基于机器学习的数据采集板卡焊接缺陷检测方法技术

本发明专利技术公开了基于机器学习的数据采集板卡焊接缺陷检测方法，涉及焊接缺陷检测技术领域，通过在测试环境中，收集过程特征集合和焊接结果训练数据，训练评估过程特征的异常概率的第一神经网络模型以及根据焊接结果图片输出预测的结果标签的第二神经网络模型在生产环境中，按焊接的时间顺序，依次收集每块生产数据采集板卡的每个过程特征的过程特征生产数据以及每块生产数据采集板卡的焊接结果图片，收集所有过程特征的异常概率序列集合和所有生产数据采集板卡的预测结果标签序列，分析焊接过程中出现异常的过程特征；提高了焊接设备检修人员的检查修复效率。备检修人员的检查修复效率。备检修人员的检查修复效率。

【技术实现步骤摘要】
基于机器学习的数据采集板卡焊接缺陷检测方法


[0001]本专利技术属于涉及焊接缺陷检测
，具体是基于机器学习的数据采集板卡焊接缺陷检测方法。

技术介绍

[0002]数据采集板卡焊接是一项重要的电子制造工艺，用于将各种电子元器件焊接到印刷电路板（PCB）上，以构建电子设备的功能部件。焊接过程涉及到热、电、力等物理因素的相互作用，对焊接质量和产品性能具有直接影响。
[0003]在传统的数据采集板卡焊接过程中，焊接工人通常会根据经验和视觉检查来判断焊接的质量。然而，这种方法存在主观性高、效率低下、不稳定等问题。同时，焊接缺陷的及时发现和修复也是一项具有挑战性的任务，因为缺陷可能在焊接过程中产生，但在后续的测试阶段才会被发现，导致生产过程中的延误和资源浪费；而在后续的测试阶段往往无法直接根据焊接后的数据采集板卡直接定位焊接过程中出现异常的特征；申请公开号为CN104036495A的中国专利公开了一种焊接缺陷提取方法及焊接缺陷检测方法，利用NSST对原始焊接图像进行分解，对体现缺陷粗略逼近的低频分量采用PCNN提取缺陷的大致区域；然后，对背景抑制后的低频分量和高频分量作逆NSST，得到高频特征图像，对其进行粗分割后利用改进的CV模型优化缺陷的轮廓，得到缺陷的精细边缘；最后，融合提取的结果，得到最终提取的缺陷；通过计算机视觉技术分析焊接后的缺陷，但该专利技术并未能对焊接产生缺陷的原因进行监测和分析；为此，本专利技术提出基于机器学习的数据采集板卡焊接缺陷检测方法。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出基于机器学习的数据采集板卡焊接缺陷检测方法，提高了焊接设备检修人员的检查修复效率。
[0005]为实现上述目的，根据本专利技术的实施例1提出的基于机器学习的数据采集板卡焊接缺陷检测方法，包括以下步骤：步骤一：在测试环境中，收集过程特征集合和焊接结果训练数据；收集过程特征集合中每个过程特征的过程特征训练数据；步骤二：在测试环境中，基于每个过程特征的过程特征训练数据，训练在数据采集板卡焊接过程中，评估对应过程特征的异常概率的第一神经网络模型；步骤三：基于焊接结果训练数据，训练根据焊接结果图片输出预测的结果标签的第二神经网络模型；步骤四：在生产环境中，按焊接的时间顺序，依次收集每块生产数据采集板卡的每个过程特征的过程特征生产数据；需要说明的是，生产数据采集板卡是指在生产环境中进行焊接的数据采集板卡；基于每个过程特征的过程特征生产数据和每个过程特征对应的第一神经网络模
