[發明專利]一種基于深度學習的pcb板缺陷檢測方法

在審

• 申請號: 201911135041.0
• 申請日: 2019-11-19
• 公開（公告）號: CN111103307A
• 公開（公告）日: 2020-05-05
• 發明（設計）人: 黃坤山;李霽峰
• 申請（專利權）人: 佛山市南海區廣工大數控裝備協同創新研究院;佛山市廣工大數控裝備技術發展有限公司
• 主分類號: G01N21/956
• 分類號: G01N21/956;G01N21/88;G06T7/00
• 代理公司: 廣東廣信君達律師事務所 44329
• 代理人: 江金城

1.一種基于深度學習的pcb板缺陷檢測方法，其特征在于，包括如下步驟：

步驟S1：根據pcb缺陷檢測要求，進行深度卷積神經網絡的搭建；

步驟S2：采集大量傳統檢測方法組成的自動化處理檢測線無法檢測的或者產生誤檢的圖片，同時準備與缺陷圖片數量同樣的正確圖片；

步驟S3：對步驟S2采集的缺陷圖片與正確圖片進行整理，清洗與標注；

步驟S4：對步驟S3所整理的圖片，制作成訓練集和測試集；

步驟S5：使用步驟S4制作的訓練集對步驟S1搭建的深度卷積神經網絡進行訓練；

步驟S6：使用步驟S4制作的測試集對步驟S5訓練好的卷積神經網絡進行泛化測試；

步驟S7：根據測試結果來檢測深度卷積神經網絡準確率的性能指標；

步驟S8：將訓練完成的卷積網絡投入二次檢測中使用。

2.根據權利要求1所述的基于深度學習的pcb板缺陷檢測方法，其特征在于，所述步驟S1中深度卷積神經網絡的搭建包括：根據生產方的要求，對其需求進行數學建模，最后使用深度學習框架將數學模型編寫成神經網絡模型，搭建的卷積神經網絡層次結構如下：

原圖輸入resize為224x224像素大小；

第一層，卷積層，卷積核大小為7像素，步長為2像素，輸出112x112像素尺寸的特征圖；

第二層，最大池化層，池化核大小為3像素，步長為2像素，輸出56x56像素尺寸的特征圖；

第三、四、五、六層，卷積核大小為3像素，步長為1像素的卷積層，輸出為56x56像素尺寸特征圖；

第七層，卷積層，卷積核大小為3像素，步長為2像素，輸出28x28像素尺寸特征圖；

第八、九、十層，卷積層，卷積核大小為3像素，步長為1像素，輸出28x28像素尺寸特征圖；

第十一層，卷積層，卷積核大小為3像素，步長為2像素，輸出14x14像素尺寸特征圖；

第十二、十三層，十四層，卷積層，卷積核大小為3像素，步長為1像素，輸出14x14像素尺寸特征圖；

第十五層，卷積層，卷積核大小為3像素，步長為2像素，輸出7x7像素尺寸特征圖；

第十六、十七、十八層，卷積層，卷積核大小為3像素，步長為1像素，輸出7x7像素尺寸特征圖；

第十九層，全平均池化層與全連接層，實現特征和類別之間的對應關系。

3.根據權利要求1所述的基于深度學習的pcb板缺陷檢測方法，其特征在于，所述步驟S3的整理涉及對圖片的尺寸與方向進行調整，目標在與能夠統一成相同格式，使之能夠放入神經網絡中訓練與測試。

4.根據權利要求1所述的基于深度學習的pcb板缺陷檢測方法，其特征在于，所述步驟S3的清洗，則是根據生產方對缺陷的定義，對誤檢圖片中的真缺陷圖片與假缺陷圖片篩選分類。

5.根據權利要求1所述的基于深度學習的pcb板缺陷檢測方法，其特征在于，所述步驟S3的標注，是使用標注工具，在真缺陷圖片中標注出缺陷所在位置，并生成標注文件作為訓練正樣本，并將假缺陷全部歸類為訓練負樣本。

6.根據權利要求1所述的基于深度學習的pcb板缺陷檢測方法，其特征在于，所述步驟S4中的測試集不能與訓練集重合。

7.根據權利要求1所述的基于深度學習的pcb板缺陷檢測方法，其特征在于，所述步驟S7的檢測性能指標，是指根據深度卷積神經網絡對缺陷圖的分類識別準確度進行統計，分別計算網絡的誤檢率和準確率；如果性能不達標，則重復步驟S2至步驟S7，不斷增加缺陷的種類以提高深度卷積神經網絡對缺陷的識別豐富度，同時調節正負樣本的比例，增強深度卷積神經網絡對負樣本的排除能力。

8.根據權利要求1所述的基于深度學習的pcb板缺陷檢測方法，其特征在于，所述步驟S8的投入使用，是指包含了對深度卷積神經網絡的算法開發，并將其移植到生產線后端上，以替代人工二次篩選。