[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

说明书

本发明涉及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，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，对进行标注，对图片统一尺寸大小；(2)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)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。本发明完全实现自动化，无需焊点检测的专业知识，从根本上避免了工人工作效率不稳定的问题，无须雇佣大量质检员，解放大量劳动力的同时也为企业节约生产成本。

技术领域

本发明涉及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，属于图像处理技术领域。

背景技术

当今时代，各类电子设备成为人们生产生活的必需品，随着社会的进步和人们生活水平的提高，人们对电子设备的质量、数量都有着飞速上涨的需求。电子设备生产环节中需要大量的元器件焊接工作，与此同时，繁重的焊点质量检测工作也应运而生。目前为止，各种生产商或雇佣大量质检人员进行繁重、重复的质量检查工作，极大浪费人力财力，或购买缺乏通用性的昂贵专业检测设备，并承担设备后期保养维护费用。因此，一种全新的廉价高效的通用性焊点质量检测系统的出现将极大降低企业生产成本，节省劳动力。

传统的焊点质量检测方法目前主要有两种，人工检测、传统图像处理方法或采用半人工半机器的方法。人工检测无疑要雇佣大量员工，每天进行长时间单一重复工作，不但需要进行相关培训，工作效率会受到工作时长、不良情绪、专业知识不足等因素的干扰而难以得到保障，且工人工资是企业需要无限期承担的巨大开销。使用传统图像处理方法的专业检测设备往往十分昂贵，并伴随着传统图像处理方法的弊端，例如，需针对不用生产线设计不同的算法，需专业人员人工选取阈值无法实现完全自动化，算法固定无法进行增量学习等。半人工半机器则是在这两种方法之间的折中，尽可能避免两种方法的缺陷。

图像中的目标检测是计算机视觉中重要的基本问题之一，其目的是识别出图像中每个独立实体，精确找到每个实体在图像中的位置并标明其类别，可简要概括为图像实体定位与分类。可应用于医学图像检测、行人重识别、自动驾驶、视频安全监控、人脸识别等诸多领域。随着近些年机器学习技术尤其深度神经网络技术的发展，图像的目标检测算法不断革新，在精度与速度方面均远远超过人类，因此将深度学习目标检测算法应用于工业生产中焊点检测环节迫在眉睫。

中国专利文献CN107123117A公开了一种基于深度学习的IC引脚焊点质量检测方法，该方法包括以下步骤：确定包含待检测的IC引脚焊点的目标图片；将目标图片输入到基于深度学习预先训练的第一卷积神经网络中，进行前向传播，获得IC引脚焊点的第一合格概率；确定目标图片的关键区域；将关键区域输入到基于深度学习预先训练的第二卷积神经网络中，进行前向传播，获得IC引脚焊点的第二合格概率；根据第一合格概率和第二合格概率，确定IC引脚焊点是否合格。但是，该专利存在以下缺陷或不足：1.整张目标图片和所有关键区域都将经过独立的卷积神经网络，即需调整多个网络模型的参数，系统模型复杂，计算量和时间消耗大大增加；2.该专利采用滑动窗口来切割原图获得关键区域，具有一定的随机性，不能保证与目标IC引脚焊点区域完全吻合，由于定位不准确会对结果产生影响。

发明内容

针对目前工业生产中焊点质量检测存在的问题，本发明提出一种基于深度学习目标检测算法的焊点质量检测方法，能够自动化完成目标的特征提取、定位及分类。

本发明还提供了上述焊点质量检测方法的实现系统。

术语解释：