【技术实现步骤摘要】
涉及计算机视觉和深度学习。
技术介绍
1、目标检测是计算机视觉中的一个重要问题，其目的是发现实例的位置并提供相应的类别。小目标检测是目标检测的一个子领域。它在工业场景下的遥感，缺陷检测等方面具有重要的理论和实践意义。近年来，随着电子产品在各领域需求的快速增长，印刷电路板作为电子工业的基石，具有越来越重要的作用。在集成电路快速发展的情况下，pcb变得越来越集成化和小型化。然而，随着pcb尺寸的不断减小，其中的缺陷也变得越来越小，这就意味着缺陷越来越难以检测。但是pcb的质量可以直接影响到电子设备的运行。因此，在pcb相关的生产过程中，进行彻底的缺陷检测过程是提高产品质量和降低公司成本的必要条件。
2、传统的pcb缺陷检测方法分为三大类：人工目测、电气检测和光学检测。人工检查是指工人直接用眼睛和其他设备检查裸露的pcb。人工检测容易受到外界环境因素的干扰，影响缺陷检测的效率。电气测试采用接触测试电路来检测裸pcb中的缺陷，存在电路板二次损伤的风险，且该方法在检测多层pcb方面也受到限制。相比之下，自动光学检测(automated optical inspection,aoi)是一种使用机器视觉技术和图像处理算法的非接触检测方法。工业相机捕捉pcb的图像，将图像传输到计算机，计算机提供缺陷检测结果的反馈。然而，由于缺陷的不显著性和不同缺陷之间的相似性，对pcb表面缺陷的有效定位和分类仍然是一个挑战。
3、随着机器学习技术的进步，支持向量机和多层感知机等传统的机器学习算法开始被研究人员应用到目标检测领域。xie等
4、随着深度学习进入目标检测领域，深度学习在处理非线性以及高维问题方面效果很显著。通常，基于深度学习的检测网络可以分为单阶段网络和两阶段网络。单阶段网络目标检测算法可以直接获得目标的类别概率和位置坐标值，因此具有更快的检测速度。liu等提出了单镜头多盒检测器(single-shot multi-box detector,ssd)，有效提高了小目标检测的有效性。joseph and santosh等提出了一种可以直接对检测性能进行端到端的优化的新的目标检测方法yolo。两阶段算法需要获得具有粗略位置信息的区域建议，然后将候选区域划分为不同的组。代表性的两阶段目标检测算法有区域卷积神经网络(r-cnn)、在r-cnn的基础上，一些研究者提出了许多性能更好的两阶段模型，如fast r-cnn和faster r-cnn。在faster r-cnn的基础上，cascade r-cnn通过级联多个分类器来提高目标定位精度。这两种网络的主要区别在于，单阶段网络在特征提取后直接预测网络中缺陷的位置和类别，而两阶段网络首先生成可能包含缺陷的候选框，然后进行检测过程。由于产生的候选框太多，检测速度较慢。而单阶段网络在单个网络中同时进行训练和检测，不需要明确的区域建议，因此检测速度更快。综上所述，单阶段算法速度较快，但检测精度一般，两阶段算法的检测精度较好，但速度差强人意。
5、随着transformer在自然语言处理中的成功应用，并将其扩展到计算机视觉领域的各种任务中，alexey and lucas等提出了vit(vision transformer)模型，vit将输入图像的大小调整为n个patch，使得在nlp中将图像作为句子直接输入到transformer中成为可能，有效地展示了transformer的巨大潜力。接着，liu等提出了一种可以作为计算机视觉通用骨干的新的vision transformer，称为swin transformer。zhu等提出了deformabledetr(detection transformer)，其注意力模块只关注参考周围的一小部分关键采样点，可以解决detr收敛缓慢和特征分辨率有限的问题。deformable detr在小目标检测上可以比detr获得更好的性能。尽管最近基于transformer的方法取得了令人印象深刻的性能，但transformer仍然存在算力要求高，需要更多的gpu以及参数量巨大两个严重的问题。
技术实现思路
