一种基于深度学习的钢网表面残留锡膏检测方法技术

本发明专利技术公开一种基于深度学习的钢网表面残留锡膏检测方法，所述检测方法包括以下步骤，步骤一：通过工业相机进行拍照采集正常钢网和残留锡膏钢网的照片；步骤二：对采集到的两类钢网图片进行预处理；步骤三：把预处理之后的两类钢网图片制作成数据集；步骤四：基于迁移学习方法搭建VGG16网络预训练模型；步骤五：在原始数据集上执行数据增强操作，以扩充数据集；步骤六：将预训练得到的模型迁移到钢网数据集上进一步训练；步骤七：模型训练完成后，通过VGG16模型对采集到的钢网图片进行检测。本发明专利技术检测方法，对图像进行分类来识别钢网表面是否残留锡膏，检测准确性高、运算速度快的特点。快的特点。快的特点。

【技术实现步骤摘要】
一种基于深度学习的钢网表面残留锡膏检测方法


[0001]本专利技术涉及钢网残留锡膏图检测
，具体是一种基于深度学习的钢网表面残留锡膏检测方法。

技术介绍

[0002]随着时代的发展，钢网的清洁度显得尤为重要，被认为是影响钢网印刷工艺整体性能的关键因素。连续打印会导致焊膏粘在模板孔的壁周围，部分或完全堵塞，阻止了焊锡膏从钢网孔到PCB焊盘的充分转移。一些焊膏在钢网表面下方渗出，导致焊盘上出现过多的体积沉积。钢网座面上积聚的焊膏残留物转移到生产线中的PCB，从而导致桥接和拖尾故障。
[0003]现有的钢网表面残留锡膏检测有人工目检、机器视觉检测。人工目检是一种用肉眼检测的方法，受人的主观因素，具有不确定性，造成检测准确度低。机器视觉检测利用了传统的图像处理方法，图像处理过程通过传统的图像比对算法进行钢网表面残留锡膏检测，该方法对图像要求较高，影响因素较多，框架较为复杂。
[0004]针对上述问题，现设计一种基于深度学习的钢网表面残留锡膏检测方法。

技术实现思路

[0005]本专利技术的目的在于提供一种基于深度学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的钢网表面残留锡膏检测方法，其特征在于，所述检测方法包括以下步骤：步骤一：通过工业相机进行拍照采集正常钢网和残留锡膏钢网的照片；步骤二：对采集到的两类钢网图片进行预处理；步骤三：把预处理之后的两类钢网图片制作成数据集；步骤四：基于迁移学习方法搭建VGG16网络预训练模型；步骤五：在原始数据集上执行数据增强操作，以扩充数据集；步骤六：将预训练得到的模型迁移到钢网数据集上进一步训练；步骤七：模型训练完成后，通过VGG16模型对采集到的钢网图片进行检测。2.根据权利要求1所述的一种基于深度学习的钢网表面残留锡膏检测方法，其特征在于，所述步骤一包括对正常钢网和残留锡膏钢网的多个部位进行拍照采集，同时针对不同开孔的钢网采集图片，采集图像数据。3.根据权利要求1所述的一种基于深度学习的钢网表面残留锡膏检测方法，其特征在于，所述步骤二包括将工业相机采集到的大图片分割成165个尺寸为小图片；再对分割完成的图片做进一步筛选，删除除重复和无意义的图片。4.根据权利要求1所述的一种基于深度学习的钢网表面残留锡膏检测方法，其特征在于，所述步骤三包括把预处理之后的两类钢网图片整理好后，以8:2的比例划分为train和val数据集，train数据集用于训练模型的数据，val数据集用于验证构建的模型准确性。5.根据权利要求1所述的一种基于深度学习的钢网表面残留锡膏检测方法，其特征在于，所述步骤四包括采用迁移学习方法，利用ImageNet数据集对深度卷积神经网络VGG16进行预训练，得到预训练模型，ImageNet数据集由超过1,400万张图片组成，每张图像都包含注释，标明物体属于哪种类别；所述卷积神经网络的主要结构包括输入层、卷积层、池化层、全连接层和输出层，VGG16作为基础网络，VGG16模型包括五个卷积层和三个全连接层；VGGNet用3
×
3的卷积核替代AlexNet里面11
×
11的卷积核，对于给定的感受野，采用多个小的卷积核效果要比大的卷积核好，多层的非线性层能够增加网...

【专利技术属性】
技术研发人员：陆加新，周杰，高文凯，刘忠洋，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：