的电子产品有着决定性影响。针对PCB缺陷目标较小,缺陷类型多,特征不明显,在实际生产过程中易产生误检、漏检等问题,提出了一种多分支注意力MBAM模块方法,在3个不同维度对特征图进行关注,以增强特征提取的能力,对缺陷区域给予更多的注意力表示。通过改进YOLOv5结构,将MBAM与YOLOv5网络结合,有效的提升了对PCB中小目标的检测性能。最后通过在网络不同位置添加MBAM模块进行对比实验,选取了最佳的添加位置。通过在PCB缺陷数据集上的实验结果表明,改进后的PCB缺陷检测算法具有良好的检测性能,优于其他对比算法,最终的AP达到了96.7%,对比标准YOLOv5的94.7%提高了2个百分点,其他项指标均有涨点,在保持检测速度基本不变的情况下,精准地识别PCB缺陷类型。     

基于孪生深度特征融合残差网络的PCB缺陷分类模型

在电子工业领域中,印刷电路板(printed circuit board, PCB)缺陷检测已经变得越来越重要. PCB的部分微小损伤或者不规则损伤与其密集复杂的排线等视觉纹理信息高度相关.传统卷积神经网络提取特征向量,容易丢失纹理特征等中级视觉特征信息,导致对于细微损伤和不规则损伤的检测效果不明显.针对这一问题,提出了基于孪生深度特征融合残差网络(Siamese deep feature fusion residual network)的PCB损伤分类模型.模型的骨干网络采用ResNet50.特征提取阶段将纹理信息等中级视觉特征和神经网络最终输出的高级语义特征融合为一个32维的特征向量.两个特征的向量的相似性用L2距离表示,用于判断PCB是否有缺陷.在训练阶段应用了三元损失和交叉熵损失,多个损失函数的组合提高了网络的准确性.通过实验验证了模型的有效性,在测试数据集上的准确率达到了(95.42±0.31)%的准确率,实现了模型在PCB缺陷分类检测的可行性.     

基于形态学的PCB缺陷快速检测技术

提出了一种基于数学形态学的PCB自动缺陷检测算法。 在对测试图像进行距离变换时,将参考图腐蚀后的边缘作为感兴趣区域使用,边缘上的每个点都具有线路边界的相应距离信息。对边缘上的距离图像进行直方图分析后得出合格线路的距离信息,以该距离为参照,可以快速地检测出各种缺陷。结合轮廓特征的对比,其能够进行准确的缺陷类型识别。实验证明,所提算法能够快速检测出PCB图像中的各种缺陷,并能进行准确的自动分类识别。     

一种基于云计算的SaaS组装方法研究

根据基于云计算的SaaS(Software as a Service)软件的集成性、可配置性和定制性(简称IIC)所面临的问题.提出一种基于云计算的SaaS组装和质量方法:首先建立一种SaaS寻址方法和组装中断方法,以保证SaaS组装连续性和确定性;并根据寻址和中断情况建一种适合SaaS的相似度计算方法,以满足整个SaaS组装流程的精确性.其次根据SaaS的寻址组装和中断的情况,从Web服务质量、地址数量和分布、可用性、资源共享度、互操作性和ICC等角度建立SaaS组装质量模型,即QoSaaS(Quarry of SaaS).第三,在寻址中断支持和QoSaaS驱动下,构建一种SaaS组装算法.最后在Amazon下以一个SaaS销售软件生成为例进行分析,并给出一组数据验证表明该方法的可行性和有效性.     

基于YOLOX-WSC的PCB缺陷检测算法研究

针对复杂场景下,PCB缺陷检测难度大、种类多、容易出现误检或漏检的问题,提出一种基于YOLOX-WSC的PCB缺陷检测算法。对输入模型数据进行优化,采用弱化数据增强减少Mosaic引入的不准确图像并提前完成收敛,提升了模型检测效果;在主干网络中添加无参数注意力SimAM,在不增加模型参数的同时使用能量函数评估有效特征,以提升算法的特征提取和定位能力;在特征融合网络中采用CSPHB模块替换CSPLayer结构,获取高阶语义信息,提高分辨能力,同时加强特征融合网络的特征融合交互能力,进而提高模型检测性能。实验结果表明,各模块的改进平均精度均值（mAP）都有不同程度的提升,YOLOX-WSC算法的mAP@0.5达到96.65%,mAP@0.5:0.95达到了79.58%,比YOLOX分别提升了2.88个百分点、11.64个百分点,并且各个类别缺陷平均精度有明显提升,证明了算法的有效性。     

