印刷电路板检查装置、感知焊膏是否异常的方法及计算机可判读记录介质与流程

本公开涉及印刷电路板检查装置，更具体而言，涉及一种用于检测印刷电路板装置上印刷的焊膏是否异常的印刷电路板检查装置。

本发明通过以产业通商资源部的机器人产业融合核心技术开发项目的一环作为目的进行的研究而导出【课题编号：10077589，研究课题名：基于机器学习的smt最优化系统技术开发】。

背景技术：

在加装于电子装置的印刷电路板上印刷焊膏的工序借助于丝网印刷机来执行，丝网印刷机在印刷电路板上印刷焊膏的工序如下。丝网印刷机使印刷电路板位于用来固定印刷电路板的工作台，以模版的开口位于对应的印刷电路板的焊垫上的方式，使模版排列于印刷电路板上。然后，丝网印刷机利用刮板(squeegee)，通过模版的开口，将焊膏印刷于印刷电路板。然后，丝网印刷机使模版与印刷电路板分离。

印刷电路板上印刷的焊膏的形状可通过spi(solderpasteinspection，焊膏步进检测)技术进行检查。spi技术是通过光学技术获得印刷电路板上印刷的焊膏的二维或三维影像，并且可以从获得的影像检查印刷电路板上印刷的焊膏形状的技术。

技术实现要素：

解决的技术问题

本公开提供一种利用基于机器学习的模型，感知印刷电路板上印刷的多处焊膏是否异常(anomaly)的印刷电路板检查装置。

本公开提供一种计算机可判读记录介质，记录有包含可执行命令的程序，所述可执行命令使得印刷电路板检查装置利用基于机器学习的模型，感知印刷电路板上印刷的多处焊膏是否异常。

本公开提供一种在印刷电路板检查装置中，利用基于机器学习的模型，感知焊膏是否异常的方法。

技术方案

根据本公开的一个实施例，检查印刷电路板的装置可以包括：存储器，其存储有经学习的基于机器学习的模型，所述基于机器学习的模型进行学习，以便利用通过在模版中形成的两个开口的开口形状信息及所述两个开口而在印刷电路板上印刷的两处焊膏各自的测量形状信息，所述两处焊膏根据具有预定的开口形状的两个开口印刷于印刷电路板时，可以导出将要分别具有所述测量形状信息的概率值；及处理器，其与所述存储器电气连接；所述处理器针对通过在模版中形成的多个开口而印刷于第一印刷电路板的多处焊膏的测量形状信息，及获得所述多个开口的开口形状信息，将所述多处焊膏各自的测量形状信息及所述多个开口各自的开口形状信息应用于所述基于机器学习的模型，通过所述多个开口中的第一开口而印刷的第一焊膏与所述多个开口中并不是第一开口而是通过所述多个开口中的第二开口而印刷的多处第二焊膏将印刷于所述第一印刷电路板时，所述第一焊膏与所述多个第二焊膏各自获得将要具有所述测量形状信息的概率值，基于所述获得的概率值，感知所述第一焊膏是否存在异常。

在一个实施例中，所述测量形状信息可以包括焊膏的体积信息、焊膏的高度信息或焊膏的面积信息中至少一者。

在一个实施例中，所述基于机器学习的模型可以进行学习，基于预先学习的代表通过所述多个开口各自印刷的焊膏的测量形状信息的分布的第一信息，通过两个开口各自印刷于所述印刷电路板时，所述两处焊膏分别导出将要具有所述测量形状信息的概率值。

在一个实施例中，所述基于机器学习的模型可以基于所述第一信息，通过所述第一开口印刷的第一焊膏与通过第二开口印刷的所述多个第二焊膏，印刷于第一印刷电路板时，所述第一焊膏与所述多个第二焊膏各自导出将要具有测量形状信息的概率值。

在一个实施例中，所述基于机器学习的模型可以进行学习，基于第二信息，导出通过所述两个开口各自而印刷的所述两处焊膏将印刷于所述印刷电路板时，所述两个焊膏各自导出将要具有测量形状信息的概率值，其中，所述第二信息是预先学习的代表多个焊膏各自的测量形状信息之间的差异分布的信息。

在一个实施例中，所述基于机器学习的模型可以基于所述第二信息，通过所述第一开口印刷的第一焊膏与通过第二开口印刷的所述多个第二焊膏，印刷于第一印刷电路板时，所述第一焊膏与所述多个第二焊膏各自导出将要具有测量形状信息的概率值。

在一个实施例中，当所述获得的概率值中，成为设置临界值以下的概率值个数达到设置的个数以上时，所述处理器可以感知为所述第一焊膏存在异常。

在一个实施例中，当所述获得的概率值中，成为设置临界值以下的概率值个数不足设置的个数时，所述处理器可以感知为所述第一焊膏无异常。

在一个实施例中，可以还包括获得关于所述印刷电路板的图像的图像传感器，所述处理器利用通过所述图像传感器而获得的图像，获得所述印刷电路板上印刷的多处焊膏各自的测量形状信息，通过与所述印刷电路板相关的设计信息，获得所述多个开口各自的开口形状信息。

