[發明專利]一種輕量級的PCB缺陷檢測方法

在審

• 申請號: 202010521926.0
• 申請日: 2020-06-10
• 公開（公告）號: CN111738994A
• 公開（公告）日: 2020-10-02
• 發明（設計）人: 孫涵;岑俊;沈家全;產世兵
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T3/40;G06K9/32;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 向文

1.一種輕量級的PCB缺陷檢測方法，其特征在于：包括如下步驟：

S1：將待檢測的PCB局部照片做顯著性區域分割拼接成整體照片并做后期處理；

S2：將處理好的整體圖像送入輕量級元器件檢測網絡，輸出元器件檢測結果；

S3：根據元器件檢測結果，將具有文本的元器件圖像送入文本識別模塊，輸出文本識別結果；

S4：根據輸出的文本識別結果中每個元器件的信息，結合對比信息輸出缺陷分析結果。

2.根據權利要求1所述的一種輕量級的PCB缺陷檢測方法，其特征在于：所述步驟S1中整體照片的拼接過程為：

A1：采集PCB板生產線上高清局部圖像并分割顯著性區域；

A2：對采集到的顯著性區域圖像進行SIFT特征點的提取，然后使用RANSAC算法篩選可靠匹配點；

A3：計算采集到的匹配點之間的斜率和歐氏距離，利用K均值聚類提取數量最多的點堆作為最終匹配點，生成拼接圖像。

3.根據權利要求1所述的一種輕量級的PCB缺陷檢測方法，其特征在于：所述步驟S2中輕量級元器件檢測網絡對于圖像的處理過程為：

B1：使用PCB板生產線上高清圖像切割成的圖片庫，訓練輕量級PCB元器件檢測網絡，直至網絡收斂；

B2：將完整的拼接圖像送入訓練好的輕量級PCB元器件檢測網絡，通過改進的輕量級結構和殘差層，并統一兩個分支的特征通道數，輸出特征圖；

B3：將輸出的特征圖送入RPN區域建議網絡，并使用CAROI Pooling代替原始ROIPooling，得到目標區域；

B4：根據輸出的目標區域，采用改進的Faster R-CNN目標檢測算法預測輸出對應區域擁有目標的概率，然后通過回歸，調整和細化邊界框；

B5：根據步驟B4中元器件目標檢測結果，從而輸出各元器件位置與類別信息。

4.根據權利要求1所述的一種輕量級的PCB缺陷檢測方法，其特征在于：所述步驟S3的具體過程為：

C1：使用MJSynth圖像庫，訓練輕量級文本識別網絡，直至網絡收斂；

C2：根據步驟S2輸出的元器件信息，將包含文本的元器件圖像送入訓練好的輕量級文本識別網絡，通過STN轉換層和改進高效輕量級網絡PeleeNet，輸出圖像深度紋理特征；

C3：將輸出的圖像深度紋理特征圖送入循環神經網絡層，并引入Dense layer結構，輸出預測的特征序列的標簽分布；

C4：使用注意力機制模塊AM，將輸出的標簽分布轉換為最終的文本識別結果。

5.根據權利要求1所述的一種輕量級的PCB缺陷檢測方法，其特征在于：所述步驟S4中缺陷分析的具體過程為：

D1：根據步驟S3輸出的元器件信息，進行單電路板的正反面對比，檢測是否出現缺陷；

D2：根據步驟S3輸出的元器件信息，進行相同類型電路板的不同板之間的對比，檢測是否出現缺陷；

D3：根據步驟S3輸出的元器件信息，利用傳統的圖像處理方法統計每一個元器件的引腳數量，并在軟件上顯示出來，根據對比信息判斷元器件是否存在缺陷。

6.根據權利要求3所述的一種輕量級的PCB缺陷檢測方法，其特征在于：所述步驟B2中輕量級PCB元器件檢測網絡對于拼接圖像的具體處理過程為：將原始PeleeNet結構變為兩個任務分支，第一個在原始平均池化層之前的3x3卷積層改為1x3和3x1卷積層，使用兩個一維卷積核來替換3x3提取特征，另一個分支使用1×1大小和1x3加3x1大小的卷積核來提取特征，然后統一兩任務通道數，對兩個通道進行融合。

7.根據權利要求3所述的一種輕量級的PCB缺陷檢測方法，其特征在于：所述步驟B3中使用Context-Aware ROI Pooling代替Faster RCNN中原始的ROI Pooling，采用雙線性反卷積核上采樣，擴大小建議框的特征區域。