（一）虛數(shù)科技

虛數(shù)科技致力于制造業(yè)工廠缺陷檢測，其搭建的DLIA工業(yè)深度學習開發(fā)平臺，可應(yīng)用于多個行業(yè)領(lǐng)域的檢測工作，包括焊點缺陷檢測等，是智能工廠的雛形，也為未來工廠提供了選擇。

二、焊點缺陷視覺檢測方法

（一）基于機器視覺與深度學習的方法

圖像獲取

首先會通過高清高速攝像頭獲取電路板焊點圖像。例如在一些先進的檢測系統(tǒng)中，像雙目3D面陣相機可獲取PCB板及焊點原始深度圖像，或者2D相機搭配6棱鏡鏡頭采集焊點一周的圖像信息等手段來獲取焊點相關(guān)圖像。

圖像預(yù)處理

對獲取的圖像進行去噪、增強、二值化等處理。這有助于提高圖像質(zhì)量，使得后續(xù)的分析更加準確。

圖像識別分析與模板比對

通過對電路板焊點圖像的識別分析，并與電路板焊點參考模板比對，快速而準確地發(fā)現(xiàn)印刷電路板的焊點缺陷。其中深度學習運用神經(jīng)網(wǎng)絡(luò)，根據(jù)大量標注的圖像示例開展信息收集后，會自動開展對缺陷的分析，區(qū)分電路板焊點和缺陷焊點之間的差別，可以建立新的缺陷類型并對新的缺陷進行檢出。在基于機器視覺的焊點缺陷檢測方法中，還可以將矯正后的深度圖像（如通過對原始深度圖像的處理得到的焊點基于PCB板的深度圖像），按照高度區(qū)間映射到不同的顏色譜段，獲得顏色圖，然后對顏色圖的缺陷進行分類，再通過深度學習訓(xùn)練模型對顏色圖的缺陷進行檢測。

（二）流行的深度學習模型相關(guān)檢測方法

目標檢測模型（如YOLOv5和FasterR – CNN）

這些模型平衡了檢測速度和精度，可在圖像中定位缺陷區(qū)域。在焊點缺陷檢測中，可以利用這些模型的特性來快速定位焊點可能存在的缺陷位置。

圖像分割模型（如U – Net和DeepLabV3）

分割模型將圖像像素分類為屬于缺陷或背景，生成缺陷掩碼。對于焊點檢測來說，這種方法擅長處理復(fù)雜背景下的焊點缺陷檢測，并且可用于缺陷尺寸和形狀的定量分析，例如分析焊點缺陷區(qū)域的形狀特征（如圓形度、橢圓度和多邊形性等），有助于識別特定類型的焊點缺陷類型。