一种印刷电路板缺陷检测模型训练方法及缺陷检测方法技术

本发明专利技术公开了一种印刷电路板缺陷检测模型训练方法及缺陷检测方法，训练方法包括：获取印刷电路板的设计文档信息，设计文档信息包括印刷电路板的区域信息；并利用扫描相机设备对印刷电路板进行扫描，得到印刷电路板的扫描图像；基于印刷电路板的扫描图像和区域信息，生成学习样本，每个学习样本包括样本图像及对应的标签，包括：截取扫描图像中的局部图像，得到样本图像，并对样本图像进行人工打标，其中，人工打标所得到的标签包括区域信息以及缺陷信息；建立样本库，包括按照上述步骤收集并存储基于多个印刷电路板各自生成的学习样本；利用样本库的学习样本，对基础模型进行训练，得到印刷电路板缺陷检测模型。到印刷电路板缺陷检测模型。到印刷电路板缺陷检测模型。

A defect detection model training method and defect detection method for printed circuit board

【技术实现步骤摘要】
一种印刷电路板缺陷检测模型训练方法及缺陷检测方法


[0001]本专利技术涉及PCB缺陷检测领域，尤其涉及一种印刷电路板缺陷检测模型训练方法及缺陷检测方法。

技术介绍

[0002]自动光学检测（Automated Optical Inspection，简称AOI）设备现已成为电子制造业确保产品质量的重要检测工具和过程质量控制工具，AOI设备的检测原理为：当自动检测时，AOI设备通过高清CCD摄像头自动扫描PCB产品以采集图像，测试的检测点与数据库中的合格参数进行比较，经过图像处理，检查出被测产品上的缺陷。
[0003]通常由AOI设备检测到缺陷后，就会将缺陷信息发送给检修工进行检修。但是AOI设备的检测精度较低，比如电路板上的灰尘或者污点都会被AOI设备误判为缺陷，因此，需要提高现有技术中的PCB缺陷精测精度。
[0004]以上
技术介绍
内容的公开仅用于辅助理解本专利技术的专利技术构思及技术方案，其并不必然属于本专利申请的现有技术，也不必然会给出技术教导；在没有明确的证据表明上述内容在本专利申请的申请日之前已经公开的情况下，上述
技术介绍
不应当用于评价本申请的新颖性和创造性。

