本发明属于燃气设备点火技术领域，具体涉及一种基于神经网络的pcb板激光标靶定位方法。
背景技术：
pcb板的生产流程包括钻孔、沉铜、图形转移、图形电镀、退膜等多个工艺，其中，关键步骤“图形转移”即曝光流程，具体是：将电路图案通过紫外光精准地转移到覆在pcb表面的感光材料(干膜或者湿膜)上；感光材料发生光化学反应，内部化学结构发生变化，物性发生变化，而未照射的不发生化学反应，活性不变。利用这一特性，采用溶解或剥离方法形成导电图形。
pcb板的图形转移过程需要通过专用设备在pcb板上进行激光曝光，曝光出指定图案以作为图案曝光位置的标记；然后曝光设备通过图形识别激光标靶位置，而激光标靶位置由激光标靶矩阵确定，从而进行下一步曝光工序。
目前，电路板的电路细度最小可达20微米以内，因此，图形转移的识别精度对于pcb板的生产质量极为重要，提高激光标靶矩阵的识别精度即为pcb生产的关键步骤之一。
技术实现要素：
为了解决上述问题，本发明提供一种基于神经网络的pcb板激光标靶定位方法，其提高了激光标靶的识别精度。
本发明的另一目的是提供一种基于神经网络的pcb板激光标靶定位系统。
本发明所采用的技术方案是：
一种基于神经网络的pcb板激光标靶定位方法，具体按照如下步骤实施：
s1，预制激光标靶，生成激光标靶图案；
s2，采用神经网络对所述s1中的激光标靶图案进行预处理；
s3，对预处理后的图案进行精确定位；
s4，根据所述s3中精确定位的结果，将激光标靶图案转移至pcb板上。
优选地，所述s1中预制激光标靶，生成激光标靶图案，具体为：
s11，预制光学掩膜版；
s12，激光光束通过所述s11中的光学掩膜版射在覆感光膜的pcb板的四个角上，生成激光标靶图案。
优选地，所述s2中对激光标靶图案进行预处理，具体为：
s21，神经网络预处理模块对所述激光标靶图案进行图像采集，将采集到的图像转为单通道灰度图，采用灰度图形的方式保存采集结果；
s22，神经网络预处理模块对所述s21中的采集结果采用序列化方式将其写入磁盘，以进行格式化文件输出，生成深度学习训练所需的训练数据集；
s23，神经网络训练模块对所述训练数据集进行训练，构建神经网络的损失函数，采用循环迭代梯度下降算法的方式求解最小化损失函数中的参数weight和bias，从而对神经网络的权重及偏差进行确定；
s24，所述s23中的训练完成后，神经网络检测模块对实时采集到的图像进行识别以及定位，神经网络检测模块将识别到圆形及长条形图案的坐标位置输出至激光标靶定位模块，完成对激光标靶图案进行预处理；
上述过程实现了后续标靶图案的识别定位，且识别定位方式基于神经网络，识别效果较传统机器视觉方式更佳。
优选地，所述s11中预制光学掩膜版，具体为：
使用透明基材预制光学掩膜版，所述光学掩膜版上具有n阶矩阵，且所述矩阵相邻的两个侧边上均设置有长条形的图案。
优选地，所述s12中激光光束通过所述光学掩膜版射在覆感光膜的pcb板的四个角上，生成激光标靶图案，具体为：
将所述光学掩膜版安装在激光头光路出口处，激光头安装在预处理装置上，预处理装置通过生产线与曝光设备连接，覆感光膜的pcb板在生产线上首先经过预处理装置，然后传送至曝光设备进行曝光处理，预处理装置激光器开启后，激光光束通过光学掩膜版射在覆感光膜的pcb板的四个角上，生成矩形激光标靶图案。
优选地，所述s3中对预处理后的图案进行精确定位，具体为：
依次对所述矩形激光标靶图案的四个角进行定位。
优选地，所述所述矩形激光标靶图案的某个角进行定位，具体为：
s31，当所述矩阵上侧和右侧的边上均设置有长条形的图案时，靠近上侧和右侧的矩阵中的元素形成第一矩阵；
s32，对所述s31中的第一矩阵的每一行和每一列均使用最小二乘法进行线性拟合，得到两条拟合直线，分别为：y1＝ax b和y2＝cx d；
