一种PCB焊接生产线智能分拣系统的制作方法

一种pcb焊接生产线智能分拣系统
技术领域
1.本发明涉及pcb制造技术领域，具体涉及一种pcb焊接生产线智能分拣系统。


背景技术：

2.目前，控制器车间pcb焊接生产线产品质量检测使用的是基于机器视觉的自动光学(aoi)检测。由于aoi检测存在较多的误报情况，产品经过aoi设备自动检测之后，需由人工逐一复核aoi检测后的缺陷产品是否存在检测错误。
3.实际生产中，由于设备操作流程以及设备操作者检查速度等因素的限制，人工复核操作无法实现与生产线完全同步。为了保证生产线顺利运行，工人一般先将报出有缺陷的pcb产品转入周转框，然后人工将真实的不良品从周转框内逐一寻找剔除。目前这种工作流程的安排造成了自动化程度低、信息化程度低、工作效率低、操作复杂、产品质量依赖人工等缺点和问题。


技术实现要素：

4.本发明的目的在于避免现有技术中的不足之处而提供一种pcb焊接生产线智能分拣系统，该pcb焊接生产线智能分拣系统能够自动地复测经aoi检测后的有缺陷的pcb产品，具有复测精度高、自动化程度高的优点。
5.为实现上述目的，本发明提供以下技术方案：
6.提供一种pcb焊接生产线智能分拣系统，包括aoi检测单元、推断单元和分拣单元，
7.所述aoi检测单元位于pcb生产线，其对生产线上的pcb产品进行特征提取，识别出有缺陷图片的pcb产品；
8.所述推断单元与所述aoi检测单元信息交互连接，其对有缺陷图片的pcb产品进行复测，所述推断单元包括nano边缘计算模块，所述nano边缘计算模块通过深度神经网络运算来推断并识别所述缺陷图片，根据缺陷图片的识别数据输出pcb产品复测结果，所述pcb产品复测结果包括合格结果和不合格结果；
9.所述分拣单元与所述推断单元连接，其根据所述合格结果的信号将复测后的合格pcb产品分拣到ok位置，根据所述不合格结果的信号将复测后的不合格pcb产品分拣动ng位置。
10.在一些实施方式中，所述aoi检测单元设有互联网接口，所述推断单元通过接入所述互联网接口与所述aoi检测单元信息交互连接。
11.在一些实施方式中，所述nano边缘计算模块为嵌入式神经网络运算单元，其存储有深度神经网络模型，所述nano边缘计算模块接收缺陷图片，所述嵌入式神经网络运算单元通过深度神经网络模型运算缺陷图片，获得所述缺陷图片的缺陷类型，并根据缺陷类型识别缺陷在图片中的位置，运算后输出显示结果，所述显示结果是所述pcb产品复测结果。
12.在一些实施方式中，所述显示结果还包括缺陷置信度。
13.在一些实施方式中，所述深度神经网络模型通过工业互联网下载更新。
14.在一些实施方式中，所述深度神经网络模型包括两焊盘元件模型、小元件元器模型和方形芯片元件模型。
15.在一些实施方式中，所述nano边缘计算模块根据pcb产品类型来配置文件，通过配置文件从而激活对应的深度神经网络模型，所述深度神经网络模型运算后通过输出数据包从而输出所述显示结果。
16.在一些实施方式中，所述分拣单元包括移载机，所述推断单元通过rs232串口发送命令给移栽机，所述命令控制所述移载机根据pcb产品复测结果的信号分拣合格pcb产品和不合格pcb产品。
17.在一些实施方式中，所述pcb产品复测结果上报至mes/erp系统。
18.在一些实施方式中，所述pcb产品复测结果的数据缓存于所述推断单元。
19.本发明一种pcb焊接生产线智能分拣系统的有益效果：
20.(1)本发明的pcb焊接生产线智能分拣系统，其先通过aoi检测单元进行检测，提取pcb产品的特征，获得疑似有缺陷的pcb产品，再通过推断单元以nano边缘计算模块通过深度神经网络运算来推断并识别aoi获取的缺陷图片，对该缺图片进行二次复测，其中nano边缘计算模块具有深度神经网络，能精确地推判缺陷图片的真实性，避免传统需要人工复检aoi检测后的缺陷pcb产品，节约了人力成本，并且效率高。
21.(2)本发明的pcb焊接生产线智能分拣系统，其通过推断单元输出的合格信号和不合格信号来控制分拣单元自动化地分拣出ok产品和ng产品，自动化程度高，进一步地节约了人力成本和提高人力成本。
附图说明
22.图1是实施例的pcb焊接生产线智能分拣系统的工作流程图。
23.图2是实施例的pcb焊接生产线智能分拣系统的另一工作流程图。
具体实施方式
24.下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。
25.在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
26.应当理解，尽管在本发明可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
27.实施例1
28.现有的pcb生产线无分拣功能，所有检测产品全部直通进入一个pcb周转筐。现有的pcb产品aoi检测后，由于误报较多，需要人工二次复测，工作强度大，依赖人工进行检测，有漏检风险。并且检测后需要人工进行对产品分拣，效率低。
29.针对上述问题，本实施公开一种pcb焊接生产线智能分拣系统，图1所示，包括aoi检测单元、推断单元和分拣单元，所述aoi检测单元位于pcb生产线，其对生产线上的pcb产品进行特征提取，识别出有缺陷图片的pcb产品；所述推断单元与所述aoi检测单元信息交互连接，其对有缺陷图片的pcb产品进行复测，所述推断单元包括nano边缘计算模块，所述nano边缘计算模块通过深度神经网络运算来推断并识别所述缺陷图片，根据缺陷图片的识别数据输出pcb产品复测结果，所述pcb产品复测结果包括合格结果和不合格结果；所述分拣单元与所述推断单元连接，其根据所述合格结果的信号将复测后的合格pcb产品分拣到ok位置，根据所述不合格结果的信号将复测后的不合格pcb产品分拣动ng位置。所述分拣单元包括移载机，所述推断单元通过rs232串口发送命令给移栽机，所述命令控制所述移载机根据pcb产品复测结果的信号分拣合格pcb产品和不合格pcb产品。
