[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡的銅箔基板缺陷檢測方法

有效

• 申請?zhí)枺?/td>: 201911095396.1
• 申請日: 2019-11-11
• 公開（公告）號: CN111415325B
• 公開（公告）日: 2023-04-25
• 發(fā)明（設計）人: 陳杰;鄭小青;孔亞廣;鄭松;王洪成
• 申請（專利權(quán)）人: 杭州電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/0464;G06N3/047;G06N3/08
• 代理公司: 杭州杭誠專利事務所有限公司 33109
• 代理人: 尉偉敏

1.一種基于卷積神經(jīng)網(wǎng)絡的銅箔基板缺陷檢測方法，其特征在于，包括以下步驟：

(1)數(shù)據(jù)集收集與標記；

(2)對數(shù)據(jù)集的樣本圖像進行數(shù)據(jù)擴展；

(3)構(gòu)建卷積神經(jīng)網(wǎng)絡模型，卷積神經(jīng)網(wǎng)絡模型包括十四層，第一層為卷積層；第二層為重疊的最大池化層；第三層、第四層、第五層和第七層為并聯(lián)結(jié)構(gòu)的卷積模塊DepthwiseFire深度可分離模塊；第六層和第八層為最大池化層；第九層、第十層、第十一層和第十二層為卷積模塊DepthwiseResidual深度可分離殘差模塊；第十三層為平均池化層，第十四層為softmax分類層；

卷積神經(jīng)網(wǎng)絡模型的第九層、第十層、第十一層和第十二層為卷積模塊DepthwiseResidual深度可分離殘差模塊，其中第九層和第十層由兩個上級卷積層加下級卷積層構(gòu)成；上級卷積層是256個感受野大小為3×3的深度可分離卷積核，步長為1；下級卷積層是256個感受野大小為1×1的卷積核，步長為1，輸出為256個通道，尺寸為6×6的特征圖；其中第十一層和第十二層由兩個上級卷積層加下級卷積層構(gòu)成；上級卷積層是512個感受野大小為3×3的深度可分離卷積核，步長為1；下級卷積層是512個感受野大小為1×1的卷積核，步長為1，輸出為512個通道，尺寸為6×6的特征圖；

(4)將樣本圖像輸入到上述卷積神經(jīng)網(wǎng)絡模型中進行迭代訓練；

(5)將待檢測銅箔基板圖像輸入到上述模型中進行圖像類別的識別并實現(xiàn)在線的自動檢測。

2.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡的銅箔基板缺陷檢測方法，其特征在于，所述步驟(2)通過將數(shù)據(jù)集中所有樣本圖像按翻轉(zhuǎn)、降噪的方式擴展樣本數(shù)量，按9:1的比例劃分出訓練集和驗證集。

3.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡的銅箔基板缺陷檢測方法，其特征在于，所述步驟(3)卷積神經(jīng)網(wǎng)絡模型的第一層為卷積層，包括32個感受野大小為3×3的卷積核，步長為2，輸出為32通道、尺寸為48×48的特征圖。

4.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡的銅箔基板缺陷檢測方法，其特征在于，所述步驟(3)卷積神經(jīng)網(wǎng)絡模型的第二層為重疊的最大池化層，是感受野大小為3×3的卷積核，步長為2，輸出為32通道，尺寸為24×24的特征圖。