一种基于人工智能的PCBA质量检测方法技术

一种基于人工智能的PCBA质量检测方法，包括图片储存模块、标记模块；图片储存模块内存有PCBA若干故障图片，以及电路板自身包括敷铜线开路、短路等故障图片；实现方法包括如下步骤，第一步：经标记模块进行数据标注，配上与故障图片数据一比一对应的合格产品图片数据，并将分为训练集和测试集；第二步：设计出适合的人工智能深度学习类型；第三步：模型进行训练；第四步：用测试集对模型进行测试其是否正确；第五步：测试PCBA具体待检故障数据；第六步：实证模型持续优化。本发明专利技术应用的AI模型具备自适应学习能力，在保持产线扩容情况下，仍旧能够正常工作，提高了生产率，市场运用广阔。本发明专利技术检测速度快、精度高、节省了人工，提高了生产方经济效益。

A quality inspection method of PCBA based on Artificial Intelligence

【技术实现步骤摘要】
一种基于人工智能的PCBA质量检测方法
本专利技术涉及检测
，特别是一种基于人工智能的PCBA质量检测方法。
技术介绍
PCBA，即通过SMT(贴片方式)和DIP(打孔方式)安装了各种电子元器件的电路板。现有厂家实际生产中，为了保证产品质量需要对PCBA的质量进行检测，进而判断电路板自身质量是否有问题，以及安装的元器件位置是否正确等问题。目前对于PCBA的检测技术，一种是依靠人工目视检测，由于人的视角有限(比如无法有效观察到小型贴片元件之间的脱焊、极性相反等)，存在检测速度慢、准确度不高、检测效果不好的缺点，因此这种方式使用逐渐越来越少。另外一种方式是通过AOI系统(自动光学检测，是基于光学原理来对焊接生产中遇到的常见缺陷进行检测的设备)进行判断；AOI系统虽然采用光学原理，用光学透镜代替人眼，并在拍摄过程中进行图像放大，能够获得较为清晰的设备图像，但目前的AOI系统缺陷在于，判断检测点是否故障的方法、都是通过人工基于AOI系统中存储的标准数字化图像与实际检测到的图像进行对比判别，也就是说同样需要人为目视对比检测，因此也存在检测速度慢，以及漏检、准确度不高的缺点。随着人工智能技术的发展，人工智能深度学习方法也有应用在了检测技术中。现有技术中，基于人工智能深度学习方法检测电子设备的质量，受到技术限制，只能实现对平面状态下、结构不复杂的部件质量进行检测，应用在PCB(PCB即没有安装各种电子部件的印刷电路板)质量的检测中，主要检测其外观质量，比如说检测其敷铜线是否有开路、短路等现象；由于PCB没有安装元件、处于平整状态，检测的项目少，因此现有基于人工智能深度学习方法检测PCB质量能达到检测目的。而实际情况下，PCBA上安装了大量电子元件，那么需要检测的内容就不仅限于检测平面状态的敷铜线是否有开路、短路现象，还需要对处于立体状态及高度不同的电子元件进行是否漏焊、安装不到位、焊接不牢等等项目的检测；因此，目前基于人工智能深度学习方法检测PCB的质量，无法用于PCBA的质量检测，基于人工智能深度学习方法检测PCBA质量的技术还存在空白。
技术实现思路
为了克服技术中，采用AOI系统检测PCBA质量中存在的缺点，以及现有基于人工智能深度学习检测PCB质量的方法，无法用于PCBA质量检测的弊端，本专利技术提供了能填补基于人工智能深度学习方法检测PCBA质量的技术空白，利用AOI系统获取产品图片基础上，用大量PCBA图片作为图片数据库，引入人工智能的深度学习方法，采用人工智能的仿人脑神经网络算法，实现在干扰、多变的情况下，仍旧能精确找到PCBA等各种质量问题，能涵盖PCBA漏贴、翻贴、错贴、侧贴、多贴、锡珠、断锡、少锡、冷焊、虚焊、短路、立碑、偏移、破损、极性反、有异物、引脚起翘等主要质量检测项目，同时能检测电路板自身包括敷铜线是否有开路、短路等外观质量缺陷，并设计出合理的软件架构，使系统具备良好扩容、自适应学习能力，由此达到检测速度快、检测精度高、节省了人工、提高了生产方经济效益的一种基于人工智能的PCBA质量检测方法。本专利技术解决其技术问题所采用的技术方案是：一种基于人工智能的PCBA质量检测方法，其特征在于包括PC机内的图片储存模块、标记模块；图片储存模块内存有PCBA包括漏贴、翻贴、错贴、侧贴、多贴、锡珠、断锡、少锡、冷焊、虚焊、短路、立碑、偏移、破损、极性反、有异物、引脚起翘在内的等故障图片，以及电路板自身包括敷铜线开路、短路等故障图片；实现方法包括如下步骤，第一步：先将PCBA已知故障图片的特征基于人工智能深度学习技术，经标记模块进行数据标注，同时配上与故障图片数据一比一对应的合格产品的图片数据，并将这些数据按照一定比例分为训练集和测试集；第二步：基于人工智能深度学习技术，针对PCBA故障图片特征设计出适合的人工智能深度学习类型；第三步：用标注过的图片数据对模型进行训练；第四步：用测试集对基于人工智能深度学习的人工智能平台上、生成的实证模型进行测试其是否正确；第五步：测试PCBA具体待检故障数据时，将待检测图片输入模型中，模型能自动给出检测PCBA图片的数据，从而检测人员根据所得数据直观判断出检测的PCBA图片数据是否合格；第六步：对实证模型进行持续优化，形成基于工业图片成像的故障、定位、品质评价等感知认知N种模型。进一步地，所述图片储存模块内储存有大量PCBA已知故障的图片特征数据，以及和故障一比一对应合格PCBA产品的图片特征数据。进一步地，所述第一步中，将PCBA已知故障图片的特征基于人工智能深度学习技术，经标记模块进行数据标注中，故障数据累积的愈多愈好。进一步地，所述第一步中，训练集和测试集同时兼具PCBA图片故障数据和合格数据。进一步地，所述第三步中，标注过的图片数据是第一步中的训练集。进一步地，所述第五步中，进行测试PCBA具体待检故障数据时，缺陷数据会进入AI中心，AI平台自主学习后产生更新版本，模型算法能反馈到AI端侧，对AI端侧进行升级，实际应用中，会不断有缺陷数据增加，能不断更新AI端侧算法，增强检测准确率。本专利技术有益效果是：本专利技术应用的AI(人工智能)模型具备的自适应学习能力，能够保持产线扩容情况下，仍旧能够正常工作并大大提高生产效率，市场运用广阔。本专利技术填补了基于人工智能深度学习方法检测PCBA质量的技术空白，利用AOI系统获取产品图片的基础上，采用大量PCBA图片作为图片数据库，引入基于人工智能的深度学习方法(机器学习的一种)，利用人工智能的仿人脑神经网络算法，实现在干扰、多变的情况下，仍旧能精确找到PCBA等各种质量问题，能涵盖PCBA漏贴、翻贴、错贴、侧贴、多贴、锡珠、断锡、少锡、冷焊、虚焊、短路、立碑、偏移、破损、极性反、有异物、引脚起翘等主要故障检测项目，同时能检测电路板自身包括敷铜线是否有开路、短路等外观质量缺陷，并设计出合理的软件架构，使系统具备良好扩容、自适应学习能力。本专利技术检测速度快、检测精度高、节省了人工，提高了生产方经济效益。基于上述，本专利技术具有好的应用前景。附图说明以下结合附图和实施例将本专利技术做进一步说明。图1是本专利技术应用方法流程示意图。具体实施方式图1中所示，一种基于人工智能的PCBA质量检测方法，包括PC机内的图片储存模块、标记模块；图片储存模块内存有PCBA包括漏贴、翻贴、错贴、侧贴、多贴、锡珠、断锡、少锡、冷焊、虚焊、短路、立碑、偏移、破损、极性反、有异物、引脚起翘在内的等故障图片，以及电路板自身包括敷铜线开路、短路等故障图片；图片储存模块内储存有大量PCBA已知故障的图片特征数据，以及和故障一比一对应合格PCBA产品的图片特征数据。实现方法包括如下步骤，第一步：先将PCBA已知故障图片的特征基于人工智能深度学习技术，经标记模块进行数据标注，同时配上与故障图片数据一比一对应的合格产品的图片数据，并将这些数据按照一定比例分为训练集和测试集；第一步中，将PCBA已知故障图片的特征基于人工智能深度学习技术，经标记模块进行数据标注中，故障数据累积的愈多愈好；第一步本文档来自技高网...

