本發(fā)明涉及電子技術(shù)領(lǐng)域，特別是涉及一種電路板元件漏件檢測方法和系統(tǒng)。

背景技術(shù)：

在電路板組裝生產(chǎn)過程中，由于工人的操作、生產(chǎn)線的機(jī)械震動(dòng)等原因，元件往往會(huì)出現(xiàn)缺失、偏移的現(xiàn)象，從而導(dǎo)致元件沒有在指定的位置，造成嚴(yán)重的質(zhì)量問題。為了解決發(fā)現(xiàn)這些缺陷并保證質(zhì)量，需要對電路板上的每一個(gè)元件進(jìn)行檢測，以確保每個(gè)元件在其指定位置。

目前，元件檢測的方法主要包括兩種：一種是傳統(tǒng)算法，即利用圖像處理的基本算法，如顏色直方圖、模板匹配、特征提取等，對元件進(jìn)行檢測。另一種是智能算法，即利用深度學(xué)習(xí)算法，如CNN(Convolutional Neural Network，卷積神經(jīng)網(wǎng)絡(luò))等，對收集的訓(xùn)練樣本進(jìn)行訓(xùn)練，得到元件檢測模型后再對元件進(jìn)行檢測的方法。

但在生產(chǎn)過程中，上述兩種方法存在明顯缺陷：

首先，某些元件與電路板底板的顏色相近、甚至相同，即元件存在與否在圖像中并不能呈現(xiàn)明顯的區(qū)別，所以采用傳統(tǒng)算法很難將元件與底板分離開來；智能算法針對這種情況也不能達(dá)到理想的檢測效果。在生產(chǎn)過程中，綠色電路板中的黑色臥式電容，其背景也是黑色的；黑色電路板中的元件，如二極管、臥式電容等也是黑色的。所以，利用傳統(tǒng)算法，如顏色直方圖、模板匹配等方法對元件進(jìn)行檢測，很難達(dá)到理想的檢測效果，如圖1所示，圖1為元件存在與不存在的對比圖，上圖中是存在元件的，下圖是不存在元件的，通過兩個(gè)圖還是難以進(jìn)行很好的區(qū)分。

其次，由于工人的錯(cuò)誤操作或生產(chǎn)線的機(jī)械振動(dòng)，元件會(huì)出現(xiàn)偏移的狀況，導(dǎo)致元件的引腳并沒有插入到指定的元件引腳圓孔中，即元件存在、但元件的引腳出腳。

綜上所述，采用上述傳統(tǒng)算法和智能算法，難以準(zhǔn)確地檢測出元件的漏件現(xiàn)象，檢測效果較差。

技術(shù)實(shí)現(xiàn)要素：

基于此，有必要針對檢測準(zhǔn)確性較低的問題，提供一種電路板元件漏件檢測方法和系統(tǒng)。

一種電路板元件漏件檢測方法，包括如下步驟：

獲取多張電路板的引腳位置的樣本圖像；

根據(jù)所述樣本圖像上元器件引腳位置進(jìn)行樣本訓(xùn)練，得到引腳分類模型；

獲取當(dāng)前待檢測的電路板的檢測圖像，并根據(jù)所述檢測圖像確定元器件的引腳位置；

利用所述引腳分類模型對檢測圖像的所述引腳位置進(jìn)行檢測，判斷所述電路板的元器件的引腳插入狀態(tài)。

一種電路板元件漏件檢測系統(tǒng)，包括：

樣本收集模塊，用于獲取多張電路板的引腳位置的樣本圖像；

模型訓(xùn)練模塊，用于根據(jù)所述樣本圖像上元器件引腳位置進(jìn)行樣本訓(xùn)練，得到引腳分類模型；

引腳定位模塊，用于獲取當(dāng)前待檢測的電路板的檢測圖像，并根據(jù)所述檢測圖像確定元器件的引腳位置；

引腳檢測模塊，用于利用所述引腳分類模型對檢測圖像的所述引腳位置進(jìn)行檢測，判斷所述電路板的元器件的引腳插入狀態(tài)。

上述電路板元件漏件檢測方法和系統(tǒng)，基于電路板的元件的樣本圖像，提取其引腳位置訓(xùn)練引腳分類模型，通過待檢測的電路板的檢測圖像的引腳位置，檢測電路板的元器件的引腳插入狀態(tài)，以引腳信息為元件漏件的判斷依據(jù)，去除了電路板底板的干擾，能夠準(zhǔn)確地檢測元件的漏件現(xiàn)象，提高了檢測效果。

附圖說明

圖1為元件存在與不存在的對比圖；

圖2為一實(shí)施例的電路板元件漏件檢測方法流程圖；

圖3為樣本收集的流程示意圖；

圖4為樣本訓(xùn)練的流程示意圖；

圖5為一實(shí)施例的電路板元件漏件檢測系統(tǒng)結(jié)構(gòu)圖。

具體實(shí)施方式

下面結(jié)合附圖闡述本發(fā)明的電路板元件漏件檢測方法和系統(tǒng)的實(shí)施例。

本發(fā)明的方案應(yīng)用在電路板組裝生產(chǎn)過程中，在將元件插入到電路板的圓孔的環(huán)節(jié)，對電路板上的每一個(gè)元件進(jìn)行檢測，解決元件出現(xiàn)的缺失、偏移的問題，及時(shí)準(zhǔn)確檢測出電路板的漏件現(xiàn)象，以確保每個(gè)元件在其指定位置。

