基于梯度方向信息熵的印刷电路板缺陷检测

合集下载

基于深度学习的FPC缺陷检测模型研究

基于深度学习的FPC缺陷检测模型研究

基于深度学习的FPC缺陷检测模型研究摘要:柔性印刷电路板(FPC)因其柔性、轻薄、可弯曲等特点,被广泛应用于电子产品中,但FPC生产过程中容易出现各种缺陷,如铜箔断裂、导线缺口、污染等,这些缺陷会直接影响FPC的性能和可靠性。

本文针对FPC生产过程中的缺陷检测问题,提出了一种基于深度学习的缺陷检测模型,该模型以卷积神经网络和循环神经网络为基础,利用FPC图像数据进行训练,通过对不同缺陷类型的特征提取和分类,实现了高效、准确的FPC缺陷检测。

关键词:柔性印刷电路板;缺陷检测;深度学习;卷积神经网络;循环神经网络1. 引言柔性印刷电路板(Flexible Printed Circuit,FPC)是一种新型电子产品材料,主要由聚酰亚胺、聚酯薄膜等柔性绝缘材料制成,具有柔性、轻薄、可弯曲、抗振动等特点,被广泛应用于手机、平板电脑、可穿戴设备等电子产品中。

但FPC生产过程中容易出现各种缺陷,如铜箔断裂、导线缺口、污染等,这些缺陷会直接影响FPC的性能和可靠性。

目前,常用的FPC缺陷检测方法主要包括目视检查、机器视觉、探伤等技术。

然而,这些传统方法存在一定的局限性,如难以实现全面检测、易受人为因素影响、检测效率低、检测精度不高等问题。

因此,开发一种高效、准确的FPC缺陷检测模型具有重要意义。

2. 相关工作近年来,随着深度学习技术的快速发展,基于深度学习的FPC缺陷检测方法逐渐成为研究热点。

Kurmann等人提出了一种基于多准则决策树的FPC缺陷检测方法,将目视检查和机器视觉相结合,可以有效地检测FPC的铜箔断裂和导线缺口等缺陷。

Lee等人使用卷积神经网络(Convolutional Neural Network,CNN)提取FPC图像的纹理特征,然后使用支持向量机分类器实现FPC缺陷检测。

Wang等人提出了一种基于卷积神经网络的FPC污染检测方法,可以实现高精度的污染检测。

3. 方法介绍本文提出了一种基于深度学习的FPC缺陷检测模型,该模型以卷积神经网络和循环神经网络为基础,利用FPC图像数据进行训练,通过对不同缺陷类型的特征提取和分类,实现了高效、准确的FPC缺陷检测。

基于信息熵的pcb金手指表面镀层缺陷研究

基于信息熵的pcb金手指表面镀层缺陷研究

金手指在板卡与主板的电气连接方面的重要性不言 喻,所以其镀铜或镀锌接触面的导电性要稳定、可靠。在 实际的质量控制中,一般采用图像法检测的方法,基本思 想是采集电子板件金手指的图像和标准图像进行比对, 这种方法对于电子元件的焊点缺陷检测是非常有效的, 但是对于金手指的检测,效果不是很好[1-3]。这是因为金 手指表面的图像像素值比较分散,缺陷部分的特征主要 隐藏在金手指图像的纹理中,鉴别和检测比较困难。
总 688 期第二十六期 2019 年 9 月
河南科技 Henan Science and Technology
信息技术
基于信息熵的 PCB 金手指表面镀层缺陷研究
王付军
(聊城大学东昌学院,山东 聊城 252000)
摘 要:PCB 的金手指缺陷直接影响电气设备的性能和稳定性。为了克服传统的图像检测 PCB 金手指表面镀
1 电路板件金手指的质量标准和缺陷分类
电路板件金手指是和主板电气联系的关键部件,一 般设置在印刷电路板的下面对称设置。其质量判断标准 是金手指表面镀层无漏铜、无覆盖涂层、表面颜色鲜艳、 无氧化现象和镀铜面无断裂[4-6]。
印刷电路板(PCB)金手指的表面缺陷多以颜色变化 为特征,常见的缺陷有:金手指表面凹陷、漏洞、边缘受到 外力划伤、表面氧化和漏铜等[7-10],具体情况如图 1 所示。
WANG Fujun
(Liaocheng University Dongchang College,Liaocheng Shandong 252000)
Abstract: PCB gold finger defects directly affect the performance and stability of electrical equipment. In order to overcome the traditional image detection PCB gold finger surface coating defects, this paper proposed to calculate the surface coating defects by calculating the information entropy of the gold finger image, and discussed two information entropy detection algorithms. The first is an information entropy detection algorithm based on color change for defects such as copper exposure and oxidation on the surface of gold finger. The second is the information entropy detection algorithm based on structural variation for the scratching of gold finger surface. The test results show that the gold fin⁃ ger surface image detection can effectively identify defects such as copper and scratches, which has certain guiding significance for the actual PCB gold finger online detection. Keywords: information entropy;golden finger;defect;PCB

