用于PCB插件焊点缺陷检测方法、系统及其存储介质技术方案

本发明专利技术涉及目标检测技术领域，公开了用于PCB插件焊点缺陷检测方法、系统及其存储介质，所述用于PCB插件焊点缺陷检测方法包括：采集PCB插件的焊点缺陷图片并进行处理；对先验框进行修改优化；对原始YOLO v3网络结构进行修改优化，在主干网络中增加通道注意力模块，在检测网络中添加卷积注意力模块,在输出层进行晚特征融合，并修改网络损失函数；采用开源数据集及训练数据集对改进YOLO v3网络结构进行训练，得到改进训练模型并验证。本发明专利技术的优点在于：本发明专利技术形成的模型在进行PCB插件焊点缺陷检测的时候，漏检率低，精准度更高，边框置信度更高，且检测效率也有相应提升。且检测效率也有相应提升。且检测效率也有相应提升。

【技术实现步骤摘要】
用于PCB插件焊点缺陷检测方法、系统及其存储介质


[0001]本专利技术涉及目标检测
，具体涉及一种用于PCB插件焊点缺陷检测方法、系统及其存储介质。

技术介绍

[0002]随着科学技术的不断创新进步，电子产品行业高速发展，而PCB(Printed Circuit Board)作为电子产品的核心部件，其产量与需求量也在日益增长。而电器元器件的焊接作为构成PCB的一个重要环节，焊点的好坏将直接影响PCB的生产质量，进而影响电子产品的好坏。由于现代设备越来越精密，组成电子设备的元器件越来越小，这直接导致PCB元器件在焊接过程中易出现如漏焊、拉尖、少锡、孔洞、连锡等缺陷。因此，对PCB板焊点进行缺陷检测是非常有必要的。
[0003]传统人工目测法，受人工情绪波动、视觉疲劳等因素影响较大，其检测效率较低，较难满足现代工业生产需求。基于机器视觉的缺陷检测已经成为了研究热点，相比较于传统检测方法，基于机器视觉的缺陷检测方法不仅不受人为因素影响，还较大程度地提高了检测效率。然而，尽管机器视觉在对PCB板的缺陷检测上表现出了良好的准确性，但是仍然需采用人为手工设计特征、强烈依赖特征模板、对环境光线敏感，并且输入的图片大都需要进行预处理操作，这也直接导致其存在检测精度较低、漏检误检率较高、工作效率较低等问题。

