【技术实现步骤摘要】
本专利技术属于工业产品缺陷检测，具体涉及一种应用于有限算力边缘设备的pcb电路板缺陷检测方法。
技术介绍
1、随着移动电子设备和iot的大量普及，以及ai大模型的快速迭代与广泛应用，半导体国产化趋势日益增长。封装基板等细分领域受到关注，推动了pcb(印刷电路板)行业的技术进步，使得pcb需求量有了显著提升。在需求量提升的同时，由于ai服务器及高速网络系统的需求增长，电子产品及技术越发趋于高端和先进，市场对高密度、高性能、轻薄、高容量的pcb板需求增加。然而，在pcb生产过程中，往往会出现布线不合理、走线不畅、引脚连接错误，钻孔不准确、镀层不良或蚀刻不完整等问题，这些问题会导致电路异常工作，增加能耗，使电子产品无法正常工作，在对安全性要求较高的领域，如医疗设备、航空航天等，pcb板的质量问题更有可能带来严重的后果。
2、目前，pcb线路常规线宽为10mil(约0.254mm)，pcb质检通常由产线工人使用显微放大镜在强光下进行目检，但往往会因为疲劳等主观因素导致漏检、误检等问题，需要重复工序来保证合格率，这使得检测效率低，人工成本高，数据回收困难。在当前市场上需要pcb量产化的形势下，这种方法已经不再经济。现有设备处理缺陷检测存在的问题，主要体现在需集中处理、检测地点不灵活、算力需求大、设备要求高、能耗大等问题。
3、因此，如何提供一种应用于边缘有限算力设备的电路板缺陷检测系统，实现电路板检测的便利性、有效性与去中心化性，成为一个亟待解决的技术问题。
4、在现实生产生活中，常常需要使用边缘终端设
技术实现思路
1、本专利技术的目的在于提供一种应用于有限算力边缘设备的pcb电路板缺陷检测方法，实现利用有限算力的的小型设备采集电路板图片，并从所采集的电路板中检测出具体缺陷(例如缺孔、开路、短路、杂铜、尖刺、鼠咬等)。
2、为实现上述目的，本专利技术的技术方案是：一种应用于有限算力边缘设备的pcb电路板缺陷检测方法，包括：
3、训练出大参数模型，利用蒸馏技术，训练能够用于有限算力的边缘设备的小参数模型；
4、基于小参数模型，边缘设备采集并检测电路板缺陷信息。
5、在本专利技术一实施例中，训练出大参数模型，利用蒸馏技术，训练能够用于有限算力的边缘设备的小参数模型的具体实现步骤如下：
6、步骤s10、收集包含各项缺陷问题的公开与自制电路板缺陷数据集，并对数据集中数据统一进行预处理；
7、步骤s20、在深度学习服务器上，加载预训练yolov5模型，再利用步骤s10收集的数据集微调训练出大参数yolov5的模型，并评估其识别能力与识别类别性能是否达到预期准确率；
8、步骤s30、引入知识蒸馏技术，将步骤s20训练好的大参数yolov5模型作为教师，训练出小参数yolov5模型，并验证小参数yolov5模型识别性能是否达到预期准确率；
9、步骤s40、将步骤s30训练好的小参数yolov5模型移植安装到边缘设备中。
10、在本专利技术一实施例中，所述步骤s10具体为：
11、步骤s11、收集数据集，采用双线性插值技术的将数据集中数据统一缩放到640x640x3大小；
12、步骤s12、采用scikit-learn包中的standardscaler对像素值做标准化处理，缩放至[0,1]或[-1,1]；
13、步骤s13、对数据集中数据做增强操作，扩充训练数据量；数据增强操作包括：1)通过围绕图像中心或任意点旋转图像，模拟目标在图像中可能出现的不同方向；2)沿垂直或水平轴翻转图像，增加目标的左右或上下颠倒的样本；3)随机增加或减少图像的亮度或对比度来模拟不同光照强度和环境；4)随机调整图像的亮度、对比度、饱和度和色调以便模拟不同光照条件下的图像；5)对图片进行随机裁剪。
14、在本专利技术一实施例中，所述步骤s20具体为：
15、步骤s21、拆分数据：使用分层采样方法拆分数据集分别用来训练和验证，通过创建分类字典对每种缺陷类别进行分类，接着从每种缺陷类别随机选80％作为训练集，20％为测试集；
16、步骤s22、在深度学习服务器上，训练大参数yolov5模型：下载yolov5的预训练权重，作为微调的起点，从预训练模型开始训练，在训练初期，冻结大部分预训练层的权重，只训练顶层或最后几层，接着使用训练集数据训练模型，并在测试集上进行评估，调整训练参数以优化检测性能，在训练初期后，随着训练的进行，逐步解冻更多的层，进行更深入的微调，以进一步提高模型在新数据集上的特征抽取，直至达到满足检测预期性能。
