［關(guān)鍵詞］智能視覺檢測；電子領(lǐng)域；跨界應(yīng)用；機(jī)器視覺

［中圖分類號］TN820 ；TP18 ；TP391.41 ［文獻(xiàn)標(biāo)志碼］A ［文章編號］2095–6487（2024）11–0121–03

隨著人工智能、大數(shù)據(jù)等新一代信息技術(shù)的快速發(fā)展，以機(jī)器視覺為代表的智能感知技術(shù)正在經(jīng)歷由感知智能向認(rèn)知智能的跨越式發(fā)展。智能視覺檢測技術(shù)作為機(jī)器視覺與人工智能交叉融合的新興技術(shù)，通過深度學(xué)習(xí)算法賦予了視覺系統(tǒng)更強(qiáng)大的感知、理解與決策能力，在工業(yè)領(lǐng)域展現(xiàn)出廣闊的應(yīng)用前景。電子制造業(yè)作為現(xiàn)代工業(yè)的基礎(chǔ)性、先導(dǎo)性產(chǎn)業(yè)，產(chǎn)品品質(zhì)與生產(chǎn)效率直接關(guān)系著國民經(jīng)濟(jì)的發(fā)展水平。傳統(tǒng)的電子制造過程中，產(chǎn)品缺陷檢測與生產(chǎn)過程監(jiān)控主要依賴人工完成，存在效率低、準(zhǔn)確性差等問題。智能視覺檢測技術(shù)為電子領(lǐng)域的智能化發(fā)展提供了新的技術(shù)路徑，通過跨界應(yīng)用與創(chuàng)新探索有望從根本上解決電子制造業(yè)面臨的發(fā)展瓶頸，推動(dòng)行業(yè)向高質(zhì)量、智能化方向轉(zhuǎn)型升級。

1智能視覺檢測技術(shù)發(fā)展現(xiàn)狀與趨勢

1.1機(jī)器視覺技術(shù)的演進(jìn)歷程

機(jī)器視覺技術(shù)經(jīng)歷了從傳統(tǒng)圖像處理到智能分析的發(fā)展過程。早期的機(jī)器視覺系統(tǒng)主要依賴手工設(shè)計(jì)的特征提取算法，通過對圖像進(jìn)行預(yù)處理、分割、特征提取等操作實(shí)現(xiàn)目標(biāo)物體的識別與定位，然而這些傳統(tǒng)方法面臨著特征表達(dá)能力有限、環(huán)境適應(yīng)性差等挑戰(zhàn)。隨著計(jì)算機(jī)軟硬件技術(shù)的進(jìn)步，機(jī)器視覺開始引入統(tǒng)計(jì)學(xué)習(xí)與模式識別等方法，利用支持向量機(jī)、隨機(jī)森林等經(jīng)典學(xué)習(xí)模型，顯著提升了視覺系統(tǒng)的智能水平。近年來以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)技術(shù)的崛起，為機(jī)器視覺的發(fā)展注入了新的活力，通過構(gòu)建多層次的特征學(xué)習(xí)框架，深度學(xué)習(xí)方法能夠自動(dòng)學(xué)習(xí)并提取圖像中的高層語義特征，極大地提高了視覺任務(wù)的性能表現(xiàn)。深度學(xué)習(xí)的引入標(biāo)志著機(jī)器視覺技術(shù)由淺層特征描述走向了端到端的深度特征學(xué)習(xí)，實(shí)現(xiàn)了從感知智能向認(rèn)知智能的跨越式發(fā)展[1]。

1.2深度學(xué)習(xí)驅(qū)動(dòng)的智能視覺檢測新范式

深度學(xué)習(xí)技術(shù)的發(fā)展為智能視覺檢測系統(tǒng)帶來了新的范式。傳統(tǒng)的視覺檢測方法通常采用“特征提取+ 分類器設(shè)計(jì)”的流程，需要依賴專家知識與經(jīng)驗(yàn)構(gòu)建特征描述子，然后訓(xùn)練分類器實(shí)現(xiàn)缺陷識別，這種方式存在著特征表達(dá)能力不足、泛化性能有限等問題。而基于深度學(xué)習(xí)的智能視覺檢測系統(tǒng)能夠直接從大量圖像數(shù)據(jù)中自動(dòng)學(xué)習(xí)多層次的特征表示，并使用端到端的學(xué)習(xí)模式同時(shí)優(yōu)化特征提取與分類決策過程。此外，深度學(xué)習(xí)方法還能夠充分挖掘海量視覺大數(shù)據(jù)中蘊(yùn)含的先驗(yàn)知識。

