(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111417013.5 (22)申请日 2021.11.26 (71)申请人 江门市浩远科技有限公司 地址 529000 广东省江门市江海区邦民路 11号二号厂房3楼02室 (72)发明人 吴年升　赖俊崇　 (74)专利代理 机构 广州海藻专利代理事务所 (普通合伙) 44386 代理人 郑凤姣 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/74(2022.01) (54)发明名称 一种基于机器学习的线路板高效冲洗的方 法 (57)摘要 本发明书工业设备领域， 具体的说是一种基 于机器学习的线路板高效冲洗的方法， 该冲洗的 方法包括： 获取目前正在冲洗的线路板信息； 根 据所述线路板信息， 结合清洗参数， 使用冲洗装 置对线路板进行喷洗， 并获取清洗结果； 通过SWM 分类算法， 根据清洗历史情况表， 训练清洗结果 预测模型， 当有待洗线路板需要进行清洗时， 获 取所述待洗线路板的线路板信息， 结合需求情 况， 在达到清洗干净的前提下， 选择清洗参数进 行清洗， 通过本发明的方法， 可以有效， 提高清洗 效率。 权利要求书4页 说明书9页 附图4页 CN 114186481 A 2022.03.15 CN 114186481 A 1.一种基于 机器学习的线路板高效冲洗的方法， 其特 征在于， 包括： 获取目前正在冲洗的线路板信息； 根据所述线路板信 息， 结合清洗参数， 使用冲洗装置对线路板进行喷洗， 并获取清洗结 果； 获取所述清洗参数、 所述线路板信 息、 清洗干净与否的结果的数据， 建立清洗历史情况 表； 通过所述清洗历史情况表， 结合聚类算法及图像相似度方法， 变更清洗不干净的线路 板信息对应的清洗参数， 并根据结果再次更新所述清洗历史情况表； 通过SVM分类算法， 根据所述清洗历史情况表， 训练清洗结果预测模型， 所述清洗结果 预测模型输入特征 的是所述清洗历史情况表的清洗参数、 线路板信息， 预测输出结果为清 洗干净与否的结果； 当有待洗线路板 需要进行清洗时， 获取所述待洗线路板的线路板信 息， 结合需求情况， 在达到清洗干净的前提下， 选择清洗参数进行清洗 。 2.根据权利要求1所述的一种基于机器学习的线路板高效冲洗的方法， 其特征在于： 所 述线路板信息包括： 线路板的类型、 线路板的布线规则、 线路板图像； 所述线路板的类型包括： 单面板、 双面板及柔 性板； 所述线路板的布线规则包括： 将线路板建立XY坐标系， 并根据XY坐标分为N个区域； 获 取对应每个区域的布线密度、 线宽、 过孔间距及布线拓 朴结构； 所述线路板图像通过视 觉模块获取； 将所述线路板信息发送并储 存入工控机的数据库。 3.根据权利要求1所述的一种基于机器学习的线路板高效冲洗的方法， 其特征在于： 所 述清洗参数， 包括： 水更换率、 冲洗间距、 清洗强度、 清洗角度、 冲洗的XY坐标系上的位置点 数及每个位置点对应的清洗时间长度； 所述清洗参数 是预设的或者随时生成， 根据不同的线路板信息对于不同的清洗参数； 所述清洗参数， 还包括特殊情况下的清洗策略， 具体包括： 获取所述线路板信息， 获取 所述线路板信息中布线密度最密的区域， 获取其密度值； 获取过孔间距最小的区域， 获取间 距值， 当密度值大于阈值或间距值小于阈值时， 对相 应区域重点通过喷气头以及喷水头结 合一起喷洗清洁。 4.根据权利要求1所述的一种基于机器学习的线路板高效冲洗的方法， 其特征在于： 所 述获取清洗结果， 包括： 通过第一摄像头结合图像识别技术， 获取清洗结果， 判断线路板清洗是否干净， 具体 是： 训练线路板污染检测模型， 获取清洗后的线路板图像， 通过yolov5算法， 结合目标检测 技术训练线路板污染检测模型， 检测清洗后的线路板是否存在， 披锋、 毛刺以及镀铜后板面 铜颗粒， 如果存在， 判断清洗不干净， 如果 不存在， 判断清洗 干净； 所述结合目标检测技术训练线路板污染检测模型， 包括： 通过所述第一摄像头拍 取清 洗后的线路板图像信息， 将清洗后的线路板图像信息发送 致lableimg客户端进 行目标检测 标注， 标注清洗后的线路板图像信息的披锋、 毛刺以及镀铜后板面铜颗粒， 在标注满2000张 图片集后， 将图片集作为训练数据， 通过yolov5算法， 结合目标检测技术， 进 行模型训练， 得 到线路板 污染检测模型。