[发明专利]一种基于深度学习目标检测算法的焊点质量检测方法及其实现系统

权利要求书

1.一种基于深度学习目标检测算法的焊点质量检测方法，其特征在于，包括步骤如下：

(1)采集数据并进行前期预处理：采集图片中每一个焊点的位置和类别，对图片中每一个焊点的位置和类别进行标注，并对图片统一尺寸大小；

(2)对步骤(1)预处理后的图片提取特征；

(3)利用RPN网络自动生成多个建议区域，并映射到深度卷积神经网络模型最后一层的特征图上；

(4)筛选并生成固定尺寸的特征图；

(5)将步骤(4)筛选并生成的固定尺寸的特征图送入边界回归网络及分类器，得到焊点的位置与类别，以提示检测人员是否对电路板进行重新加工。

2.根据权利要求1所述的一种基于深度学习目标检测算法的焊点质量检测方法，其特征在于，所述步骤(1)中，采集数据并进行前期预处理，包括步骤如下：

A、拍摄获取大量生产线上包含焊点部分的分辨率为600-1200的器件图片；

B、对于每张图片中的每一个焊点，用将焊点完全包含大小合适的方框标注其位置，每一个焊点的位置由四个参数表示，即(x,y,w,h)；以图片左下角为原点，图片的左边框为x轴，图片的下边框为y轴建立坐标系，(x,y)表示方框左上角顶点在坐标系中的坐标位置，w表示方框的宽度，h表示方框的长度；

C、标注每一个焊点所属类别，类别包括OK、DL、XH、LH四种，OK表示通过，DL表示短路，XH表示虚焊，LH表示漏焊，将每一个焊点的位置和类别保存到一个文件中，并与该焊点所在的图片对应；

D、将步骤C中得到的标注好的焊点所在的图片调整成统一尺寸大小M¹×N¹，M¹的取值范围为600-800，N¹的取值范围为800-1066，单位为像素，记录缩放比例，并按照相同比例缩放方框尺寸，以保证对应关系；

进一步优选的，M¹＝600，N¹＝800。

3.根据权利要求1所述的一种基于深度学习目标检测算法的焊点质量检测方法，其特征在于，所述步骤(2)中，对步骤(1)预处理后的图片提取特征，包括：

通过深度神经网络模型ResNet50提取图像特征，深度神经网络模型ResNet50共有50层，包括49层卷积层和1层全连接层，49层卷积层包括5个卷积部分，第4个卷积部分输出的特征图大小为38×50；卷积层输出的特征图的定义如式(Ⅰ)所示：

式(Ⅰ)中，表示第l层第j个特征图，表示第l-1层第i个特征图，表示第l层的卷积核，表示第l层的偏置，表示跳过n层形成的残差块，w_s为学习变量，使和维度保持一致，f为激活函数，*表示卷积运算；M为第l-1层的特征图数；

卷积层输出的特征图尺寸的定义如式(Ⅱ)所示：

式(Ⅱ)中，W为输入图像尺寸，F为卷积核尺寸，S表示步幅，P代表填充数，输出特征图的尺寸为N×N。