[发明专利]一种基于卷积神经网络的PCB板缺陷检测算法

说明书

本发明涉及一种基于卷积神经网络的PCB板缺陷检测算法，对PCB板图像依次进行图像预处理、数据处理、数据扩张、缺陷检测，图像预处理和数据处理有效降低噪声的负面影响；数据扩张旨在增加数据容量，避免模型过拟合；缺陷检测部分对已有的Inception‑ResNet‑v2卷积神经模型结构进行改进，所添加的SE模块能对特征图权重再次标注，增加有效缺陷特征的权重，降低无用背景权重，显著提升了模型泛化能力，激活函数由原有的ReLU替换为Leaky ReLU，规避了反向传播过程中梯度消失的问题，网络模型的鲁棒性增强，检测精度提高。

技术领域

本发明涉及深度学习及工业图像检测领域，具体为一种基于卷积神经网络的PCB板缺陷检测算法。

背景技术

如今电子信息时代发展之快，搭载电路元器件的PCB板布局集成度大大增加，在生产印刷中，时常出现多铜、短路、孔洞、短路等缺陷问题，为此PCB板的缺陷检测环节必不可少。传统PCB板缺陷检测主要采用人工与机器简单结合的方式，弊端显现：工人易疲劳、专用检测设备昂贵、受环境因素影响较大，已达不到现代智能化，高精度，低价格的产业需求。

自2012年以来，深度学习在图像识别领域革新速度突飞猛进，而经典机器学习算法主要采用提取图像的纹理、边缘、梯度方向等相关特征进行图像分类，准确率和识别种类数量上相形见绌。因此，我们提出一种基于深度学习中卷积神经网络的PCB板缺陷检测算法。

发明内容

发明目的：针对传统检测方法和经典机器学习算法的缺点，本发明的目的是提供一种基于卷积神经网络的PCB板缺陷检测算法。

技术方案：一种基于卷积神经网络的PCB板缺陷检测算法，包括以下步骤：

(a)对参考PCB板图像与待测PCB板图像采取图像预处理操作：使用工业相机拍摄所得无缺陷PCB板图像和包含缺陷的待测PCB板图像，对两者分别使用预处理算法，得到处理后的PCB板图像；

(b)对参考PCB图像和待测PCB图像进行数据处理操作：将预处理完成的参考PCB板图像和待测PCB板图像进行图像配准操作，得到图像配准特征点信息，对配准后PCB板图像采用图像差分操作提取出包含缺陷的感兴趣区域(ROI),进行形态学处理，将缺陷区域分割出像素大小为64*64的PCB板图像作为数据集；

(c)数据扩张：对数据集采用图像扩张操作，贴上对应缺陷种类标签，将图像按4:1的比例随机划分成训练集与测试集；

(d)缺陷检测：对Inception-ResNet-v2卷积神经模型结构进行改进，将扩张后数据集送入卷积神经网络，在深度学习框架上训练，根据训练优化所得网络模型特征权重信息，对PCB板图像中缺陷进行分类检测。

在优选的实施方案中，所述步骤(a)中具体方法为：预处理操作包括图像增强和图像降噪，对工业相机拍摄到的三通道PCB板图像转换为单通道灰度图像，使用直方图均衡化增加图像对比度，采用均值滤波消除细小缺陷获得滤波后图像。

在优选的实施方案中，所述步骤(b)中图像配准采取的算法为加速鲁棒特征(SURF)，形态学处理为先腐蚀，后膨胀。

在优选的实施方案中，所述步骤(d)中，Inception-ResNet-v2卷积神经网络结构主要改进为：将每五个Inception模块中最后一个Inception模块与SE(Sequeeze-and-Excitation)模块相结合；激活函数由原有的ReLU替换为Leaky ReLU。

在优选的实施方案中，所述改进后的Inception-ResNet-v2卷积神经网络中的特征权重优化方式为：使用Windows操作系统，以Pytorch为深度学习框架,使用随机梯度下降算法结合动量优化特征值，连续微调修正反向传播参数得出最优模型权重。