论文部分内容阅读
随着电子信息产品生产普遍采用表面贴装技术,PCB(印刷电路板)上的元器件密度越来越高,元器件的尺寸也越来越小,生产线上通过配备AOI(自动光学检测)设备对产品进行及时的质量检测。AOI设备每天都产生大量的不良记录项,但误报率很高,目前需要采用人工复判来降低误报率。人工复判存在着标准不统一、易疲劳和易遗漏等问题,降低了生产线效率。本文利用以深度学习为主的机器学习技术研发多种元件类不良识别算法,来代替目前的人工复判以提高复判的准确性和生产线效率。本文针对AOI复判开发自动识别算法。首先利用特征可视化技术对图片划分类别,训练基于深度网络的多分类器进行不良检测;然后研究基于模板匹配的不良识别算法并提出了一个自动生成模板的快速聚类算法;最后使用孪生网络来学习更好的相似性度量用于不良识别。本文的具体贡献如下:1、研发了一种基于深度分类网络的不良检测算法。先利用基于tSNE的降维算法进行图像特征的可视化实现对图像的类别划分,然后训练了一个多分类的深度网络用于不良检测。2、提出了一种用于模板生成的快速自底向上的层次聚类算法。自底向上聚类算法有执行速度慢的缺点,本文基于分治的思想开发了一种快速的自底向...