电路板的缺陷检测方法和装置与流程

本申请涉及深度学习与图像处理技术领域，尤其涉及一种电路板的缺陷检测方法和装置。

背景技术：

目前电路板制造依赖于自动化的工业生产线，由于电路板的电子元器件集成度不断增加，电路板生产工艺越来越复杂，在电路板生成的过程中不可避免的会出现缺陷电路板，因此，对电路板进行缺陷检测，能够避免因缺陷导致的电路板损坏。

现有技术中，电路板生成企业主要采用人工检测方法对电路板进行缺陷检测。但是，人工检测需要工作人员用肉眼进行检查，存在检测成本高、准确性较低、效率低等缺点。

技术实现要素：

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

本申请提出一种电路板的缺陷检测方法和装置，解决了现有技术中，对电路板的缺陷检测依赖人工检测时，存在准确率较低、检测成本高以及效率低的技术问题。

本申请第一方面实施例提出了一种电路板的缺陷检测方法，包括：

获取被测电路板的拍摄图像；

将所述拍摄图像与标准图像对应像素进行像素信息差分，得到对应像素的差分值；其中，所述标准图像是对未存在缺陷的参考电路板进行拍摄得到的；

将所述拍摄图像各像素的像素信息与对应像素的差分值进行合成，得到输入图像；

将所述输入图像输入经过训练的分类模型，以根据所述分类模型的输出，确定所述被测电路板的缺陷信息；其中，所述分类模型已经学习得到各类缺陷的电路板对应的输入图像的图像特征。

作为本申请实施例的第一种可能的实现方式，所述拍摄图像和所述标准图像中各像素的像素信息包括深度值和各色彩通道的灰度值。

作为本申请实施例的第二种可能的实现方式，所述将拍摄图像与标准图像对应像素进行像素信息差分，得到对应像素的差分值，包括：

将所述拍摄图像与所述标准图像中对应像素进行深度值差分，得到对应像素的深度差分值；

将所述拍摄图像与所述标准图像中对应像素进行灰度值差分，得到对应像素在各色彩通道的灰度差分值。

作为本申请实施例的第三种可能的实现方式，所述将所述拍摄图像各像素的像素信息与对应像素的差分值进行合成，得到输入图像，包括：

将所述深度差分值、所述深度值，以及各色彩通道的灰度差分值和灰度值作为所述输入图像中对应像素的像素信息。

作为本申请实施例的第四种可能的实现方式，所述分类模型包括卷积层、池化层和全连接层；

其中，所述卷积层，用于对所述输入图像中各像素的像素信息进行图像特征提取；

所述池化层，用于对所述卷积层提取的特征进行降维操作；

所述全连接层，用于根据所述池化层降维后的图像特征进行分类。

作为本申请实施例的第五种可能的实现方式，所述分类模型，是将样本图像与所述标准图像对应像素进行像素信息差分得到的差分值与所述样本图像中对应像素的像素信息合成，采用合成后的样本图像进行训练得到的；其中，所述样本图像已标注缺陷信息，所述缺陷信息用于指示相应样本图像展示的电路板是否存在缺陷，以及缺陷类型；

