一种基于人工智能的电路缺陷检测方法及系统

1.本技术涉及人工智能数据处理技术领域，具体而言涉及一种基于人工智能的电路缺陷检测方法及系统。


背景技术：

2.电路器件中，尤其是集成电路中，任意电路单元的损坏，都将有可能造成整个电路器件或整块集成电路无法使用。因此，需要对电路结构进行缺陷检测。
3.现有的测试技术中，需要通过软件接口对欲检测的电路单元输入一预定的值(例如是一电压值)，接着再读取电路单元的输出值是否符合原先的预期。若输出的值并不符合预期，代表此欲检测的电路中至少包含部分缺陷。
4.但是，随着技术的进步，电路器件内部所包含的电路单元数量也越来越多，器件生产、装配过程产生缺陷或损坏的机率也因此增大。若依旧采用上述传统的检测方法对复杂结构的电路统进行检测，将需要花费大量时间。
5.针对此问题，目前逐渐出现采用图像识别算法对电路焊接结构进行视觉检测的方法。但其无法检测电路器件内部故障，也无法确认板材线路内部结构缺陷。因此依旧需要通过信号检测方式才能确保电路器件工作稳定。


技术实现要素：

6.本技术针对现有技术的不足，提供一种基于人工智能的电路缺陷检测方法及系统，本技术利用电荷源扫描电路结构中各信号点，通过人工智能算法识别电路结构反馈信号中所包含的缺陷特征，从而准确定位电路缺陷，实现高效检测。本技术具体采用如下技术方案。
7.首先，为实现上述目的，提出一种基于人工智能的电路缺陷检测方法，其包括：第一步，触发电荷源以及电极调制器按照预设的检测周期t输出电荷脉冲序列；第二步，根据目标检测电路中各检测点坐标位置调整x向偏置磁场和y向偏置磁场，使电荷脉冲注入相应检测点坐标位置；第三步，接收目标检测电路背侧各信号节点位置的响应信号，将其按照采样时间顺序组合为匹配于电荷脉冲序列的检测矩阵序列[h1，h2，...，hn]，其中，n表示匹配于一检测周期t的采样次数总和，表示该电荷脉冲序列周期内的第n次采样所得检测矩阵，其中的h
pq
表示检测矩阵中对应信号节点位置(p，q)的响应信号；第四步，将检测矩阵序列[h1，h2，...，hn]进行归一化处理并提取各信号节点位置的响应信号模态，根据相应检测点坐标位置的标准响应模态对检测矩阵序列[h1，h2，...，hn]所提取出的响应信号模态进行拟合，获得其拟合偏差序列δ；第五步，将拟合偏差序列δ输入人工智能算法模型，进行mcskpca的特征提取，并将特征提取所得检测向量输入递归神经网络中，由递归神经网络分类器记录缺陷检测结果；第六步，重复第二步至第五步，直至遍历目标检测
电路中全部检测点坐标位置后，输出全部缺陷检测结果。
[0008]
可选的，如上任一所述的基于人工智能的电路缺陷检测方法，其中，所述电极调制器包括相互平行且与电荷源同轴设置的第一电极和第二电极，第一电极与电荷源之间设置具有第一电位差v1，第二电极与第一电极之间设置具有第二电位差v2，第一电位差v1、第二电位差v2按照目标检测信号要求在0v～2900v之间周期变换以调制电荷脉冲。
[0009]
可选的，如上任一所述的基于人工智能的电路缺陷检测方法，其中，目标检测信号对应于目标检测电路中各检测点的工作信号，或对应于目标检测电路中各检测点的测试信号；触发电荷源以及电极调制器按照检测周期t输出电荷脉冲的具体步骤包括：步骤101，根据目标检测信号大小调整第一电极与电荷源之间第一电位差v1；步骤102，根据目标检测信号周期内波动调整第二电极与第一电极之间第二电位差v2；其中，第一电位差v1正相关于目标检测信号大小，设置在2500v～2700v之间；第二电位差v2正相关于目标检测信号的波动大小，设置在0v～200v之间。
[0010]
可选的，如上任一所述的基于人工智能的电路缺陷检测方法，其中，每个检测周期t的前5ms内，将第一电极与电荷源之间第一电位差v1由2900v调整至匹配于目标检测信号的大小，并在此期间将第二电极的电位设置为低于第一电极。
[0011]
