[发明专利]基于深度学习的PCB板标注印刷质量检测方法

说明书

本发明基于深度学习的PCB板标注印刷质量检测方法，对获取的PCB板原图像进行高斯滤波、转为灰度图、边缘检测、孔洞填充、最佳阈值二值化分割等一系列预处理，能够有效提高识别检测效率；使用大津算法对图像进行最佳阈值分割得到二值化图像，提高了本发明的测试精度；对图像样本数据进行有效采集、扩充，增加了样本的代表性，防止因数据少而导致模型过拟合现象，使训练所得的模型尽可能小地受到无关因素的影响，增强了模型的鲁棒性，使深度学习网络训练时间更短，收敛速度更快；通过深度神经网络对图像进行目标特征高效提取，可有效避免传统人工神经网络特征提取方法导致的容易过拟合、训练耗时长、参数调整难度大等缺陷。

技术领域

本发明涉及图像检测技术领域，具体涉及基于深度学习的PCB板标注印刷质量检测方法。

背景技术

随着电子信息技术的高速发展，PCB板作为信息技术的基石，扮演着越来越重要的作用，趋于高密度化发展。在PCB板的生产过程中，为了给使用者提供明确指示，需要在PCB板的上下两表面印刷上相应的标志图案和文字代号等，例如元件标号和标称值、元件外廓形状和厂家标志、生产日期等等。该过程采用丝网印刷工艺，又称为丝印工艺。PCB板丝印层即文字层，它的作用是为了方便电路的安装和维修等。在标注印刷过程中，难免会出现绿油入孔、线路油薄、不过油、绿油杂物、网纹等印刷不符合标准的情况。随着PCB板的需求量不断增加，PCB板朝着高精密、微小化的模式发展，传统的标注印刷检测方式的弊端日渐明显，人工检测效率十分低下，检测质量也受到人为、环境等多干扰因素影响，导致了检测成本过高，检测精度无法得到有效保证。

发明内容

针对现有技术的不足，本发明的目的是提供一种识别准确度高、检测效率高的基于深度学习的PCB板标注印刷质量检测方法。

为了实现上述目的，本发明采用的技术方案如下：基于深度学习的PCB板标注印刷质量检测方法，包括以下步骤：

（1）对标准PCB板图像进行预处理：挑选没有丝印缺陷的PCB板作为标准PCB板，拍摄标准PCB板图像，并对标准PCB板图像进行预处理，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：将标准PCB板的预处理图像信息作为标准图像信息样本，对标准图像信息样本数据进行扩充处理，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；

（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。

进一步地，所述步骤（1）的具体子步骤如下：

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。

进一步地，所述步骤（2）的具体子步骤如下：

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；