当所述分类模型输出的缺陷信息与所述样本图像标注的缺陷信息差异最小化时，所述分类模型训练结束。

作为本申请实施例的第六种可能的实现方式，所述将所述输入图像输入经过训练的分类模型，以根据所述分类模型的输出，确定所述被测电路板的缺陷信息之后，还包括：

若所述被测电路板存在缺陷，在控制界面展示所述拍摄图像；

获取对所述拍摄图像进行人工缺陷类型标注得到的缺陷信息；

根据所述拍摄图像和所述缺陷信息，生成第一训练样本；

采用所述第一训练样本对所述分类模型进行训练。

作为本申请实施例的第七种可能的实现方式，所述将所述输入图像输入经过训练的分类模型，以根据所述分类模型的输出，确定所述被测电路板的缺陷信息之后，还包括：

从不存在缺陷的被测电路板中选取部分电路板，在控制界面展示选取的部分电路板的拍摄图像；

对选取的部分电路板，获取相应拍摄图像人工标注的缺陷信息，以生成用于对所述分类模型进行训练的第二训练样本。

作为本申请实施例的第八种可能的实现方式，所述将所述输入图像输入经过训练的分类模型，以根据所述分类模型的输出，确定所述被测电路板的缺陷信息之后，还包括：

若所述被测电路板存在缺陷，对生产线进行控制，以将存在缺陷的所述被测电路板置于设定区域内。

本申请实施例的缺陷检测方法，通过获取被测电路板的拍摄图像，将拍摄图像与标准图像对应像素进行像素信息差分，得到对应像素的差分值，其中，标准图像是对未存在缺陷的参考电路板进行拍摄得到的，将拍摄图像各像素的像素信息与对应像素的差分值进行合成，得到输入图像，将输入图像输入经过训练的分类模型，以根据分类模型的输出，确定被测电路板的缺陷信息。由于分类模型已经学习得到各类缺陷的电路板对应的输入图像的图像特征，因此，通过将该差分值与拍摄图像的像素信息进行合成后进行图像特征提取，能够丰富分类模型的输入数据，有助于提高被测电路板缺陷检测的精度和效率。

本申请第二方面实施例提出了一种电路板的缺陷检测装置，包括：

获取模块，用于获取电路板的拍摄图像；

差分模块，用于将所述拍摄图像与标准图像对应像素进行像素信息差分，得到对应像素的差分值；其中，所述标准图像是对未存在缺陷的参考电路板进行拍摄得到的；

处理模块，用于将所述拍摄图像各像素的像素信息与对应像素的差分值进行合成，得到输入图像；

检测模块，用于将所述输入图像输入经过训练的分类模型，以根据所述分类模型的输出，确定所述被测电路板的缺陷信息；其中，所述分类模型已经学习得到各类缺陷的电路板对应的输入图像的图像特征。

本申请实施例的缺陷检测装置，通过获取被测电路板的拍摄图像；将拍摄图像与标准图像对应像素进行像素信息差分，得到对应像素的差分值，其中，标准图像是对未存在缺陷的参考电路板进行拍摄得到的，将拍摄图像各像素的像素信息与对应像素的差分值进行合成，得到输入图像，将输入图像输入经过训练的分类模型，以根据分类模型的输出，确定被测电路板的缺陷信息。由于分类模型已经学习得到各类缺陷的电路板对应的输入图像的图像特征，因此，通过将该差分值与拍摄图像的像素信息进行合成后进行图像特征提取，能够丰富分类模型的输入数据，有助于提高被测电路板缺陷检测的精度和效率。

本申请第三方面实施例提出了一种计算机设备，包括：包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述实施例中所述的电路板的缺陷检测方法。

本申请第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例中所述的电路板的缺陷检测方法。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请实施例所提供的一种电路板的缺陷检测方法的流程示意图；

图2为本申请实施例所提供的一种分类模型训练方法的流程示意图；

图3为本申请实施例所提供的一种分类模型训练方法的示例图；

图4为本申请实施例所提供的另一种电路板的缺陷检测方法的流程示意图；

图5为本申请实施例所提供的又一种电路板的缺陷检测方法的流程示意图；

图6为本申请实施例所提供的一种电路板的缺陷检测装置的结构示意图；

图7示出了适于用来实现本申请实施方式的示例性计算机设备的框图。

具体实施方式

下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

本申请实施例针对现有技术中，对电路板的缺陷检测依靠纯人工检测方法，存在检测成本高、检测结果的准确率较低以及实时性差的技术问题，提出了一种电路板的缺陷检测方法。

本申请实施例提供的电路板的缺陷检测方法，通过获取被测电路板的拍摄图像，将拍摄图像与标准图像对应像素进行像素信息差分，得到对应像素的差分值，其中，标准图像是对未存在缺陷的参考电路板进行拍摄得到的，将拍摄图像各像素的像素信息与对应像素的差分值进行合成，得到输入图像，将输入图像输入经过训练的分类模型，以根据分类模型的输出，确定被测电路板的缺陷信息。

