[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

说明书

本发明涉及一种基于深度学习的电路板塞孔缺陷检测方法、装置、存储介质以及电子设备，该方法包括：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损失函数，将电路板塞孔图像样本输入至特征提取网络、多层感知神经网络和softmax分类器进行训练，且通过焦点损失函数、软损失函数和引力损失函数对进行优化，获得训练好的电路板塞孔缺陷检测模型，将待检测的电路板塞孔图像输入到训练好的电路板塞孔缺陷检测模型中，获取电路板塞孔图像的缺陷识别结果，确定缺陷类别。综合焦点损失函数、软损失函数和引力损失函数的联合监督，使电路板塞孔缺陷检测模型考虑了缺陷特征的巨大变化和不确定样本的模糊性，从而提高了电路板塞孔缺陷检测精度。

技术领域

本发明涉及工业缺陷检测技术领域，特别是涉及一种基于深度学习的电路板塞孔缺陷检测方法、装置、存储介质以及电子设备。

背景技术

树脂塞孔被广泛用于印刷电路板(PCB)制造中，以优化PCB的寄生电容和电感。由于树脂塞孔逐渐地被越来越多的线路板加工应用，而树脂塞孔的各种缺陷都会导致PCB板的报废，因此PCB板树脂塞孔的检测越来越严格。

但是，由于树脂塞孔缺陷的特征在很大范围内变化，且树脂塞孔缺陷样品数量少。许多不确定样本与缺陷样本非常相似，占据了绝大多数数据集的类似缺陷的不确定样本使卷积神经网络容易在缺陷的样本上过拟合，导致缺陷的样本很容易被误认为是正常样本。

发明人在实施本发明过程中发现现有技术至少存在以下问题：现有技术方案都没有充分利用不确定样本中隐藏的信息，从而导致电路板塞孔缺陷检测精度低。

发明内容

基于此，本发明的目的在于，提供一种基于深度学习的电路板塞孔缺陷检测方法、装置、存储介质以及电子设备，其具有提高电路板塞孔缺陷检测精度的优点。

根据本申请实施例的第一方面，提供一种基于深度学习的电路板塞孔缺陷检测方法，包括如下步骤：

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；

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；

根据所述电路板塞孔图像的缺陷识别结果，确定缺陷类别。

根据本申请实施例的第二方面，提供一种基于深度学习的电路板塞孔缺陷检测方法装置，包括：

第一获取模块，用于获取电路板塞孔图像样本；

构建模块，用于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；

训练模块，用于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；

第二获取模块，用于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；