本发明涉及pcb板检测，具体为一种分布式智能vrs检测方法。
背景技术：
1、光学检测技术可以实现对pcb板的高精度检测，从而提高了产品质量。传统的人工检测容易出现漏检或误检的情况，导致产品质量不稳定。而自动光学检测技术可以实现高速、高精度的检测，能够发现微小的缺陷和不良品，从而提高了产品质量的稳定性和可靠性。
2、目前，现有技术中，虽然已经实现利用机械自动化来实现对pcb板提供高精度检测，但是实际操作过程中，传统的检测方式是由1个操作人员复判一台光学检测装置的结果，由操作人员将人工智能单元判定的ng结果及unsure结果进一步再区分为ok结果或是ng结果，这样每一台机器都需要投入人力，实际的pcb板的检测线，可能会设置多组产线，而在每一组检测设备上都投入人力，无疑增加企业人力投入，降低检测效率，针对现有技术的不足，本发明提供了一种分布式智能vrs检测方法，以解决上述问题。
技术实现思路
1、针对现有技术的不足，本发明提供了一种分布式智能vrs检测方法，在进行pcb板检测过程中，在传统的vrs机台上增加ai检测，实现自动化检测，ai检测的结果有ok、ng、unsure三类，ng、unsure类的缺陷通过网络传输到中央服务器，操作人员在中央服务器对ng、unsure类的缺陷进行复判，一个操作人员可以同时监控多台的分布式的vrs机台，因此本发明方法减少pcb板检测和复合过程中投入的人力、提高检测效率和检测的准确性。
2、为实现以上目的，本发明通过以下技术方案予以实现：一种分布式智能vrs检测方法，包括如下步骤：
3、步骤s1：在pcb板生产过程中，为每个pcb板生成唯一的二维码，并将所述二维码印制在pcb板上；
4、步骤s2：利用光学检测设备对pcb板进行缺陷检测，将检测结果与pcb板的二维码信息进行绑定，确保每个pcb板的检测结果与其身份信息一一对应；
5、步骤s3：建立一个数据库，用于存储pcb板的二维码信息、检测结果，在检测过程中，将检测结果实时上传至数据库，并与相应的二维码信息进行绑定；
6、步骤s4：在初次检测完成后，利用智能vrs设备对检测结果进行快速复检，智能vrs设备将自动读取pcb板上的二维码信息，并从数据库中获取对应的检测结果；
7、步骤s5：智能vrs设备将光学检测结果ng、unsure类的缺陷通过网络传输到中央服务器，操作人员在中央服务器对ng、unsure类的缺陷进行复判；
8、步骤s6：将检测结果以报告形式输出；
9、步骤s7：根据检测结果，对合格的pcb板进行后续处理，对不合格的pcb板进行标识、隔离和维修。
10、优选的，所述智能vrs设备包括二维码识别系统、数据库管理系统、复检光学检测系统、复检结果比对系统以及结果输出与反馈系统组成。
11、优选的，所述二维码识别系统负责识别pcb板上的二维码，读取其中存储的pcb板的基本信息，通过光学扫描摄像头捕捉二维码图像，利用图像处理算法和二维码解码算法，准确识别并解析二维码中的信息。
12、优选的，所述数据库管理系统用于存储和管理pcb板的二维码信息以及初次检测结果，所述数据库管理系统采用nosql数据库，数据库管理系统具备数据备份和恢复功能。
13、优选的，所述复检光学检测系统首先通过高分辨率摄像头获取pcb板的图像信息，然后通过图像处理算法对图像进行去噪和增强预处理，提高图像质量，最后利用机器学习算法对处理后的图像进行分析和比对，对pcb板检测。
14、优选的，所述机器学习算法采用卷积神经网络算法，在构建卷积神经网络模型时，使用python导入tensorflow深度学习框架库并搭建模型结构，然后编译模型并训练模型，最后模型评估与调优并进行模型的部署与应用，将训练好的模型部署到智能vrs复检设备中，将预处理后的图像输入到构建卷积神经网络模型中进行缺陷检测，根据模型的输出判断pcb板上是否存在缺陷。
15、优选的，所述卷积神经网络由多个卷积层、池化层和全连接层组成，卷积层用于提取图像的特征，池化层用于降低特征图的维度并减少计算复杂度，全连接层则将卷积层和池化层的输出作为输入。
16、优选的，所述复检结果比对系统在进行数据比对时，首先提取智能vrs复检设备输出的检测结果信息，然后通过数据库查询操作，获取与该pcb板对应的初次检测结果，最后利用比对算法对两次检测结果进行比对。
17、优选的，所述结果输出与反馈系统根据比对结果，在pcb板的二维码信息中生成包含复检结果、pcb板信息、检测时间的检测报告，对于复检结果与初次检测结果存在差异的pcb板，提供异常反馈机制，将信息传送至人工复核。