下面参考附图描述本申请实施例的电路板的缺陷检测方法和装置。

图1为本申请实施例所提供的一种电路板的缺陷检测方法的流程示意图。

如图1所示，该电路板的缺陷检测方法包括以下步骤：

步骤101，获取被测电路板的拍摄图像。

其中，被测电路板，是指需要进行缺陷检测的电路板。

本申请实施例中，在对电路板进行缺陷检测时，可以通过获取被测电路板的拍摄图像，以根据拍摄图像对被测电路板进行缺陷检测。具体地，在获取被测电路板的拍摄图像时，可以利用图像采集系统的高精度摄像头，通过调整摄像头的角度、光线、滤镜、倍镜、聚焦等参数，进而实时采集得到被测电路板的拍摄图像。

作为一种示例，若生产被测电路板的车间的光线比较暗时，可以通过调整高精度摄像头的角度、光线等参数，进而采集得到清晰的被测电路板的图像。

步骤102，将拍摄图像与标准图像对应像素进行像素信息差分，得到对应像素的差分值；其中，标准图像是对未存在缺陷的参考电路板进行拍摄得到的。

本申请实施例中，标准图像是指利用高精度摄像头对未存在缺陷的参考电路板进行拍摄得到的图像。在获取到被测电路板的拍摄图像后，将拍摄图像的各像素与标准图像中对应的像素进行像素信息的差分计算，得到对应像素的差分值。

本申请实施例中，拍摄图像和标准图像中各像素的像素信息包括深度值和各色彩通道的灰度值。拍摄图像和标准图像的像素信息均包括深度值以及r，g，b三个色彩通道对应的灰度值。

其中，深度值，是指对应像素所成像的对象与摄像头之间的距离。各色彩通道的灰度值，是指每个色彩通道的亮度，也就是每个色彩的深浅程度。灰度值的范围一般从0到255，白色为255，黑色为0。

作为一种可能的实现方式，可以将拍摄图像的像素信息中各像素的深度值与标准图像的像素信息中对应的像素的深度值进行差分计算，得到对应像素的深度差分值。

作为另一种可能的实现方式，也可以将拍摄图像的像素信息中像素在各色彩通道的灰度值与标准图像中对应的像素在各色彩通道的灰度值进行差分计算，得到对应像素在各色彩通道的灰度差分值。

作为又一种可能的实现方式，可以将拍摄图像的像素信息中像素在各色彩通道的灰度值与标准图像中对应的像素在各色彩通道的灰度值进行差分计算，得到对应像素在各色彩通道的灰度差分值；以及将拍摄图像的像素信息中各像素的深度值与标准图像的像素信息中对应的像素的深度值进行差分计算，得到对应像素的深度差分值。

步骤103，将拍摄图像的像素信息与对应像素的差分值进行合成，得到输入图像。

本申请实施例中，在通过像素差分计算得到的拍摄图像的各像素与标准图像对应的像素进行像素信息差分，得到对应像素的差分值后，将拍摄图像的像素信息与对应像素的差分值进行合成，得到输入图像。

具体地，可以将拍摄图像与标准图像对应像素进行像素信息差分计算得到的对应像素的深度差分值和在各色彩通道的灰度差分值增加到拍摄图像中各像素的像素信息中，得到输入图像中对应像素的像素信息。此时，输入图像中各像素的像素信息包括像素的深度值、各色彩通道的灰度值、深度差分值以及在各色彩通道的灰度差分值。

步骤104，将输入图像输入经过训练的分类模型，以根据分类模型的输出，确定被测电路板的缺陷信息；其中，分类模型已经学习得到各类缺陷的电路板对应的输入图像的图像特征。

