咨詢熱線
13302910083 咨詢熱線
13302910083神經網絡，是一種應用類似于大腦神經突觸聯接的結構進行信息處理的數學模型，也是一種受生物學啟發的編程范式，可以讓計算機對觀測數據進行學習，找出解決問題的優化途徑。人工神經網絡吸取了生物神經網絡兩個極為重要的概念——計算單元和連接權重。
深度學習，是一個強有力的用于神經網絡學習的眾多學習算法的集合。從廣義上講是求解輸入與輸出關系的過程，從狹義上講是求解神經元的權重和偏置的過程。神經網絡按照輸入層、隱藏層和輸出層根據網絡類型進行連接即組成深度神經網絡，隱藏層的層數和功能模塊決定神經網絡的深度和類型，如FNN、CNN、RNN和GAN等。深度學習的過程就是先將訓練集帶標簽的數據輸入到神經網絡，經過每層神經網絡處理后，以達到輸出結果與期望值的誤差最小化，即損失函數最小化（損失函數通常被用來衡量實際行為和期望行為的偏差），其過程主要是通過前向傳播、BP算法、損失函數來迭代更新權重和偏置。
傳統AOI設備在灰度分辨力、空間分辨力、觀測速度等方面的優勢，為PCB、半導體及泛半導體領域（如面板）領域提供了一種新的檢測思路，替代部分傳統的電氣試驗檢測。傳統AOI設備難以有效滿足檢測需求，主要原因包括：做程序比較慢無法跟上現在產線節拍，缺陷種類繁雜特征提取不全，依托缺陷種類適配對應算法延展性差，缺陷尺寸細微圖像拍攝不清，產線更新頻繁算法遷移不靈活，檢測速度不夠產線節拍無法合拍等。以深度學習為代表的AI算法替代傳統的視覺算法，能有效克服傳統AOI設備檢測中過度依賴于缺陷特征提取準確性的弊病，拓寬了視覺檢測的應用范圍。
使用深度學習的缺陷檢測將特征提取交由多層神經網絡進行，只需在訓練前將目標標注出來即可，將圖像作為神經網絡的輸入，經過一個數量巨大回歸函數計算，在網絡末端輸出缺陷信息。通過神經網絡進行缺陷檢測，無需人為提取缺陷特征、無需使用額外的分類器，內部的網絡能夠自動提取缺陷特征并且進行分類。使用深度學習的視覺算法會隨著數據量的提升持續優化關鍵指標（如漏檢率、誤檢率等）。
愛為視PCBA智能插件AOI光學檢測產品及智能自動測試系統平臺，產品基于AI+大數據開發，針對于PCBA（DIP手插件）工藝流程的使用，幫助客戶解決兩大困擾問題：編程時間長、誤報率高，吸引了許多國內外客戶的關注。產品線包括DIP產品線——波峰焊爐前插件AOI、波峰焊AOI、上下雙面檢查AOI，SMT產品線—3D AOI等。
下一個：空焊、假焊、虛焊如何檢測？
蘇州邁思泰克精密設備有限公司? 郵箱：sales@lingtest.cn 蘇ICP備2021173082-1
微信掃一掃