【技术实现步骤摘要】
本申请涉及智能检测处理领域，且更为具体地，涉及一种smt智能首件检测方法及设备。
技术介绍
1、smt（surface mount technology）元器件是一种表面贴装技术，其具有高密度、高可靠性和小型化等优点，因而被广泛应用于电子行业。然而，在smt元器件制造过程中，可能会存在各种表面缺陷，例如焊盘氧化、脏污和变形，又或者元件损伤和变形，产品标识缺失或不清晰等，这些缺陷会严重影响元器件的性能和可靠性，导致电子设备的性能下降或者失效。
2、然而，传统对于smt元器件的表面缺陷检测方案是通过人工进行检测，不仅使得缺陷检测的效率较为低下，而且对于smt元器件的表面缺陷检测精度也难以保证，影响了smt元器件产品的生产质量和效率。
3、因此，期望一种优化的smt智能首件检测方案。
技术实现思路
1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种smt智能首件检测方法及设备。其首先对由摄像头采集的被检测smt元器件的表面图像进行图像滤波以得到滤波后表面图像，接着，将对所述滤波后表面图像进行图像分块处理得到的图像块的序列中的各个图像块通过卷积神经网络模型以得到图像块语义特征向量的序列，然后，将所述图像块语义特征向量的序列通过上下文编码器以得到分类特征向量，最后，将所述分类特征向量通过分类器以得到用于表示被检测smt元器件是否存在表面缺陷的分类结果。这样，可以精准地进行smt元器件的表面缺陷检测。
2、根据本申请的一个方面，提供了一种smt
3、获取由摄像头采集的被检测smt元器件的表面图像；
4、对所述被检测smt元器件的表面图像进行图像滤波以得到滤波后表面图像；
5、对所述滤波后表面图像进行图像分块处理以得到图像块的序列；
6、将所述图像块的序列中的各个图像块通过作为过滤器的卷积神经网络模型以得到图像块语义特征向量的序列；
7、将所述图像块语义特征向量的序列通过基于转换器的上下文编码器以得到分类特征向量；以及将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被检测smt元器件是否存在表面缺陷。
8、在上述的smt智能首件检测方法中，将所述图像块的序列中的各个图像块通过作为过滤器的卷积神经网络模型以得到图像块语义特征向量的序列，包括：
9、使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述图像块语义特征向量的序列，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述图像块的序列中的各个图像块。
10、在上述的smt智能首件检测方法中，将所述图像块语义特征向量的序列通过基于转换器的上下文编码器以得到分类特征向量，包括：
11、将所述图像块语义特征向量的序列通过所述基于转换器的上下文编码器以得到多个图像块语义特征向量；以及将所述多个图像块语义特征向量进行级联以得到所述分类特征向量。
12、在上述的smt智能首件检测方法中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被检测smt元器件是否存在表面缺陷，包括：
13、使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
14、在上述的smt智能首件检测方法中，还包括对所述作为过滤器的卷积神经网络模型、所述于转换器的上下文编码器和所述分类器进行训练；
15、其中，对所述作为过滤器的卷积神经网络模型、所述于转换器的上下文编码器和所述分类器进行训练，包括：
16、获取训练数据，所述训练数据包括被检测smt元器件的训练表面图像，以及，所述被检测smt元器件是否存在表面缺陷的真实值；
17、对所述被检测smt元器件的训练表面图像进行图像滤波以得到训练滤波后表面图像；
18、对所述训练滤波后表面图像进行图像分块处理以得到训练图像块的序列；
19、将所述训练图像块的序列中的各个训练图像块通过所述作为过滤器的卷积神经网络模型以得到训练图像块语义特征向量的序列；
20、将所述训练图像块语义特征向量的序列通过所述基于转换器的上下文编码器以得到训练分类特征向量；
21、对所述训练分类特征向量进行特征分布优化以得到优化训练分类特征向量；
22、将所述优化训练分类特征向量通过所述分类器以得到分类损失函数值；以及基于所述分类损失函数值并通过梯度下降的反向传播来对所述作为过滤器的卷积神经网络模型、所述于转换器的上下文编码器和所述分类器进行训练。
