印刷电路板检查装置、决定丝网印刷机的缺陷类型的方法及计算机可判读记录介质制造方法及图纸

公开一种印刷电路板检查装置。印刷电路板检查装置可以包括：存储器，其存储经学习的基于机器学习的模型，所述图像是显示印刷于印刷电路板的多个焊膏是否异常的图像；及处理器，如果利用关于第一印刷电路板的图像，感知所述第一印刷电路板上印刷的多个焊膏中至少一个焊膏异常，则生成显示多个焊膏是否异常的至少一个图像的步骤；利用经学习的基于机器学习的模型，获得代表所述至少一个缺陷类型与所述生成的至少一个图像的关联性的至少一个值的步骤，所述图像是显示印刷于多个印刷电路板的多个焊膏是否异的图像；及基于所述获得的至少一个值，在所述至少一个缺陷类型中，决定与所述感知到异常的至少一个焊膏相关的缺陷类型的步骤。

【技术实现步骤摘要】
印刷电路板检查装置、决定丝网印刷机的缺陷类型的方法及计算机可判读记录介质
本公开涉及印刷电路板检查装置，更具体而言，涉及一种用于决定印刷电路板的印刷中所利用的丝网印刷机的缺陷类型的印刷电路板检查装置。本专利技术通过以产业通商资源部的机器人产业融合核心技术开发项目的一环作为目的进行的研究而导出【课题编号：10077589，研究课题名：基于机器学习的SMT最优化系统技术开发】。
技术介绍
在加装于电子装置的印刷电路板上印刷焊膏的工序借助于丝网印刷机来执行，丝网印刷机在印刷电路板上印刷焊膏的工序如下。丝网印刷机使印刷电路板位于用来固定印刷电路板的工作台，以模版的开口位于对应的印刷电路板的焊垫上的方式，使模版排列于印刷电路板上。然后，丝网印刷机利用刮板(squeegee)，通过模版的开口，将焊膏印刷于印刷电路板。然后，丝网印刷机使模版与印刷电路板分离。印刷电路板上印刷的焊膏的形状可通过SPI(solderpasteinspection，焊膏步进检测)技术进行检查。SPI技术是通过光学技术获得印刷电路板上印刷的焊膏的二维或三维影像，并且可以从获得的影像检查印刷电路板上印刷的焊膏形状的技术。
技术实现思路
解决的技术问题本公开提供一种印刷电路板检查装置，可以利用基于机器学习的模型，决定与焊膏异常(anomaly)相关的丝网印刷机的缺陷(fault)类型。本公开提供一种计算机可判读记录介质，记录包含可执行命令的程序，所述可执行命令使得印刷电路板检查装置利用基于机器学习的模型，执行与焊膏异常相关的丝网印刷机的缺陷类型的决定。本公开提供一种在印刷电路板检查装置中，利用基于机器学习的模型，决定与焊膏的异常相关的丝网印刷机的缺陷类型的方法。技术方案根据本公开的一个实施例，检查印刷电路板的装置可以包括：存储器，其存储经学习的基于机器学习的模型，所述基于机器学习的模型进行学习，以便导出代表丝网印刷机的至少一个缺陷类型与图像的关联性的至少一个值，其中，所述图像是显示印刷于印刷电路板的多个焊膏是否异常的图像；及处理器，其与所述存储器电气连接；所述处理器如果利用关于第一印刷电路板的图像，感知所述第一印刷电路板上印刷的多处焊膏中至少一处焊膏异常，则可以生成显示所述多个焊膏是否异常的至少一个图像，利用所述基于机器学习的模型，获得代表所述至少一个缺陷类型与所述生成的至少一个图像的关联性的至少一个值，基于所述获得的至少一个值，在所述至少一个缺陷类型中决定与所述感知异常的至少一处焊膏相关的缺陷类型。在一个实施例中，所述处理器可以利用通过所述关于第一印刷电路板的图像而获得的对所述多处焊膏的第一测量信息，感知所述多处焊膏中所述至少一处焊膏是否异常。在一个实施例中，所述第一测量信息可包括焊膏的体积、面积、高度、形状或位置中至少一个。在一个实施例中，所述存储器可以还存储第二测量信息，在所述第一印刷电路板之前，借助于所述印刷电路板检查装置，对多个第二印刷电路板检查是否异常，所述第二测量信息是对所述多个第二印刷电路板上分别印刷的多处焊膏的测量信息，所述处理器利用所述第一测量信息与所述第二测量信息，在所述多处焊膏中，对所述至少一处焊膏感知是否异常。