普通单双面板的生产工艺流程之图形转移,华秋一文告诉你

衔接上文,继续为朋友们分享普通单双面板的生产工艺流程。

如图,第五道主流程为图形转移。

图形转移的目的为:

利用光化学原理,将图形线路的形状转移到印制板上,再利用化学原理,将图形线路在印制板上制作出来。

在行业内,普通单双面板的图形转移通常采用负片工艺。

在此,以干法的负片工艺为例,为朋友们进行讲述,其子流程,通常为4个。

【1】图形前处理(磨板)

在制作线路前,磨板,保证贴膜前的板面干燥、清洁、无氧化、胶渍等。

【2】干膜(压干膜/贴膜/贴干膜)

通过压膜机,在铜面上,贴附感光材料(干膜)。

【3】曝光

利用感光照相原理,使感光材料(干膜)受到紫外光照射(即曝光)后,发生聚合反应,完成图形转移。

注:曝光又为图形转移主流程中最重要的子流程,因此,相应的曝光设备也极为重要,业内通常会以作业方式进行区分,把曝光机分为:手动曝光机、全自动曝光机、LDI曝光机。

附注:通常情况下,在曝光精度方面,LDI曝光机>全自动曝光机>手动曝光机。因此,为了确保制作线路的精度,行业内的头部大厂,大多会购置LDI曝光机,华秋也是因此购买了LDI曝光机。

【4】DES(显影、蚀刻、退膜)

经过显影、蚀刻、退膜,去除掉不需要的干膜与铜箔,制作出所需要的图形线路。

如上,朋友们可能会觉得图形转移工序,其实也并不复杂,相比鄙人上篇对于电镀的分享,本文确实显得简单,但实际上,图形转移,是PCB生产工艺中最复杂、最重要的部分。

例如:

  1. 图形转移,可以根据菲林与所制作的图形线路是否一致,区分为正片、负片……(一致为正片,不一致为负片)
  2. 图形转移,可以根据所采用感光材料的不同,分为干法工艺、湿法工艺……(干膜为干法工艺,油墨为湿法工艺)
  3. 图形转移 ,还可以根据所采用蚀刻药水的不同,而区分出不同的药水体系……(关于蚀刻药水,目前行业内主要有6种:氯化铁、酸性氯化铜、碱性氯化铜、过硫酸铵、硫酸/铬酸、硫酸/双氧水蚀刻液)

本文之所以相对简单,并不是因为此工序简单,而是此工序过于复杂,鄙人的技术积淀尚且不够,是故无法为朋友们再进行更为全面的深入浅出的讲解。

假如朋友们还有深入学习的兴趣,建议查阅相关的文献资料或购买相关的专业书籍。

【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值