友思特应用

高精度呈现：PCB多类型缺陷检测系统

前言导读 2024.4.10

PCB等电子产品的精密生产制造过程中，往往需要将缺陷问题100%高精度暴露。友思特 PCB 多类型缺陷检测系统，借由Neuro-T深度学习模型自动排查全部微小缺陷，为工业 PCB 生产制造提供了先进可靠的质量保障。

高精度制造业的缺陷检测需求

在现代制造业中，尤其是在高精度要求的电子制造领域，诸如印刷电路板（PCB）生产的过程中，高效且准确地识别和分类多种类型的缺陷至关重要。

针对缺陷检测需求，常见的解决方案有两种：（1）基于目标正常图像数据的模板匹配；（2）训练深度学习模型检测目标缺陷。第一种方式虽然在特定场景下有效，但面对复杂和多变的实际生产条件，这些方法往往受限于它们的灵活性和鲁棒性。第二种方式不仅能够处理传统技术难以解决的复杂缺陷类型，还能通过不断的学习优化，提高检测的准确性和效率，具有更强的鲁棒性和泛化能力。

友思特技术团队通过 Neuro-T 的 Segmentation（实例分割）模型，搭建了 PCB 多类型缺陷检测系统，为工业 PCB 的生产制造提供了可靠的质量保障。

友思特 Neuro-T 支持的深度学习模型类型

友思特 Neuro-T 支持八种不同的深度学习模型，其中六类模型适用于缺陷检测领域。具体而言：

有监督学习模型

分类：简单分类目标缺陷的有无，精度高；
实例分割：准确识别并分割目标的缺陷区域，精度最高，适合占像素点少（低至10像素点）、形状较简单的缺陷；
目标检测：识别和定位目标的缺陷区域，精度高，适合占像素点稍多、形状较复杂的缺陷；
GAN：人工生成目标的缺陷图像，弥补缺陷数据量不足的问题。

无监督学习模型

异常分类：分类目标缺陷的有无，精度高于分类模型（可设置异常阈值），主要适用于数据缺乏场景；
实例分割：准确识别并分割异常目标的缺陷区域，精度略低于实例分割模型（可设置异常阈值），主要适用于数据缺乏场景。

Neuro-T 支持的深度学习模型类型

PCB 的六种常见缺陷类型

PCB 多类型缺陷检测系统

友思特 PCB 多类型缺陷检测系统主要由 Neuro-R、IDS相机和 VST-2D 软件组成。PCB缺陷检测模型使用 Neuro-T 中的实例分割模型，通过对数据集进行标注、训练、微调实现，而后独立于 Neuro-T 脱机运行，通过 Neuro-R 实现在主机上运行推理。VST-2D 软件是友思特自研视觉软件，对接 IDS 相机的实时图像流，获取 PCB 的实时图像数据，结合 Neuro-R 调用 Neuro-T 训练的模型，实现缺陷区域的识别、缺陷类型确定以及定位分割并将结果呈现于界面。