[發(fā)明專利]一種基于改進(jìn)ResNet34網(wǎng)絡(luò)的PCB板表面缺陷分類方法

在審

• 申請?zhí)枺?/td>: 202210554361.5
• 申請日: 2022-05-19
• 公開（公告）號: CN114820569A
• 公開（公告）日: 2022-07-29
• 發(fā)明（設(shè)計）人: 盧男凱;陳愛軍;袁治未;蔡嘉樂
• 申請（專利權(quán)）人: 中國計量大學(xué)
• 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

本發(fā)明公開了一種基于改進(jìn)ResNet34網(wǎng)絡(luò)的PCB板表面缺陷分類方法，具體實施內(nèi)容為：本發(fā)明首先建立PCB板表面缺陷數(shù)據(jù)集，將數(shù)據(jù)集按9：1分成訓(xùn)練集、測試集；然后對原有的ResNet34網(wǎng)絡(luò)進(jìn)行改進(jìn)，加入通道注意力機制和空間注意力機制，并將改進(jìn)后的ResNet34網(wǎng)絡(luò)取名為ResNetAttention；對ResNetAttention網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)，加載PASCAL VOC數(shù)據(jù)集上的預(yù)訓(xùn)練權(quán)重；對進(jìn)行遷移學(xué)習(xí)后的ResNetAttention網(wǎng)絡(luò)使用訓(xùn)練集進(jìn)行正式訓(xùn)練，得到ResNetAttention網(wǎng)絡(luò)各層參數(shù)大小；訓(xùn)練完畢，使用測試集測試ResNetAttention網(wǎng)絡(luò)分類性能指標(biāo)，并與原ResNet34網(wǎng)絡(luò)進(jìn)行對比。該方法提高了PCB缺陷分類準(zhǔn)確率，解決了傳統(tǒng)人工PCB缺陷檢測工作效率低、勞動強度大的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及PCB板表面缺陷領(lǐng)域，具體涉及深度學(xué)習(xí)領(lǐng)域一種基于改進(jìn)ResNet34網(wǎng)絡(luò)的PCB板表面缺陷分類方法。

背景技術(shù)

印刷電路板(PCB)，是集成電路(IC)中較為基礎(chǔ)的部件，自上個世紀(jì)50年代以來，集成復(fù)雜度由小規(guī)模發(fā)展到如今的特大規(guī)模，PCB在民用產(chǎn)品(如智能手機、便攜電腦)或軍用精密產(chǎn)品(如無人機)上的使用都極為廣泛。隨著制造技術(shù)越來越復(fù)雜，業(yè)界對PCB產(chǎn)品的工藝質(zhì)量控制提出了更高的要求。然而由于生產(chǎn)過程天氣等惡劣因素的不確定性和制作機器故障以及人為因素所造成的誤差等影響，導(dǎo)致在過程中難免會出現(xiàn)同一批次質(zhì)量不同的現(xiàn)象，如果不對這些因素進(jìn)行最小限度的控制和最大程度的檢測，所造成的損失是難以估量的，并且會對企業(yè)造成更大的影響。

目前，PCB板表面缺陷分類仍以人工分類為主，這種方式易受檢測人員主觀性影響大，檢測費時費力，無法滿足產(chǎn)品的工業(yè)自動化生產(chǎn)需求。另一方面，隨著深度學(xué)習(xí)和數(shù)字圖像處理技術(shù)不斷的發(fā)展，基于這兩種技術(shù)實現(xiàn)PCB板表面缺陷分類成為一種更好的選擇。

本發(fā)明針對現(xiàn)有技術(shù)的不足，提出了一種基于改進(jìn)ResNet34網(wǎng)絡(luò)的PCB板表面缺陷分類方法，首先建立PCB板表面缺陷數(shù)據(jù)集，將數(shù)據(jù)集按9：1分成訓(xùn)練集、測試集；然后對原有的ResNet34網(wǎng)絡(luò)進(jìn)行改進(jìn)，加入通道注意力機制和空間注意力機制，并將改進(jìn)后的ResNet34網(wǎng)絡(luò)取名為ResNetAttention；對ResNetAttention網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)，加載PASCAL VOC開源數(shù)據(jù)集上的部分訓(xùn)練權(quán)重；對進(jìn)行遷移學(xué)習(xí)后的ResNetAttention網(wǎng)絡(luò)使用訓(xùn)練集進(jìn)行正式訓(xùn)練；訓(xùn)練完畢，使用測試集測試ResNetAttention網(wǎng)絡(luò)分類性能指標(biāo)，并與原ResNet34網(wǎng)絡(luò)進(jìn)行對比。該方法提高了PCB缺陷分類準(zhǔn)確率，解決了傳統(tǒng)人工PCB缺陷檢測工作效率低、勞動強度大的問題。

本發(fā)明所采用的技術(shù)方案是，一種基于改進(jìn)ResNet34網(wǎng)絡(luò)的PCB板表面缺陷分類方法，具體按照以下步驟實施：

步驟1：建立PCB板表面缺陷數(shù)據(jù)集，將數(shù)據(jù)集按一定比例分成訓(xùn)練集、測試集；

步驟2：對原有的ResNet34網(wǎng)絡(luò)進(jìn)行改進(jìn)，加入通道注意力機制和空間注意力機制，并將改進(jìn)后的ResNet34網(wǎng)絡(luò)取名為ResNetAttention；

步驟3：對ResNetAttention網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)，加載PASCAL VOC開源數(shù)據(jù)集上的部分訓(xùn)練權(quán)重；

步驟4：對進(jìn)行遷移學(xué)習(xí)后的ResNetAttention網(wǎng)絡(luò)使用步驟1中的訓(xùn)練集進(jìn)行正式訓(xùn)練，更新ResNetAttention網(wǎng)絡(luò)的各層參數(shù)；

步驟5：訓(xùn)練完畢，使用步驟1中的測試集測試ResNetAttention網(wǎng)絡(luò)分類性能指標(biāo)，并與原ResNet34網(wǎng)絡(luò)進(jìn)行對比。

至此，實現(xiàn)了基于改進(jìn)ResNet34網(wǎng)絡(luò)的PCB板表面缺陷分類方法。

本發(fā)明的有益效果是：