基于信息熵的电路板冷却性能评价指标分析

基于信息熵的电路板冷却性能评价指标分析

基于信息熵的电路板冷却性能评价指标分析
张森;贾涛
【期刊名称】《上海电力大学学报》
【年(卷),期】2022(38)4
【摘要】使用有限元方法对电路板的冷却进行了数值模拟,分析了印制电路板上的元器件布局在强迫对流下的冷却效果,其中主要包括元器件的并排、叉排以及元器件间的纵向和横向间距,得到了该模型下的温度场和速度场。

引入信息熵等评价性指标对温度场和速度场进行了量化分析,可以发现:元器件并排的冷却效果优于叉排;较大功率的芯片距离冷却气体入口处越近越好;在元器件之间的纵向间距尽可能大的同时选择一个合适的横向间距。

【总页数】7页(P396-402)
【作者】张森;贾涛
【作者单位】太原理工大学电气与动力工程学院
【正文语种】中文
【中图分类】TK124
【相关文献】
1.基于信息熵及AHP方法的种业价值链风险评价指标体系研究r——以北京种子龙头企业价值链风险管理为例
2.基于梯度方向信息熵的印刷电路板缺陷检测
3.基于信息熵的信息系统内部控制评价指标研究
4.基于信息熵评价指标的多小波畸变电能计量
5.基于信息熵的高校预算绩效管理评价指标研究
因版权原因,仅展示原文概要,查看原文内容请购买。

基于边缘梯度矢量的印刷电路板缺陷检测

基于边缘梯度矢量的印刷电路板缺陷检测
- 8 .02 0 . 1 O : 36/.s .09 8 12 1.30 3 0 s 4
基于边缘梯度矢量的 印刷 电路板缺 陷检测
杨 茜, 管庶 安 , 九 菊 孙
( 武汉工业学 院 数 学与计算 机学院 , 湖北 武汉 4 0 2 ) 3 0 3

要 : 陷检 测算 法 时 间复 杂度 及 精度 是 影 响 自动光 学检 测 系统 性 能 的 两大 因素 , 缺 降低 时
第 3 卷 第 3期 l 21 0 2年 9月



业 学



oye h i ie st y J un l o Wu a P l tc nc Un v ri o r a f hn
V 13 No 3 o. l . Sp 2 2 e . 01
文 章 编号 :0 94 8 ( 0 2 0 - 5 -3 10 -8 1 2 1 ) 30 1 0 0
间复杂度和提 高精度才能保证 系统 实时可靠。针 对传 统参考法计算量较大及 精度 不高的 问
题 , 文提 出了一 种基 于边缘梯 度 矢量 的 印刷 电路 板 缺 陷检 测 算 法 , 配 准 的前提 下 , 用边 该 在 利 缘 梯度 矢 量搜 索到 缺 陷 处。 实验表 明 , 与传统 参考 法相 比 , 该算 法 的计算点数 由图像全 部像 素
Ab ta tT e t o lxt n rcs n o e rgsrt n ag r h ae t a tr f cig te sse p r src : h i c mpe i a d p e ii ft e it i lo tm r wofco a e t h ytm e- me y o h ao i s n

基于YOLOv5的印刷电路板表面缺陷检测

基于YOLOv5的印刷电路板表面缺陷检测

基于YOLOv5的印刷电路板表面缺陷检测目录一、内容简述 (1)1. 项目背景 (1)2. 研究目的与意义 (2)二、印刷电路板表面缺陷概述 (3)三、YOLOv5技术介绍 (4)四、基于YOLOv5的印刷电路板表面缺陷检测系统设计 (6)1. 系统架构设计 (7)2. 数据采集与处理模块设计 (8)3. YOLOv5模型训练模块设计 (9)4. 缺陷识别与分类模块设计 (10)五、系统实现与实验分析 (11)1. 数据集准备与标注 (13)2. 模型训练与调优 (14)3. 系统测试与性能评估 (15)六、系统优化与改进策略 (16)一、内容简述本篇文档旨在深入探讨基于YOLOv5的印刷电路板(PCB)表面缺陷检测方法。

