锡膏印刷品质检测方法、数据处理装置及计算机存储介质与流程

本发明涉及产品检测领域，尤其涉及一种锡膏印刷品质检测的方法、数据处理装置及计算机存储介质。

背景技术：

目前，通常使用锡膏检查机(solderpasteinspection，spi)对印刷完毕的电路板(pcb)上的锡膏印刷品质进行检测，然而，spi检测的误测率均较高，检测不良率较高，需由人工进行复判。在人工复判时，需对照pcb实物、spi检测数据和图片，再结合人工的个人经验进行判定，由于印刷品质不良现象比较杂，如无锡、高度偏低、少锡面积、偏小、连锡、多锡、偏位等，需要检测的数据多，如零件位置、面积、高度、体积、偏移等，且人工经验不一致，导致耗人耗时且检测结果不精准。

技术实现要素：

有鉴于此，有必要提出一种锡膏印刷品质检测的方法、数据处理装置及计算机存储介质，以解决此问题。

本发明的第一方面提出一种锡膏印刷品质检测方法，包括以下步骤：

获取实时测试数据，所述实时测试数据包括锡膏印刷品质检测的测试数值和测试图片中的一种或多种；

对所述实时测试数据进行预处理，所述预处理包括提取所述测试数值的关键参数或所述测试图像的图像数据，并将所述实时测试数据进行标准化；

判断所述实时测试数据的类型，依据所述实时测试数据的类型调用相应的检测数据模型，将所述实时测试数据输入到相应的所述检测数据模型中，得到锡膏印刷品质的判定结果。

进一步地，还包括建立所述检测数据模型的方法，包括以下步骤：

获取历史测试数据；

依据所述历史测试数据，确定所述检测数据模型对应的算法；

将所述历史测试数据进行特征工程处理，确定关键参数；

利用所述历史测试数据构建和训练检测数据模型。

进一步地，所述历史测试数据包括测试数值、测试图像、测试原理以及产业领域知识。

进一步地，所述算法包括随机森林算法和卷积神经网络算法。

进一步地，所述检测数据模型包括基于随机森林算法的检测数据模型和基于卷积神经网络算法的检测数据模型。

进一步地，当所述实时测试数据为测试数值时，调用基于随机森林算法的检测数据模型，当测试数据为测试图像时，调用基于卷积神经网络算法的检测数据模型，当所述实时测试数据同时包括测试数值和测试图像，同时调用基于随机森林算法的检测数据模型和基于卷积神经网络算法的检测数据模型，其中，测试数值的判定结果来自于基于随机森林算法的检测数据模型的输出，测试图像的判定结果来自于基于卷积神经网络算法的检测数据模型的输出。

进一步地，在得到判定结果之后，所述方法还包括步骤：分析产品优良概率和不良概率，统计分析不良产品的原因并输出统计报告。

进一步地，在分析反馈判定结果之后，所述方法还包括步骤：

当判定结果出现异常时，启动报警流程，所述报警流程包括声光报警或者短信报警。

本发明的第二方面提供一种数据处理装置，包括处理器及存储器，所述处理器用于执行所述存储器中存储的计算机程序时实现上述的锡膏印刷品质检测的方法。

本发明的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的锡膏印刷品质检测的方法。

本发明提供了一种基于锡膏印刷检测的方法，包括以下步骤，获取实时测试数据，对所述实时测试数据进行预处理，判断所述实时测试数据的类型，依据所述实时测试数据的类型调用相应的检测数据模型，将所述实时测试数据输入到相应的所述检测数据模型中，得到锡膏印刷品质的判定结果。本发明能够提升锡膏印刷品质检测的效率和准确度，克服了在现有人工检测中的耗人耗时且不精准等问题。

附图说明

图1为本发明一实施方式中的数据处理装置的结构示意图。

图2为本发明一实施方式中的锡膏印刷品质检测数据模型的建立方法的流程图。

图3为本发明一实施方式中的锡膏印刷品质检测方法的流程图。

图4为本发明一实施方式中的锡膏印刷品质检测系统的结构示意图。

主要元件符号说明

如下具体实施方式将结合上述附图进一步说明本发明。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

请参照图1，图1为本发明提供之一种实施方式中的数据处理装置1的结构示意图。所述数据处理装置1包括处理器10、存储器20及通信单元40。所述存储器20及所述通信单元40分别与所述处理器10电性连接。所述数据处理装置1与至少一个数据采集装置2通信连接。所述数据采集装置2用于收集锡膏印刷品质检测的测试数值和测试图像。本实施方式中，所述数据采集装置2为锡膏检查机(spi)。

