【技术实现步骤摘要】
本申请属于人工智能，尤其涉及一种电路板缺陷检测方法及装置。
技术介绍
1、目前，检测电路板表面缺陷方法主要包括人工视觉检测方法、基于传统图像处理技术的检测方法和基于机器学习的检测方法。
2、人工视觉检测方法是由经过训练的专业操作员进行目测检查，识别电路板表面的缺陷。该方法的缺点包括检测速度相对较慢，而且可能受主观因素影响，稳定性和可靠性较差。
3、基于传统图像处理技术的检测方法是指采用基本的图像处理算法，例如边缘检测和数学形态学运算等，检测电路板表面的异常。该方法通常需要手动设计特征提取器，且对于复杂的缺陷难以适应，不够灵活。
4、基于机器学习的检测方法是使用传统的机器学习算法，例如支持向量机(supportvector machine，svm)或决策树等，通过训练模型来自动检测缺陷。该方法可以更好地适应复杂的缺陷模式，但仍然需要手动设计特征提取器，而且性能受到特征选择的限制。
5、综上，现有电路板缺陷检测方法虽然可以在一定程度上对电路板的表面缺陷进行检测，但对复杂缺陷的泛化能力较差，对于复杂缺陷检测的准确率较差。
技术实现思路
1、本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种电路板缺陷检测方法及装置，能提高对电路板的复杂缺陷检测的准确率。
2、第一方面，本申请提供了一种电路板缺陷检测方法，该方法包括：
3、确定待检测的目标电路板的第一图像对应的模板图像；所述模板图像是无缺陷的模板电路板
4、基于深度学习算法，对第二图像进行特征提取处理，基于提取到的特征，获取所述第一图像中与所述模板图像不同的差异区域；所述第二图像是将所述第一图像和所述模板图像分别作为图像的一个通道进行融合后得到的；
5、基于所述差异区域和备选缺陷特征，获取所述目标电路板的缺陷检测结果。
6、根据本申请的电路板缺陷检测方法，是一种基于模板比对的新图像分割方法，通过充分利用第一图像和模板图像的特征与上下文信息，实现对第一图像中缺陷区域的精确分割，通过引入模板图像作为额外的输入，整合额外信息可以提高对缺陷的检测能力，并且学习模板图像和第一图像中缺陷之间的语义差异，不关注模板图像本身的信息，具有高检出率和低误报率，能克服传统电路板缺陷检测方法的缺陷，能提高对电路板的复杂缺陷检测的准确率，能提高电路板缺陷检测的稳定性和泛化性，能有效支持电路板质量的提升。进一步地，在检测缺陷类型不变的情况下，产品迁移只需要更换模板，通过切换不同的模板图像即可适应不同种类的电路板，而无需对新产品或新型号重新进行迭代训练，具有更高的灵活性。
7、根据本申请的一个实施例，所述基于深度学习算法，对第二图像进行特征提取处理，基于提取到的特征，获取所述第一图像中与所述模板图像不同的差异区域，包括：
8、将所述第一图像和所述模板图像输入图像分割模型，获取所述图像分割模型输出的所述差异区域；所述图像分割模型是以存在缺陷的样本电路板的样本图像以及所述样本图像对应的模板图像作为第一训练样本，以所述样本图像中与所述模板图像不同的差异区域作为所述第一训练样本对应的标签进行训练后得到的；所述模板图像是无缺陷的模板电路板的图像。
9、根据本申请的一个实施例，所述将所述第一图像和所述模板图像输入图像分割模型，获取所述图像分割模型输出的所述差异区域，包括：
10、将所述第一图像作为图像的第一通道并将所述模板图像作为图像的第二通道进行融合，获取所述第二图像；
11、对所述第二图像进行至少一次下采样处理，获取至少一个下采样图像；
12、分别对每一所述下采样图像进行特征提取处理，获取局部特征，并基于注意力机制对各所述下采样图像进行特征提取处理，获取全局特征；
13、基于将所述全局特征分别与每一所述局部特征融合得到的融合特征，获取所述差异区域。
14、根据本申请的电路板缺陷检测方法，通过将第一图像和模板图像融合为第二图像后进行一次特征提取处理，基于提取到的融合特征中不同通道对应的部分之间的差异，完成差异特征的提取，无需对第一图像和模板图像分别进行特征提取处理就可以完成第一图像和模板图像之间差异特征的提取，能提高分割出差异区域的效率。
15、根据本申请的一个实施例，所述基于将所述全局特征分别与每一所述局部特征融合得到的融合特征，获取所述差异区域，包括：
16、基于所述融合特征中所述第一通道对应的部分与所述第二通道对应的部分之间的差异，获取所述差异区域。
17、根据本申请的一个实施例，所述将所述第一图像和所述模板图像输入图像分割模型，获取所述图像分割模型输出的所述差异区域之前，所述方法还包括：
18、对所述第一训练样本进行数据增强处理，获取训练集；
