一种基于VGG深度卷积神经网络模型的焊点缺陷检测方法技术

本发明专利技术提供一种基于VGG深度卷积神经网络模型的焊点缺陷检测方法，在2D的AOI设备基础上，加入深度学习算法模型，结合大数据技术，训练3000余万个参数，扫描元件每一个像素点，之后通过卷积层分解图像判别而得到的。一个卷积层只检查图像某一特定区域，通过几十个卷积层叠加全方位检测图像的各个细节轮廓，然后传输到全连接层，进而把卷积层得到的不同部位图像检测结果综合分析，得出元件焊点好坏，并精确定位缺陷部位。通过深度学习开发的智能视觉检测系统，无需增加任何硬件设备，即可使2D设备的检测精度超过3D设备，即良品检出率达到90％以上，不良品检出率达到99.5％，不仅提高了工厂的生产效率，也节省了成本。也节省了成本。也节省了成本。

【技术实现步骤摘要】
一种基于VGG深度卷积神经网络模型的焊点缺陷检测方法


[0001]本专利技术涉及SMT产线炉后焊点表观缺陷检测
，具体为一种基于VGG深度卷积神经网络模型的焊点缺陷检测方法。

技术介绍

[0002]涉及焊点检测的电子贴片产线，无论是早期的人工制造，还是自动化生产，都会由于各种原因，如波峰焊或回流焊受热不均产生不良品。这些不良品不能流出产线，否则会造成无法估量的损失。因此，工厂都会在每条产线后端配备专业的检验人员，通过目视检测元件焊点是否存在不良。然而，由于长时间高负荷工作和工厂内部的密闭环境，很容易导致人疲劳，不少不良品因为人员的失误而流出。
[0003]为了取代人工，十年来，不少自动化设备制造商使用图像模板匹配的方式代替人工检测焊点缺陷，并开始研发自动视觉检测。然而，当前的自动视觉检测设备是基于传统图像模式识别的原理进行的，虽然采用灰度对比的方式能够检测出部分缺陷，但是真实的生产环境中，由于受热的不均匀和生产流程的偏差，许多良品都会有或多或少的颜色分布不一，或存在外形差异。这些用人眼很好判别的正常差异，却是自动视觉检测设备无法处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于VGG深度卷积神经网络模型的焊点缺陷检测方法，其特征在于，包括如下步骤：S1：使用原有的在线检测2D
‑
AOI设备判定为合格品的图片和人工对不良品复检判定为真实不良品的图片构成正负样本集，进行模型训练；S2：所使用的深度卷积神经网络为VGG类型14层模型，含11层卷积和3层全连接，其中在卷积层后使用max pooling函数进行池化处理。2.根据权利要求1所述的一种基于VGG深度卷积神经网络模型的焊点缺陷检测方法，其特征在于，所述步骤S1具体包括：S11：首先将2D
‑
AOI设备判定为合格品的图片标为“1”，2D
‑
AOI设备判定为不良品，且人工复检认定为不良品的标为“0”；S12：构建14层VGG深度卷积网络针对合格品和不良品正负样本进行针对性训练，学习焊锡表观瑕疵品特征；S13：以Mean Square Error作为损失函数进行拟合，选择最小化损...

【专利技术属性】
技术研发人员：蔡博文，
申请(专利权)人：上海夏数智能科技有限公司，
类型：发明
国别省市：