【技术实现步骤摘要】
基于图像处理的印刷电路板分类方法、装置及储存介质
[0001]本专利技术属于电子产品视觉检测的
,更具体地说是涉及一种基于图像处理的印刷电路板分类方法、装置及储存介质。
技术介绍
[0002]印刷电路板是由多个电子元器件和多个功能模块组成固定在矩形基板上,传统的印刷电路板的质量检测主要以人工抽查为主,在各工艺环节抽样,检测工艺是否符合要求。考虑到人眼容易疲劳,经常出现误检、漏检等情况,且部分贴片元件的印刷密度较高,经常出现压线或错印的情况,仅靠肉眼难以观察,一般要在显微镜上放大观察,降低了抽检效率。
[0003]随着机器学习的不断发展,具有强大特征提取能力的卷积神经网络被引入。诞生了像R
‑
CNN、Fast R
‑
CNN、Faster R
‑
CNN等一阶段检测网络,以及像SSD系列和YOLO系列等这样的一阶段检测模型,两者在检测精度和速度上都有很好的提升。目前网络在训练过程中对中间层的每一个feature map都是同等对待的,使得模型很难收敛,使得模型训练异常困难。这使得一些困难样本的缺陷难以识别,而且由于印刷电路板存在复杂的表面特征以及背景特征,以及一般瑕疵都比较小且细微的很难识别,因此,当图像的前景和背景区域严重不均匀、细微时,目前方法的模型很难收敛,使得模型训练异常困难,因此存在检测误差,精度不高的问题。
技术实现思路
[0004]本专利技术提出一种基于图像处理的电路板板材表面瑕疵检测及分类方法,克服了现有技术缺陷瑕疵检测中对 ...
【技术保护点】
【技术特征摘要】
1.一种基于图像处理的印刷电路板分类方法,其特征在于,包括以下步骤:S1,获取电路板板材表面图片;S2,对图片进行预处理;S3,将预处理后的图片输入至ResNet
‑
50网络模型中训练,所述ResNet
‑
50网络模型中第二至四层的残差模块中加入注意力机制模块,第五层采用多尺度最大池化模块;S4,利用RPN网络获取候选框,将得到的提议和特征映射输入到Roi
‑
Pooling模块中获取定长特征;S5,利用两个全连接层分别进行分类和回归操作,分类操作获取缺陷的类别信息,回归操作获取缺陷的位置信息;S6,确定电路板板材的最终分类结果并显示。2.如权利要求1所述的基于图像处理的印刷电路板分类方法,其特征在于,步骤S2中所述预处理包括倾斜矫正、缩放、裁剪及标准化处理,所述倾斜矫正步骤具体包括:S2.1,以图像处理坐标中左上角原点(0,0),横坐标向右增加,纵坐标向下增加,待测产品的印刷电路板图像边缘轮廓处于坐标轴中;S2.2,确定左上和右下坐标:图像轮廓中设定距离原点最近的点为图像左上点,距离原点最远的点为图像右下点;S2.3,确定图像的倾斜方向:将图像轮廓中图像左下和右上分别定为点簇而非具体的某个点;假设图像的“右上”点簇中的所有点的纵坐标都等于左上点的纵坐标,则判定该图是“端正”;假设图像的“右上”点簇中的所有点的纵坐标都大于左上点的纵坐标,则判定该图是“向右倾斜”;否则,判定该图为“向左倾斜”;S2.4,确定右上和左下坐标:根据步骤S2.3判定图像为“端正”状态时,横坐标最小且纵坐标最大为左下点,横坐标最大且纵坐标最小为右上点;根据步骤S2.3判定图像为“向右倾斜”状态时,对“右上”点簇中的所有点按照横坐标降序排列,横坐标最大的点判定为右上点;对“左下”点簇中的所有点按照横坐标升序排列,横坐标最小的点判定为左下点;根据步骤S2.3判定图像为“向左倾斜”状态时,对“右上”点簇中的所有点按照纵坐标升序排列,纵坐标最小的点判定为右上点;对“左下”点簇中的所有点按照纵坐标降序排列,纵坐标最大的点判定为左下点;S2.5将步骤S2.4中准确确定四角的图像通过透视变换进行校正,并适配标准模块化图像大小和方向。3.如权利要求1所述的基于图像处理的印刷电路板分类方法,其特征在于,步骤S3中所述注意力机制模块是通过全局池化操作将输入的特征图转化为一...
【专利技术属性】
技术研发人员:王小平,曹万,熊波,梁世豪,
申请(专利权)人:武汉飞恩微电子有限公司,
类型:发明
国别省市:
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。