技术实现思路

[0005]本专利技术的目的是提供一种印刷电路板缺陷检测模型的训练方法，以训练得到改进的AI模型，能够精确并快速地识别出电路板的缺陷。
[0006]为达到上述目的，本专利技术采用的技术方案如下：一种印刷电路板缺陷检测模型训练方法，包括以下步骤：获取印刷电路板的设计文档信息，所述设计文档信息包括所述印刷电路板的层信息和/或区域块位置信息；并利用扫描相机设备对所述印刷电路板进行扫描，得到所述印刷电路板的扫描图像；基于所述印刷电路板的扫描图像和设计文档信息，生成一个或多个学习样本，每个学习样本包括样本图像及对应的标签，包括：截取所述扫描图像中的局部图像，得到样本图像，并对所述样本图像进行人工打标，其中，人工打标所得到的标签包括层信息、区域块位置信息中的一种或两种信息以及缺陷信息；建立样本库，包括按照上述步骤收集并存储基于多个印刷电路板各自生成的学习样本；利用所述样本库的学习样本，对基础模型进行训练，得到印刷电路板缺陷检测模型。
[0007]进一步地，所述基础模型配置有第一学习子模块和第二学习子模块，其中，所述第一学习子模块基于学习样本中的样本图像和标签中的缺陷信息进行学习训练，得到中间模型；
所述第二学习子模块基于学习样本中的标签，学习所述层信息、区域块位置信息中的一种或两种信息与缺陷信息之间的特征信息；并且，所述中间模型结合所述第二学习子模块学习到的特征信息，对所述学习样本中的样本图像进行再学习，得到所述印刷电路板缺陷检测模型。
[0008]进一步地，所述中间模型结合所述第二学习子模块学习到的特征信息，对所述学习样本中的样本图像进行再学习包括：若样本图像对应的层信息为电源层或接地层，则所述中间模型的学习目标为将样本图像中的特征学习为非短路的特征。
[0009]进一步地，所述中间模型结合所述第二学习子模块学习到的特征信息，对所述学习样本中的样本图像进行再学习包括：若样本图像对应的层信息为线路层或对应的区域块位置信息为铜面区域，则所述中间模型将学习注意力集中在特定学习样本上，所述特定学习样本的标签中的缺陷信息为有缺陷，且缺陷类型为短路、断路以外的其他类型，或者所述特定学习样本的标签中的缺陷信息为无缺陷。
[0010]进一步地，所述中间模型学习所述特定学习样本的方法为：若所述特定学习样本的样本图像中存在两个分开的铜特征或连接着两根排线的线特征，则弱化该样本图像中两个分开的铜特征的识别力或连接着两根排线的线特征的识别力。
[0011]进一步地，所述中间模型结合所述第二学习子模块学习到的特征信息，对所述学习样本中的样本图像进行再学习包括：若样本图像对应的层信息为线路层或对应的区域块位置信息为铜面区域，则所述中间模型学习缺陷类型为短路的缺陷信息所对应的样本图像的方法为：强化该样本图像中两个分开的铜特征的识别力，或者，强化该样本图像中连接着两根排线的线特征的识别力。
[0012]进一步地，所述中间模型结合所述第二学习子模块学习到的特征信息，对所述学习样本中的样本图像进行再学习包括：若样本图像对应的层信息为线路层或对应的区域块位置信息为铜面区域，则所述中间模型学习缺陷类型为断路的缺陷信息所对应的样本图像的方法为：强化该样本图像中排线上存在缺口的特征的识别力。
[0013]进一步地，对所述样本库进行预处理，包括：遍历样本库中的样本图像，若样本图像对应的层信息为线路层或对应的区域块位置信息为铜面区域，则利用图像处理器对该样本图像中的电子器件和铜导线分别标记不同的颜色；利用完成预处理后的样本库的学习样本，对基础模型进行训练，得到印刷电路板缺陷检测模型。
[0014]进一步地，所述扫描相机设备集成在AOI设备上，所述印刷电路板的设计文档信息被输入至所述AOI设备，所述基础模型为所述AOI设备的检测模型或其后端的AI模型。
[0015]进一步地，利用所述样本库构建训练集和测试集，利用所述训练集对所述基础模型进行多轮次的训练；利用所述测试集对训练后的模型进行验证，包括：利用均方差误差损失函数或平均绝对值误差损失函数来计算训练后的模型的损失值；并且根据预测结果与标签一致的预
测次数以及预测总次数来计算训练后的模型的准确率；验证所述损失值和准确率是否均满足预设的训练目标，则将当前训练后的模型作为所述印刷电路板缺陷检测模型；否则利用所述训练集进行迭代训练，直至迭代训练得到的模型的损失值和准确率均通过验证。