根据本公开的一个实施例，作为记录用于在计算机上执行的程序的非易失性计算机可判读记录介质，所述程序可以包括在借助于处理器而运行时使得所述处理器执行如下步骤的可执行命令：针对通过在模版中形成的多个开口而获得印刷于第一印刷电路板的多处焊膏各自的测量形状信息，及所述多个开口各自的测量形状信息的步骤；将所述多处焊膏各自的测量形状信息及所述多个开口各自的开口形状信息应用于基于机器学习的模型，获得通过所述多个开口中的第一开口而印刷的第一焊膏和不是所述多个开口中第一开口，而是通过所述多个开口中的第二开口而印刷的多处第二焊膏将印刷于所述第一印刷电路板时，所述两个焊膏各自导出将要具有测量形状信息的概率值的步骤；及基于所述获得的概率值，感知所述第一焊膏是否存在异常的步骤；所述基于机器学习的模型可以进行学习，以便利用通过在模版中形成的两个开口的开口形状信息及所述两个开口而印刷于印刷电路板的两处焊膏各自的测量形状信息，导出所述两处焊膏根据具有预定的开口形状的两个开口印刷于所述印刷电路板时，可以导出将要分别具有所述测量形状信息的概率值。

在一个实施例中，所述测量形状信息可以包括焊膏的体积信息、焊膏的高度信息或焊膏的面积信息中至少一者。

在一个实施例中，所述基于机器学习的模型可以进行学习，基于预先学习的代表通过所述多个开口各自印刷的焊膏的测量形状信息的分布的第一信息，通过两个开口各自印刷于所述印刷电路板时，所述两处焊膏分别导出将要具有所述测量形状信息的概率值。

在一个实施例中，所述基于机器学习的模型可以所述基于机器学习的模型基于所述第一信息，通过所述第一开口印刷的第一焊膏与通过第二开口印刷的所述多个第二焊膏，印刷于第一印刷电路板时，所述第一焊膏与所述多个第二焊膏各自导出将要具有测量形状信息的概率值。

在一个实施例中，所述基于机器学习的模型可以进行学习，基于第二信息，导出通过所述两个开口各自而印刷的所述两处焊膏将印刷于所述印刷电路板时，所述两个焊膏各自导出将要具有测量形状信息的概率值，其中，所述第二信息是预先学习的代表多个焊膏各自的测量形状信息之间的差异分布的信息。

在一个实施例中，所述基于机器学习的模型可以基于所述第二信息，通过所述第一开口印刷的第一焊膏与通过第二开口印刷的所述多个第二焊膏，印刷于第一印刷电路板时，所述第一焊膏与所述多个第二焊膏各自导出将要具有测量形状信息的概率值。

在一个实施例中，所述感知第一焊膏是否存在异常的的步骤可以是当所述获得的概率值中，成为设置临界值以下的概率值个数达到设置的个数以上时，感知为所述第一焊膏存在异常。

根据本公开的一个实施例，在印刷电路板检查装置中感知焊膏是否异常的方法，包括：

通过在模版中形成的多个开口，而获得对印刷于第一印刷电路板的多个焊膏各自的测量形状信息及所述多个开口各自的开口形状信息的步骤；

将对所述多个焊膏各自的测量形状信息及所述多个开口各自的开口形状信息适用于机器学习模型，通过所述多个开口中第一开口印刷的第一焊膏与所述多个开口中不是第一开口，而是通过第二开口印刷的多个第二焊膏将印刷于第一印刷电路板时，第一焊膏与第二焊膏各自将具有所述测量形状信息的概率值的步骤；

基于所述获得的概率值，感知第一焊膏是否异常的步骤；

所述机器学习模型，利用在模版中形成的两个开口的开口形状信息及对通过所述两个开口印刷于印刷电路板的两个焊膏各自的测量形状信息，导出根据具有预定的开口形状的两个开口印刷于所述印刷电路板时，可以导出将要分别具有所述测量形状信息的概率值。

发明效果

本发明多样实施例的印刷电路板的检查装置可以利用关于印刷电路板上印刷的多处焊膏的测量形状信息及模版开口的开口形状信息，感知到印刷于印刷电路板的多个焊膏各自是否异常。由此，可以更准确地感知印刷电路板上印刷的焊膏是否异常。