可选的，如上任一所述的基于人工智能的电路缺陷检测方法，其中，所述第四步中，将检测矩阵序列[h1，h2，...，hn]进行归一化处理并提取各信号节点位置的响应信号模态的具体步骤包括：首先，将检测矩阵序列[h1，h2，...，hn]中各检测矩阵内元素等比例地归一化至[0，1]范围之间，获得归一化检测矩阵序列然后，对归一化检测矩阵序列中n个归一化检测矩阵内相同位置的元素按照采样时间顺序进行小波变换获得相应记录该元素所对应信号节点位置的响应信号模态为
[0012]
可选的，如上任一所述的基于人工智能的电路缺陷检测方法，其中，所述第四步中，根据相应检测点坐标位置的标准响应模态l
sd
＝[f
sd1
，f
sd2
，...，f
sdm
]对检测矩阵序列[h1，h2，...，hn]所提取出的响应信号模态进行拟合，获得其拟合偏差序列δ的具体步骤包括：步骤401，以标准响应模态中各参量[f
sd1
，f
sd2
，...，f
sdm
]定义一特征曲线，对检测矩阵序列所提取出的响应信号模态进行线性变换使其元素所对应的各点拟合于所述特征曲线，获得其中，δ表示转换矩阵；步骤402，提取转换矩阵δ的特征向量为所述拟合偏差序列δ。
[0013]
可选的，如上任一所述的基于人工智能的电路缺陷检测方法，其中，第六步，遍历完目标检测电路中全部检测点坐标位置后，输出全部缺陷检测结果并标记其在目标检测电路中所对应的检测点坐标位置，根据所述检测点坐标位置以及缺陷检测结果查找目标检测电路原理图文件，标记并上传其中位于检测点及缺陷检测结果之间的故障线路元件。
[0014]
同时，为实现上述目的，本技术还提供一种基于人工智能的电路缺陷检测系统，其包括：电荷源，用于输出电荷；电极调制器，用于将输出电荷调制为电荷脉冲序列；磁场偏置装置，用于根据目标检测电路中各检测点坐标位置调整x向偏置磁场和y向偏置磁场，使电
荷脉冲注入相应检测点坐标位置；响应信号接收单元，其与目标检测电路背侧各信号节点位置电连接，用于接收目标检测电路背侧各信号节点位置的响应信号，将其按照采样时间顺序组合为匹配于电荷脉冲序列的检测矩阵序列[h1，h2，...，hn]，其中，n表示匹配于一检测周期t的采样次数总和，表示该电荷脉冲序列周期内的第n次采样所得检测矩阵，其中的h
pq
表示检测矩阵中对应信号节点位置(p，q)的响应信号；数据处理单元，其接收检测矩阵序列[h1，h2，...，hn]，用于对所述检测矩阵序列[h1，h2，...，hn]进行归一化处理并提取各信号节点位置的响应信号模态，根据相应检测点坐标位置的标准响应模态对检测矩阵序列[h1，h2，...，hn]所提取出的响应信号模态进行拟合，获得其拟合偏差序列δ；然后将拟合偏差序列δ输入人工智能算法模型，进行mcskpca的特征提取，并将特征提取所得检测向量输入递归神经网络中，由递归神经网络分类器记录缺陷检测结果；控制单元，其连接电极调制器、磁场偏置装置以及数据处理单元，用于控制电极调制器及磁场偏置装置触发电荷脉冲遍历目标检测电路中全部检测点坐标位置，接收并输出数据处理单元的全部缺陷检测结果。
[0015]
可选的，如上任一所述的基于人工智能的电路缺陷检测系统，其中，所述磁场偏置装置包括x向磁场偏置单元以及y向磁场偏置单元，x向磁场偏置单元沿电荷源轴线方向布置于电荷脉冲序列输出路径的左右两侧，y向磁场偏置单元沿电荷源轴线方向布置于电荷脉冲序列输出路径的上下两侧，分别提供x向偏置磁场和y向偏置磁场，使电荷脉冲注入相应检测点坐标位置。
[0016]
可选的，如上任一所述的基于人工智能的电路缺陷检测系统，其中，所述响应信号接收单元包括：屏蔽筒，其内部密封，一端具有与磁场偏置装置密封连接的开口，另一端封闭；检检测端子阵列，其设置于屏蔽筒封闭一端的内侧壁，分别连接目标检测电路背侧各信号节点位置，通过检检测端子阵列各单元结构之间寄生感抗响应并接收目标检测电路背侧各信号节点位置的响应信号。
[0017]
有益效果
[0018]
