[go: up one dir, main page]

CN118464903A - 一种pcb缺陷分析方法 - Google Patents

一种pcb缺陷分析方法 Download PDF

Info

Publication number
CN118464903A
CN118464903A CN202410554530.4A CN202410554530A CN118464903A CN 118464903 A CN118464903 A CN 118464903A CN 202410554530 A CN202410554530 A CN 202410554530A CN 118464903 A CN118464903 A CN 118464903A
Authority
CN
China
Prior art keywords
pcb
image
defect
defects
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202410554530.4A
Other languages
English (en)
Inventor
程文君
程嵩岐
程涌
贺波
贺梓修
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Xizhen Circuit Technology Co ltd
Original Assignee
Guangdong Xizhen Circuit Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Xizhen Circuit Technology Co ltd filed Critical Guangdong Xizhen Circuit Technology Co ltd
Priority to CN202410554530.4A priority Critical patent/CN118464903A/zh
Publication of CN118464903A publication Critical patent/CN118464903A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G01N23/046—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pulmonology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及PCB检测技术领域，尤指一种PCB缺陷分析方法，其包括获取预设取样资料；采用CCD扫描的方式拍摄PCB表面图像；对PCB表面图像进行表面缺陷检测，得到PCB表面缺陷；采用CT扫描的方式拍摄PCB内部图像；对PCB内部图像进行内部缺陷检测，得到PCB内部缺陷；结合PCB表面缺陷和PCB内部缺陷分析PCB的缺陷类型；通过数据库自动匹配与PCB的缺陷类型相对应的解决措施，通过CCD扫描设备和CT扫描设备的配合，可以减少单一使用CCD检测设备导致检测结果不准确的问题。

