基于规范化卷积注意力机制的PCB真假点识别与可解释方法技术

本发明专利技术涉及印刷电路板图像分析领域与深度学习技术领域，尤其涉及一种基于规范化卷积注意力机制的PCB真假点识别与可解释方法。一种基于规范化卷积注意力机制的PCB真假点识别与可解释方法，包括以下步骤：数据获取步骤：将PCB真假缺陷图数据集进行预处理，并将预处理后的数据集分为训练数据集与测试数据集；模型构建步骤：构建基于规范化卷积注意力机制的PCB识别与可解释的神经网络模型。所述基于规范化卷积注意力机制的PCB真假点识别与可解释方法，可以有效识别出大量缺陷电路板中可被接受的PCB电路板，并给出模型判别的理由解释，提高识别带虚假缺陷PCB的准确率，解决了PCB缺陷识别准确率较低和对假缺陷错判率较高的问题。识别准确率较低和对假缺陷错判率较高的问题。识别准确率较低和对假缺陷错判率较高的问题。

【技术实现步骤摘要】
基于规范化卷积注意力机制的PCB真假点识别与可解释方法


[0001]本专利技术涉及印刷电路板图像分析领域与深度学习
，尤其涉及一种基于规范化卷积注意力机制的PCB真假点识别与可解释方法。

技术介绍

[0002]传统PCB行业的缺陷检测中，由机器通过传统图像处理技术的缺陷检测排除有缺陷的PCB电路板，同时也会排除大量仅有少量可接受缺陷的PCB电路板。为了在被机器检测出存有缺陷的PCB电路板中筛选出可被接受的电路板，往往需要人工来识别处理，效率极低。这无疑加大了工作负担，进而降低了生产效率，也有可能出现误诊、漏诊的情况。
[0003]由于深度学习的快速发展以及大量的PCB数据集的涌现，通过深度学习进行PCB缺陷图像识别已经成为了一种可行的方法，这在很大程度地解决了上述问题。最为常用的当属卷积神经网络。神经网络越深层，网络的识别率越高，因此，增加神经网络的深度能够提高PCB缺陷检测的准确性。然而神经网络的预测能力仍十分有限，随着神经网络的深度增加，网络越难训练，可能会出现梯度消失、梯度爆炸或者是退化问题，并且传统的卷积神经网络在面对复杂多种的PCB缺陷图像时也存在图像识别准确率较低的问题。

