一种基于人工智能的PCBA质量检测方法与流程

本发明涉及检测技术领域，特别是一种基于人工智能的pcba质量检测方法。

背景技术：

pcba，即通过smt(贴片方式)和dip(打孔方式)安装了各种电子元器件的电路板。现有厂家实际生产中，为了保证产品质量需要对pcba的质量进行检测，进而判断电路板自身质量是否有问题，以及安装的元器件位置是否正确等问题。目前对于pcba的检测技术，一种是依靠人工目视检测，由于人的视角有限(比如无法有效观察到小型贴片元件之间的脱焊、极性相反等)，存在检测速度慢、准确度不高、检测效果不好的缺点，因此这种方式使用逐渐越来越少。另外一种方式是通过aoi系统(自动光学检测，是基于光学原理来对焊接生产中遇到的常见缺陷进行检测的设备)进行判断；aoi系统虽然采用光学原理，用光学透镜代替人眼，并在拍摄过程中进行图像放大，能够获得较为清晰的设备图像，但目前的aoi系统缺陷在于，判断检测点是否故障的方法、都是通过人工基于aoi系统中存储的标准数字化图像与实际检测到的图像进行对比判别，也就是说同样需要人为目视对比检测，因此也存在检测速度慢，以及漏检、准确度不高的缺点。

随着人工智能技术的发展，人工智能深度学习方法也有应用在了检测技术中。现有技术中，基于人工智能深度学习方法检测电子设备的质量，受到技术限制，只能实现对平面状态下、结构不复杂的部件质量进行检测，应用在pcb(pcb即没有安装各种电子部件的印刷电路板)质量的检测中，主要检测其外观质量，比如说检测其敷铜线是否有开路、短路等现象；由于pcb没有安装元件、处于平整状态，检测的项目少，因此现有基于人工智能深度学习方法检测pcb质量能达到检测目的。而实际情况下，pcba上安装了大量电子元件，那么需要检测的内容就不仅限于检测平面状态的敷铜线是否有开路、短路现象，还需要对处于立体状态及高度不同的电子元件进行是否漏焊、安装不到位、焊接不牢等等项目的检测；因此，目前基于人工智能深度学习方法检测pcb的质量，无法用于pcba的质量检测，基于人工智能深度学习方法检测pcba质量的技术还存在空白。

技术实现要素：

为了克服技术中，采用aoi系统检测pcba质量中存在的缺点，以及现有基于人工智能深度学习检测pcb质量的方法，无法用于pcba质量检测的弊端，本发明提供了能填补基于人工智能深度学习方法检测pcba质量的技术空白，利用aoi系统获取产品图片基础上，用大量pcba图片作为图片数据库，引入人工智能的深度学习方法，采用人工智能的仿人脑神经网络算法，实现在干扰、多变的情况下，仍旧能精确找到pcba等各种质量问题，能涵盖pcba漏贴、翻贴、错贴、侧贴、多贴、锡珠、断锡、少锡、冷焊、虚焊、短路、立碑、偏移、破损、极性反、有异物、引脚起翘等主要质量检测项目，同时能检测电路板自身包括敷铜线是否有开路、短路等外观质量缺陷，并设计出合理的软件架构，使系统具备良好扩容、自适应学习能力，由此达到检测速度快、检测精度高、节省了人工、提高了生产方经济效益的一种基于人工智能的pcba质量检测方法。

本发明解决其技术问题所采用的技术方案是：

一种基于人工智能的pcba质量检测方法，其特征在于包括pc机内的图片储存模块、标记模块；图片储存模块内存有pcba包括漏贴、翻贴、错贴、侧贴、多贴、锡珠、断锡、少锡、冷焊、虚焊、短路、立碑、偏移、破损、极性反、有异物、引脚起翘在内的等故障图片，以及电路板自身包括敷铜线开路、短路等故障图片；实现方法包括如下步骤，第一步：先将pcba已知故障图片的特征基于人工智能深度学习技术，经标记模块进行数据标注，同时配上与故障图片数据一比一对应的合格产品的图片数据，并将这些数据按照一定比例分为训练集和测试集；第二步：基于人工智能深度学习技术，针对pcba故障图片特征设计出适合的人工智能深度学习类型；第三步：用标注过的图片数据对模型进行训练；第四步：用测试集对基于人工智能深度学习的人工智能平台上、生成的实证模型进行测试其是否正确；第五步：测试pcba具体待检故障数据时，将待检测图片输入模型中，模型能自动给出检测pcba图片的数据，从而检测人员根据所得数据直观判断出检测的pcba图片数据是否合格；第六步：对实证模型进行持续优化，形成基于工业图片成像的故障、定位、品质评价等感知认知n种模型。

进一步地，所述图片储存模块内储存有大量pcba已知故障的图片特征数据，以及和故障一比一对应合格pcba产品的图片特征数据。

进一步地，所述第一步中，将pcba已知故障图片的特征基于人工智能深度学习技术，经标记模块进行数据标注中，故障数据累积的愈多愈好。

进一步地，所述第一步中，训练集和测试集同时兼具pcba图片故障数据和合格数据。

进一步地，所述第三步中，标注过的图片数据是第一步中的训练集。

进一步地，所述第五步中，进行测试pcba具体待检故障数据时，缺陷数据会进入ai中心，ai平台自主学习后产生更新版本，模型算法能反馈到ai端侧，对ai端侧进行升级，实际应用中，会不断有缺陷数据增加，能不断更新ai端侧算法，增强检测准确率。