Description

一种PCB缺陷分析方法
技术领域
本发明涉及PCB检测技术领域，尤指一种PCB缺陷分析方法。
背景技术
印刷电路板(以下简称PCB电路板)是各种电子产品的关键部件，其性能的好坏直接影响电子产品的使用寿命。随着电子整机产品向多功能、小型化、轻量化方向的发展，下一代的电子产品对PCB电路板要求将突出表现为更加高密度化、精细化和微小孔化，这使得对PCB电路板的缺陷分析工作越来越具有挑战性。
在传统的PCB生产过程中，缺陷检测主要依赖人工目视检查，这种方法不仅效率低下，而且容易受到人为因素的影响，导致漏检和误检率较高。随着计算机视觉和图像处理技术的发展，PCB缺陷检测逐渐实现了自动化和智能化。
最初PCB电路板检测主要依靠人工视觉，但人工视觉检测不确定性因素大、效率低，后来将图像处理技术应用到PCB电路板检测领域，产生了自动光学检测，通过CCD检测设备采集待检测PCB电路板图像，之后将采集的图像送入图像采集卡进行数字化处理，之后进行诸如图像预处理、图像分割、模板匹配等判断PCB电路板是否存在缺陷。
然而CCD检测设备受环境因素影响较大，单一使用CCD检测设备可能导致检测结果不准确，CCD设备需要在一定的光照条件下工作，如果环境光线不足或者存在干扰光源，可能会影响检测结果的准确性，对于一些表面反光、纹理复杂或者颜色单一的物体，CCD检测设备可能会受到干扰，导致检测结果不准确或者无法检测。
发明内容
为解决上述问题，本发明提供一种PCB缺陷分析方法，通过CCD扫描设备和CT扫描设备的配合，减少单一使用CCD检测设备导致检测结果不准确的问题。
为实现上述目的，本发明采用的技术方案是：
一种PCB缺陷分析方法，包括：
获取预设取样资料；
采用CCD扫描的方式拍摄PCB表面图像；
对所述PCB表面图像进行表面缺陷检测，得到PCB表面缺陷；
采用CT扫描的方式拍摄PCB内部图像；
对所述PCB内部图像进行内部缺陷检测，得到PCB内部缺陷；
结合所述PCB表面缺陷和所述PCB内部缺陷分析PCB的缺陷类型；
通过数据库自动匹配与PCB的缺陷类型相对应的解决措施。
作为优选，对所述PCB表面图像进行表面缺陷检测，得到PCB表面缺陷，包括：
对所述PCB表面图像进行灰度化处理，得到PCB表面灰度图像；
提取所述PCB表面灰度图像的不同区域的灰度值，记为P1、P2、P3……PN，将得到的灰度值P1、P2、P3……PN与标准阈值进行比对，得到第一灰度差值，记为Q1、Q2、Q3……QN；
将所述第一灰度差值转换为矩阵形式，得到第一灰度差矩阵，计算所述第一灰度差矩阵的第一特征值；
将对应缺陷类型的权重值与所述第一特征值相乘得到表面缺陷的第一影响值；
通过数据库确定第一最小阈值，将所述第一影响值与所述第一最小阈值进行比对。
作为优选，所述对所述PCB内部图像进行内部缺陷检测，得到PCB内部缺陷，包括：
通过移动立方体算法进行PCB三维重建，生成PCB的三维图像；
对三维图像进行灰度化处理，得到PCB内部灰度图像，提取所述PCB内部灰度图像的不同区域的灰度值，记为A1、A2、A3……AN；
将得到的灰度值P1、P2、P3……PN与标准阈值进行比对，得到第二灰度差值，记为B1、B2、B3……BN；
将所述第二灰度差值转换为矩阵形式，得到第二灰度差矩阵，计算所述第二灰度差矩阵的第二特征值；
将对应缺陷类型的权重值与所述第二特征值相乘得到内部缺陷的第二影响值；
通过数据库确定第二最小阈值，将所述第二影响值与所述第二最小阈值进行比对。
作为优选，所述得到PCB表面灰度图像之后，还包括：
对所述PCB表面灰度图像进行去噪滤波处理；
对去噪滤波后的图像再进行边缘检测，获取PCB表面的边缘和轮廓；
根据所述边缘和所述轮廓确定缺陷类型和缺陷位置；
将所述PCB表面灰度图像按所述缺陷类型和所述缺陷位置进行图像分割；对分割后的灰度图像进行二值化处理，得到PCB表面二值化图像。
作为优选，所述得到PCB内部灰度图像之后，还包括：
对所述PCB内部灰度图像进行去噪滤波处理；
对去噪滤波后的图像再进行边缘检测，获取PCB内部的边缘和轮廓；
根据所述边缘和所述轮廓确定缺陷类型和缺陷位置；
将所述PCB内部灰度图像按所述缺陷类型和所述缺陷位置进行图像分割；对分割后的灰度图像进行二值化处理，得到PCB内部二值化图像。
作为优选，所述通过数据库确定第一最小阈值，将所述第一影响值与所述第一最小阈值进行比对之后，还包括：