技术实现思路

[0004]针对
技术介绍
提出的问题，本专利技术的目的在于提出一种基于规范化卷积注意力机制的PCB真假点识别与可解释方法，可以有效识别出大量缺陷电路板中可被接受的PCB电路板，并给出模型判别的理由解释，提高识别带虚假缺陷PCB的准确率，解决了由于深度卷积神经网络可能出现的梯度消失、梯度爆炸问题而导致PCB缺陷识别准确率较低和对假缺陷错判率较高的问题。
[0005]本专利技术的另一目的在于提出一种识别系统，能够应用于PCB行业的缺陷检测中，有效控制质量异常，减少人力成本。
[0006]本专利技术的另一目的在于提出一种计算机可读存储介质，所述计算机可读存储介质上存储有基于规范化卷积注意力机制的PCB真假点识别与可解释方法程序，程序被处理器执行时实现所述的基于规范化卷积注意力机制的PCB真假点识别与可解释方法的步骤。
[0007]为达此目的，本专利技术采用以下技术方案：
[0008]一种基于规范化卷积注意力机制的PCB真假点识别与可解释方法，包括以下步骤：
[0009]数据获取步骤：将PCB真假缺陷图数据集进行预处理，并将预处理后的数据集分为训练数据集与测试数据集；
[0010]模型构建步骤：构建基于规范化卷积注意力机制的PCB识别与可解释的神经网络模型；
[0011]模型训练步骤：设置得到的神经网络模型的超参数；
[0012]将标注好的训练数据集导入到设置好超参数的神经网络模型中进行训练学习，采用随机梯度下降算法和类高斯分布损失算法训练模型；
[0013]模型在运算时输出分类预测结果，并生成对应PCB真假分类缺陷的标准化特征图，对比标准化特征图后给出对单样本判断的原因即判断逻辑解释，通过判断逻辑解释的准确性来进行人工调整神经网络以再次优化模型，待模型充分收敛后保存，导出模型结构和权重参数，得到训练好的神经网络模型；
[0014]数据测试步骤：用神经网络模型对测试数据集中的PCB真假点数据进行识别测试，得到最终的真假点分类结果和对每次判断的自解释输出。
[0015]更进一步说明，所述模型构建步骤中，所述神经网络模型的卷积层包括自上而下的多注意力机制模块、特征规范化模块和对比解释模块，包括以下步骤：
[0016]基于所述多注意力机制模块生成包含多个关键局部特征的样本综合特征图；
[0017]基于所述特征规范化模块生成样本的标准化特征图，所述标准化特征图包括样本标准特征图和累计平均特征图；
[0018]基于所述对比解释模块对样本标准特征图和累计平均特征图进行对比以进行类别判断并给出模型判断原因。
[0019]更进一步说明，所述多注意力机制模块由多通道的分步注意力卷积层组成，每个分步注意力卷积层均包括BN层、Relu层和三维卷积层，随着注意力的提高，卷积核分别由1*1*1到2*2*2到3*3*3，将一张图片分成多个注意力特征图通道，通道之间有距离限制，每个通道分别提取不同部位的关键局部特征，最后取各通道的特征图的峰值加权合并得到包含多个关键局部特征的样本综合特征图。
[0020]更进一步说明，所述特征规范化模块位于特征图的输出层，所述特征规范化模块包括二维互相关层、BN层和Relu层，能将得到的样本综合特征图进行规范化对准，得到并输出有标准位姿的样本标准特征图和累计平均特征图；
[0021]其中，包含的二维互相关算法公式为：
[0022][0023]其中，f为输入特征图，f(x,y)为输入特征图中的每个点，t是指与输入特征图作互相关运算的模板图，指模板图的平均值，指输入特征图与模板图对应部分的平均值，u与v指模板图在x轴与y轴的移动单位。
[0024]更进一步说明，所述对比解释模块包括交叉对比层、Flatten层、3层全连接层、Softmax层和可解释输出模块，所述3层全连接层分别为含有128个神经元的H1、含有100个神经元的H2和含有10个神经元的H3，判别结果的输出层为Softmax层，解释结果输出层为自定义的专家系统解释器。
[0025]更进一步说明，所述模型训练步骤中，所述神经网络模型通过类高斯分布损失算法进行梯度下降，所述类高斯分布损失算法用于引导所述多注意力机制模块找到准确的局部关键特征位置，类高斯分布损失算法的公式为：
[0026][0027]其中，Aexp指以e为底的指数函数，(x0,y0)表示局部关键点位置，(x,y)为当前点位
置，σ
X
为X总体的标准差，σ
Y
