基于深度学习的PCB板镭射标靶识别方法及系统技术方案

本发明专利技术公开了一种基于深度学习的PCB板镭射标靶识别方法及系统，其中，基于深度学习的PCB板镭射标靶识别方法具体按照如下步骤实施：S1，预制镭射标靶图案；S2，对所述S1中的镭射标靶图案进行图像采集，得到灰度图；S3，采用深度学习对所述S1中的图案进行镭射区域的标注，并根据所述S2中的灰度图对标注的镭射区域进行预处理；S4，对预处理后的镭射区域进行精确定位；S5，根据所述S4中精确定位的结果，将镭射标靶图案转移至PCB板上。实现上述过程所需要的部件比较常见，因此容易设计；并且，采用深度学习方式进行识别，可对生产过程中识别识别情况进行学习，不断增强识别成功率；深度学习识别方式能够按照权重对识别对象进行检测，识别的阈值大。别的阈值大。别的阈值大。

【技术实现步骤摘要】
基于深度学习的PCB板镭射标靶识别方法及系统


[0001]本专利技术属于PCB板
，具体涉及一种基于深度学习的PCB板镭射标靶识别方法及系统。

技术介绍

[0002]PCB板的生产流程包括钻孔、沉铜、图形转移、图形电镀、退膜等多个工艺，其中，关键步骤“图形转移”即曝光流程，具体是：将电路图案通过紫外光精准地转移到覆在PCB表面的感光材料(干膜或者湿膜)上；感光材料发生光化学反应，内部化学结构发生变化，物性发生变化，而未照射的不发生化学反应，活性不变。利用这一特性，采用溶解或剥离方法形成导电图形。
[0003]PCB板的图形转移过程需要通过专用设备在PCB板上进行镭射曝光，曝光出指定图案以作为图案曝光位置的标记；然后曝光设备通过图形识别镭射标靶位置，从而进行下一步曝光工序。
[0004]目前，电路板的电路细度最小可达20微米以内，因此，图形转移的识别精度对于PCB板的生产质量极为重要，提高识别精度即为PCB生产的关键步骤之一。

技术实现思路

[0005]为了解决上述问题，本专利技术提供一种基于深度学习的PCB本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的PCB板镭射标靶识别方法，其特征在于，具体按照如下步骤实施：S1，预制镭射标靶图案；S2，对所述S1中的镭射标靶图案进行图像采集，得到灰度图；S3，采用深度学习对所述S1中的图案进行镭射区域的标注，并根据所述S2中的灰度图对标注的镭射区域进行预处理；S4，对预处理后的镭射区域进行精确定位；S5，根据所述S4中精确定位的结果，将镭射标靶图案转移至PCB板上。2.根据权利要求1所述的一种基于深度学习的PCB板镭射标靶识别方法，其特征在于，所述S1中预制镭射标靶图案，具体为：S11，预制光学掩膜版；S12，激光光束通过所述S11中的光学掩膜版射在覆感光膜的PCB板的四个角上，生成镭射标靶图案。3.根据权利要求2所述的一种基于深度学习的PCB板镭射标靶识别方法，其特征在于，所述S2中对所述镭射标靶图案进行图像采集，得到灰度图，具体为：将已生成镭射标靶图案的PCB板传送至曝光设备，位于曝光设备上的工业相机通过导轨移动至镭射标靶位置进行图像采集，并将图像的位置数据及图像数据发送至曝光设备的工业计算机中；所述工业计算机对图片进行去噪处理，去除图像中的多余噪点；将去除噪点之后的图像分解出灰度图。4.根据权利要求1-3任一项所述的一种基于深度学习的PCB板镭射标靶识别方法，其特征在于，所述S3中采用深度学习对所述S1中的图案进行镭射区域的标注，并根据所述S2中的灰度图对标注的镭射区域进行预处理，具体为：S31，根据灰度图像素点的灰度值对深度学习预处理模块标注出的镭射标靶所在区域进行计算，得到数组A；S32，生成深度学习训练所需的格式化训练数据集；S33，根据所述S32中的格式化训练数据集对网络权重及偏差进行调整，输出可对镭射标靶定位的深度学习网络；S34，通过所述S33中的深度学习网络对镭射标靶的坐标位置及大小参数进行检测，得到镭射标靶在图像中的区域及定位，完成预处理。5.根据权利要求4所述的一种基于深度学习的PCB板镭射标靶识别方法，其特征在于，所述S4中对预处理后的镭射区域进行精确定位，具体为：S41，以正方形截取光学掩模版设计图案，设计图案中具有纹路的部分与正方形面积比值记为r1％；S42，以矩形截取镭射标靶图像；S43，对镭射标靶图像所在矩阵进行轮廓提取处理，轮廓提取后对轮廓进行填充，将图像分割成镭射标靶区域area1以及非镭射标靶区域area2，area1区域面积与截取镭射标靶图像的矩阵面积之比记为r2％；S44，轮廓提取对灰度值进行参数调节，使轮廓提取出的区域大小可根据灰度值大小动
态调整，在镭射标靶区域面积达到固定大小时，即可确定轮廓提取完...

【专利技术属性】
技术研发人员：王业率，宋建华，何鹏，张龑，
申请(专利权)人：湖北大学，
类型：发明
国别省市：