[發明專利]一種基于雙通道特征比對模型的PCB板缺陷檢測方法及裝置

在審

• 申請號: 202110581670.7
• 申請日: 2021-05-26
• 公開（公告）號: CN113379685A
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 陳東海;羅炳軍
• 申請（專利權）人: 廣東炬森智能裝備有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 郭浩輝;顏希文

本發明公開了一種基于雙通道特征比對模型的PCB板缺陷檢測方法及裝置。所述方法通過構建基于深度可分離卷積的雙通道特征比對模型，并利用一部分缺陷PCB板圖像及對應的標準PCB板圖像訓練雙通道特征比對模型，使得可通過訓練好的雙通道特征比對模型，將另一部分缺陷PCB板圖像與各自對應的標準PCB板圖像進行特征比對，以根據特征比對結果從這些缺陷PCB板圖像中識別出虛假缺陷PCB板圖像，從而實現對AOI等設備篩除的所有PCB板進行復檢，回收帶少量可接受缺陷的PCB板。本發明能夠精確比對缺陷PCB板圖像與標準PCB板圖像之間的特征，有效提高對PCB板缺陷的識別準確率。

技術領域

本發明涉及圖像處理技術領域，尤其涉及一種基于雙通道特征比對模型的PCB板缺陷檢測方法及裝置。

背景技術

在PCB板的生產過程中，主要通過AOI等設備對PCB板進行缺陷檢測。由于AOI設備在篩除帶缺陷的PCB板時容易篩除帶少量可接受缺陷的PCB板，仍然需要對AOI設備篩除的所有PCB板進行人工復檢，回收帶少量可接受缺陷的PCB板，這不僅增加了復檢工作量，降低生產效率，而且在AOI設備篩除大量PCB板的情況下采用人工復檢方式，容易出現誤判、漏判問題，難以保證識別準確率。而隨著深度學習廣泛應用于圖像處理領域，基于深度學習進行PCB板缺陷檢測已成為一種可行的方法，其中最為常用的當屬卷積神經網絡。卷積神經網絡越深層，網絡的識別率越高，但網絡的訓練難度也越大，可能會出現梯度消失、梯度爆炸或者是退化問題，導致識別準確率較低。

發明內容

本發明提供一種基于雙通道特征比對模型的PCB板缺陷檢測方法及裝置，能夠精確比對標準PCB板圖像和缺陷PCB板圖像之間的特征，有效提高對PCB板缺陷的識別準確率。

為了解決上述技術問題，第一方面，本發明一實施例提供一種基于雙通道特征比對模型的PCB板缺陷檢測方法，包括：

對多個缺陷PCB板圖像及每一所述缺陷PCB板圖像對應的標準PCB板圖像進行預處理，將預處理后的一所述缺陷PCB板圖像和對應的標準PCB板圖像作為一組數據收集于訓練數據集或測試數據集；

構建基于深度可分離卷積的雙通道特征比對模型，并采用隨機梯度下降算法和學習率逐步遞減的訓練方式，利用所述訓練數據集中的缺陷PCB板圖像和對應的標準PCB板圖像訓練所述雙通道特征比對模型；

通過訓練好的所述雙通道特征比對模型，將所述測試數據集中的缺陷PCB板圖像與對應的標準PCB板圖像進行特征比對，并根據特征比對結果判斷所述缺陷PCB板圖像是否為虛假缺陷PCB板圖像。

進一步地，在所述將預處理后的一所述缺陷PCB板圖像和對應的標準PCB板圖像作為一組數據收集于訓練數據集之前，還包括：

對所述缺陷PCB板圖像進行真假缺陷標記。

進一步地，所述雙通道特征比對模型包括2個單通道網絡、特征比對層、全連接層、輸出層；其中，每一所述單通道網絡均包括輸入層、6個深度可分離卷積層、3個池化層，一所述單通道網絡的輸入層用于輸入所述缺陷PCB板圖像，另一所述單通道網絡的輸入層用于輸入所述標準PCB板圖像。

進一步地，所述雙通道特征比對模型還包括Drop out層。

進一步地，所述預處理包括圖像大小壓縮、圖像尺寸裁剪、圖像標準化處理中的一種或多種。

第二方面，本發明一實施例提供一種基于雙通道特征比對模型的PCB板缺陷檢測裝置，包括：

數據處理模塊，用于對多個缺陷PCB板圖像及每一所述缺陷PCB板圖像對應的標準PCB板圖像進行預處理，將預處理后的一所述缺陷PCB板圖像和對應的標準PCB板圖像作為一組數據收集于訓練數據集或測試數據集；