PCB缺陷检测模型的评估方法、评估装置及训练方法制造方法及图纸

本发明专利技术公开了一种PCB缺陷检测模型的评估方法、评估装置及训练方法，评估方法包括：预先建立测试图像集，其包括多个具有缺陷类别标签的测试图像；将多个测试图像输入待评估的缺陷检测模型，得到与测试图像一一对应的缺陷预测结果，其包括缺陷类型及相应的概率值；按照得到的缺陷预测结果中的缺陷类型，对缺陷预测结果进行分类；按照分类结果，输出并显示被预测为同一缺陷类型的测试图像，且各个测试图像的缺陷类别标签及对应的缺陷预测结果中的概率值被配置为可查看；根据测试图像的缺陷类别标签及分类结果，以评估缺陷检测模型识别各种缺陷类型的能力，并比较同一分类下的测试图像对应的概率值，以评估缺陷检测模型识别该类缺陷的收敛度。的收敛度。的收敛度。

【技术实现步骤摘要】
PCB缺陷检测模型的评估方法、评估装置及训练方法


[0001]本专利技术涉及模型质量评估领域，尤其涉及一种PCB缺陷检测模型的评估方法、评估装置及训练方法。

技术介绍

[0002]在典型的 AI 训练过程中，缺陷图像被输入 AI 模型进行识别和分类，被识别的图像被分配一个分数，该分数表明它们是缺陷或非缺陷（误报缺陷）的可能性，如果这个分数高于预设的AI阈值，则认为该图像具有真实缺陷，若该分数低于AI阈值，则认为该图像具有误报缺陷。
[0003]AI阈值的合理设定关系着underkill和overkill之间的权衡，若AI阈值设定值偏低，则可能会将实际为误报缺陷错误地识别成真实缺陷，杀伤力过大而造成overkill；若AI阈值设定值偏高，则可能会将实际真实缺陷错误地识别成误报缺陷，杀伤力不足而造成underkill。
[0004]可以说，AI阈值的设定对模型输出结果的准确性有着密切的关系。
[0005]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