附图说明

图1是本公开的多样实施例的印刷电路板检查装置的框图。

图2是本公开的多样实施例的感知印刷电路板上印刷的焊膏是否异常的方法的流程图。

图3是本公开的多样实施例的印刷电路板检查装置感知焊膏是否异常的方法的概念图。

图4是本公开的多样实施例的印刷电路板检查装置使基于机器学习的模型进行学习的方法的概念图。

图5a是显示本公开的多样实施例的通过具有第一形状的开口而印刷的第一焊膏的测量形状信息的分布的图表。

图5b是显示本公开的多样实施例的通过具有第二形状的开口而印刷的第二焊膏的测量形状信息的分布的图表。

图5c是显示本公开的多样实施例的第一焊膏与第二焊膏间测量形状信息差异的分布的图表。

图6是本公开的多样实施例的借助于基于机器学习的模型，导出通过具有相同形状的开口而印刷的焊膏各自将要具有所获得的测量形状信息的概率值的方法的流程图。

图7是本公开的多样实施例的利用借助于基于机器学习的模型的焊膏间测量形状信息差异来导出焊膏各自将要具有所获得的测量形状信息的概率值的方法的流程图。

图8是本公开的多样实施例的通过焊膏间的测量形状信息比较而导出焊膏各自将要具有所获得的测量形状信息的概率值的方法的流程图。

图9是本公开的多样实施例的利用基于机器学习的模型导出的多个概率值来感知焊膏是否异常的方法的流程图。

具体实施方式

本公开的实施例是出于说明本公开的技术思想的目的而列举的示例。本公开的权利范围不限定于以下提示的实施例或对这些实施例的具体说明。

只要未不同地定义，本公开中使用的所有技术术语及科学术语具有本公开所属技术领域的普通技术人员一般理解的意义。本公开中使用的所有术语是出于更明确地说明本公开的目的而选择的，并非是为了限制本公开的权利范围而选择的。

本公开中使用的诸如“包括的”、“具备的”、“具有的”等表现，只要在包含相应表现的语句或文章中未提及不同，则应理解为涵盖可包括其他实施例的可能性的开放型术语(open-endedterms)。

只要未提及不同，本公开中记述的单数型的表现可以还一同包括复数型的意义，这也同样适用权利要求书中记载的单数型的表现。

本公开中使用的“第一”、“第二”等表现是为了相互区分多个构成要素而使用的，并非限定相应构成要素的顺序或重要度。

本公开中使用的“基于～”字样的表现，用于对包含相应表现的语句或文章中记述的，决定、判断的行为或记述动作施加影响的一个以上因子，该表现不排除对决定或判断的行为或动作施加影响的追加因子。

在本公开中，当提及某种构成要素“连接于”或“接入于”其他构成要素时，应理解为既可以是所述某种构成要素直接连接于或接入于所述其他构成要素，也可以是以新的其他构成要素为媒介连接或接入。

下面参照附图，详细说明本公开的实施例。在附图中，对相同或对应的构成要素，赋予相同的附图标记。另外，在以下实施例的说明中，可以省略重复记述相同或对应的构成要素。但是，即使省略就构成要素的记述，也不代表某实施例中不包含这种构成要素。

图1是本公开的多样实施例的印刷电路板检查装置的框图。

根据本公开的多样实施例，印刷电路板检查装置100可以包括图像传感器110、存储器120及处理器130。另外，印刷电路板检查装置100可以还包括用于输出处理器130处理的结果的诸如显示装置等的其他输出装置(图上未示出)或用于将处理的结果传输给其他电子装置的通信电路(图上未示出)。图像传感器110、存储器120及处理器130可以电气连接并收发信号。

在一个实施例中，图像传感器110可以获得关于借助丝网印刷机101而印刷有多处焊膏的印刷电路板的图像。借助于图像传感器110而获得的图像可以是关于印刷电路板的二维或三维图像。借助于图像传感器110而获得的关于印刷电路板的图像，可以用于测量关于印刷电路板上印刷的多处焊膏的形状信息。以下，对所测量的多个焊膏的形状信息，称为“测量形状信息”。例如，可以利用关于印刷电路板的图像，测量关于印刷电路板上印刷的多处焊膏各自的包括体积信息、面积信息或高度信息中至少一者的形状信息。不过，这只是出于说明的目的，而非限定于此，可以测量与多处焊膏各自的形状相关的多样信息。另外，还可以利用关于印刷电路板的图像，测量诸如印刷电路板上印刷的多处焊膏各自的位置等能够代表多处焊膏各自特性的多样信息。

在一个实施例中，存储器120可以存储基于机器学习的模型。基于机器学习的模型可发进行学习，以便利用通过在模版中形成的两个开口的开口形状信息及所述两个开口而印刷于印刷电路板的两处焊膏各自的测量形状信息，所述两处焊膏根据具有预定开口形状的两个开口印刷于印刷电路板时，可以导出将要分别具有所述测量形状信息的概率值。其中，开口形状信息可以包括形成于模版的两个开口的如同形状、大小、厚度等与两个开口的特性相关的信息。

印刷电路板上印刷的多处焊膏的测量形状信息可以根据丝网印刷机101的控制参数、在用于印刷电路板印刷的模版中形成的开口的形状及与丝网印刷机101运转相关的环境要素而不同。对于借助于丝网印刷机101而印刷多处焊膏的一个印刷电路板，丝网印刷机101的控制参数及与丝网印刷机101运转相关的环境要素可以相同。因此，一个印刷电路板上印刷的焊膏的测量形状信息可以根据在用于印刷电路板印刷的模版中形成的开口的形状而不同。

因此，基于机器学习的模型为了导出根据具有预定开口形状的两个开口印刷于印刷电路板时，将要分别具有所获得的测量形状信息的概率值，可以通过印刷电路板检查装置100执行检查的多个印刷电路板，分别利用印刷的多处焊膏的测量形状信息及在用于多个印刷电路板印刷的模版中形成的多个开口的开口形状信息来学习，以便根据具有预定开口形状的两个开口印刷于印刷电路板时，将要分别具有所获得的测量形状信息的概率值。作为基于机器学习的模型，可以利用深度学习模型等，对于使基于机器学习的模型进行学习的具体方法，将在后面叙述。