随着电子科技的飞速发展,电子产品已广泛应用于各个领域,而PCB作为电子产品的核心组件,其质量直接影响到电子设备的性能和可靠性。

及时、准确地检测PCB表面的缺陷至关重要。

YOLOv5作为当前最先进的目标检测算法之一,以其高效、准确的特点在图像识别领域取得了显著成果。

将YOLOv5应用于PCB表面缺陷检测,不仅可以提高检测效率,还能降低人工检测的成本,具有很高的实用价值。

本文档将详细阐述基于YOLOv5的PCB表面缺陷检测方法的整体架构、网络结构、训练策略以及优化方法等方面的内容。

通过阅读本文档,读者可以了解如何利用YOLOv5算法快速、准确地检测PCB表面的各种缺陷,为电子产品的质量控制和检测提供有力支持。

1. 项目背景印刷电路板(PCB)是现代电子设备中至关重要的组件,其表面缺陷可能导致设备性能下降、短路、甚至故障。

随着科技的不断发展,对印刷电路板的质量要求也越来越高,因此对印刷电路板表面缺陷进行快速、准确的检测显得尤为重要。

传统的人工缺陷检测方法耗时且效率低下,而基于深度学习的方法,如卷积神经网络(CNN),已经在许多领域取得了显著的成功,如图像识别、物体检测等。

基于深度学习的目标检测算法YOLOv5在计算机视觉领域取得了重要突破。

《基于深度学习的PCB裸板缺陷检测方法研究》

《基于深度学习的PCB裸板缺陷检测方法研究》

《基于深度学习的PCB裸板缺陷检测方法研究》一、引言随着电子制造行业的飞速发展,印刷电路板(PCB)的制造工艺和质量要求也在不断提高。

PCB裸板缺陷检测作为制造过程中的关键环节,对于确保产品质量、提高生产效率具有重要意义。

传统的裸板缺陷检测方法通常依赖于人工目视检查,但由于人为因素和环境因素等影响,检测结果的准确性和一致性难以得到保障。

因此,研究基于深度学习的PCB裸板缺陷检测方法具有重要的现实意义和应用价值。

二、深度学习在PCB裸板缺陷检测中的应用深度学习作为一种新兴的人工智能技术,已经在许多领域取得了显著的成果。

在PCB裸板缺陷检测中,深度学习可以通过训练大量的图像数据,自动学习和提取图像中的特征信息,从而实现高精度的缺陷检测。

与传统的检测方法相比,深度学习具有以下优势:1. 自动化程度高:深度学习可以自动学习和提取图像中的特征信息,无需人工设计和选择特征。

2. 准确性高:深度学习可以通过大量的训练数据学习到复杂的模式和规律,提高检测的准确性。

3. 适用性强:深度学习可以处理各种不同类型的缺陷,具有良好的泛化能力。

三、方法研究本研究采用基于卷积神经网络的深度学习方法,对PCB裸板缺陷进行检测。

具体步骤如下:1. 数据集准备:收集大量的PCB裸板图像数据,包括正常样本和各种类型的缺陷样本。

对数据进行预处理,包括图像裁剪、归一化等操作。

2. 模型构建:构建卷积神经网络模型,包括卷积层、池化层、全连接层等。

通过训练数据对模型进行训练,使模型能够自动学习和提取图像中的特征信息。

3. 模型训练与优化:采用合适的损失函数和优化算法,对模型进行训练和优化。

通过调整模型的参数和结构,提高模型的检测性能。

4. 缺陷检测:将训练好的模型应用于PCB裸板缺陷检测中,对图像进行自动检测和识别。

根据检测结果,判断是否存在缺陷,并给出相应的提示信息。

四、实验与分析本部分通过实验验证了基于深度学习的PCB裸板缺陷检测方法的有效性和优越性。

基于深度学习的PCB缺陷检测技术

基于深度学习的PCB缺陷检测技术

标题:基于深度学习的PCB缺陷检测技术在科技的大海中,深度学习技术犹如一艘破浪前行的巨轮,其巨大的潜力和影响力正逐步改变着制造业的面貌。

特别是在印制电路板(PCB)的生产领域,基于深度学习的缺陷检测技术正在引领一场质的飞跃。

这项技术如同一位精准无误的医生,通过先进的“X光眼”对每一块电路板进行全面体检,确保每一个电子脉络的健康流通。