需要说明的是，被测电路板在生产过程中受到工艺、设备、原料等原因的限制，可能会产生一些缺陷，因此，本申请实施例中，被测电路板的缺陷信息，用于指示电路板是否存在缺陷，以及缺陷类型。缺陷类型可以为芯片焊接少锡、芯片焊接多锡、芯片焊接连锡、芯片安装错误等缺陷。但是本申请实施例中，被测电路板的缺陷信息可能还存在其余的情况，不限制于上述的缺陷信息。

在本申请的一个实施例中，分类模型可以通过深度卷积神经网络(deepconvolutionalneuralnetwork，简称dcnn)对训练样本图像进行训练得到，并且训练得到的分类模型已经学习得到各类缺陷的电路板对应的输入图像的图像特征，因此，将被测电路板对应的输入图像输入到分类模型后，根据分类模型的输出，可以确定被测电路板的缺陷信息。

其中，用于训练的样本图像的像素信息中增加了样本图像与标准图像对应像素进行像素信息差分得到的差分值。

本申请实施例的缺陷检测方法，通过获取被测电路板的拍摄图像，将拍摄图像与标准图像对应像素进行像素信息差分，得到对应像素的差分值，其中，标准图像是对未存在缺陷的参考电路板进行拍摄得到的，将拍摄图像的像素信息与对应像素的差分值进行合成，得到输入图像，将合成后的输入图像输入经过训练的分类模型，以根据分类模型的输出，确定被测电路板的缺陷信息，其中，分类模型已经学习得到各类缺陷的电路板对应的输入图像的图像特征。由于分类模型已经学习得到各类缺陷的电路板对应的输入图像的图像特征，因此，通过将该差分值增加到拍摄图像的像素信息中进行图像特征提取，能够丰富分类模型的输入数据，有助于提高被测电路板缺陷检测的精度和效率。

在本申请实施例一种可能的实现形式中，对于分类模型的训练可以通过对样本图像与标准图像进行对应像素差分得到的差分值与样本图像中对应像素的像素信息合成，进而采用合成后的样本图像进行训练，具体的模型训练过程参见图2，图2为本申请实施例提供的一种分类模型训练方法的流程示意图。

如图2所示，该模型训练方法可以包括以下步骤：

步骤201，将样本图像与标准图像进行对应像素差分得到的差分值与样本图像中对应像素的像素信息合成。

其中，样本图像中已标注缺陷信息，缺陷信息用于指示相应样本图像展示的电路板是否存在缺陷，以及缺陷类型。

本申请实施例中，将采集的样本图像的像素信息中各像素与标准图像的像素信息中对应像素进行像素差分，得到对应像素的差分值。其中，样本图像是通过高精度摄像头对样本电路板进行拍摄得到的。

具体地，将样本图像的像素信息中各像素的深度值与标准图像的像素信息中对应的像素的深度值进行差分计算，得到对应像素的深度差分值。将样本图像的像素信息中像素在各色彩通道的灰度值与标准图像中对应的像素在各色彩通道的灰度值进行差分计算，得到对应像素在各色彩通道的灰度差分值。

进一步的，将样本图像与标准图像对应像素进行像素信息差分得到的差分值与样本图像中对应像素的像素信息合成，合成后的样本图像中各像素的像素信息包括深度值、各色彩通道的灰度值、以及样本图像与标准图像进行对应像素差分得到的深度差分值和在各色彩通道的灰度差分值。

步骤202，采用合成后的样本图像进行训练。

作为一种可能的情况，本申请实施例中的分类模型可以包括卷积层、池化层和全连接层。其中，卷积层，用于对输入分类模型图像中各像素的像素信息进行图像特征提取；池化层，用于对卷积层提取的特征进行降维操作；全连接层，用于根据池化层降维后的图像特征进行分类。

本申请实施例中，将样本图像的已标注的电路板的缺陷信息作为模型训练的特征，将合成后的样本图像输入到分类模型中，对该分类模型进行训练，进而输出电路板的缺陷信息。

需要解释的是，将样本图像的已标注的电路板的缺陷信息作为模型训练的特征，是因为缺陷信息能够清楚的表示出相应样本图像展示的电路板是否存在缺陷，以及缺陷类型，从而将缺陷信息作为特征对分类模型进行训练，将被测电路板的对应的输入图像输入到分类模型后，能够根据输出的该被测电路板的缺陷信息，确定被测电路板是否存在缺陷，以及存在的缺陷类型。