1、为解决现有技术中存在的，现有pcb缺陷检测方法在处理高维数据时，效果不尽如人意，并且，单阶段算法速度较快，但检测精度一般，两阶段算法的检测精度较好，但速度差强人意的技术问题，本专利技术提供的技术方案为：
2、pcb表面缺陷检测模型构建方法，所述方法包括：
3、采集训练用缺陷pcb表面图像数据集的步骤；
4、所述训练用缺陷pcb表面图像数据集中标注了缺陷的位置和类型信息；
5、根据所述数据集中缺陷类型和位置，生成优化锚盒的步骤；
6、根据所述优化锚盒，对所述训练用缺陷pcb表面图像进行特征提取，得到局部信息和全局信息的特征图的步骤；
7、将不同层次的所述特征图进行特征融合的步骤；
8、对进行融合后的所述特征图进行目标检测，得到所述训练用缺陷pcb表面缺陷的位置和类型的步骤；
9、根据所述训练用缺陷pcb表面图像数据集中标注的缺陷的位置和类型信息，以及经过目标检测得到的所述训练用缺陷pcb表面缺陷的位置和类型，优化预设损失函数的步骤；
10、根据优化后的所述预设损失函数，构建检测模型，根据所述训练用缺陷pcb表面图像数据集对所述检测模型进行训练的步骤。
11、进一步，提供一个优选实施方式，使用聚类算法对数据集中的缺陷进行分析，根据聚类结果选择合适的锚盒尺寸。
12、进一步，提供一个优选实施方式，基于轻量化transformer模块，根据所述优化锚盒，对所述训练用缺陷pcb表面图像进行特征提取。
13、进一步，提供一个优选实施方式，将不同层次的所述特征图中，浅层网络信息和深层特征映射进行融合。
14、基于同一专利技术构思，本专利技术还提供了pcb表面缺陷检测模型构建装置，所述装置包括：
15、采集训练用缺陷pcb表面图像数据集的模块；
16、所述训练用缺陷pcb表面图像数据集中标注了缺陷的位置和类型信息；
17、根据所述数据集中缺陷类型和位置，生成优化锚盒的模块；
【技术保护点】
1.PCB表面缺陷检测模型构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的PCB表面缺陷检测模型构建方法，其特征在于，使用聚类算法对数据集中的缺陷进行分析，根据聚类结果选择合适的锚盒尺寸。
3.根据权利要求1所述的PCB表面缺陷检测模型构建方法，其特征在于，基于轻量化Transformer模块，根据所述优化锚盒，对所述训练用缺陷PCB表面图像进行特征提取。
4.根据权利要求1所述的PCB表面缺陷检测模型构建方法，其特征在于，将不同层次的所述特征图中，浅层网络信息和深层特征映射进行融合。
5.PCB表面缺陷检测模型构建装置，其特征在于，所述装置包括：
6.PCB表面缺陷检测方法，其特征在于，所述方法包括：
7.PCB表面缺陷检测装置，其特征在于，所述装置包括：
8.计算机储存介质，用于储存计算机程序，其特征在于，当所述计算机程序被计算机读取时，所述计算机执行权利要求1所述的方法。
9.计算机，包括处理器和储存介质，其特征在于，当所述处理器读取所述储存介质中储存的计算机程序时
10.计算机程序产品，包括计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现权利要求1所述的方法。
...【技术特征摘要】
1.pcb表面缺陷检测模型构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的pcb表面缺陷检测模型构建方法，其特征在于，使用聚类算法对数据集中的缺陷进行分析，根据聚类结果选择合适的锚盒尺寸。
3.根据权利要求1所述的pcb表面缺陷检测模型构建方法，其特征在于，基于轻量化transformer模块，根据所述优化锚盒，对所述训练用缺陷pcb表面图像进行特征提取。
4.根据权利要求1所述的pcb表面缺陷检测模型构建方法，其特征在于，将不同层次的所述特征图中，浅层网络信息和深层特征映射进行融合。
5.pcb表面缺陷检测模...
【专利技术属性】
技术研发人员：刘伟，杨博浩，何凯，高群，王真真，陈强生，
申请(专利权)人：山东工商学院，
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。