【技术实现步骤摘要】
本专利技术属于光学检测，具体地说是一种基于深度学习的aoi检测方法与系统。
技术介绍
1、自动光学检测aoi是一种广泛应用于电子制造行业的视觉检测技术，通过有效识别制造过程中的缺陷来提高产品质量。该技术结合了先进的光学器件、相机和图像处理功能来进行检查。aoi以其速度和精度而闻名，这使其在汽车、消费电子和医疗设备制造等各个行业中发挥着重要作用，有助于维持高质量标准。
2、公开号为cn115482194a的一项中国专利申请公开了一种pcb板的异型元件aoi缺陷检测方法与系统，包括：s1、拍取待测pcb板的图像；s2、将拍取的待测pcb板图像中各个部件的图像分别与预存的各个部件的标准模板图像进行对比，根据对比结果来检测待测pcb板的各个部件是否合格，检测过程中，依次判断pcb板的电容、连接器、晶振、排针及端子排是否合格；s3、根据拍取的pcb板的板面图像，对pcb板板面进行缺陷检测，判断pcb板的板面是否合格；s4、若步骤s2与步骤s3中检测均合格则将pcb板送至合格区，否则反馈pcb板不合格的类型，再将pcb板送至不合格区。
3、现有技术中，只通过aoi缺陷检测方法对产品进行检测，没有考虑到aoi检测系统存在的误判性，若aoi系统以及系统中的算法没有进行不断地优化，则无法满足不同的检测需求且误判率会不断提高，严重影响对产品的检测。
4、为此，本专利技术提供一种基于深度学习的aoi检测方法与系统。
技术实现思路
1、为了弥补现有技术的不足，解决背景技
2、本专利技术解决其技术问题所采用的技术方案是：一种基于深度学习的aoi检测方法，包括：
3、步骤一：获得aoi系统中记录的产品的检测数据，基于检测数据获得不良率参数，利用人工复检方式获得实际不良率参数，基于不良率参数与实际不良率参数计算aoi系统的检测误判率，基于人工复检后的产品缺陷类型分布情况信息以及aoi系统检测的产品缺陷类型的分布情况信息，在x-y坐标系内构建关于产品缺陷类型的分布折线图，基于分布折线图获得aoi系统的缺陷类型误判率，根据获得的aoi系统的检测误判率以及aoi系统的缺陷类型误判率，计算获得aoi系统的整体误判表征值，并判定aoi系统的整体误判程度，并基于误判程度对训练集数据进行选取，将训练集数据作为输入数据对aoi系统所具有的神经网络模型进行训练，再次利用训练后的aoi系统再次对产线产品进行检测，并重新分析aoi系统的误判程度，若aoi系统的误判程度不满足标准，则重复对aoi系统所具有的神经网络模型进行训练，直到aoi系统经过深度学习之后，能够达到符合标准的误判程度为止；
4、步骤二：基于步骤一获得aoi系统深度学习的次数，判定aoi系统包含的采集图像系统是否具有问题的疑似性进行判定，并对疑似性较高的aoi系统包含的采集图像系统，获取其镜头分辨率、光源亮度参数以及光源角度参数，并计算其拍摄参数，并基于拍摄参数判定aoi系统包含的采集图像系统是否正常；
5、步骤三：基于获得的拍摄参数以及aoi系统的整体误判程度表征值构建关系变化折线图，根据关系变化折线图对拍摄参数与aoi系统的整体误判程度表征值之间的关系进行判定，并基于判定结果对检测产品时，aoi系统的拍摄参数进行选取。
6、作为本专利技术进一步的技术方案为：所述检测数据包括图像数据和缺陷数据，利用aoi系统对采集到的图像数据和缺陷数据进行统计分析，生成统计数据，基于统计数据中不良品的数量信息计算产线产品中的不良率参数。
7、作为本专利技术进一步的技术方案为：利用人工复检方式获得实际不良率参数，利用人工对aoi系统在检测周期内检测的产线产品进行复检，重新获得产线产品中的不良品数量，基于重新获得的产线中的不良品数量计算产线产品中的实际不良率参数。
8、作为本专利技术进一步的技术方案为：基于不良率参数与实际不良率参数计算aoi系统的检测误判率，将获得的产线产品的不良率参数以及实际不良率参数进行做差值处理，获得aoi系统的检测误判率。
9、作为本专利技术进一步的技术方案为：基于分布折线图获得aoi系统的缺陷类型误判率，包括：
10、获得人工复检后的产品缺陷类型分布情况信息并结合aoi系统检测的产品缺陷类型的分布情况信息在x-y坐标系内构建关于产品缺陷类型的分布折线图，具体地，将所有产品数量的标记点进行直线连接，获得两条产品缺陷类型的分布折线；
11、其中，一条为aoi系统检测的产品缺陷类型的分布折线，一条为人工复检的产品缺陷类型的分布折线；
12、将两条折线的端点进行对应连接，计算两条折线之间所围成的面积；
13、通过人工复检的产品缺陷类型的分布折线两端向x轴做垂线，计算人工复检的产品缺陷类型的分布折线与x轴所围成的面积；
14、将获得的两条折线之间所围成的面积与人工复检的产品缺陷类型的分布折线与x轴所围成的面积进行比值处理，获得aoi系统的缺陷类型误判。
15、作为本专利技术进一步的技术方案为：计算aoi系统的整体误判表征值，判定aoi系统的整体误判程度，并基于误判程度对训练集数据进行选取，具体包括：将获得的aoi系统的检测误判率标记为ai，将aoi系统的缺陷类型误判率标记为bi；
