【技术实现步骤摘要】
本专利技术涉及一种覆铜板产线的在线检测方法，尤其是一种覆铜板产线在线缺陷检测方法、装置、存储介质及产品。
技术介绍
1、覆铜板是pcb制造的上游核心材料，是将电子玻纤布或其它增强材料浸以树脂，一面或双面覆以铜箔并经热压而制成的一种板状材料。它约占pcb生产成本的20%～40%，与pcb具有较强的相互依存关系。
2、覆铜板在生产过程中，基材（半固化片）会有杂质、鱼目、条纹、凸粒缺陷，而板材会有亮凹、刮伤、皱褶、凸起等多种缺陷。目前采用ccd技术进行初测，对再由现场检验人员进行复检，目前普遍采用机器视觉检测技术，通过机器视觉，误检率较高，严重影响车间的产能。
技术实现思路
1、为解决上述传统相机检测覆铜板会产生较大的误检率，导致后期增加人工复检工序，效率较低且产能不足的问题，本专利技术提供一种覆铜板产线在线缺陷检测方法，具体技术方案为：
2、一种覆铜板产线在线缺陷检测方法，包括以下步骤：
3、步骤1、图像高速采集，在检测工位安装若干不同角度的偏振镜和线阵相机模组，所述线阵相机模组结合产线编码器对流转到检测工位的覆铜板进行高频图像采集；
4、步骤2、图像融合与处理，通过位置信息对图像进行融合，融合时采用前后帧图像移动平均滤波算法对噪声进行过滤，同时将所有帧平均得到平均图像，将所述平均图像重新标注数据；
5、步骤3、使用mask-rcnn算法模型识别覆铜区域；
6、步骤4、使用ssd算法模型识别缺陷；
7、
8、步骤6、是否超过阈值，若超过则进入步骤7，否则返回步骤4；
9、步骤7、记录缺陷信息与位置；
10、步骤8、是否检测完成，若检测完成则进入步骤9，否则返回步骤4；
11、步骤9、平整评估。
12、优选的，所述步骤1中图像采集速率大于覆铜板运行速度10倍以上。
13、优选的，所述步骤2中所述移动平均滤波算法：
14、；
15、式中，是t帧时刻的像素点值通过t时刻前后各t帧图像移动平均滤波得到的像素点值；
16、是t’刻的像素点值；
17、t 表示移动平均滤波所取的帧数。
18、优选的，所述步骤3中，通过产线控制器获取覆铜板的尺寸得出被测覆铜板模板，并对覆铜板边缘图片的数据集进行训练得到mask-rcnn算法模型，包括以下步骤：
19、步骤3.1、收集覆铜板边缘图片，使用labelimage图像标注工具手动标注覆铜板区域，并沿着边缘轮廓区域手工锚点，通过图像旋转、平移、裁剪、模糊的方式对数据集进行扩增，并将数据集分为测试集和训练集；
20、3.2、搭建mask-rcnn卷积神经网络，使用fpn结构获得多尺度的特征映射作为区域生成网络的输入，生成锚框，进行分类、矩形框定位，最后获得目标实例的二值掩码mask，其中，主干网络选用resnet-101网络结构；
21、3.3、设置模型初始超参数、迭代次数，设置迭代次数为5000~10000次，参数更新方式为小批量梯度下降法；每次迭代模型对该批图像进行一次计算，通过损失函数的loss值向前反馈和计算超参数差值，对模型的超参数进行更新；
22、其中损失函数：
23、
24、式中：mask为模板；
25、mae为计算模板与采样的覆铜板图像平均绝对值误差，约束项为偏移量图的平滑；
26、tv(offset)为约束项，是采用去噪平滑的 tv 算法；
27、offset 是损失函数中的偏移量集。
28、3.4、使用已经标注的覆铜板区域数据集，输入到mask-rcnn算法模型中进行训练，并在训练过程中调整学习率；
29、3.5 分别在迭代次数达到5000次、10000次、15000次时保存mask-rcnn模型，根据准确率、损失指标，得到训练好的mask-rcnn算法模型。
30、进一步的，所述使用mask-rcnn算法模型识别覆铜区域时包括以下步骤：
31、3.6、所述步骤2得到图像输入到mask-rcnn算法模型的主干网络resnet-101中，产生不同尺寸的feature map；
32、3.7、在候选区域生成rpn网络，在所有不同尺寸的feature map上生成覆铜板候选区域roi，并生成候选区域的置信度，对置信度进行非极大值抑制nms操作，得出最终的覆铜板候选区域；