所述处理器10可以是中央处理器(centralprocessingunit，cpu)、数字信号处理器或者单片机等，适于实现各指令。

所述存储器20可用于存储计算机程序和/或模块/单元，所述处理器10通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单元，以及调用存储在存储器20内的数据，实现所述数据处理装置1的各种功能。所述存储器20可以是，但并不限于，只读存储器(read-onlymemory，rom)、随机存储器(randomaccessmemory，ram)、可编程只读存储器(programmableread-onlymemory，prom)、可擦除可编程只读存储器(erasableprogrammableread-onlymemory，eprom)、一次可编程只读存储器(one-timeprogrammableread-onlymemory，otprom)、电子擦除式可复写只读存储器(electrically-erasableprogrammableread-onlymemory，eeprom)、只读光盘(compactdiscread-onlymemory，cd-rom)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

所述通信单元40用于与所述数据采集装置2建立通信连接。所述通信单元40可为有线通信单元或无线通信单元。

本领域技术人员可以理解，所述示意图仅仅是数据处理装置1的示例，并不构成对数据处理装置1的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述数据处理装置1还可以包括输入输出设备、网络接入设备、总线等。

参阅图2所示，是本发明实施例提供的检测数据模型的建立方法的的流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。

步骤s201中，获取历史测试数据。

本实施方式中，历史测试数据包括锡膏检查机(spi)输出的测试数值、测试图片及经过复判验证的判定结果。

步骤s202中，依据历史测试数据，确定检测数据模型对应的算法。

由于锡膏印刷品质的检测结果为pass或者fail，属于典型的分类问题，并且随机森林算法泛化能力良好，泛化误差较小，检测判断的准确率较高，因此，在本实施方式中，建立检测数据模型的核心算法确定为随机森林算法。

对于连锡、偏位、多锡不良等锡膏印刷的质量问题，测试数据多为测试图像，基于随机森林算法建立的数据模型无法实现预期判定效果，而卷积神经网络算法长期以来是图像识别领域的核心算法之一，并在大量学习数据时有稳定的表现，因此基于卷积神经网络算法建立的数据模型可以根据测试数据，在卷积层提取图像特征，在池化层降低图像分辨率简化运算，在归一化指数层输出图像分类概率，得出判定结果，因此，在本实施方式中，该数据模型的核心算法还包括卷积神经网络算法。

步骤s203中，将历史测试数据进行特征工程处理，提取关键参数。

特征工程处理输入的数据不仅包括测试结果判定相关的原理、锡膏检查机(spi)输出的测试图像和测试数值，还包括产业领域知识(domainknow)，例如，经验员工的个人判定经验。

测试数据经过特征工程的处理，生成了用于模型训练的样本数据集，机器学习使用大量的数据训练，通过步骤s202确定的算法解析数据，从中自学习，对真实判定检测问题进行决策和预测，然后选择最终的关键参数。

步骤s204中，利用历史测试数据训练构建检测数据模型。

按照步骤s202确定的算法构建检测数据模型，并以步骤s203提供的关键参数为输入，对检测数据模型进行锡膏印刷品质检测判定训练，为了提高品质检测判定的准确度，需要基于提供的关键参数对模型进行数据训练，经过数据训练的数据模型的精准度能够更为精确。最后基于判定结果确定检测数据模型。

本实施例中，检测数据模型包括基于随机森林算法建立的检测数据模型和基于卷积神经网络算法建立的检测数据模型。

本实施例中，对测试数据进行分类，分为测试数值和测试图像，当测试数据为测试数值，调用基于随机森林算法的检测数据模型，当测试数据为测试图像，调用基于卷积神经网络算法的检测数据模型。

可以理解，在其他实施例中，在步骤s202之前，对所述测试相关数据进行预处理，基于测试原理对于测试数据进行标准化处理，得到标准化的特征向量。

可以理解，在其他实施例中，由于数据类型的多样性，确定的核心算法可以为多个，进而建立多个数据模型，针对不同数据类型的检测判定，选择相应的数据模型。

参阅图3所示，是本发明实施例提供的锡膏印刷品质检测方法的流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。

