[发明专利]一种PCB板缺陷检测方法及装置

说明书

本发明公开一种PCB板缺陷检测方法及装置。PCB板缺陷检测方法包括：获取AOI设备识别为带缺陷的PCB板图像，将部分PCB板图像进行真假缺陷标记后收集于训练数据集，将其余PCB板图像收集于测试数据集；基于快照集成方法构建PCB板缺陷检测模型，并利用训练数据集中的图像训练模型得到多个多样性模型；从多个多样性模型中选择识别准确率最高的多样性模型作为目标模型，通过目标模型对测试数据集中的图像进行缺陷检测，将目标模型识别为虚假缺陷的图像作为疑似假图像；分别通过其余每一多样性模型对疑似假图像进行缺陷检测，将其余所有多样性模型都识别为虚假缺陷的图像作为确切假图像筛除。本发明能有效提高PCB板缺陷的识别准确率，同时降低对虚假缺陷的误判率。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种PCB板缺陷检测方法及装置。

背景技术

在PCB板的生产过程中，主要通过AOI等设备对PCB板进行缺陷检测。由于AOI设备在筛除带缺陷的PCB板时容易筛除带少量可接受缺陷的PCB板，仍然需要对AOI设备筛除的所有PCB板进行人工复检，回收带少量可接受缺陷的PCB板，这不仅增加了复检工作量，降低生产效率，而且在AOI设备筛除大量PCB板的情况下采用人工复检方式，容易出现误判、漏判问题，难以保证识别准确率。而随着深度学习广泛应用于图像处理领域，基于深度学习进行PCB板缺陷检测已成为一种可行的方法，其中最为常用的当属卷积神经网络。卷积神经网络越深层，网络的识别率越高，但网络的训练难度也越大，可能会出现梯度消失、梯度爆炸或者是退化问题，导致识别准确率较低。且单个卷积神经网络的学习率可能处于局部优化点，难以保证卷积神经网络识别零失误，导致对虚假缺陷的误判率较高。

发明内容

本发明提供一种PCB板缺陷检测方法及装置，能够有效提高对PCB板缺陷的识别准确率，同时降低对虚假缺陷的误判率。

为了解决上述技术问题，第一方面，本发明一实施例提供一种PCB板缺陷检测方法，包括：

获取AOI设备识别为带缺陷的PCB板图像，将部分所述PCB板图像进行真假缺陷标记后收集于训练数据集，将其余所述PCB板图像收集于测试数据集；

基于快照集成方法构建PCB板缺陷检测模型，并利用所述训练数据集中的图像训练所述PCB板缺陷检测模型，得到多个多样性模型；

从多个所述多样性模型中选择识别准确率最高的所述多样性模型作为目标模型，通过所述目标模型对所述测试数据集中的图像进行缺陷检测，将所述目标模型识别为虚假缺陷的图像作为疑似假图像；

分别通过其余每一所述多样性模型对所述疑似假图像进行缺陷检测，将其余所有所述多样性模型都识别为虚假缺陷的图像作为确切假图像筛除。

进一步地，所述获取AOI设备识别为带缺陷的PCB板图像，将部分所述PCB板图像进行真假缺陷标记后收集于训练数据集，将其余所述PCB板图像收集于测试数据集，还包括：

对所述PCB板图像进行预处理；其中，所述预处理包括图像大小压缩、图像尺寸裁剪、图像标准化处理中的一种或多种。

进一步地，所述PCB板缺陷检测模型包括6个深度可分离卷积层、3个池化层、3个全连接层、Flatten层、输入层和输出层。

进一步地，所述利用所述训练数据集中的图像训练所述PCB板缺陷检测模型，得到多个多样性模型，具体为：

采用余弦退火的学习策略，利用所述训练数据集中的图像训练所述PCB板缺陷检测模型直至所述PCB板缺陷检测模型收敛，得到多个所述多样性模型。

进一步地，所述分别通过其余每一所述多样性模型对所述疑似假图像进行缺陷检测，将其余所有所述多样性模型都识别为虚假缺陷的图像作为确切假图像筛除，还包括：

将其余所有所述多样性模型不都识别为虚假缺陷的图像作为模糊假图像以进行人工复检。