一种基于柔性线路板贴片异常检测方法及系统与流程

本发明涉及柔性线路板贴片检测，特别是涉及一种基于柔性线路板贴片异常检测方法及系统，具体应用于复杂多变的生产环境中，通过高鲁棒性算法和多模态数据融合技术，实现对柔性线路板贴片中的异常实时检测和分类。

背景技术：

1、在现代电子制造业中，柔性线路板(flexible printed circuit,fpc)因其轻便、柔韧性高和适应复杂结构等优势，被广泛应用于智能手机、平板电脑、可穿戴设备等高科技产品的生产。然而，fpc的生产环境复杂多变，背景杂乱且存在各种噪声，这对贴片过程中的异常检测提出了极高的要求。

2、传统的fpc异常检测方法主要依赖于人工视觉检测和简单的图像处理技术。这些方法通常存在以下几个问题：

3、(1)人工检测效率低：人工检测不仅耗时耗力，且易受操作员疲劳和主观判断的影响，检测准确率难以保证。

4、(2)图像处理方法鲁棒性差：传统的图像处理方法在面对复杂背景和噪声环境时，容易出现误检和漏检现象，检测结果不稳定。

5、(3)数据单一，缺乏多模态信息：单一的图像数据无法提供全面的异常信息，如温度异常、内部缺陷等。

技术实现思路

1、本发明提供一种基于柔性线路板贴片异常检测方法及系统，以解决如何在复杂多变的fpc生产环境中，利用多模态数据融合技术和高鲁棒性算法，实现高效的异常检测和分类的问题。

2、为了解决上述问题，本发明提供了一种基于柔性线路板贴片异常检测方法及系统，包括：

3、一种基于柔性线路板贴片异常检测方法及系统，包括：

4、s100、利用高分辨率相机和多模态传感器实时采集柔性线路板的图像和传感器数据，并进行预处理；

5、s200、利用深度学习模型从图像和多模态数据中提取多尺度特征，并进行数据融合和自适应优化；

6、s300、利用神经网络模型实时检测并分类异常，将检测结果和分类信息反馈给生产线，并提供优化建议；

7、s400、先存储和管理反馈数据，再进行详细分析，并利用机器学习和人工智能技术进行系统自我优化，提供长期优化和改进建议。

8、作为优选方案，所述步骤s100包括：

9、s110、利用高分辨率相机实时捕捉柔性线路板的图像，所述相机具有高于5000万像素的分辨率，至少30帧每秒的帧率，以及至少50db的信噪比；

10、s120、使用红外传感器、激光雷达和超声波传感器分别采集柔性线路板的温度、三维形态和内部缺陷信息；

11、s130、对采集到的图像和传感器数据进行降噪、图像增强和几何校正处理。

12、作为优选方案，所述步骤s200包括：

13、s210、利用深度学习模型从预处理后的图像和多模态数据中提取低级、中级和高级特征；

14、s220、对提取的特征进行标准化处理并进行加权融合，以形成融合特征；

15、s230、根据生产环境的变化，动态调整特征提取和融合策略，使用在线学习和强化学习方法进行自我优化。

16、作为优选方案，所述步骤s300包括：

17、s310、利用神经网络模型对融合特征进行实时分析，检测并分类异常；

18、s320、对检测到的异常进行详细分类和分析，并提供异常类型和原因的详细信息。

19、作为优选方案，所述步骤s400还包括：

20、将检测结果实时反馈给生产线，提供优化建议，并根据反馈数据进行系统自我优化。

21、作为优选方案，包括：

22、数据采集模块，用于执行步骤s100；

23、特征提取模块，用于执行步骤s200；

24、异常检测模块，用于执行步骤s300；

25、自我优化模块，用于执行步骤s400。

26、作为优选方案，所述数据采集模块包括：

27、高分辨率相机和多模态传感器，用于实时采集柔性线路板的图像和传感器数据；

28、智能预处理单元，用于执行数据的降噪、图像增强和几何校正处理。

29、作为优选方案，所述特征提取模块包括：

30、深度学习模型，用于从预处理后的数据中提取多尺度特征；

31、特征融合单元，用于执行特征的标准化和加权融合。

32、作为优选方案，所述异常检测模块包括：

33、神经网络模型，用于实时检测并分类异常；

34、分类分析单元，用于提供异常类型和原因的详细信息。

35、作为优选方案，所述自我优化模块包括：

36、存储与管理系统，用于存储和管理反馈数据；

37、详细分析单元，用于利用机器学习和人工智能技术进行系统自我优化，提供长期优化和改进建议。

技术特征：

1.一种基于柔性线路板贴片异常检测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述步骤s100包括：

3.根据权利要求1所述的方法，其特征在于，所述步骤s200包括：

4.根据权利要求1所述的方法，其特征在于，所述步骤s300包括：

5.根据权利要求1所述的方法，其特征在于，所述步骤s400还包括：

6.一种基于柔性线路板贴片异常检测系统，该系统实现如权利要求1所述的方法，其特征在于，包括：

7.根据权利要求6所述的系统，其特征在于，所述数据采集模块包括：

8.根据权利要求6所述的系统，其特征在于，所述特征提取模块包括：

9.根据权利要求6所述的系统，其特征在于，所述异常检测模块包括：

10.根据权利要求6所述的系统，其特征在于，所述自我优化模块包括：

技术总结
本发明公开了一种基于柔性线路板(FPC)贴片异常检测的方法及系统，涉及高分辨率图像采集与多模态传感器数据融合。系统包括实时数据采集、预处理、特征提取、异常检测与分类及反馈优化模块。首先，利用高分辨率相机捕获FPC图像，结合红外、激光雷达及超声波传感器获取温度、三维形态和内部缺陷信息；其次，对数据进行降噪、增强及校正；再次，采用深度学习模型提取多尺度特征，通过数据融合优化特征；随后，利用神经网络实时检测并分类异常，反馈生产线并提供建议；最后，存储数据，分析并自我优化，以提升FPC生产质量控制。本发明解决了复杂生产环境中FPC异常实时检测与分类的问题，提高了检测的准确性和稳定性。

技术研发人员：黄德进,黄德雄,胡文
受保护的技术使用者：深圳市台华达科技有限公司
技术研发日：
技术公布日：2024/12/5