【技术实现步骤摘要】
本专利技术涉及缺陷检测，具体为一种smt表面缺陷检测方法。
技术介绍
1、在智能制造的大背景下，smt技术得到了广泛应用，然而，在元件贴装环节，电子贴片元件通过锡膏焊接在pcb板上后，需要对元件贴片的质量进行检测，如检查是否有立碑、位移、空焊等缺陷，这些缺陷对主板功能有着至关重要的影响，甚至一个零件的缺失都会影响整个主板的使用。
2、现有的工业缺陷检测主要分为人工目检和自动化光学检测(aoi)，aoi的出现降低了很多场景下的人工目检成本，但aoi误检率很高，例如，在某知名消费电子生产制造企业的实际产线上，有高达60％的贴片元件需要进行人工复检，而经过人工检查后实际有缺陷的贴片元件只占aoi检测出有缺陷贴片元件数量的2％，因此，在检测精度要求较高的smt产线中，行业内普遍采取aoi与人工复判相结合的检验方式，然而，由于smt产线中的贴片缺陷通常较为微小，人工复判常常会因为疲劳等因素导致漏检，并且人工复判的平均处理时间为15秒/件/人，无法满足高速生产的现代化产线的要求。
3、近年来，人工智能技术与先进制造技术深度融合，成为新一轮工业革命的核心驱动力，随着大数据和高性能计算智能技术的快速发展，深度学习在计算机视觉、自然语言处理以及模式识别等领域取得重大进展，然而，以深度学习为代表的人工智能方法在持续泛化性、透明可信度和稳定可靠性方面还存在明显不足，还无法完全应对制造业智能化升级过程中的挑战。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种smt表面缺
2、为实现以上目的，本专利技术通过以下技术方案予以实现：一种smt表面缺陷检测方法，具体包括以下步骤：
3、s1、样本准备：从贴片元件的模板图像集中随机选择一张模板图像，该模板图像应是无缺陷的标准图像，从贴片元件的待测图像集中随机选择一张待测图像，该图像是生产线上的实际贴片元件图像，根据贴片元件的型号、类别等信息，将模板图像和待测图像进行匹配，组成贴片元件样本对；
4、s2、特征提取：使用深度卷积神经网络作为编码器网络，对模板图像和待测图像进行特征提取，在编码器网络的输出层，使用特征融合模块将模板图像和待测图像的深度特征进行融合，得到融合特征，同时，引入语义差异映射模块，计算模板图像和待测图像在语义层面的差异，生成语义差异映射特征；
5、s3、特征融合与缺陷分割：将融合特征和语义差异映射特征进行再次融合，得到最终的融合特征，将融合特征送入解码器网络进行缺陷分割，在缺陷分割图上，通过设定阈值来判断是否存在缺陷，如果某个区域的像素值超过阈值，则认为该区域存在缺陷；
6、s4、模型训练与优化：使用大量经过标注的贴片元件样本对缺陷检测模型进行训练，引入损失函数来评估模型的性能，通过最小化损失函数来优化模型参数；
7、s5、检测应用：将训练好的缺陷检测模型应用于实际生产中的smt产线，在生产线上，通过摄像头或图像采集设备获取贴片元件的待测图像，将待测图像输入到缺陷检测模型中，得到缺陷检测结果，根据检测结果，对存在缺陷的贴片元件进行标记或剔除，以保证产品质量和生产效率。
8、优选的，所述s1中，如果两个图像对应的贴片元件属于同一类别且位置、方向一致，则标签设置为0，表示无缺陷；如果不满足上述条件，则标签设置为1表示有缺陷。
9、优选的，所述s2中，编码器网络包含多个卷积层、池化层和激活函数，用于逐层提取图像的深度特征。
10、优选的，所述s3中，解码器网络包含多个上采样层、卷积层和激活函数，用于将融合特征还原为与原始图像尺寸相同的缺陷分割图。
11、优选的，所述s4中，训练过程中，采用交叉验证、学习率调整、正则化等策略来防止过拟合和提高模型的泛化能力，损失函数包括分类损失和分割损失两部分，分别用于评估模型在分类任务和分割任务上的表现。
12、优选的，所述s5中，检测结果包括缺陷的位置、大小和类型等信息。