其中，a和b是第一矩阵的行中，维度为n的参数矩阵的平均值；c和d是第一矩阵的列中，维度为n的参数矩阵的平均值；
s33，根据所述s32中的两条拟合直线，计算出第一矩阵的中心位置，该位置即为右上侧角的定位坐标p1。
优选地，所述s4中根据精确定位的结果，将激光标靶图案转移至pcb板上，具体为：
将所述四个角的坐标传送至曝光设备，曝光设备根据坐标位置，将图案转移至pcb板上。
一种基于神经网络的pcb板激光标靶定位系统，用于实现上述的基于神经网络的pcb板激光标靶定位方法，其包括依次连接的激光标靶生成组件、神经网络训练组件、定位组件以及曝光组件；
所述激光标靶生成组件，用于预制激光标靶，生成激光标靶图案；
所述神经网络训练组件，用于对激光标靶图案进行预处理；
所述定位组件，用于对预处理后的激光标靶图案进行定位；
所述曝光组件，用于根据定位将激光标靶图案转移至pcb板上。
优选地，所述激光标靶生成组件包括激光器、控制器以及曝光器，所述激光器和曝光器均与所述控制器连接。
优选地，所述神经网络训练组件包括依次连接的神经网络预处理单元、神经网络训练单元以及神经网络检测单元。
优选地，所述曝光组件包括一曝光设备。
与现有技术相比，本发明使用时，首先预制激光标靶，生成激光标靶图案；之后采用神经网络对所述激光标靶图案进行预处理；并对预处理后的图案进行精确定位；最后根据所述精确定位的结果，将激光标靶图案转移至pcb板上，完成pcb板激光标靶的定位；
实现上述过程所需要的部件比较常见，因此容易设计；并且，通过神经网络对激光标靶图案进行预处理，可对生产过程中识别识别情况进行学习，不断增强识别成功率；并且，在对图案进行预处理之后，进一步进行精确的定位，提高了识别的精度。
附图说明
图1是本发明实施例1提供的一种基于神经网络的pcb板激光标靶定位方法的流程图；
图2是本发明实施例1提供的一种基于神经网络的pcb板激光标靶定位方法中光学掩膜版的示意图；
图3是本发明实施例1提供的一种基于神经网络的pcb板激光标靶定位方法中矩形激光标靶图案的示意图；
图4是本发明实施例2提供的一种基于神经网络的pcb板激光标靶定位系统的系统框图；
图5是本发明实施例2提供的一种基于神经网络的pcb板激光标靶定位系统中激光标靶生成组件的框图；
图6是本发明实施例2提供的一种基于神经网络的pcb板激光标靶定位系统中神经网络训练组件的框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要明确的是，术语“垂直”、“横向”、“纵向”、“前”、“后”、“左”、“右”、“上”、“下”、“水平”等指示方位或位置关系为基于附图所示的方位或位置关系，仅仅是为了便于描述本发明，而不是意味着所指的装置或元件必须具有特有的方位或位置，因此不能理解为对本发明的限制。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
本发明实施例1提供一种基于神经网络的pcb板激光标靶定位方法，如图1所示，具体按照如下步骤实施：
s1，预制激光标靶，生成激光标靶图案；
s2，采用神经网络对所述s1中的激光标靶图案进行预处理；
s3，对预处理后的图案进行精确定位；
s4，根据所述s3中精确定位的结果，将激光标靶图案转移至pcb板上。
这样，因为实现上述过程所需要的部件比较常见，因此容易设计；并且，通过神经网络对激光标靶图案进行预处理，可对生产过程中识别识别情况进行学习，不断增强识别成功率；并且，在对图案进行预处理之后，进一步进行精确的定位，提高了识别的精度。
在具体实施例中：
所述s1中预制激光标靶，生成激光标靶图案，具体为：
s11，预制光学掩膜版；
s12，激光光束通过所述s11中的光学掩膜版射在覆感光膜的pcb板的四个角上，生成激光标靶图案。
更具体地，
所述s11中预制光学掩膜版，具体为：
