一种PCB板缺陷检测方法、系统、介质、设备及终端技术方案

本发明专利技术属于PCB板缺陷检测技术领域，公开了一种PCB板缺陷检测方法、系统、介质、设备及终端，该方法首先采用Bisecting K

【技术实现步骤摘要】
一种PCB板缺陷检测方法、系统、介质、设备及终端


[0001]本专利技术属于PCB板缺陷检测
，尤其涉及一种PCB板缺陷检测方法、系统、介质、设备及终端。

技术介绍

[0002]目前，PCB作为电子产品的核心组件，其质量检测是满足电子制造业日益增长的质量需求的关键。在生产过程中受设备、环境、人工操作等影响，PCB会产生短路、开路、缺口、毛刺、焊点漏焊、余铜等缺陷。
[0003]目前在PCB生产过程中，主要依靠人工目视和电气特性检测方法对PCB进行缺陷检测。这些方法存在效率低、误检率高、成本高、接触检测易损伤PCB等诸多缺点，无法满足PCB高效率、高精度、高性能的生产需求。
[0004]机器视觉检测方法是一种无接触、无损伤的自动化缺陷检测方法，具有检测工作效率高的优点。
[0005]基于机器视觉的PCB缺陷检测方法分为参考法、混合法和无参考法，参考法需制作大量模板，易受噪声影响导致检测通用性低、精度低。混合法设计复杂，检测时间长，难以满足工业应用要求。无参考法具有较好的检测柔性，对噪声影响小，检测精度高。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种PCB板缺陷检测方法，其特征在于，所述PCB板缺陷检测方法包括以下步骤：步骤一，采用Bisecting K
‑
means算法实现对PCB缺陷数据集聚类分析，聚类出多不同尺寸的聚类中心；步骤二，将Bisecting K
‑
means对PCB缺陷数据集进行聚类得到的聚类中心值输入至YOLOv4网络，将数据集的相关信息输入至YOLOv4算法中；步骤三，在YOLOv4算法中的每个检测头中，增加InceptionV3网络，通过使用多种尺度卷积核实现对目标的检测；步骤四，对改进YOLOv4算法后的特征提取网络进行算法改进，引用轻量化网络MobileNetV3网络作为YOLOv4特征提取网络，根据相关理论对YOLOv4代码进行改进；步骤五，将改进思路在YOLOv4代码中进行修改，设置相关参数进行训练以及进行实验验证；步骤六，利用训练的得到的权重文件对PCB数据集测试数据集进行缺陷检测，并验证模型检测效果。2.如权利要求1所述PCB板缺陷检测方法，其特征在于，所述步骤一中的采用Bisecting K
‑
means算法实现对PCB缺陷数据集聚类分析，共计聚类出9个不同尺寸的聚类中心包括：采用Bisecting K
‑
means算法实现对PCB缺陷数据集的聚类分析，通过聚类分析得到9个不同尺寸的聚类中心，作为YOLOv4的锚框数值，具体包括：采用公开的PCB缺陷数据集进行Bisecting K
‑
means聚类算法，将所有标定数据集的标定框数据作为输入，将所有数据作为一个聚类簇；将该簇利用K
‑
means算法分为两个簇，并计算每个簇的误差；选择能使聚类损失函数IoU最小的簇划分为两个簇，以此继续进行，直到选出簇数目达到用户给定的K值为止；其中，误差IOU计算公式如下：式中，box
i
代表第i个标定框数值，cen
j
代表第j个锚框数值；采用改进Bisecting K
‑
means聚类算法对数据集进行聚类，共聚类出9个锚框。3.如权利要求1所述PCB板缺陷检测方法，其特征在于，所述步骤二中的将Bisecting K
‑
means对PCB缺陷数据集聚类得到的聚类中心值输入至YOLOv4网络，将数据集的相关信息输入至YOLOv4算法包括：通过将采用Bisecting K
‑
means算法得到的聚类中心输入至YOLOv4中，利用Bisecting K
‑
means算法对PCB缺陷数据集进行聚类得到的聚类中心数值，将所述数值依次从小到大输入至YOLOv4模型参数中；设置待检测缺陷类别，将待设置的类别输入至YOLOv4模型相关参数中；利用留出法对所有数据集进行数据集划分，根据9：1的比例设置训练数据集和验证数据集，将各类数据集相关信息汇成文本文档，输入至YOLOv4模型中。4.如权利要求1所述PCB板缺陷检测方法，其特征在于，所述步骤三中的在YOLOv4算法中的每个检测头中，增加InceptionV3网络，通过使用多种尺度卷积核实现对目标的检测包括：利用Inceptionv3网络加入至YOLOv4检测头中，实现多种尺度卷积核对特征进行检测；
网络通过将神经网络层与层之间的卷积运算进行扩展，采用不同大小1
×
1、3
×
3、5
×
5的卷积核进行卷积，拼接起来融合不同尺度的特征；在算法检测层添加Ineceptionv3结构，在不增加参数量的前提下增加网络深度。5.如权利要求1所述PCB板缺陷检测方法，其特征在于，所述步骤四中的对YOLOv4特征提取网络进行算法改进，引用MobileNetV3网络代替YOLOv4特征提取网络，根据相关理论对YOLOv4代码进行改进包括：采用MobileNetV3网络改进YOLOv4特征提取网络；所述MobileNetv3网络是MobileNet网络的第三个更新版本，采用深度可分离卷积以及引入宽度乘子和分辨率乘子两个收缩超参数；标准卷积方式通过一部对所有输入进行结合并运算得到新的输出，深度可分离卷积将标准卷积方式分解成一个深度卷积和一个1
×
1的逐点卷积方式；深度可分离卷积采用深度卷积方式对单个输入通道采用单个滤波器进行滤波计算，并采用逐点卷积方式实现对深度卷积输出进行结合从而输出最终新的结果；标准卷积方式，对输入尺寸DF
×
DF
×
M大小的特征图，采用卷积核大小为Dk
×
Dk
×
M
×
N的标准卷积方式对输入特征图进行卷积计算，其中DF表示输入特征图高和宽，M代表输入通道数，DK是卷积核宽和高，N代表输出通道数，标准卷积在计算过程中计算量为DF
×
DF
×
M
×
N
×
Dk
×
Dk；对于深度可分离卷积方式，进行深度卷积，对输入图像MF
×
MF
×
M的图像采用Dk
×
Dk
×
1大小的卷积核进行卷积运算这个过程中计算量大小为DF
×
DF
×
M
×
Dk
×
Dk；对深度卷积的输出利用逐点卷积方式进行线性结合得到输出，逐点卷积方式所需计算量为DF
×
DF
×
M
×
N，...

【专利技术属性】
技术研发人员：伍济钢，任强，成远，梁谋，王刚，曹鸿，杨康，
申请(专利权)人：湖南科技大学，
类型：发明
国别省市：