1.3多模態(tài)感知融合與主動(dòng)視覺檢測

多模態(tài)感知融合和主動(dòng)視覺是智能視覺檢測技術(shù)的兩個(gè)重要發(fā)展方向。在實(shí)際工業(yè)場景中單一模態(tài)的視覺信息通常難以全面刻畫被檢測對象的缺陷特征，例如，對于金屬表面的缺陷檢測，僅依靠可見光圖像可能難以捕捉細(xì)微的劃痕與裂紋，而多模態(tài)感知融合技術(shù)通過結(jié)合可見光、紅外、X 射線等多種成像模態(tài)的信息，能夠獲取被檢測對象更全面、更豐富的特征表示，提升缺陷識別的準(zhǔn)確性與可靠性。另一方面，傳統(tǒng)的視覺檢測系統(tǒng)采用被動(dòng)式的數(shù)據(jù)采集方式，難以應(yīng)對復(fù)雜動(dòng)態(tài)環(huán)境的挑戰(zhàn)，而主動(dòng)視覺檢測技術(shù)通過引入機(jī)器人技術(shù)，賦予視覺系統(tǒng)主動(dòng)探索與交互的能力，系統(tǒng)可根據(jù)檢測任務(wù)的需求，自主調(diào)整傳感器的位置、角度、焦距等參數(shù)，實(shí)現(xiàn)自適應(yīng)的數(shù)據(jù)采集與優(yōu)化，提高檢測的靈活性與魯棒性。多模態(tài)感知融合與主動(dòng)視覺技術(shù)的發(fā)展，為智能視覺檢測系統(tǒng)注入了環(huán)境理解與任務(wù)適應(yīng)的新型能力，拓展了技術(shù)的應(yīng)用邊界[2]。

2智能視覺檢測技術(shù)在電子領(lǐng)域的跨界應(yīng)用現(xiàn)狀

2.1電子產(chǎn)品缺陷檢測智能視覺檢測

技術(shù)在電子產(chǎn)品缺陷檢測領(lǐng)域得到了廣泛應(yīng)用。電子產(chǎn)品的品質(zhì)直接影響其性能與可靠性，因此缺陷檢測是電子制造過程中的關(guān)鍵環(huán)節(jié)，傳統(tǒng)的人工檢測方式效率低下、準(zhǔn)確性無法保證，難以滿足現(xiàn)代電子工業(yè)的高標(biāo)準(zhǔn)要求。智能視覺檢測系統(tǒng)通過引入機(jī)器視覺與深度學(xué)習(xí)技術(shù)，能夠自動(dòng)、高效、準(zhǔn)確地識別電子產(chǎn)品中的各類缺陷，極大地提升了檢測效率與可靠性。例如，在印制電路板（PCB）的生產(chǎn)過程中，智能視覺檢測系統(tǒng)能夠快速檢測出焊接不良、元件缺失、斷路等常見缺陷，通過高分辨率圖像采集與深度學(xué)習(xí)算法實(shí)現(xiàn)缺陷區(qū)域的精確定位與分類。再如，在液晶顯示（LCD）面板的檢測中，智能視覺檢測技術(shù)能夠有效識別面板表面的異物、劃傷等微小缺陷。