使用透明基材预制光学掩膜版，所述光学掩膜版上具有n阶矩阵，如图2所示，且所述矩阵相邻的两个侧边上均设置有长条形的图案；
上述透明基材可以为透明玻璃或透明树脂等材料；
所述s12中激光光束通过所述光学掩膜版射在覆感光膜的pcb板的四个角上，生成激光标靶图案，具体为：
将所述光学掩膜版安装在激光头光路出口处，激光头安装在预处理装置上，预处理装置通过生产线与曝光设备连接，覆感光膜的pcb板在生产线上首先经过预处理装置，然后传送至曝光设备进行曝光处理，预处理装置激光器开启后，激光光束通过光学掩膜版射在覆感光膜的pcb板的四个角上，生成矩形激光标靶图案，如图3所示。
在具体实施例中：
所述s2中对激光标靶图案进行预处理，具体为：
s21，神经网络预处理模块对所述激光标靶图案进行图像采集，将采集到的图像转为单通道灰度图，采用灰度图形的方式保存采集结果；
灰度图形的保存方式可以减少大量的计算过程，提高预处理的速度；
s22，神经网络预处理模块对所述s21中的采集结果采用序列化方式将其写入磁盘，以进行格式化文件输出，生成深度学习训练所需的训练数据集；
s23，神经网络训练模块对所述训练数据集进行训练，构建神经网络的损失函数，采用循环迭代梯度下降算法的方式求解最小化损失函数中的参数weight和bias，从而对神经网络的权重及偏差进行确定；
s24，所述s23中的训练完成后，神经网络检测模块对实时采集到的图像进行识别以及定位，神经网络检测模块将识别到圆形及长条形图案的坐标位置输出至激光标靶定位模块，完成对激光标靶图案进行预处理。
在具体实施例中：
所述s3中对预处理后的图案进行精确定位，具体为：
依次对所述矩形激光标靶图案的四个角进行定位。
所述所述矩形激光标靶图案的某个角进行定位，具体为：
s31，当所述矩阵上侧和右侧的边上均设置有长条形的图案时，靠近上侧和右侧的矩阵中的元素形成第一矩阵；
具体地，距离向上方向长条形图案最近的n个点即为最靠近上方的第1行；去除第1行的n个点后，距离向上方向长条形图案最近的n个点即为最靠近上方的第2行；以此类推，去除第1行至第k行(k＝1，2，…，n-1)的k*n个点后，距离向上方向长条形图案最近的n个点即为最靠近上方的第k 1行；
距离向右方向长条形图案最近的n个点即为最靠近上方的第1列；去除第1列的n个点后，距离向右方向长条形图案最近的n个点即为最靠近上方的第2列；以此类推，去除第1列至第k列(k＝1，2，…，n-1)的k*n个点后，距离向右方向长条形图案最近的n个点即为最靠近上方的第k 1列；
在该步骤中，每一行每一列都需要进行线性拟合，只有界定了k 1行和k 1列，才能在程序中完成拟合步骤；
s32，对所述s31中的第一矩阵的每一行和每一列均使用最小二乘法进行线性拟合，得到两条拟合直线，分别为：y1＝ax b和y2＝cx d；
其中，a和b是第一矩阵的行中，维度为n的参数矩阵的平均值；c和d是第一矩阵的列中，维度为n的参数矩阵的平均值；
s33，根据所述s32中的两条拟合直线，计算出第一矩阵的中心位置，该位置即为右上侧角的定位坐标p1。
其余三个角坐标的确定方式和上述相同，将图案的每个角都拍一张照片，每个照片有个基本坐标(相机会移动，移动的坐标在运动控制器中有显示)，每个图案(圆、长条)相对于照片坐标系有一个照片系坐标，基本坐标与照片系坐标可计算每个图案的坐标。
所述s4中根据精确定位的结果，将激光标靶图案转移至pcb板上，具体为：
将所述四个角的坐标传送至曝光设备，曝光设备根据坐标位置，将图案转移至pcb板上。
本实施例具有如下有益效果：
(1)易于设计及搭建，具体为：
采用部件较为常见，易于设计人员设计；
(2)图像识别成功率高，具体为：