參考圖2所示，圖2為一實(shí)施例的電路板元件漏件檢測方法流程圖，包括如下步驟：

步驟S10，獲取多張電路板的引腳位置的樣本圖像；

在此步驟中，主要是樣本收集階段，通過收集電路板的引腳位置的樣本進(jìn)行訓(xùn)練，用于訓(xùn)練引腳的分類器。

在一個(gè)實(shí)施例中，參考圖3所示，圖3為樣本收集的流程示意圖，可以包括如下步驟：

S101，根據(jù)多個(gè)電路板的圖像及其引腳位置信息獲取多個(gè)樣本圖像；

具體的，可以獲取多種顏色、型號和批次的電路板的圖像，標(biāo)定各個(gè)元件的引腳位置信息，得到多個(gè)樣本圖像；

為了保證訓(xùn)練樣本的多樣性，可以收集不同顏色、型號和批次的電路板圖像；通過標(biāo)定各個(gè)元件的引腳位置信息，得到N個(gè)訓(xùn)練樣本，可以記為T＝{(x₁,y₁),(x₂,y₂),...,(x_N,y_N)}；

其中，x_i∈χ＝Rⁿ,y_i∈{0,1},i＝1,2,...,N，x_i為第i個(gè)訓(xùn)練樣本，y_i為x_i的類標(biāo)記，當(dāng)y_i＝0時(shí)，表示x_i為沒有插引腳的圓孔；當(dāng)y_i＝1時(shí)，表示x_i為已插引腳的圓孔。

S102，根據(jù)所述樣本圖像獲取若干張用于訓(xùn)練的訓(xùn)練樣本圖像和若干張用于測試的測試樣本圖像；

具體的，可以對所述樣本圖像進(jìn)行圖像處理，獲取若干張用于訓(xùn)練的訓(xùn)練樣本圖像和若干張用于測試的測試樣本圖像；

對于樣本圖像的處理，可以包括：對所述樣本圖像進(jìn)行旋轉(zhuǎn)、裁剪或亮度調(diào)整；

旋轉(zhuǎn)可以是將樣本圖像分別順時(shí)針旋轉(zhuǎn)90度、180度和270度等；剪切可以是在原始樣本圖像中剪切設(shè)定尺寸的子圖像，且該子圖像包含引腳圓孔；亮度調(diào)整可以是將樣本圖像在空域上進(jìn)行點(diǎn)運(yùn)算，如圖像增強(qiáng)、亮度/對比度調(diào)節(jié)或gamma值調(diào)整等。

由于各種因素的影響，實(shí)際中收集的訓(xùn)練樣本圖像往往是有限的，因此，為了保證樣本圖像的多樣性、盡可能多地覆蓋引腳可能出現(xiàn)的情況，通過上述對已收集的樣本圖像進(jìn)行旋轉(zhuǎn)、裁剪、亮度的調(diào)整；可以獲得多張樣本圖像和測試圖像。

步驟S20，根據(jù)所述樣本圖像上元器件引腳位置進(jìn)行樣本訓(xùn)練，得到引腳分類模型；

在此步驟中，主要是訓(xùn)練模型階段，利用通過收集的樣本進(jìn)行訓(xùn)練，從而得到用于檢測引腳的分類器。

在一個(gè)實(shí)施例中，參考圖4所示，圖4為樣本訓(xùn)練的流程示意圖，可以包括如下步驟：

S201，利用所述訓(xùn)練樣本圖像進(jìn)行訓(xùn)練得到引腳圖像分類模型；

具體的，可以定義引腳圖像的網(wǎng)絡(luò)模型，利用訓(xùn)練樣本圖像進(jìn)行訓(xùn)練獲得引腳圖像分類模型；

例如，根據(jù)需要定義適合的網(wǎng)絡(luò)模型后，輸入訓(xùn)練樣本圖像數(shù)據(jù)T＝{(x₁,y₁),(x₂,y₂),...,(x_N,y_N)}，然后開始訓(xùn)練引腳分類模型，訓(xùn)練過程主要是兩個(gè)階段：

前向傳播階段(第一階段)：讀取訓(xùn)練樣本圖像數(shù)據(jù)T＝{(x₁,y₁),(x₂,y₂),...,(x_N,y_N)}中任意一個(gè)樣本數(shù)據(jù)(x_i,y_i)，將x_i輸入所述網(wǎng)絡(luò)模型，從輸入層經(jīng)過逐級變換并傳輸?shù)捷敵鰧?，?jì)算實(shí)際輸出值o_i＝F_n(..(F₂(F₁(X_iW⁽¹⁾)W⁽²⁾)..)W⁽ⁿ⁾)；