16、将获得的aoi系统的检测误判率ai以及aoi系统的缺陷类型误判率bi进行量化处理，取其值代入公式：获得aoi系统的整体误判表征值ci。
17、作为本专利技术进一步的技术方案为：判定aoi系统的整体误判程度，并基于误判程度对训练集数据进行选取，具体为：
18、预设aoi系统的整体误判表征值的阈值为di；
19、若aoi系统的整体误判表征值ci＜aoi系统的整体误判表征值的阈值di，则表示aoi系统的检测误判程度较低，且ci与di之间的差值越大，则表示aoi系统的检测误判程度越低；
20、若aoi系统的整体误判表征值ci≥aoi系统的整体误判表征值的阈值di，则表示aoi系统的检测误判程度较高，且ci与di之间的差值越大，则表示aoi系统的检测误判程度越高，其中，当aoi系统的整体误判表征值ci≥aoi系统的整体误判表征值的阈值di时，将误判的产品的图像数据以及缺陷数据作为训练集数据。
21、作为本专利技术进一步的技术方案为：获取其镜头分辨率、光源亮度参数以及光源角度参数，并计算其拍摄参数，并基于判定结果对检测产品时，aoi系统的拍摄参数进行选取，其过程为：将获得的镜头分辨率ei、光源亮度参数hi以及光源角度参数mi进行量化处理，取其值代入公式：li＝a×mi3+b×hi+c×ei2获得aoi系统包含的采集图像系统的拍摄参数li，其中，a、b、c为权重系数；
22、预设拍摄参数的阈值为oi；
23、若aoi系统包含的采集图像系统的拍摄参数li＜拍摄参数的阈值oi，则表示aoi系统包含的采集图像系统存在问题；
24、若ao本文档来自技高网...
【技术保护点】
1.一种基于深度学习的AOI检测方法，其特征在于：包括：
2.根据权利要求1所述的一种基于深度学习的AOI检测方法，其特征在于：所述检测数据包括图像数据和缺陷数据，利用AOI系统对采集到的图像数据和缺陷数据进行统计分析，生成统计数据，基于统计数据中不良品的数量信息计算产线产品中的不良率参数。
3.根据权利要求1所述的一种基于深度学习的AOI检测方法，其特征在于：利用所述人工复检方式获得实际不良率参数，利用人工对AOI系统在检测周期内检测的产线产品进行复检，重新获得产线产品中的不良品数量，基于重新获得的产线中的不良品数量计算产线产品中的实际不良率参数。
4.根据权利要求1所述的一种基于深度学习的AOI检测方法，其特征在于：基于所述不良率参数与实际不良率参数计算AOI系统的检测误判率，将获得的产线产品的不良率参数以及实际不良率参数进行做差值处理，获得AOI系统的检测误判率。
5.根据权利要求1所述的一种基于深度学习的AOI检测方法，其特征在于：基于所述分布折线图获得AOI系统的缺陷类型误判率，包括：
6.根据权利要求1所述的
7.根据权利要求1所述的一种基于深度学习的AOI检测方法，其特征在于：判定所述AOI系统的整体误判程度，并基于误判程度对训练集数据进行选取，具体为：
8.根据权利要求1所述的一种基于深度学习的AOI检测方法，其特征在于：获取所述其镜头分辨率、光源亮度参数以及光源角度参数，并计算其拍摄参数，并基于判定结果对检测产品时，AOI系统的拍摄参数进行选取，其过程为：将获得的镜头分辨率ei、光源亮度参数hi以及光源角度参数mi进行量化处理，取其值代入公式：li＝a×mi3+b×hi+c×ei2获得AOI系统包含的采集图像系统的拍摄参数l i，其中，a、b、c为权重系数；
9.根据权利要求1所述的一种基于深度学习的AOI检测方法，其特征在于：根据所述关系变化折线图对拍摄参数与AOI系统的整体误判程度表征值之间的关系进行判定，并基于判定结果对检测产品时，AOI系统的拍摄参数进行选取，包括：
10.一种基于深度学习的AO I检测系统，所述检测系统基于权利要求1-9任一项所述的方法，其特征在于：包括：
...【技术特征摘要】
1.一种基于深度学习的aoi检测方法，其特征在于：包括：
2.根据权利要求1所述的一种基于深度学习的aoi检测方法，其特征在于：所述检测数据包括图像数据和缺陷数据，利用aoi系统对采集到的图像数据和缺陷数据进行统计分析，生成统计数据，基于统计数据中不良品的数量信息计算产线产品中的不良率参数。
3.根据权利要求1所述的一种基于深度学习的aoi检测方法，其特征在于：利用所述人工复检方式获得实际不良率参数，利用人工对aoi系统在检测周期内检测的产线产品进行复检，重新获得产线产品中的不良品数量，基于重新获得的产线中的不良品数量计算产线产品中的实际不良率参数。
4.根据权利要求1所述的一种基于深度学习的aoi检测方法，其特征在于：基于所述不良率参数与实际不良率参数计算aoi系统的检测误判率，将获得的产线产品的不良率参数以及实际不良率参数进行做差值处理，获得aoi系统的检测误判率。
5.根据权利要求1所述的一种基于深度学习的aoi检测方法，其特征在于：基于所述分布折线图获得aoi系统的缺陷类型误判率，包括：
6.根据权利要求1所述的一种基于深度学习的aoi检测方法，其特征在于：计算所述...
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。