一种基于改进EfficientDet的PCB板缺陷检测方法技术

本发明专利技术公开了一种基于改进EfficientDet的PCB板缺陷检测方法，包括以下步骤：（1）通过高光反射拍摄PCB板的图像。（2）对采集到的图像进行预处理，包括图像去噪、图像增强等操作，提高图像的质量和准确性。（3）通过阈值分割的方式分别分割出焊点图像和电路图像。（4）对分割出的焊点和电路图像进行标注并进行数据增强后分别构建焊点图像和电路图像数据集。（5）改进BiFPN特征融合网络。（6）添加DIoU

【技术实现步骤摘要】
一种基于改进EfficientDet的PCB板缺陷检测方法


[0001]本专利技术涉及目标检测
，具体是一种基于改进EfficientDet的深度学习PCB板缺陷检测方法。

技术介绍

[0002]随着电子产品的普及和发展，PCB板作为电子产品的核心部件，其质量和可靠性越来越受到重视。然而，由于制造过程中的各种因素，如材料、工艺、设备等，PCB板上常常会出现各种缺陷，如焊接不良、线路断裂、短路等，这些缺陷会导致电子产品的性能下降、寿命缩短甚至无法正常工作。因此，PCB板缺陷检测技术的研究和应用变得越来越重要。
[0003]PCB板缺陷检测技术的发展可以追溯到上世纪80年代，当时主要采用目视检查和手工测试的方法。这种方法虽然简单易行，但效率低下、准确性不高，且无法满足大规模生产的需求。随着计算机技术和图像处理技术的发展，自动化检测技术逐渐成为主流。
[0004]目前主流的基于深度学习的检测PCB板缺陷检测方法包括基于卷积神经网络(CNN)的方法和基于循环神经网络(RNN)的方法。其中，CNN方法主要用于检测表面缺陷，如短路、开路、焊接不良等，而RNN方法主要用于检测内部缺陷，如电容、电阻等元件的损坏。在构建PCB板缺陷检测模型时也遇到一些问题，主要包括：(1)数据集不足：深度学习需要大量的数据进行训练，但是PCB板缺陷数据集相对较少，导致模型的泛化能力不足。(2)缺陷种类繁多：PCB板缺陷种类繁多，不同种类的缺陷需要不同的检测方法，因此需要设计多个模型进行检测。(3)检测精度不高：由于PCB板缺陷的复杂性和多样性，目前的检测精度还有待提高，需要进一步优化算法和模型。
[0005]谷歌研究团队于2019年提出EfficientDe目标检测模型。它是在EfficientNet模型的基础上进行改进的，EfficientNet是一种高效的图像分类模型，它通过对网络结构和参数进行优化，实现了在相同计算资源下比其他模型更好的性能。
[0006]EfficientDet的目标是在保持高效性的同时，实现更好的目标检测性能。它采用了一种新的网络结构，称为BiFPN，可以在不增加计算量的情况下提高检测性能。此外，EfficientDet还使用了一种新的损失函数，称为Focal Loss，可以更好地处理类别不平衡问题。
[0007]EfficientDet在多个目标检测数据集上都取得了优秀的性能，比如COCO数据集上的mAP指标可以达到50以上，同时它的计算速度也比其他目标检测模型更快。因此，EfficientDet成为了目标检测领域的研究热点之一。

