[发明专利]平面感应线圈异常焊接点的识别方法

说明书

本发明公开了一种平面感应线圈异常焊接点的识别方法，包括如下步骤：利用蚀刻等技术制作平面感应线圈，该制成品按照工业化的生产步骤进行传送；在传送到表面瑕疵检测设备时，摄像头对产品进行拍摄采集产品表面的高清图像；高清图像通过内部总线传输到异常焊接点提取设备；该设备与异常焊接点特征库进行对比，给出具有异常特征的置信值；该置信值被通过内部总线传递给工业机器人手臂，超过特定阈值则被诊断为有异常焊接点的平面感应线圈。本发明可以有效融合传统的图像分类模型结构，提升平面感应线圈异常焊接点的识别效率；可以有效解决瑕疵产品检测中的严重的类不平衡问题，具有很强的实用性和鲁棒性。

技术领域

本发明属于工业制造中的产品表面检测领域，具体涉及到平面感应线圈异常焊接点的识别方法。

背景技术

平面电磁线圈是微电子机械系统中各种微电机、微电磁传感器、执行器中的重要组成部分。平面电磁线圈的制作工艺大多采用LIGA等工艺，LIGA工艺需使用同步辐射光源和X光掩模板。采用蚀刻工艺制作的平面电磁线圈存在线圈虚焊、断焊等问题。瑕疵品的检出可以通过人工肉眼检查等多种手段进行表面检测，然而传统方法存在检查成本较高等问题。

基于深度学习的表面检测方法可以从线圈的高清图像中学习到瑕疵深度特征。表面缺陷检测是计算机视觉领域中非常重要的一项研究内容，其基本过程在于通过视觉采集设备获取图像，基于图像的像素点来判断产品表面是否存在缺陷。传统的检测方法基于图像处理算法提取图像中的特征进而进行分类预测。这种方法的基础是依据被检测表面的反射性质设计不同的成像方案，这种分类方法存在的缺点是在复杂的工业环境下，缺陷图像采集存在大量噪声，由于成像图片与背景图片差异性小等问题，单纯基于图像处理算法的缺陷检测无法达到实用的效果。基于卷积神经网络技术的快速发展为表面缺陷检测提供了新的解决方案。目前基于卷积神经网络的表面缺陷预测正在成为分类方法的主流。

本发明关注的工业制造中的产品表面检测主要针对的是有没有缺陷存在这个问题，目前并未涉及到缺陷在哪里以及到底有多少缺陷的问题。是否存在表面缺陷作为生产制造型企业的一个核心问题，能够有效提升产品中次品的检出率，降低人力成本。缺陷定位以及缺陷比例则可能涉及到更加复杂而不同的业务逻辑，具有更加独特的特性。研究是否存在表面缺陷预测具有更强的实际意义。

表面缺陷检测问题在深度学习领域中属于小样本学习问题，其典型特征在于在工业领域中，无法提供具有典型表面缺陷的图片。目前针对该问题常见的解决方式如下。（1）数据扩增、合并与生成。这种策略的意义在于通过人工生成缺陷样本的数据来提升输入样例的样本空间，使得深度学习网络能够覆盖学习到更多的深度特征。（2）迁移学习。这种策略的思想在于通过学习大多数正常样本的特表示进而将这些特征迁移到小样本中去，获取缺陷样本的数据特征。（3）合理的网络结构设计。针对不同的缺陷检测任务，设计不同的网络结构。同时可以考虑的方案包括采用无监督的学习模型来从大量的工业产品中学习缺陷产品的特征。（4）考虑正品与瑕疵品在样本空间上的不同，设计不同的深度学习损失函数来学习缺陷样本的特征。

本发明的提供的解决方案的思路即为从深度学习的损失函数出发来学习缺陷类的分布问题。这种解决方案的难点在于如何来描述不同图像的空间分布以及通过深度特征学习解决正品图像与瑕疵品图像的空间分布。目前存在较多的深度学习特征学习方案，然而这些方案多是针对类间均衡的图像进行分类，并未对存在严重类不平衡的实际工业问题进行深入的研究。即使有针对类不平衡问题进行研究的深度学习损失函数，也存在未对要做的表面缺陷探测问题进行过专门的研究。

发明内容

本发明的目的在于提供一种平面感应线圈异常焊接点的识别方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：包括如下步骤：

A、利用蚀刻技术制作平面感应线圈，该制成品按照工业化的生产步骤进行传送；

B、在传送到表面瑕疵检测设备时，具有高清摄像功能的摄像头对产品进行拍摄，采集产品表面的高清图像；