13、优选的，所述在特征提取之前，对图像进行预处理操作，如去噪、增强对比度、灰度化等，这些操作有助于提高图像的清晰度和可识别性，从而提高检测精度，为了应对不同尺寸的贴片元件和缺陷，采用了多尺度检测策略。在检测过程中，通过调整输入图像的尺寸和分辨率，实现对不同尺度贴片元件和缺陷的检测。
14、有益效果
15、本专利技术提供了一种smt表面缺陷检测方法。与现有技术相比具备以下有益效果：
16、该smt表面缺陷检测方法，具体包括以下步骤：s1、样本准备；s2、特征提取；s3、特征融合与缺陷分割；s4、模型训练与优化；s5、检测应用；通过构建融合数据驱动的缺陷检测模型，结合深度学习和语义差异映射特征，实现了对贴片元件待测图像的精确缺陷检测，同时，在检测过程中考虑了光照条件、图像预处理、多尺度检测和实时性优化等细节，进一步提高了检测精度和效率，具有检测精度高、检测效率高、成本低和适应性强等优点，对推进smt生产线智能化发展具有重要意义，融合深度特征和语义差异映射特征，能够更准确地识别贴片元件的缺陷，降低误检率和漏检率，能够实现自动化检测，无需人工复判，大大提高了检测效率，满足了高速生产的现代化产线的要求，通过减少人工复判的需求，本专利技术能够显著降低人工成本，提高企业的经济效益，检测方法适用于不同尺寸、类型和形状的贴片元件，具有较强的适应性和灵活性。
本文档来自技高网...【技术保护点】
1.一种SMT表面缺陷检测方法，其特征在于：具体包括以下步骤：
2.根据权利要求1所述的一种SMT表面缺陷检测方法，其特征在于：所述S1中，如果两个图像对应的贴片元件属于同一类别且位置、方向一致，则标签设置为0，表示无缺陷；如果不满足上述条件，则标签设置为1表示有缺陷。
3.根据权利要求1所述的一种SMT表面缺陷检测方法，其特征在于：所述S2中，编码器网络包含多个卷积层、池化层和激活函数，用于逐层提取图像的深度特征。
4.根据权利要求1所述的一种SMT表面缺陷检测方法，其特征在于：所述S3中，解码器网络包含多个上采样层、卷积层和激活函数，用于将融合特征还原为与原始图像尺寸相同的缺陷分割图。
5.根据权利要求1所述的一种SMT表面缺陷检测方法，其特征在于：所述S4中，训练过程中，采用交叉验证、学习率调整、正则化等策略来防止过拟合和提高模型的泛化能力，损失函数包括分类损失和分割损失两部分，分别用于评估模型在分类任务和分割任务上的表现。
6.根据权利要求1所述的一种SMT表面缺陷检测方法，其特征在于：所述S5中，检测结果包括缺
7.根据权利要求1所述的一种SMT表面缺陷检测方法，其特征在于：所述在特征提取之前，对图像进行预处理操作，如去噪、增强对比度、灰度化等，这些操作有助于提高图像的清晰度和可识别性，从而提高检测精度，为了应对不同尺寸的贴片元件和缺陷，采用了多尺度检测策略。在检测过程中，通过调整输入图像的尺寸和分辨率，实现对不同尺度贴片元件和缺陷的检测。
...【技术特征摘要】
1.一种smt表面缺陷检测方法，其特征在于：具体包括以下步骤：
2.根据权利要求1所述的一种smt表面缺陷检测方法，其特征在于：所述s1中，如果两个图像对应的贴片元件属于同一类别且位置、方向一致，则标签设置为0，表示无缺陷；如果不满足上述条件，则标签设置为1表示有缺陷。
3.根据权利要求1所述的一种smt表面缺陷检测方法，其特征在于：所述s2中，编码器网络包含多个卷积层、池化层和激活函数，用于逐层提取图像的深度特征。
4.根据权利要求1所述的一种smt表面缺陷检测方法，其特征在于：所述s3中，解码器网络包含多个上采样层、卷积层和激活函数，用于将融合特征还原为与原始图像尺寸相同的缺陷分割图。
5.根据权利要求1所述的一种smt表面缺...
【专利技术属性】
技术研发人员：李威，李靓琦，张喆，王凯，黎凯，
申请(专利权)人：吉安职业技术学院，
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。