具体地，将像素信息合成后的样本图像输入分类模型中，分类模型的卷积层根据样本图像已标注缺陷信息对输入的样本图像中各像素的像素信息进行图像特征提取。对于图像进行特征提取的方法有两种，一种方法是首先对样本图像进行自动分割，划分出样本图像中所包含的对象或颜色区域，然后根据这些区域提取图像特征，并建立索引；另一种方法则简单地将样本图像均匀地划分为若干规则子块，然后对每个样本图像子块提取特征，并建立索引。

进一步的，池化层对卷积层提取的图像特征进行降维操作，仅保留图像特征中的主要特征，通过全连接层对池化层降维后的图像特征进行分类，从而分类模型输出分类后的缺陷信息。

步骤203，分类模型输出的缺陷信息与样本图像标注的缺陷信息差异最小化时，分类模型训练结束。

本申请实施例中，当分类模型输出的缺陷信息与样本图像标注的缺陷信息差异较大时，进一步采用信号前向传播、误差反向传播的方式继续对分类模型进行训练，直至分类模型输出的缺陷信息与样本图像标注的缺陷信息差异最小化时，结束分类模型训练。

作为一种可能的情况，当分类模型输出的缺陷信息与样本图像标注的缺陷信息差异达到预设的差异阈值时，结束对分类模型的训练。

进一步的，将训练后的分类模型通过小流量上线的方式，逐步取代正在线上运行的分类模型，从而达到分类模型随业务动态扩展泛化的目的。

作为一种示例，参见图3，图3为本申请实施例中提供的一种根据分类模型输出被测电路板的缺陷信息的示例图。图3中的分类模型包括卷积层、池化层和全连接层。通过将被测电路板的拍摄图像与标准图像对应像素进行像素信息差分得到的差分值与拍摄图像的像素信息进行合成中，确定出输入图像后，将输入图像输入图3中所示的分类模型，该分类模型的卷积层对输入图像中各像素的像素信息进行图像特征提取，进一步的，池化层通过图像下采样的方法对提取到的图像特征进行降维操作，得到输入图像的主要图像特征，最终通过全连接层对降维后的图像特征进行分类，从而根据输出的缺陷信息，确定被测电路板是否存在缺陷，以及存在缺陷的缺陷类型。

需要说明的是，对于不同的电路板生产场景和数据的特点，可以基于图3所示的分类模型，设计不同深度、不同数量神经元、不同的卷积池化组织方式构成的深度神经网络模型，然后采用已标注缺陷信息的样本图像，采用信号前向传播、误差反向传播的方式对模型进行训练，以满足不同业务场景的需求。

本申请实施例中，通过将样本图像与标准图像对应像素进行像素信息差分得到的差分值与样本图像中对应像素的像素信息进行合成，将合成后的像素信息的样本图像进行训练，当分类模型输出的缺陷信息与样本图像标注的缺陷信息差异最小化时，分类模型训练结束。由此，通过对分类模型的训练，能够实现将输入图像输入经过训练的分类模型后，能够根据分类模型的输出，准确的确定被测电路板是否存在缺陷信息，以及缺陷类型，从而提高了电路板检测的准确度。

本申请实施例中，在图1所述实施例的基础上，根据分类模型的输出，确定被测电路板的缺陷信息后，进一步的根据被测电路板的缺陷信息判断该被测电路板是否存在缺陷。

作为一种可能的情况，根据分类模型输出的被测电路板存在的缺陷信息，确定被测电路板存在缺陷后，根据存在缺陷的电路板的拍摄图像以及人工缺陷类型标注得到的缺陷信息得到第一训练样本，进而采用第一训练样本对分类模型进行训练。下面结合图4进行详细说明，图4为本申请实施例提供的另一种电路板的缺陷检测方法的流程示意图。