[0006]本专利技术的目的是提供一种PCB缺陷检测模型的评估方法、评估装置及训练方法，有效评估模型的识别能力和识别收敛度。
[0007]为达到上述目的，本专利技术采用的技术方案如下：一种PCB缺陷检测模型的评估方法，用于评估被预先训练的缺陷检测模型对PCB图像的缺陷预测能力，所述缺陷检测模型对PCB图像的缺陷预测结果包括缺陷类型及相应的概率值，评估方法包括：预先建立测试图像集，其包括多个测试图像，每个测试图像具有缺陷类别标签；将所述测试图像集中的多个测试图像输入待评估的缺陷检测模型，得到与所述测试图像一一对应的缺陷预测结果；按照得到的缺陷预测结果中的缺陷类型，对缺陷预测结果进行分类；按照分类结果，输出并显示被预测为同一缺陷类型的测试图像，且各个测试图像的缺陷类别标签及对应的缺陷预测结果中的概率值被配置为可查看；根据测试图像的缺陷类别标签及分类结果，以评估所述缺陷检测模型识别各种缺陷类型的能力，并比较同一分类下的测试图像对应的概率值，以评估所述缺陷检测模型识别该类缺陷的收敛度。
[0008]进一步地，根据测试图像的缺陷类别标签及分类结果，计算分类正确率，若所述分
类正确率低于预设的正确率阈值，则所述缺陷检测模型识别该类缺陷的能力不合格；或者，若同一分类下的测试图像对应的概率值的最大值与最小值的差值大于预设的差异阈值，或者，若同一分类下的测试图像对应的概率值的方差大于预设的方差阈值，则所述缺陷检测模型识别该类缺陷的收敛度不合格。
[0009]进一步地，所述PCB缺陷检测模型的评估方法还包括：若评估结果不合格，则对所述缺陷检测模块进行再训练，且所述缺陷检测模型将学习注意力集中在识别能力或收敛度不合格的该类缺陷上。
[0010]进一步地，在所述缺陷检测模型识别该类缺陷的收敛度合格的情况下，根据该分类下的测试图像对应的概率值以及预设的规则，确定用于界定真实缺陷和误报缺陷的分界分值。
[0011]进一步地，所述用于界定真实缺陷和误报缺陷的分界分值通过以下方式确定：查找该分类下的测试图像对应的概率值的最小值，以该最小值与预设的差异阈值作运算，得到所述分界分值；或者，计算该分类下的测试图像对应的概率值的平均值，以该平均值与预设的差异阈值作运算，得到所述分界分值；或者，对该分类下的测试图像对应的概率值的平均值进行排序，排除前若干个概率值和后若干个概率值，计算剩余的概率值的平均值，以该剩余的概率值的平均值与预设的差异阈值作运算，得到所述分界分值；其中，所述预设的差异阈值为正数、负数或零。
[0012]进一步地，所述各个测试图像的缺陷类别标签及对应的缺陷预测结果中的概率值被配置为可查看的方式为：所述缺陷预测结果中的概率值被显示在对应的测试图像上的局部区域；所述测试图像的缺陷类别标签被配置为显示在受触发而出现的弹窗内，所述弹窗的触发操作包括单击对应的测试图像、多击对应的测试图像、右键点击对应的测试图像、光标停留在对应的测试图像上中的一种或多种。
[0013]根据本专利技术的一种PCB缺陷检测模型的评估装置，包括以下模块：测试样本模块，其被配置为建立测试图像集，其包括多个测试图像，每个测试图像具有缺陷类别标签；预测模块，其被配置为将所述测试图像集中的多个测试图像输入待评估的缺陷检测模型，得到与所述测试图像一一对应的缺陷预测结果；分类模块，其被配置为按照所述预测模块的缺陷预测结果中的缺陷类型，对缺陷预测结果进行分类；显示模块，其被配置为按照所述分类模块的分类结果，输出并显示被预测为同一缺陷类型的测试图像，且能够显示各个测试图像的缺陷类别标签及对应的缺陷预测结果中的概率值；识别能力评估模块，其被配置为根据测试图像的缺陷类别标签及分类结果，以评估所述缺陷检测模型识别各种缺陷类型的能力；收敛度评估模块，其被配置为比较同一分类下的测试图像对应的概率值，以评估所述缺陷检测模型识别该类缺陷的收敛度。
[0014]进一步地，所述识别能力评估模块根据测试图像的缺陷类别标签及分类结果，计算分类正确率，若所述分类正确率低于预设的正确率阈值，则识别能力评估模块的评估结果为所述缺陷检测模型识别该类缺陷的能力不合格；所述收敛度评估模块判断同一分类下的测试图像对应的概率值的最大值与最小值的差值是否大于预设的差异阈值，或者，判断同一分类下的测试图像对应的概率值的方差是否大于预设的方差阈值，若是，则收敛度评估模块的评估结果为所述缺陷检测模型识别该类缺陷的收敛度不合格。