[0016]根据本专利技术的另一方面，提供了一种印刷电路板缺陷检测方法，包括以下步骤：获取待检测的印刷电路板的图像及其层信息和/或区域块位置信息；将所述印刷电路板的图像及其层信息和/或区域块位置信息输入预先完成训练的印刷电路板缺陷检测模型；所述印刷电路板缺陷检测模型输出检测结果；其中，所述印刷电路板缺陷检测模型通过以下步骤完成训练：获取印刷电路板的设计文档信息，所述设计文档信息包括所述印刷电路板的层信息和/或区域块位置信息；并利用扫描相机设备对所述印刷电路板进行扫描，得到所述印刷电路板的扫描图像；基于所述印刷电路板的扫描图像和设计文档信息，生成一个或多个学习样本，每个学习样本包括样本图像及对应的标签，包括：截取所述扫描图像中的局部图像，得到样本图像，并对所述样本图像进行人工打标，其中，人工打标所得到的标签包括层信息、区域块位置信息中的一种或两种信息以及缺陷信息；建立样本库，包括按照上述步骤收集并存储基于多个印刷电路板各自生成的学习样本；利用所述样本库的学习样本，对基础模型进行训练，所述基础模型配置有第一学习子模块和第二学习子模块，所述第一学习子模块基于学习样本中的样本图像和标签中的缺陷信息进行学习训练，得到中间模型；所述第二学习子模块基于学习样本中的标签，学习所述层信息、区域块位置信息中的一种或两种信息与缺陷信息之间的特征信息；所述中间模型结合所述第二学习子模块学习到的特征信息，对所述学习样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种印刷电路板缺陷检测模型训练方法，其特征在于，包括以下步骤：获取印刷电路板的设计文档信息，所述设计文档信息包括所述印刷电路板的层信息和/或区域块位置信息；并利用扫描相机设备对所述印刷电路板进行扫描，得到所述印刷电路板的扫描图像；基于所述印刷电路板的扫描图像和设计文档信息，生成一个或多个学习样本，每个学习样本包括样本图像及对应的标签，包括：截取所述扫描图像中的局部图像，得到样本图像，并对所述样本图像进行人工打标，其中，人工打标所得到的标签包括层信息、区域块位置信息中的一种或两种信息以及缺陷信息；建立样本库，包括按照上述步骤收集并存储基于多个印刷电路板各自生成的学习样本；利用所述样本库的学习样本，对基础模型进行训练，得到印刷电路板缺陷检测模型。2.根据权利要求1所述的印刷电路板缺陷检测模型训练方法，其特征在于，所述基础模型配置有第一学习子模块和第二学习子模块，其中，所述第一学习子模块基于学习样本中的样本图像和标签中的缺陷信息进行学习训练，得到中间模型；所述第二学习子模块基于学习样本中的标签，学习所述层信息、区域块位置信息中的一种或两种信息与缺陷信息之间的特征信息；并且，所述中间模型结合所述第二学习子模块学习到的特征信息，对所述学习样本中的样本图像进行再学习，得到所述印刷电路板缺陷检测模型。3.根据权利要求2所述的印刷电路板缺陷检测模型训练方法，其特征在于，所述中间模型结合所述第二学习子模块学习到的特征信息，对所述学习样本中的样本图像进行再学习包括：若样本图像对应的层信息为电源层或接地层，则所述中间模型的学习目标为将样本图像中的特征学习为非短路的特征。4.根据权利要求2所述的印刷电路板缺陷检测模型训练方法，其特征在于，所述中间模型结合所述第二学习子模块学习到的特征信息，对所述学习样本中的样本图像进行再学习包括：若样本图像对应的层信息为线路层或对应的区域块位置信息为铜面区域，则所述中间模型将学习注意力集中在特定学习样本上，所述特定学习样本的标签中的缺陷信息为有缺陷，且缺陷类型为短路、断路以外的其他类型，或者所述特定学习样本的标签中的缺陷信息为无缺陷。5.根据权利要求4所述的印刷电路板缺陷检测模型训练方法，其特征在于，所述中间模型学习所述特定学习样本的方法为：若所述特定学习样本的样本图像中存在两个分开的铜特征或连接着两根排线的线特征，则弱化该样本图像中两个分开的铜特征的识别力或连接着两根排线的线特征的识别力。6.根据权利要求2所述的印刷电路板缺陷检测模型训练方法，其特征在于，所述中间模型结合所述第二学习子模块学习到的特征信息，对所述学习样本中的样本图像进行再学习包括：
若样本图像对应的层信息为线路层或对应的区域块位置信息为铜面区域，则所述中间模型学习缺陷类型为短路的缺陷信息所对应的样本图像的方法为：强化该样本图像中两个分开的铜特征的识别力，或者，强化该样本图像中连接着两根排线的线特征的识别力。7.根据权利要求2所述的印刷电路板缺陷检测模型训练方法，其特征在于，所述中间模型结合所述第二学习子模块学习到的特征信息，对所述学习样本中的样本图像进行再学习包括：若样本图像对应的层信息为线路层或对应的区域块位置信息为铜面区域...

【专利技术属性】
技术研发人员：诺尼，
申请(专利权)人：苏州康代智能科技股份有限公司，
类型：发明
国别省市：