基于深度学习的制造技术

本发明专利技术涉及一种基于深度学习的

【技术实现步骤摘要】
基于深度学习的PCBA多类别多尺度的小目标缺陷的检测方法


[0001]本专利技术涉及
PCBA
检测技术，特别涉及一种基于深度学习的
PCBA
多类别多尺度的小目标缺陷的检测方法
。

技术介绍

[0002]目前，随着现代工业的智能化发展，工业生产力也随之快速提高，这离不开电子设备的核心组件印刷电路板
(Printed Circuit Board
，
PCB)
，是作为电子元件的载体
。PCBA(Printed Circuit Board+Assembly)
则是已经加工并安装好电子元件的
PCB
，具有高集成化
、
多层化以及小型化等特点，因此对制造工艺有着极高的要求
。
但在实际生产中，因受设备
、
环境及人工操作等因素影响，
PCBA
会产生短路
、
开路
、
缺口
、
毛刺
、
焊点漏焊
、
余铜
、
沾锡
、
零件损伤等缺陷
。
[0003]由于
PCBA
缺陷具有种类多
、
缺陷大小尺度多变以及辨识度低等问题
。
所以目前生产现场的人工目视和电气特性检测方法已经无法满足
PCBA
高效率
、
高精度
、
高性能的生产需求<br/>。
机器视觉检测方法是一种无接触
、
无损伤的自动化检测方法，具有工作效率高的优点
。
[0004]机器视觉检测方法是一种无接触
、
无损伤的自动化缺陷检测方法，具有检测工作效率高的优点
。
基于机器视觉的
PCBA
缺陷检测方法分为参考法
、
混合法和无参考法，参考法需制作大量模板，易受噪声影响导致检测通用性低
、
精度低
。
混合法设计复杂，检测时间长，难以满足工业应用要求
。
[0005]现有的无参考法常以深度学习方法进行
PCBA
缺陷检测，受限于实践中各种
PCBA
检测样本不同，易受噪声影响导致检测通用性低
、
精度低；混合法设计复杂，检测对于
PCBA
的小缺陷检测，耗时长，难以满足工业应用要求
。
[0006]现有技术面对
PCBA
小目标缺陷检测存在的漏检
、
特征提取能力不足
、
误检率高以及检测性能差等问题
。

