一种基于轻量级网络的PCB元器件检测方法技术

本发明专利技术公开了一种基于轻量级网络的PCB元器件检测方法，包括S1、拍摄高清PCB元器件样本，并对PCB元器件样本进行数据增广，对其中的各类元器件进行标注，获得PCB元器件数据库；S2、将PCB元器件训练样本送入深度神经网络进行训练，直至深度学习网络收敛，获得用于检测PCB元器件的目标检测网络和权重文件；S3、利用步骤S2训练好的深度学习网络和权重文件来检测PCB元器件测试样本中的PCB元器件目标，并输出检测结果。本发明专利技术检测速度快，检测精确率高，解决了传统的人工检测效率低、可靠性低的缺点，也解决了自动光学检测设备操作要求高，易受外界环境干扰的弊端。

【技术实现步骤摘要】
一种基于轻量级网络的PCB元器件检测方法
本专利技术涉及计算机视觉技术，特别是涉及一种基于轻量级网络的PCB元器件检测方法。
技术介绍
随着电子科学技术的不断进步，电子产业欣欣向荣，人们对电子产品的需求也越来越高，例如移动终端、数码产品、智能汽车等。然而，这些电子产品都是在集成电路上完成的，所以对集成电路的生产质量要求越来越高。其中，印制电路板(PrintedCircuitBoard，PCB)大量运用于集成电路中。随着科技的不断进步，电子产品功能越来越复杂，但体积却越来越小，这考验了PCB的生产工艺。在未来，为了满足电子产业的需求，PCB可能会层数越来越多，元器件数量越来越精细。为了生产高质量的印制电路板，减少报废率，制造厂商会严格把控电路板的生产过程。有的时候一个小小的差错都会导致整块电路板无法正常工作。在生产要求越来越高的现在，印制电路板生产工艺复杂繁琐，流水线上影响生产质量的因素繁杂，比如工人操作不正确、设备出现故障或者其他外界因素都会导致电路板失效。因此，在印制电路板制造过程中引入检测机制可以及早的避免不必要的人力财力浪费，从而降低生产成本。目前为止，PCB元器件检测方法有人工检测、电气检测、光学检测等。但这些方法都存在着各自的缺点。人工检测即安排专业的检测人员对生产的PCB进行肉眼检测。这个方法不仅浪费大量的人力，而且检测精度低，容易受检测人员的身体素质影响。而且现如今电路板设计越来越复杂，对检测人员的要求也越来越高，工作强度也越来越大。电气检测需要一套顶针机床，不同的电路板需要不同的顶针机床，利用机床来检测电路板合格与否。这种方法投入成本较高，针对不同的PCB元器件需要不同的机床，不适合小批量生产。光学检测是现在普遍采取的方法，它利用光学知识、图像处理知识和控制原理进行检测。虽然这个方法检测精度较高、成本较低，但是它需要专业技术人员操作软件并维护软件开发。并且，这个方法会因为标准的不一致导致漏检或误检。
技术实现思路
专利技术目的：本专利技术的目的是提供一种基于轻量级网络的PCB元器件检测方法，将轻量级网络和目标检测算法结合，在保证检测精度变化不大的同时大幅提升检测速度。技术方案：本专利技术的基于轻量级网络的PCB元器件检测方法，包括以下步骤：S1、拍摄高清PCB元器件样本，并对PCB元器件样本进行数据增广，对其中的各类元器件进行标注，获得PCB元器件数据库，PCB元器件数据库包括PCB元器件训练样本和PCB元器件测试样本；S2、将PCB元器件训练样本送入深度神经网络进行训练，直至深度学习网络收敛，获得用于检测PCB元器件的目标检测网络和权重文件；S3、利用步骤S2训练好的深度学习网络和权重文件来检测PCB元器件测试样本中的PCB元器件目标，并输出检测结果。进一步的，步骤S1中对PCB元器件样本进行数据增广的操作包括：对预处理之后的图像随机地进行水平或垂直翻转、旋转、缩放、裁剪、平移、对比度调整、色彩抖动和添加噪声操作。进一步的，图像的预处理是指将分辨率为2048×2048的原图切割成1024×1024大小。进一步的，步骤S1中PCB元器件样本中包括11类PCB元器件，具体包括电容、芯片、电阻、三极管和二极管五大类，每大类下由若干小类，共11个小类。进一步的，步骤S2包括以下步骤：S201、将PCB元器件数据库中的训练样本送入改进的特征提取网络和检测网络结构中，利用Kaiming初始化的方式，设置改进的特征提取网络和检测网络训练的学习率迭代次数以及batchsize值，其中，改进的特征提取网络和检测网络合成了本专利技术的PCB目标检测网络；S202、训练样本首先经过改进的特征提取网络，其包含一个StemBlock模块以及三个由DenseBlock和TransitionLayer组成的模块，最终得到高层特征图；S203、将S202中的高层特征图输入RPN网络，主要用于生成区域候选框；首先生成若干anchorbox，一个分支对其进行裁剪筛选后通过softmax判断anchors是否属于前景，另一分支对anchorbox进行边界框修正，形成较精确的候选框；S204、将步骤S202中产生的高层特征图与步骤S203中产生的候选框输入上下文感知的ROI池化层，得到固定大小的候选框特征图；S205、将步骤S204中产生的固定大小的候选框特征图输入全连接层与softmax层，计算每个候选框含有各PCB元器件的概率，同时利用边界框回归获得更加精确的目标检测框；S206、当达到最大迭代次数或损失函数收敛时，停止训练，获得用于检测PCB元器件的目标检测网络和权重文件。进一步的，改进的特征提取网络和检测网络结构为：训练样本或测试样本从第0层卷积层输入网络，依次经过0,1,2,…,6层处理，最终从第6层全连接层输出。更进一步的，步骤S202中StemBlock模块包括以下过程：先进行步长为2，卷积核为32×3×3的卷积操作，然后分成两通道，其中一个通道经过一个步长为1，卷积核为32×1×1和步长为2，卷积核为32×3×3的卷积操作；另外一个通道经过一个步长为1，卷积核为32×1×1的卷积操作和步长为2，2×2的最大池化操作。将两通道得到的特征图按通道维度融合，再进行步长为1，卷积核为32×1×1的卷积操作。DenseBlock由若干DenseLayer组成，DenseLayer具体过程如下：一个通道使用两个1x1卷积进行特征提取，另一个通道则在1×1卷积之后，再经过两层3×3卷积，最后将两个通道的特征图融合。更进一步的，步骤S203中使用的anchor尺寸分别为16×8，16×16，16×32，32×16，32×32，32×64，64×32，64×64和64×128。更进一步的，步骤S204中上下文感知的ROIPooling层使用双线性反卷积核上采样，扩大小候选框的特征区域，避免池化之后目标物体失真。进一步的，步骤S3包括以下步骤：S301、将测试样本送入步骤S2得到的目标检测网络，通过改进的特征提取网络和检测网络得到高层特征图；S302、将高层特征图送入RPN网络和上下文感知的ROI池化层得到候选框特征图，然后送入全连接层，得到候选框的类别置信度和边界框回归位置；S303、设置一个阈值，过滤低置信度边界框，使用非极大值抑制法去除冗余边界框，之后通过分类层得到最终的检测结果。有益效果：与现有技术相比，本专利技术的基于轻量级网络的PCB元器件检测方法，针对样本较少，目标较小的PCB元器件进行精确的定位检测。该方法具有内存消耗小、计算量少、检测速度快、鲁棒性强等特点。本专利技术在PCB元器件检测上效率高、成本低，有着广泛的应用前景。附图说明图1是本专利技术的整体流程图；图2是本专利技术步骤S1的流程图；图3是本专利技术步骤S2的流程图；图4是本专利技术步骤S3的流程图；图5是PCB元器件检测结果图。具体实施本文档来自技高网...