2.2電子制造過程智能監(jiān)控

智能視覺檢測技術(shù)在電子制造過程監(jiān)控中同樣扮演著重要角色。電子制造過程涉及原材料準(zhǔn)備、元器件裝配、焊接、測試等多個(gè)環(huán)節(jié)，生產(chǎn)流程復(fù)雜，工藝要求嚴(yán)格，傳統(tǒng)的制造過程監(jiān)控主要依賴人工巡檢和抽樣檢測，存在實(shí)時(shí)性差、覆蓋范圍有限等不足。智能視覺檢測系統(tǒng)通過在生產(chǎn)線上部署工業(yè)相機(jī)與智能算法，能夠?qū)崟r(shí)監(jiān)測生產(chǎn)設(shè)備的運(yùn)行狀態(tài)、產(chǎn)品的加工質(zhì)量、物料的供給情況等關(guān)鍵指標(biāo)，為制造過程的實(shí)時(shí)優(yōu)化控制提供依據(jù)。例如，通過對生產(chǎn)設(shè)備的振動(dòng)、溫度等參數(shù)進(jìn)行視覺感知，智能視覺檢測系統(tǒng)能夠及時(shí)發(fā)現(xiàn)設(shè)備的異常工況，預(yù)警潛在的故障風(fēng)險(xiǎn)。

3電子領(lǐng)域智能視覺檢測應(yīng)用的典型案例

3.1基于深度學(xué)習(xí)的PCB缺陷檢測系統(tǒng)

3.1.1"PCB缺陷檢測的技術(shù)難點(diǎn)

PCB缺陷檢測的難點(diǎn)主要體現(xiàn)在以下幾個(gè)方面：① PCB 結(jié)構(gòu)復(fù)雜、細(xì)節(jié)眾多，不同類型的缺陷特征差異較大，對檢測算法的特征提取與分類能力提出了較高要求；② PCB生產(chǎn)工藝涉及鉆孔、蝕刻、阻焊等多道工序，不同工序產(chǎn)生的缺陷類型各異，需要檢測系統(tǒng)具備全面的缺陷識別能力；③ PCB生產(chǎn)過程中常伴有光照變化、振動(dòng)干擾等因素，使得缺陷圖像質(zhì)量下降，給缺陷識別帶來干擾；④ PCB生產(chǎn)節(jié)拍快、產(chǎn)品切換頻繁，要求檢測系統(tǒng)能夠快速響應(yīng)并及時(shí)給出檢測結(jié)果，對算法的實(shí)時(shí)性提出挑戰(zhàn)[3]。

3.1.2系統(tǒng)架構(gòu)與關(guān)鍵技術(shù)

面對PCB缺陷檢測的技術(shù)難點(diǎn)，開發(fā)基于深度學(xué)習(xí)的智能視覺檢測系統(tǒng)，系統(tǒng)通過高分辨率工業(yè)相機(jī)采集PCB 圖像，然后利用預(yù)處理算法對圖像進(jìn)行分割、對齊等操作，提取感興趣區(qū)域（ROI）。在此基礎(chǔ)上，系統(tǒng)采用深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）對ROI 區(qū)域進(jìn)行特征學(xué)習(xí)與分類識別，DCNN 通過多層卷積與池化操作，自動(dòng)提取圖像中的多尺度、層次化特征，刻畫PCB 缺陷的顯著性模式。系統(tǒng)還引入遷移學(xué)習(xí)策略，利用ImageNet 等大型數(shù)據(jù)集上預(yù)訓(xùn)練的模型參數(shù)，減少訓(xùn)練樣本的需求，加快模型的收斂速度。

3.2面向柔性O(shè)LED面板的智能視覺檢測

柔性O(shè)LED面板以其輕薄、可彎曲等優(yōu)異特性，在智能手機(jī)、可穿戴設(shè)備等領(lǐng)域得到廣泛應(yīng)用，然而柔性O(shè)LED 面板生產(chǎn)工藝復(fù)雜，良品率較低，亟需高效的智能視覺檢測技術(shù)保障產(chǎn)品品質(zhì)。傳統(tǒng)的OLED 面板檢測系統(tǒng)主要針對剛性玻璃基板，難以有效識別柔性基板產(chǎn)生的新型缺陷。針對這一難題，提出了面向柔性O(shè)LED 面板的智能視覺檢測方案，該方案綜合利用線掃描相機(jī)和面陣相機(jī)，兼顧檢測速度與精度。在數(shù)據(jù)采集階段系統(tǒng)通過線掃描相機(jī)快速獲取面板表面的高分辨率圖像，同時(shí)利用面陣相機(jī)捕捉面板彎曲過程中的局部細(xì)節(jié)特征，采集到的多視角、多模態(tài)圖像數(shù)據(jù)為后續(xù)的缺陷識別提供了豐富的特征表示。在缺陷識別階段，系統(tǒng)設(shè)計(jì)了一種多任務(wù)學(xué)習(xí)框架，同時(shí)進(jìn)行缺陷定位與分類，該框架通過共享卷積層提取圖像的通用特征表示，然后利用獨(dú)立的全連接層分別進(jìn)行缺陷的邊界回歸與類別判斷，實(shí)現(xiàn)“一次推理、多任務(wù)求解”，顯著提升了檢測效率。

