技术领域
[0001] 本
发明涉及一种适用于人工智能检测PCB的自动光学检测装置，尤其涉及一种适用于人工智能检测PCB的自动光学检测装置及其方法。
背景技术
[0002] 随着光
电子、通信、计算机、机械、材料等行业的飞速发展，PCB与IC载板这一行业也迅速发展，在现代电子及通信产品中，PCB与IC载板几乎随处可见，小到一个芯片，大到超大集成PCB，PCB与IC载板是现在以及未来电子行业中的支柱产业，同时，PCB与IC载板行业的迅速发展对PCB与IC载板的
质量提出了更高的要求，为了生产高质量的PCB与IC载板，必须对PCB或IC载板进行光学检测，现有检测系统效率低下。
[0003] 有鉴于上述的
缺陷，本设计人，积极加以研究创新，以期创设一种新型结构的人工智能检测PCB的载板，使其更具有产业上的利用价值。
发明内容
[0004] 为解决上述技术问题，本发明的目的是提供适用于人工智能检测PCB的自动光学检测装置及其方法。
[0005] 为实现上述目的，本发明采用如下技术方案：
[0006] 一种适用于人工智能检测PCB的自动光学检测装置，包括
机架，所述机架上设置有传输平台，所述传输平台上设有进料段和出料段，两者位于同一传输平台上，在所述机架上设置有第一
支架和第二移动支架，所述第一支架和第二移动支架均横架在传输平台上，并与传输平台构成垂直设置，所述第一支架和第二移动支架上分别设置有第一载板和第二载板，所述第一载板和第二载板上分别设置有扫描相机和拍
照相机，所述扫描相机至多设有2台，呈并排，且扫描相机位于进料段设置，所述扫描相机沿同一方向对待测物进行扫描，，所述扫描相机所在的排平行于所述扫描相机的扫描线设置；所述拍照相机位于出料段处，且拍照相机对所述待测物的拍照区域互不重叠设置，所述拍照相机所在的排平行于所述拍照相机的拍照线设置。
[0007] 进一步的，所述的一种适用于人工智能检测PCB的自动光学检测装置，其中，所述拍照相机至多设有2台，第二台设置在第三支架上，两者位于同一轴线设置。
[0008] 再进一步的，所述的一种适用于人工智能检测PCB的自动光学检测装置，其中，所述扫描相机的扫描和所述拍照相机均为同一相机。
[0009] 更进一步的，所述的一种适用于人工智能检测PCB的自动光学检测装置，其中，所述相机为CCD。
[0010] 再更进一步的，所述的一种适用于人工智能检测PCB的自动光学检测装置，其中，还包括有自动检测装置，所述扫描相机和拍照相机与自动检测装置相连。
[0011] 再更进一步的，所述的一种适用于人工智能检测PCB的自动光学检测装置，其中，所述自动检测装置包括
信号接收模
块、
图像处理模块、对比模块、分析模块、处理模块、
位置确认模块、人工智能模型识别模块及图像显示模块，所述信号接收模块的输入端与扫描相机和拍照相机的输出端相连，所述信号接收模块的输出端与图像处理模块的输入端相连，所述图像处理模块的输出端与对比模块的输入端相连，所述对比模块的输出端与分析模块的输入端相连，所述分析模块的输出端与处理模块的输入端相连，所述处理模块的输出端与位置确认模块的输入端相连，所述位置确认模块的输出端与所述人工智能模型识别模块的输入端相连，所述人工智能模型识别模块的输出端与所述图像显示模块的输入端相连。
[0012] 一种适用于人工智能检测PCB的自动光学检测方法，包括以下步骤：
[0013] 步骤1：通过扫描相机和拍照相机对待测物分别进行线性扫描和拍照并各自获取待测物的灰阶图像和待测物的彩色图像；
[0014] 步骤2：根据步骤1中灰阶图像确定待测物是否存在缺陷，并在存在缺陷时获取缺陷的位置信息；
[0015] 步骤3：在步骤2确认存在缺陷后，根据品质检验标准及
板面状况，自适应生成相应的灰阶标准,在确定的灰阶标准
基础上生成灰阶图影像,采用图影处理的方法确定所述灰阶图像是否存在缺陷，以及获取对应缺陷的位置信息；
[0016] 步骤4：根据确认的位置信息从彩色图像中提取与该位置信息相对应的缺陷图像；
[0017] 步骤5：将提取的彩色图像，传输AI
服务器上，并输入训练好的神经网络模型，利用神经网络模型对彩色图像上PCB板的缺陷进行位置识别，并判断缺陷类型；
[0018] 步骤6：将所述缺陷图像放大至特定倍数后输出显示；
[0019] 步骤7：标记PCB的缺陷。