【技术保护点】
1.一种基于轻量级网络的PCB元器件检测方法，其特征在于，包括以下步骤：/nS1、拍摄高清PCB元器件样本，并对PCB元器件样本进行数据增广，对其中的各类元器件进行标注，获得PCB元器件数据库，PCB元器件数据库包括PCB元器件训练样本和PCB元器件测试样本；/nS2、将PCB元器件训练样本送入深度神经网络进行训练，直至深度学习网络收敛，获得用于检测PCB元器件的目标检测网络和权重文件；/nS3、利用步骤S2训练好的深度学习网络和权重文件来检测PCB元器件测试样本中的PCB元器件目标，并输出检测结果。/n

【技术特征摘要】
1.一种基于轻量级网络的PCB元器件检测方法，其特征在于，包括以下步骤：
S1、拍摄高清PCB元器件样本，并对PCB元器件样本进行数据增广，对其中的各类元器件进行标注，获得PCB元器件数据库，PCB元器件数据库包括PCB元器件训练样本和PCB元器件测试样本；
S2、将PCB元器件训练样本送入深度神经网络进行训练，直至深度学习网络收敛，获得用于检测PCB元器件的目标检测网络和权重文件；
S3、利用步骤S2训练好的深度学习网络和权重文件来检测PCB元器件测试样本中的PCB元器件目标，并输出检测结果。


2.根据权利要求1所述的基于轻量级网络的PCB元器件检测方法，其特征在于，步骤S1中对PCB元器件样本进行数据增广的操作包括：对预处理之后的图像随机地进行水平或垂直翻转、旋转、缩放、裁剪、平移、对比度调整、色彩抖动和添加噪声操作。


3.根据权利要求2所述的基于轻量级网络的PCB元器件检测方法，其特征在于，图像的预处理是指将分辨率为2048×2048的原图切割成1024×1024大小。


4.根据权利要求1所述的基于轻量级网络的PCB元器件检测方法，其特征在于，步骤S1中PCB元器件样本中包括11类PCB元器件，具体包括电容、芯片、电阻、三极管和二极管五大类，每大类下由若干小类，共11个小类。


5.根据权利要求1所述的基于轻量级网络的PCB元器件检测方法，其特征在于，步骤S2包括以下步骤：
S201、将PCB元器件数据库中的训练样本送入改进的特征提取网络和检测网络结构中，利用Kaiming初始化的方式，设置改进的特征提取网络和检测网络训练的学习率迭代次数以及batchsize值；
S202、训练样本首先经过改进的特征提取网络，其包含一个StemBlock模块以及三个由DenseBlock和TransitionLayer组成的模块，最终得到高层特征图；
S203、将S202中的高层特征图输入RPN网络，主要用于生成区域候选框；首先生成若干anchorbox，一个分支对其进行裁剪筛选后通过softmax判断anchors是否属于前景，另一分支对anchorbox进行边界框修正，形成较精确的候选框；
S204、将步骤S202中产生的高层特征图与步骤S203中产生的候选框输入上下文感知的ROI池化层，得到固定大小的候选框特征图；
S205、将步骤S204中产生的固定大小的候选框特征图输入全连接层与...

【专利技术属性】
技术研发人员：孙涵，范业嘉，沈家全，产世兵，刘宁钟，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32