传统的PCB检测方法依赖于人工或简单的自动化设备,这不仅效率低下,而且准确性也难以保证。

相比之下,深度学习技术的介入就像是在这个领域注入了一剂强心针。

它能够通过大量样本的学习,自动识别出电路板上的微小瑕疵,无论是头发丝般的裂纹还是难以察觉的划痕,都逃不过它的法眼。

然而,尽管深度学习技术在PCB缺陷检测中的应用带来了显著的效率和精度提升,我们也必须正视其中潜藏的技术挑战和道德风险。

深度学习模型的训练需要大量的数据,这就要求我们必须先拥有庞大且标记准确的数据库。

数据的收集、处理和标记过程既繁琐又昂贵,这对于许多中小型企业来说无疑是一大障碍。

此外,深度学习模型的“黑箱”特性也是一个不容忽视的问题。

虽然它们能够提供高准确率的检测结果,但往往缺乏透明的决策过程。

这就像是我们信任一个专业的医生,却无法理解其复杂的医疗报告一样。

在关键的工业应用中,这种不透明性可能导致严重的后果,特别是在出现误判时,我们甚至难以追溯错误的根源。

面对这些挑战,业界已经在努力寻找解决方案。

一些前沿的研究正在尝试通过改进算法来减少对大数据的依赖,同时提高模型的可解释性。

例如,通过集成学习等技术,可以融合多个小模型的判断,不仅提高了检测的准确性,还增强了结果的可解释性。

尽管道路曲折,但基于深度学习的PCB缺陷检测技术无疑为制造业的未来描绘了一幅光明的图景。

它就像一座灯塔,指引着行业朝着更高效、更智能的方向前进。

正如古人云:“工欲善其事,必先利其器。

”随着这门技术的不断进步和完善,我们有理由相信,在不远的将来,它将帮助电子制造业迎来一个无缺陷的新时代。

基于质量4.0的印制电路板智能缺陷检测研究

基于质量4.0的印制电路板智能缺陷检测研究

第46卷 第5期2024年5月系统工程与电子技术SystemsEngineeringandElectronicsVol.46 No.5May 2024文章编号:1001 506X(2024)05 1682 09 网址:www.sys ele.com收稿日期:20230724;修回日期:20230920;网络优先出版日期:20231024。

网络优先出版地址:http:∥kns.cnki.net/kcms/detail/11.2422.TN.20231024.1454.024.html基金项目:中央高校基本科研业务费(22120230184)资助课题 通讯作者.引用格式:刘虎沉,李珂,王鹤鸣,等.基于质量4.0的印制电路板智能缺陷检测研究[J].系统工程与电子技术,2024,46(5):1682 1690.犚犲犳犲狉犲狀犮犲犳狅狉犿犪狋:LIUHC,LIK,WANGHM,etal.IntelligentdefectdetectionbasedonQuality4.0:acasestudyofprintedcircuitboard[J].SystemsEngineeringandElectronics,2024,46(5):1682 1690.基于质量4.0的印制电路板智能缺陷检测研究刘虎沉1,李 珂1,王鹤鸣1,施 华2,(1.同济大学经济与管理学院,上海200092;2.上海电机学院材料学院,上海201306) 摘 要:新一代信息技术的高速发展为制造业的转型与发展提供了机遇,同时也推动了制造质量管理方式的重大变革。

本文结合制造业发展实际情况,概述了质量4.0的基本理论及关键技术,并进一步探讨了质量4.0的实施与落地应用。

具体而言,将印制电路板(printedcircuitboard,PCB)缺陷检测作为研究案例,设计了基于质量4.0的PCB智能缺陷检测方案,并提出了缺陷检测的5个关键评价标准;提出的检测方案可有效帮助PCB制造企业过滤缺陷假点、控制产品良率、获取缺陷解决建议,并为员工掌握专业检测技能提供学习和培训平台。

