[发明专利]一种基于深度学习技术的线缆接头焊点合格性检测方法

说明书

本发明公开了一种基于深度学习技术的线缆接头焊点合格性检测方法，包括步骤：使用摄像头采集线缆接头焊点图像；在所述线缆接头焊点图像上提取焊点区域；使用labelImg对获得的所述焊点区域的图像进行标注；建立深度神经网络分类模型，使用CNN卷积层提取带标注焊点图像特征，利用Adam优化器最小化分类损失，直至损失函数值达到最小，保存线缆接头焊点合格性检测模型；使用所述线缆接头焊点合格性检测模型对生产线的焊点进行检测。本发明利用softmax实现了焊点缺陷的多分类；利用深度学习方法对焊点缺陷进行分类，相比其它的机器学习方法，其检测准确率更高，速度更快，鲁棒性更好。

技术领域

本发明涉及缺陷检测领域，尤其涉及一种基于深度学习技术的线缆接头焊点合格性检测方法。

背景技术

在电子产品焊接过程中,由于设备误差、人工操作失误等原因可能会导致焊点出现缺陷，例如连锡、虚焊、漏焊、错PIN、PVC后缩过大、芯线外被破损、编织丝漏剪等。如果将此类存在缺陷的数据线应用到电子产品当中，将直接影响电子产品的寿命、稳定性，甚至可能导致整个电子产品报废。因此，焊点的质量直接影响数据线的质量。目前，焊点缺陷检查仍然通过人工目测法来完成，此方法效率低、准确率不足。

现有关于线缆接头焊接合格性检测方法有电阻测量法、电压降检测法、X射线检测法、涡流检测法等。其中，电阻测量法、电压降检测法均利用电气参数来判定焊点的质量，方法简单，但是由于电气参数对焊点内部缺陷类型灵敏度太低，使得焊点质量判定结果准确性不高；X射线检测法操作简单，焊点射线底片信息清晰易辨，能够准确的读取焊点熔核的直径大小及内部的缺陷，但是X线具有放射性危害，对现场操作环境要求较高，在工业生产中难以应用；涡流检测法存在对焊点缺陷的漏检，漏检率较高，无法应用在工业生产中。这些传统的检测方法都没有使用焊点的细微特征，无法判断焊点是否合格以及不合格的分类，对于一些存在微小缺陷的焊点无法准确检测，误判率高、计算复杂度较大且可扩展性差，不能满足现代化生产需要。

发明内容

为克服现有技术的不足，本发明提供一种检测精度高，满足数据线生产线高质量检测要求的焊点合格性检测和不合格分类的方法。本发明的技术方案是这样实现的：

一种基于深度学习技术的线缆接头焊点合格性检测方法，包括步骤

S1：使用摄像头采集线缆接头焊点图像；

S2：在所述线缆接头焊点图像上提取焊点区域；

S3：使用labelImg对获得的所述焊点区域的图像进行标注；

S4：建立深度神经网络分类模型，使用CNN卷积层提取带标注焊点图像特征，利用Adam优化器最小化分类损失，直至损失函数值达到最小，保存线缆接头焊点合格性检测模型；

S5：使用所述线缆接头焊点合格性检测模型对生产线的焊点进行检测。

进一步地，步骤S1包括步骤：对倾斜的图像进行矫正，图像的矫正包括步骤：

S11：利用离散傅里叶变换提取倾斜图像的频域特征，对其特征进行高低频变换、幅度值计算、频域值规范化等操作，获得一条倾斜的直线；

S12：利用Hough直线检测获取倾斜直线，计算其倾斜角，计算图像旋转角度；

S13：利用所述图像旋转角度和仿射变换对原图进行矫正。

进一步地，步骤S4中所述线缆接头焊点合格性检测模型建立的步骤包括

S41：使用多个小卷积核从左到右、自顶向下依次进行扫描，提取焊点图像更精细的特征；

S42：使用截断正态分布对卷积核参数进行初始化，使用Relu激活函数去线性化且有效避免模型过拟合；