【技术实现步骤摘要】
基于深度学习的二维PCB外观缺陷实时自动检测技术
本专利技术涉及缺陷检测
,特别涉及一种基于深度学习的二维PCB外观缺陷实时自动检测技术。
技术介绍
二维(2D)印刷电路板(PCB)是各种微电路版、主板制作的基础,其正确性是其它后续工序正确的保障。由于现代技术和精细工艺的不断发展,PCB的制作也越来越复杂、越来越精密。传统的外观检测已不适应复杂的PCB检测。
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本专利技术的目的在于提出一种基于深度学习的二维PCB外观缺陷实时自动检测技术,该方法具有速度快、精度高、泛化能力强,结构清晰等优点。为达到上述目的,本专利技术实施例提出了一种基于深度学习的二维PCB外观缺陷实时自动检测技术,包括:S1,通过搜集和标记PCB缺陷块图片,建立二维PCB缺陷块图片库,所述二维PCB缺陷块图片库包括二维PCB缺陷数据对图片库和二维PCB缺陷单数据图片库;S2,对所述二维PCB缺陷块图片库中的每一种类PCB缺陷,利用卷积神经网络进行训练,提取PCB缺陷类别特征;S3,对所述二维PCB缺陷块图片库中的每一种类PCB缺陷的级别,利用卷积神经网络进行训练,提取PCB缺陷级别特征;S4,通过PCB生产流水线提取二维PCB图片,所述二维PCB图片包括二维标准PCB图片和二维待测PCB图片;S5,通过滤波去噪块,对所述二维PCB图片进行去噪处理;S6,通过图像配准块,对所述二维待测P ...
【技术保护点】
1.一种基于深度学习的二维PCB外观缺陷实时自动检测技术,其特征在于,包括以下步骤:/nS1,通过PCB缺陷块图片库建立二维PCB缺陷块图片库,所述二维PCB缺陷块图片库包括二维PCB缺陷数据对图片库和二维PCB缺陷单数据图片库;/nS2,通过CNN缺陷特征训练块,对所述二维PCB缺陷块图片库中的每一种类PCB缺陷,利用卷积神经网络进行训练,提取PCB缺陷类别特征;/nS3,通过CNN缺陷级别特征训练块,对所述二维PCB缺陷块图片库中的每一种类PCB缺陷的级别,利用卷积神经网络进行训练,提取PCB缺陷级别特征;/nS4,通过PCB图片提取块提取二维PCB图片,所述二维PCB图片包括二维标准PCB图片和二维待测PCB图片;/nS5,通过滤波去噪块,对所述二维PCB图片进行去噪处理;/nS6,通过图像配准块,对所述二维待测PCB图片与所述二维标准PCB图片配准;/nS7,通过图像灰度值比对块,对所述二维标准PCB图片和所述二维待测PCB图片灰度值进行比对分析,得到二维PCB残差图片;/nS8,通过图像分割定位块,对所述二维标准PCB图片、所述二维待测PCB图片和所述二维PCB残差图片进行分 ...
