一种基于卷积神经网络的pcb缺陷检测系统及检测方法技术方案

本发明专利技术公开了一种基于卷积神经网络的pcb缺陷检测系统及检测方法，属于卷积神经网络技术领域，S1:获取PCB图像;对所述PCB图像进行预处理；S2:将预处理后的PCB图像输入到检测模块；S3;所述检测模块采用卷积神经网络和注意力模块,输出缺陷检测结果；S4:对所述缺陷检测结果进行后处理,获得所述PCB图像中存在的缺陷区域；本方案可以实现自动检测:采用卷积神经网络和注意力机制实现图像特征提取与分类识别,可自动精确定位和识别PCB缺陷。识别,可自动精确定位和识别PCB缺陷。识别,可自动精确定位和识别PCB缺陷。

【技术实现步骤摘要】
一种基于卷积神经网络的pcb缺陷检测系统及检测方法


[0001]本专利技术属于卷积神经网络
，具体涉及一种基于卷积神经网络的pcb缺陷检测系统及检测方法。

技术介绍

[0002]PCB(Printed Circuit Board)，中文名称为印制电路板，又称印刷线路板，是重要的电子部件，是电子元器件的支撑体，是电子元器件电器连接的载体。PCB板本身是否存在缺陷将直接影响使用该PCB电路板的设备的设备性能，所以对于PCB电路板的缺陷检测显得尤为必要。
[0003]目前，针对PCB线路板的缺陷检测主要为传统的人工目检，人工目检存在较高的漏检和误检率，而且目检的检测效率很低，将耗费大量的人力，或将直接提高企业的生产成本，降低产品的市场竞争力。

