本发明提供某种应用于印制线板的AI视觉检测系统,包括前端数据采集处理模块、边缘识别模块、人工智能云平台;所述前端数据采集处理模块包括AOI系统;所述边缘识别模块包括PCB智能检测模型以及视觉应用框架;所述人工智能云平台包括人工智能模型训练模块。本发明基于大数据、云计算、人工智能基础技术,搭建智能云平台,构建PCB板检测的人工智能分析技术服务,识别PCB板中的故障发生点,对判明的故障点进行明确的标记与类别提示;通过人工智能的识别,提升检出故障点准确率,降低故障检出的噪音率;可大幅降低甚至消除人工检视分析的工作量。
1.应用于印制线板的AI视觉检测系统,其特征在于,包括前端数据采集处理模块.边缘识别模块、人工智能云平台: 所述前端数据采集处理模块包括AOI系统;所述边缘识别模块包括PCB智能检测模型以及视觉应用框架;所述人工智能云平台包括人工智能模型训练模块。
2.根据权利要求1所述的应用于印制线板的AI视觉检测系统,其特征在于,所述前端数据采集处理模块用于采集需要机器视觉系统识别的内容,对图像数据进行预处理并上传:所述前端数据采集处理模块包括缺陷的数据集。
3.根据权利要求1所述的应用于印制线板的AI视觉检测系统,其特征在于,所述缺陷的数据集包括:孔、焊板、线、手指、补强板、字符、保护膜.油墨、金面的缺陷情况分析。
4.根据权利要求1所述的应用于印制线板的AI视觉检测系统,其特征在于,所述边缘识别模块通过5G进行模型进行模型与数据传输,实现产品在线实时监测,采用边缘云提升处理速度。
5.根据权利要求1所述的应用于印制线板的AI视觉检测系统,其特征在于,所述人工智能云平台可实现AI智能复检,所述AI智能复检包括以下步骤:图像预处理;图像数据清洗,标记:预处理后的图片进入标的分类器,通过训练后的“缺陷解析模型库"和“缺陷参数表”筛选出对应的“缺陷解析模型”和“缺陷解析参数把预处理的图片导入相应的“缺陷解析模型”和“缺陷解析参数”中进行推理运算:得出优化后的复检结果。
6.根据权利要求1所述的应用于印制线板的AI视觉检测系统,其特征在于,所述人工智能云平台包括AI建模,所述AI建模的步骤包括:收集原始数据一数据清洗一数据标注一模型训练一模型应用与优化一输出结果。
7.根据权利要求6所述的应用于印制线板的AI视觉检测系统,其特征在于,所述数据清洗包括将存放无效,不完整的图片清楚,留下有效图片:所述数据标注包括将有效图片进行标注,形成特定的,可供后续算法输入的数据结构,保证模型的正确输入;所述模型许训练包括利用设计好的框架以及算法,对数据进行训练,根据数据量的大小、分类的种类以及硬件设备类型,制定训练时间。
8.根据权利要求7所述的应用于印制线板的AI视觉检测系统,其特征在于,所述模型应用与优化,包括:将训练好的模型下发到本地/边缘服务器,对接图像采集系统,对图像采集系统输出的图像做二次识别,输出识别结果;将本地/边缘服务器储存的图像以及识别结果定期上传到人工智能机器视觉平台,不断迭代优化模型,不断提供模型准确率。
9.根据权利要求8所述的应用于印制线板的AI视觉检测系统,其特征在于,所述人工智能云平台的实施方式,包括以下步骤:训练数据一模型训练一. 上线试用一 优化模型一系统迭代:所述训练数据包括开放识别结果图像,由检修工程师进行标注,标明是真点或假点,每种故障需要至少累积图像1000张,作为训练模型的样本。
10.根据权利要求9所述的应用于印制线板的AI视觉检测系统,其特征在于,所述模型训练包括将样本图像输入模型训练平台,训练模型,将训练好的模型植入到本地识别模块:所述上线试用包括在产线部署本地识别模块,与AOI系统对接;所述优化模型包括检修工程师在实际工作中,标识出本地识别模块识别错误的图像,本地保存,累积到一定量后输入模型训练平台,用于模型优化训练直到满足要求:所述系统迭代包括针对不同的故障重复上述流程,迭代升级,逐步完成PCB裸板检测的人工智能识别验证。