[发明专利]一种基于CNN可视化的PCB电路板缺陷检测方法

说明书

本发明公开了一种基于CNN可视化的PCB电路板缺陷检测方法，克服了卷积神经网络可解释性差的问题，利用CNN模型结合其模型可视化来修正训练数据误差，检查模型类别定位的准确性来提高缺陷检测的精度。描述通过卷积神经网络对采集到的PCB电路板图像数据进行训练，然后通过Grad‑CAM类别定位热力图来对可视化模型的预测的依据是否正确，同时可以检测预测错误的数据错误的原因，然后对数据进行调整，减少训练集的误差，从而达到提高数据集的精度。

技术领域

本发明涉及深度学习计算机视觉技术领域，尤其涉及一种基于CNN可视化的PCB电路板缺陷检测方法。

背景技术

在很长一段时间内，CNN虽然效果显著但却饱受争议，根源在于其可解释性较差，到底神经网络是如何产生这个结果的？特别是当神经网络的层数较多时，可解释性非常差，深度神经网络的工作原理没有办法用文字进行描述，因此，在卷积可视化出现前，一直被当做是“黑匣子”。但是现实情况是我们用户或者终端需要可解释性，因此，便衍生出了卷积可视化的研究领域。

而Grad-CAM(Gradient-weighted Class Activation Mapping)这一方法可以使得CNN模型具有解释性和透明性，通过计算神经元重要性权重，然后求出对应特征图的加权和，上采样后叠加在原图上就能获得类别定位热力图，可以看出模型重点通过哪些像素来进行预测类别。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于CNN可视化的PCB电路板缺陷检测方法。

本发明的目的通过下述技术方案实现：

一种基于CNN可视化的PCB电路板缺陷检测方法，该检测方法主要包括如下具体步骤：

步骤S1：PCB电路板缺陷图像和正常图像的采集，然后制作待训练使用的训练和验证数据集{(TrainX1，TrainY1)、(TestX1，TestY1)}；

步骤S2：构建PCB电路板缺陷检测识别模型，并利用步骤S1制作的数据集进行电路板缺陷的学习，得到初步的识别模型Model1；

步骤S3：计算设计CNN可视化模型(MapModel)，通过计算神经元重要性权重w_k，然后求出对应特征图的加权和，上采样后叠加在原图上就能获得类别定位热力图；

步骤S4：检查原始图像数据通过CNN可视化模型(MapModel)生成的类别定位热力图，查看清楚是否模型训练过程中，定位的特征像素是否存在错误或者偏差；

步骤S5：根据步骤S4总结的定位出错原因，对数据进行调整；

步骤S6，将调整厚度的数据集输入到ResNet18中进行重新训练，重复步骤S2，最后得到精度更高的PCB电路板缺陷识别模型Model2。

作为本发明的优选方案，所述步骤S5中，如果因为数据的偏差影响了模型的精度，则增加较少类别的数据图像，消除数据的偏差提高数据的精度，然后重新整理出调整后的数据集{(TrainX2，TrainY2)、(TestX2，TestY2)}；

作为本发明的优选方案，所述步骤S1中，在图像标注中，为了提高数据标注的效率，设计一个专用的标注界面，通过鼠标勾选数据的类型，实现自动放到对应的标签文件夹下面。

作为本发明的优选方案，所述步骤S2中，所述PCB电路板缺陷识别模型采用ResNet18网络。

作为本发明的优选方案，所述步骤S2中，在模型训练中，通过pytorch框架下的数据增强函数的应用，增加图像的几何变换操作。

作为本发明的优选方案，所述机和变换操作包括：对图片进行随机的水平和竖直翻转，获得更多的训练数据，让模型参数迭代更多次，以获得精度更高的模型。