并且，基于机器学习的模型可存储在与印刷电路板检查装置100有线或无线联动的电子装置(例如：外部服务器等)的存储器中。此时，印刷电路板检查装置100可以收发为了感知有线或无线联动的电子装置与焊膏是否异常的信息。

在一个实施例中，处理器130的如上所述经学习的基于机器学习的模型，为了导出根据具有预定开口形状的两个开口印刷于印刷电路板时，将要分别具有所获得的测量形状信息的概率值，可以利用通过在用于印刷电路板印刷的模版中形成的多个开口而印刷的多处焊膏各自的测量形状信息及多个开口的开口形状信息。例如，多处焊膏各自的测量形状信息可以通过关于印刷电路板的图像而获得。另外，多个开口的开口形状信息可以通过与印刷电路板相关的设计信息而获得。与印刷电路板相关的设计信息可以包括用于印刷电路板印刷的模版相关信息(例：在模版中形成的开口数、开口的形状、开口的位置等)。

例如，处理器130可以获得丝网印刷机101通过在用于第一印刷电路板印刷的模版中形成的多个开口而印刷于第一印刷电路板的多处焊膏各自的测量形状信息。第一印刷电路板可以是在丝网印刷机101印刷了多处焊膏后，成为移送到印刷电路板检查装置100的检查对象的印刷电路板。例如，处理器130可以利用关于第一印刷电路板的图像，获得第一印刷电路板上印刷的多处焊膏各自的测量形状信息。

另外，处理器130可以获得在用于第一印刷电路板印刷的模版中形成的多个开口的开口形状信息。处理器130可以通过存储器120中存储的或从丝网印刷机101接收的与第一印刷电路板相关的设计信息，获得多个开口的开口形状信息。

在一个实施例中，处理器130可以将第一印刷电路板上印刷的多处焊膏各自的测量形状信息及在用于第一印刷电路板印刷的模版中形成的多个开口各自的开口形状信息，应用于基于机器学习的模型。处理器130可以获得通过基于机器学习的模型导出的根据具有预定开口形状的两个开口印刷于印刷电路板时，将要分别具有所述测量形状信息的概率值。

例如，处理器130可以获得通过在模版中形成的多个开口中的第一开口而印刷于第一印刷电路板的第一焊膏与多个开口中并不是第一开口，而是通过所述多个开口中的第二开口而印刷的多处第二焊膏将印刷于第一印刷电路板时，所述第一焊膏与所述多个第二焊膏各自获得将要具有所述测量形状信息的概率值。

在一个实施例中，处理器130可以基于从基于机器学习的模型获得的概率值，感知第一焊膏是否存在异常。例如，当从基于机器学习的模型获得的概率值中，成为设置临界值以下的概率值个数达到设置的个数以上时，处理器130可以感知为第一焊膏存在异常。作为又一示例，当从基于机器学习的模型获得的概率值中，成为设置临界值以下的概率值个数不足设置的个数时，所述处理器130可以感知为第一焊膏无异常。为了感知第一焊膏是否异常而利用的临界值及个数，可以在检测第一焊膏是否异常后，通过与实际第一焊膏是否异常的比较来调整。

在一个实施例中，处理器130可以在感知第一焊膏是否存在异常后，针对第一印刷电路板上印刷的多处焊膏中除第一焊膏之外的剩余焊膏处，也执行相同的过程。由此，处理器130可以感知第一印刷电路板上印刷的多处焊膏中至少一处焊膏是否存在异常。

在一个实施例中，第一印刷电路板上印刷的多处焊膏各自的测量形状信息及在用于第一印刷电路板印刷的模版中形成的多个开口的开口形状信息，可以用于检测第一印刷电路板上印刷的多处焊膏中至少一处焊膏是否存在异常。由此，随着借助于印刷电路板检查装置100而检查的印刷电路板数量的增加，从基于机器学习的模型导出的值会越来越准确。

图2是本公开的多样实施例的检测印刷电路板上印刷的焊膏是否异常的方法的流程图。

在图2、图5、图6、图7及图8所示的流程图中，进程步骤、方法步骤、算法等虽然是按顺序依次说明的，但这些进程、方法及算法可以构成得按任意适合的顺序运转。换句话说，本公开的多样实施例中说明的进程、方法及算法的步骤无需按本公开中记述的顺序执行。另外，虽然说明的是一部分步骤按非同时方式执行的情形，但在其他实施例中，这种一部分步骤可以同时执行。另外，附图中描写的进程示例并不意味着举例的进程排除对其的不同变化及修订，不意味着举例的进程或其步骤中任意某一者是本公开的多样实施例中一者以上所必需的，不意味着举例的进程是优选的。

在210步骤中，印刷电路板检查装置100的处理器130可以利用关于第一印刷电路板的图像，获得第一印刷电路板上印刷的多处焊膏各自的测量形状信息。另外，处理器130可以获得在用于第一印刷电路板印刷的模版中形成的多个开口的开口形状信息。处理器130可以通过存储器120中存储或从如同丝网印刷机101等外部电子装置接收的与第一印刷电路板相关的设计信息，获得多个开口的开口形状信息。