19、基于所述训练集对待训练模型进行训练，获取所述图像分割模型。
20、根据本申请的一个实施例，所述对所述训练样本进行数据增强处理，包括以下至少一种：
21、针对任一第一训练样本，随机交换所述任一第一训练样本中的所述样本图像和所述模板图像，得到第二训练样本；所述第二训练样本对应的标签与所述任一第一训练样本对应的标签相同；
22、针对任一第一训练样本，随机对所述任一第一训练样本中的所述样本图像或所述模板图像进行偏移操作，得到第三训练样本，并基于所述任一第一训练样本对应的标签获取所述第三训练样本对应的标签；
23、针对任一第一训练样本，随机将所述任一第一训练样本中的所述样本图像替换为所述任一第一训练样本中的所述模板图像，得到第四训练样本，并获取所述第四训练样本对应的标签；
24、获取所述样本图像中的缺陷区域，将所述缺陷区域添加在所述样本图像对应的所述模板图像中的随机位置，得到第五训练样本，并获取所述第五训练样本对应的标签。
25、根据本申请的电路板缺陷检测方法，通过对第一训练样本进行数据增强处理，获取训练集，以基于训练集进行训练得到训练好的图像分割模型，能够不依赖大量的标注数据，仅需要少量的标注数据就能得到分割精度满足要求的图像分割模型，能减少模型的训练时间，提高模型训练的效率，能缓解深度学习模型对数据量的需求。
26、第二方面，本申请提供了一种电路板缺陷检测装置，该装置包括：
27、确定模块，用于确定待检测的目标电路板的第一图像对应的模板图像；所述模板图像是无缺陷的模板电路板的图像；
28、分割模块，用于基于深度学习算法，对第二图像进行特征提取处理，基于提取到的特征，获取所述第一图像中与所述模板图像不同的差异区域；所述第二图像是将所述第一图像和所述模板图像分别作为图像的一个通道进行融合后得到的；
29、获取模块，用于基于所述差异区域和备选缺陷特征，获取所述目标电路板的缺陷检测结果。
30、根据本申请的电路板缺陷检测装置，是一种基于模板比对的新图像分本文档来自技高网...
【技术保护点】
1.一种电路板缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的电路板缺陷检测方法，其特征在于，所述基于深度学习算法，对第二图像进行特征提取处理，基于提取到的特征，获取所述第一图像中与所述模板图像不同的差异区域，包括：
3.根据权利要求2所述的电路板缺陷检测方法，其特征在于，所述将所述第一图像和所述模板图像输入图像分割模型，获取所述图像分割模型输出的所述差异区域，包括：
4.根据权利要求3所述的电路板缺陷检测方法，其特征在于，所述基于将所述全局特征分别与每一所述局部特征融合得到的融合特征，获取所述差异区域，包括：
5.根据权利要求2至4任一项所述的电路板缺陷检测方法，其特征在于，所述将所述第一图像和所述模板图像输入图像分割模型，获取所述图像分割模型输出的所述差异区域之前，所述方法还包括：
6.根据权利要求5所述的电路板缺陷检测方法，其特征在于，所述对所述训练样本进行数据增强处理，包括以下至少一种：
7.一种电路板缺陷检测装置，其特征在于，包括：
8.一种电子设备，包括存储器、处理器及存储在
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的电路板缺陷检测方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的电路板缺陷检测方法。
...【技术特征摘要】
1.一种电路板缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的电路板缺陷检测方法，其特征在于，所述基于深度学习算法，对第二图像进行特征提取处理，基于提取到的特征，获取所述第一图像中与所述模板图像不同的差异区域，包括：
3.根据权利要求2所述的电路板缺陷检测方法，其特征在于，所述将所述第一图像和所述模板图像输入图像分割模型，获取所述图像分割模型输出的所述差异区域，包括：
4.根据权利要求3所述的电路板缺陷检测方法，其特征在于，所述基于将所述全局特征分别与每一所述局部特征融合得到的融合特征，获取所述差异区域，包括：
5.根据权利要求2至4任一项所述的电路板缺陷检测方法，其特征在于，所述将所述第一图像和所述模板图像输入图像分割模型，获取所述图像分割模型输出...
【专利技术属性】
技术研发人员：杨溪，
申请(专利权)人：深圳市凌云视迅科技有限责任公司，
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。