33、3.8、任何一个覆铜板候选区域经过roi池化层映射到feature map相应位置上，将roi区域进行roialign操作得到固定尺寸的特征图，然后对每个输入的特征图通过全连接层提取一个固定维度的特征向量；
34、3.9、先将feaure map输入到softmax分类层，判断目标是否是覆铜板区域，然后输入到边界回归层，实现roi坐标的预测功能，最后输入到mask生成层，对每一个roi特征图进行fcn全卷积神经网络操作，得到分割后的覆铜板轮廓区域。
35、优选的，所述步骤4中使用ssd算法模型识别缺陷时包括以下步骤：
36、4.1、收集表面缺陷图片，用软件labelimage手动标注，并采用图像平移、旋转、镜像、裁剪、模糊处理方式对数据集进行扩增，将数据集分为训练集和测试集；
37、4.2、搭建ssd算法模型，ssd采用锚点机制候选框，检测在多个特征图上同时进行softmax分类和位置分类；
38、4.3、使用已经标注的缺陷数据集，输入到构建后的ssd算法模型中进行训练，并在训练过程中调整学习率；
39、4.4、分别在迭代次数达到10000次、20000次、30000、40000次时保存ssd模型，根据准确率、精确率、召回率得到训练后的ssd算法模型；
40、4.5、使用训练后的ssd算法模型进行缺陷元素检测，获得缺陷的位置坐标，图片流缺陷检测结果按x、y、w、h四元组进行聚类，同类结果检测置信度相加，检测框取均值；
41、4.6、检测结果应用非极大值抑制算法，合并交并比超出阈值的缺陷，检测框取并集，剔除置信度小于阈值的缺陷，剩余缺陷即为最终检测结果。
42、优选的，所述步骤5中当覆铜板全部运动出检测区域时，统计该板的缺陷数量及面积，评估出该板的品质，并向数据库中记录称重异常信息。
43、一种覆铜板产线在线缺陷检测方法的装置，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现上述一种覆铜板产线在线缺陷检测方法的步骤。
44、一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现上述一种覆铜板产线在线缺陷检测方法的步骤。
45、一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处本文档来自技高网...
【技术保护点】
1.一种覆铜板产线在线缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种覆铜板产线在线缺陷检测方法，其特征在于，
3.根据权利要求1所述的一种覆铜板产线在线缺陷检测方法，其特征在于，
4.根据权利要求1所述的一种覆铜板产线在线缺陷检测方法，其特征在于，
5.根据权利要求4所述的一种覆铜板产线在线缺陷检测方法，其特征在于，
6.根据权利要求1所述的一种覆铜板产线在线缺陷检测方法，其特征在于，
7.根据权利要求1所述的一种覆铜板产线在线缺陷检测方法，其特征在于，
8.一种覆铜板产线在线缺陷检测方法的装置，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1所述一种覆铜板产线在线缺陷检测方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1所述一种覆铜板产线在线缺陷检测方法的步骤。
10.一种计算机程序产品，包括计算机程序/指令，其特征
...【技术特征摘要】
1.一种覆铜板产线在线缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种覆铜板产线在线缺陷检测方法，其特征在于，
3.根据权利要求1所述的一种覆铜板产线在线缺陷检测方法，其特征在于，
4.根据权利要求1所述的一种覆铜板产线在线缺陷检测方法，其特征在于，
5.根据权利要求4所述的一种覆铜板产线在线缺陷检测方法，其特征在于，
6.根据权利要求1所述的一种覆铜板产线在线缺陷检测方法，其特征在于，
7.根据权利要求1所述的一种覆铜板产线在线缺陷检测方法，其...
【专利技术属性】
技术研发人员：周飞，
申请(专利权)人：无锡宏仁电子材料科技有限公司，
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。