技术实现思路

[0008]本专利技术目的是针对现有技术的不足，提供一种基于改进EfficientDet的PCB板缺陷检测方法。
[0009]实现本专利技术目的的技术方案是：
[0010]1.一种基于改进EfficientDet的PCB板缺陷检测方法，包括如下步骤：
[0011]S1：通过高光反射拍摄PCB板的图像。
[0012]S2：对采集到的图像进行预处理，包括图像去噪、图像增强等操作，提高图像的质量和准确性。
[0013]S3：通过阈值分割的方式分别分割出焊点图像和电路图像。
[0014]S4：对分割出的焊点和电路图像进行标注并进行数据增强后分别构建焊点图像和电路图像数据集。
[0015]S5：改进BiFPN特征融合网络。
[0016]S6：添加DIoU
‑
NMS，得到改进后的模型。
[0017]S7：训练改进模型。
[0018]S8：将待检测的PCB板图像输入模型，获得检测结果。
[0019]2.S1：通过高光反射拍摄PCB板的图像：包括：
[0020]S1.1：准备设备：需要准备一台高分辨率的相机、反射平台、光源等设备。反射平台采用黑色背景板和白色透明玻璃板组合，以便反射出PCB板的图像。
[0021]S1.2：调整光源：根据拍摄对象的大小和形状，调整光源的角度和亮度，使其能够反射出PCB板上的图像。
[0022]S1.3：放置PCB板：将待拍摄的PCB板平放在反射平台上，使光线能够充分反射出PCB板上的图像。
[0023]S1.4：拍摄图像：通过相机拍摄PCB板的图像，并且进行合适的曝光和对焦调整，以便获得清晰、准确的图像。
[0024]S1.5：后期处理：将拍摄的图像导入计算机，进行后期处理，如裁剪、旋转、修复等，得到最终的PCB板图像。
[0025]3.S2：对采集到的图像进行预处理，包括图像去噪、图像增强等操作，提高图像的质量和准确性：包括：
[0026]S2.1：对图像进行归一化处理，统一图片的大小，方便后续处理。
[0027]S2.2：根据需要调整图像的亮度和对比度，以便更好地显示图像细节。
[0028]S2.3：使用高斯滤波去除图像周围噪声，提高图片清晰度。
[0029]4.S3：通过阈值分割的方式分别分割出焊点图像和电路图像：包括：
[0030]S3.1：读取预处理后的图片，将图片分离成RGB三个通道,再通过B
‑
G+R的方式得到焊点图像。
[0031]S3.2：将读取到的图片转换成灰度图后通过轮廓查找函数查找轮廓，再通过绘制轮廓函数得到电路图像。
[0032]S3.3：对得到的焊点图像和电路图像进行闭运算处理，去除图像周围噪声。
[0033]5.S4：对分割出的焊点和电路图像进行标注并进行数据增强后分别构建焊点图像和电路图像数据集：包括：
[0034]S4.1：对S3.3得到的图像进行标注，标注出图像中的缺陷区域。焊点按照正常、多锡、缺孔三个类别进行分类，电路按照正常、开路、短路三个类别进行分类。
[0035]S4.2：对标注好的图像进行数据增强，包括旋转、翻转、缩放等操作，以增加数据集的多样性和数量。
[0036]S4.3：分别构建焊点图像数据集和电路图像数据集，将数据集的85％作为训练集，
15％作为测试集。
[0037]6.S5：改进BiFPN特征融合网络：包括：
[0038]S5.1：将BiFPN原有的五层结构调整至四层，提高其对小目标物体的检测能力。
[0039]S5.2：BiFPN对特征图上采样和下采样后进行快速归一化融合，得到更加丰富的特征表示，得到的输出特征公式如下：
[0040][0041]其中ω
i
是可学习权重，可以是标量、向量或多维张量。通过ReLU函数使得权重ω≥0。ε为常数，取值为0.0001，这个值是为了防止训练不稳定。I
i
是第i层输入图像。快速归一化融合使得每个节点都有各自的权重，这样在特征融合时，信息就会通过权重合理分布。
[0042]7.S6：添加DIoU
‑
NMS，得到改进后的模型：包括：
[0043]S6.1：使用DIoU
‑
NMS本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进EfficientDet的PCB板缺陷检测方法，其特征在于，包括如下步骤：S1：通过高光反射拍摄PCB板的图像；S2：对采集到的图像进行预处理，包括图像去噪、图像增强操作，提高图像的质量和准确性；S3：通过阈值分割的方式分别分割出焊点图像和电路图像；S4：对分割出的焊点和电路图像进行标注并进行数据增强后分别构建焊点图像和电路图像数据集；S5：改进BiFPN特征融合网络；S6：添加DIoU
‑
NMS，得到改进后的模型；S7：训练改进模型。S8：将待检测的PCB板图像输入模型，获得检测结果。2.根据权利要求1所述的一种基于EfficientDet的PCB板缺陷检测方法，其特征在于，所述S1步骤具体包括以下步骤：S1.1：准备设备：准备一台高分辨率的相机、反射平台、光源设备，反射平台采用黑色背景板和白色透明玻璃板组合，以便反射出PCB板的图像；S1.2：调整光源：根据拍摄对象的大小和形状，调整光源的角度和亮度，使其能够反射出PCB板上的图像；S1.3：放置PCB板：将待拍摄的PCB板平放在反射平台上，使光线能够充分反射出PCB板上的图像；S1.4：拍摄图像：通过相机拍摄PCB板的图像，并且进行合适的曝光和对焦调整，以便获得清晰、准确的图像；S1.5：后期处理：将拍摄的图像导入计算机，进行后期处理，得到最终的PCB板图像。3.根据权利要求2所述的一种基于EfficientDet的PCB板缺陷检测方法，其特征在于，所述S2步骤具体包括以下步骤：S2.1：对图像进行归一化处理，统一图片的大小；S2.2：根据需要调整图像的亮度和对比度；S2.3：使用高斯滤波去除图像周围噪声，提高图片清晰度。4.根据权利要求3所述的一种基于EfficientDet的PCB板缺陷检测方法，其特征在于，所述S3步骤具体包括以下步骤：S3.1：读取预处理后的图片，将图片分离成RGB三个通道，再通过B
‑
G+R的方式得到焊点图像；S3.2：将读取到的图片转换成灰度图后通过轮廓查找函数查找轮廓，再通过绘制轮廓函数得到电路图像；S3.3：对得到的焊点图像和电路图像进行闭运算处理，去除图像周围噪声。5.根据权利要求4所述的一种基于EfficientDet的PCB板缺陷检测方法，其特征在于，所述S4步骤具体包括以下步骤：S4.1：对S3.3得到的图像进行标注，标注出图像中的缺陷区域，焊点按照正常、多锡、缺孔三个类别进行分类，电路按照正常、开路、短路三个类别进行分类；S4.2：对标注好的图像进行数据增强，包括旋转、翻转、缩放等操作，以增加数据集的多
样性和数量；S4.3：分别构建焊点图像数据集和电路图像数据集，将数据集的85％作为训练集，15％作为测试集。6.根据权利要求5所述的一种基于EfficientDet的PCB板缺陷检测方法，其特征在于，所述S5步骤具体包括以下步骤：S5.1：将BiFPN原有的五层结构调整至四层，提高其对小目标物体的检测能力；S5.2：BiFPN对特征图上采样和下采样后进行快速归一化融合，得到更加丰富的特征表示，得到的输出特征公式如下：其中ω
i
是可学习权重，可以是标量、向量或多维张量。通过ReLU函数使得权...

【专利技术属性】
技术研发人员：张恩浦，刘晓洋，张青春，谭良晨，宁建峰，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：