【技术保护点】
1.一种基于人工智能的PCBA质量检测方法，其特征在于包括PC机内的图片储存模块、标记模块；图片储存模块内存有PCBA包括漏贴、翻贴、错贴、侧贴、多贴、锡珠、断锡、少锡、冷焊、虚焊、短路、立碑、偏移、破损、极性反、有异物、引脚起翘在内的故障图片，以及电路板自身包括敷铜线开路、短路故障图片；实现方法包括如下步骤，第一步：先将PCBA已知故障图片的特征基于人工智能深度学习技术，经标记模块进行数据标注，同时配上与故障图片数据一比一对应的合格产品的图片数据，并将这些数据按照一定比例分为训练集和测试集；第二步：基于人工智能深度学习技术，针对PCBA故障图片特征设计出适合的人工智能深度学习类型；第三步：用标注过的图片数据对模型进行训练；第四步：用测试集对基于人工智能深度学习的人工智能平台上、生成的实证模型进行测试其是否正确；第五步：测试PCBA具体待检故障数据时，将待检测图片输入模型中，模型能自动给出检测PCBA图片的数据，从而检测人员根据所得数据直观判断出检测的PCBA图片数据是否合格；第六步：对实证模型进行持续优化，形成基于工业图片成像的故障、定位、品质评价感知认知的N种模型。/n

【技术特征摘要】
1.一种基于人工智能的PCBA质量检测方法，其特征在于包括PC机内的图片储存模块、标记模块；图片储存模块内存有PCBA包括漏贴、翻贴、错贴、侧贴、多贴、锡珠、断锡、少锡、冷焊、虚焊、短路、立碑、偏移、破损、极性反、有异物、引脚起翘在内的故障图片，以及电路板自身包括敷铜线开路、短路故障图片；实现方法包括如下步骤，第一步：先将PCBA已知故障图片的特征基于人工智能深度学习技术，经标记模块进行数据标注，同时配上与故障图片数据一比一对应的合格产品的图片数据，并将这些数据按照一定比例分为训练集和测试集；第二步：基于人工智能深度学习技术，针对PCBA故障图片特征设计出适合的人工智能深度学习类型；第三步：用标注过的图片数据对模型进行训练；第四步：用测试集对基于人工智能深度学习的人工智能平台上、生成的实证模型进行测试其是否正确；第五步：测试PCBA具体待检故障数据时，将待检测图片输入模型中，模型能自动给出检测PCBA图片的数据，从而检测人员根据所得数据直观判断出检测的PCBA图片数据是否合格；第六步：对实证模型进行持续优化，形成基于工业图片成像的故障、定位、品质评价感知认知的N种模型。


2.根据权...

【专利技术属性】
技术研发人员：胡东明，
申请(专利权)人：科士恩科技上海有限公司，
类型：发明
国别省市：上海;31