采用机器学习方式进行识别，可对生产过程中识别识别情况进行学习，不断增强识别成功率；机器学习识别方式能够按照权重对识别对象进行检测，识别的阈值大，鲁棒性强；设计的光学掩模版能够与其他定位孔相区分，提高识别成功率。
(3)图像识别精度高，具体为：
设计算法在机器学习的基础上进行定位修正，能够提高识别精度；
(4)可适用范围广，具体为：
此方法适合各种光学掩模版的设计，机器学习的网络结构不需要调整。
实施例2
本发明实施例2提供一种基于神经网络的pcb板激光标靶定位系统，用于实现实施例1所述的基于神经网络的pcb板激光标靶定位方法，如图4所示，其包括依次连接的激光标靶生成组件1、神经网络训练组件2、定位组件3以及曝光组件4；
所述激光标靶生成组件1，用于预制激光标靶，生成激光标靶图案；
所述神经网络训练组件2，用于对激光标靶图案进行预处理；
所述定位组件3，用于对预处理后的激光标靶图案进行定位；
所述曝光组件4，用于根据定位将激光标靶图案转移至pcb板上；
这样，采用上述结构，通过激光标靶生成组件1预制激光标靶，生成激光标靶图案；之后通过神经网络训练组件2对激光标靶图案进行预处理，并通过定位组件3对预处理后的激光标靶图案进行定位；最后通过曝光组件4根据定位将激光标靶图案转移至pcb板上，实现pcb板激光标靶的定位。
在具体实施例中，
如图5所示，所述激光标靶生成组件1包括激光器11、控制器12以及曝光器13，所述激光器11和曝光器13均与所述控制器12连接；
使用透明基材(例如透明玻璃或透明树脂等材料)预制光学掩模版，光学掩模版上具有n*n数量的圆形矩形，n数量可取3～5；在圆形矩阵的两个侧面分别设计两个长条形图案，该图案每个长条形图案均与靠近矩阵的一边相平行，长条相对于圆形矩阵方向记为向上方向及向右方向；
然后将光学掩膜版安装在激光器11光路出口处，激光器11通过生产线与曝光器13连接。覆感光膜的pcb板在生产线上首先经过激光器11，然后传送至曝光器13进行曝光处理。激光器11开启后，激光光束通过光学掩膜版射在覆感光膜的pcb板的四个角上，生成激光标靶图案。
如图6所示，所述神经网络训练组件2包括依次连接的神经网络预处理单元21、神经网络训练单元22以及神经网络检测单元23；
这样，神经网络预处理单元21对所述激光标靶图案进行图像采集，将采集到的图像转为单通道灰度图，采用灰度图形的方式保存采集结果；
灰度图形的保存方式可以减少大量的计算过程，提高预处理的速度；
神经网络预处理单元21对所述采集结果采用序列化方式将其写入磁盘，以进行格式化文件输出，生成深度学习训练所需的训练数据集；
神经网络训练单元22对所述训练数据集进行训练，构建神经网络的损失函数，采用循环迭代梯度下降算法的方式求解最小化损失函数中的参数weight和bias，从而对神经网络的权重及偏差进行确定；
训练完成后，神经网络检测单元23对实时采集到的图像进行识别以及定位，神经网络检测单元23将识别到圆形及长条形图案的坐标位置输出至激光标靶定位模块，完成对激光标靶图案进行预处理。
所述曝光组件4包括一曝光设备。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
1.一种基于神经网络的pcb板激光标靶定位方法，其特征在于，具体按照如下步骤实施：
s1，预制激光标靶，生成激光标靶图案；
s2，采用神经网络对所述s1中的激光标靶图案进行预处理；
s3，对预处理后的图案进行精确定位；
s4，根据所述s3中精确定位的结果，将激光标靶图案转移至pcb板上。
2.根据权利要求1所述的一种基于神经网络的pcb板激光标靶定位方法，其特征在于，所述s1中预制激光标靶，生成激光标靶图案，具体为：
s11，预制光学掩膜版；
s12，激光光束通过所述s11中的光学掩膜版射在覆感光膜的pcb板的四个角上，生成激光标靶图案。
3.根据权利要求2所述的一种基于神经网络的pcb板激光标靶定位方法，其特征在于，所述s2中对激光标靶图案进行预处理，具体为：