在220步骤中，处理器130可以将多处焊膏各自的测量形状信息及多个开口的开口形状信息应用于基于机器学习的模型，获得通过在模版中形成的多个开口中的第一开口而印刷的第一焊膏和多个开口中并不是第一开口，而是通过所述多个开口中的第二开口而印刷的多处第二焊膏将印刷于第一印刷电路板时，所述第一焊膏与所述多个第二焊膏各自获得将要具有所获得的测量形状信息的概率值。对于基于机器学习的模型导出第一焊膏和多处第二焊膏分别将印刷于第一印刷电路板时，所述第一焊膏与所述多个第二焊膏各自获得将要具有所获得的测量形状信息的概率值的具体方法，将在后面叙述。

在230步骤中，处理器130可以基于从基于机器学习的模型获得的概率值，检测第一焊膏是否存在异常。另外，处理器130可以在感知了第一焊膏是否存在异常后，针对第一印刷电路板上印刷的多处焊膏中除第一焊膏之外的剩余焊膏，分别执行图220步骤及230步骤。由此，处理器130可以感知第一印刷电路板上印刷的多处焊膏中至少一处焊膏是否存在异常。

图3是本公开的多样实施例的印刷电路板检查装置感知焊膏是否异常的方法的概念图。

在一个实施例中，多个印刷电路板310分别在丝网印刷机101印刷多处焊膏后，可以移送给印刷电路板检查装置100。多个印刷电路板310分别依次移送给印刷电路板检查装置100，印刷电路板检查装置100可以感知多个印刷电路板310上分别印刷的多处焊膏中至少一处焊膏是否存在异常。

在一个实施例中，印刷电路板检查装置100的存储器120或与印刷电路板检查装置100有线或无线联动的电子装置(例如：外部服务器等)的存储器中存储的基于机器学习的模型320，可以导出多个印刷电路板310获得通过多个开口中的第一开口而印刷的第一焊膏与不是所述多个开口中第一开口，而是通过所述多个开口中的第二开口而印刷的多处第二焊膏将印刷于第一印刷电路板时，第一焊膏与多个第二焊膏各自获得将要具有所获得的测量形状信息的概率值。例如，基于机器学习的模型320可以导出多个印刷电路板310中的第一印刷电路板上印刷的多处焊膏与其他焊膏各自导出将要具有所获得的测量形状信息的概率值。从基于机器学习的模型320导出的概率值可以用于处理器130感知第一印刷电路板上印刷的多处焊膏中至少一处焊膏是否存在异常。

在一个实施例中，分别对应于多处焊膏的从基于机器学习的模型320导出的概率值可以如图表330所示。图表330的x轴及y轴可以是多处焊膏印刷的第一印刷电路板的焊垫id。例如，如果参照图表330，在对应于第一焊垫id(p1)的第一焊垫上印刷的第一焊膏与在第一印刷电路板的多处焊垫中不是第一焊垫的剩余焊垫上印刷的多处焊膏将要具有所获得的测量形状信息的的概率值，具有相对较低的值，可以是相互类似的值。由此，第一焊垫上印刷的第一焊膏可以被感知为存在异常。

作为又一示例，如果参照图表330，在对应于第二焊垫id(p2)的第二焊垫上印刷的第二焊膏和第一印刷电路板的多处焊垫中不是第二焊垫的剩余焊垫上印刷的多处焊膏将要具有所获得的测量形状信息的的概率值，具有相对较高的值，可以是相互类似的值。由此，在第二焊垫上印刷的第二焊膏可以被感知为不存在异常。

在一个实施例中，临界值成为判断图表330中显示的值相对较高或较低的基准，所述临界值可以在感知焊膏是否异常后，通过与实际焊膏是否异常的比较而调整。例如，当焊膏被感知为存在异常，而被感知为存在异常的焊膏实际存在异常时，临界值可以保持或调整得更低。作为又一示例，当焊膏被感知为存在异常，而被检测为存在异常的焊膏实际没有异常时，临界值可以调整得更高。

在一个实施例中，焊膏与其他焊膏将分别将要具有所获得的测量形状信息的概率值，可以分布于设置的临界值附近。此时，为了感知焊膏是否异常，通过概率值中成为临界值以下的概率值个数与设置个数的比较，可以感知焊膏是否异常。

例如，当成为临界值以下的概率值个数达到设置的个数以上时，可以感知为焊膏存在异常，当成为临界值以下的概率值个数不足设置的个数时，可以感知为焊膏无异常。成为感知焊膏是否异常的基准的个数也和临界值一起，在感知焊膏是否异常后，通过与实际焊膏是否异常的比较而调整。例如，当焊膏被感知为存在异常，而被检测为存在异常的焊膏实际存在异常时，个数可以保持或调整得更低。作为又一示例，当焊膏被感知为存在异常，而被检测为存在异常的焊膏实际无异常时，个数可以调整得更高。

在一个实施例中，可以在第一印刷电路板上印刷的多处焊膏中，将通过基于机器学习的模型320导出的多个值而检测为存在异常的至少一处焊膏，显示于第一印刷电路板的图像340。例如，可以决定与检测到异常的至少一处焊膏相对应的焊垫id，通过决定的焊垫id及与第一印刷电路板相关的设计信息，决定检测到异常的至少一处焊膏所印刷的位置。