如图4所示，在前一实施例的步骤104之后还包括以下步骤：

步骤301，若被测电路板存在缺陷，在控制界面展示拍摄图像。

本申请实施例中，将被测电路板的拍摄图像与标准图像对应像素进行像素信息差分得到的差分值与拍摄图像的像素信息进行合成，确定出输入图像，进而将输入图像输入分类模型确定出被测电路板的缺陷信息，由于被测电路板的缺陷信息能够确定拍摄图像展示的电路板是否存在缺陷，以及存在的缺陷类型。当根据被测电路板的缺陷信息确定出被测电路板存在缺陷时，在控制界面展示被测电路板的拍摄图像。

本申请实施例中，当根据被测电路板的缺陷信息确定出被测电路板存在缺陷时，可以通过对生产线进行控制，以将存在缺陷的被测电路板置于设定区域内。

举例来说，当根据被测电路板的缺陷信息确定出正在生产中的被测电路板存在缺陷时，可以控制机械臂从生产线中取出该电路板，还可以控制传送带将该电路板传送至设定位置，以便于分离正常电路板和异常电路板，以对存在缺陷的电路板集中处理。此处分离异常电路板的方式仅作为一种示例，具体的分离方式根据实际的生产线来确定。

在分离正常电路板和异常电路板时，可以根据电路板的缺陷类型，预先设定不同的区域，以将存在不同缺陷类型的电路板置于不同的区域，以便于采用不同的处理方式对存在不同缺陷类型的电路板进行处理。也可以将存在缺陷的电路板置于同一区域中进行集中处理。具体地处理方式根据实际情况而定，本申请实施例中对此不作限定。

作为另一种可能的情况，当根据被测电路板的缺陷信息确定出被测电路板存在缺陷时，可以出发预设的报警系统，以将存在缺陷的被测电路板置于设定区域内，也可以将被测电路板的缺陷信息存储至生产数据库中，以对生产数据库进行更新，从而根据更新后生产数据库中的数据对分类模型进行训练。

步骤302，获取对拍摄图像进行人工缺陷类型标注得到的缺陷信息。

本申请实施例中，当被测电路板存在缺陷时，在控制界面展示拍摄图像后，通过将拍摄图像与标准图像进行差异比较，能够获取到对拍摄图像进行人工缺陷类型标注得到的缺陷信息。

举例来说，假设对被测电路板进行人工缺陷类型标注后，有缺陷类型a、缺陷类型b、缺陷类型c。通过被测电路板的拍摄图像能够获取到该电路板存在的缺陷类型为缺陷类型b。

步骤303，根据拍摄图像和缺陷信息，生成第一训练样本。

本申请实施例中，根据拍摄图像和缺陷信息生成的第一训练样本中后，该训练样本的样本图像已经标注了缺陷信息，即样本图像中已标注该训练样本存在缺陷，以及缺陷类型。

步骤304，采用第一训练样本对分类模型进行训练。

本申请实施例中，采用第一训练样本对分类模型进行训练的方法可以参见上述实施例中所述的分类模型训练方法，在此不再赘述。

本申请实施例中，通过被测电路的缺陷信息确定被测电路板存在缺陷时，在控制界面展示拍摄图像，获取对拍摄图像进行人工缺陷类型标注得到的缺陷信息，根据拍摄图像和缺陷信息，生成第一训练样本，采用第一训练样本对分类模型进行训练。由此，根据存在缺陷的电路板的拍摄图像和缺陷信息得到训练样本，以对分类模型进行训练，能够实现对分类模型的更新，从而提高了电路板检测的精度。

为了避免对存在缺陷的电路板进行过度学习，导致模型训练偏差，在图4实施例的基础上，还可以进一步根据分类模型输出的被测电路板存在的缺陷信息，确定被测电路板未存在缺陷后，根据部分电路板的拍摄图像以及图像中人工标注的缺陷信息，生成第二训练样本，进而采用第一训练样本和第二训练样本对分类模型进行训练。下面结合图5进行详细说明，图5为本申请实施例提供的又一种电路板的缺陷检测方法的流程示意图。