若所述第一影响值小于或等于所述第一最小阈值，则PCB的表面质量符合预期；
若所述第一影响值大于所述第一最小阈值，则分析所述PCB的表面缺陷类型。
作为优选，所述通过数据库确定第二最小阈值，将所述第二影响值与所述第二最小阈值进行比对之后，还包括：
若所述第二影响值小于或等于所述第二最小阈值，则所述PCB的内部质量符合预期；
若所述第二影响值大于所述第二最小阈值，则分析所述PCB的内部缺陷类型。
作为优选，所述预设取样资料的生成包括以下：
自动调取数据库中的报告需求和料号工程资料；
根据所述报告需求设计取样点；
根据所述料号工程资料设计对位靶点；
根据所述取样点和所述对位靶点生成所述预设取样资料。
作为优选，所述采用CCD扫描的方式拍摄PCB表面图像包括以下步骤：
扫描PCB的二维码或手动输入PCB的料号；
自动调取取样资料，获取对位靶点和取样点；
依据所述对位靶点将所述PCB放入CCD扫描设备；
CCD扫描设备依据所述取样点做扫描处理，获取PCB表面图像。
作为优选，所述采用CT扫描的方式拍摄PCB内部图像包括以下步骤：
扫描PCB的二维码或手动输入PCB的料号；
自动调取取样资料，获取对位靶点和取样点；
依据所述对位靶点将所述PCB放入CT扫描设备；
CT扫描设备依据所述取样点做扫描处理，获取PCB内部图像。
本发明的有益效果在于：
1.本发明通过同时使用CCD扫描方式和CT扫描方式，能达到成像信息互补的效果，CCD扫描方式通常用于捕捉二维图像，CCD扫描方式可以在多个角度拍摄PCB表面，从而捕捉到表面的缺陷，而CT扫描则提供三维断层扫描图像，可以检测到PCB内部的缺陷，提供更深入的分析，将这两种技术结合使用可以获取更全面的图像信息，相较于单一使用CCD扫描，本发明更有助于更准确地分析PCB的缺陷类型。
2.CCD扫描设备具有较高的分辨率和对比度，可以捕捉更细腻的图像细节，而CT扫描设备则可以通过多次扫描和重建算法来增强图像质量，将两者结合使用，可以在保持高分辨率的同时，提高图像的对比度和清晰度，有助于更准确地定位和识别缺陷。
3.CCD扫描设备和CT扫描设备同时使用可以加快检测速度，因为它们可以并行工作。在处理大批量PCB时，这种组合可以显著提高生产效率，通过提高检测精度和效率，这种组合可以降低检测成本。更少的误报和漏报意味着更少的重复检查，从而节省了时间和资源。
附图说明
图1为本发明具体实施例中缺陷分析方法流程图；
图2为本发明具体实施例中获取PCB表面缺陷方法流程图；
图3为本发明具体实施例中获取PCB内部缺陷方法流程图；
图4为本发明具体实施例中取样资料生成流程图；
图5为本发明具体实施例中CCD扫描设备结构组成图；
图6为本发明具体实施例中CT扫描设备结构组成图。
具体实施方式
下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
请参阅图1-图6所示，本发明关于一种PCB缺陷分析方法。
实施例1
一种PCB缺陷分析方法，包括：
获取预设取样资料；
采用CCD扫描的方式拍摄PCB表面图像；
对所述PCB表面图像进行表面缺陷检测，得到PCB表面缺陷；
采用CT扫描的方式拍摄PCB内部图像；
对所述PCB内部图像进行内部缺陷检测，得到PCB内部缺陷；
结合所述PCB表面缺陷和所述PCB内部缺陷分析PCB的缺陷类型；
通过数据库自动匹配与PCB的缺陷类型相对应的解决措施。
获取PCB产品的历史缺陷信息，根据所述历史缺陷信息构建缺陷数据库；所述缺陷库中的信息包括多条缺陷记录，每条缺陷记录包括缺陷名称、缺陷类型、缺陷产生点、缺陷产生机理以及针对不同缺陷类型所采取的不同解决措施。
除此之外，缺陷数据库包括第一最大阈值、第一最小阈值、第二最大阈值和第二最小阈值，通过设立不同阈值来判断PCB表面和内部的质量是否符合预期。
通过CCD扫描和CT扫描分别获取PCB的外部缺陷和内部缺陷，结合所述PCB表面缺陷和所述PCB内部缺陷分析PCB的缺陷类型；通过数据库自动匹配与PCB的缺陷类型相对应的解决措施。
具体的，数据库还可分为取样数据库，其中取样数据库包含报告需求和料号工程资料，所述料号工程资料包括各层次设计资料，料号工程资料与PCB表面设有的料号二维码绑定，相较于以前样品料号信息与实物样品绑定原靠人工写标签的方式，无法防错，现可通过PCB上的料号或二维码与系统绑定防错。