在一个实施例中，显示感知到异常的至少一处焊膏的第一印刷电路板图像340，可以通过印刷电路板检查装置100的显示装置输出。另外，显示感知到异常的至少一处焊膏的第一印刷电路板的图像340，也可以通过印刷电路板检查装置100的通信模块，发送给其他电子装置，用于决定并矫正与感知到异常的至少一处焊膏相关的丝网印刷机101的缺陷。

图4是本公开的多样实施例的印刷电路板检查装置使基于机器学习的模型进行学习的方法的概念图。

在一个实施例中，基于机器学习的模型420为了导出多处焊膏各自将要具有所获得的测量形状信息的概率值，可以通过印刷电路板检查装置100执行检查的多个印刷电路板410，分别利用印刷的多处焊膏的测量形状信息及在用于多个印刷电路板印刷的模版中形成的多个开口的开口形状信息来进行学习。

例如，由于丝网印刷机101的控制参数及与丝网印刷机101运转相关的环境要素相同，因而只有在用于印刷电路板印刷的模版中形成的开口的开口形状信息主要对一个印刷电路板上印刷的多处焊膏的测量形状信息产生影响。因此，基于机器学习的模型420可以利用多处焊膏的测量形状信息及在模版中形成的多个开口的开口形状信息来进行学习。

在一个实施例中，基于机器学习的模型420与形成在模版的多个开口无关，可以利用多个焊膏的测量形状信息及形成在模版的多个开口的开口形状信息来进行学习。

比如，基于机器学习的模型420可分别通过多个开口学习印刷于相同印刷电路板的焊膏的测量形状信息的分布信息。为了分别对应于用在丝网印刷机101的至少一个形成于模版的多个开口的形状，基于机器学习的模型420可以学习到焊膏的测量形状信息的分布信息。

例如，基于机器学习的模型420基于预先学习的代表通过多个开口各自而印刷的焊膏的测量形状信息的分布的信息，多个焊膏印刷于相同印刷电路板时，多个焊膏分别导出将要具有所获得的测量形状信息的概率值。

在另一实施例中，基于机器学习的模型420可以学习基于学习的代表多个焊膏各自的测量形状信息之间差异分布的分布信息。其中，测量形状信息的差异可表示为定量差异等。。

并且，基于机器学习的模型420基于预先学习的多个焊膏各自的测量形状信息差异分布的分布信息，多个焊膏将印刷于相同印刷电路板时，多个焊膏分别导出将要具有所获得的测量形状信息的概率值。

如上，基于机器学习的模型420与形成在模版的两个开口形状无关，利用基于预先学习的多个焊膏的对于测量形状信息分布的分布信息及具有互不相同的形状的开口而印刷的多个焊膏的对于测量形状信息差异的分布，可导出多个焊膏将印刷于相同印刷电路板时，多个焊膏分别导出将要具有所获得的测量形状信息的概率值。

再例如，基于机器学习的模型420根据多个开口的形状是否相同，而可以利用不同的方法导出多个焊膏将印刷于相同印刷电路板时，多个焊膏分别导出将要具有所获得的测量形状信息的概率值，下面将对此进行说明。

在一个实施例中，基于机器学习的模型420在模版中形成的两个开口各自的形状相同时，可以基于通过两个开口而将相同的印刷电路板上印刷的两处焊膏的测量形状信息，学习通过相同的开口形状而印刷的焊膏的测量形状信息的分布信息。以分别同在丝网印刷机101利用的至少一个模版中形成的开口的多个形状相对应的方式，通过相同形状的开口而在相同的印刷电路板上印刷的焊膏的测量形状信息的分布信息，可以用于基于机器学习的模型420学习。

例如，通过在模版中形成的具有第一形状及第二形状的两个开口而分别印刷的焊膏的测量形状信息的分布信息如图5a及图5b所示，可以表现为高斯分布(gaussiandistribution)。这种分布信息可以用于基于机器学习的模型420导出通过具有相同形状的开口而印刷的焊膏将要具有所获得的测量形状信息的概率值。另外，这种分布信息也可以用于导出通过具有互不相同形状的开口而印刷的焊膏间测量形状信息的差异或测量形状信息的相对值。

在一个实施例中，基于机器学习的模型420可以进行学习，以便当在模版中形成的两个开口各自的形状同为第一形状时，基于通过具有预先学习的第一形状的开口而印刷的焊膏各自的测量形状信息的分布信息，导出两处焊膏将要具有所获得的测量形状信息的概率值。例如，基于机器学习的模型420可以基于分布信息，在成为检查对象的第一印刷电路板上，同通过具有第一形状的开口而印刷的两处焊膏印刷于所述印刷电路板时，所述两个焊膏可导出将要具有所获得的测量形状信息的概率值。