[0020] 再更进一步的，所述的一种适用于人工智能检测PCB的自动光学检测方法，其特征在于：所述位置信息及坐标信息，依据PCB板的X轴和Y轴自动生成的坐标体系。
[0021] 再更进一步的，所述的一种适用于人工智能检测PCB的自动光学检测方法，其中，人工智能，包含专有的人工智能
硬件和
软件部分。
[0022] 再更进一步的，所述的一种适用于人工智能检测PCB的自动光学检测方法，其中，人工智能软件的模型训练过程的优化，包括以下步骤：
[0023] 步骤1：利用特有的标定方法标定数据，利用标注数据对AI服务器上的
深度神经网络模型进行监督式训练，神经网络的训练过程遵循反传播原理，利用随机梯度下降或适应性矩估计等方法更新网络内部的参数；
[0024] 步骤2：利用随机调参和格栅调参方法优化神经网络模型的超参数，通过测试数集和
训练数据的比较，并结合正则化和神经元随机失活的方法来防止过度拟合和欠拟合的现象，达到模型泛化上的最优表现。
[0025] 借由上述方案，本发明至少具有以下优点：
[0026] 本发明可以让待测物在扫描相机和拍照相机的作用下实现灰阶图像和彩色图像，来检测待测物是否存在缺陷，而通过灰阶图像能清楚知道待测物的缺陷，并对其进行位置确认，彩色图像通过AI模型识别模块的检测和识别能对待测物缺陷的位置的缺陷的情况进行分类和确认并放大后显示，从而来对其进行修复工作，实现自动化的操作，提高工作效率，达到降低成本的目的。
[0027] 上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照
说明书的内容予以实施，以下以本发明的较佳
实施例并配合
附图详细说明如后。
附图说明
[0028] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0029] 图1是本发明的结构示意图；
[0030] 图2是本发明的自动检测装置的结构示意图。
具体实施方式
[0031] 下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0032] 为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的
选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0033] 实施例
[0034] 本发明可以让待测物在扫描相机和拍照相机的作用下实现灰阶图像和彩色图像，来检测待测物是否存在缺陷，而通过灰阶图像能清楚知道待测物的缺陷，并对其进行位置确认，而通过彩色图像能对待测物缺陷的位置进行放大来确认缺陷的情况，从而来对其进行修复工作。如图1所示，包括机架1，所述机架1上设置有传输平台2，所述传输平台2上设有进料段21和出料段22，两者位于同一传输平台2上，在所述机架1上设置有第一支架3和第二移动支架8，所述第一支架和3第二移动支架8均横架在传输平台2上，并与传输平台2构成垂直设置，所述第一支架3和第二移动支架7上分别设置有第一载板4和第二载板9，所述第一载板4和第二载板9上分别设置有扫描相机5和拍照相机6，所述扫描相机5至多设有2台，呈并排，且扫描相机5位于进料段设置，所述扫描相机5沿同一方向对待测物进行扫描，且扫描相机对所述待测物的扫描区域有小部分重叠设置，所述扫描相机5所在的排平行于所述扫描相机5的扫描线设置；所述拍照相机6位于出料段处，拍照相机6沿同一方向对待测物进行拍照，且拍照相机6对所述待测物的拍照区域互不重叠设置，所述拍照相机6所在的排平行于所述拍照相机6的拍照线设置。
[0035] 上述在拍照相机拍照时，待测物是静止的，相机与支持在待测特上根据拍照相机检测出的问题点坐标移动并拍照。
[0036] 实施例一
[0037] 在上述实施例的
接触上，针对拍照相机6的不足，在增加一拍照相机来弥补
精度不高的可能，该结构也比较简单，通过在原来的拍照相机的后端上增加一与原来相同的拍照相机，两者位于同一轴线设置，通过第二拍照相机来实现精度的要求。
[0038] 本发明中所述扫描相机5的扫描和所述拍照相机6的拍照为同步进行设置，确保扫描相机和拍照相机能同时对待测物同一的采集，确保其精确性。一台或几台拍照相机，主要目的是让扫描相机与拍照相机的工作时间趋于一致，同时根据AI的识别结果进行自动标记。
[0039] 对于上述的该结构后面也可以根据客户的要求添加智能手臂，把已做标记的板移出去修补或报废，提高工作效率。