【技术特征摘要】
1.一种基于深度学习的二维PCB外观缺陷实时自动检测技术,其特征在于,包括以下步骤:
S1,通过PCB缺陷块图片库建立二维PCB缺陷块图片库,所述二维PCB缺陷块图片库包括二维PCB缺陷数据对图片库和二维PCB缺陷单数据图片库;
S2,通过CNN缺陷特征训练块,对所述二维PCB缺陷块图片库中的每一种类PCB缺陷,利用卷积神经网络进行训练,提取PCB缺陷类别特征;
S3,通过CNN缺陷级别特征训练块,对所述二维PCB缺陷块图片库中的每一种类PCB缺陷的级别,利用卷积神经网络进行训练,提取PCB缺陷级别特征;
S4,通过PCB图片提取块提取二维PCB图片,所述二维PCB图片包括二维标准PCB图片和二维待测PCB图片;
S5,通过滤波去噪块,对所述二维PCB图片进行去噪处理;
S6,通过图像配准块,对所述二维待测PCB图片与所述二维标准PCB图片配准;
S7,通过图像灰度值比对块,对所述二维标准PCB图片和所述二维待测PCB图片灰度值进行比对分析,得到二维PCB残差图片;
S8,通过图像分割定位块,对所述二维标准PCB图片、所述二维待测PCB图片和所述二维PCB残差图片进行分割定位,得到多个图片的图片块和对应的坐标;
S9,通过残差滤波块,对所述二维PCB残差图片的图片块过滤,消去因配准及其它因素产生的比对误差;
S10,缺陷搜索匹配块通过卷积神经网络训练的PCB缺陷特征,在多个图片块中搜索缺陷块,并进行缺陷块匹配;
S11,CNN缺陷识别块通过卷积神经网络对所述二维待测PCB图片中的缺陷进行识别;
S12,PCB缺陷分类块通过卷积神经网络训练的PCB缺陷类别特征对对所述二维待测PCB图片中标记的缺陷进行分类,对不在类别中的缺陷进行判断,判断是否为假缺陷还是新的类别的缺陷,将所述新的类别的缺陷补充至缺陷块图片库;
S13,通过PCB缺陷疑似块,对所述二维待测PCB图片中每一类缺陷标记为疑似缺陷;
S14,PCB缺陷验证块通过卷积神经网络训练的PCB缺陷级别特征和分类信息,判断疑似缺陷块的真假性,若缺陷为假缺陷,则删除对应缺陷,并分析产生假缺陷的原因,若缺陷为真缺陷,则标记在缺陷记录中。
2.根据权利要求1所述的基于深度学习的二维PCB外观缺陷实时自动检测技术,其特征在于,
所述二维PCB缺陷块图片库分为两类,一类为二维PCB缺陷块和对应无缺陷标准PCB块图片组成的数据对图片库,另一类为只有单个二维PCB缺陷块的数据图片库。
3.根据权利要求2所述的基于深度学习的二维PCB外观缺陷实时自动检测技术,其特征在于,所述步骤S1还包括:
建立二维PCB缺陷块图片库。两类二维PCB缺陷块图片库包含PCB的多种已标记且分类和分级的PCB缺陷块图片,所述PCB缺陷块图片包括多尺度图片。
4.根据权利要求3所述的基于深度学习的二维PCB外观缺陷实时自动检测技术,其特征在于,所述步骤S2和步骤S3还包括:
对所述二维PCB缺陷块图片库中的每一种类PCB缺陷,用卷积神经网络进行训练,提取PCB缺陷类别特征;
对所述二维PCB缺陷块图片库中的每一种类PCB缺陷的级别,用卷积神经网络进行训练,提取PCB缺陷级别特征。
5.根据权利要求1所述的基于深度学习的二维PCB外观缺陷实时自动检测技术,其特征在于,在S4中,通过PCB图片提取块提取的二维PCB图片包括两种:一种为提取二维标准PCB图片和二维待测PCB图片;另一种为只提取二维待测PCB图片。
6.根据权利要求5所述的基于深度学习的二维PCB外观缺陷实时自动检测技术,其特征在于,所述S4还包括:
在比对标准PCB的检测方法和PCB混合检测方法中,提取二维待测PCB图片和对应的二维标准PCB图片;
在无标准板比对PCB检测方法中,只提取二维待测PCB图片。
7.根据权利要求6所述的基于深度学习的二维PCB外观缺陷实时自动检测技术,其特征在于,所述S5中,滤波去噪块对所述二维PCB图片进行去噪处理,包括:
利用算法对所述二维标准PCB图片和所述二维待测PCB图片进行去噪,在比对标准PCB的检测方法和PCB混合检测方法中,对所述二维标准PCB图片和所述二维待测PCB图片去噪,去除图片中的噪声,修正底板颜色对图片的影响,使得标准PCB图片、待测PCB图片、缺陷库中图片的底板颜色一致;<...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。