为Y总体的标准差。
[0028]更进一步说明，所述数据获取步骤包括：
[0029]收集AOI设备检测出的带缺陷的PCB实物图，通过人工分类出其中的真缺陷与假缺陷图，做好真假标签标注，将收集好的PCB缺陷图输入到预处理系统中；
[0030]通过图像膨胀与腐蚀以及二值化对PCB缺陷图进行处理。
[0031]更进一步说明，所述模型训练步骤还包括经过多次实验调整神经网络模型的超参数，所述超参数包括模型的隐藏层层数、选用的激活函数和深度可分离卷积核数量。
[0032]一种识别系统，执行所述的基于规范化卷积注意力机制的PCB真假点识别与可解释方法，包括：
[0033]数据获取模块，用于将PCB真假缺陷图数据集进行预处理，并将预处理后的数据集分为训练数据集与测试数据集；
[0034]模型构建模块，用于构建基于规范化卷积注意力机制的PCB识别与可解释的神经网络模型；
[0035]模型训练模块，用于设置得到的神经网络模型的超参数；还用于将标注好的训练数据集导入到设置好超参数的神经网络模型中进行训练学习，采用随机梯度下降算法和类高斯分布损失算法训练模型；还用于模型在运算时输出分类预测结果，并生成对应PCB真假分类缺陷的标准化特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于规范化卷积注意力机制的PCB真假点识别与可解释方法，其特征在于，包括以下步骤：数据获取步骤：将PCB真假缺陷图数据集进行预处理，并将预处理后的数据集分为训练数据集与测试数据集；模型构建步骤：构建基于规范化卷积注意力机制的PCB识别与可解释的神经网络模型；模型训练步骤：设置得到的神经网络模型的超参数；将标注好的训练数据集导入到设置好超参数的神经网络模型中进行训练学习，采用随机梯度下降算法和类高斯分布损失算法训练模型；模型在运算时输出分类预测结果，并生成对应PCB真假分类缺陷的标准化特征图，对比标准化特征图后给出对单样本判断的原因即判断逻辑解释，通过判断逻辑解释的准确性来进行人工调整神经网络以再次优化模型，待模型充分收敛后保存，导出模型结构和权重参数，得到训练好的神经网络模型；数据测试步骤：用神经网络模型对测试数据集中的PCB真假点数据进行识别测试，得到最终的真假点分类结果和对每次判断的自解释输出。2.根据权利要求1所述的基于规范化卷积注意力机制的PCB真假点识别与可解释方法，其特征在于，所述模型构建步骤中，所述神经网络模型的卷积层包括自上而下的多注意力机制模块、特征规范化模块和对比解释模块，包括以下步骤：基于所述多注意力机制模块生成包含多个关键局部特征的样本综合特征图；基于所述特征规范化模块生成样本的标准化特征图，所述标准化特征图包括样本标准特征图和累计平均特征图；基于所述对比解释模块对样本标准特征图和累计平均特征图进行对比以进行类别判断并给出模型判断原因。3.根据权利要求2所述的基于规范化卷积注意力机制的PCB真假点识别与可解释方法，其特征在于，所述多注意力机制模块由多通道的分步注意力卷积层组成，每个分步注意力卷积层均包括BN层、Relu层和三维卷积层，随着注意力的提高，卷积核分别由1*1*1到2*2*2到3*3*3，将一张图片分成多个注意力特征图通道，通道之间有距离限制，每个通道分别提取不同部位的关键局部特征，最后取各通道的特征图的峰值加权合并得到包含多个关键局部特征的样本综合特征图。4.根据权利要求2所述的基于规范化卷积注意力机制的PCB真假点识别与可解释方法，其特征在于，所述特征规范化模块位于特征图的输出层，所述特征规范化模块包括二维互相关层、BN层和Relu层，能将得到的样本综合特征图进行规范化对准，得到并输出有标准位姿的样本标准特征图和累计平均特征图；其中，包含的二维互相关算法公式为：其中，f为输入特征图，f(x,y)为输入特征图中的每个点，t是指与输入特征图作互相关运算的模板图，指模板图的平均值，指输入特征图与模板图对应部分的平均值，u与v
指模板图在x轴与y轴的移动单位。5.根据权利要求2所述的基于规范化卷积注意力机制的PCB真假点识别与可解释方法，其特征在于，所述对比解释模块包括交叉对比层、Flatten层、3层全连接层、Sof...

【专利技术属性】
技术研发人员：罗炳军，苏显斌，陈东海，郭伟，汤锦升，杨志伟，
申请(专利权)人：广东炬森智能装备有限公司，
类型：发明
国别省市：