在一个实施例中，所述第二测量信息可以按照所述多个第二印刷电路板各自的检查顺序，由对所述多个第二印刷电路板上分别印刷的多处焊膏的测量信息，按时间序列结合生成。在一个实施例中，所述处理器可以基于所述第二测量信息，按照所述多个第二印刷电路板各自的检查顺序，判断对所述多个第二印刷电路板上分别印刷的多处焊膏的测量信息的变化，基于所述判断的对多处焊膏的测量信息的变化，在所述至少一个缺陷类型中，决定与所述第一印刷电路板上印刷的至少一处焊膏异常相关的缺陷类型。在一个实施例中，所述至少一个缺陷类型可以包括挤压叶片缺陷、挤压叶片固定缺陷、支架缺陷、工作台缺陷、栅格锁设置不良导致的缺陷、焊膏放置和焊膏调和不良导致的缺陷、焊膏不足导致的缺陷及模版接触不良导致的缺陷中的至少一个缺陷。在一个实施例中，所述基于机器学习的模型可以为CNN(convolutionneuralnetwork，卷积神经网络)模型。在一个实施例中，所述处理器可以通过显示分别印刷于多个印刷电路板的多个焊膏是否异常的多个图像，使所述基于机器学习的模型进行学习，其中，所述多个焊膏是按照所述至少一个缺陷类型进行分类。在一个实施例中，所述处理器可以决定与所述感知异常的至少一处焊膏相关的缺陷类型后，通过所述生成的至少一个图像，使所述基于机器学习的模型进行学习。在一个实施例中，所述处理器可以将同所述获得的至少一个值中预先设置的临界值以上的值相对应的缺陷类型，决定为与所述感知异常的至少一处焊膏相关的缺陷类型。本公开一个实施例的计算机可判读记录介质，作为记录用于在计算机上执行的程序的非易失性计算机可判读记录介质，其中，所述程序包括在借助于处理器而运行时使得所述处理器执行如下步骤的可执行命令：如果利用关于第一印刷电路板的图像，感知所述第一印刷电路板上印刷的多处焊膏中至少一处焊膏异常，则生成显示多个焊膏是否异常的至少一个图像的步骤；利用经学习的基于机器学习的模型，获得代表所述至少一个缺陷类型与所述生成的至少一个图像的关联性的至少一个值的步骤，其中，所述基于机器学习的模型进行学习，以便导出代表丝网印刷机的至少一个缺陷类型与图像的关联性的至少一个值，其中，所述图像是显示印刷于多个印刷电路板的多个焊膏是否异常的图像；及基于所述获得的至少一个值，在所述至少一个缺陷类型中，决定与所述感知到异常的至少一处焊膏相关的缺陷类型的步骤。在一个实施例中，所述可执行命令可以还执行：利用通过所述关于第一印刷电路板的图像而获得的对所述多处焊膏的第一测量信息，在所述多处焊膏中感知所述至少一处焊膏是否异常的步骤。在一个实施例中，所述第一测量信息可包括焊膏的体积、面积、高度、形状或位置中至少一个。在一个实施例中，在所述多处焊膏中感知所述至少一处焊膏是否异常的步骤可以包括：利用所述第一测量信息与第二测量信息，在所述多处焊膏中，对所述至少一处焊膏感知是否异常的步骤；所述第二测量信息可以是在所述第一印刷电路板之前，借助于所述印刷电路板检查装置，对多个第二印刷电路板检查是否异常，按照所述多个第二印刷电路板各自的检查顺序，由对所述多个第二印刷电路板上分别印刷的多处焊膏的测量信息，按时间序列结合生成。在一个实施例中，所述基于机器学习的模型可以为CNN(convolutionneuralnetwork，卷积神经网络)模型。在一个实施例中，所述可执行命令可以还执行：通过显示多个焊膏是否异常的多个图像，使所述CNN进行学习的步骤，其中，所述多个焊膏是按照所述至少一个缺陷类型进行分类。在一个实施例中，所述决定缺陷类型的步骤可以包括：将同所述获得的至少一个值中预先设置的临界值以上的至少一个值相对应的缺陷类型，决定为与所述感知的至少一处焊膏相关的缺陷类型的步骤。本公开一个实施例的在印刷电路板检查装置中决定丝网印刷机的缺陷类型的方法可以包括：如果利用关于第一印刷电路板的图像，感知所述第一印刷电路板上印刷的多处焊膏中至少一处焊膏异常，则生成显示多个焊膏是否异常的至少一个图像的步骤；利用经学习的基于机器学习的模型，获得代表所述至少一个缺陷类型与本文档来自技高网...

