机器学习方法及应用机器学习方法的自动光学检测设备与流程

本发明涉及图形检测领域，尤其涉及一种用于提高自动光学检测设备准确率的机器学习方法及应用该机器学习方法的自动光学检测设备。

背景技术：

在生产过程中，通常会用到自动光学检测设备对制造出来的电路板进行检测。随着技术水平的提高，电路板上的电阻电容的尺寸越来越小，而由于自动光学检测设备的规格限制，导致自动光学检测设备的误判率升高，有很多判断为不合格的产品其实是合格产品，所以检测结果为不合格的产品还需要工作人员进行肉眼判断是否为误判。

技术实现要素：

鉴于上述状况，本发明提供一种提高自动光学检测设备准确度的机器学习方法及应用该机器学习方法的自动光学检测设备。

一种提高自动光学检测设备的图形检测准确率的机器学习方法，包括：步骤一、获取零件的照片；步骤二、对照片进行预处理形成照片数字信息；步骤三、依照片数字信息建立机器学习模型；步骤四、将照片数字信息输入至机器学习模型进行判断；步骤五、校验所述机器学习模型判断结果的准确率；步骤六、根据机器学习模型判断结果的准确率对所述机器学习模型进行调整优化；步骤七、优化后的所述机器学习模型重复执行步骤四至步骤六直至机器学习模型判断结果的准确率达到预设值。

进一步地，所述对照片进行预处理包括以下步骤：切割照片至预定大小并使照片中待检测的零件置中；按预定规则将照片中的每个像素的像素值标准化，形成照片数字信息。

优选地，所述校验机器学习模型判断结果的准确率包括以下步骤：将所述机器学习模型判断为不合格的照片送至可视操作平台进行人工判断；所述可视操作平台的人工判断结果与所述机器学习模型的判断结果进行比较。

进一步地，所述根据机器学习模型判断结果的准确率对所述机器学习模型进行调整优化包括以下步骤：若所述机器学习模型的判断结果与所述可视操作平台的人工判断结果不一致，则调整优化所述机器学习模型；若所述机器学习模型的判断结果与所述可视操作平台的人工判断结果一致，则所述机器学习模型通过校验。

进一步地，判断所述机器学习模型通过校验之后还包括步骤：将通过校验的所述机器学习模型存储至自动光学检测设备。

优选地，所述机器学习模型通过卷积神经网络技术建立。

进一步地，所述机器学习模型包括至少四个卷积层，至少四个最大池化层和至少两个全连通层。

优选地，所述建立机器学习模型包括：根据不同类型的零件分别建立相应的机器学习模型。

优选地，所述机器学习模型判断结果的准确率达到预设值后，包括步骤：将机器学习模型应用至自动光学检测设备中；重新获取零件照片；对重新获取的照片预处理形成照片数字信息；将重新获取的照片数字信息输入至机器学习模型进行判断。

一种自动光学检测设备，用于检测零件，所述自动光学检测设备具备上述任一项的机器学习方法。

本发明提供的机器学习方法利用机器学习模型对自动光学检测设备检测过的零件照片进行再次检测，替代操作人员肉眼再次判断，极大的降低了自动光学检测设备的误判率和操作人员的劳动强度。

附图说明

图1为机器学习方法在实施例一中的流程图。

图2为图1所示的机器学习方法中对照片进行处理的流程图。

图3为图1所示的机器学习方法中分析机器学校模型的判断结果的流程图。

图4为机器学习方法在实施例二中的流程图。

具体实施方式：

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

实施例一

请参阅图1、图2和图3，本发明提供一种提高自动光学检测(automaticopticinspection,aoi)设备准确度的机器学习方法，包括以下步骤：

步骤s1中，aoi设备对零件进行检测，生成零件的照片。判断为合格的零件照片进入步骤s8，零件通过检测；判断为不合格的零件照片进入步骤s2。

步骤s2对步骤s1产生的不合格的零件照片进行收集和处理。具体地，步骤s2在aoi设备的处理器或其他具有类似功能的设备中执行，包括以下步骤：步骤s21先将收集来的不合格零件的照片进行归类和标记，收集来的零件照片存在合格和不合格两大类，不合格零件的类别可以是异物、错件、缺件、偏位、立碑、反转、破损等；步骤s22将归类标记后的照片切割至预定大小，去除照片中不相关的信息，使每张照片中存在一个待检测的零件，并且待检测的零件位于照片的中间；步骤s23将切割后照片按预定规则将照片中的像素值标准化，从而形成照片数字信息。具体地，照片中每个像素的rgb数值分别存成三个矩阵，然后每个矩阵中的每个数值从0～255标准化到0～1之间。照片全部处理完成后进入步骤s3。

