【技术实现步骤摘要】
基于深度学习的印刷电路板缺陷检测方法及系统
[0001]本专利技术涉及缺陷检测
，特别涉及一种基于深度学习的印刷电路板缺陷检测方法及系统。
技术介绍
[0002]PCB在实际的生产过程中，可能会受到原材料、设备不稳定、生产环境和人为失误等多方面因素的影响，导致有些PCB外观上出现划伤、断线、油污、基材缺失、铜瘤、破铜、漏铜、缺件、图线异常、不规范的触点等各类外观缺陷。PCB缺陷检测的目标是检测出PCB中所有缺陷的具体位置，并给出缺陷的类型。按照实际生产的需求，检测需要优先保证极高的召回率，在此基础上，尽可能提升检测的精确率，同时保证检测的实时性。
[0003]在PCB生产过程中，传统的PCB外观缺陷检测是依赖人工检测，也即检验员通过眼睛观察和经验判断。但随着PCB制作工艺和功能复杂性的不断提升，PCB变得更加精细和精密，很多缺陷难以用眼查看和分辨。同时对于工厂而言，每天PCB的生产量很大，一个中等规模的工厂每天要制作上万张印刷电路板，如此多的产品也会对人工检测造成极大负担，人工成本巨大，长时间的工作也会更容易造
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的印刷电路板缺陷检测方法，其特征在于，包括以下步骤：将PCB原始图像输入深度神经网络进行目标检测推理；在目标检测推理之前，对所述PCB原始图像进行数据预处理及背景与边缘提取；其中，使用深度学习方法将所述PCB原始图像与标准板图像对齐；对所述PCB原始图像与标准板图像对齐后，使用深度目标检测模型进行缺陷检测，所述深度目标检测模型为综合单阶段目标检测算法的两阶段目标检测模型；基于所述深度目标检测模型，完成所述PCB原始图像缺陷检测，输出检测结果。2.根据权利要求1所述的基于深度学习的印刷电路板缺陷检测方法，其特征在于，所述使用深度学习方法将所述PCB原始图像与标准板图像对齐，包括：通过自主学习Mask获得图像内容的感知能力，其中，H
ab
为原始图像I
a
转换为标准板图像I
b
的单应性矩阵，整体Loss函数为：L
n
和L的定义如下：L(I
a
，I
b
)＝||F
a
‑
F
b
||1I
′
a
＝H
ab
I
a I
′
b
＝H
ba
I
b
其中，L
n
约束表示希望I
a
通过输出的的H
ab
转换之后，得到图I
′
a
的特征与I
b
接近，L部分是防止网络训练F将导向为全0特征，
‑
L是引导不同的图片输入到图像特征抽取模块中得到有差异较大的结果，添加H
ab
和H
ba
互逆关系的约束，I
a
与I
b
的转换方式是相反的。3.根据权利要求1所述的基于深度学习的印刷电路板缺陷检测方法，其特征在于，所述综合单阶段目标检测算法的两阶段目标检测模型，包括：结构部分和Loss设计部分；其中，所述结构部分，包括：将两阶段的RPN部分直接替换为单阶段检测模型，检测的类别从多类变为两个类别；所述Loss设计部分，包括：训练阶段，将第一阶段的分类权值传递到第二阶段的分类回归中，使用极大似然估计的方式对目标类和背景类分别进行参数训练，测试阶段，最终的分类权值按照条件概率的方式进行乘积获得。4.根据权利要求3所述的基于深度学习的印刷电路板缺陷检测方法，其特征在于，所述将两阶段的RPN部分直接替换为单阶段检测模型，检测的类别从多类变为两个类别，包括：将两阶段中第一阶段RPN部分替换为预设强度的二分类器以提供候选区域，所述预设强度的二分类器与后续第二阶段的预测回归训练形成联动，将难以进行分类样本的Loss传导到所述第一阶段预设强度的二分类器上进行优化。5.根据权利要求4所述的基于深度学习的印刷电路板缺陷检测方法，其特征在于，所述数据预处理，包括：将待检测板去噪提取PCB区域图像，得到待检测PCB图像；将标准板去噪提取PCB区域图像，根据颜色信息对所述待检测PCB图像进行颜色校正；将校正后的PCB图像与通过标准板去噪提取的PCB区域图像进行配准、合并和网格化。6.一种基于深度学习的印刷电...
【专利技术属性】
技术研发人员：储超群，陈仕江，周继乐，
申请(专利权)人：杭州涿溪脑与智能研究所，
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。