本技术利用电荷源输出电荷脉冲序列，通过偏置磁场控制电荷脉冲序列的输出方向将其注入目标检测电路中相应检测点坐标位置，然后通过目标检测电路背侧的检测端子阵列接收电路中相应信号节点位置的响应信号，从而计算、比对各信号节点位置的响应信号模态，提取相应特征通过递归神经网络进行缺陷检测，以最终获得目标检测电路的陷检测结果。本技术可通过对电荷脉冲序列注入点的调控高效切换检测点，实现对目标检测电路中全部检测点坐标位置的快速遍历，从而全方位获得目标检测电路运行模态，准确识别出其中的电路缺陷。本技术检测效率高，并且可通过对电荷脉冲序列的调制模拟各种不同检测信号，模拟电路运行状态，获得更为准确的检测效果。
[0019]
本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。
附图说明
[0020]
附图用来提供对本技术的进一步理解，并且构成说明书的一部分，并与本技术的
实施例一起，用于解释本技术，并不构成对本技术的限制。在附图中：
[0021]
图1是本技术的基于人工智能的电路缺陷检测系统示意图；
[0022]
图2是本技术中所采用的检检测端子阵列的结构示意图；
[0023]
图3是本技术中检检测端子阵列接收目标检测电路背侧各信号节点位置的响应信号的示意图；
[0024]
图4是本技术中递归神经网络的分类数据。
[0025]
图中，1表示电荷源；2表示电极调制器；21表示第一电极；22表示第二电极；3表示磁场偏置装置；4表示响应信号接收单元；41表示屏蔽筒；42表示检检测端子阵列；421表示第一检测电极；422表示第二检测电极；43表示约束电极；5表示目标检测电路
具体实施方式
[0026]
为使本技术实施例的目的和技术方案更加清楚，下面将结合本技术实施例的附图，对本技术实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本技术的一部分实施例，而不是全部的实施例。基于所描述的本技术的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0027]
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0028]
本技术中所述的“内、外”的含义指的是相对于检测系统本身而言，由相应信号接收单元外周指向电荷脉冲序列传输路径的方向为内，反之为外；而非对本技术的装置机构的特定限定。
[0029]
本技术中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。
[0030]
本技术中所述的“上、下”的含义指的是使用者正对本技术检测系统时，使用者的上方即为上，使用者的下向即为下，而非对本技术的装置机构的特定限定。
[0031]
图1为根据本技术的一种基于人工智能的电路缺陷检测系统，其包括：
[0032]
电荷源1，用于输出电荷；
[0033]
电极调制器2，用于将输出电荷调制为电荷脉冲序列；
[0034]
磁场偏置装置3，用于根据目标检测电路中各检测点坐标位置调整x向偏置磁场和y向偏置磁场，使电荷脉冲注入相应检测点坐标位置；
[0035]
响应信号接收单元4，其与目标检测电路背侧各信号节点位置电连接，用于接收目标检测电路背侧各信号节点位置的响应信号，将其按照采样时间顺序组合为匹配于电荷脉冲序列的检测矩阵序列[h1，h2，...，hn]，其中，n表示匹配于一检测周期t的采样次数总和，表示该电荷脉冲序列周期内的第n次采样所得检测矩阵，其中的h
pq
表示检测矩阵中对应信号节点位置(p，q)的响应信号；
[0036]
数据处理单元，其接收检测矩阵序列[h1，h2，...，hn]，用于对所述检测矩阵序列
[h1，h2，...，hn]进行归一化处理并提取各信号节点位置的响应信号模态，根据相应检测点坐标位置的标准响应模态对检测矩阵序列[h1，h2，...，hn]所提取出的响应信号模态进行拟合，获得其拟合偏差序列δ；然后将拟合偏差序列δ输入人工智能算法模型，进行mcskpca的特征提取，并将特征提取所得检测向量输入递归神经网络中，由递归神经网络分类器记录缺陷检测结果；
