印刷电路板的微小缺陷检测方法及存储介质技术

本发明专利技术的一种印刷电路板的微小缺陷检测方法及存储介质，包括以下步骤，S1、获取PCB缺陷样本数据并进行数据预处理；S2、在PCB训练集的边界框上使用k

【技术实现步骤摘要】
印刷电路板的微小缺陷检测方法及存储介质


[0001]本专利技术涉及缺陷检测
，具体涉及一种印刷电路板的微小缺陷检测方法及存储介质。

技术介绍

[0002]PCB是电子元器件电气相互连接的载体，近年来随着科技的发展，PCB广泛的应用在各种电子产品上，市场规模巨大，但是在PCB制造过程中，对产品质量的视觉缺陷检查给PCB的生产增加了巨大的成本。
[0003]考虑到现实市场不同的PCB有不同的复杂布线设计规则，现在已有的通用算法难以兼容各种PCB，并且PCB缺陷的种类和特点一般是多种多样的，因此传统PCB缺陷检测方法可能存在不稳定性，适应性低的问题。
[0004]自2014年以来，深度学习方法在自动提取特征和实现端到端控制方面表现出良好的性能，比如Faster R
‑
CNN在物体检测方面表现出显著的竞争力。但是，深度学习需要大量的训练数据，而采集大量的PCB缺陷样本难度极大，并且PCB上微小缺陷的特征会在主干卷积网络的前馈计算中逐渐变弱甚至消失，所以我们无法直接将Faster R
‑
CNN应用于PCB的微小缺陷检测。