17、在本专利技术一实施例中，所述步骤s30具体为：
18、步骤s31、引入知识蒸馏技术，训练小参数yolov5s模型：初始化一个轻量级的yolov5s学生模型，将步骤s20中训练得到的大参数yolov5模型作为教师模型，使用原始标签和教师模型的中间层特征进行联合训练，同时设计一个综合考虑两者的损失函数，损失函数表示为：
19、
20、其中，表示教师模型与学生模型输出概率分布之间的kl散度；表示输入数据的真实标签即有缺陷pcb板的真实标签与网络输出概率分布之间的交叉熵；α与β分别表示两种损失的权重系数；
21、
22、
23、其中，crossentropy(交叉熵)是衡量两个概率分布之间差异的一种度量，crossentropy(y,q)用于评估数据真实标签与模型预测的概率分布之间的差异，交叉熵的值越小，表示预测的概率分布与真实的概率分布越接近；entropy(熵)是衡量概率分布随机性或不确定性的度量，熵越高，表示分布中的不确定性越大；y表示数据真实标签，p、q分别表示两个不同的概率分布，其中p是真实分布，也是期望的概率分布，q是模型预测的概率分布，t表示温度参数；
24、步骤s32、在训练过程中，调整学习率和优化器，应用数据增强和正则化技术提高模型泛化能力；优化器选择adam；数据增强通过图像变换、颜色调整、噪声注入、遮挡和遮罩以及混合图像来提高模型的泛化能力；正则化技术是指包括l1/l2正则化、dropout、权重衰减、早停法、批量归一化的方法来防止过拟合问题；
25、步骤s33、根据评估结果，对模型的架构、训练策略或损失函数进行微调，确保学生模型在保持较小模型尺寸的同时，尽可能接近教师模型的性能。
26、在本专利技术一实施本文档来自技高网...
【技术保护点】
1.一种应用于有限算力边缘设备的PCB电路板缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的一种应用于有限算力边缘设备的PCB电路板缺陷检测方法，其特征在于，训练出大参数模型，利用蒸馏技术，训练能够用于有限算力的边缘设备的小参数模型的具体实现步骤如下：
3.根据权利要求2所述的一种应用于有限算力边缘设备的PCB电路板缺陷检测方法，其特征在于，所述步骤S10具体为：
4.根据权利要求2所述的一种应用于有限算力边缘设备的PCB电路板缺陷检测方法，其特征在于，所述步骤S20具体为：
5.根据权利要求2所述的一种应用于有限算力边缘设备的PCB电路板缺陷检测方法，其特征在于，所述步骤S30具体为：
6.根据权利要求2所述的一种应用于有限算力边缘设备的PCB电路板缺陷检测方法，其特征在于，所述步骤S40具体为：
7.根据权利要求1所述的一种应用于有限算力边缘设备的PCB电路板缺陷检测方法，其特征在于，基于小参数模型，边缘设备采集并检测电路板缺陷信息的具体实现步骤如下：
8.根据权利要求7所述的一种应
9.根据权利要求7所述的一种应用于有限算力边缘设备的PCB电路板缺陷检测方法，其特征在于，所述步骤S70具体操作为：
10.根据权利要求7所述的一种应用于有限算力边缘设备的PCB电路板缺陷检测方法，其特征在于，所述步骤S80具体操作为：
...【技术特征摘要】
1.一种应用于有限算力边缘设备的pcb电路板缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的一种应用于有限算力边缘设备的pcb电路板缺陷检测方法，其特征在于，训练出大参数模型，利用蒸馏技术，训练能够用于有限算力的边缘设备的小参数模型的具体实现步骤如下：
3.根据权利要求2所述的一种应用于有限算力边缘设备的pcb电路板缺陷检测方法，其特征在于，所述步骤s10具体为：
4.根据权利要求2所述的一种应用于有限算力边缘设备的pcb电路板缺陷检测方法，其特征在于，所述步骤s20具体为：
5.根据权利要求2所述的一种应用于有限算力边缘设备的pcb电路板缺陷检测方法，其特征在于，所述步骤s30具体为：
6.根...
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。