[0037]
控制单元，其连接电极调制器2、磁场偏置装置3以及数据处理单元，用于控制电极调制器2及磁场偏置装置3触发电荷脉冲遍历目标检测电路中全部检测点坐标位置，接收并输出数据处理单元的全部缺陷检测结果。
[0038]
上述系统工作可通过控制单元的控制指令而设置为按照如下方式实现对目标检测电路5中电路缺陷的无接触检测：
[0039]
第一步，触发电荷源1以及电极调制器按照预设的检测周期t输出电荷脉冲序列，该电荷脉冲序列可在一个检测周期t中通过电极调制器中相互平行且与电荷源1同轴设置的第一电极21和第二电极22调制为目标检测信号，以模拟目标检测电路中各检测点的工作信号或相应的测试信号，从而实现对电路器件工作状态的检测；
[0040]
第二步，根据目标检测电路中各检测点坐标位置调整x向偏置磁场和y向偏置磁场，使电荷脉冲注入相应检测点坐标位置，在检测点坐标位置激发相应电场实现对目标检测电路中相应电路结构的激励；
[0041]
第三步，目标检测电路中相应电路结构响应于电荷脉冲的激励而产生电压、电流信号，响应信号接收单元4内部贴合于目标检测电路底板电连接有相应检测端子阵列42以接收目标检测电路背侧底板中各信号节点位置的响应信号，从而将响应于电荷脉冲的响应信号按照采样时间顺序组合为匹配于电荷脉冲序列的检测矩阵序列[h1，h2，...，hn]，其中，n表示匹配于一检测周期t内检测端子阵列42采样次数的总和，检测矩阵序列中任一矩阵元素表示该电荷脉冲序列周期内的第n次采样所得检测矩阵，该检测矩阵中任意元素h
pq
表示相应采样时刻下对应目标检测电路背侧底板中标记为(p，q)的信号节点位置的响应信号；
[0042]
第四步，将检测矩阵序列[h1，h2，...，hn]进行归一化处理并提取各信号节点位置的响应信号模态，根据相应检测点坐标位置的标准响应模态对检测矩阵序列[h1，h2，...，hn]所提取出的响应信号模态进行线性运算实现拟合，通过线性运算获得其拟合偏差序列δ；
[0043]
第五步，将拟合偏差序列δ输入人工智能算法模型，进行mcskpca的特征提取，并将特征提取所得检测向量输入递归神经网络中，由递归神经网络分类器记录缺陷检测结果；
[0044]
第六步，重复第二步至第五步，直至遍历目标检测电路中全部检测点坐标位置后，输出全部缺陷检测结果。
[0045]
由此，本技术通过对电荷脉冲序列的调制以及对其输出路径中磁场的偏置实现对目标检测电路中不同检测坐标点位置的激励。该检测坐标点位置所连接的电路结构能够相应于电荷脉冲序列的激励相应产生响应电流信号或响应电压，该信号可通过目标检测电路内部导电通路传递至电路板背侧的信号节点位置，从而被响应信号接收单元4底部的检测
端子阵列42接收，本技术可利用检测端子阵列42之间寄生电容、寄生电感对信号节点位置的响应信号提供模态调制，从而分离出响应信号中不同谐振范围的信号分量，从而通过数据单元对各信号节点位置响应信号模态的运算获得其与电路正常工作状态下标准响应模态的偏差，通过对计算所得拟合偏差序列δ进行mcskpca的特征提取，并将特征提取所得检测向量输入递归神经网络，由递归神经网络分类器获得缺陷检测结果，实现对目标检测电路各器件单元工作状态的检测。
[0046]
在此基础上，本技术还可进一步通过数据处理单元，在遍历完目标检测电路中全部检测点坐标位置，获得全部缺陷检测结果并标记其在目标检测电路中所对应的检测点坐标位置后，进一步通过查询电路原理图文件中原理图网络表，根据所述检测点坐标位置以及缺陷检测结果查找原理图网络表中连接于该检测点坐标位置以及判断异常的信号节点位置之间的电路部件，对相应电路部件进行标记，并上传至测试人员终端，提示测试人员其中位于检测点及缺陷检测结果之间的故障线路元件，直观提示相应测试人员进行补救处理。
[0047]