s21，神经网络预处理模块对所述激光标靶图案进行图像采集，将采集到的图像转为单通道灰度图，采用灰度图形的方式保存采集结果；
s22，神经网络预处理模块对所述s21中的采集结果采用序列化方式将其写入磁盘，以进行格式化文件输出，生成深度学习训练所需的训练数据集；
s23，神经网络训练模块对所述训练数据集进行训练，构建神经网络的损失函数，采用循环迭代梯度下降算法的方式求解最小化损失函数中的参数weight和bias，从而对神经网络的权重及偏差进行确定；
s24，所述s23中的训练完成后，神经网络检测模块对实时采集到的图像进行识别以及定位，神经网络检测模块将识别到圆形及长条形图案的坐标位置输出至激光标靶定位模块，完成对激光标靶图案进行预处理。
4.根据权利要求2或3所述的一种基于神经网络的pcb板激光标靶定位方法，其特征在于，所述s11中预制光学掩膜版，具体为：
使用透明基材预制光学掩膜版，所述光学掩膜版上具有n阶矩阵，且所述矩阵相邻的两个侧边上均设置有长条形的图案。
5.根据权利要求4所述的一种基于神经网络的pcb板激光标靶定位方法，其特征在于，所述s12中激光光束通过所述光学掩膜版射在覆感光膜的pcb板的四个角上，生成激光标靶图案，具体为：
将所述光学掩膜版安装在激光头光路出口处，激光头安装在预处理装置上，预处理装置通过生产线与曝光设备连接，覆感光膜的pcb板在生产线上首先经过预处理装置，然后传送至曝光设备进行曝光处理，预处理装置激光器开启后，激光光束通过光学掩膜版射在覆感光膜的pcb板的四个角上，生成矩形激光标靶图案。
6.根据权利要求5所述的一种基于神经网络的pcb板激光标靶定位方法，其特征在于，所述s3中对预处理后的图案进行精确定位，具体为：
依次对所述矩形激光标靶图案的四个角进行定位。
7.根据权利要求6所述的一种基于神经网络的pcb板激光标靶定位方法，其特征在于，所述所述矩形激光标靶图案的某个角进行定位，具体为：
s31，当所述矩阵上侧和右侧的边上均设置有长条形的图案时，靠近上侧和右侧的矩阵中的元素形成第一矩阵；
s32，对所述s31中的第一矩阵的每一行和每一列均使用最小二乘法进行线性拟合，得到两条拟合直线，分别为：y1＝ax b和y2＝cx d；
其中，a和b是第一矩阵的行中，维度为n的参数矩阵的平均值；c和d是第一矩阵的列中，维度为n的参数矩阵的平均值；
s33，根据所述s32中的两条拟合直线，计算出第一矩阵的中心位置，该位置即为右上侧角的定位坐标p1。
8.根据权利要求7所述的一种基于神经网络的pcb板激光标靶定位方法，其特征在于，所述s4中根据精确定位的结果，将激光标靶图案转移至pcb板上，具体为：
将所述四个角的坐标传送至曝光设备，曝光设备根据坐标位置，将图案转移至pcb板上。
9.一种基于神经网络的pcb板激光标靶定位系统，其特征在于，用于实现权利要求1-8任一项所述的基于神经网络的pcb板激光标靶定位方法，其包括依次连接的激光标靶生成组件(1)、神经网络训练组件(2)、定位组件(3)以及曝光组件(4)；
所述激光标靶生成组件(1)，用于预制激光标靶，生成激光标靶图案；
所述神经网络训练组件(2)，用于对激光标靶图案进行预处理；
所述定位组件(3)，用于对预处理后的激光标靶图案进行定位；
所述曝光组件(4)，用于根据定位将激光标靶图案转移至pcb板上。
10.根据权利要求9所述的一种基于神经网络的pcb板激光标靶定位系统，其特征在于，所述激光标靶生成组件(1)包括激光器(11)、控制器(12)以及曝光器(13)，所述激光器(11)和曝光器(13)均与所述控制器(12)连接；所述神经网络训练组件(2)包括依次连接的神经网络预处理单元(21)、神经网络训练单元(22)以及神经网络检测单元(23)。
技术总结