在对PCB进行扫描前，通过自动调取所述取样数据库中所述报告需求和所述料号工程资料；根据所述报告需求设计取样点；根据所述料号工程资料设计对位靶点；根据所述取样点和所述对位靶点生成取样资料，取样资料包括对位靶点和取样点，相较于传统的盲目扫描，本发明通过设有对位靶点和取样点对PCB进行精准扫描，减少扫描设备的使用时间，其次通过直接扫描样品实物无需对PCB产品造成破环性取样，保证了PCB的完整性，还节省了切片复杂的制备成本。
其中CCD扫描设备包括：
第一检测台，所述第一检测台设有伺服电机，所述第一检测台用于对PCB进行承载和定位；
滑块，所述滑块与伺服电机连接、所述滑块上设有CCD摄像机和图像传感器，所述滑块设置在所述第一检测台上方并能够在XY平面内精确滑动；
第一伺服电机，所述第一伺服电机设于第一检测台和滑块上，所述伺服电机用于驱动设备按预设轨道进行操作；
第一上位机，所述图像传感器和所述第一伺服电机均与所述第一上位机通信连接；
其中CT扫描设备包括：
第二检测台，所述第二检测台与伺服电机连接，所述第二检测台用于对PCB进行承载、定位和扫描；
扫描架，所述扫描架设有伺服电机，所述扫描架上设有扫描仪，所述扫描架设置在所述检测台上方并能够在XY平面内精确滑动；
第二伺服电机，所述第二伺服电机设于第二检测台和扫描架上，所述第二伺服电机用于驱动设备按预设轨道进行操作；
第二上位机，所述第二上位机与所述第二伺服电机通信连接。
其中CCD扫描设备的上位机与图像传感器连接，实时采集数据并显示检测过程中的各种参数和状态信息，上位机可以通过与伺服电机的通信通道，向伺服电机发送控制指令，让伺服电机按预设取样点和对位靶点的轨迹进行移动，从而实现对检测台的控制，同时上位机提供用户友好的界面，以图形化、直观的方式展示各个组成部分和操作功能。它使操作员能够方便地进行设备配置、参数设定、故障诊断等操作。
通过同时使用CCD扫描设备和CT扫描设备，能达到成像信息互补的效果，CCD扫描设备通常用于捕捉二维图像，CCD摄像头可以在多个角度拍摄PCB表面，从而捕捉到表面的缺陷，而CT则提供三维断层扫描图像，可以检测到PCB内部的缺陷，从而获取比较完整的PCB图像。
对所述PCB表面图像进行灰度化处理，得到PCB表面灰度图像后还需要对图像进行预处理，所述预处理主要包括以下几个方面：
去噪：去除图像中的噪声，以减少后续处理的难度和错误率，常见的去噪方法包括中值滤波、高斯滤波等。
二值化处理：将灰度图像转换为二值图像，即将图像中的像素值分为两类，通常是0和255(黑色和白色)。这有助于简化图像，突出PCB上的关键特征。
边缘检测：使用边缘检测算法(如Canny边缘检测)来识别PCB上的边缘和轮廓。这有助于提取PCB上的导线和组件等关键信息。
图像增强：如果需要对图像进行进一步的处理，例如改善对比度、锐化等，可以执行图像增强操作。这有助于突出图像中的细节和特征。
图像分割：根据需要将图像分割成不同的区域或组件，按照图片特征即缺陷类型和缺陷位置进行划分，这便于后续的分析和处理。
完成以上预处理步骤后，PCB图像将变得更加清晰和简洁，并开始进行图像处理，其中缺陷分析包括外部质量分析和内部质量分析；所述外部质量分析包括以下：
利用所述CCD扫描设备对PCB外部进行扫描，生成PCB表面图像；
对所述PCB表面图像进行灰度化处理，得到PCB表面灰度图像；
提取所述PCB表面灰度图像的不同区域的灰度值，记为P1、P2、P3……PN，将得到的灰度值P1、P2、P3……PN与标准阈值进行比对，得到灰度差值，记为Q1、Q2、Q3……QN；
将所述灰度差值转换为矩阵形式，得到第一灰度差矩阵，计算所述第一灰度差矩阵的第一特征值；
将对应缺陷类型的权重值与所述第一特征值相乘得到表面缺陷的第一影响值；
通过数据库确定第一最小阈值，将所述第一影响值与所述第一最小阈值进行比对。
若所述第一影响值小于或等于所述第一最小阈值，则PCB的表面质量符合预期；
若所述第一影响值大于所述第一最小阈值，则分析所述PCB的表面缺陷类型。
对所述PCB内部图像进行内部缺陷检测，得到PCB内部缺陷具体包括：
通过移动立方体算法进行PCB三维重建，生成PCB的三维图像；
对三维图像进行灰度化处理，得到PCB内部灰度图像，提取所述PCB内部灰度图像的不同区域的灰度值，记为A1、A2、A3……AN；
将得到的灰度值P1、P2、P3……PN与标准阈值进行比对，得到灰度差值，记为B1、B2、B3……BN；
将所述灰度差值转换为矩阵形式，将得到的所述灰度差值输入矩阵，得到第二灰度差矩阵，计算第二灰度差矩阵的第二特征值；