具体检测过程中，为将电荷脉冲频率尽可能地调节至与目标检测电路相应检测点的工作信号或测试信号相匹配，本技术还在电荷源1与磁场偏置装置3之间设置第一电极21与第二电极，通过两电极与电荷源之间电位差实现对电荷脉冲的调制。其调制过程如下：
[0048]
步骤101，根据目标检测信号大小调整第一电极21与电荷源1之间第一电位差v1，在采用电子枪作为电荷源的系统中，通过第一电极21的正电位吸引电荷脉冲中的电子促使其加速输出，实现模拟于检测点工作信号或测试信号的信号强度；
[0049]
步骤102，根据目标检测信号周期内检测信号或测试信号的波动而相应调整第二电极22与第一电极21之间第二电位差v2，实现模拟于检测点工作信号或测试信号的信号频率；
[0050]
在此期间，为进一步提高检测周期中电荷源触发初始阶段电荷脉冲的稳定性，本技术还可优选在每个检测周期t的前5ms内，将第一电极21与电荷源1之间第一电位差v1由最大电位2900v逐渐向下降低至匹配于目标检测信号的大小，以促使电子枪电荷在触发起始阶段迅速向第一电极富集，并在此期间将第二电极22的电位设置为低于第一电极21以避免尚维达到稳定输出的电荷迁移至检测点影响对目标检测电路背侧各信号节点位置响应信号的识别。
[0051]
一般，本技术可直接利用商用电子枪器件提供电荷源，配合于小功率通讯器件电路的检测，将正相关于目标检测信号大小的第一电位差v1设置在2500v～2700v之间即可通过第一电极21高电位对电荷脉冲注入量的调节实现对wifi、蓝牙模块或者雷达模块等通讯器件电路的激励和检测；而正相关于目标检测信号波动的第二电位差v2大小可相应设置在0v～200v之间，以通过第二电极电位波动进一步调制电荷脉冲从而实现对小功率wifi、蓝牙模块或者雷达模块等通讯器件电路工作信号波动状态的模拟。第一电位差v1、第二电位差v2一般可按照目标检测信号要求在0v～2900v之间周期变换即可模拟对电荷脉冲的调制。
[0052]
数据处理单元中对检测矩阵序列[h1，h2，...，hn]的缺陷检测可具体按照如下方式进行：
[0053]
在第四步中，先将检测矩阵序列[h1，h2，...，hn]中各检测矩阵内元素等比例地归
一化至[0,1]范围之间，获得归一化检测矩阵序列
[0054]
然后，对归一化检测矩阵序列中的n个归一化检测矩阵内属于同一信号节点位置的相同坐标编号的元素按照1～n的采样时间顺序提取出来，对该信号节点位置中整个检测周期内的采样信号进行小波变换获得相应记录该坐标编号所对应信号节点位置的响应信号模态为
[0055]
由此，再根据相应检测点坐标位置正常工作状态下接收相同测试信号所触发的标准响应模态l
sd
＝[f
sd1
，f
sd2
，...，f
sdm
]对由检测矩阵序列[h1，h2，...，hn]所提取出的响应信号模态进行拟合，获得其拟合偏差序列δ。标准响应模态l
sd
＝[f
sd1
，f
sd2
，...，f
sdm
]的提取步骤与响应信号模态相类似，区别仅在于，该标准响应模态由能够正常工作的目标检测电路接收测试信号所触发。以标准测试信号触发确认无异常的目标检测电路，采集其检测矩阵序列h1，h2，...，hn]，然后将序列中各检测矩阵内元素等比例地归一化至[0,1]范围之间，获得归一化检测矩阵序列然后，对归一化检测矩阵序列中的n个归一化检测矩阵内属于同一信号节点位置的相同坐标编号的元素按照1～n的采样时间顺序提取出来，对该信号节点位置中整个检测周期内的采样信号进行小波变换获得标准响应模态l
sd
＝[f
sd1
，f
sd2
，...，f
sdm
]。
[0056]
至此，数据处理单元可以标准响应模态中各参量[f
sd1
，f
sd2
，...，f
sdm
]定义一特征曲线，对检测矩阵序列所提取出的响应信号模态进行线性变换使其元素所对应的各点拟合于所述特征曲线，获得其中，δ表示线性变换所对应的转换矩阵；
[0057]