本发明有益效果是：本发明应用的ai(人工智能)模型具备的自适应学习能力，能够保持产线扩容情况下，仍旧能够正常工作并大大提高生产效率，市场运用广阔。本发明填补了基于人工智能深度学习方法检测pcba质量的技术空白，利用aoi系统获取产品图片的基础上，采用大量pcba图片作为图片数据库，引入基于人工智能的深度学习方法(机器学习的一种)，利用人工智能的仿人脑神经网络算法，实现在干扰、多变的情况下，仍旧能精确找到pcba等各种质量问题，能涵盖pcba漏贴、翻贴、错贴、侧贴、多贴、锡珠、断锡、少锡、冷焊、虚焊、短路、立碑、偏移、破损、极性反、有异物、引脚起翘等主要故障检测项目，同时能检测电路板自身包括敷铜线是否有开路、短路等外观质量缺陷，并设计出合理的软件架构，使系统具备良好扩容、自适应学习能力。本发明检测速度快、检测精度高、节省了人工，提高了生产方经济效益。基于上述，本发明具有好的应用前景。

附图说明

以下结合附图和实施例将本发明做进一步说明。

图1是本发明应用方法流程示意图。

具体实施方式

图1中所示，一种基于人工智能的pcba质量检测方法，包括pc机内的图片储存模块、标记模块；图片储存模块内存有pcba包括漏贴、翻贴、错贴、侧贴、多贴、锡珠、断锡、少锡、冷焊、虚焊、短路、立碑、偏移、破损、极性反、有异物、引脚起翘在内的等故障图片，以及电路板自身包括敷铜线开路、短路等故障图片；图片储存模块内储存有大量pcba已知故障的图片特征数据，以及和故障一比一对应合格pcba产品的图片特征数据。实现方法包括如下步骤，第一步：先将pcba已知故障图片的特征基于人工智能深度学习技术，经标记模块进行数据标注，同时配上与故障图片数据一比一对应的合格产品的图片数据，并将这些数据按照一定比例分为训练集和测试集；第一步中，将pcba已知故障图片的特征基于人工智能深度学习技术，经标记模块进行数据标注中，故障数据累积的愈多愈好；第一步中，训练集和测试集同时兼具pcba图片故障数据和合格数据。第二步：基于人工智能深度学习技术，针对pcba故障图片特征设计出适合的人工智能深度学习类型；第三步：用标注过的图片数据对模型进行训练；第三步中，标注过的图片数据是第一步中的训练集。第四步：用测试集对基于人工智能深度学习的人工智能平台上、生成的实证模型进行测试其是否正确；第五步：测试pcba具体待检故障数据时，将待检测图片输入模型中，模型能自动给出检测pcba图片的数据，从而检测人员根据所得数据直观判断出检测的pcba图片数据是否合格(不需要进行图片一一对比)；第五步中，进行测试pcba具体待检故障数据时，缺陷数据会进入ai中心，ai平台自主学习后产生更新版本，模型算法能反馈到ai端侧，对ai端侧进行升级，实际应用中，会不断有缺陷数据增加，能不断更新ai端侧算法，增强检测准确率。第六步：对实证模型进行持续优化，形成基于工业图片成像的故障、定位、品质评价等感知认知n种模型。

图1中所示，本发明应用的ai(人工智能)模型具备的自适应学习能力，能够保持产线扩容情况下，仍旧能够正常工作并大大提高生产效率，市场运用广阔。本发明填补了基于人工智能深度学习方法检测pcba质量的技术空白，利用aoi系统获取产品图片的基础上，采用大量pcba图片作为图片数据库，引入人工智能的深度学习方法(机器学习的一种)，利用人工智能的仿人脑神经网络算法，实现在干扰、多变的情况下，仍旧能精确找到pcba等各种质量问题，能涵盖pcba漏贴、翻贴、错贴、侧贴、多贴、锡珠、断锡、少锡、冷焊、虚焊、短路、立碑、偏移、破损、极性反、有异物、引脚起翘等主要故障检测项目，并能检测电路板自身包括敷铜线是否有开路、短路等外观质量缺陷。本发明中，利用基于人工智能的卷积神经网络算法，实现在多变的情况下，仍旧能精确找到产品缺陷的特点，检测速度快，减少了工厂的人力成本，提高了生产效率，并增加了经济效益，更因为有ai平台拥有了缺陷数据，可以做质量问题的根因分析，提高良品率；并具有合理的软件架构，使系统具备良好扩容、自适应学习能力。本发明具有好的应用前景。

以下表格是本发明对pcba主要缺陷的细类分类及缺陷原因分析。就目前已有的数据，缺陷图片可分为常用的一百多种元器件17类缺陷类型，其具体划分如下：

本发明的ai所采用的pcba图片质量检测技术，是对蕴含待测物体的状态、尺寸、工艺，特别是缺陷等信息的图片信号进行采集分析，然后利用人工智能的算法来快速准确地实现故障辨识的无损检测方式，可以适用于各类电子厂家对于pcba的质量检测，拥有可观的市场前景。

以上显示和描述了本发明的基本原理和主要特征及本发明的优点，对于本领域技术人员而言，显然本发明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囊括在本发明内。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，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。