[發(fā)明專利]一種基于深度學(xué)習(xí)的pcb板缺陷檢測方法

在審

• 申請?zhí)枺?/td>: 201911135041.0
• 申請日: 2019-11-19
• 公開（公告）號: CN111103307A
• 公開（公告）日: 2020-05-05
• 發(fā)明（設(shè)計）人: 黃坤山;李霽峰
• 申請（專利權(quán)）人: 佛山市南海區(qū)廣工大數(shù)控裝備協(xié)同創(chuàng)新研究院;佛山市廣工大數(shù)控裝備技術(shù)發(fā)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(dá)律師事務(wù)所 44329
• 代理人: 江金城

本發(fā)明公開了一種基于深度學(xué)習(xí)的pcb板缺陷檢測方法，該方法首先采集大量由無法檢測或誤檢的圖片，并且準(zhǔn)備與缺陷圖片數(shù)量相同的正確圖片。然后對采集好的缺陷圖與正確圖進(jìn)行整理，清洗與標(biāo)注，制作成訓(xùn)練集和測試集。根據(jù)檢測要求，定義缺陷程度與類型，然后根據(jù)需要識別的類型，進(jìn)行深度卷積神經(jīng)網(wǎng)絡(luò)的搭建。使用制作好的訓(xùn)練集對深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行多次訓(xùn)練。并在最后使用制作好的測試集對訓(xùn)練好的深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行泛化測試。通過測試結(jié)果計算準(zhǔn)確率，召回率等等參數(shù)來評價深度卷積神經(jīng)網(wǎng)絡(luò)的性能，如果性能沒有達(dá)到要求，則不斷重復(fù)之前的操作，直到訓(xùn)練到性能符合要求的卷積神經(jīng)網(wǎng)絡(luò)。最后將訓(xùn)練完成的卷積網(wǎng)絡(luò)投入二次檢測中使用。

技術(shù)領(lǐng)域

本發(fā)明涉及PCB板缺陷檢測領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)的pcb板缺陷檢測方法。

背景技術(shù)

Pcb板缺陷檢測歷來是工業(yè)生產(chǎn)一個關(guān)鍵問題，在生產(chǎn)過程中，由于多方面誤差等等因素，會導(dǎo)致pcb板出現(xiàn)不同程度缺陷。對pcb板缺陷檢測的傳統(tǒng)方法是人工處理，這是最落后的檢測手段，效率低，成本高。之后pcb板缺陷檢測進(jìn)入了自動化處理，采用圖像處理與機(jī)器視覺方法，比人工提高不少效率，但是與此同時，卻出現(xiàn)許多的誤檢(不是缺陷的pcb電路板也標(biāo)志為缺陷)，因而仍然需要人工對自動化處理流程分類出來的缺陷進(jìn)行二次篩選，將真正的缺陷檢測出來。人工二次篩選的在初期有不錯的成效，但是隨著生產(chǎn)速度提高，人工檢測速度不僅無法提高，還加快人工疲勞，無法做到高產(chǎn)能。

因此，現(xiàn)有技術(shù)需要進(jìn)一步改進(jìn)和完善。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于深度學(xué)習(xí)的pcb板缺陷檢測方法。

考慮到自動化處理無法對自己產(chǎn)生的誤檢圖片進(jìn)行學(xué)習(xí)改良檢測之后，借助當(dāng)下深度學(xué)習(xí)的思想方法，本發(fā)明研制了一套基于深度卷積神經(jīng)網(wǎng)絡(luò)的缺陷檢測系統(tǒng)，本發(fā)明目標(biāo)在替代人工二次檢測，主要作用是其可以對自動化流程無法識別的缺陷圖進(jìn)行學(xué)習(xí)，最后能夠分類出誤檢圖中的真缺陷與假缺陷。經(jīng)過實驗發(fā)現(xiàn)，不僅減輕二次篩選的工作量，同時因為能夠長時間運(yùn)行，并且性能穩(wěn)定可靠，實現(xiàn)了對pcb板的高速度、高精度和非接觸缺陷檢測，最重要的是，本發(fā)明填補(bǔ)了深度學(xué)習(xí)在pcb板缺陷檢測領(lǐng)域的空缺。

本發(fā)明的目的通過下述技術(shù)方案實現(xiàn)：

一種基于深度學(xué)習(xí)的pcb板缺陷檢測方法，該檢測方法主要包括如下具體步驟：

步驟S1：根據(jù)pcb缺陷檢測要求，進(jìn)行深度卷積神經(jīng)網(wǎng)絡(luò)的搭建。

具體的，所述步驟S1中深度卷積神經(jīng)網(wǎng)絡(luò)的搭建包括：根據(jù)生產(chǎn)方的要求，對其需求進(jìn)行數(shù)學(xué)建模，最后使用深度學(xué)習(xí)框架將數(shù)學(xué)模型編寫成神經(jīng)網(wǎng)絡(luò)模型，搭建的卷積神經(jīng)網(wǎng)絡(luò)層次結(jié)構(gòu)如下：

原圖輸入resize(重新設(shè)定圖片尺寸)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；