步骤s301，获取实时测试数据。

数据处理装置1通过至少一个数据采集装置2来获取实时测试数据，并将实时测试数据存储在存储器20中。

在本实施方式中，实时测试数据包括锡膏检查机(spi)输出的测试图像和测试数值中的一种或两种。

步骤s302，对实时测试数据进行预处理。

本实施方式中，所述预处理是基于测试原理对于实时测试数据进行标准化处理，得到标准化的特征向量，获得测试数值的关键参数，以及获得测试图像的图像数据。

步骤s303，判断实时测试数据的类型，依据实时测试数据的类型调用相应的检测数据模型，将实时测试数据输入到相应的检测数据模型中，得出判定结果。

在本实施方式中，该步骤具体包括：

首先，对实时测试数据进行分类，判断实时测试数据的类型；其中实时测试数据的类型为测试数值或/及测试图像。

其次，依据实时测试数据的类型调用相应的检测数据模型。

具体地，当输入的实时测试数据为测试数值时，调用基于随机森林算法建立的检测数据模型进行判定；

当输入的实时测试数据为测试图像时，调用基于卷积神经网络算法建立的检测数据模型进行判定；

当输入的实时测试数据同时包括测试数值和测试图像时，分别调用基于随机森林算法建立的检测数据模型和基于卷积神经网络算法建立的检测数据模型。根据两个检测数据模型在实际应用中对特定的测试数据的判定的优劣，选择表现较好的检测数据模型，并把该检测数据模型输出的判定结果作为该测试数据的最终的判定结果，所述判定结果为锡膏印刷品质合格或不合格。

步骤s304，分析产品优良概率和不良概率，统计分析不良产品的原因并输出统计报告。

根据判定结果，收集产品不良的数据，分析产品优良概率和不良概率，并输出分析统计报告，为后续品质提升提供数据支持。

可以理解，在其他实施方式中，步骤s304之后还包括步骤：当判定结果出现异常时，如失败率或不良率大幅度异常提升，启动报警流程，提醒工作人员锡膏印刷机器可能发生故障，所述报警流程包括声光报警或者短信报警。

本实施例中，数据处理装置1中运行有锡膏印刷品质检测系统100，根据其所执行的功能，可以被划分为多个功能模块。参阅图4所示，所述多个功能模块可以包括：数据获取模块101、数据预处理模块102、数据建模模块103、判定模块104以及分析反馈模块105。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。

所述数据获取模块101用于通过至少一个数据采集装置2来获取测试数据，包括历史测试数据和实时测试数据，并将测试数据存储在存储器20中。所述测试数据包括测试数值和测试图片中的一种或多种。

所述数据预处理模块102用于将测试数据转化为标准化的参数，可以作为检测数据模型的输入值。在本实施方式中，所述数据预处理模块用于提取所述测试数据中的测试数值的关键参数或测试图像的图像数据，并将所述实时测试数据进行标准化。

所述数据建模模块103用于利用数据建模方法建立判定测试结果的检测数据模型。在本实施方式中，所述检测数据模型包括基于随机森林算法建立的检测数据模型和基于卷积神经网络算法建立的检测数据模型。

所述判定模块104用于调用检测数据模型，对实时测试数据进行检测判定，得到判定结果。

所述判定模块104还用于对实时测试数据进行分类，并依据实时测试数据的类型调用相应的检测数据模型。

所述分析反馈模块105用于对判定结果进行分析，得到并输出分析反馈报告。

如图1所示，所述数据处理装置1还包括存储在所述存储器20中并可在所述处理器10上运行的计算机程序30，例如锡膏印刷品质检测判定程序。所述处理器10执行所述计算机程序30时实现上述锡膏印刷品质检测方法实施例中的步骤，例如图3所示的步骤s301～s305。

示例性的，所述计算机程序30可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器10执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述所述计算机程序30在所述数据处理装置1中的执行过程。例如，所述计算机程序30可以被分割成图3中的数据获取模块101、数据预处理模块102、数据建模模块103、判定模块104以及分析反馈模块105。

本发明确定的核心算法为随机森林算法与卷积神经网络算法，基于核心算法建立锡膏印刷品质检测的检测数据模型，调用该检测数据模型对锡膏印刷品质测试数据进行检测，能够提升瑕疵检测的效率和准确度，克服现有的检测方法中误测率较高，人工复判费时费力等问题，能针对不同种类的测试对象调整核心算法。例如，基于随机森林算法建立的数据模型主要针对测试数值进行检测，而基于卷积神经网络算法建立的数据模型主要针对测试图像进行检测，可以提高检测的准确度。

所述数据处理装置1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序指令来控制相关的硬件完成，所述的计算机程序可存储于一计算机可读存储介质中，所述计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

在本发明所提供的几个实施例中，应所述理解到，所揭露的数据处理装置和方法，可以通过其它的方式实现。例如，以上所描述的数据处理装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

另外，在本发明各个实施例中的各功能单元可以集成在相同处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

尽管对本发明的优选实施方式进行了说明和描述，但是本领域的技术人员将领悟到，可以作出各种不同的变化和改进，这些都不超出本发明的真正范围。因此期望，本发明并不局限于所公开的作为实现本发明所设想的最佳模式的具体实施方式，本发明包括的所有实施方式都有所附权利要求书的保护范围内。