用于线路板画胶质量检测的神经网络的训练方法技术

本申请公开了一种用于线路板画胶质量检测的神经网络的训练方法，其包括：将线路板画胶图像输入第一卷积神经网络后输入第一空间注意力网络获得注意力特征图；将计算机辅助线路板画胶图像输入第二卷积神经网络后输入第二空间注意力网络获得参考注意力特征图；将分类特征图和注意力特征图级联后进行池化并通过全连接层以获得分类特征向量；将参考分类特征图和参考注意力特征图级联后进行池化并通过全连接层以获得参考分类特征向量；计算分类特征向量和参考分类特征向量之间的距离损失函数值；将分类特征向量通过分类函数以获得分类损失函数值；以及，基于距离损失函数值和分类损失函数值更新第一卷积神经网络和第一空间注意力网络。

【技术实现步骤摘要】
用于线路板画胶质量检测的神经网络的训练方法
本专利技术涉及深度学习和神经网络
，且更为具体地，涉及一种用于线路板画胶质量检测的神经网络的训练方法、基于深度神经网络的线路板画胶质量检测方法、训练系统、检测系统和电子设备。
技术介绍
计算机主板是微机最基本的也是最重要的部件之一。计算机的主板对电脑性能来说影响很大，因此，针对于计算机主板的每个步骤都至关重要。计算机主板一般为矩形线路板，其上安装有组成计算机的主要电路系统，一般有BIOS芯片、I/O控制芯片、键盘和面板控制开关接口、指示灯插接件、扩充插槽、主板及插卡的直流电源供电插件等元件，在进行主板的制作过程中，为了减少在产品使用过程中因冷热变化、跌落、振动等等因素导致元件的失效机率，延长产品的使用寿命，通常需要使用点胶机在线路板的表面上画胶以通过胶水将电子元件器固定于线路板上。因此，点胶机的画胶质量如何极大程度地影响了电子元器件的贴装质量。在现有的线路板制成中，通过人工来控制点胶机的工作模式并通过人眼来判断是否点胶存在误差。一方面，人工判断点胶质量的模式效率低下，且容易出错；另一方面，人眼很难对点胶的细节做出准确的分析判断。目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为线路板画胶质量的检测问题提供了新的解决思路和方案。
技术实现思路
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于线路板画胶质量检测的神经网络的训练方法、基于深度神经网络的线路板画胶质量检测方法、训练系统、检测系统和电子设备，其利用对抗学习的思想基于计算机辅助线路板画胶图案对用于线路板画胶质量检测的卷积网络进行训练，训练出来的卷积神经网络和空间注意力网络能够分别聚焦于提取线路板画胶图像的全局特征和局部特性，并结合全局特征和局部特征生成画胶质量的检测结果，以提高检测的准确率。根据本申请的一个方面，提供了一种用于线路板画胶质量检测的神经网络的训练方法，其包括：获取线路板画胶图像作为第一训练集和计算机辅助线路板画胶图像作为第二训练集；将所述第一训练集输入第一卷积神经网络以获得分类特征图；将所述分类特征图通过第一空间注意力网络以获得注意力特征图；将所述第二训练集输入第二卷积神经网络以获得参考分类特征图；将所述参考分类特征图输入第二空间注意力网络以获得参考注意力特征图；将所述分类特征图和所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量；将所述参考分类特征图和所述参考注意力特征图级联后进行空间最大值池化并通过全连接层以获得参考分类特征向量；计算所述分类特征向量和所述参考分类特征向量之间的L1距离损失函数值；将所述分类特征向量通过Softmax分类函数以获得分类损失函数值；以及基于所述L1距离损失函数值和所述分类损失函数值更新所述第一卷积神经网络和所述第一空间注意力网络。在上述用于线路板画胶质量检测的神经网络的训练方法中，将所述第一训练集输入第一卷积神经网络以获得分类特征图，包括：将所述第一训练集中的线路板画胶图像转化为灰度图像并输入第一卷积神经网络以获得分类特征图。在上述用于线路板画胶质量检测的神经网络的训练方法中，将所述分类特征图和所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量，包括：将所述分类特征图和所述注意力特征图转化为相同尺度；以及，将具有相同尺度的所述分类特征图和所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量。在上述用于线路板画胶质量检测的神经网络的训练方法中，基于所述L1距离损失函数值和所述分类损失函数值更新所述第一卷积神经网络和所述第一空间注意力网络，包括：基于所述L1距离损失函数值和所述分类损失函数值的加权和迭代地更新所述第一卷积神经网络和所述第一空间注意力网络。根据本申请的另一方面，提供了一种基于深度神经网络的线路板画胶质量检测方法，其包括：获取待检测的线路板画胶图像；将所述线路板画胶图像输入根据权利要求1到4中任意一项所述的用于线路板画胶质量检测的神经网络的训练方法所训练的第一卷积神经网络、第一空间注意力网络、全连接层和softmax函数，所述softmax函数的输出为表示所述线路板画胶质量合格的第一概率和所述线路板画胶质量不合格的第二概率；以及基于所述第一概率和所述第二概率确定所述线路板画胶质量是否合格。根据本申请的再一方面，提供了一种用于线路板画胶质量检测的神经网络的训练系统，其包括：训练集获取单元，用于获取线路板画胶图像作为第一训练集和计算机辅助线路板画胶图像作为第二训练集；分类特征图生成单元，用于将所述训练集获取单元获得的所述第一训练集输入第一卷积神经网络以获得分类特征图；注意力特征图生成单元，用于将所述分类特征图生成单元获得的所述分类特征图通过第一空间注意力网络以获得注意力特征图；参考分类特征图生成单元，用于将所述训练集获取单元获得的所述第二训练集输入第二卷积神经网络以获得参考分类特征图；参考注意力特征图生成单元，用于将所述参考分类特征图生成单元获得的所述参考分类特征图输入第二空间注意力网络以获得参考注意力特征图；分类特征向量生成单元，用于将所述分类特征图生成单元获得的所述分类特征图和所述注意力特征图生成单元获得的所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量；参考分类特征向量生成单元，用于将所述参考分类特征图生成单元获得的所述参考分类特征图和所述参考注意力特征图生成单元获得的所述参考注意力特征图级联后进行空间最大值池化并通过全连接层以获得参考分类特征向量；距离损失函数值计算单元，用于计算所述分类特征向量生成单元获得的所述分类特征向量和所述参考分类特征向量生成单元获得的所述参考分类特征向量之间的L1距离损失函数值；分类损失函数值计算单元，用于将所述分类特征向量生成单元获得的所述分类特征向量通过Softmax分类函数以获得分类损失函数值；以及参数更新单元，用于基于所述距离损失函数值计算单元获得的所述L1距离损失函数值和所述分类损失函数值计算单元获得的所述分类损失函数值更新所述第一卷积神经网络和所述第一空间注意力网络。在上述用于线路板画胶质量检测的神经网络的训练系统中，所述分类特征图生成单元，进一步用于：将所述第一训练集中的线路板画胶图像转化为灰度图像并输入第一卷积神经网络以获得分类特征图。在上述用于线路板画胶质量检测的神经网络的训练方法中，所述分类特征向量生成单元，包括：尺度转化子单元，用于将所述分类特征图和所述注意力特征图转化为相同尺度；以及，池化子单元，将具有相同尺度的所述分类特征图和所述注意力特征图级联后进行空间最大值池化并通过全连接层以本文档来自技高网...