例如，基于机器学习的模型420在通过具有第一形状的开口而印刷的两处焊膏的体积信息为a及b时，可以将两处焊膏的体积信息应用于预先学习的分布信息。基于机器学习的模型420可以基于分布信息，导出通过具有第一形状的开口而印刷的两处焊膏将具有a或b体积信息的概率值。上面为了说明的便利，以测量形状信息中的体积信息为中心进行了说明，但并非限定于此，通过除体积信息之外的测量形状信息中包含的其他信息，也可以导出两处焊膏将印刷于第一印刷电路板时，所述两个焊膏可以导出将要分别具有所获得的测量形状信息的概率值。

在一个实施例中，基于机器学习的模型420当在模版中形成的两个开口各自的形状相异时，可以基于通过两个开口而在相同的印刷电路板上印刷的两处焊膏的测量形状信息，学习两处焊膏的测量形状信息的差异的分布信息。按照在丝网印刷机101利用的至少一个模版中形成的开口的多个形状，在相同的印刷电路板中，通过具有相同形状的开口而印刷的焊膏的测量形状信息与通过具有不同形状的开口而印刷的焊膏的测量形状信息的差异的分布信息，可以用于基于机器学习的模型420学习。

例如，可以如图5c所示，显示通过在模版中形成的具有第一形状的开口而印刷的焊膏的测量形状信息与通过具有不同形状的开口而印刷的焊膏的测量形状信息的差异的分布信息。例如，第一图表510可以是通过具有第一形状的开口而印刷的焊膏的测量形状信息与通过具有第二形状的开口而印刷的焊膏的测量形状信息的差异的分布信息。第二图表520可以是通过具有第一形状的开口而印刷的焊膏的测量形状信息与通过具有第三形状的开口而印刷的焊膏的测量形状信息的差异的分布信息。第三图表530至第七图表570也可以是通过具有第一形状的开口而印刷的焊膏的测量形状信息与通过具有第四至第六形状的开口而印刷的焊膏的测量形状信息的差异的分布信息。

这种分布信息可以用于基于机器学习的模型420导出通过具有不同形状的开口而印刷的焊膏将要具有所获得的测量形状信息的概率值。

例如，基于机器学习的模型420在通过具有第一形状的开口而印刷的第一焊膏的体积信息为a、通过具有第二形状的开口而印刷的第二焊膏的体积信息为b时，可以基于分布信息，通过诸如数学式1的条件概率，导出第一焊膏和第二焊膏将要具有体积信息a及体积信息b的概率值。

【数学式1】

x＝p(a|b)

其中，x为第一焊膏和第二焊膏将要具有体积信息a及体积信息b的概率值，a代表第一焊膏和第二焊膏的体积信息的差异为a-b的事件，b可以代表第一焊膏通过具有第一形状的开口而印刷、第二焊膏通过具有第二形状的开口而印刷的事件。基于机器学习的模型420可以通过分布信息，导出当第一焊膏通过模版的第一开口而印刷、第二焊膏通过第二开口而印刷时，第一焊膏与第二焊膏之间的体积信息的差异为a-b的概率值。基于机器学习的模型420可以将导出的概率值导出为第一焊膏和第二焊膏将要具有体积信息a及体积信息b的概率值。

在一个实施例中，基于机器学习的模型420当在模版中形成的两个开口各自的形状相异时，可以基于通过两个开口而在相同的印刷电路板上印刷的两处焊膏的测量形状信息，学习两处焊膏的测量形状信息之间的相对值的分布信息。按照在丝网印刷机101利用的至少一个模版中形成的开口的多个形状，在相同的印刷电路板中，通过具有相同形状的开口而印刷的焊膏的测量形状信息与通过具有不同形状的开口而印刷的焊膏的测量形状信息的相对值的分布信息，可以用于基于机器学习的模型420学习。其中，就相对值而言，如同两处焊膏的测量形状信息之间的比率等，可以是代表两处焊膏的测量形状信息之间的关系的值。

这种分布信息可以用于基于机器学习的模型420导出通过具有相互相异形状的开口而印刷的焊膏将要具有所获得的测量形状信息的概率值。

例如，基于机器学习的模型420在通过具有第一形状的开口而印刷的第一焊膏的体积信息为a、通过具有第二形状的开口而印刷的第二焊膏的体积信息为b时，可以基于分布信息，通过诸如数学式2的条件概率，导出第一焊膏和第二焊膏将要具有体积信息a及体积信息b的概率值。

【数学式2】

x＝p(c|d)

其中，x可以是第一焊膏和第二焊膏将印刷于第一印刷电路板的概率值。c可以代表第一焊膏的体积信息和第二焊膏的体积信息的比率为a:b的事件，d可以代表第一焊膏通过具有第一形状的开口而印刷、第二焊膏通过第二形状而印刷的事件。另外，c可以代表第一焊膏的体积信息为a的事件，d也可以代表第一焊膏通过具有第一形状的开口而印刷、通过具有第二形状的开口而印刷的第二焊膏的体积信息为b的事件。基于机器学习的模型420可以通过分布信息，在第一焊膏通过第一开口而印刷、通过第二开口而印刷的第二焊膏的体积信息为b时，导出第一焊膏的体积信息成为a的概率值。基于机器学习的模型420可以将导出的概率值，导出为第一焊膏和第二焊膏将要具有所获得的测量形状信息的概率值。

