【技术实现步骤摘要】
基于小样本学习的印刷电路板缺陷检测方法、介质及设备
[0001]本专利技术涉及智能制造领域印刷电路板(PCB)缺陷检测
,具体涉及一种基于小样本学习的印刷电路板缺陷检测方法、介质及设备。
技术介绍
[0002]PCB作为电子产品的关键元器件广泛应用于自动驾驶、电脑生产以及家电等众多领域,具有很大的市场。但受限于生产技术,在实际生产时会出现一些缺陷。而对PCB的缺陷检测也经常带来额外的成本。
[0003]目前,深度学习的出现,使得目标检测得以快速发展,也对PCB缺陷检测行业有一定帮助,降低了一定成本。通常,在PCB缺陷数据充足的情况下,深度学习在进行缺陷检测时具有良好的性能。然而,注释足够的PCB缺陷数据是昂贵、耗时和费力的。在实际生产过程中,获取到的缺陷数据可能较少,且每一种缺陷类型下存在的缺陷样本数也较为欠缺。过少的缺陷样本给检测任务带来较大困难。本专利技术着重研究在少量缺陷数据支持的情况下,对PCB缺陷种类进行学习(小样本学习)的能力。
技术实现思路
[0004]本专利技术提出的一种基于小样本学习的印刷电路板缺陷检测方法、系统及设备,可至少解决
技术介绍
中的技术问题之一。
[0005]为实现上述目的,本专利技术采用了以下技术方案:
[0006]一种基于小样本学习的印刷电路板缺陷检测方法,通过计算机设备执行以下步骤,
[0007]包括以下步骤,先训练印刷电路板缺陷检测网络,再利用训练好的印刷电路板缺陷检测网络对待检测的印刷电路板进行检测,其中,印刷电路板缺陷检测网 ...
【技术保护点】
【技术特征摘要】
1.一种基于小样本学习的印刷电路板缺陷检测方法,其特征在于,包括以下步骤,先训练印刷电路板缺陷检测网络,再利用训练好的印刷电路板缺陷检测网络对待检测的印刷电路板进行检测,其中,印刷电路板缺陷检测网络的训练步骤如下,步骤1:对于输入PCB图像利用实例级嵌入主干网络进行缺陷特征提取获取全局特征;步骤2:通过位置权重分配模块对最后一个块的输出进行细化,生成缺陷位置权重图;步骤3:根据权重图从输入PCB图像中切割出对应区域再输入实例级嵌入主干,生成局部特征,进而为每幅输入图像生成嵌入;步骤4:将样本权重分配模块应用于每个缺陷支持类的嵌入集,以形成每个缺陷类别的注意原型,利用交叉熵损失函数训练网络。2.根据权利要求1所述的基于小样本学习的印刷电路板缺陷检测方法,其特征在于:所述步骤S1具体包括,S11:输入要预测的含有缺陷的PCB图像;S12:将PCB图像输入到实例级嵌入主干网络进行缺陷特征提取;S13:将实例级嵌入主干网络输出的特征图进行全局平均池化处理,获得缺陷全局特征。3.根据权利要求1所述的基于小样本学习的印刷电路板缺陷检测方法,其特征在于:所述步骤S2具体包括,S21:对于来自含有缺陷种类标签的支持集的缺陷样本,令L
ij
表示主干网络输出的第i个缺陷支持类中的第j个图像的全局特征映射,对L
ij
使用全局平均池化,得到样本级的全局缺陷特征S
ij
;S22:平均第i个缺陷支持类中的所有样本级缺陷特征S
ij
,计算出受异常PCB图像值影响较小的类级全局缺陷特征;S23:按照下式计算每个位置的缺陷类内相似性的正注意度O
ij
以及每个位置的总抑制强度Z
ij
,进而获得支持集PCB图像的权重图W
ij
;;W
ij
=O
ij
+Z
ij
式中K表示缺陷类的样本数,N表示缺陷类别数;S24:对于不含缺陷种类标签的查询集中的第q个图像,计算缺陷特征图L
q
与其样本级全局缺陷特征S
q
之间的点积,得到相应的权重图对上述获得的W
ij
和W
q
,在所有位置应用softmax进行分类。4.根据权利要求3所述的基于小样本学习的印刷电路板缺陷检测方法,其特征在于:所述步骤S3具体包括,S31:将全局缺陷特征图由(1+W
ij
)和(1+W
q
)加权,生成细化的缺陷注意力图,将缺陷注
...
【专利技术属性】
技术研发人员:康宇,史珂豪,柏鹏,许镇义,曹洋,
申请(专利权)人:中国科学技术大学,
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。