（一）虚数科技
虚数科技致力于制造业工厂缺陷检测，其搭建的DLIA工业深度学习开发平台，可应用于多个行业领域的检测工作，包括焊点缺陷检测等，是智能工厂的雏形，也为未来工厂提供了选择。
二、焊点缺陷视觉检测方法
（一）基于机器视觉与深度学习的方法
图像获取
首先会通过高清高速摄像头获取电路板焊点图像。例如在一些先进的检测系统中，像双目3D面阵相机可获取PCB板及焊点原始深度图像，或者2D相机搭配6棱镜镜头采集焊点一周的图像信息等手段来获取焊点相关图像。
图像预处理
对获取的图像进行去噪、增强、二值化等处理。这有助于提高图像质量，使得后续的分析更加准确。
图像识别分析与模板比对
通过对电路板焊点图像的识别分析，并与电路板焊点参考模板比对，快速而准确地发现印刷电路板的焊点缺陷。其中深度学习运用神经网络，根据大量标注的图像示例开展信息收集后，会自动开展对缺陷的分析，区分电路板焊点和缺陷焊点之间的差别，可以建立新的缺陷类型并对新的缺陷进行检出。在基于机器视觉的焊点缺陷检测方法中，还可以将矫正后的深度图像（如通过对原始深度图像的处理得到的焊点基于PCB板的深度图像），按照高度区间映射到不同的颜色谱段，获得颜色图，然后对颜色图的缺陷进行分类，再通过深度学习训练模型对颜色图的缺陷进行检测。
（二）流行的深度学习模型相关检测方法
目标检测模型（如YOLOv5和FasterR – CNN）
这些模型平衡了检测速度和精度，可在图像中定位缺陷区域。在焊点缺陷检测中，可以利用这些模型的特性来快速定位焊点可能存在的缺陷位置。
图像分割模型（如U – Net和DeepLabV3）
分割模型将图像像素分类为属于缺陷或背景，生成缺陷掩码。对于焊点检测来说，这种方法擅长处理复杂背景下的焊点缺陷检测，并且可用于缺陷尺寸和形状的定量分析，例如分析焊点缺陷区域的形状特征（如圆形度、椭圆度和多边形性等），有助于识别特定类型的焊点缺陷类型。