将对应缺陷类型的权重值与所述第二特征值相乘得到内部缺陷的第二影响值；
通过数据库确定第二最小阈值，将所述第二影响值与所述第二最小阈值进行比对。
若所述第二影响值小于或等于所述第二最小阈值，则所述PCB的内部质量符合预期；
若所述第二影响值大于所述第二最小阈值，则分析所述PCB的内部缺陷类型。
通过计算矩阵的特征值，我们可以识别出那些包含最多信息量的特征方向，即对应较大特征值的特征向量。这些特征向量通常代表了数据中的主要变化模式或趋势。因此，通过保留这些主要特征并忽略次要特征，我们可以实现数据的降维，简化分析过程并减少计算负担，通过计算该矩阵的特征值，我们可以提取出图像的主要特征，如缺陷类型和缺陷位置等等。
在分析PCB缺陷时，需要收集大量的PCB图像数据，包括正常和异常的图像。这些数据需要经过预处理，如去噪、归一化、图像增强等，以提高图像质量和模型的识别准确率，上述PCB图像数据存储于缺陷数据库中。
对于收集到的图像数据，需要进行标注，即标记出缺陷的位置和类型。这通常需要人工完成，可以使用专门的标注工具进行，标注后的数据将用于训练AI模型。
使用标注好的数据训练AI模型。这个过程通常采用深度学习技术，如卷积神经网络(CNN)等，模型通过不断学习和调整参数，逐渐学会识别PCB上的缺陷。
在模型训练完成后，需要进行验证和优化，验证的目的是评估模型的识别准确率、召回率等指标，以确保模型能够满足实际应用需求。如果模型性能不佳，需要进行优化，如调整模型结构、增加训练数据等。
经过验证和优化的模型可以部署到实际的生产环境中。在实际应用中，模型会自动识别其中的缺陷。识别结果可以通过可视化界面展示给用户，或者自动触发相应的处理流程(如报警、自动修复等)。
除此之外，针对缺陷分析的结果，还可以形成电子版的缺陷分析报告，从而展示给用户。
实施例2
对于上述实施例1所述影响值的大小介于最大阈值和最小阈值时，我们认为该PCB具有潜在缺陷风险。
对于具备潜在风险的PCB，我们需要确定PCB的潜在缺陷类型，常见的缺陷包括焊接不良、短路、黄变、信号干扰和焊盘脱落等，这可以通过目视检查、使用电子测试设备(如示波器、万用表等)或专业的PCB检测工具来完成。
识别出缺陷后，需要分析并确定导致这些缺陷的原因；
根据确定的缺陷原因，制定相应的解决方案；
将制定的解决方案付诸实践，解决方案实施后，需要进行验证以确保问题得到了解决。这可以通过重新测试电路板、观察其工作表现等方式来完成；
为了避免类似的问题再次发生，需要采取预防措施。
实施例3
基于上述实施例1和实施例2可以知道，本发明采用CT扫描、CCD扫描和AI模型共同识别PCB内部的缺陷。
CT扫描可以提供PCB内部的三维结构信息，而CCD扫描则能够获取PCB表面的高清图像。通过结合这两种扫描技术，可以从多个维度对PCB进行全面检测，确保无遗漏地发现各种潜在缺陷。
高精度与高分辨率：CT扫描和CCD扫描都具有较高的精度和分辨率，能够捕捉到PCB上的微小细节和潜在问题。AI识别技术则可以对这些图像进行自动解读和分析，进一步提高检测的精度和准确性。
非破坏性检测：CT扫描和CCD扫描都是非破坏性的检测方法，不会对PCB造成任何损伤。这有助于保持PCB的完整性，减少生产过程中的浪费和损失。
快速与高效：CT扫描和CCD扫描都可以快速完成扫描过程，而AI识别技术则可以在短时间内对大量图像进行自动分析。这种组合使得检测过程更加快速和高效，有助于提高生产效率。
降低人工干预与成本：AI识别技术可以自动对扫描图像进行解读和分析，降低了人工干预的需要。这有助于减少人工成本，提高检测效率。同时，通过减少人工操作，也可以降低人为因素对检测结果的影响，提高检测的客观性和准确性。
智能优化与预测：AI技术不仅可以用于当前的缺陷检测，还可以通过学习和分析大量数据来优化扫描参数和识别算法，提高检测效率。此外，AI还可以用于预测潜在的缺陷和风险，帮助企业提前采取预防措施，减少生产过程中的故障和损失。
综上所述，同时利用CT扫描、CCD扫描和AI识别PCB缺陷可以实现多维度、高精度、非破坏性的检测，提高检测效率和准确性，降低人工干预和成本，同时实现智能优化和预测。这些优点有助于提升PCB的质量和可靠性。
以上实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通工程技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (10)