基于EfficientNetV2的PCB缺陷检测算法

基于EfficientNetV2的PCB缺陷检测算法

基于EfficientNetV2的PCB缺陷检测算法目录一、内容概要 (2)二、背景知识 (3)三、算法原理 (4)1. 数据预处理 (5)2. 网络结构设计 (6)3. 训练过程 (8)4. 缺陷识别与分类 (9)四、基于EfficientNetV2的PCB缺陷检测算法流程 (10)1. 数据集准备 (11)2. 模型搭建 (13)3. 模型训练与优化 (14)4. 缺陷检测与评估 (14)五、实验与分析 (16)1. 实验环境与数据集 (17)2. 实验方法与参数设置 (17)3. 实验结果 (19)4. 结果分析与对比 (20)六、算法应用与优化 (22)1. 算法在PCB缺陷检测中的应用 (22)2. 算法性能优化策略 (24)3. 实际应用中的挑战与解决方案 (25)七、结论与展望 (26)1. 研究成果总结 (27)2. 未来研究方向与展望 (28)一、内容概要本文档主要介绍了基于EfficientNetV2的PCB缺陷检测算法。

EfficientNetV2是一种先进的深度学习模型,具有较高的准确性和效率。

在PCB(印刷电路板)缺陷检测任务中,该模型能够自动识别并定位电路板上的缺陷,从而提高生产效率和产品质量。

引言:介绍PCB缺陷检测的重要性和挑战,以及EfficientNetV2模型的背景和优势。

EfficientNetV2模型简介:详细阐述EfficientNetV2模型的架构、特点和应用场景。

PCB缺陷检测算法设计:基于EfficientNetV2模型,设计一种适用于PCB缺陷检测的算法,包括数据预处理、特征提取、缺陷分类和定位等步骤。

实验结果与分析:通过实验验证所设计算法的性能,并与其他常用方法进行对比分析。

结论与展望:总结本算法的优势和局限性,并对未来的研究方向进行展望。

通过本算法的研究与应用,有望实现对PCB缺陷的高效、准确检测,为电路板生产过程中的质量控制提供有力支持。

基于深度学习的PCB缺陷检测研究

基于深度学习的PCB缺陷检测研究

基于深度学习的PCB缺陷检测研究PCB(Printed Circuit Board)缺陷检测是保证电子产品质量的重要环节。

随着电子产品朝着轻薄化、高性能化发展,PCB缺陷检测的难度也在逐渐增加。

传统的方法主要依靠人工检测,但是这种方法效率低下,且易出现漏检、误检的情况。

近年来,随着深度学习在计算机视觉领域的快速发展,越来越多的研究者将深度学习技术应用于PCB 缺陷检测,取得了显著的成果。

深度学习是机器学习的一种,其基于神经网络,通过学习大量的数据来提升模型的表现。

在计算机视觉领域,卷积神经网络(CNN)是最常用的深度学习模型之一。

CNN能够自动提取图像的特征,并通过多层的神经元对特征进行交互和传递,最终输出具有高度抽象性的特征表示。

传统的方法主要依靠图像处理技术,如滤波、边缘检测、二值化等,以及模式识别技术,如SVM、KNN等,来对PCB缺陷进行检测。

但是,由于PCB缺陷的类型和程度多样化,传统方法的准确性和鲁棒性难以保证。

深度学习方法主要包括基于CNN的监督学习和无监督学习。

监督学习是通过标注的数据集进行训练,将图像中的缺陷与非缺陷区域进行分类。

无监督学习则是通过聚类算法或其他无标签数据进行训练,自动发现图像中的缺陷。

深度学习方法具有较高的准确性和鲁棒性,但是需要大量的标注数据和计算资源。

以一个具体的PCB缺陷检测项目为例,该项目采用了基于CNN的监督学习方法。

对大量的PCB图像进行预处理,包括图像增强、去噪、裁剪等操作,以提高图像的质量和识别效果。

然后,利用标注工具将PCB图像中的缺陷区域和非缺陷区域分别标注,构成训练集和测试集。

在训练过程中,采用多尺度图像块的方式将训练集中的图像输入CNN 模型进行训练。

这样能够使模型适应不同大小和类型的缺陷。

同时,采用数据增强技术,如随机裁剪、旋转、翻转等,来扩充训练数据集,提高模型的泛化能力。

训练过程中采用交叉验证技术来优化模型的参数,减少过拟合和欠拟合的情况。

一种基于深度学习的印刷品缺陷检测方法[发明专利]