3.3電子元器件缺陷的細(xì)粒度識別與分類

電子元器件是構(gòu)成電子產(chǎn)品的基礎(chǔ)，其品質(zhì)直接影響整機(jī)的性能與可靠性，然而電子元器件種類繁多、缺陷類型復(fù)雜，給智能視覺檢測系統(tǒng)帶來巨大挑戰(zhàn)。為解決這一難題，提出面向電子元器件缺陷的細(xì)粒度識別與分類方法。該方法采用基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)（R-CNN）對元器件缺陷進(jìn)行精細(xì)化識別。系統(tǒng)先通過選擇性搜索算法在輸入圖像中提取可能包含缺陷的候選區(qū)域，然后利用卷積神經(jīng)網(wǎng)絡(luò)對候選區(qū)域進(jìn)行特征提取與分類判斷，實(shí)現(xiàn)缺陷的定位與識別。為進(jìn)一步提升缺陷識別的精細(xì)化程度，系統(tǒng)在R-CNN 的基礎(chǔ)上引入了注意力機(jī)制，通過加權(quán)學(xué)習(xí)使得模型能夠自適應(yīng)地關(guān)注缺陷的細(xì)微特征，忽略背景的干擾信息。針對電子元器件缺陷樣本稀缺的問題，系統(tǒng)還集成了少樣本學(xué)習(xí)技術(shù)，通過元學(xué)習(xí)策略利用少量樣本構(gòu)建初始化的分類器，然后在實(shí)際檢測過程中持續(xù)細(xì)化與更新，不斷提高分類器的泛化性能。

4智能視覺檢測技術(shù)在電子領(lǐng)域應(yīng)用的創(chuàng)新路徑探索

4.1多源異構(gòu)數(shù)據(jù)的融合分析

智能視覺檢測技術(shù)在電子領(lǐng)域的應(yīng)用面臨著數(shù)據(jù)多源異構(gòu)的挑戰(zhàn)。電子產(chǎn)品的生產(chǎn)過程涉及原材料、工藝參數(shù)、環(huán)境條件等多個(gè)要素，這些要素產(chǎn)生的數(shù)據(jù)類型多樣、格式各異，給數(shù)據(jù)的有效利用帶來困難。為充分挖掘多源異構(gòu)數(shù)據(jù)的價(jià)值，亟需開展數(shù)據(jù)融合分析的創(chuàng)新研究。一方面需要探索不同數(shù)據(jù)源之間的關(guān)聯(lián)機(jī)制，通過數(shù)據(jù)對齊、映射等技術(shù)實(shí)現(xiàn)數(shù)據(jù)的互操作與融合，例如，將圖像數(shù)據(jù)與工藝參數(shù)數(shù)據(jù)進(jìn)行關(guān)聯(lián)分析，挖掘產(chǎn)品缺陷與生產(chǎn)條件之間的內(nèi)在聯(lián)系，為工藝優(yōu)化提供依據(jù)。另一方面需要研究異構(gòu)數(shù)據(jù)的統(tǒng)一表示與建模方法，構(gòu)建多模態(tài)數(shù)據(jù)融合的特征學(xué)習(xí)框架，通過引入跨模態(tài)特征對齊、注意力機(jī)制等技術(shù)實(shí)現(xiàn)不同模態(tài)數(shù)據(jù)的高層語義對齊，提升數(shù)據(jù)融合的有效性。還需探索知識圖譜、因果推理等技術(shù)在多源異構(gòu)數(shù)據(jù)分析中的應(yīng)用，挖掘數(shù)據(jù)背后的因果關(guān)系與領(lǐng)域知識，為智能視覺檢測提供先驗(yàn)指導(dǎo)。多源異構(gòu)數(shù)據(jù)融合分析的創(chuàng)新突破，將為智能視覺檢測技術(shù)注入新的數(shù)據(jù)驅(qū)動(dòng)力，提升系統(tǒng)對電子制造過程的全局洞察能力，推動(dòng)形成數(shù)據(jù)閉環(huán)與智慧協(xié)同的新范式。