30.本实施例中中，所述aoi检测单元设有互联网接口，所述推断单元通过接入所述互联网接口与所述aoi检测单元信息交互连接。采用互联网接口，建设完成pcb生产线产品质量检测设备的工业互联网。
31.具体地，上述pcb焊接生产线智能分拣系统的操作流程是：如图1所示，将pcb产品放入生产线，使pcb进入设备，该设备中的传感器触发，设备中的相机拍照，设备中的aoi检测根据图片进行检测，选出有缺陷图片的pcb产品，通过信息交互连接，推断单元中的nano边缘计算模块通过其深度神经网络运算进行深度学习，实现深度学习二次复测，判断出产品是否合格，如不合格则将信号发给分拣单元的移载机以启动移载机ng控制信号，移载机将ng产品制动分拣到ng位置，优先地，该ng位置为ng框，并将ng产品输入维修工序。反之，合格产品则分拣到ok框。
32.上述pcb焊接生产线智能分拣系统的作用：其先通过aoi检测单元进行检测，提取pcb产品的特征，获得有疑似有缺陷的pcb产品，再通过推断单元以nano边缘计算模块通过深度神经网络运算来推断并识别aoi获取的缺陷图片，对该缺图片进行二次复测，其中nano边缘计算模块具有深度神经网络，能有精确地推判缺陷图片的真实性，避免传统需要人工复检aoi检测后的缺陷pcb产品，节约了人力成本，并且效率高。通过推断单元输出的合格信号和不合格信号来控制分拣单元自动化地分拣出ok产品和ng产品，自动化程度高，进一步地节约了人力成本和提高人力成本。
33.实施例2
34.便于理解，以下提供了pcb焊接生产线智能分拣系统的一个实施例进行说明，在实际应用中，图2所示，所述nano边缘计算模块为嵌入式神经网络运算单元，其存储有深度神经网络模型，所述nano边缘计算模块接收缺陷图片，所述嵌入式神经网络运算单元通过深度神经网络模型运算缺陷图片，获得所述缺陷图片的缺陷类型，并根据缺陷类型识别缺陷在图片中的位置，运算后输出显示结果，所述显示结果是所述pcb产品复测结果。
35.pcb产品上的贴片元件缺陷图片通过nano边缘计算模块进行检测，nano边缘计算模块为嵌入式神经网络运算单元，由于嵌入式神经网络运算单元保存了深度神经网络模
型，根据pcb产品类型调取合适的深度神经网络模型，将其对缺陷图片进行运算，即，深度神经网络模型在图片中寻找焊盘这类多个位置的特征，例如nano推断、nano多脚推断以及nano芯片推断，得出运算结果，该运算结果作为显示结果并作为pcb产品复测结果。
36.其中，所述显示结果还包括缺陷置信度。显示缺陷置信度更直接地显示出结果的可信性。
37.所述深度神经网络模型通过工业互联网下载更新。
38.通过网络方式下载更新网络模型，更方便快捷。
39.所述深度神经网络模型包括两焊盘元件模型、小元件元器模型和方形芯片元件模型。
40.由于焊盘模型用于检测焊接的焊盘，元件模型用于检测元器件，小元件模型用于检测0402(元件尺寸1.00mm*0.5mm)封装物料，此类物料在相机成像的焊盘和元件无法有效区分，单独形成两焊盘元件模型、小元件元器模型和方形芯片元件模型，利于区分。
41.所述nano边缘计算模块根据pcb产品类型来配置文件，通过配置文件从而激活对应的深度神经网络模型，所述深度神经网络模型运算后通过输出数据包从而输出所述显示结果。具体地，nano边缘计算模块依据pcb产品类型配置文件从而激活深度神经网络模型，并通过工业互联网接收缺陷图片的数据包，通过深度神经网络模型完成推理运算后，将推理结果通过json格式的数据包，反馈给提交缺陷图片。根据pcb元器件的缺陷类型，nano边缘计算模块能实现不同元器件图片的智能化识别，判断缺陷的类型，缺陷在图片中出现的位置，并给出置信度。
42.实施例3
43.便于理解，以下提供了pcb焊接生产线智能分拣系统的一个实施例进行说明，在实际应用中，所述pcb产品复测结果上报至mes/erp系统。mes/erp系统做记录，便于后期查询。
44.实施例4
45.便于理解，以下提供了pcb焊接生产线智能分拣系统的一个实施例进行说明，在实际应用中，所述pcb产品复测结果的数据缓存于所述推断单元。数据缓存在推断单元，当分拣单元出现故障时分拣信号一直存在，避免信号丢失导致产品误分拣。
46.除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本技术的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
47.在本技术的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本技术保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。
48.为了便于描述，在这里可以使用空间相对术语，如“在
……
之上”、“在
……
上方”、“在
……
上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在
……
上方”可以包括“在
……
上方”和“在
……
下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
49.此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本技术保护范围的限制。
50.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。