技术实现思路

[0007]本专利技术的目的在于提供一种基于深度学习的
PCBA
多类别多尺度的小目标缺陷的检测方法，用于解决上述现有技术的问题
。
[0008]本专利技术一种基于深度学习的
PCBA
多类别多尺度的小目标缺陷的检测方法，其中，包括：步骤一
、
通过工业相机采集
PCBA
大缺陷图像
、
小缺陷图像和无缺陷图像，建立
PCBA
图像数据集；步骤二
、
选取无缺陷
PCBA
图像作为背景图像加入
PCBA
图像数据集；步骤三
、
对
PCBA
图像数据集进行标注；其中对于同一类别但不同尺寸的小样本缺陷进行不同的类别标注处理；对异物类的缺陷按照面积是否占整幅图像的比例进行标注；大于一比例阈值的为大目标异物缺陷，否则为小目标异物缺陷；对标注后的
PCBA
图像数据进行归一化处理，将真实坐标转换为标定框的相对坐标；步骤四
、
通过
K
聚类算法对采集得到的标注后的
PCBA
图像数据集中的
PCBA
缺陷图像进行聚类，得到对
PCBA
图像数据集更贴合的聚类中心，通过聚类
中心改进网络先验框信息，增加小目标的权重，输入
yolov5
模型中，以进行
yolov5
模型先验框的修改；步骤五
、
使用标注后得到的
PCBA
图像数据集以及从修改先验框后的
yolov5
模型，进行训练，获得各缺陷类型权重；步骤六
、
由各缺陷类型权重对
PCBA
图像数据集中的
PCBA
图像进行缺陷检测，得到
PCBA
图像的预测缺陷位置；步骤七
、
检测完成后，单独截取
PCBA
图像中的缺陷位置，形成新的
PCBA
图像的缺陷位置文件；步骤八
、
将获得的新的
PCBA
图像的缺陷位置文件放进训练好的分类器，根据缺陷类别和检测结果，对分类器进行调整；步骤九
、
将权重文件和分类器放入视觉系统里面进行
PCBA
的缺陷检测
。
[0009]根据本专利技术一种基于深度学习的
PCBA
多类别多尺度的小目标缺陷的检测方法的一实施例，其中，还包括：通过数据增广使得
PCBA
大缺陷图像与小缺陷图像数量比例为接近1：
1。
[0010]根据本专利技术一种基于深度学习的
PCBA
多类别多尺度的小目标缺陷的检测方法的一实施例，其中，数据增广的方法为：通过对
PCBA
大缺陷图像进行
hsv
均衡化以及空间变换，使得
PCBA
大缺陷图像与小缺陷图像数量比例为接近1：1；其中，
Hsv
均衡化将饱和度的扰动范围设置在
(0.8
，
1.2)
，将色调扰动范围设置在
(
‑
10
，
10)
之间，并通过
random
函数随机生成扰动值
。
[0011]根据本专利技术一种基于深度学习的
PCBA
多类别多尺度的小目标缺陷的检测方法的一实施例，其中，对从步骤一和步骤二得到的训练样本数据用
LabelImg
进行标注，采用的格式为
PASCLVOC
格式；其中对于同一类别的不同尺寸的小样本缺陷进行不同的类别标注处理
。
[0012]根据本专利技术一种基于深度学习的
PCBA
多类别多尺度的小目标缺陷的检测方法的一实施例，其中，对异物类的缺陷按照面积是否占整幅分辨率为
640*640
的图像的
1/10
的标准进行标注，大于
1/10
的标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的
PCBA
多类别多尺度的小目标缺陷的检测方法，其特征在于，包括：步骤一
、
通过工业相机采集
PCBA
大缺陷图像
、
小缺陷图像和无缺陷图像，建立
PCBA
图像数据集；步骤二
、
选取无缺陷
PCBA
图像作为背景图像加入
PCBA
图像数据集；步骤三
、
对
PCBA
图像数据集进行标注；其中对于同一类别但不同尺寸的小样本缺陷进行不同的类别标注处理；对异物类的缺陷按照面积是否占整幅图像的比例进行标注；大于一比例阈值的为大目标异物缺陷，否则为小目标异物缺陷；对标注后的
PCBA
图像数据进行归一化处理，将真实坐标转换为标定框的相对坐标；步骤四
、
通过
K
聚类算法对采集得到的标注后的
PCBA
图像数据集中的
PCBA
缺陷图像进行聚类，得到对
PCBA
图像数据集更贴合的聚类中心，通过聚类中心改进网络先验框信息，增加小目标的权重，输入
yolov5
模型中，以进行
yolov5
模型先验框的修改；步骤五
、
使用标注后得到的
PCBA
图像数据集以及从修改先验框后的
yolov5
模型，进行训练，获得各缺陷类型权重；步骤六
、
由各缺陷类型权重对
PCBA
图像数据集中的
PCBA
图像进行缺陷检测，得到
PCBA
图像的预测缺陷位置；步骤七
、
检测完成后，单独截取
PCBA
图像中的缺陷位置，形成新的
PCBA
图像的缺陷位置文件；步骤八
、
将获得的新的
PCBA
图像的缺陷位置文件放进训练好的分类器，根据缺陷类别和检测结果，对分类器进行调整；步骤九
、
将权重文件和分类器放入视觉系统里面进行
PCBA
的缺陷检测
。2.
如权利要求1所述的方法，其特征在于，还包括：通过数据增广使得
PCBA
大缺陷图像与小缺陷图像数量比例为接近1：
1。3.
如权利要求2所述的方法，其特征在于，数据增广的方法为：通过对
PCBA
大缺陷图像进行
hsv
均衡化以及空间变换，使得
PCBA
大缺陷图像与小缺陷图像数量比例为接近1：1；其中，
Hsv
均衡化将饱和度的扰动范围设置在
(0.8
，
1.2)
，将色调扰动范围设置在
(
‑
10
，
10)
之间，并通过
random
函数随机生成扰动值
。4.
如权利要求1所述的方法，其特征在于，对从步骤一和步骤二得到的训练样本数据用
LabelImg
进行标注，采用的格式为
PASCLVOC
格式；其中对于同一类别的不同尺寸的小样本缺陷进行不同的类别标注处理
...

【专利技术属性】
技术研发人员：徐晨，刘哲，陈佳佳，
申请(专利权)人：声瞳科技广州有限公司，
类型：发明
国别省市：