型，收集每块生产数据采集板卡焊接过程中，每个过程特征的异常概率；收集所有过程特征的异常概率序列集合；步骤五：在生产环境中，按焊接的时间顺序，依次收集每块生产数据采集板卡的焊接结果图片，基于焊接结果图片和第二神经网络模型，获得焊接结果图片对应的预测的结果标签；收集所有生产数据采集板卡的预测结果标签序列；步骤六：基于异常概率序列集合和预测结果标签序列，分析焊接过程中出现异常的过程特征；进一步地，测试环境为由专业测试人员通过在测试数据采集板卡焊接过程中，控制各种影响焊接结果的过程特征的变化，从而主动控制测试数据采集板卡的焊接结果，以收集焊接过程的数据和焊接结果的数据的收集环境，所述测试数据采集板卡为在测试环境中，用于收集过程特征集合和焊接结果训练数据的测试用的数据采集板卡；其中，所述过程特征为影响数据采集板卡的焊接结果的物理因素；进一步地，所述焊接结果训练数据包括若干焊接结果图片及结果标签；所述焊接结果图片为在测试环境中，每块测试数据采集板卡焊接完成后，由图像捕获设备采集到的测试数据采集板卡焊接后的正面图像；所述结果标签表示焊接后的测试数据采集板卡是否存在缺陷，所述结果标签使用0或1中的一个表示；所述过程特征训练数据包括在测试环境中，对每块测试数据采集板卡进行焊接的焊接过程中，对应过程特征的时间变化序列以及时间变化序列的过程标签；所述时间变化序列为每块测试数据采集板卡进行焊接的焊接过程中，对应过程特征随时间变化的物理值序列；所述过程标签表示焊接过程中，对应的时间变化序列是否异常，过程标签使用0或1中的一个表示；过程标签为1时表示时间变化序列异常，过程标签为0时表示时间变化序列正常；判断每条时间变化序列的过程标签为0或1的方式为：将测试数据采集板卡的编号标记为i，将第i块测试数据采集板卡的结果标签标记为Ri；若Ri表示为不存在缺陷，则将第i块测试数据采集板卡的所有过程特征对应的时间变化序列的过程标签标记为0；若Ri表示为存在缺陷，则将第i块测试数据采集板卡的经过测试人员控制修改的过程特征对应的过程标签标记为1，将测试人员未控制修改的过程特征对应的过程标签标记为0。
[0006]进一步地，训练在数据采集板卡焊接过程中，评估对应过程特征的异常概率的第一神经网络模型的方式为：收集每个过程特征的单特征训练数据集合；所述单特征训练数据包括过程特征数据以及过程特征标签；其中，所述过程特征数据为每块测试数据采集板卡在焊接过程中，对应过程特征的时间变化序列；所述过程特征标签为每个时间变化序列对应的过程标签；将过程特征集合中过程特征的编号标记为j；
将第j个过程特征对应的单特征训练数据集合中，每个过程特征数据作为第一神经网络模型的输入，所述第一神经网络模型以对每个过程特征数据的预测的过程特征标签为输出，以单特征训练数据集合中，该过程特征数据对应的过程特征标签为预测目标，以最小化所有过程特征数据的预测误差之和作为训练目标；对第一神经网络模型进行训练，直至预测误差之和达到收敛时停止训练，训练出评估第j个过程特征的异常概率的第一神经网络模型。
[0007]进一步地，所述第一神经网络模型是RNN神经网络模型或LSTM神经网络模型中的任意一个。
[0008]进一步地，训练根据焊接结果图片输出预测的结果标签的第二神经网络模型的方式为：将焊接结果训练数据中，每张焊接结果图片作为第二神经网络模型的输入，所述第二神经网络模型以对每张焊接结果图片的预测的结果标签为输出，以焊接结果训练数据中，焊接结果图片对应的结果标签为预测目标，以最小化所有焊接结果图片的预测误差之和作为训练目标；对第二神经网络模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据焊接结果图片输出预测的结果标签的第二神经网络模型。
[0009]进一步地，所述第二神经网络模型是CNN神经网络模型或AlexNet中的任意一个。
[0010]进一步地，所述生产环境为实际生产过程中，对生产数据采集板卡进行焊接的数据收集环境；所述过程特征生产数据为每块生产数据采集板卡，在焊接过程中每个过程特征的时间变化序列；收集每块生产数据采集板卡焊接过程中，每个过程特征的异常概率的方式为：将过程特征生产数据输入对应过程特征的第一神经网络模型中，获得第一神经网络模型输出的过程特征标签，该过程特征标签作为异常概率；收集所有过程特征的异常概率序列集合的方式为：对于每个过程特征，将生产数据采集板卡焊接过程中，该过程特征的异常概率按焊接时间顺序进行排序，获得异常概率序列；将所有过