[发明专利]基于深度学习的电路板塞孔缺陷检测方法及装置

权利要求书

1.一种基于深度学习的电路板塞孔缺陷检测方法，其特征在于，包括：

获取电路板塞孔图像样本；

构建电路板塞孔缺陷检测模型以及所述电路板塞孔缺陷检测模型的损失函数，其中，所述电路板塞孔缺陷检测模型包括依次连接的特征提取网络、多层感知神经网络和softmax分类器，所述电路板塞孔缺陷检测模型的损失函数包括焦点损失函数、软损失函数和引力损失函数；

将所述电路板塞孔图像样本输入至所述特征提取网络、多层感知神经网络和softmax分类器进行训练，且通过所述焦点损失函数、软损失函数和引力损失函数对所述特征提取网络、多层感知神经网络和softmax分类器进行优化，获得训练好的电路板塞孔缺陷检测模型；其中，将所述电路板塞孔图像样本输入至所述特征提取网络进行特征提取，获得特征图，并根据所述特征图以及所述引力损失函数，计算引力损失值，且所述引力损失值大于预设阈值时，通过反向传播算法和梯度下降算法优化所述特征提取网络的网络参数，以根据设定的迭代次数重复计算所述引力损失值，直至所述引力损失值下降至预设阈值；将所述特征图输入至所述多层感知神经网络，得到概率向量；将所述概率向量输入至所述softmax分类器，得到归一化的第一概率向量，并根据所述第一概率向量以及所述焦点损失函数，计算焦点损失值，且所述焦点损失值大于预设阈值时，通过反向传播算法和梯度下降算法优化所述特征提取网络和所述多层感知神经网络的网络参数，以根据设定的迭代次数重复计算所述焦点损失值，直至所述焦点损失值下降至预设阈值；将所述概率向量除以调和因子，输入至所述softmax分类器，得到归一化的第二概率向量，并根据所述第二概率向量以及所述软损失函数，计算软损失值，且所述软损失值大于预设阈值时，通过反向传播算法和梯度下降算法优化所述特征提取网络和所述多层感知神经网络的网络参数，以根据设定的迭代次数重复计算所述软损失值，直至所述软损失值下降至预设阈值；

将待检测的电路板塞孔图像输入到训练好的所述电路板塞孔缺陷检测模型中，获取所述电路板塞孔图像的缺陷识别结果；其中，将待检测的电路板塞孔图像样本输入至所述特征提取网络，生成高维特征向量；将所述高维特征向量输入至所述多层感知神经网络，输出一个数值，将所述数值输入至所述softmax分类器，输出预测概率值；

根据所述电路板塞孔图像的缺陷识别结果，确定缺陷类别。