【技术实现步骤摘要】
一种自适应特征增强融合的PCB缺陷检测方法
[0001]本专利技术涉及深度学习和图像处理
,尤其涉及一种自适应特征增强融合的PCB缺陷检测方法。
技术介绍
[0002]随着“中国制造2025”发展战略目标的提出,我国加快了工业制造行业生产设备的智能化改造,加大对印刷电路板(Printed Circuit Board,PCB)行业的扶持和鼓励。PCB作为智能化、高密度、微型化电子产品的核心组件,其质量检测是保证电子制造业智能化快速发展的关键。然而,由于PCB生产工序繁杂,易导致PCB裸板出现缺孔、开路、短路等缺陷。
[0003]目前PCB缺陷检测存在三个较大难度:(1)PCB种类繁多,存在的缺陷类型和形状复杂多样。(2)PCB面积较大,缺陷目标较小,很难准确定位缺陷区域。(3)PCB背景颜色明显,缺陷特征提取过程中容易受到背景颜色干扰。由于上述问题的存在,导致很难对PCB存在的缺陷进行准确检测。目前应用广泛的深度学习方法,包括SSD、YOLO系列、CenterNet等网络并不能较好的实现对PCB缺陷的准确检测。
[0004]现有技术缺点:(1)使用深度神经网络作为主干特征提取器,由于其结构是卷积层块的不断堆叠,导致模型参数量太大。(2)对于深层神经网络,更深的网络层能够提高网络特征提取能力,但是不可避免的会捕获到一些冗余信息,从而影响后续预测结果的准确性。(3)在进行深层次特征提取后,直接进行连续上采样操作,虽然可以减少模型计算量,但会丢失部分提取到的特征信息,对最终检测准确率产生影响。
...
【技术保护点】
【技术特征摘要】
1.一种自适应特征增强融合的PCB缺陷检测方法,其特征在于:其包括以下步骤:步骤S1:将采集到的PCB图像输入到嵌入NAM模块的特征提取器ResNext
‑
101,对缺陷区域进行PCB初始特征图提取;步骤S2:将提取得到的PCB初始特征图输入到AFF模块,AFF模块通过不同尺度的卷积来捕获不同感受野下不同类型和大小的缺陷特征得到对应的多尺度信息特征图,再对得到的多尺度信息特征图进行通道归一化后得到剔除冗余信息且包含具有不同权重的缺陷特征的输出特征K;步骤S3:对输出特征K进行三次自下而上的反卷积上采样得到高分辨率特征图;步骤S4:对得到的高分辨率特征图依次进行3
×
3、1
×
1两次卷积操作,最终输出对PCB缺陷的定位和分类预测。2.根据权利要求1所述的一种自适应特征增强融合的PCB缺陷检测方法,其特征在于:步骤S1中特征提取器ResNext
‑
101的每个残差结构的末端嵌入一个NAM模块,NAM模块用于对每个通道的特征信息进行高低权重分配以关注目标特征。3.根据权利要求1或2所述的一种自适应特征增强融合的PCB缺陷检测方法,其特征在于:NAM模块包括通道注意力模块CAM和空间注意力模块SAM,NAM模块的通道注意力模块CAM利用批归一化BN中的比例因子反映各通道的重要程度;通道注意力模块CAM首先对输入的特征进行批归一化操作得到每个通道的比例因子;然后根据比例因子对每个通道的特征信息进行高低权重分配,以关注目标特征;最后经过sigmoid激活函数输出特征;NAM模块的空间注意力模块SAM将批归一化BN用于空间维度,通过对像素进行归一化来衡量空间特征的重要性。4.根据权利要求3所述的一种自适应特征增强融合的PCB缺陷检测方法,其特征在于:NAM模块的表达式如下:NAM模块的表达式如下:NAM模块的表达式如下:NAM模块的表达式如下:Q
r
=sigmoid9w9y(P
c
)))(5)Q
t
=sigmoid(w(y(P
s
)))(6)式中,m表示特征输入批量总数,x
i
表示第i个批量的特征输入,μ
B
表示批量特征均值,表示批量特征方差,y
i
表示第i个通道的比例因子,∈为防止分母为0的数,γ和β表示训练过程中待学习参数;w
i
表示第i个通道权值;P
c
表示通道注意力模块CAM输入特征,P
s
表示空间注意力模块SAM输入特征,y表示对批量比例因子整合,w表示对批量通道权值整合,Q
r
表示通道注意力模块CAM输出特征;Q
t
表示空间注意力模块SAM输出特征。5.根据权利要求1所述的一种自适应特征增强融合的PCB缺陷检测方法,其特征在于:AFF模块利用1
×<...
【专利技术属性】
技术研发人员:陈健,王守印,郑文斌,林丽,蒋柱武,何栋炜,刘丽桑,张定恒,
申请(专利权)人:福建工程学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。