4.2智能視覺檢測系統(tǒng)的輕量化設(shè)計(jì)

4.2.1模型壓縮與剪枝技術(shù)

模型壓縮與剪枝是實(shí)現(xiàn)智能視覺檢測系統(tǒng)輕量化的重要技術(shù)手段。通過參數(shù)量化、低秩近似等方法，在保持模型性能的同時(shí)顯著降低模型的存儲開銷與計(jì)算成本。例如，利用權(quán)重剪枝技術(shù)，去除模型中冗余的連接與神經(jīng)元，構(gòu)建簡潔高效的網(wǎng)絡(luò)結(jié)構(gòu)。再如，采用知識蒸餾策略，使用大型教師模型指導(dǎo)小型學(xué)生模型的訓(xùn)練，實(shí)現(xiàn)模型性能的遷移與繼承。還可探索神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索（NAS）技術(shù)，自動(dòng)尋找最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)，在滿足資源約束的同時(shí)最大化模型的性能表現(xiàn)。模型壓縮與剪枝技術(shù)的創(chuàng)新應(yīng)用，將使得智能視覺檢測算法能夠在嵌入式設(shè)備、移動(dòng)終端等資源受限環(huán)境中高效運(yùn)行，提升系統(tǒng)的部署靈活性[4]。

4.2.2專用芯片與嵌入式系統(tǒng)應(yīng)用

專用芯片與嵌入式系統(tǒng)是實(shí)現(xiàn)智能視覺檢測系統(tǒng)輕量化部署的重要載體。通過設(shè)計(jì)面向智能視覺應(yīng)用的專用芯片如FPGA、ASIC 等，可充分發(fā)揮硬件電路的并行計(jì)算優(yōu)勢，顯著提升算法的運(yùn)行速度，專用芯片可根據(jù)應(yīng)用需求定制化設(shè)計(jì)，優(yōu)化資源配置，降低功耗開銷。在嵌入式系統(tǒng)方面，需要研究面向ARM、RISC-V 等嵌入式處理器的算法移植與優(yōu)化技術(shù)，實(shí)現(xiàn)算法在嵌入式平臺上的高效部署。通過引入模型壓縮、混合精度量化等方法，可在保證檢測精度的同時(shí)降低嵌入式設(shè)備的計(jì)算負(fù)載與存儲壓力。

5結(jié)束語

智能視覺檢測技術(shù)與電子制造業(yè)的跨界融合，為新時(shí)代電子工業(yè)的發(fā)展開辟了創(chuàng)新路徑。通過人工智能、大數(shù)據(jù)等新興技術(shù)與電子制造領(lǐng)域的應(yīng)用場景深度結(jié)合，智能視覺檢測技術(shù)有望在提升產(chǎn)品品質(zhì)、優(yōu)化生產(chǎn)過程、構(gòu)建智慧工廠等方面發(fā)揮更大價(jià)值。未來，電子制造業(yè)將進(jìn)一步利用智能視覺檢測技術(shù)實(shí)現(xiàn)數(shù)字化、網(wǎng)絡(luò)化、智能化的融合發(fā)展，加快構(gòu)筑智能制造新生態(tài)，為高質(zhì)量發(fā)展注入新動(dòng)能。跨學(xué)科交叉融合研究將成為智能視覺檢測技術(shù)持續(xù)創(chuàng)新的關(guān)鍵驅(qū)動(dòng)力，人機(jī)協(xié)同、主動(dòng)學(xué)習(xí)、全息感知等新興理念也將引領(lǐng)智能視覺檢測技術(shù)的未來發(fā)展方向。