1.一种PCB缺陷分析方法，其特征在于，包括：
获取预设取样资料；
采用CCD扫描的方式拍摄PCB表面图像；
对所述PCB表面图像进行表面缺陷检测，得到PCB表面缺陷；
采用CT扫描的方式拍摄PCB内部图像；
对所述PCB内部图像进行内部缺陷检测，得到PCB内部缺陷；
结合所述PCB表面缺陷和所述PCB内部缺陷分析PCB的缺陷类型；
通过数据库自动匹配与PCB的缺陷类型相对应的解决措施。
2.根据权利要求1所述的PCB缺陷分析方法，其特征在于，所述对所述PCB表面图像进行表面缺陷检测，得到PCB表面缺陷，包括：
对所述PCB表面图像进行灰度化处理，得到PCB表面灰度图像；
提取所述PCB表面灰度图像的不同区域的灰度值，记为P1、P2、P3……PN，将得到的灰度值P1、P2、P3……PN与标准阈值进行比对，得到第一灰度差值，记为Q1、Q2、Q3……QN；
将所述第一灰度差值转换为矩阵形式，得到第一灰度差矩阵，计算所述第一灰度差矩阵的第一特征值；
将对应缺陷类型的权重值与所述第一特征值相乘得到表面缺陷的第一影响值；
通过数据库确定第一最小阈值，将所述第一影响值与所述第一最小阈值进行比对。
3.根据权利要求1所述的PCB缺陷分析方法，其特征在于，所述对所述PCB内部图像进行内部缺陷检测，得到PCB内部缺陷，包括：
通过移动立方体算法进行PCB三维重建，生成PCB的三维图像；
对三维图像进行灰度化处理，得到PCB内部灰度图像，提取所述PCB内部灰度图像的不同区域的灰度值，记为A1、A2、A3……AN；
将得到的灰度值P1、P2、P3……PN与标准阈值进行比对，得到第二灰度差值，记为B1、B2、B3……BN；
将所述第二灰度差值转换为矩阵形式，得到第二灰度差矩阵，计算所述第二灰度差矩阵的第二特征值；
将对应缺陷类型的权重值与所述第二特征值相乘得到内部缺陷的第二影响值；
通过数据库确定第二最小阈值，将所述第二影响值与所述第二最小阈值进行比对。
4.根据权利要求2所述的PCB缺陷分析方法，其特征在于，所述得到PCB表面灰度图像之后，还包括：
对所述PCB表面灰度图像进行去噪滤波处理；
对去噪滤波后的图像进行边缘检测，获取PCB表面的边缘和轮廓；
根据所述边缘和所述轮廓确定缺陷类型和缺陷位置；
将所述PCB表面灰度图像按所述缺陷类型和所述缺陷位置进行图像分割；对分割后的灰度图像进行二值化处理，得到PCB表面二值化图像。
5.根据权利要求3所述的PCB缺陷分析方法，其特征在于，所述得到PCB内部灰度图像之后，还包括：
对所述PCB内部灰度图像进行去噪滤波处理；
对去噪滤波后的图像进行边缘检测，获取PCB内部的边缘和轮廓；
根据所述边缘和所述轮廓确定缺陷类型和缺陷位置；
将所述PCB内部灰度图像按所述缺陷类型和所述缺陷位置进行图像分割；对分割后的灰度图像进行二值化处理，得到PCB内部二值化图像。
6.根据权利要求2所述的PCB缺陷分析方法，其特征在于，所述通过数据库确定第一最小阈值，将所述第一影响值与所述第一最小阈值进行比对之后，还包括：
若所述第一影响值小于或等于所述第一最小阈值，则PCB的表面质量符合预期；
若所述第一影响值大于所述第一最小阈值，则分析所述PCB的表面缺陷类型。
7.根据权利要求3所述的PCB缺陷分析方法，其特征在于，所述通过数据库确定第二最小阈值，将所述第二影响值与所述第二最小阈值进行比对之后，还包括：
若所述第二影响值小于或等于所述第二最小阈值，则所述PCB的内部质量符合预期；
若所述第二影响值大于所述第二最小阈值，则分析所述PCB的内部缺陷类型。
8.根据权利要求1所述的PCB缺陷分析方法，其特征在于，所述预设取样资料的生成包括：
自动调取数据库中的报告需求和料号工程资料；
根据所述报告需求设计取样点；
根据所述料号工程资料设计对位靶点；
根据所述取样点和所述对位靶点生成所述预设取样资料。
9.根据权利要求1所述的PCB缺陷分析方法，其特征在于，所述采用CCD扫描的方式拍摄PCB表面图像包括以下步骤：
扫描PCB的二维码或手动输入PCB的料号；
自动调取取样资料，获取对位靶点和取样点；
依据所述对位靶点将所述PCB放入CCD扫描设备；
CCD扫描设备依据所述取样点做扫描处理，获取PCB表面图像。
10.根据权利要求1所述的PCB缺陷分析方法，其特征在于，所述采用CT扫描的方式拍摄PCB内部图像包括以下步骤：
扫描PCB的二维码或手动输入PCB的料号；
自动调取取样资料，获取对位靶点和取样点；
依据所述对位靶点将所述PCB放入CT扫描设备；
CT扫描设备依据所述取样点做扫描处理，获取PCB内部图像。
CN202410554530.4A 2024-05-07 2024-05-07 一种pcb缺陷分析方法 Pending CN118464903A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410554530.4A CN118464903A (zh) 2024-05-07 2024-05-07 一种pcb缺陷分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410554530.4A CN118464903A (zh) 2024-05-07 2024-05-07 一种pcb缺陷分析方法