后向傳播階段(第二階段)：計(jì)算實(shí)際輸出值o_i與相應(yīng)的理想輸出值y_i之間的差值，構(gòu)建極小化誤差函數(shù)調(diào)整權(quán)矩陣；

經(jīng)過若干次權(quán)矩陣迭代，當(dāng)差值E_i在達(dá)到設(shè)定的閾值時(shí)停止訓(xùn)練，得到引腳圖像分類模型。

S202，根據(jù)測試樣本圖像對所述引腳圖像分類模型進(jìn)行測試；具體的，可以根據(jù)測試樣本圖像建立測試集，利用引腳未插好和引腳已插好兩種測試樣本圖像的測試集對引腳圖像分類模型的準(zhǔn)確率進(jìn)行檢測，統(tǒng)計(jì)誤報(bào)率和漏報(bào)率，直至引腳圖像分類模型滿足預(yù)定的要求。

步驟S30，獲取當(dāng)前待檢測的電路板的檢測圖像，并根據(jù)所述檢測圖像確定元器件的引腳位置；

在此步驟中，是對引腳分類模型的應(yīng)用，在標(biāo)準(zhǔn)電路板圖像中，用戶標(biāo)注需要檢測元件的引腳；在待檢測電路板圖像中，定位引腳。

在一個(gè)實(shí)施例中，定位引腳位置，可以先獲取標(biāo)準(zhǔn)的電路板的檢測圖像；然后在所述檢測圖像中標(biāo)注需要檢測元件的引腳；在待檢測電路板的檢測圖像中，根據(jù)所述標(biāo)注定位引腳的位置。

步驟S40，利用所述引腳分類模型對檢測圖像的所述引腳位置進(jìn)行檢測，判斷所述電路板的元器件的引腳插入狀態(tài)。

在此步驟中，定位引腳位置后，將檢測圖像輸入引腳分類器進(jìn)行檢測，檢測電路板的元器件的引腳插入狀態(tài)。

在一個(gè)實(shí)施例中，將包含引腳的檢測圖像輸入引腳圖像分類模型進(jìn)行檢測，檢測電路板的引腳圓孔的元件漏件狀態(tài)。

在引腳圖像分類模型中，若該引腳狀態(tài)為0，則該引腳對應(yīng)的圓孔沒有插引腳，若該引腳的狀態(tài)為1，則引腳對應(yīng)的圓孔已插入引腳；進(jìn)一步地，若該引腳狀態(tài)為0，發(fā)出引腳未插好報(bào)警，以便相關(guān)人員進(jìn)行檢查與維修。

綜合上述實(shí)施例的方案，與現(xiàn)有的傳統(tǒng)算法和智能算法相比，不是關(guān)注元件主體本身，而是從元件的引腳入手，檢測元件存在與不存在時(shí)元件引腳的圓孔有明顯的區(qū)別，只關(guān)注引腳圓孔的信息，去除電路板底板的干擾，用戶使用時(shí)只需要指定待檢測元件引腳的位置，從而完成對元件檢測元件是否漏件；方案能夠有效地解決元件與板卡顏色相同時(shí)不能進(jìn)行漏件檢測的難題，提高了AOI設(shè)備的檢出率。

參考圖5所示，圖5為一實(shí)施例的電路板元件漏件檢測系統(tǒng)結(jié)構(gòu)圖，包括：

樣本收集模塊10，用于獲取多張電路板的引腳位置的樣本圖像；

模型訓(xùn)練模塊20，用于根據(jù)所述樣本圖像上元器件引腳位置進(jìn)行樣本訓(xùn)練，得到引腳分類模型；

引腳定位模塊30，用于獲取當(dāng)前待檢測的電路板的檢測圖像，并根據(jù)所述檢測圖像確定元器件的引腳位置；

引腳檢測模塊40，用于利用所述引腳分類模型對檢測圖像的所述引腳位置進(jìn)行檢測，判斷所述電路板的元器件的引腳插入狀態(tài)。

本發(fā)明的電路板元件漏件檢測系統(tǒng)與本發(fā)明的電路板元件漏件檢測方法一一對應(yīng)，在上述電路板元件漏件檢測方法的實(shí)施例闡述的技術(shù)特征及其有益效果均適用于電路板元件漏件檢測系統(tǒng)的實(shí)施例中，特此聲明。

以上所述實(shí)施例的各技術(shù)特征可以進(jìn)行任意的組合，為使描述簡潔，未對上述實(shí)施例中的各個(gè)技術(shù)特征所有可能的組合都進(jìn)行描述，然而，只要這些技術(shù)特征的組合不存在矛盾，都應(yīng)當(dāng)認(rèn)為是本說明書記載的范圍。

以上所述實(shí)施例僅表達(dá)了本發(fā)明的幾種實(shí)施方式，其描述較為具體和詳細(xì)，但并不能因此而理解為對發(fā)明專利范圍的限制。應(yīng)當(dāng)指出的是，對于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù)范圍。因此，本發(fā)明專利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。