技术实现思路

[0005]本专利技术提出的一种印刷电路板的微小缺陷检测方法及存储介质，可解决现有方法在PCB缺陷检测方面适应性较差、稳定性低的技术问题。
[0006]为实现上述目的，本专利技术采用了以下技术方案：
[0007]一种印刷电路板的微小缺陷检测方法，包括：
[0008]S1、获取PCB缺陷样本数据并对进行数据预处理；
[0009]S2、在PCB训练集的边界框上使用k
‑
means聚类来找到符合要求的anchor尺度；
[0010]S3、采用多尺度特征金字塔结构提取特征，对主干卷积网络中得到自底向上的特征图进行上采样，得到自顶向下的特征图，然后将其与自底向上的特征图逐元素相加得到最终的特征图；
[0011]S4、通过计算损失，训练网络参数。
[0012]进一步的，所述S1获取PCB缺陷样本数据并对进行数据预处理，具体包括，
[0013]S11：获取PCB缺陷样本数据集；
[0014]S12：利用数据增强技术增加样本数据量，提高模型的泛化能力，包括添加高斯噪声、改变光线、旋转图像、翻转、随机裁剪和移位；
[0015]S13：设置一个阈值，丢弃在随机裁剪阶段被截断的缺陷边界框。
[0016]进一步的，所述S2、在PCB训练集的边界框上使用k
‑
means聚类来找到符合要求的anchor尺度；具体包括：
[0017]S21：定义k
‑
means聚类中的距离度量尺度如下：
[0018]d(box,centroid)＝1
‑
IoU(box,centroid)
[0019]S22：获得所有训练数据的缺陷边界框的宽高数据，然后进行k
‑
means聚类计算，其中每一轮都重新计算所有边界框和聚类中心的IoU和误差d，将每个边界框归入d最小的那一类，然后将每一类中所有边界框宽高的中值大小作为该类新的聚类中心尺寸；重复上述步骤直到所有边界框的分类不再更新，最后输出计算得到的k个聚类中心，也就是k个锚点尺度。
[0020]进一步的，所述步骤S3、采用多尺度特征金字塔结构提取特征，对主干卷积网络中得到自底向上的特征图进行上采样，得到自顶向下的特征图，然后将其与自底向上的特征图逐元素相加得到最终的特征图；具体包括：
[0021]S31：使用ResNet
‑
101作为主干卷积网络来提取特征，在ImageNet分类集上对ResNet
‑
101模型进行预训练；
[0022]S32：ResNet
‑
101有5个残差块{conv2_x,conv3_x,conv4_x,conv5_x}，对于这些残差块的输出记为{C2,C3,C4,C5}；对conv5_x的输出C5使用向上采样2倍的方法来构建自顶向下的特征图，通过逐元素相加将上采样得到的自顶向下特征图与相应的自底向上的特征图连接起来，得到最终的特征图；
[0023]S33：在每个合并的特征图上添加一个3
×
3卷积层，生成最终的特征图；最后的特征图集合记为{P2,P3,P4,P5}，分别对应空间大小相同的{C2,C3,C4,C5}。
[0024]进一步的，所述S4、通过计算损失，训练网络参数，具体包括：
[0025]S41：对于RPN的训练，损失L1分为分类损失rpn_loss_cls与边界框回归rpn_loss_bbox；
[0026][0027]L
cls
＝
‑
[p
i*
log(p
i
)+(1
‑
p
i*
)log(1
‑
p
i
)][0028][0029][0030]其中p
i
表示第i个anchor预测为真实标签的概率，p
i*
当为正样本时为1，当为负样本时为0，t
i
＝[t
x
,t
y
,t
w
,t
h
]表示预测第i个anchor的边界框回归参数，t
i*
＝[t
x*
,t
y*
,t
w*
,t
h*
]表示第i个anchor对于的真实边界框回归参数，N
cls
表示一个mini
‑
batch中的样本数量，N
reg
表示anchor位置的个数；
[0031]S42：对于Fast R
‑
CNN部分的训练，有两个输出，分别为p＝{p0,...,p
k
}和边界框回归偏移量那么损失L2也分为分类损失fast_rcnn_loss_cls和边界框回归fast_rcnn_loss_bbox；
[0032]L2(p,u,t
u
,v)＝L
cls
(p,u)+λ[u≥1]L
loc
(t
u
,v)
[0033]L
cls
(p,u)＝
‑
log(p
u
)
[0034][0035]其中，p表示分类器预测的softmax概率分布，u对应目标真实类别标签，t
u
对应边界框回归器预测的对应类别u的回归参数，v对应真实目标的边界框回归参数(v
x
,v
y
,v
w
,v
h
)，[u≥1]表示艾弗森括号；
[0036]S43：根据损失，进行参数调整，训练网络。
[0037]另一方面本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种印刷电路板的微小缺陷检测方法，其特征在于，包括以下步骤，S1、获取PCB缺陷样本数据并对进行数据预处理；S2、在PCB训练集的边界框上使用k
‑
means聚类来找到符合要求的anchor尺度；S3、采用多尺度特征金字塔结构提取特征，对主干卷积网络中得到自底向上的特征图进行上采样，得到自顶向下的特征图，然后将其与自底向上的特征图逐元素相加得到最终的特征图；S4、通过计算损失，训练网络参数。2.根据权利要求1所述的印刷电路板的微小缺陷检测方法，其特征在于：所述S1获取PCB缺陷样本数据并对进行数据预处理，具体包括，S11：获取PCB缺陷样本数据集；S12：利用数据增强技术增加样本数据量，提高模型的泛化能力，包括添加高斯噪声、改变光线、旋转图像、翻转、随机裁剪和移位；S13：设置一个阈值，丢弃在随机裁剪阶段被截断的缺陷边界框。3.根据权利要求2所述的印刷电路板的微小缺陷检测方法，其特征在于：所述S2、在PCB训练集的边界框上使用k
‑
means聚类来找到符合要求的anchor尺度；具体包括：S21：定义k
‑
means聚类中的距离度量尺度如下：d(box,centroid)＝1
‑
IoU(box,centroid)S22：获得所有训练数据的缺陷边界框的宽高数据，然后进行k
‑
means聚类计算，其中每一轮都重新计算所有边界框和聚类中心的IoU和误差d，将每个边界框归入d最小的那一类，然后将每一类中所有边界框宽高的中值大小作为该类新的聚类中心尺寸；重复上述步骤直到所有边界框的分类不再更新，最后输出计算得到的k个聚类中心，也就是k个锚点尺度。4.根据权利要求3所述的印刷电路板的微小缺陷检测方法，其特征在于：所述步骤S3、采用多尺度特征金字塔结构提取特征，对主干卷积网络中得到自底向上的特征图进行上采样，得到自顶向下的特征图，然后将其与自底向上的特征图逐元素相加得到最终的特征图；具体包括：S31：使用ResNet
‑
101作为主干卷积网络来提取特征，在ImageNet分类集上对ResNet
‑
101模型进行预训练；S32：ResNet
‑
101有5个残差块{conv2_x,conv3_x,conv4_x,conv5_x}，对于这些残差块的输出记为{C2,C3,C4,C5}；对conv5_x的输出C5使用向上采样2倍的方法来构建自顶向下的特征图，通过逐元素相加将上采样得到的自顶向下特征图与相应的自底向上的特征图连接起来，得到最终的特征图；S33：在每个合并的特征图上添加一个3
×
3卷积层，生成最终的特征图；最后的特征图集合记为{P2,P3,P4,P5}，分别对应空间大小相同的{C...

【专利技术属性】
技术研发人员：许镇义，余程凯，曹洋，康宇，赵云波，
申请(专利权)人：合肥综合性国家科学中心人工智能研究院安徽省人工智能实验室，
类型：发明
国别省市：