买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：桂林电子科技大学

摘要：本发明公开了一种基于改进YOLOX与PNN的SMT产线贴片机故障预测方法，该方法通过采集PCBA产品图像，对图像进行筛选，保留带缺陷的PCBA产品图像，对图像缺陷进行分类和位置信息标注，并将数据按比例进行数据集的制作与划分；对YOLOX神经网络模型进行改进，利用图像分类网络ConvNeXt的主干特征提取网络对原模型YOLOX进行改进，得到改进YOLOX神经网络模型；利用PCBA焊点缺陷数据集对改进YOLOX模型进行训练，得到基于改进YOLOX的PCBA焊点缺陷检测模型；将PCBA焊点缺陷检测模型部署到SMT产线上，进行PCBA焊点缺陷检测，并收集检测结果；采集PCBA焊点缺陷同一时期对应的贴片机故障信息，制作PNN的基础输入数据模型；将基于改进YOLOX的PCBA焊点缺陷模型与PNN模型部署到SMT产线上，进行贴片机故障预测。

主权项：1.一种基于改进YOLOX与PNN的SMT产线贴片机故障预测方法，其特征在于，包括PCBA焊点缺陷检测和SMT产线贴片机故障预测两个过程，具体如下：（一）PCBA焊点缺陷检测过程，包括如下步骤：1）采集PCBA产品图像，对图像进行筛选，保留带缺陷的PCBA产品图像，对图像缺陷进行分类和位置信息标注，并将图像数据按9：1比例进行数据集的制作与划分；2）对YOLOX神经网络模型进行改进，利用图像分类网络ConvNeXt的主干特征提取网络对原模型YOLOX的主干特征提取网络CSPDarknet53进行替换，并保留部分结构，得到改进的YOLOX神经网络模型；改进方法如下：2-1）将YOLOX原本的主干提取特征网络CSPDarknet53替换为图像分类网络ConvNeXt用于特征提取的部分结构；2-2）保留CSPDarknet53网络尾部的SPPBottleneck及与其相连的CSPLayer层，将其增加到用于替换的ConvNeXt部分结构后，并将改变后的整个网络作为改进网络的主干特征提取网络；2-3）在改进网络的主干特征提取网络的第2、3个ConvNeXtBlock层和尾部的CSPLayer层分别输出三个尺寸分别为H8×W8×192、H16×W16×384、H32×W32×768的特征图像矩阵，此时输入图像尺寸为H×W×3，其中“H”、“W”分别为输入模型的高、宽像素尺寸，“3”为图像通道数；接着将图像矩阵输入后续的Neck、Head部分进行特征融合处理，得到最终的目标分类和定位结果，即得到改进的YOLOX神经网络模型；3）利用步骤1）得到的PCBA焊点缺陷数据集对改进的YOLOX神经网络模型进行训练，选取权重文件中损失函数最低的一组作为最终PCBA焊点缺陷检测模型的权重值；4）将步骤3）得到的PCBA焊点缺陷检测模型部署到SMT产线上，进行PCBA焊点的缺陷检测，得到PCBA焊点缺陷检测结果；5）根据步骤4）得到的CBA焊点缺陷检测结果的数据，建立新的PCBA焊点缺陷检测数据集，并将新的PCBA焊点缺陷检测数据集输入改进的YOLOX神经网络模型进行迁移学习训练，重复步骤3）至步骤4）；通过迁移学习，使测试集的验证选取效果较好的模型替代旧的PCBA焊点缺陷检测模型；（二）SMT产线贴片机故障预测过程，包括如下步骤：A）收集PCBA焊点缺陷检测过程的PCBA焊点缺陷检测结果，以及SMT产线上贴片机产生故障的相关信息，并储存到数据库中；B）利用概率神经网络PNN建立步骤A）所述缺陷检测结果和贴片机故障信息之间的关系，得到SMT产线贴片机故障预测模型；C）将步骤B）得到的SMT产线贴片机故障预测模型部署到SMT产线上，进行贴片机的故障预测，获得故障预测结果；D）对步骤C）获得的故障预测结果进行筛选，将筛选出的结果作为新的基础数据样本，对PNN模型进行增量更新，重复步骤B）-步骤C）；PNN模型的增量更新，达到改善模型预测效果的目的。

全文数据：

权利要求：

百度查询： 桂林电子科技大学 一种基于改进YOLOX与PNN的SMT产线贴片机故障预测方法