一种基于深度学习的印刷品缺陷检测方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201810463261.5(22)申请日 2018.05.15(71)申请人 佛山市南海区广工大数控装备协同创新研究院地址 528000 广东省佛山市南海区狮山镇南海软件科技园创智港A座四楼申请人 佛山市广工大数控装备技术发展有限公司(72)发明人 袁文智 魏登明 王华龙 李志鹏 李力 (74)专利代理机构 佛山市禾才知识产权代理有限公司 44379代理人 资凯亮(51)Int.Cl.G01N 21/88(2006.01)(54)发明名称一种基于深度学习的印刷品缺陷检测方法(57)摘要一种基于深度学习的印刷品缺陷检测方法,所述印刷品缺陷检测方法包括以下步骤:步骤A:利用CCD工业相机采集图像;步骤B:在所采集的图像中选取不同类别的缺陷图像和无缺陷图像作为训练样本;步骤C:利用训练样本离线集训深度学习算法,得到网络模型的连接权值和偏置参数;步骤D:利用训练好的深度学习算法,在线检测识别印刷品图像的缺陷。

本发明提出一种基于深度学习的印刷品缺陷检测方法,通过在印刷过程中采集印刷品图像,并对图像进行预处理,然后预处理后的图像输入到预先训练好的缺陷检测模型进行缺陷检测,提高在生产中印刷品缺陷检测的效率。

权利要求书1页 说明书3页 附图3页CN 108918527 A 2018.11.30C N 108918527A1.一种基于深度学习的印刷品缺陷检测方法,其特征在于:所述印刷品缺陷检测方法包括以下步骤:步骤A:利用CCD工业相机采集图像;步骤B:在所采集的图像中选取不同类别的缺陷图像和无缺陷图像作为训练样本;步骤C:利用训练样本离线集训深度学习算法,得到网络模型的连接权值和偏置参数;步骤D:利用训练好的深度学习算法,在线检测识别印刷品图像的缺陷。

2.根据权利要求1所述一种基于深度学习的印刷品缺陷检测方法,其特征在于:选取不同类别的缺陷图像和无缺陷图像作为训练样本包括从CCD工业相机采集到的图像中,分别选取起皱、油墨、污点、字符漏印、套印不准和刮伤六大类印刷品缺陷图像。

基于梯度方向信息熵的印刷电路板缺陷检测

基于梯度方向信息熵的印刷电路板缺陷检测

基于梯度方向信息熵的印刷电路板缺陷检测
李云峰;李晟阳
【期刊名称】《中国机械工程》
【年(卷),期】2017(028)006
【摘要】针对印刷电路板裸板缺陷在线视觉检测,提出了一种适用于电路板彩色图像的缺陷检测算法.该算法主要通过分析缺陷区域边界像素的梯度方向信息获得对应的典型图像特征,具体由滤波去噪、目标分割和特征提取三部分组成.为减弱环境光干扰同时保证边缘细节的清晰,首先在CIE Lab色彩空间对图像进行双边滤波,然后利用该色彩空间的均匀性分割出需要检测的目标区域,最后设计了邻域梯度方向信息熵这一描述子用于提取缺陷特征和构造特征向量,利用支持向量机对缺陷进行识别.实验结果表明:所提算法能够对印刷电路板裸板存在的短路、断路、孔洞、余铜、划痕等常见缺陷进行快速精确的定位,能够满足生产过程中的实时检测要求.【总页数】7页(P695-701)
【作者】李云峰;李晟阳
【作者单位】河南科技大学机电工程学院,洛阳,471003;机械装备先进制造河南省协同创新中心,洛阳,471003;河南科技大学机电工程学院,洛阳,471003;机械装备先进制造河南省协同创新中心,洛阳,471003
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于边缘梯度矢量的印刷电路板缺陷检测 [J], 杨茜;管庶安;孙九菊
2.分层提取匹配印刷电路板元器件缺陷检测 [J], 赵翔宇;周亚同;何峰;王帅;张忠伟
3.基于数字图像处理的印刷电路板缺陷检测 [J], 李正明;黎宏;孙俊
4.印刷电路板缺陷检测的实际应用 [J], 向森
5.基于机器视觉的印刷电路板缺陷检测系统的设计与研究 [J], 苏雷;张广明;魏晓冬因版权原因,仅展示原文概要,查看原文内容请购买。

基于LWN-Net的印刷电路板缺陷检测算法

基于LWN-Net的印刷电路板缺陷检测算法

基于LWN-Net的印刷电路板缺陷检测算法
文斌;胡晖;杨超
【期刊名称】《计算机集成制造系统》
【年(卷),期】2024(30)2
【摘要】针对现阶段印刷电路板缺陷检测任务中网络精度低、速度慢、模型参数量大的问题,提出基于改进YOLOv3的轻量级权重新型网络(LWN-Net),并提出轻量级特征增强网络作为模型的特征提取网络,解决YOLOv3中主干网络Darknet53参数量过多的问题。