步骤s3，根据照片数字信息的归类标记的特征和卷积神经网络(convolutionalneuralnetwork,cnn)技术建立机器学习模型，机器学习模型通过python、tensorflow、和keras等计算机编程语言建立并存储在一个或多个计算机存储介质中。cnn包括卷积层、最大池化层和全连通层，卷积层与最大池化层配合，组成多个卷积组，逐层提取特征，最终通过全连接层完成分类，从而实现对照片的识别功能。cnn的层数越多，机器学习模型的判断精度越高。在本实施例中，机器学习模型的cnn包括至少四个卷积层，至少四个最大池化层，和至少两个全连通层，有效保证了机器学习模型的判断精度。随后，进入步骤s4。

在步骤s4中，经过步骤s2处理得到的照片数字信息被送入机器学习模型中，用以训练和测试机器学习模型，让机器学习模型判断零件是真的不合格还是aoi设备的误判。

为避免机器学习模型判断的偶然性，需要从步骤s1和步骤s2收集大量零件照片用于训练和测试机器学习模型。另外，改善aoi设备的光学硬件，提高照片的清晰度也有利于提高机器学习模型判断的准确率。

步骤s5对机器学习模型的判断结果进行校验。若机器学习模型判断的准确率达标，则进入步骤6。若机器学习模型判断的准确率低，则进入步骤s8，对机器学习模型的程序进行优化和调整，随后再次进入步骤s4、步骤s5和步骤s8循环，直至机器学习模型判断结果的准确性达标。

具体地，在步骤s51中，机器学习模型判断为不合格的零件照片被送至aoi设备的可视操作平台，由工作人员对机器学习模型检测过的照片进行再次判断，工作人员将机器学习模型的判断结果与照片归类标记的结果进行比对，并且计算出机器学习模型的准确率。若机器学习模型的准确率低于一预定值，比如99.99％，则认为机器学习模型的判断结果与可视操作平台的人工判断结果不一致，不能通过校验，方法进入步骤s8，对机器学习模型的程序进行优化调整。若机器学习模型的准确率达标，即准确率大于或等于预定值，则认为机器学习模型的判断结果与可视操作平台的人工判断结果一致，方法进入步骤s52，机器学习模型被判定通过校验，并且存储至aoi设备中。

步骤s6，通过校验的机器学习模型被应用在aoi设备中，从aoi设备中重新获取零件照片，并对照片进行处理，以获得新的照片数字信息，重新获取的照片数字信息被输入至机器学习模型中，由机器学习模型再次检测零件是否真的不合格，若检测结果合格，则进入步骤s9，零件通过检测；若检测结果不合格，则进入步骤s7，零件未通过检测，不合格的零件将被淘汰。机器学习模型在aoi设备中应用的初期，可由工作人员重复确认机器学习模型的准确率，机器学习模型的准确率确认后，可以取代工作人员作业。

实施例二

请参阅图4，实施例二的机器学习方法与实施例大致相同，区别在于，实施例二的机器学习方法的步骤s1产生零件照片后直接进入步骤s2。步骤s2将零件分为合格和不合格两大类，接着在对照片进行预处理，形成照片数字信息。步骤s3依据照片数字信息新建的机器学习模型，之后在步骤s4中，机器学习模型对预处理后的照片进行判断，实现对机器学习模型的训练。然后机器学习模型的判断结果被送至步骤s5进行校验，根据校验结果判断是否需要进入步骤s8，优化机器学习模型，实施例二的校验方法与实施例一相容，此处不再赘述。机器学习模型通过校验后，机器学习方法进入步骤s6，将机器学习模型应用至aoi设备中，从aoi设备中重新获取的零件照片经过预处理后由机器学习模型进行检测，若检测结果合格，则进入步骤s9，零件通过检测；若检测结果不合格，则进入步骤s7，零件未通过检测，不合格的零件将被淘汰。

本发明还提供一种自动光学检测设备，用于检测零件，如电路板、电子芯片等结构细小精密的零件。所述自动光学检测设备应用上述的机器学习方法检测零件是否合格，准确率高，可以替代工作人员作业，降低工作人员的劳动强度。

本发明提供的机器学习方法利用机器学习模型对aoi设备检测过的零件照片进行再次检测，替代操作人员肉眼再次判断，极大的降低了自动光学检测设备的误判率和操作人员的劳动强度。

以上实施方式仅用以说明本发明的技术方案而非限制，尽管参照以上较佳实施方式对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换都不应脱离本发明技术方案的精神和范围。