[发明专利]PCB缺陷检测模型的评估方法、评估装置及训练方法

说明书

本发明公开了一种PCB缺陷检测模型的评估方法、评估装置及训练方法，评估方法包括：预先建立测试图像集，其包括多个具有缺陷类别标签的测试图像；将多个测试图像输入待评估的缺陷检测模型，得到与测试图像一一对应的缺陷预测结果，其包括缺陷类型及相应的概率值；按照得到的缺陷预测结果中的缺陷类型，对缺陷预测结果进行分类；按照分类结果，输出并显示被预测为同一缺陷类型的测试图像，且各个测试图像的缺陷类别标签及对应的缺陷预测结果中的概率值被配置为可查看；根据测试图像的缺陷类别标签及分类结果，以评估缺陷检测模型识别各种缺陷类型的能力，并比较同一分类下的测试图像对应的概率值，以评估缺陷检测模型识别该类缺陷的收敛度。

技术领域

本发明涉及模型质量评估领域，尤其涉及一种PCB缺陷检测模型的评估方法、评估装置及训练方法。

背景技术

在典型的 AI 训练过程中，缺陷图像被输入 AI 模型进行识别和分类，被识别的图像被分配一个分数，该分数表明它们是缺陷或非缺陷（误报缺陷）的可能性，如果这个分数高于预设的AI阈值，则认为该图像具有真实缺陷，若该分数低于AI阈值，则认为该图像具有误报缺陷。

AI阈值的合理设定关系着underkill和overkill之间的权衡，若AI阈值设定值偏低，则可能会将实际为误报缺陷错误地识别成真实缺陷，杀伤力过大而造成overkill；若AI阈值设定值偏高，则可能会将实际真实缺陷错误地识别成误报缺陷，杀伤力不足而造成underkill。

可以说，AI阈值的设定对模型输出结果的准确性有着密切的关系。

以上背景技术内容的公开仅用于辅助理解本发明的发明构思及技术方案，其并不必然属于本专利申请的现有技术，也不必然会给出技术教导；在没有明确的证据表明上述内容在本专利申请的申请日之前已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。

发明内容

本发明的目的是提供一种PCB缺陷检测模型的评估方法、评估装置及训练方法，有效评估模型的识别能力和识别收敛度。

为达到上述目的，本发明采用的技术方案如下：

一种PCB缺陷检测模型的评估方法，用于评估被预先训练的缺陷检测模型对PCB图像的缺陷预测能力，所述缺陷检测模型对PCB图像的缺陷预测结果包括缺陷类型及相应的概率值，评估方法包括：

预先建立测试图像集，其包括多个测试图像，每个测试图像具有缺陷类别标签；

将所述测试图像集中的多个测试图像输入待评估的缺陷检测模型，得到与所述测试图像一一对应的缺陷预测结果；

按照得到的缺陷预测结果中的缺陷类型，对缺陷预测结果进行分类；

按照分类结果，输出并显示被预测为同一缺陷类型的测试图像，且各个测试图像的缺陷类别标签及对应的缺陷预测结果中的概率值被配置为可查看；

根据测试图像的缺陷类别标签及分类结果，以评估所述缺陷检测模型识别各种缺陷类型的能力，并比较同一分类下的测试图像对应的概率值，以评估所述缺陷检测模型识别该类缺陷的收敛度。

进一步地，根据测试图像的缺陷类别标签及分类结果，计算分类正确率，若所述分类正确率低于预设的正确率阈值，则所述缺陷检测模型识别该类缺陷的能力不合格；或者，

若同一分类下的测试图像对应的概率值的最大值与最小值的差值大于预设的差异阈值，或者，若同一分类下的测试图像对应的概率值的方差大于预设的方差阈值，则所述缺陷检测模型识别该类缺陷的收敛度不合格。

进一步地，所述PCB缺陷检测模型的评估方法还包括：若评估结果不合格，则对所述缺陷检测模块进行再训练，且所述缺陷检测模型将学习注意力集中在识别能力或收敛度不合格的该类缺陷上。