考虑到特征提取过程中语义信息和位置信息不平衡会导致检测精度降低,构建权重聚合分配机制消除不平衡,以提高模型特征提取能力。

提出新型特征金字塔网络,增强网络对细节信息的提取能力并降低信息冗余度。

采用回归损失函数SIoU加快模型的收敛速度并提高检测精度。

结果表明,相比
YOLOv3,LWN-Net网络的模型规模压缩了87.5%,而检测速度提升了8.32帧·s^(-1),预测精度和召回率分别提升了0.88%和1.6%。

该网络的提出为印刷电路板的缺陷检测问题提供了一种更高效的方法。

【总页数】12页(P496-507)
【作者】文斌;胡晖;杨超
【作者单位】三峡大学电气与新能源学院
【正文语种】中文
【中图分类】TP391.41;TN41
【相关文献】
1.Hough算法在印刷电路板焊孔缺陷检测中的应用
2.一种改进的印刷电路板缺陷检测分割算法
3.基于改进YOLOv3的印刷电路板缺陷检测算法
4.基于YOLOv4的印刷电路板常见缺陷检测模型研究
5.基于改进YOLOX-s算法的印刷电路板缺陷检测
因版权原因,仅展示原文概要,查看原文内容请购买。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

( ) 焊盘区域噪声 b
F i . 2㊀F l o w c h a r t o fa l o r i t h m g g
图 2㊀ 算法流程图
算法 大 体 分 为 参 考 法 ㊁ 非 参 考 法㊁ 混合法三大
8] . 参考法仅提取待测图像和标准图像的差异 类[
在缺陷特征提取方面 , 现有的 P C B 缺陷检测
2. C o l l a b o r a t i v e I n n o v a t i o nC e n t e ro fM a c h i n e r u i m e n tA d v a n c e dM a n u f a c t u r i n fH e n a n yE q p go , , , P r o v i n c e L u o a n H e n a n 4 7 1 0 0 3 y g : , A b s t r a c t A i m i n t r e a l ������ t i m ev i s u a l i n s e c t i o n so fP C Bd e f e c t s ad e f e c td e t e c t i o na l o r i t h mw a s ga p g r o o s e dh e r e i nf o ra l i n oP C Bc o l o r i m a e . T h et i c a l i m a e f e a t u r e sw e r eo b t a i n e db n a l G p p p p y gt g y p g ya y z i n t h eg r a d i e n t d i r e c t i o n i n f o r m a t i o no f t h e e d ep i x e l s i n t h ed e f e c t r e i o n s . T h e a l o r i t h mc o n s i s t e d g g g g ,w , , o f t h r e ep a r t s i nd e t a i l h i c hw e r ed e ������ n o i s i n t a r e ts e m e n t a t i o na n df e a t u r ee x t r a c t i o n . F i r s t l g g g y
D e f e c tD e t e c t i o nf o rP C B sB a s e do nG r a d i e n tD i r e c t i o nI n f o r m a t i o nE n t r o p y 1, 2 1, 2 L IY u n f e n IS h e n a n g ㊀L g y g , , 1. S c h o o l o fM e c h a t r o n i c sE n i n e e r i n H e n a nU n i v e r s i t fS c i e n c ea n dT e c h n o l o g g yo g y , , L u o a n H e n a n 4 7 1 0 0 3 y g
] 1 , 力, 且不能满足 可 靠 性 的 要 求 [ 因 此, 采用基于
, 印刷电 路 板 ( 作 r i n t e dc i r c u i tb o a r d P C B) p
和缺陷覆盖率高等优点 . 近年来国内外许多学者
4 ������ 5] 从硬件平台 [ 和软件算法等方面对该类检测系
中国机械工程第 2 8 卷第 6 期 2 0 1 7 年 3 月下半月
响, 工业相机采集到的原始 P C B 彩色图像不可避 免地含有图 1 a中 箭 头 所 示 的 各 种 噪 声 干 扰. 特 别地 , 图1 b 中圆形区域所示的焊盘的纹理特性以 及漫反射所导致的区域内部色彩值不稳定等现象 会给目标的精确 提 取 带 来 很 大 干 扰 , 也可视为噪 声 . 传统的滤波算法由于对整幅图像进行无差别 的平滑操 作 , 容易使细小的缺陷被误认为是 噪 声 而遭到滤除 , 因此需要在保留缺陷区域关键信 息的前提下选择合适的滤波算法 .
2㊀ 图像预处理
摘要 : 针对印刷电路板裸板缺陷 在 线 视 觉 检 测 , 提出了一种适用于电路板彩色图像的缺陷检测算
