【技术实现步骤摘要】
本申请涉及智能生产，且更为具体地，涉及一种高多层精密板生产加工系统及其方法。
技术介绍
1、多层pcb在通讯、电力、计算机周边等领域中做为“核心主力”，产品功能越来越多，线路越来越密集，那么相对的，生产难度也越来越大。高多层线路板的生产不仅需要较高的技术和设备投入，更需要有经验的生产技术人员。
2、随着pcb板向高层次、高精密度的发展，其层间对位精度要求也越来越严格。由于菲林受车间环境温湿度的影响会有涨缩，芯板生产出来同样会有涨缩，在不同的芯板在相互叠合生产中，芯板与芯板之间易发生错位现象。
3、因此，期待一种高多层精密板生产加工系统及其方法，可以对多层pcb板的层偏量进行检测。
技术实现思路
1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种高多层精密板生产加工系统及其方法，其利用卷积神经网络、非局部神经网络和注意力机制等深度学习技术，来提取多层pcb板的x-ray层偏检测图像中的特征信息，并利用解码器来解码该多层pcb板的层偏量。这样，可以有效地检测和量化多层pcb板的层偏现象，并提高层偏检测的准确性和精度。
2、相应地，根据本申请的一个方面，提供了一种高多层精密板生产加工系统，其包括：
3、图像采集模块，用于获取压合完成后的多层pcb板的x-ray层偏检测图像；
4、图像预处理模块，用于对所述x-ray层偏检测图像进行直方图均衡化预处理和clahe校正颜色以得到优化x-ray层偏检测图像；
6、特征增强模块，用于将所述优化x-ray层偏特征图通过非局部神经网络模型以得到增强x-ray层偏特征图；
7、双向注意力模块，用于将所述增强x-ray层偏特征图通过双向注意力机制模型以得到解码特征图；
8、强化模块，用于对所述解码特征图进行特征值量化分布特征的自相关强化以得到强化解码特征图；
9、检测结果生成模块，用于将所述强化解码特征图通过解码器进行解码回归以得到解码值，所述解码值用于表示该多层pcb板的层偏量。
10、在上述高多层精密板生产加工系统中，所述图像预处理模块，包括：均衡化处理单元，用于对x-ray层偏检测图像进行直方图均衡化预处理以将所述x-ray层偏检测图像通过变换函数映射为像素分布均匀的图像以得到预处理后图像；校正颜色单元，用于对所述预处理后图像进行clahe校正颜色以得到所述优化x-ray层偏检测图像。
11、在上述高多层精密板生产加工系统中，所述图像特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型以如下卷积公式对所述优化x-ray层偏检测图像进行处理以得到所述优化x-ray层偏特征图；
12、其中，所述卷积公式为：
13、fi＝gp{sigmoid(ni×fi-1+bi)}
14、其中，fi-1为第i层卷积神经网络模型的输入，fi为第i层卷积神经网络模型的输出，ni为第i层卷积神经网络模型的过滤器，且bi为第i层卷积神经网络模型的偏置矩阵，sigmoid表示非线性激活函数，且gp表示对特征图的各个特征矩阵进行局部特征池化操作。
15、在上述高多层精密板生产加工系统中，所述特征增强模块，包括：点卷积单元，用于将所述优化x-ray层偏特征图分别输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；第一融合单元，用于计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；归一化单元，用于将所述中间融合特征图输入softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；第二融合单元，用于计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；全局感知单元，用于将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局相似特征图；通道数调整单元，用于将所述全局相似特征图通过所述非局部神经网络的第四点卷积层以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图；第三融合单元，用于计算所述通道调整全局相似特征图和所述优化x-ray层偏特征图的按位置加权和以得到所述增强x-ray层偏特征图。