基于图像处理技术的PCB缺陷自动检测系统

通过计算机图像处理技术开发了一套PCB产品缺陷检测系统.通过Hough变换检测出定位圆的圆心坐标,再对目标图与标准图进行几何配准,对差影运算后的图进行二值化与形态学去噪等操作得出缺陷的二值图,然后统计缺陷部分的几何特征得出结论.采用的改进算法基本能保证实时性与检测的准确率.     

基于游程编码的PCB缺陷检测算法

在采用计算机视觉技术检测印刷电路板(PCB)质量时,对印制电路板的缺陷信息进行游程编码和连通区标注,连通区信息用指针数组和动态链表保存,信息处理速度得到提高,减少了数据存储所需内存空间;对连通区的特征量计算和数据分析,增强了抗干扰能力,能有效地进行缺陷判别并给出缺陷类型和位置信息.实验表明该方法简单有效,处理速度也较快.     

基于SIFT匹配算法的PCB板缺陷检测

图像匹配是PCB板缺陷检测中的一个重要环节,匹配效果的好坏直接影响着系统的检测结果和检测精度;为了取得良好的匹配效果和降低对系统硬件的精度要求,文章采用了SIFT匹配算法来进行图像匹配;首先应用SIFT算法获取匹配结果,然后计算出精确变换矩阵进行像素异或运算,最后运用数学形态学的方法消除边缘噪声;实验结果表明SIFT算法能够对存在畸变的图像取得良好的匹配效果,准确检测出缺陷.     

基于机器视觉PCB裸板缺陷自动检测研究

运用参考比较法对机器视觉PCB裸板缺陷检测进行了研究。在相机摄像头下同一位置采集多幅标准PCB图像累加求平均值得到标准电路板图像,运用Harris角点算法进行标准电路板图像和待测电路板图像的配准,分别对标准电路板图像和待测电路板图像进行灰度变换、中值滤波、二值化、异或等图像处理检测出缺陷区域,然后通过形态学消除伪缺陷,实验证明,该检测方法有较高的准确率。     

基于深度学习的表面缺陷检测方法综述

近年来, 基于深度学习的表面缺陷检测技术广泛应用在各种工业场景中. 本文对近年来基于深度学习的表面缺陷检测方法进行了梳理, 根据数据标签的不同将其分为全监督学习模型方法、无监督学习模型方法和其他方法三大类, 并对各种典型方法进一步细分归类和对比分析, 总结了每种方法的优缺点和应用场景. 本文探讨了表面缺陷检测中三个关键问题, 介绍了工业表面缺陷常用数据集. 最后, 对表面缺陷检测的未来发展趋势进行了展望.     

基于强化学习的配电网巡检缺陷自动识别方法

针对无人机配电网巡检过程中存在的不能准确识别树障等缺陷的问题,研究基于强化学习的配电网巡检缺陷自动识别方法。建立无人机智能巡检管控平台,在此基础上利用Sarsa强化学习算法自动分析巡检作业缺陷,实现树障、设备及安全隐患等缺陷的自动识别。试验结果表明,该方法能够有效识别巡检作业中存在的缺陷,提升无人机智能作业管控平台工作效果。     

基于目标特征的机械零件表面缺陷检测方法

针对机械零件表面缺陷的特点,提出了一种基于目标特征的检测方法。首先,通过对测试图像进行均值滤波,以消除噪声对检测的影响;其次,通过分析表面缺陷特征设置分割阈值,在此基础上,实现对检测目标分割;最后,采用形态学滤波消除噪声和孤立点对检测结果的影响。实验表明,本文采用的方法能够有效抑制图像背景干扰,能够有效的实现机械零件表面缺陷准确检测。