[發明專利]一種基于卷積神經網絡的PCB板缺陷檢測算法

在審

• 申請號: 202010417205.5
• 申請日: 2020-05-18
• 公開（公告）號: CN111709910A
• 公開（公告）日: 2020-09-25
• 發明（設計）人: 鄧小穎;朱金榮;李斌;孫燦;夏長權;李揚
• 申請（專利權）人: 揚州小納熊機器人有限公司;揚州大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/155;G06T7/33;G06T5/00;G06T5/30;G06K9/62;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及一種基于卷積神經網絡的PCB板缺陷檢測算法，對PCB板圖像依次進行圖像預處理、數據處理、數據擴張、缺陷檢測，圖像預處理和數據處理有效降低噪聲的負面影響；數據擴張旨在增加數據容量，避免模型過擬合；缺陷檢測部分對已有的Inception?ResNet?v2卷積神經模型結構進行改進，所添加的SE模塊能對特征圖權重再次標注，增加有效缺陷特征的權重，降低無用背景權重，顯著提升了模型泛化能力，激活函數由原有的ReLU替換為Leaky ReLU，規避了反向傳播過程中梯度消失的問題，網絡模型的魯棒性增強，檢測精度提高。

技術領域

本發明涉及深度學習及工業圖像檢測領域，具體為一種基于卷積神經網絡的PCB板缺陷檢測算法。

背景技術

如今電子信息時代發展之快，搭載電路元器件的PCB板布局集成度大大增加，在生產印刷中，時常出現多銅、短路、孔洞、短路等缺陷問題，為此PCB板的缺陷檢測環節必不可少。傳統PCB板缺陷檢測主要采用人工與機器簡單結合的方式，弊端顯現：工人易疲勞、專用檢測設備昂貴、受環境因素影響較大，已達不到現代智能化，高精度，低價格的產業需求。

自2012年以來，深度學習在圖像識別領域革新速度突飛猛進，而經典機器學習算法主要采用提取圖像的紋理、邊緣、梯度方向等相關特征進行圖像分類，準確率和識別種類數量上相形見絀。因此，我們提出一種基于深度學習中卷積神經網絡的PCB板缺陷檢測算法。

發明內容

發明目的：針對傳統檢測方法和經典機器學習算法的缺點，本發明的目的是提供一種基于卷積神經網絡的PCB板缺陷檢測算法。

技術方案：一種基于卷積神經網絡的PCB板缺陷檢測算法，包括以下步驟：

(a)對參考PCB板圖像與待測PCB板圖像采取圖像預處理操作：使用工業相機拍攝所得無缺陷PCB板圖像和包含缺陷的待測PCB板圖像，對兩者分別使用預處理算法，得到處理后的PCB板圖像；

(b)對參考PCB圖像和待測PCB圖像進行數據處理操作：將預處理完成的參考PCB板圖像和待測PCB板圖像進行圖像配準操作，得到圖像配準特征點信息，對配準后PCB板圖像采用圖像差分操作提取出包含缺陷的感興趣區域(ROI),進行形態學處理，將缺陷區域分割出像素大小為64*64的PCB板圖像作為數據集；

(c)數據擴張：對數據集采用圖像擴張操作，貼上對應缺陷種類標簽，將圖像按4:1的比例隨機劃分成訓練集與測試集；

(d)缺陷檢測：對Inception-ResNet-v2卷積神經模型結構進行改進，將擴張后數據集送入卷積神經網絡，在深度學習框架上訓練，根據訓練優化所得網絡模型特征權重信息，對PCB板圖像中缺陷進行分類檢測。

在優選的實施方案中，所述步驟(a)中具體方法為：預處理操作包括圖像增強和圖像降噪，對工業相機拍攝到的三通道PCB板圖像轉換為單通道灰度圖像，使用直方圖均衡化增加圖像對比度，采用均值濾波消除細小缺陷獲得濾波后圖像。

在優選的實施方案中，所述步驟(b)中圖像配準采取的算法為加速魯棒特征(SURF)，形態學處理為先腐蝕，后膨脹。

在優選的實施方案中，所述步驟(d)中，Inception-ResNet-v2卷積神經網絡結構主要改進為：將每五個Inception模塊中最后一個Inception模塊與SE(Sequeeze-and-Excitation)模塊相結合；激活函數由原有的ReLU替換為Leaky ReLU。

在優選的實施方案中，所述改進后的Inception-ResNet-v2卷積神經網絡中的特征權重優化方式為：使用Windows操作系統，以Pytorch為深度學習框架,使用隨機梯度下降算法結合動量優化特征值，連續微調修正反向傳播參數得出最優模型權重。