16、在上述高多层精密板生产加工系统中，所述双向注意力模块，包括：矩阵化单元，用于对所述增强x-ray层偏特征图进行沿通道维度的全局均值池化以得到全局池化特征矩阵；双向池化单元，用于将所述全局池化特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量；双向关联单元，用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵；权重生成单元，用于将所述双向关联矩阵输入sigmoid激活函数以得到双向关联权重矩阵；权重施加单元，用于计算所述双向关联权重矩阵和所述增强x-ray层偏特征图的沿通道维度的各个特征矩阵之间的按位置点乘以得到所述解码特征图。
17、在上述高多层精密板生产加工系统中，所述强化模块，包括：特征压榨单元，用于将所述解码特征图通过基于卷积层的特征压榨模块以得到压榨解码特征图；特征激励单元，用于将所述压榨解码特征图通过基于反卷积层的特征激励模块以得到激励解码特征图；余弦相似度计算单元，用于计算所述激励解码特征图的每两个像素位置的通道特征向量之间的余弦相似度以得到解码特征自相关矩阵；归一化单元，用于将所述解码特征自相关矩阵通过softmax函数以对所述解码特征自相关矩阵进行归一化以得到自相关类注意力关注矩阵；强化单元，用于利用所述自相关类注意力关注矩阵对所述激励解码特征图中任意两个像素点之间的关系进行建模以得到所述强化解码特征图。
18、在上述高多层精密板生产加工系统中，所述强化单元，用于：以如下强化公式进行所述自相关类注意力关注矩阵对所述激励解码特征图中任意两个像素点之间关系的建模以得到关联特征映射后的所述强化解码特征图；其中,所述强化公式为:其中，s表示所述自相关类注意力关注矩阵，f1表示所述激励解码特征图，w表示可学习的参数矩阵，表示矩阵相乘，f2表示关联特征映射后的所述强化解码特征图。
19、在上述高多层精密板生产加工系统中，所述检测结果生成模块，用于：使用所述解码器以如下解码公式对所述强化解码特征图进行解码回归以获得所述解码值；其中，所述解码公式为：其中f2是所述强化解码特征图，y是所述解码值，m是权重矩阵，表示矩阵相乘。
20、根据本申请的另一个方面，提供了一种高多层精密板生产加工方法，其包括：
21、获取压合完成后的多层pcb板的x-ray层偏检测图像；
22、对所述x-ray层偏检测图像进行直方图均衡化预处理和clahe校正颜色以得到优化x-ray层偏检测图像；
【技术保护点】
1.一种高多层精密板生产加工系统，其特征在于，包括：
2.根据权利要求1所述的高多层精密板生产加工系统，其特征在于，所述图像预处理模块，包括：
3.根据权利要求2所述的高多层精密板生产加工系统，其特征在于，所述图像特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型以如下卷积公式对所述优化X-Ray层偏检测图像进行处理以得到所述优化X-Ray层偏特征图；
4.根据权利要求3所述的高多层精密板生产加工系统，其特征在于，所述特征增强模块，包括：
5.根据权利要求4所述的高多层精密板生产加工系统，其特征在于，所述双向注意力模块，包括：
6.根据权利要求5所述的高多层精密板生产加工系统，其特征在于，所述强化模块，包括：
7.根据权利要求6所述的高多层精密板生产加工系统，其特征在于，所述强化单元，用于：以如下强化公式进行所述自相关类注意力关注矩阵对所述激励解码特征图中任意两个像素点之间关系的建模以得到关联特征映射后的所述强化解码特征图；其中,所述强化公式为:
8.根据权利要求7所述的高多层精密板生产加工
9.一种高多层精密板生产加工方法，其特征在于，包括：
10.根据权利要求9所述的高多层精密板生产加工方法，其特征在于，对所述X-Ray层偏检测图像进行直方图均衡化预处理和CLAHE校正颜色以得到优化X-Ray层偏检测图像，包括：
...【技术特征摘要】
1.一种高多层精密板生产加工系统，其特征在于，包括：
2.根据权利要求1所述的高多层精密板生产加工系统，其特征在于，所述图像预处理模块，包括：
3.根据权利要求2所述的高多层精密板生产加工系统，其特征在于，所述图像特征提取模块，用于：使用所述作为过滤器的卷积神经网络模型以如下卷积公式对所述优化x-ray层偏检测图像进行处理以得到所述优化x-ray层偏特征图；
4.根据权利要求3所述的高多层精密板生产加工系统，其特征在于，所述特征增强模块，包括：
5.根据权利要求4所述的高多层精密板生产加工系统，其特征在于，所述双向注意力模块，包括：
6.根据权利要求5所述的高多层精密板生产加工系统，其特征在于，所述强化模块，包括：
7.根据权利要求6所述的高多层精密板生...
【专利技术属性】
技术研发人员：陈星，谢桃女，
申请(专利权)人：江西威尔高电子股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。