然后通过提取转换矩阵δ的特征向量即可获得反应检测信号与标准响应信号之间偏差状况的拟合偏差序列δ。将其输入人工智能算法模型，进行mcskpca(最大类别分离度核主元分析，kpca based on maximal class separability即mcskpca)的特征提取，并将特征提取所得检测向量输入递归神经网络中，由训练好的递归神经网络即可识别与标准响应信号之间偏差状况向对应的缺陷检测结果。
[0058]
其运算步骤如下：
[0059]
a，计算拟合偏差序列δ的小波逼近系数能量特征值；
[0060]
b，将所述小波逼近系数能量特征值所构成的候选特征向量按照如下步骤进行mcskpca的特征提取和维数降低，得到最优特征向量
[0061]
b1-选择高斯rbf核作为核函数，以为何参数优化准则，以为最优核参数集，其中，表示核类间散布矩阵的迹，
表示核类内散布矩阵的迹；
[0062]
b2-根据给定的训练样本，计算最优高斯宽度σ
opt
以及核矩阵
[0063]
b3-根据核矩阵计算其特征值λj与特征向量γj，并计算
[0064]
b4-计算小波逼近系数能量特征值x所对应的非线性主元集为计算小波逼近系数能量特征值x所对应的非线性主元集为其中，表示小波逼近系数能量特征值x在特征空间中的像；
[0065]
c，以yj作为特征提取所得检测向量，将其输入训练好的递归神经网络中以图4方式对其相应输出位置信号节点位置的响应信号异常进行分类，识别出相应的电路缺陷。
[0066]
本系统中，对电荷脉冲注入坐标位置的偏置可由x向和y向两对磁场偏置单元实现。其中，x向磁场偏置单元可设置为沿电荷源1轴线方向布置于电荷脉冲序列输出路径的左右两侧的电磁线圈，其通过横向磁力线提供x向偏置磁场，使电子枪输出的电子偏转实现横向注入位置的位移调节；y向磁场偏置单元沿电荷源1轴线方向布置于电荷脉冲序列输出路径的上下两侧的电磁线圈，其通过纵向磁力线提供y向偏置磁场，使电子枪输出的电子偏转实现纵向注入位置的位移调节，分别使电荷脉冲注入相应检测点坐标位置。
[0067]
为实现对目标检测电路背侧不同信号节点位置响应信号的采集，本技术还可将响应信号接收单元4进一步设置为包括：
[0068]
图1右侧的屏蔽筒41，其内部密封，一端具有与磁场偏置装置3密封连接的开口，另一端封闭；
[0069]
以及图2所示的检检测端子阵列42，其设置于屏蔽筒41封闭一端的内侧壁，具有图3所示的分层单元结构，位于顶层的第一检测电极421分别连接目标检测电路背侧各信号节点位置，通过检检测端子阵列42各检测电极单元结构之间的寄生电容和寄生电感响应并接收目标检测电路背侧各信号节点位置的响应信号，并将其通过位于底层的第二检测电极422输出至数据处理单元实现对电路缺陷的检测。
[0070]
在较为优选的实现方式下，检检测端子阵列42可通过在pi材料正反两侧进行激光雕刻而形成的激光诱导石墨烯lig结构实现。第一检测电极421、第二检测电极422可分别通过激光诱导方式加工为正六边形或正三角形结构，上下两层电极之间可交错排列，优选将一侧相邻检测电极之间顶点位置正对另一侧检测电极中心，以通过单元间寄生感抗获得图3的等效谐振结构，实现对不同检测信号的响应，提高对电路谐振分量的采样。lig材料可根据目标检测电路中检测点坐标位置之间间隔距离而灵活调整其激光加工过程中的分辨率，以及各检测电极结构的加工图形范围，从而灵活匹配不同焊接精度的目标检测电路，实现响应信号的传输。第一检测电极与目标检测电路之间，第二检测电极与处理单元的相应接口之间，可分别通过涂敷于检测电极表面的导电凝胶实现靠电连接。
[0071]
屏蔽筒41中密封连接磁场偏置装置3的开口周向还可进一步布置若干层约束电极43。隔层约束电极之间设置绝缘，通过约束电极内部涡流，可实现对电荷脉冲焦点的调节，使其能准确注入目标检测电路5中相应的检测点坐标位置。
[0072]
以上仅为本技术的实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术
构思的前提下，还可以做出若干变形和改进，这些均属于本技术的保护范围。