【技术保护点】
1.一种用于线路板画胶质量检测的神经网络的训练方法，其特征在于，包括：/n获取线路板画胶图像作为第一训练集和计算机辅助线路板画胶图像作为第二训练集；/n将所述第一训练集输入第一卷积神经网络以获得分类特征图；/n将所述分类特征图通过第一空间注意力网络以获得注意力特征图；/n将所述第二训练集输入第二卷积神经网络以获得参考分类特征图；/n将所述参考分类特征图输入第二空间注意力网络以获得参考注意力特征图；/n将所述分类特征图和所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量；/n将所述参考分类特征图和所述参考注意力特征图级联后进行空间最大值池化并通过全连接层以获得参考分类特征向量；/n计算所述分类特征向量和所述参考分类特征向量之间的L1距离损失函数值；/n将所述分类特征向量通过Softmax分类函数以获得分类损失函数值；以及/n基于所述L1距离损失函数值和所述分类损失函数值更新所述第一卷积神经网络和所述第一空间注意力网络。/n

【技术特征摘要】
1.一种用于线路板画胶质量检测的神经网络的训练方法，其特征在于，包括：
获取线路板画胶图像作为第一训练集和计算机辅助线路板画胶图像作为第二训练集；
将所述第一训练集输入第一卷积神经网络以获得分类特征图；
将所述分类特征图通过第一空间注意力网络以获得注意力特征图；
将所述第二训练集输入第二卷积神经网络以获得参考分类特征图；
将所述参考分类特征图输入第二空间注意力网络以获得参考注意力特征图；
将所述分类特征图和所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量；
将所述参考分类特征图和所述参考注意力特征图级联后进行空间最大值池化并通过全连接层以获得参考分类特征向量；
计算所述分类特征向量和所述参考分类特征向量之间的L1距离损失函数值；
将所述分类特征向量通过Softmax分类函数以获得分类损失函数值；以及
基于所述L1距离损失函数值和所述分类损失函数值更新所述第一卷积神经网络和所述第一空间注意力网络。


2.根据权利要求1所述的用于线路板画胶质量检测的神经网络的训练方法，其中，将所述第一训练集输入第一卷积神经网络以获得分类特征图，包括：
将所述第一训练集中的线路板画胶图像转化为灰度图像并输入第一卷积神经网络以获得分类特征图。


3.根据权利要求1所述的用于线路板画胶质量检测的神经网络的训练方法，其中，将所述分类特征图和所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量，包括：
将所述分类特征图和所述注意力特征图转化为相同尺度；以及
将具有相同尺度的所述分类特征图和所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量。


4.根据权利要求1所述的用于线路板画胶质量检测的神经网络的训练方法，其中，基于所述L1距离损失函数值和所述分类损失函数值更新所述第一卷积神经网络和所述第一空间注意力网络，包括：
基于所述L1距离损失函数值和所述分类损失函数值的加权和迭代地更新所述第一卷积神经网络和所述第一空间注意力网络。


5.一种基于深度神经网络的线路板画胶质量检测方法，其特征在于，包括：
获取待检测的线路板画胶图像；
将所述线路板画胶图像输入根据权利要求1到4中任意一项所述的用于线路板画胶质量检测的神经网络的训练方法所训练的第一卷积神经网络、第一空间注意力网络、全连接层和softmax函数，所述softmax函数的输出为表示所述线路板画胶质量合格的第一概率和所述线路板画胶质量不合格的第二概率；以及
基于所述第一概率和所述第二概率确定所述线路板画胶质量是否合格。


6.一种用于线路板画胶质量检测的神经网络的训练系统，其特征在于，包括：
训练集获取单元，用于获取线路板画胶图像作为第一训练集和计算机辅助线路板画胶图像作为第二训练集；
分类特征图生成单元，用于将所述训练集获取单元获得的所述第一训练集输入第一卷积神经网络以获得分类特征图；
注意力特征图生成单...

【专利技术属性】
技术研发人员：陈盼盼，
申请(专利权)人：中山红雨网络科技有限公司，
类型：发明
国别省市：广东;44