权　利　要　求　书 1/4 页 2 CN 114186481 A 25.根据权利要求1所述的一种基于机器学习的线路板高效冲洗的方法， 其特征在于： 所 述通过清洗历史情况表， 结合聚类算法及图像相似度方法， 变更清洗不干净 的线路板信息 对应的清洗参数， 并根据结果再次更新所述清洗历史情况表， 包括： 遍历所述清洗历史情况表， 获取每个线路板信息对应的清洗结果是否干净， 如果清洗 结果为不干净， 计算该条线路板信息中的线路板图像与该条线路板信息所在线路板类型簇 中每个其他线路板图像的相似度， 当相似度高于第一阈值时， 获取相似度高于低于阈值的 线路板图像所在线路板信息对应的清洗参数， 作为第二清洗参数， 将所述第二清洗参数应 用于该条线路板信息， 结合步骤s21 ‑s22的方法对与该条线路板信息相同的线路板进行再 次清洗， 并根据结果再次更新所述清洗历史情况表； 所述计算该条线路板信息中的线路板图像与该条线路板信息所在线路板类型簇中每 个其他线路板图像的相似度， 还包括： 当无法找到该条线路板信息所在线路板类型簇中相 似度高于阈值的线路板图像时， 更 换该条线路板信息图像的横竖的排版 方向格式； 所述第二清洗参数， 还包括： 随机变化所述第二清洗参数中水更换率、 冲洗间距、 清洗 强度、 清洗角度、 冲洗的XY坐标系上 的位置点数及每个位置点对应的清洗时间长度中的某 一个到多个数据； 所述计算该条线路板信息中的线路板图像与该条线路板信息所在线路板类型簇中每 个其他线路板图像的相似度， 当无法找到相似度高于第一阈值的其他线路板图像时， 获取 相似度最高的其他线路板图像， 并对比该条线路板信息中的线路板图像与相似度最高的其 他线路板图像中相似度最低的区域， 通过所述气喷头对所述相似度最低的区域喷洗预设时 间； 对所述相似度最低的区域的图像进行 滤波处理， 再次执 行步骤S32。 所述第二清洗参数， 还 包括： 根据步骤S22获取清洗结果为不干净的线路板中披锋、 毛刺以及镀铜后板面铜颗粒的 xy坐标位置， 判断该xy坐标位置所在XY坐标系区域， 获取该XY坐标系区域的布线密度、 线 宽、 过孔间距及布线拓朴结构， 并对 该区域的进 行补充清洗， 补充清洗具体是： 判断披锋、 毛 刺以及镀铜后板面铜颗粒位置是在线路内还是线路外， 如果是布线内， 那么获取披锋、 毛刺 以及镀铜后板面铜颗粒所在线路的布线方向， 选择将水喷头和气喷头的角度调整到与所在 线路的布线 方向一致， 然后再进 行喷洗， 其中所述所在 线路的布线方向一致包括0度方向及 180度方向， 为了避免板面铜颗粒落入其他线路中， 因此选择0度或180度两个方向中， 板面 铜颗粒所在线路顺方向外存在线路较少的角度方向进 行喷洗， 并且根据预测规则根据所述 板面铜颗粒 所在线路顺方向外存在线路数量选择对应的清洗强度； 如果板面铜颗粒位置是在线路外， 那么为了防止补充清洗时， 不慎将板面铜颗粒吹入 线路内部， 因此获取板面铜颗粒在XY坐标系中正上正右正下正左四个方向的存在线路数 量， 将水喷头和气喷头的清洗角度调整到存在线路数量最少的方向， 顺着该方向进 行清洗； 当有人在清洗房间时， 或者避开人所在方向进行喷洗， 当人所在的方向与线路数量最少的 方向冲突时， 优选线路数量第二少的方向进行清洗 。 6.根据权利要求1所述的一种基于机器学习的线路板高效冲洗的方法， 其特征在于： 所 述通过SVM分类算法， 根据所述清洗历史情况表， 训练清洗结果预测模型， 模型输入特征的 是所述清洗历史情况表的清洗参数、 线路板信息， 模型预测输出结果为清洗干净与否的结 果， 包括： 将所述清洗历史情况表 90％的数据作为训练集， 10％的数据作为测试集。权　利　要　求　书 2/4 页 3 CN 114186481 A 3