技术实现思路

[0004]本专利技术的目的在于提供一种基于卷积神经网络的pcb缺陷检测系统及检测方法，以解决上述
技术介绍
中提出的技术问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于卷积神经网络的pcb缺陷检测系统，包括:图像输入模块,用于获取PCB图像;图像预处理模块,用于对所述PCB图像进行预处理;检测模块,采用卷积神经网络和注意力机制,用于对预处理后的PCB图像进行缺陷检测,输出缺陷检测结果;后处理模块,用于对所述缺陷检测结果进行后处理,获得所述PCB图像中存在的缺陷区域。
[0006]作为一种优选的实施方式，图像输入模块:输入待检测PCB原始图像Io；图像预处理模块:用于对Io图像进行分辨率转换,并resize成固定尺寸;同时对resize后的图像I
′
进行增强和标准化处理,包括: 亮度增强;对比度增强;噪声过滤; 图像像素值除以255归一化到[0,1]范围内；得到标准化后图像Is；检测模块:采用基于残差模块的卷积神经网络结构;在Decoder部分加入注意力机制,以得到有效特征;分别对Is图像进行缺陷定位、分类与分割,得到:置信度图Pd,判断图像是否存在缺陷;分类置信度图Pc,判断缺陷类型;分割置信度图Ps,分割出缺陷区域；后处理模块:根据Pd、Pc和Ps结果,根据阈值 Judge图像是否存在缺陷及其类型;获取分割置信度最高的区域的边界框B,作为缺陷区域;计算B区域内像素的置信度均值,作为最终类别；
输出PCB原始图像Io中存在的缺陷区域B及对应类别。
[0007]基于上述系统，本方案还公开了一种基于上述系统的卷积神经网络的pcb缺陷检测方法，包括以下步骤：S1:获取PCB图像;对所述PCB图像进行预处理；S2:将预处理后的PCB图像输入到检测模块；S3;所述检测模块采用卷积神经网络和注意力模块,输出缺陷检测结果；S4:对所述缺陷检测结果进行后处理,获得所述PCB图像中存在的缺陷区域。
[0008]作为一种优选的实施方式，包括以下步骤：S1. 获取PCB图像:输入待检测PCB图像Io;S2. 图像预处理包括:S21.对Io图像进行大小定位,变换为固定分辨率;S22.对大小定位后的图像I
′
执行亮度、对比度增强和噪声过滤等操作,使图像清晰易辨;S23.执行图像归一化,使像素值归一化到[0,1]范围；S3步骤还包括：S31.采用基于残差模块的卷积神经网络,提取图像特征；S32.在解码部分加入注意力模块；S33.分别产生缺陷存在预测图Pd、分类置信度图Pc和缺陷分割图Ps,分别对应定位、分类和分割结果;S4. 后处理包括:S41.根据置信度图Pd判断图像是否存在缺陷;S42.根据分类置信度图Pc判断缺陷类型;S43.根据分割置信度图Ps获得缺陷区域B的边界框;S44.计算B区域内像素的置信度均值,最终确定缺陷类别；S5. 输出:获得PCB原始图像Io中存在的缺陷区域B及对应类别。
[0009]作为一种优选的实施方式，S2步骤中设置瑕点数量和边缘模糊程度两个指标,若图像的瑕点数量能控制在额定数量,且边缘模糊程度小于0.9,则表明图像清晰易辨，边缘模糊程度中0表示完全清晰，1表示模糊程度最高。
[0010]作为一种优选的实施方式，使用Scharr滤波器检测图像中的边缘;之后统计边缘像素点的数量,作为边缘模糊程度的指标;然后采用概率Hough变换检测图像中的质心点;统计质心点的数量作为瑕点数量的指标;根据上述两个指标判断图像清晰度是否达标。
[0011]进一步地，构建基于残差网络神经模型时包括以下步骤：根据PCB图像尺寸,选择模型输入通道数；构建第一卷积层,选择过滤器,设定步幅；缓解过拟合，采用 BatchNormalization和ReLU激活；构建第二卷积层,对应的过滤器,步幅,然后BatchNormalization和 ReLU；构建第三卷积层,选择对应过滤器和步幅,然后BatchNormalization和 ReLU；使用最大池化层,步幅2，下采样；构建残差块,包含2
‑
3个卷积层；
重复构建若干的残差块,每次下采样2倍；初始化模型参数：使用He初始化或Xavier初始化；训练模型：采用SGD优化器,学习率0.01,减小学习率,批大小64；输入PCB图像,通过卷积和池化层提取基本特征；通过多个残差块提取更高级的特征；获取最后一层卷积层的输出,作为图像全面特征；对模型做L2正则化避免过拟合；通过fine
‑
tuning预训练权重,补足PCB图像的特殊需求。
[0012]进一步地，注意力模块加入的具体步骤如下:编码阶段:卷积神经网络完成特征提取,获得多种尺度的特征图；平铺和重排序:将所有特征图通过 fully connected 来平铺成一条特征向量；查询构建:构建一个查询向量q,作为需要找寻关联的关键向量；键值构建:将特征向量分解为键值对(k,v)；计算内积:计算 q和 所有键向量的内积,衡量其关联程度；归一化与加权:使用 Softmax 函数计算注意力权重,并与值向量进行加权求和；特征融合:将注意力融合到输出层,实现语义匹配；解码预测，实现最终分类与分割。
[0013]进一步地，还包括奖励模块；即奖励函数的构建具体包括如下步骤：获取PCB图像;对所述PCB图像进行预处理;将预处理后的PCB图像输入到检测模块,所述检测模块采用卷积神经网络和注意力机制,输出缺陷检测结果;之后对所述缺陷检测结果进行优化和调整;采用优化后的检测结果,获得所述PCB图像中存在的缺陷区域；其中在线推理阶段,定义状态空间和动作空间;使用DQN网络估计每个状态下的价值;不断探索不同动作,获取最大累积奖励;实时更新DQN网络,不断优化奖励函数。
[0014]与现有技术相比，本专利技术的有益效果是：1.实现自动检测:采用卷积神经网络和注意力机制实现图像特征提取与分类识别,可自动精确定位和识别PCB缺陷。方案使用卷积神经网络提取图像特征,再通过注意力机制强化解码过程,提高缺陷分割效果,最终实现自动检测识别。2. 识别种类丰富:采用多任务检测网络,同时实现缺陷定位、分类和分割功能。可识别不同类型的PCB缺陷。方案提到检测模块同时实现缺陷定位、分类和分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的pcb缺陷检测系统，其特征在于，包括:图像输入模块,用于获取PCB图像;图像预处理模块,用于对所述PCB图像进行预处理;检测模块,采用卷积神经网络和注意力机制,用于对预处理后的PCB图像进行缺陷检测,输出缺陷检测结果;后处理模块,用于对所述缺陷检测结果进行后处理,获得所述PCB图像中存在的缺陷区域。2.根据权利要求1所述的基于卷积神经网络的pcb缺陷检测系统，其特征在于：所述图像输入模块:输入待检测PCB原始图像Io；图像预处理模块:用于对Io图像进行分辨率转换,并resize成固定尺寸;同时对resize后的图像I
′
进行增强和标准化处理,包括: 亮度增强;对比度增强;噪声过滤; 图像像素值除以255归一化到[0,1]范围内；得到标准化后图像Is；检测模块:采用基于残差模块的卷积神经网络结构;在Decoder部分加入注意力机制,以得到有效特征;分别对Is图像进行缺陷定位、分类与分割,得到:置信度图Pd,判断图像是否存在缺陷;分类置信度图Pc,判断缺陷类型;分割置信度图Ps,分割出缺陷区域；后处理模块:根据Pd、Pc和Ps结果,根据阈值 Judge图像是否存在缺陷及其类型;获取分割置信度最高的区域的边界框B,作为缺陷区域;计算B区域内像素的置信度均值,作为最终类别；输出PCB原始图像Io中存在的缺陷区域B及对应类别。3.一种基于卷积神经网络的pcb缺陷检测方法，其特征在于：包括以下步骤：S1:获取PCB图像;对所述PCB图像进行预处理；S2:将预处理后的PCB图像输入到检测模块；S3;所述检测模块采用卷积神经网络和注意力模块,输出缺陷检测结果；S4:对所述缺陷检测结果进行后处理,获得所述PCB图像中存在的缺陷区域。4.根据权利要求3所述的基于卷积神经网络的pcb缺陷检测方法，其特征在于：包括以下步骤：S1. 获取PCB图像:输入待检测PCB图像Io;S2. 图像预处理包括:S21.对Io图像进行大小定位,变换为固定分辨率;S22.对大小定位后的图像I
′
执行亮度、对比度增强和噪声过滤等操作,使图像清晰易辨;S23.执行图像归一化,使像素值归一化到[0,1]范围；S3步骤还包括：S31.采用基于残差模块的卷积神经网络,提取图像特征；S32.在解码部分加入注意力模块；S33.分别产生缺陷存在预测图Pd、分类置信度图Pc和缺陷分割图Ps,分别对应定位、分类和分割结果;
S4. 后处理包括:S41.根据置信度图Pd判断图像是否存在缺陷;S42.根据分类置信度图Pc判断缺陷类型;S43.根据分割置信度图Ps获得缺陷区域B的边界框;S44.计算B区域内像素的置信度均值,最终确定缺陷类别；S5. 输出:获得PCB原始图像Io中存在的缺陷区域B及对应类别。5.根据权利要求4所述的基于卷积神经网络的pcb缺陷检测方法，其特征在于：所述S2步骤中设置瑕点数量...

【专利技术属性】
技术研发人员：颜胜，
申请(专利权)人：重庆宇隆电子技术研究院有限公司，
类型：发明
国别省市：