程特征的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习的数据采集板卡焊接缺陷检测方法，其特征在于，包括以下步骤：步骤一：在测试环境中，收集过程特征集合和焊接结果训练数据；收集过程特征集合中每个过程特征的过程特征训练数据；步骤二：在测试环境中，基于每个过程特征的过程特征训练数据，训练在数据采集板卡焊接过程中，评估对应过程特征的异常概率的第一神经网络模型；步骤三：基于焊接结果训练数据，训练根据焊接结果图片输出预测的结果标签的第二神经网络模型；步骤四：在生产环境中，按焊接的时间顺序，依次收集每块生产数据采集板卡的每个过程特征的过程特征生产数据；基于每个过程特征的过程特征生产数据和每个过程特征对应的第一神经网络模型，收集每块生产数据采集板卡焊接过程中，每个过程特征的异常概率；收集所有过程特征的异常概率序列集合；步骤五：在生产环境中，按焊接的时间顺序，依次收集每块生产数据采集板卡的焊接结果图片，基于焊接结果图片和第二神经网络模型，获得焊接结果图片对应的预测的结果标签；收集所有生产数据采集板卡的预测结果标签序列；步骤六：基于异常概率序列集合和预测结果标签序列，分析焊接过程中出现异常的过程特征。2.根据权利要求1所述的基于机器学习的数据采集板卡焊接缺陷检测方法，其特征在于，测试环境为由专业测试人员通过在测试数据采集板卡焊接过程中，控制各种影响焊接结果的过程特征的变化，从而主动控制测试数据采集板卡的焊接结果，以收集焊接过程的数据和焊接结果的数据的收集环境，所述测试数据采集板卡为在测试环境中，用于收集过程特征集合和焊接结果训练数据的测试用的数据采集板卡。3.根据权利要求2所述的基于机器学习的数据采集板卡焊接缺陷检测方法，其特征在于，所述焊接结果训练数据包括若干焊接结果图片及结果标签；所述过程特征为影响数据采集板卡的焊接结果的物理因素；所述焊接结果图片为在测试环境中，每块测试数据采集板卡焊接完成后，由图像捕获设备采集到的测试数据采集板卡焊接后的正面图像；所述结果标签表示焊接后的测试数据采集板卡是否存在缺陷，所述结果标签使用0或1中的一个表示；所述过程特征训练数据包括在测试环境中，对每块测试数据采集板卡进行焊接的焊接过程中，对应过程特征的时间变化序列以及时间变化序列的过程标签；所述时间变化序列为每块测试数据采集板卡进行焊接的焊接过程中，对应过程特征随时间变化的物理值序列；所述过程标签表示焊接过程中，对应的时间变化序列是否异常，过程标签使用0或1中的一个表示；过程标签为1时表示时间变化序列异常，过程标签为0时表示时间变化序列正常。4.根据权利要求3所述的基于机器学习的数据采集板卡焊接缺陷检测方法，其特征在于，训练在数据采集板卡焊接过程中，评估对应过程特征的异常概率的第一神经网络模型
的方式为：收集每个过程特征的单特征训练数据集合；所述单特征训练数据包括过程特征数据以及过程特征标签；其中，所述过程特征数据为每块测试数据采集板卡在焊接过程中，对应过程特征的时间变化序列；所述过程特征标签为每个时间变化序列对应的过程标签；将过程特征集合中过程特征的编号标记为j；将第j个过程特征对应的单特征训练数据集合中，每个过程特征数据作为第一神经网络模型的输入，所述第一神经网络模型以对每个过程特征数据的预测的过程特征标签为输出，以单特征训练数据集合中，该过程特征数据对应的过程特征标签为预测目标，以最小化所有过程特征数据的预测误差之和作为训练目标；对第一神经网络模型进行训练，直至预测误差之和达到收敛时停止训练，训练出评估第j个过程特征的异常概率的第一神经网络模型。5.根据权利要求4所述的基于机器学习的数据采集板卡焊接缺陷检测方法，其特征在于，所述第一神经网络模型是RNN神经网络模型或LSTM神经网...

【专利技术属性】
技术研发人员：张文恒，叶源根，林介奇，
申请(专利权)人：深圳信迈科技有限公司，
类型：发明
国别省市：