如上所述，基于机器学习的模型420可以进行学习，以便导出多处焊膏将要分别具有所获得的测量形状信息的概率值。上面说明的基于机器学习的模型420的学习方法只是出于说明的目的，而非限定于此，为了导出多处焊膏将要具有所获得的测量形状信息的概率值，基于机器学习的模型420可以以多样方法学习。

图6是本公开的多样实施例的借助于基于机器学习的模型，导出通过具有相同形状的开口而印刷的焊膏分别将要具有所获得的测量形状信息的概率值的方法的流程图。

在610步骤中，印刷电路板检查装置100的存储器120或与印刷电路板检查装置100有线或无线联动的电子装置(例如：外部服务器等)的存储器中存储的基于机器学习的模型可以基于在模版中形成的多个开口各自的开口形状信息，决定通过多个开口中具有第一形状的至少一个开口而在第一印刷电路板上印刷的至少一处第三焊膏。模版可以是在丝网印刷机101中用于第一印刷电路板印刷的模版。

在620步骤中，基于机器学习的模型可以基于代表通过具有第一形状的开口而印刷的焊膏各自的测量形状信息分布的分布信息，导出同通过具有第一形状的第一开口而印刷的第一焊膏与至少一个第三焊膏印刷于第一印刷电路板时，第一焊膏与至少一个第三焊膏可以导出将要具有所获得的测量形状信息的概率值。

图7是本公开的多样实施例的借助于基于机器学习的模型，利用焊膏间测量形状信息差异来导出焊膏各自将要具有所获得的测量形状信息的概率值的方法的流程图。

在710步骤中，印刷电路板检查装置100的存储器120中存储的基于机器学习的模型，可以基于在模版中形成的多个开口各自的测量形状信息，决定通过多个开口中具有第二形状的至少一个开口而印刷的至少一处第四焊膏。

在720步骤中，基于机器学习的模型可以基于代表通过具有第一形状的开口而印刷的焊膏的测量形状信息与通过具有第二形状的开口而印刷的焊膏的测量形状信息的差异分布的分布信息，导出同第一焊膏的形状信息与至少一处第四焊膏印刷于第一印刷电路板时，第一焊膏与至少一处第四焊膏可以导出将要具有所获得的测量形状信息的概率值。

图8是本公开的多样实施例的通过焊膏间的测量形状信息比较而导出焊膏各自将要具有所获得的测量形状信息的概率值的方法的流程图。

在810步骤中，印刷电路板检查装置100的存储器120中存储的基于机器学习的模型，可以基于在模版中形成的多个开口各自的开口形状信息，决定通过多个开口中具有第二形状的至少一个开口而印刷的至少一处第四焊膏。

在820步骤中，基于机器学习的模型可以基于代表通过具有第一形状的开口而印刷的焊膏的测量形状信息与通过具有第二形状的开口而印刷的焊膏的测量形状信息的相对值分布的分布信息，导出同第一焊膏的形状信息与至少一处第四焊膏印刷于第一印刷电路板时，第一焊膏与至少一个第四焊膏可以导出将要具有所获得的测量形状信息的概率值。

导出通过具有互不相同形状的开口而印刷的焊膏将要具有所获得的测量形状信息的概率的方法，根据基于机器学习的模型进行学习的方法，既可以在图7及图8说明的方法中选择一种使用，也可以全部利用图7及图8说明的方法。

图9是本公开的多样实施例的利用基于机器学习的模型导出的多个概率值来感知焊膏是否异常的方法的流程图。

在910步骤中，处理器130可以在从基于机器学习的模型获得的概率值中，判断成为设置临界值以下的概率值个数是否达到设置的个数以上。临界值及个数正如上面所作的说明，可以在感知第一焊膏是否异常后，通过与实际第一焊膏是否异常的比较而进行调整。

在920步骤中，当在获得的概率值中，成为设置临界值以下的概率值个数达到设置的个数以上时，处理器130可以感知为第一焊膏存在异常。

在930步骤中，当在获得的概率值中，成为设置临界值以下的概率值个数不足设置的个数时，处理器130可以感知为第一焊膏无异常。

处理器130在感知第一焊膏是否存在异常后，可以将相同的过程也针对第一印刷电路板上印刷的多处焊膏中除第一焊膏之外的剩余焊膏执行。由此，处理器130可以感知第一印刷电路板上印刷的多处焊膏中至少一处焊膏是否存在异常。

所述方法虽然通过特定实施例进行了说明，但所述方法还可以在计算机可读记录介质中，以计算机可读代码体现。计算机可读记录介质包括供可借助于计算机系统而读取的数据存储的所有种类的记录装置。计算机可读记录介质可以包括rom、ram、cd-rom、光数据存储装置等。另外，计算机可读记录介质可以分布于以网络连接的计算机系统，计算机可读代码可以以分布方式存储、运行。而且，体现所述实施例所需的功能性(functional)程序、代码及代码片段，可以由本公开所属技术领域的程序员容易地推导。

以上根据一部分实施例和附图图示的示例，说明了本公开的技术思想，但本公开所属技术领域的技术人员可以理解，在不超出本公开的技术思想及范围的范围内，可以实现多样的置换、变形及变更。另外，这种置换、变形及变更应视为属于附带的权利要求书的范围内。