[發明專利]基于深度學習的二維PCB外觀缺陷實時自動檢測技術

有效

• 申請號: 202010412967.6
• 申請日: 2020-05-15
• 公開（公告）號: CN111754456B
• 公開（公告）日: 2022-10-14
• 發明（設計）人: 羅貴明;何悅
• 申請（專利權）人: 清華大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/30;G06T5/00;G06N3/08;G06N3/04
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 石茵汀

1.一種基于深度學習的二維PCB外觀缺陷實時自動檢測技術，其特征在于，包括以下步驟：

S1，通過PCB缺陷塊圖片庫建立二維PCB缺陷塊圖片庫，所述二維PCB缺陷塊圖片庫包括二維PCB缺陷數據對圖片庫和二維PCB缺陷單數據圖片庫；

S2，通過CNN缺陷特征訓練塊，對所述二維PCB缺陷塊圖片庫中的每一種類PCB缺陷，利用卷積神經網絡進行訓練，提取PCB缺陷類別特征；

S3，通過CNN缺陷級別特征訓練塊，對所述二維PCB缺陷塊圖片庫中的每一種類PCB缺陷的級別，利用卷積神經網絡進行訓練，提取PCB缺陷級別特征；

S4，通過PCB圖片提取塊提取二維PCB圖片，所述二維PCB圖片包括二維標準PCB圖片和二維待測PCB圖片；

S5，通過濾波去噪塊，對所述二維PCB圖片進行去噪處理；

S6，通過圖像配準塊，對所述二維待測PCB圖片與所述二維標準PCB圖片配準；

S7，通過圖像灰度值比對塊，對所述二維標準PCB圖片和所述二維待測PCB圖片灰度值進行比對分析，得到二維PCB殘差圖片；

S8，通過圖像分割定位塊，對所述二維標準PCB圖片、所述二維待測PCB圖片和所述二維PCB殘差圖片進行分割定位，得到多個圖片的圖片塊和對應的坐標；

S9，通過殘差濾波塊，對所述二維PCB殘差圖片的圖片塊過濾，消去因配準及其它因素產生的比對誤差；

S10，缺陷搜索匹配塊通過卷積神經網絡訓練的PCB缺陷特征，在多個圖片塊中搜索缺陷塊，并進行缺陷塊匹配；

S11，CNN缺陷識別塊通過卷積神經網絡對所述二維待測PCB圖片中的缺陷進行識別；

S12，PCB缺陷分類塊通過卷積神經網絡訓練的PCB缺陷類別特征對對所述二維待測PCB圖片中標記的缺陷進行分類，對不在類別中的缺陷進行判斷，判斷是否為假缺陷還是新的類別的缺陷，將所述新的類別的缺陷補充至缺陷塊圖片庫；

S13，通過PCB缺陷疑似塊，對所述二維待測PCB圖片中每一類缺陷標記為疑似缺陷；

S14，PCB缺陷驗證塊通過卷積神經網絡訓練的PCB缺陷級別特征和分類信息，判斷疑似缺陷塊的真假性，若缺陷為假缺陷，則刪除對應缺陷，并分析產生假缺陷的原因，若缺陷為真缺陷，則標記在缺陷記錄中。

2.根據權利要求1所述的基于深度學習的二維PCB外觀缺陷實時自動檢測技術，其特征在于，

所述二維PCB缺陷塊圖片庫分為兩類，一類為二維PCB缺陷塊和對應無缺陷標準PCB塊圖片組成的數據對圖片庫，另一類為只有單個二維PCB缺陷塊的數據圖片庫。

3.根據權利要求2所述的基于深度學習的二維PCB外觀缺陷實時自動檢測技術，其特征在于，所述步驟S1還包括：

建立二維PCB缺陷塊圖片庫。兩類二維PCB缺陷塊圖片庫包含PCB的多種已標記且分類和分級的PCB缺陷塊圖片，所述PCB缺陷塊圖片包括多尺度圖片。

4.根據權利要求3所述的基于深度學習的二維PCB外觀缺陷實時自動檢測技術，其特征在于，所述步驟S2和步驟S3還包括：

對所述二維PCB缺陷塊圖片庫中的每一種類PCB缺陷，用卷積神經網絡進行訓練，提取PCB缺陷類別特征；

對所述二維PCB缺陷塊圖片庫中的每一種類PCB缺陷的級別，用卷積神經網絡進行訓練，提取PCB缺陷級別特征。

5.根據權利要求1所述的基于深度學習的二維PCB外觀缺陷實時自動檢測技術，其特征在于，在S4中，通過PCB圖片提取塊提取的二維PCB圖片包括兩種：一種為提取二維標準PCB圖片和二維待測PCB圖片；另一種為只提取二維待測PCB圖片。

6.根據權利要求5所述的基于深度學習的二維PCB外觀缺陷實時自動檢測技術，其特征在于，所述S4還包括：

在比對標準PCB的檢測方法和PCB混合檢測方法中，提取二維待測PCB圖片和對應的二維標準PCB圖片；

在無標準板比對PCB檢測方法中，只提取二維待測PCB圖片。