咨询热线

13302910083
网站导航
新闻资讯
当前位置: 网站首页>新闻资讯>神经网络算法在AOI上的应用

神经网络算法在AOI上的应用

时间:2022-05-13 08:42:16 点击次数:5

神经网络,是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型,也是一种受生物学启发的编程范式,可以让计算机对观测数据进行学习,找出解决问题的优化途径。人工神经网络吸取了生物神经网络两个极为重要的概念——计算单元和连接权重。

DIP插件AOI

深度学习,是一个强有力的用于神经网络学习的众多学习算法的集合。从广义上讲是求解输入与输出关系的过程,从狭义上讲是求解神经元的权重和偏置的过程。神经网络按照输入层、隐藏层和输出层根据网络类型进行连接即组成深度神经网络,隐藏层的层数和功能模块决定神经网络的深度和类型,如FNN、CNN、RNN和GAN等。深度学习的过程就是先将训练集带标签的数据输入到神经网络,经过每层神经网络处理后,以达到输出结果与期望值的误差最小化,即损失函数最小化(损失函数通常被用来衡量实际行为和期望行为的偏差),其过程主要是通过前向传播、BP算法、损失函数来迭代更新权重和偏置。

传统AOI设备在灰度分辨力、空间分辨力、观测速度等方面的优势,为PCB、半导体及泛半导体领域(如面板)领域提供了一种新的检测思路,替代部分传统的电气试验检测。传统AOI设备难以有效满足检测需求,主要原因包括:做程序比较慢无法跟上现在产线节拍,缺陷种类繁杂特征提取不全,依托缺陷种类适配对应算法延展性差,缺陷尺寸细微图像拍摄不清,产线更新频繁算法迁移不灵活,检测速度不够产线节拍无法合拍等。以深度学习为代表的AI算法替代传统的视觉算法,能有效克服传统AOI设备检测中过度依赖于缺陷特征提取准确性的弊病,拓宽了视觉检测的应用范围。

使用深度学习的缺陷检测将特征提取交由多层神经网络进行,只需在训练前将目标标注出来即可,将图像作为神经网络的输入,经过一个数量巨大回归函数计算,在网络末端输出缺陷信息。通过神经网络进行缺陷检测,无需人为提取缺陷特征、无需使用额外的分类器,内部的网络能够自动提取缺陷特征并且进行分类。使用深度学习的视觉算法会随着数据量的提升持续优化关键指标(如漏检率、误检率等)

爱为视PCBA智能插件AOI光学检测产品及智能自动测试系统平台,产品基于AI+大数据开发,针对于PCBA(DIP手插件)工艺流程的使用,帮助客户解决两大困扰问题:编程时间长、误报率高,吸引了许多国内外客户的关注。产品线包括DIP产品线——波峰焊炉前插件AOI波峰焊AOI、上下双面检查AOI,SMT产品线—3D AOI等。

标签:,,,,,

苏州迈思泰克精密设备有限公司  邮箱:sales@lingtest.cn 苏ICP备2021173082-1

微信扫一扫