[发明专利]一种基于轻量级网络的PCB元器件检测方法

说明书

本发明公开了一种基于轻量级网络的PCB元器件检测方法，包括S1、拍摄高清PCB元器件样本，并对PCB元器件样本进行数据增广，对其中的各类元器件进行标注，获得PCB元器件数据库；S2、将PCB元器件训练样本送入深度神经网络进行训练，直至深度学习网络收敛，获得用于检测PCB元器件的目标检测网络和权重文件；S3、利用步骤S2训练好的深度学习网络和权重文件来检测PCB元器件测试样本中的PCB元器件目标，并输出检测结果。本发明检测速度快，检测精确率高，解决了传统的人工检测效率低、可靠性低的缺点，也解决了自动光学检测设备操作要求高，易受外界环境干扰的弊端。

技术领域

本发明涉及计算机视觉技术，特别是涉及一种基于轻量级网络的PCB元器件检测方法。

背景技术

随着电子科学技术的不断进步，电子产业欣欣向荣，人们对电子产品的需求也越来越高，例如移动终端、数码产品、智能汽车等。然而，这些电子产品都是在集成电路上完成的，所以对集成电路的生产质量要求越来越高。其中，印制电路板(Printed CircuitBoard，PCB)大量运用于集成电路中。随着科技的不断进步，电子产品功能越来越复杂，但体积却越来越小，这考验了PCB的生产工艺。在未来，为了满足电子产业的需求，PCB可能会层数越来越多，元器件数量越来越精细。

为了生产高质量的印制电路板，减少报废率，制造厂商会严格把控电路板的生产过程。有的时候一个小小的差错都会导致整块电路板无法正常工作。在生产要求越来越高的现在，印制电路板生产工艺复杂繁琐，流水线上影响生产质量的因素繁杂，比如工人操作不正确、设备出现故障或者其他外界因素都会导致电路板失效。因此，在印制电路板制造过程中引入检测机制可以及早的避免不必要的人力财力浪费，从而降低生产成本。

目前为止，PCB元器件检测方法有人工检测、电气检测、光学检测等。但这些方法都存在着各自的缺点。人工检测即安排专业的检测人员对生产的PCB进行肉眼检测。这个方法不仅浪费大量的人力，而且检测精度低，容易受检测人员的身体素质影响。而且现如今电路板设计越来越复杂，对检测人员的要求也越来越高，工作强度也越来越大。电气检测需要一套顶针机床，不同的电路板需要不同的顶针机床，利用机床来检测电路板合格与否。这种方法投入成本较高，针对不同的PCB元器件需要不同的机床，不适合小批量生产。光学检测是现在普遍采取的方法，它利用光学知识、图像处理知识和控制原理进行检测。虽然这个方法检测精度较高、成本较低，但是它需要专业技术人员操作软件并维护软件开发。并且，这个方法会因为标准的不一致导致漏检或误检。

发明内容

发明目的：本发明的目的是提供一种基于轻量级网络的PCB元器件检测方法，将轻量级网络和目标检测算法结合，在保证检测精度变化不大的同时大幅提升检测速度。

技术方案：本发明的基于轻量级网络的PCB元器件检测方法，包括以下步骤：

S1、拍摄高清PCB元器件样本，并对PCB元器件样本进行数据增广，对其中的各类元器件进行标注，获得PCB元器件数据库，PCB元器件数据库包括PCB元器件训练样本和PCB元器件测试样本；

S2、将PCB元器件训练样本送入深度神经网络进行训练，直至深度学习网络收敛，获得用于检测PCB元器件的目标检测网络和权重文件；

S3、利用步骤S2训练好的深度学习网络和权重文件来检测PCB元器件测试样本中的PCB元器件目标，并输出检测结果。

进一步的，步骤S1中对PCB元器件样本进行数据增广的操作包括：对预处理之后的图像随机地进行水平或垂直翻转、旋转、缩放、裁剪、平移、对比度调整、色彩抖动和添加噪声操作。

进一步的，图像的预处理是指将分辨率为2048×2048的原图切割成1024×1024大小。

进一步的，步骤S1中PCB元器件样本中包括11类PCB元器件，具体包括电容、芯片、电阻、三极管和二极管五大类，每大类下由若干小类，共11个小类。