[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

本發明提出了一種基于深度學習的二維PCB外觀缺陷實時自動檢測技術，含有依賴于標準PCB板作比對的CNN檢測、無標準PCB板比對的CNN檢測(非監督學習檢測)、混合CNN檢測三種PCB缺陷檢測方法，包括：訓練PCB缺陷圖片庫的每一種類缺陷，將待測PCB圖片分割成多個圖片塊；利用PCB缺陷特征搜索缺陷塊識別待測PCB圖片中的缺陷并標記疑似缺陷塊；利用PCB缺陷類別特征進行缺陷分類，判斷缺陷類別，判斷不在類別中的疑似缺陷是假缺陷還是新類別的缺陷，將新類別缺陷補充至缺陷圖片庫；利用PCB缺陷級別特征判斷疑似缺陷，若為假缺陷，則刪除對應缺陷并分析原因，若為真缺陷，則標記在缺陷記錄中。該方法檢測PCB缺陷速度快、精度高。

技術領域

本發明涉及缺陷檢測技術領域，特別涉及一種基于深度學習的二維PCB外觀缺陷實時自動檢測技術。

背景技術

二維(2D)印刷電路板(PCB)是各種微電路版、主板制作的基礎，其正確性是其它后續工序正確的保障。由于現代技術和精細工藝的不斷發展，PCB的制作也越來越復雜、越來越精密。傳統的外觀檢測已不適應復雜的PCB檢測。

發明內容

本發明旨在至少在一定程度上解決相關技術中的技術問題之一。

為此，本發明的目的在于提出一種基于深度學習的二維PCB外觀缺陷實時自動檢測技術，該方法具有速度快、精度高、泛化能力強，結構清晰等優點。

為達到上述目的，本發明實施例提出了一種基于深度學習的二維PCB外觀缺陷實時自動檢測技術，包括：

S1，通過搜集和標記PCB缺陷塊圖片，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，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，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生產流水線提取二維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。