技术实现思路

[0004]本专利技术意在提供用于PCB插件焊点缺陷检测方法、系统及其存储介质，达到提高焊点缺陷检测精准度及检测效率、降低漏检率及误检率的效果。
[0005]为达到以上目的，提供如下方案：
[0006]方案一：
[0007]本专利技术提供的用于PCB插件焊点缺陷检测方法，包括如下步骤：
[0008]S1：采集PCB插件的焊点缺陷图片，由若干焊点缺陷图片形成缺陷数据集；
[0009]S2：对缺陷数据集进行预处理，得到预处理数据集，所述预处理数据集中包括若干预处理后的焊点缺陷图片；
[0010]S3：对预处理后的焊点缺陷图片进行标注，获得可用于训练的训练图片和与训练图片相对应的标签文件，形成训练数据集；
[0011]S4：对所有先验框进行修改优化，形成改进先验框；
[0012]S5：对原始YOLO v3网络结构进行修改，在原始YOLO v3网络结构的主干网络中添加通道注意力模块，在原始YOLO v3网络结构的检测网络中引入卷积注意力模块；原始YOLO v3网络结构的检测网络包括至少三个检测层，在最后三个检测层中进行晚特征融合；修改原始YOLO v3网络结构损失函数，得到改进YOLO v3网络结构；
[0013]S6：采用开源数据集对改进YOLO v3网络结构进行预训练，获得预训练模型；采用
训练数据集对预训练模型进行修正，得到改进训练模型。
[0014]本方案的效果及优点在于：第一，直接采集图片做为数据集，相比于其他文字化、数字化的数据模式，更为准确直观，且对采集到的焊点缺陷图片进行了预处理，使得得到的数据更为精确有效。第二，对先验框进行了修改优化，一般而言，设置先验框是比较常用的数据筛选和处理手段，然而，对于先验框本身的设置都是比较常规的，大家也没有动机要去改变先验框。而本方案对先验框进行了修改优化，使得通过先验框筛选的数据能够更加符合要求，以便得到更准确的模型。
[0015]第三，对原始YOLO v3网络结构进行修改，具体为：引入通道注意力模块、卷积注意力模块，这两种模块能够使YOLO v3网络能够自动找出图片中需要注意的位置，使得YOLO v3网络重点评价需要关注的点，提升YOLO v3网络对于焊点缺陷位置的判断力及精准度；进行晚特征融合，即在原始YOLO v3网络结构中增加一次特征融合操作，对特征进行融合处理，能够简化网络复杂度，减小计算量，提升检测效率及检测性能；修改原始YOLO v3网络结构损失函数，选用运算结果更符合要求的函数，运算结果的准确度提升了，进而有助于提升检测精准度。相比于现有技术中采用的原始YOLO v3网络结构的模型，存在因图片采集数据较庞大，造成检测速度较慢，检测效率较低，产品的竞争力较低的问题，本方案对原始YOLO v3网络结构进行修改后，网络对于数据的处理速度及处理精度都提升了，能有效提高焊点缺陷检测精准度及检测效率、降低漏检率及误检率。
[0016]采用开源数据集及自主采集到的训练数据集对改进YOLO v3网络结构进行了训练，不断改进模型系数，能够优化训练模型，提高模型的泛化能力，从而得到更好的模型运行性能，从而提升检测的精度及效率。需要说明的是，本方案的训练数据集就是PCB缺陷数据集，采用PCB缺陷数据集对预训练模型进行修正，能够更加真实直观地训练出所需要的模型。综上，本方案可达到提高焊点缺陷检测精准度及检测效率、降低漏检率及误检率的效果。
[0017]进一步，在所述步骤S2中，所述预处理包括裁剪处理、缩放处理及模糊操作。
[0018]通过对图片进行裁剪，可以将采集到的焊点缺陷图片中与PCB板本体无关的内容去除，降低后续数据处理工作量，便于提升工作效率。通过对图片进行缩放及模糊处理，可以增强图片样本数据量，提高样本质量，还便于在后续形成预处理数据集时提供较多的数据量，进而形成较丰富的训练数据集，训练时有助于提高模型的泛化能力。
[0019]进一步，在所述步骤S4中，所述对所有先验框进行修改优化为：采用有序概率加权算法对采用K
‑
means方法产生的先验框进行修改优化。
[0020]K
‑
Means算法是一种简单的迭代型聚类算法，采用距离作为相似性指标，从而发现给定数据集中的K个类，且每个类的中心是根据类中所有数值的均值得到的，每个类的中心用聚类中心来描述。
[0021]先验框采用K
‑
means方法产生，现有技术中常直接使用此种先验框，但是K
‑
means方法存在一个明显缺陷：K个聚类中心位置的随机初始化，会导致聚类结果不准确，因此，会对模型精度及运行时间造成较大程度的影响。故，本方案创造性地提出了对先验框的修改优化方法，以解决上述问题，具体为：
[0022]采用有序概率加权算法对先验框进行修改优化，能够有效的解决由K
‑
means方法带来的聚类中心位置初始化不准确的问题，修改后的先验框大小更加适合所检测的目标，
能够在训练过程中降低时间复杂度，同时，在预测框调整中，能够减少预测框调整的时间，并且由于先验框的大小更贴近真实目标检测框，因此得到的模型更加准确，有利于提高模型召回率及模型平均精度。
[0023]进一步，在所述步骤S5中，所述通道注意力模块为SE模块，在添加通道注意力模块时，在原始YOLO v3网络结构的每个stage中的3x3卷积模块下，去掉原网络的Leaky ReLu函数，然后添加通道注意力模块。
[0024]在原始YOLO v3网络结构中添加通道注意力模块SE模块，可使网络自动找出图片中需要注意的位置，使得网络重点评价本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.用于PCB插件焊点缺陷检测方法，其特征在于，包括如下步骤：S1：采集PCB插件的焊点缺陷图片，由若干焊点缺陷图片形成缺陷数据集；S2：对缺陷数据集进行预处理，得到预处理数据集，所述预处理数据集中包括若干预处理后的焊点缺陷图片；S3：对预处理后的焊点缺陷图片进行标注，获得可用于训练的训练图片和与训练图片相对应的标签文件，形成训练数据集；S4：对所有先验框进行修改优化，形成改进先验框；S5：对原始YOLO v3网络结构进行修改，在原始YOLO v3网络结构的主干网络中添加通道注意力模块，在原始YOLO v3网络结构的检测网络中引入卷积注意力模块；原始YOLO v3网络结构的检测网络包括至少三个检测层，在最后三个检测层中进行晚特征融合；修改原始YOLO v3网络结构损失函数，得到改进YOLO v3网络结构；S6：采用开源数据集对改进YOLO v3网络结构进行预训练，获得预训练模型；采用训练数据集对预训练模型进行修正，得到改进训练模型。2.根据权利要求1所述的用于PCB插件焊点缺陷检测方法，其特征在于，在所述步骤S2中，所述预处理包括裁剪处理、缩放处理及模糊操作。3.根据权利要求1所述的用于PCB插件焊点缺陷检测方法，其特征在于，在所述步骤S4中，所述对所有先验框进行修改优化为：采用有序概率加权算法对采用K
‑
means方法产生的先验框进行修改优化。4.根据权利要求1所述的用于PCB插件焊点缺陷检测方法，其特征在于，在所述步骤S5中，所述通道注意力模块为SE模块，在添加通道注意力模块时，在原始YOLO v3网络结构的每个stage中的3x3卷积模块下，去掉原网络的Leaky ReLu函数，然后添加通道注意力模块。5.根据权利要求1所述的用于PCB插件焊点缺陷检测方法，其特征在于，在所述步骤S5中，所述卷积注意力模块为CBAM模块；检测网...

【专利技术属性】
技术研发人员：王政，陈文斌，李太福，毛从谱，贺红伟，刘平，黄星耀，苏远超，熊瑞，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：