一种基于深度学习的封装带检测系统及交互控制方法技术方案

本发明专利技术实施例公开了一种基于深度学习的封装带检测系统，所述基于人工智能深度学习的封装带检测系统包括基于后台主程序运行的图像采集模块、图像预处理模块、人工智能图像识别算法模块和人机交互模块，所述图像采集模块采集封装带正面、反面以及侧面的图像，所述图像预处理模块对图像采集模块采集的图像进行预处理，所述人工智能图像识别算法模块通过深度学习对经过图像预处理模块处理的图片进行智能识别，对存在封装缺陷的封装带进行报警，所述人机交互模块对人工智能图像识别算法模块的结果进行输出，显示封装缺陷产品标注图像、缺陷类型以及报警提示信息。本发明专利技术解决了解决现有贴片电子元件封装带检测效率低、出错率高的问题。

【技术实现步骤摘要】
一种基于深度学习的封装带检测系统及交互控制方法
本专利技术实施例涉及元件检测
，具体涉及一种基于深度学习的封装带检测系统及交互控制方法。
技术介绍
贴片电子元件在电器行业内具有广泛的应用，其组装密度高、电子产品体积小、重量轻，贴片元件的体积和重量只有传统插装元件的1/10左右，一般采用贴片电子元件之后，电子产品体积缩小40％～60％，重量减轻60％～80％，并且可靠性高、抗振能力强，易于实现自动化，提高生产效率。在贴片电子元件的生产过程中，由于贴片电子元器件由于体积小，数量多，针脚细小易损，即便厂家在生产过程运用了诸如机器视觉检测等各种自动化检测手段，均难以避免在产品检测完后的封装过程中，出现意外的翻转、漏装等情况，所以为降低缺陷出厂率，厂家一般会在终端检测再额外安排一道人工视检环节，即由工人手动展开料带逐颗查看有无翻转、漏装等情况。人工检测效率低、出错率高，不能应对多种类型的故障缺陷。
技术实现思路
为此，本专利技术实施例提供一种基于深度学习的封装带检测系统及交互控制方法，以解决现有贴片电子元件封装带检测效率低、出错率高的问题。为了实现上述目的，本专利技术实施例提供如下技术方案：本文档来自技高网...

【技术保护点】
1.一种基于深度学习的封装带检测系统，其特征在于，所述基于人工智能深度学习的封装带检测系统包括基于后台主程序运行的图像采集模块、图像预处理模块、人工智能图像识别算法模块和人机交互模块，所述图像采集模块采集封装带正面、反面以及侧面的图像，所述图像预处理模块对图像采集模块采集的图像进行预处理，所述人工智能图像识别算法模块通过深度学习对经过图像预处理模块处理的图片进行智能识别，对存在封装缺陷的封装带进行报警，所述人机交互模块对人工智能图像识别算法模块的结果进行输出，显示封装缺陷产品标注图像、缺陷类型以及报警提示信息。

【技术特征摘要】
1.一种基于深度学习的封装带检测系统，其特征在于，所述基于人工智能深度学习的封装带检测系统包括基于后台主程序运行的图像采集模块、图像预处理模块、人工智能图像识别算法模块和人机交互模块，所述图像采集模块采集封装带正面、反面以及侧面的图像，所述图像预处理模块对图像采集模块采集的图像进行预处理，所述人工智能图像识别算法模块通过深度学习对经过图像预处理模块处理的图片进行智能识别，对存在封装缺陷的封装带进行报警，所述人机交互模块对人工智能图像识别算法模块的结果进行输出，显示封装缺陷产品标注图像、缺陷类型以及报警提示信息。2.如权利要求1所述的一种基于深度学习的封装带检测系统，其特征在于，所述图像采集模块为多个工业相机，多个工业相机采集封装带内部贴片电子元件正面、反面以及侧面的图像，后台主程序控制工业相机状态检测、拍照触发和图像读取。3.如权利要求1所述的一种基于深度学习的封装带检测系统，其特征在于，所述图像预处理模块对工业相机采集的多角度图像进行图像尺寸调整，图像切割，图像灰度、曝光度、聚焦参数的调整以及图像数组张量化处理。4.如权利要求1所述的一种基于深度学习的封装带检测系统，其特征在于，所述人工智能图像识别算法模块包括：数据接收单元、深度学习推理单元和推理结果输出单元，人工智能图像识别算法模块通过大量故障贴片电子元件图像进行深度学习训练，训练完成后能够识别预先定义的多种类型的故障图像，将现场采集的图像作为输入，自动识别故障类型并进行分类标注进行输出。5.如权利要求4所述的一种基于深度学习的封装带检测系统，其特征在于，所述数据接收单元接收图像预处理模块输出的图像数据，将图像数据打包处理后发送至深度学习推理单元。...

【专利技术属性】
技术研发人员：喻永生，王淼，
申请(专利权)人：燊赛上海智能科技有限公司，
类型：发明
国别省市：上海,31