18、优选的，对于识别出的复核异常的pcb板，系统将这些pcb板的二维码信息进行标记，对于所有经过人工复核的pcb板，系统都会记录复核结果以及人工处理结果，从而方便后续信息追溯。
19、本发明公开了一种分布式智能vrs检测方法，其具备的有益效果如下：
20、1、该分布式智能vrs检测方法，在进行pcb板检测过程中，在传统的vrs机台上增加ai检测，实现自动化检测，ai检测的结果有ok、ng、unsure三类，ng、unsure类的缺陷通过网络传输到中央服务器，操作人员在中央服务器对ng、unsure类的缺陷进行复判，一个操作人员可以同时监控多台的分布式的vrs机台，因此本发明方法减少pcb板检测和复合过程中投入的人力、提高检测效率和检测的准确性。
21、2、该分布式智能vrs检测方法，在pcb复检中，图像可能存在不同角度、不同位置的情况，而卷积神经网络具有平移不变性，可以正确处理这些图像数据，无论缺陷在pcb上的哪个位置，卷积神经网络都能够有效地识别出来。
22、3、该分布式智能vrs检测方法，通过大量的带标签数据进行训练，卷积神经网络可以学习到从图像中提取有用信息的有效方式，从而实现对pcb缺陷的高准确率检测，由于使用了大量的数据训练，卷积神经网络可以处理各种各样的输入数据，具有良好的模型泛化能力，这使得卷积神经网络能够适应不同的pcb类型和不同的生产环境，提高检测的通用性和稳定性。
1.一种分布式智能vrs检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种分布式智能vrs检测方法，其特征在于，所述智能vrs设备包括二维码识别系统、数据库管理系统、复检光学检测系统、复检结果比对系统以及结果输出与反馈系统组成。
3.根据权利要求2所述的一种分布式智能vrs检测方法，其特征在于，所述二维码识别系统负责识别pcb板上的二维码，读取其中存储的pcb板的基本信息，通过光学扫描摄像头捕捉二维码图像，利用图像处理算法和二维码解码算法，准确识别并解析二维码中的信息。
4.根据权利要求2所述的一种分布式智能vrs检测方法，其特征在于，所述数据库管理系统用于存储和管理pcb板的二维码信息以及初次检测结果，所述数据库管理系统采用nosql数据库，数据库管理系统具备数据备份和恢复功能。
5.根据权利要求2所述的一种分布式智能vrs检测方法，其特征在于，所述复检光学检测系统首先通过高分辨率摄像头获取pcb板的图像信息，然后通过图像处理算法对图像进行去噪和增强预处理，提高图像质量，最后利用机器学习算法对处理后的图像进行分析和比对，对pcb板检测。
6.根据权利要求5所述的一种分布式智能vrs检测方法，其特征在于，所述机器学习算法采用卷积神经网络算法，在构建卷积神经网络模型时，使用python导入tensorflow深度学习框架库并搭建模型结构，然后编译模型并训练模型，最后模型评估与调优并进行模型的部署与应用，将训练好的模型部署到智能vrs复检设备中，将预处理后的图像输入到构建卷积神经网络模型中进行缺陷检测，根据模型的输出判断pcb板上是否存在缺陷。
7.根据权利要求6所述的一种分布式智能vrs检测方法，其特征在于，所述卷积神经网络由多个卷积层、池化层和全连接层组成，卷积层用于提取图像的特征，池化层用于降低特征图的维度并减少计算复杂度，全连接层则将卷积层和池化层的输出作为输入。
8.根据权利要求2所述的一种分布式智能vrs检测方法，其特征在于，所述复检结果比对系统在进行数据比对时，首先提取智能vrs复检设备输出的检测结果信息，然后通过数据库查询操作，获取与该pcb板对应的初次检测结果，最后利用比对算法对两次检测结果进行比对。
9.根据权利要求8所述的一种分布式智能vrs检测方法，其特征在于，所述结果输出与反馈系统根据比对结果，在pcb板的二维码信息中生成包含复检结果、pcb板信息、检测时间的检测报告，对于复检结果与初次检测结果存在差异的pcb板，提供异常反馈机制，将信息传送至人工复核。
10.根据权利要求9所述的一种分布式智能vrs检测方法，其特征在于，对于识别出的复核异常的pcb板，系统将这些pcb板的二维码信息进行标记，对于所有经过人工复核的pcb板，系统都会记录复核结果以及人工处理结果，从而方便后续信息追溯。
