[发明专利]基于深度学习的PCB板标注印刷质量检测方法

权利要求书

1.基于深度学习的PCB板标注印刷质量检测方法，其特征在于，包括以下步骤：

（1）对标准PCB板图像进行预处理：具体子步骤如下：

步骤1.1）、采用彩色摄像头拍摄标准PCB板图像，对标准PCB板图像进行高斯滤波，获得滤波后的图像；

步骤1.2）、将滤波后的图像转换为灰度图，获得滤波后的灰度图；

步骤1.3）、通过边缘检测获得灰度图中PCB板匹配区域的边界，并根据该边界从滤波图像中获得PCB板匹配子图像；

步骤1.4）、运用孔洞填充算法对焊盘及其他干扰信息数据进行图像填充；

步骤1.5）、采用大津算法计算二值化阈值，对图像进行最佳阈值二值化分割，得到标准PCB板的预处理图像信息；

（2）标准图像信息样本数据扩充处理：具体子步骤如下：

步骤2.1）、将标准PCB板的预处理图像信息作为标准图像信息样本；

步骤2.2）、对图像样本数据进行扩充处理，通过对图像样本进行仿射变换、透视变换、颜色抖动、对比度增强、叠加噪声的操作引入轻微的扰动而实现数据扩充，得到扩充的标准图像信息样本数据；

（3）构建深度学习特征数据库：将扩充的标准图像信息样本数据输入到深度卷积神经网络模型，提取标准PCB板的图像目标信息特征，将数据集每个样本信息作为SVM训练集，构成深度学习特征数据库；

所述步骤（3）中的深度卷积神经网络包括输入层、隐藏层和输出层；其中，所述输入层和输出层均为单层；所述隐藏层包括：第一层卷积层C1，卷积核96*11*11，步长为4，扩展边缘值为0；第二层池化层P1，池化核96*3*3，步长为2；第三层卷积层C2，卷积核256*5*5，扩展边缘值为2；第四层池化层P2，池化核256*3*3，步长为2；第五层卷积层C3，卷积核384*3*3，扩展边缘为1；第六层卷积层C4，卷积核384*3*3，扩展边缘值1；第七层卷积层C5，卷积核256*3*3，扩展边缘值1；第八层池化层P5，池化核256*3*3，步长为2；第九层全连接层F6和第十层全连接层F7；

所述步骤（3）中构建深度学习特征数据库的具体步骤为：所述输出层与第十层全连接层F7相连，其维度与待识别图像分类数保持一致，使用Ubuntu操作系统，基于Caffe深度学习框架，将扩充的标准图像信息样本数据输入到深度卷积神经网络模型，经过深度卷积神经网络学习训练后得到标准PCB板的图像目标信息特征，将数据集每个样本信息对应一个行向量，作为SVM训练集，同时对其贴上相应样本训练集标签，由此构建深度学习特征数据库；

（4）检测：采用步骤（1）的方法对待测PCB板图像进行预处理，得到待测PCB板的预处理图像信息，将待测PCB板的预处理图像信息输入到训练完成的深度学习模型中，提取待测PCB板的图像目标信息特征，作为SVM测试集，用SVM的方法将步骤（3）中的训练集和测试集结果进行分类，检测待测PCB板标注印刷的质量。

2.根据权利要求1所述的基于深度学习的PCB板标注印刷质量检测方法，其特征在于，所述深度卷积神经网络的激活函数用Sigmoid函数，激活函数在隐藏层中卷积层使用，每个卷积层都连接修正线性单元，完成卷积层数据的线性激活，在全连接层增加了防止过拟合的正则化策略，利用随机梯度下降法对误差进行反向传播修正权值，学习过程中不断修正更新神经网络权值参数，使网络达到全局最优，构建深度神经网络模型。