: / D O I 1 0. 3 9 6 9 i . s s n . 1 0 0 4 ������ 1 3 2 X. 2 0 1 7. 0 6. 0 1 0 j
b i l a t e r a l f i l t e r i n i nC I EL a bc o l o rs a c ew a su s e dt or e d u c et h e i n t e r f e r e n c eo fa m b i e n t l i h ta n de n G g p g ; s u r e t h ec l a r i t f t h ee d ed e t a i l st h e nt h eu n i f o r m i t f t h i sc o l o rs a c ew a su s e dt os e m e n tt h e yo g yo p g ; , t a r e t a r e a sw h i c hn e e d e dt ob ed e t e c t e d l a s t l t h en e i h b o r h o o dg r a d i e n to r i e n t a t i o ni n f o r m a t i o n g y g , e n t r o a sd e s i n e da s ad e s c r i t o r f o r d e f e c t f e a t u r e e x t r a c t i o na n d f e a t u r ev e c t o r c o n s t r u c t i o n t h e n p yw g p : s u o r tv e c t o rm a c h i n ew a su s e dt oi d e n t i f d e f e c t s . E x e r i m e n t a l r e s u l t ss h o wt h a t t h en e wa l o p p y p gG r i t h mi sa b l e t o l o c a t e t h ec o mm o nd e f e c t se x i s t i n nP C B sr a i d l n da c c u r a t e l u c ha ss h o r tc i r G gi p ya ys , , , , c u i t o e nc i r c u i t e m t a v i t c o e r r e s i d u e s c r a t c he t c . w h i c hm a e e t t h e r e a l ������ t i m ed e t e c t i o n p p yc y p p ym r e u i r e m e n t s i np r o d u c t i o np r o c e s s e s . q : ; ; ; ; K e o r d sp r i n t e dc i r c u i tb o a r d( P C B) d e f e c td e t e c t i o n b i l a t e r a l f i l t e r i n f e a t u r ee x t r a c t i o n g yw i n f o r m a t i o ne n t r o p y
统进行了大量的研究 , 取得了很多成果 .
1㊀ 算法整体流程
] 6 作为机器视觉检测核心的图像处理算法 [ 直
接决定了检测结果的可靠性和稳定性 . 在具体的 图像处理过程中 , 难点主要集中在滤波算法的设
] 7 计[ 和缺陷特征的提取上 .
收稿日期 : 2 0 1 6 0 9 1 2
������ 6 9 5 ������
分布密度情况 的 统 计 参 数 作 为 支 持 向 量 机 ( s u G p
( ) 背景区域噪声 a
F i . 1㊀N o i s e i n t e r f e r e n c e i no r i i n a lP C Bc o l o B 原始彩色图像中的噪声干扰
由于受采光条 件 ㊁ 工业现场环境等因素的影
子, 选取该特征描 述 子 和 反 映 局 部 区 域 边 缘 像 素 , 的 二 维 训 练 特 征, 得 o r tv e c t o rm a c h i n e S VM) p 到S 从而 实 现 对 P VM 分类器 , C B 缺陷的识别和 定位 . 色图像中 , 首先选 择 合 适 的 色 彩 空 间 对 图 像 进 行 ) 双边 ( 滤 波, 在保证边缘细节清晰的前 B i l a t e r a l 提下去除噪声干 扰 ; 然后通过线性对比度增强扩 大各区域之间色 彩 的 差 异 程 度 , 从而方便敷铜区 域的 准 确 分 割 ; 接 着, 对 于 所 有 边 缘 像 素, 计算它 们的梯度方向信息熵以及邻域内边缘像素的分布 密度 , 二者构 成 特 征 向 量 作 为 S VM 分 类 器 的 训 练样本 ; 最后用得到 的 S VM 分 类 器 对 P C B 缺陷 进行判别和定位 . 图 2 为算 法 的 整 体 流 程 图 . 在 原 始 P C B彩
基于梯度方向信息熵的印刷电路板缺陷检测
李云峰 ㊀ 李晟阳
基于梯度方向信息熵的印刷电路板缺陷检测
河南科技大学机电工程学院 , 洛阳 , 1. 4 7 1 0 0 3 机械装备先进制造河南省协同创新中心 , 洛阳 , 2. 4 7 1 0 0 3
, 2 李云峰1, ㊀ 李晟阳1 2
相关文档
最新文档