论文部分内容阅读
炉前PCB贴装器件缺陷检测是指在表面贴装技术（SurfaceMountTechnology,SMT）生产线上使用贴片机对PCB芯片贴装完成后，在进入下一步回流焊前，对即将进行焊接的芯片的检测。其主要目标是判断芯片能否进行回流焊，是表面贴装技术生产线上的重要一步。它是以数字图像处理为主的一项重要的工业技术，近年来对于在炉前PCB贴装器件的检测的发展十分迅猛，各个公司也推出了自家的检测机器。但是对于贴装过程中的产生的不同错误，还有部分内容尚未被解决。对于这些没有解决的问题，本文将在以下的内容中展开研究： 首先是对于芯片图片样本的采集。对于不同类型的PCB板，只要出现同一类型的芯片，它们的图像信息应该是相近的。并且在不同的光照下，芯片的图像会产生一定的变化。针对这些相似的样本图像采集需要设计出相应的算法，在现有的图像处理算法中，选出合适的算法对图像进行滤波，提取特征点，得到芯片图像等。 其次，对比现阶段不同种类的神经网络，并且找出不同神经网络之间的差别。现阶段的神经网络主要用于图片分类和目标识别，不同种的神经网络对于不同的目的其结果也不相同，本文需要使用图片的分类，所以选择神经网络的标准是分类性能较好的网络。 之后，将芯片图像放入神经网络中进行训练。利用不同种类的神经网络结构对正样本和负样本进行训练，比较不同的神经网络的训练结果，使用准确率对不同的结果进行判断，并且从这些结果中挑选出最好的神经网络进行之后的训练。在本文中，最终选择了RES?152的神经网络作为训练的网络，因为其具有良好的分类性，利用残差网络可以对特征不同的芯片有较好的识别率。 最后将使用神经网络训练的结果与传统方法得到的结果进行比较，并且得到两种方法的准确率，从而判断两种方法的优劣。在结果中，使用深度学习的方式对芯片算法进行分类可以比使用传统方法进行分类的效果更好。在对比的过程中，使用的深度学习方法和尺度不变特征变换(Scale-InvariantFeatureTransform,SIFT)方法进行的对比。