[發明專利]一種基于改進ResNet34網絡的PCB板表面缺陷分類方法

在審

• 申請號: 202210554361.5
• 申請日: 2022-05-19
• 公開（公告）號: CN114820569A
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 盧男凱;陳愛軍;袁治未;蔡嘉樂
• 申請（專利權）人: 中國計量大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于改進ResNet34網絡的PCB板表面缺陷分類方法，其特征在于，具體按照以下步驟實施：

步驟1：建立PCB板表面缺陷數據集，將數據集按一定比例分成訓練集、測試集；

步驟2：對原有的ResNet34網絡進行改進，加入通道注意力機制和空間注意力機制，并將改進后的ResNet34網絡取名為ResNetAttention；

步驟3：對ResNetAttention網絡進行遷移學習，加載PASCAL VOC開源數據集上的部分預訓練權重；

步驟4：對進行遷移學習后的ResNetAttention網絡使用步驟1中的訓練集進行正式訓練，更新ResNetAttention網絡的各層參數；

步驟5：訓練完畢，利用訓練好的ResNetAttention網絡對PCB板表面缺陷進行分類。

2.根據權利要求1所述的基于改進ResNet34網絡的PCB板表面缺陷分類方法，其特征在于：所述步驟1中，收集PCB板表面缺陷圖像，將圖像人工分為斷路、短路、缺口、毛刺、針孔、露銅6類；在分類好的缺陷數據集基礎上，對每類圖像進行平移、旋轉操作進行擴充，并按9：1的比例將數據集劃分為訓練集、測試集。

3.根據權利要求1所述的基于改進ResNet34網絡的PCB板表面缺陷分類方法，其特征在于：所述步驟2中，在原有的ResNet網絡第一個卷積層之后和最后一個全連接層之前加入通道注意力機制和空間注意力機制，通道注意力機制表示如下：假設輸入特征圖X的大小為H×W×C，H、W、C分別表示輸入特征圖X的高、寬、通道數，通道注意力機制就可以表示為一個1×1×C的三維向量S，三維向量S中的每一個值代表輸入特征圖X對應通道的權重，經過通道注意力機制后的輸出特征圖Y如下，輸出特征圖Y的大小也為H×W×C：

Y_H×W×C＝X_H×W×C*S_1×1×C

空間注意力機制表示如下：假設輸入特征圖X的大小為H×W×C，H、W、C分別表示輸入特征圖的高、寬、通道數，空間注意力機制可以表示為一個H×W×1的三維向量G，三維向量G中的每一個值代表輸入特征圖X對應每一行特征的權重，經過空間注意力機制后輸出特征圖Y如下，輸出特征圖Y的大小也為H×W×C：

Y_H×W×C＝X_H×W×C*G_H×W×1。

4.根據權利要求1所述的基于改進ResNet34網絡的PCB板表面缺陷分類方法，其特征在于：所述步驟3中，PASCAL VOC是一個開源數據集，包含有1000種類別的圖像數據，并包含各個網絡對這些圖像數據訓練完畢的權重系數，遷移學習過程就是使用未訓練網絡加載已訓練完畢網絡的權重系數；由于PASCAL VOC開源數據集中已訓練完畢網絡目標有1000種類別，而本分類網絡目標只有6種類別，因此無法完全加載所有權重系數，只能加載除最后一層全連接層外的其他層系數，最后一層全連接層系數應賦默認值0。

5.根據權利要求1所述的基于改進ResNet34網絡的PCB板表面缺陷分類方法，其特征在于：所述步驟4中，對斷路、短路、缺口、毛刺、針孔、露銅6類缺陷進行量化，分別標記為1、2、3、4、5、6，采用多分類交叉熵函數作為網絡損失函數，根據網絡預測值和真值的差值進行反向傳播，對ResNetAttention網絡的各層參數進行更新，將步驟1中的訓練集重復放入網絡訓練。

6.根據權利要求1所述的基于改進ResNet34網絡的PCB板表面缺陷分類方法，其特征在于：所述步驟5中，將步驟1中的測試集當作輸入圖像，利用訓練好的ResNetAttention網絡對輸入圖像進行分類，并輸出分類置信度。