23、在上述的smt智能首件检测方法中，对所述训练分类特征向量进行特征分布优化以得到优化训练分类特征向量，包括：
24、以如下优化公式对所述训练分类特征向量进行耿贝尔正态周期性重参数化以得到所述优化训练分类特征向量；
25、其中，所述优化公式为：
26、
27、其中，表示所述训练分类特征向量的各个位置的特征值，和分别是所述训练分类特征向量的各个位置的特征值集合的均值和方差，表示反正弦函数，表示以2为底的对数函数，表示反余弦函数，表示所述优化训练分类特征向量的各个位置的特征值。
28、在上述的smt智能首件检测方法中，将所述优化训练分类特征向量通过所述分类器以得到分类损失函数值，包括：
29、所述分类器以如下训练公式对所述优化训练分类特征向量进行处理以得到训练分类结果，所述训练公式为：，其中，到为权重矩阵，到为偏置向量，为所述优化训练分类特征向量；以及计算所述训练分类结果与所述真实值之间的交叉熵值作为所述分类损失函数值。
30、根据本申请的另一个方面，提供了一种smt智能首件检测设备，其包括：
31、图像采集模块，用于获取由摄像头采集的被检测smt元器件的表面图像；
32、图像滤波模块，用于对所述被检测smt元器件的表面图像进行图像滤波以得到滤波后表面图像；
33、图像分块模块，用于对所述滤波后表面图像进行图像分块处理以得到图像块的序列；
34、卷积神经编码模块，用于将所述图像块的序列中的各个图像块通过作为过滤器的卷积神经网络模型以得到图像块语义特征向量的序列；
35、上下文编码模块，用于将所述图像块语义特征向量的序列通过基于转换器的上下文编码器以得到分类特征向量；以及分类模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被检测smt元器件是否存在表面缺陷。
36、在上述的smt智能首件检测设备中，所述卷积神经编码模块，用于：
37、使用所述作为过滤器的卷积神经网络本文档来自技高网...
【技术保护点】
1.一种SMT智能首件检测方法，其特征在于，包括：
2.根据权利要求1所述的SMT智能首件检测方法，其特征在于，将所述图像块的序列中的各个图像块通过作为过滤器的卷积神经网络模型以得到图像块语义特征向量的序列，包括：
3.根据权利要求2所述的SMT智能首件检测方法，其特征在于，将所述图像块语义特征向量的序列通过基于转换器的上下文编码器以得到分类特征向量，包括：
4.根据权利要求3所述的SMT智能首件检测方法，其特征在于，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被检测SMT元器件是否存在表面缺陷，包括：
5.根据权利要求4所述的SMT智能首件检测方法，其特征在于，还包括对所述作为过滤器的卷积神经网络模型、所述于转换器的上下文编码器和所述分类器进行训练；
6.根据权利要求5所述的SMT智能首件检测方法，其特征在于，对所述训练分类特征向量进行特征分布优化以得到优化训练分类特征向量，包括：
7.根据权利要求6所述的SMT智能首件检测方法，其特征在于，将所述优化训练分类特征向量通过所述分类器以得到
8.一种SMT智能首件检测设备，其特征在于，包括：
9.根据权利要求8所述的SMT智能首件检测设备，其特征在于，所述卷积神经编码模块，用于：
10.根据权利要求9所述的SMT智能首件检测设备，其特征在于，所述上下文编码模块，用于：
...【技术特征摘要】
1.一种smt智能首件检测方法，其特征在于，包括：
2.根据权利要求1所述的smt智能首件检测方法，其特征在于，将所述图像块的序列中的各个图像块通过作为过滤器的卷积神经网络模型以得到图像块语义特征向量的序列，包括：
3.根据权利要求2所述的smt智能首件检测方法，其特征在于，将所述图像块语义特征向量的序列通过基于转换器的上下文编码器以得到分类特征向量，包括：
4.根据权利要求3所述的smt智能首件检测方法，其特征在于，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被检测smt元器件是否存在表面缺陷，包括：
5.根据权利要求4所述的smt智能首件检测方法，其特征在于，还包...
【专利技术属性】
技术研发人员：潘磊，杨立志，
申请(专利权)人：深圳市蓝眼科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。