← 最新论文
💻 computer science

Quality Inspection of Printed Circuit Board Pin Insertion via Semantic Segmentation and Board-Level Feature Extraction

本文提出了一种结合基于 U-Net 的语义分割、轮廓衍生特征提取与逻辑回归的印刷电路板引脚插入自动化质量检测方法,该方法在工业数据集和公开数据集上均实现了近乎完美的分类准确率,并优于现有的最先进异常检测和实例分割方法。

原作者: Nils Rabeneck, André Kiunke, Nicole Hoess, Wolfgang Mauerer

发布于 2026-08-25
📖 1 分钟阅读☕ 轻松阅读

原作者: Nils Rabeneck, André Kiunke, Nicole Hoess, Wolfgang Mauerer

原始论文采用 CC BY 4.0 许可(http://creativecommons.org/licenses/by/4.0/)。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性,请参阅原始论文。 阅读完整免责声明

在现代工厂那静谧而受控的混乱中,一块印刷电路板正沿着传送带移动。它是一个薄薄的绿色矩形,是无数电子设备的骨干,正等待着接收数百个微小的金属引脚。这些引脚是至关重要的连接器,允许电流在电路板与外部世界之间流动。如果哪怕只有一个引脚倾斜或被压入的角度不对,整个设备都可能失效,导致昂贵的维修费用或危险的故障。几十年来,确保这些引脚完全笔直一直依赖于僵化的摄像头和固定照明,或是依靠会疲劳并可能漏掉细微错误的肉眼。现在,一种新的方法正从人工智能与工业质量控制的交汇处脱颖而出。研究人员不再试图用一长串关于“合格”引脚特征的规则来编写计算机程序,而是通过教机器像人类一样去观察电路板:识别每一个引脚的形状和大小,然后利用这些视觉信息来判断整块电路板是否可以使用。

这项工作的核心挑战在于,倾斜的引脚看起来并不总是与笔直的引脚有显著差异。有时,这种差异仅仅是几个像素的差距、阴影的轻微偏移,或者是摄像头可见表面积的微小变化。为了解决这个问题,雷根斯堡应用技术大学的研究团队开发了一套将问题分解为两个不同步骤的系统。首先,该系统使用一种被称为“语义分割”的人工智能技术来创建一张精确的电路板地图。可以将这想象成一本数字涂色书,计算机被教导将每一个引针都涂上特定的颜色,将其与绿色的电路板和周围的空气清晰地分隔开来。这个过程将一张复杂的照片变成了一张清晰的、由电路板上每个金属引脚组成的黑白轮廓图。

一旦计算机拥有了这张清晰的地图,它并不会停下来逐一检查每个引脚。相反,它会退后一步,从整体上观察电路板。研究人员意识到,由于从角度观察,倾斜的引脚通常比笔直的引脚覆盖更多的表面积。通过测量电路板上每个引脚轮廓的大小和形状,系统会计算简单的统计数据:引脚的平均尺寸、尺寸的变化程度以及发现的最大引脚尺寸。这些数字随后被输入到第二个更简单的计算机程序中,该程序充当最终的裁判。这个裁判通过学习数千个示例来划定“合格”与“不合格”之间的界限。如果电路板的引脚尺寸符合健康组装的模式,它就会获得绿灯;如果尺寸显示存在过多的倾斜引脚,它就会被标记为拒绝。

研究人员在两组截然不同的图像集上测试了这种方法,以观察它是否能处理现实世界的差异。第一组来自一个工业合作伙伴,包含827张高分辨率的实际电路板图像,其中一些经过了人工修改以包含倾斜的引脚。第二组是一个公开的图像集,其外观完全不同,特征是引脚组的局部裁剪视图,而非完整的电路板。在这两种情况下,系统的表现都表现出了卓越的一致性。在工业数据上,该方法正确区分了合格电路板与缺陷电路板,得分在0.990(满分为1.000)的量表上。在公开数据集上,它达到了完美的1.000分。这意味着在测试中,该系统几乎无误地辨别出了完美无瑕的电路板与有缺陷的电路板。

为了了解这种新方法的实际效果,团队将其与现有的其他方法进行了对比。他们测试了一种称为“异常检测”的技术,该技术试图通过学习完美电路板的特征来寻找缺陷,并将任何看起来不同的部分标记出来。他们还测试了一种尝试寻找并计数每个引脚的独立方法,类似于人类如何清点货架上的物品。虽然这些替代方法展现出了潜力,但在应对工业图像的具体挑战时显得较为吃力,或者需要不同类型的数据才能有效工作。所提出的方法——即结合了第一步的详细地图绘制与第二步的统计判断——证明是最稳健的。它成功处理了真实工厂车间中杂乱、不可预测的照明条件以及公开数据集不同的视觉风格,前提是它是在针对该环境的特定数据上进行训练的。

研究还强调了使用此类技术的实用层面。从拍摄大尺寸电路板的照片到做出通过或失败的决定,整个过程在高性能计算机上耗时约18秒。大部分时间都花在创建引脚的详细地图上,而最终的决策仅需极短的时间。研究人员指出,虽然该系统高度精确,但它并不是一个无需准备就能立即适用于任何电路板的神奇方案。它需要一个特定的训练阶段,通过学习合格与不合格电路板的示例来进行学习,且其性能高度依赖于这些示例的质量。然而,结果表明,这种结合了形状映射与集体统计分析的方法是制造业未来的强大工具。它提供了一种捕捉那些可能被其他检测方法漏掉的微小且昂贵错误的方法,从而确保我们所依赖的电子设备能够以所需的精度进行制造。

您所在领域的论文太多了?

获取与您研究关键词匹配的最新论文每日摘要——附技术摘要,使用您的语言。

试用 Digest →