【技术保护点】
1.一种印刷电路板检查装置，作为检查印刷电路板的装置，其中，包括：存储器，其存储经学习的基于机器学习的模型，所述基于机器学习的模型进行学习，以便导出代表丝网印刷机的至少一个缺陷类型与图像的关联性的至少一个值，其中，所述图像是显示印刷于印刷电路板的多个焊膏是否异常的图像；及处理器，其与所述存储器电气连接，所述处理器如果利用关于第一印刷电路板的图像，感知所述第一印刷电路板上印刷的多个焊膏中至少一个焊膏异常，则生成显示所述多个焊膏是否异常至少一个图像，利用所述基于机器学习的模型，获得代表所述至少一个缺陷类型与所述生成的至少一个图像的关联性的至少一个值，基于所述获得的至少一个值，在所述至少一个缺陷类型中决定与所述感知异常的至少一个焊膏相关的缺陷类型。

【技术特征摘要】
2017.12.21 KR 10-2017-01773791.一种印刷电路板检查装置，作为检查印刷电路板的装置，其中，包括：存储器，其存储经学习的基于机器学习的模型，所述基于机器学习的模型进行学习，以便导出代表丝网印刷机的至少一个缺陷类型与图像的关联性的至少一个值，其中，所述图像是显示印刷于印刷电路板的多个焊膏是否异常的图像；及处理器，其与所述存储器电气连接，所述处理器如果利用关于第一印刷电路板的图像，感知所述第一印刷电路板上印刷的多个焊膏中至少一个焊膏异常，则生成显示所述多个焊膏是否异常至少一个图像，利用所述基于机器学习的模型，获得代表所述至少一个缺陷类型与所述生成的至少一个图像的关联性的至少一个值，基于所述获得的至少一个值，在所述至少一个缺陷类型中决定与所述感知异常的至少一个焊膏相关的缺陷类型。2.根据权利要求1所述的印刷电路板检查装置，其中，所述处理器利用通过所述第一印刷电路板的图像所获得的所述多个焊膏的第一测量信息，感知所述多个焊膏中至少一个焊膏是否异常。3.根据权利要求2所述的印刷电路板检查装置，其中，所述第一测量信息包括关于焊膏的体积、面积、高度、形状或位置中至少一个。4.根据权利要求3所述的印刷电路板检查装置，其中，所述存储器还存储第二测量信息，在所述第一印刷电路板之前，借助于所述印刷电路板检查装置，对多个第二印刷电路板检查是否异常，所述第二测量信息是对所述多个第二印刷电路板上分别印刷的多个焊膏的测量信息，所述处理器利用所述第一测量信息与所述第二测量信息，在所述多个焊膏中，对所述至少一个焊膏感知是否异常。5.根据权利要求4所述的印刷电路板检查装置，其中，所述第二测量信息是按照所述多个第二印刷电路板各自的检查顺序，由对所述多个第二印刷电路板上分别印刷的多个焊膏的测量信息，按时间序列结合生成。6.根据权利要求5所述的印刷电路板检查装置，其中，所述处理器基于所述第二测量信息，按照所述多个第二印刷电路板各自的检查顺序，判断对所述多个第二印刷电路板上分别印刷的多个焊膏的测量信息的变化，基于所述判断的测量信息的变化，在所述至少一个缺陷类型中，决定与所述第一印刷电路板上印刷的至少一个焊膏异常相关的缺陷类型。7.根据权利要求1所述的印刷电路板检查装置，其中，所述至少一个缺陷类型包括挤压叶片缺陷、挤压叶片固定缺陷、支架缺陷、工作台缺陷、栅格锁设置不良导致的缺陷、焊膏放置和焊膏调和不良导致的缺陷、焊膏不足导致的缺陷及模版接触不良导致的缺陷中的至少一个。8.根据权利要求1所述的印刷电路板检查装置，其中，所述基于机器学习的模型为CNN(convolutionneuralnetwork，卷积神经网络)模型。9.根据权利要求1所述的印刷电路板检查装置，其中，所述处理器通过显示分别印刷于多个印刷电路板的多个焊膏是否异常的多个图像，使所述基于机器学习的模型进行学习，其中，所述多个焊膏按照所述至少一个缺陷类型进行分类。10.根据权利要求9所述的印刷电路板检查装置，其中，所述处理器决定与所述感知异常的至少一个焊膏相关的缺陷类型后，通过所述生成的至少一个图像，使所述基于机器学习的模型进行学习。11.根据权利要求1所述的印刷电路板检查装置，其中，所述处理器将同所述获得...

【专利技术属性】
技术研发人员：金载衡，鲁铤圭，李在桓，李德永，
申请(专利权)人：株式会社高永科技，
类型：发明
国别省市：韩国,KR