[0015]进一步地，所述PCB缺陷检测模型的评估装置还包括分界分值确定模块，其被配置为在所述收敛度评估模块的评估结果为所述缺陷检测模型识别该类缺陷的收敛度合格的情况下，根据该分类下的测试图像对应的概率值以及预设的规则，确定用于界定真实缺陷和误报缺陷的分界分值。
[0016]根据本专利技术的再一方面，提供了一种PCB缺陷检测模型的训练方法，利用如上所述的评估方法对当前完成训练的缺陷检测模型进行评估，若评估所述缺陷检测模型识别所有类型缺陷的能力以及识别所有类型缺陷的收敛度均合格，则所述缺陷检测模型结束训练；否则对所述缺陷检测模型进行再训练，且所述缺陷检测模型将学习注意力集中在识别能力或收敛度不合格的该类缺陷上。
[0017]进一步地，若评估所述缺陷检测模型识别该类缺陷的能力不合格，则更新该类缺陷的学习样本库，利用更新后的学习样本库对所述缺陷检测模型进行再训练；若评估所述缺陷检测模型识别该类缺陷的收敛度不合格，则更新或调整所述缺陷检测模型的打分机制。
[0018]进一步地，对所述缺陷检测模型进行再训练包括：确定缺陷类别标签与分类结果不相符的测试图像，所述缺陷检测模型利用深度学习算法对所述缺陷类别标签与分类结果不相符的测试图像进行特征学习，以得到优化后的模型。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种PCB缺陷检测模型的评估方法，用于评估被预先训练的缺陷检测模型对PCB图像的缺陷预测能力，所述缺陷检测模型对PCB图像的缺陷预测结果包括缺陷类型及相应的概率值，其特征在于，评估方法包括：预先建立测试图像集，其包括多个测试图像，每个测试图像具有缺陷类别标签；将所述测试图像集中的多个测试图像输入待评估的缺陷检测模型，得到与所述测试图像一一对应的缺陷预测结果；按照得到的缺陷预测结果中的缺陷类型，对缺陷预测结果进行分类；按照分类结果，输出并显示被预测为同一缺陷类型的测试图像，且各个测试图像的缺陷类别标签及对应的缺陷预测结果中的概率值被配置为可查看；根据测试图像的缺陷类别标签及分类结果，以评估所述缺陷检测模型识别各种缺陷类型的能力，并比较同一分类下的测试图像对应的概率值，以评估所述缺陷检测模型识别该类缺陷的收敛度。2.根据权利要求1所述的PCB缺陷检测模型的评估方法，其特征在于，根据测试图像的缺陷类别标签及分类结果，计算分类正确率，若所述分类正确率低于预设的正确率阈值，则所述缺陷检测模型识别该类缺陷的能力不合格；或者，若同一分类下的测试图像对应的概率值的最大值与最小值的差值大于预设的差异阈值，或者，若同一分类下的测试图像对应的概率值的方差大于预设的方差阈值，则所述缺陷检测模型识别该类缺陷的收敛度不合格。3.根据权利要求1所述的PCB缺陷检测模型的评估方法，其特征在于，还包括：若评估结果不合格，则对所述缺陷检测模块进行再训练，且所述缺陷检测模型将学习注意力集中在识别能力或收敛度不合格的该类缺陷上。4.根据权利要求1所述的PCB缺陷检测模型的评估方法，其特征在于，在所述缺陷检测模型识别该类缺陷的收敛度合格的情况下，根据该分类下的测试图像对应的概率值以及预设的规则，确定用于界定真实缺陷和误报缺陷的分界分值。5.根据权利要求4所述的PCB缺陷检测模型的评估方法，其特征在于，所述用于界定真实缺陷和误报缺陷的分界分值通过以下方式确定：查找该分类下的测试图像对应的概率值的最小值，以该最小值与预设的差异阈值作运算，得到所述分界分值；或者，计算该分类下的测试图像对应的概率值的平均值，以该平均值与预设的差异阈值作运算，得到所述分界分值；或者，对该分类下的测试图像对应的概率值的平均值进行排序，排除前若干个概率值和后若干个概率值，计算剩余的概率值的平均值，以该剩余的概率值的平均值与预设的差异阈值作运算，得到所述分界分值；其中，所述预设的差异阈值为正数、负数或零。6.根据权利要求1所述的PCB缺陷检测模型的评估方法，其特征在于，所述各个测试图像的缺陷类别标签及对应的缺陷预测结果中的概率值被配置为可查看的方式为：所述缺陷预测结果中的概率值被显示在对应的测试图像上的局部区域；所述测试图像的缺陷类别标签被配置为显示在受触发而出现的弹窗内，所述弹窗的触发操作包括单击对应的测试图像、多击对应的测试图像、右键点击对应的测试图像、光标停
留在对应的测试图像上中的一种或多种。7.一种PCB缺陷检测模型的评估装置，其特征在于，包括以下模块：测试样本模块，其被配置为建立测试图像集，其包括多个测试图像，每个测试图像具有缺陷类别标签；预测模块，其被...

【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：