基于CooVally的PCB板缺陷检测

PCB（printed circuit board）是电子元器件的支撑体，也是电子元器件电气相互连接的载体，其技术水平的高低决定了一个国家电子信息产业的配套水平。

自半导体晶体管于20世纪50年代出现以来，对PCB的需求量急剧上升。特别是集成电路的迅速发展及广泛应用，使电子设备的体积越来越小，电路布线密度和难度越来越大，这就要求PCB要不断更新。

作为国家战略性新兴产业发展重点之一的电子信息产业，PCB行业的势头正逐渐高涨。但是，随着PCB朝着高精度、多层数、微型化方向发展，传统的人工检测和电子检测已经无法满足PCB发展的需要。

那么，今天主要介绍一种基于CooVally的PCB板缺陷检测方法。

中奥智能工业研究院https://www.sinoaus.net/CoovallyHome

CooVally内置了多种模型类型，例如目标检测、语义分割、实例分割、图片分类，大家可以根据需求进行选择。

• 在平台上选择相应的标签进行数据分析，并依次设置好参数，然后开始训练。

• 开始训练后，会跳转进入任务信息的详情页面，分为多个板块，每个板块都可以查看不同的信息。

• 在实验详情的页面，我们不仅可以查看实验结果，还有耗时等数据。例如训练损失，我们可以看到随着训练次数的增加，训练损失逐渐变为一条接近X轴的水平直线，也就代表损失越小，训练的结果越好啦！

• 待训练结束，在训练列表中选择一个最好的训练结果进行部署并推理。

• 按照页面提示进行模型部署。

• 模型部署成功后，便可以上传图片，进行PCB板缺陷检测了。识别结果框框上面的数字，它的数值越接近1，准确率也就越高了。

基于CooVally的PCB板缺陷检测是不是超级简单方便，整个检测原理是通过对大量缺陷图片模型的训练，可以检测出如划伤、毛刺、缺损、余铜、针孔等缺陷类型，而且训练的图片越多，检测结果越精准。

为什么要介绍基于CooVally的PCB板缺陷检测的方法，不光是平台内置了多种模型类型，而且还可以帮助用户快速筛选可用的AI模型，使用户不必浪费过多的时间在模型筛选上。

中奥智能工业研究院https://www.sinoaus.net/Acticity

为了让更多用户体验CooVally的快捷和高效，最近还有低价就能获得账号终身使用权的活动，等你来体验哦~

参考文章：

[1]孟繁丽. "基于机器视觉的PCB裸板缺陷自动检测方法研究." 中国高新技术企业 9(2016):5.