一种基于CNN的FPC表面缺陷检测方法及其系统技术方案

本发明专利技术提供一种基于CNN的FPC表面缺陷检测方法及其系统，该方法包括获取检测物体的原始图像信息，采用滑窗算法截取预定尺寸大小的RGB图像，对输入的RGB图像采用第一阶段网络进行卷积与反卷积，输出得到多通道特征图，将多通道特征图输入第二阶段网络，使用第二阶段网络对缺陷图像中的缺陷进行分类，构建CNN检测模型，根据缺陷的类别对缺陷进行检测。本发明专利技术的系统应用于上述的方法。本发明专利技术兼具检测效率高和检测精准度高的优点，可以帮助企业减少人力成本投入，降低检测成本以及检测难度，进而提高FPC产品的缺陷检测效率。提高FPC产品的缺陷检测效率。提高FPC产品的缺陷检测效率。

【技术实现步骤摘要】
一种基于CNN的FPC表面缺陷检测方法及其系统


[0001]本专利技术涉及图像处理与深度学习
，具体涉及一种基于CNN的FPC表面缺陷检测方法以及应用该方法的管理及部署系统。

技术介绍

[0002]柔性电路板(Flexible Printed Circuit简称FPC)国内有关FPC的质量检测还主要依靠人工目测，成本高且效率低。而随着电子产业飞速发展，电路板设计越来越趋于高精度、高密度化，传统的人工检测方法已无法满足生产需求，FPC缺陷自动化检测成为产业发展必然趋势。
[0003]FPC的缺陷检测常用传统图像处理的方法，针对缺陷的颜色、形状、位置和面积等特征，手工设计相应的区分算法，然后设置关键的阈值，最后检出良次品。
[0004]传统图像处理方法只需要从少量有代表性的图像样本中确定缺陷的关键特征，为关键特征人工设计良次过滤规则，就可以进行良次品的分拣，且只需要CPU就足以实时运行检测程序，但图像处理的方法容易受设定的阈值影响，在工业生产场景中，许多因素会发生改变，如不同批次的产品在颜色、形状上会有差异；不同灯光、相机的参本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CNN的FPC表面缺陷检测方法，其特征在于，包括以下步骤：获取检测物体的原始图像信息，采用滑窗算法截取预定尺寸大小的RGB图像；对输入的RGB图像采用第一阶段网络进行卷积与反卷积，输出得到多通道特征图；将多通道特征图输入第二阶段网络，使用第二阶段网络对缺陷图像中的缺陷进行分类；构建CNN检测模型，根据缺陷的类别对缺陷进行检测。2.根据权利要求1所述的方法，其特征在于，所述采用滑窗算法截取预定尺寸大小的RGB图像，包括：通过滑窗方式遍历每组原始图像信息中每帧图像面阵的所有像素点，根据设定好的滑窗尺寸大小获取RGB图像。3.根据权利要求2所述的方法，其特征在于，所述通过滑窗方式遍历每组原始图像信息中每帧图像面阵的所有像素点，包括：从原始图像左上角开始，每次前移450像素，当移动到第一行的末尾，且剩下的像素不够450个时，则以原始图像最右上角为原点，由左往下分别延伸500像素作为本行最后一个滑窗；然后，滑窗移动到原始图像最左侧，并且下移450像素，重复第一行的工作，直至最后一行且下移也不够450像素时，以原始图像的左下角为原点，由上往右分别延伸500像素作为最后一行的第一个滑窗。4.根据权利要求1所述的方法，其特征在于，所述对输入的RGB图像采用第一阶段网络进行卷积与反卷积，包括：对输入的RGB图采用人体姿态识别中沙漏网络进行卷积与反卷积。5.根据权利要求4所述的方法，其特征在于，所述对输入的RGB图采用人体姿态识别中沙漏网络进行卷积与反卷积，包括：通过沙漏网络接收一个500*500*3通道的图像输入，经过卷积运算和池化操作后，得到32*32*256通道的特征图；将该特征图进行反卷积运算，得到256*256*32通道的特征图。6.根据权利要求1所述的方法，其特征在于，所述使用第二阶段网络对缺陷图像中的缺陷进行分类，包括：使用分类网络对缺陷图像中的缺陷进行训练，并生成分类模型，使用分类模型根据缺陷严格程度设置缺陷等级分类评价策略，根据缺陷等级分类评价策略进行缺陷等级排序。7.根据权利要求1所述的方法，其特征在于，所述构建CNN检测模型，包括：在检测前，在图形处理器上对...

【专利技术属性】
技术研发人员：郭学胤，袁明川，毛抒艺，逯金辉，
申请(专利权)人：深圳技术大学，
类型：发明
国别省市：