[发明专利]一种基于多模型融合卷积神经网络的PCB缺陷图像识别方法

说明书

本发明公开一种基于改进卷积神经网络的PCB缺陷图像识别方法。针对现有ResNet50深度卷积神经网络模型的不足，引入名为Res2Net的新型CNN模块，并更改残差连接结构和激活函数，来提高网络多层的非线性扩展能力。基于改进ResNet50模型，融入DenseNet169卷积神经网络，基于多模型提取的图像特征进行融合，并对融合特征输出网络结构进行改进，建立了一种多模型融合的PCB缺陷图像识别的卷积神经网络框架。本发明方法可对不同类型的PCB缺陷图像进行识别，较单一模型具有识别准确率、敏感性高的特点，并且能够实现PCB缺陷类别的自动化和智能化识别。

技术领域

本发明涉及缺陷检测领域，具体涉及一种基于多模型融合卷积神经网络的PCB缺陷图像识别方法。

背景技术

印刷电路板(Printed Circuit Board，PCB)作为电子信息产业发展的基础支柱被广泛应用在工业控制、通讯、医疗、航空等领域。随着我国科学技术以及产业升级的推进，PCB缺陷检测技术已经成为经济生产环节中至关重要的一环。然而基于自动光学检查系统的外观检查机在PCB缺陷检测方面的误报率很高，导致后续验证和修复系统站的人工视觉检查的成本较高，而且工作效率低。因此利用深度学习技术进行PCB缺陷识别显得尤为重要。

近年来，利用人工智能方法对缺陷检测方面取得了显著进展，这些缺陷检测系统将人工智能、模式识别理论以及PCB生产知识与经验集于一体。目前，已有针对PCB缺陷图像分类任务的相关研究，但用于PCB生产研究较少，该研究可以减少后序验证和修复系统站上人工视觉检查成本，提高生产效率。

发明内容

本发明的目的在于针对已有技术的不足，提供一种基于多模型融合卷积神经网络的PCB缺陷图像识别方法，作用于多种类的PCB缺陷图像，克服传统人工PCB缺陷检测劳动强度大、工作效率低等问题，可减少后序验证和修复系统站上人工视觉检查成本，提高生产效率，实现PCB缺陷类别的自动化和智能化识别。

为实现以上目的，本发明采用下述技术方案：

一种基于多模型融合卷积神经网络的PCB缺陷图像识别方法，该方法包括以下操作步骤：

(1)建立图像数据集：获取多种类PCB缺陷图像和无缺陷图像，建立PCB图像数据集，并按各缺陷种类分好类；

(2)ResNet50模型改进；针对现有深度卷积神经网络模型的不足进行改进，建立适合PCB缺陷图像识别的卷积神经网络框架；

(3)特征融合：为了进一步提高PCB缺陷分类识别效果，提出一种多模型融合的PCB缺陷识别方法；基于多模型提取的图像特征进行融合，并对融合特征输出网络结构进行改进；

(4)模型训练，实现PCB缺陷识别：将PCB图片集划分为训练集、验证集和测试集，利用改进后的融合模型进行训练、测试，实现PCB缺陷类别的自动化和智能化识别。

优选地，所述的步骤(1)具体包括：

(1.1)对PCB缺陷图像进行缺陷分类，由经验丰富的工作人员对残渣、异物等PCB缺陷图像以及无缺陷PCB图像进行细致分类整理；

(1.2)在步骤(1.1)整理好的PCB图像数据集基础上进行镜像、旋转等数据增强方式以扩充数据集样本，为提高图像识别精度打下基础。

优选地，所述的步骤(2)具体包括：

(2.1)针对现有的ResNet50深度卷积神经网络模型的不足进行改进，建立适合PCB缺陷图像识别的卷积神经网络框架。