[0040] 本发明中所述扫描相机5的扫描和所述拍照相机6均为同一相机，所述相机为CCD。
[0041] 本发明中还包括有自动检测装置7，所述扫描相机5和拍照相机6与自动检测装置7相连，通过自动检测装置来实现对扫描相机5和拍照相机6的自动工作。
[0042] 如图2所示，还包括有自动检测装置7，所述扫描相机5和拍照相机6自动检测装置7相连，所述自动检测装置7包括信号接收模块、图像处理模块、对比模块、分析模块、处理模块、位置确认模块、人工智能模型识别模块及图像显示模块，所述信号接收模块的输入端与扫描相机5和拍照相机6的输出端相连，所述信号接收模块的输出端与图像处理模块的输入端相连，所述图像处理模块的输出端与对比模块的输入端相连，所述对比模块的输出端与分析模块的输入端相连，所述分析模块的输出端与处理模块的输入端相连，所述处理模块的输出端与位置确认模块的输入端相连，所述位置确认模块的输出端与所述人工智能模型识别模块的输入端相连，所述人工智能模型识别模块的输出端与所述图像显示模块的输入端相连。
[0043] 上述的信号接收模块、图像处理模块、对比模块、分析模块、处理模块、位置标记确认模块及图像显示模块都是本领域技术人员已知的模块，在这不再做任何的赘述。
[0044] 一种适用于人工智能检测PCB的自动光学检测方法，包括以下步骤：
[0045] 步骤1：通过扫描相机和拍照相机对待测物分别进行线性扫描和拍照并各自获取待测物的灰阶图像和待测物的彩色图像；
[0046] 步骤2：根据步骤1中灰阶图像确定待测物是否存在缺陷，并在存在缺陷时获取缺陷的位置信息；
[0047] 步骤3：在步骤2确认存在缺陷后，根据品质检验标准及板面状况，自适应生成相应的灰阶标准,在确定的灰阶标准基础上生成灰阶图影像,采用图影处理的方法确定所述灰阶图像是否存在缺陷，以及获取对应缺陷的位置信息；
[0048] 步骤4：根据确认的位置信息从彩色图像中提取与该位置信息相对应的缺陷图像；
[0049] 步骤5：将提取的彩色图像，传输AI服务器上，并输入训练好的神经网络模型，利用神经网络模型对彩色图像上PCB板的缺陷进行位置识别，并判断缺陷类型；
[0050] 步骤6：将所述缺陷图像放大至特定倍数后输出显示；
[0051] 步骤7：标记PCB的缺陷。
[0052] 本发明中人工智能，包含专有的人工智能硬件和软件部分。其中，软件部分包含主流的
深度学习框架如：CAFFE、Tensorflow、Keras等。
[0053] AI模型采用多种层次结构的
卷积神经网络结构，包含有若干的卷积层、若干的
池化层、若干的批量归一化层，少量的全连接层，模型包含有神经元随机失活的dropout方法，Softmax函数作为代价函数，物体检测部分使用SSD、FasterRCNN、YOLO等方法。
[0054] 本发明中人工智能软件的模型训练过程的优化，包括以下步骤：
[0055] 步骤1：利用特有的标定方法标定数据，利用标注数据对AI服务器上的深度神经网络模型进行监督式训练，神经网络的训练过程遵循反传播原理，利用随机梯度下降或适应性矩估计等方法更新网络内部的参数；
[0056] 步骤2：利用随机调参和格栅调参方法优化神经网络模型的超参数，通过测试数集和训练数据的比较，并结合正则化和神经元随机失活的方法来防止过度拟合和欠拟合的现象，达到模型泛化上的最优表现。
[0057] 上述的过程中通过AI的方法降低在灰阶判断阶段的误杀率。其中，步骤1和步骤7均可利用图形界面操作的方式进行简化操作，使整个训练和判断过程简化。
[0058] 本发明中所述位置信息及坐标信息，依据PCB板的X轴和Y轴自动生成的坐标体系，该坐标体系生成是通过技术人员的按照现有的坐标进行标定进行设定的坐标体系，该坐标只要限定X轴和Y轴就能已知某点的位置，方便后续的精确
定位出现问题的地方。
[0059] 本发明可以让待测物在扫描相机和拍照相机的作用下实现灰阶图像和彩色图像，来检测待测物是否存在缺陷，而通过灰阶图像能清楚知道待测物的缺陷，并对其进行位置确认，彩色图像通过AI模型识别模块的检测和识别能对待测物缺陷的位置的缺陷的情况进行分类和确认并放大后显示，从而来对其进行修复工作，实现自动化的操作，提高工作效率，达到降低成本的目的。
[0060] 以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
