基于非负性约束稀疏自编码器的电子电路缺陷检测方法技术

本发明专利技术公开了一种基于非负性约束稀疏自编码器的电子电路缺陷检测方法，包括：对电子电路图像采集、剪裁，图像数据增强及特征提取，确定缺陷数据集及缺陷类型。基于组的图模型及核规范的图像去噪方法对电子电路图像的去噪，通过优化学习策略来获得图像的拉普拉斯图矩阵，利用其封装图结构。提出非负性约束稀疏自编码器的深度学习模型，并将其用于缺陷区域的提取中。利用训练成功的自编码器模型预测出电路图像，并将该预测图像减去原始缺陷输入图像，生成缺陷检测图，设置适当阈值获得分类正确的缺陷类型。与现有技术相比，本发明专利技术可以有效地检测缺陷颜色变化较大的电子电路真缺陷以及颜色变化较小的伪缺陷，提高电子电路缺陷识别的可靠性和精度。识别的可靠性和精度。识别的可靠性和精度。

【技术实现步骤摘要】
基于非负性约束稀疏自编码器的电子电路缺陷检测方法


[0001]本专利技术涉及电子电路缺陷分类
，具体涉及基于非负性约束稀疏自编码器的电子电路缺陷检测方法。

技术介绍

[0002]众所周知，通过导电线路、焊盘和焊接点，电子电路板以机械方式支持电子元件的连接。随着科学技术的进步及移动电子产品市场的迅速发展，电子电路板更加多样化和复杂化，更多的电子器件被集成到电子电路板中，电子电路板的布局也日益增加，由此产生的问题也日益明显。比较典型是电路板中的信号传输轨迹缺陷对整个系统的信号产生的巨大影响，从而导致所连接电子部件性能降低，而这些电子部件又是影响整个系统功能的关键，因此，最终将引起电路故障和电路系统性能的缺陷。目前，常规通过人眼观察的方式难于辨别电子电路板的微小缺陷，因此，对能实现电子电路板缺陷自动检测方式的研究需求非常迫切，这也是控制电路质量的最重要的途径之一。
[0003]电子电路板的缺陷检测方法一般可分为两类：直接检测方式和基于摄像机的机器视觉方法。直接检测方式是通过人工操作的检查，允许操作员使用目视检查来轻松执行。然而，操作人员本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于非负性约束稀疏自编码器的电子电路缺陷检测方法，其特征在于，包括以下步骤：(1)对电子电路缺陷数据集预处理；对电子电路图像采集、剪裁，确定电子电路缺陷数据集及缺陷类型，完成图像数据的增强及特征选取；(2)完成基于组的图模型及核规范方法GNN的电子电路图像去噪，利用图像的拉普拉斯图矩阵及核规范来封装图结构；(3)构建基于非负性约束稀疏自编码器FFSAE的深度学习模型，并将其用于缺陷区域的提取中；(4)生成缺陷检测图，利用训练成功的自编码器FFSAE模型预测出高质量的电路图像，并将该预测图像减去原始缺陷输入图像，生成缺陷检测图，最后通过对缺陷检测图设置适当阈值的方式来突出显示缺陷位置，从而完成对电子电路缺陷类型的正确分类。2.根据权利要求1所述的非负性约束稀疏自编码器的电子电路缺陷检测方法，其特征在于，所述步骤(1)中对电子电路缺陷数据集预处理具体步骤如下：步骤(1)a：采集、剪裁电子电路图像，确定电子电路缺陷数据集；步骤(1)b：确定电子电路缺陷类型，设定两种缺陷，一种是真缺陷，另一种是伪缺陷；其中，真缺陷真是由于引线形状改变而引起的缺陷，具体又设定为断开缺陷、连接缺陷、突出缺陷和裂纹缺陷；伪缺陷的特点是只有颜色变化，而引线及基础部件的形状特征不变，具体又设定分为氧化缺陷和灰尘缺陷；步骤(1)c：完成图像数据增强及特征选取数据增强：应用几何变换和加入噪声的方式来完成数据增强：应用随机旋转的方式来克服图像数据的位置偏差；将具有噪声分布的随机矩阵与原始数据相乘；特征选取：确定特征参数分别为颜色信息和形状信息，其中，颜色信息共30种，分别从RGB、HSV颜色模型中进行提取以下特征，分别为1)最大值，2)最小值，3)平均值，4)比例高值，5)引线区域与候选区域和引线的比率，6)基础部件与候选部件的比率，7)数值重心与最大值之间的位置差，8)方差，9)标准偏差，10)峰度，11)偏斜度，12)熵，13)最大值和最小值之间的差值，14)中值，15)测试图像和参考图像之间的相关性；形状信息共包括8种类型，包括1)面积，2)周长，3)x方向尺寸，4)y方向尺寸，5)纵横比，6)对角线长度，7)复杂性，8)圆度。3.根据权利要求1所述的基于非负性约束稀疏自编码器的电子电路缺陷检测方法，其特征在于，所述步骤(2)中完成基于组的图模型及核规范方法GNN的电路图像去噪，具体步骤如下：步骤(2)a：利用拉普拉斯矩阵L表征采集的补丁图像(1)根据图像数据获得加权相邻矩阵W无向加权的加权邻接矩阵W图是非负的，并且具有相等的对角元素，即W
ij
＝w
ji
，W
ij
≥0，利用阈值高斯内核构成边缘的权重矩阵W，具体如下：
其中，是在图像顶点v
i
和v
j
之间的欧几里得距离，σ是控制权重随距离增加而衰减的速度控制参数，ε是阈值参数，代表ε
‑
邻域图；(2)获取由拉普拉斯矩阵表示的图像LL＝Δ
‑
W其中，Δ是对角矩阵，满足方程Δ
ii
＝∑
j
W
ij
；步骤(2)b：建立基于分组的图模型及核规范的组合优化公式(1)构建基本优化公式设是与拉普拉斯矩阵关联的正则化项，则基于图像去噪的基本优化公式如下：其中，x和y都是代表图像块的n
×
1的向量，L是n
×
n的拉普拉斯矩阵，θ是正则化参数；(2)构造基于分组对偶图的优化公式考虑到各组是一个矩阵，即构造包括行图和列图的对偶图T
m
×
n
，则定义对偶图模型的优化表达式如下：其中，X和Y是m
×
n的图像行列数据矩阵，θ
r
和θ
c
是正则化控制参数，用来确定正则化项的影响程度，即行图和列图和列图是基于组的行图正则化项，利用位于所有相似补丁图像的同一位置的像素强度的相似性来定义，具体为：具体为：是基于组的列图正则化项，利用位于每一个补丁图像对应所有位置的像素强度的相似性来定义，具体为：L
r
和L
c
分别是行拉普拉斯矩阵和列拉普拉斯阵；(3)构造核规范的优化公式引入低阶优化处理，对低秩数据矩阵X的常规替换称为核规范或跟踪规范||X||
*
，具体定义如下：||X||
*
＝tr((XX
T
)
1/2
)＝∑
k
σ
k
其中，σ
k
是X的奇异值；(4)构造基于分组的图模型及核规范的组合优化公式具体定义如下：其中，θ
n
、θ
r
和θ
c
是核范数、行图和列图的控制参数，可见，正则化项反映了非局部自相似性，核规范反映了能使用大量信息图像的低秩特性。

【专利技术属性】
技术研发人员：付丽辉，石跃，吴文昊，蒋舟，李轶旻，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：