Publications (1)

Publication Number Publication Date
CN118464903A true CN118464903A (zh) 2024-08-09

Family

ID=92155478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410554530.4A Pending CN118464903A (zh) 2024-05-07 2024-05-07 一种pcb缺陷分析方法

Country Status (1)

Country Link
CN (1) CN118464903A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119936631A (zh) * 2025-04-07 2025-05-06 攀枝花镁森科技有限公司 一种led芯片缺陷检测方法、装置、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119936631A (zh) * 2025-04-07 2025-05-06 攀枝花镁森科技有限公司 一种led芯片缺陷检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN112053318B (zh) 基于深度学习的二维pcb缺陷实时自动检测与分类装置
KR102749767B1 (ko) 약한 라벨링을 사용한 반도체 시편들에서의 결함들의 검출
CN111539908B (zh) 对样本的缺陷检测的方法及其系统
CN114627089B (zh) 缺陷识别方法、装置、计算机设备及计算机可读存储介质
JP2022027473A (ja) 半導体試料の検査に使用可能な訓練データの生成
CN113409234A (zh) 卷积神经网络(cnn)算法支持的晶片的最小监督自动检查(ai)
CN119180784B (zh) 一种ic载板生产坏板缺陷检测方法
CN116823711B (zh) 基于机器学习的半导体样品的检查及其训练
CN110648308A (zh) 一种pcb导线缺陷的识别与定位方法
CN113506290A (zh) 一种线路绝缘子缺陷检测方法及装置
CN115511821B (zh) 管道缺陷识别方法、装置、电子设备及存储介质
CN118781097B (zh) 基于人工智能的pcb检测方法、终端设备和存储介质
CN117274197A (zh) 一种基于YOLO v5算法改进的PCB缺陷检测方法
CN117011216A (zh) 一种缺陷检测方法、装置、电子设备及存储介质
Yang et al. Defect detection scheme of pins for aviation connectors based on image segmentation and improved RESNET-50
CN118464903A (zh) 一种pcb缺陷分析方法
CN114066849A (zh) 一种基于深度学习的电接口缺陷检测方法
CN120070375B (zh) 一种基于图像分析的pcb线路板生产缺陷检测方法及系统
CN116580026B (zh) 精密零部件外观缺陷自动光学检测方法、设备及存储介质
CN119067925A (zh) 基于机器视觉的pcb钻孔质量实时监控系统及方法
CN118376864A (zh) 基于半导体冲切设备装管机构用故障诊断系统及方法
CN118731063A (zh) 一种柔性电路板的质量检测方法
CN110688292B (zh) 一种基于注意机制的软件测试视觉检测方法
CN119958823B (zh) 应用于内窥镜摄像模组的产品质量检测方法、系统及设备
Bai et al. CXR-AD: Component X-ray Image Dataset for Industrial Anomaly Detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination