基于深度智能视觉的基站天线焊点缺陷检测技术研究

针对基站天线焊点缺陷种类多且焊接质量紧密关联天线性能的现状,提出了一套基于深度智能视觉的焊点缺陷检测技术,该项技术将新颖的图像数据预处理技术与深度学习核心算法相融合,将识别准确率提升至97.98%,该项技术也解决了人工检测容易混淆出错、视觉疲劳等问题。

基于多特征的SVM多分类PCB焊点缺陷检测方法

为了提高印刷电路板(PCB)中元件焊点缺陷检测的分类准确率,提出一种基于多特征的支持向量机(SVM)多分类缺陷检测方法。对采集到的焊点图像进行特征提取,提取焊点的形状和纹理特征参数及方向梯度直方图(HOG)特征。首先对提取到的形状和纹理特征,利用SVM中最优的核函数,对焊点多锡、少锡、焊锡合适以及漏焊四种类型进行检测;误检焊点,再利用基于HOG特征的SVM多分类算法对其进行二次检测分类,得到最终分类准确率,提出的算法分类准确率可以达到98.46%以上,具有一定的应用价值。

基于改进YOLOv5s的激光软钎焊焊点缺陷检测算法

针对现有激光软钎焊流水线上焊点缺陷检测设备成本高和传统算法检测速度慢的问题,提出了一种能部署在激光软钎焊设备上的改进YOLOv5s焊点缺陷检测算法。通过引入GhostNetV2卷积方式对骨干网络进行轻量化改进,减少了原网络模型的参数量,提高了网络模型的检测速度;同时引入全维动态卷积模块,提升了网络模型的特征提取能力,提高了网络模型的检测精度。实验结果表明:对YOLOv5s模型进行改进后,其网络参数量较原模型下降了23.89%;模型在自制的激光软钎焊焊点缺陷数据集和验证集上的均值平均精度达到了95.0%,相比原模型提高了1个百分点;实验平台上检测速度较原模型提高了12.62 frame/s。最后,在激光软钎焊设备上部署了所提算法,设备基本能够检测出相应的焊点缺陷,并且运行速度达到42.2 frame/s,基本达到了激光软钎焊实时焊点缺陷检测的应用需求。