如图5所示，在前一实施例的步骤104之后还包括以下步骤：

步骤401，从不存在缺陷的被测电路板中选取部分电路板，在控制界面展示选取的部分电路板的拍摄图像。

本申请实施例中，可以根据被测电路板的缺陷信息确定对应的电路板是否存在缺陷，从已经确定的不存在缺陷的被测电路板中选取部分电路板，进一步，在控制界面展示选取的部分电路板的拍摄图像。

需要说明的是，由于生产过程中不存在缺陷的被测电路板的数量会很多，如果逐一将不存在缺陷的被测电路板的拍摄图像在控制界面展示以及人工检测将会是一个庞大的工程，因此，只需要选取部分不存在缺陷的电路板展示，以便人工复检即可。

步骤402，对选取的部分电路板，获取相应拍摄图像人工标注的缺陷信息，以生成用于对分类模型进行训练的第二训练样本。

本申请实施例中，对从不存在缺陷的电路板中选取经过人工复检确认的部分电路板，标注相应的缺陷信息，即标注不存在缺陷的标志，进而生成第二训练样本，以采用生成的第二训练样本对分类模型进行训练。

需要说明的是，采用第二训练样本对分类模型进行训练的过程也可以参考上述实施例中对分类模型训练的方法，在此不再赘述。

本申请实施例中，通过从不存在缺陷的被测电路板中选取部分电路板，在控制界面展示选取的部分电路板的拍摄图像，对选取的部分电路板，获取相应拍摄图像人工标注的缺陷信息，以生成用于对分类模型进行训练的第二训练样本。由此，通过不存在缺陷的电路板对应的拍摄图像和缺陷信息生成的训练样本对分类模型进行训练，能够实现对分类模型的实时更新，从而提高了电路板检测的精度。

为了实现上述实施例，本申请还提出一种电路板的缺陷检测装置。

图6为本申请实施例提供的一种电路板的缺陷检测装置的结构示意图。

如图6所示，该电路板的缺陷检测装置100包括：获取模块110、差分模块120、处理模块130以及检测模块140。

获取模块110，用于获取电路板的拍摄图像。

差分模块120，用于将拍摄图像与标准图像对应像素进行像素信息差分，得到对应像素的差分值；其中，标准图像是对未存在缺陷的参考电路板进行拍摄得到的。

处理模块130，用于将拍摄图像各像素的像素信息与对应像素的差分值进行合成，得到输入图像。

检测模块140，用于将输入图像输入经过训练的分类模型，以根据分类模型的输出，确定被测电路板的缺陷信息；其中，分类模型已经学习得到各类缺陷的电路板对应的输入图像的图像特征。

作为一种可能的情况，拍摄图像和标准图像中各像素点的像素信息包括深度值和各色彩通道的灰度值。

作为另一种可能的情况，差分模块120，具体用于：

将拍摄图像与标准图像中对应像素进行深度值差分，得到对应像素的深度差分值；将拍摄图像与标准图像中对应像素进行灰度值差分，得到对应像素在各色彩通道的灰度差分值。

作为另一种可能的情况，处理模块130，具体用于：将深度差分值、深度值，以及各色彩通道的灰度差分值和灰度值作为输入图像中对应像素的像素信息。

作为另一种可能的情况，分类模型包括卷积层、池化层和全连接层；

其中，卷积层，用于对输入图像中各像素的像素信息进行图像特征提取；

池化层，用于对卷积层提取的特征进行降维操作；

全连接层，用于根据池化层降维后的图像特征进行分类。

作为另一种可能的情况，分类模型，是将样本图像与标准图像对应像素进行像素信息差分得到的差分值与样本图像中对应像素的像素信息合成，采用合成后的样本图像进行训练得到的；其中，样本图像已标注缺陷信息，缺陷信息用于指示相应样本图像展示的电路板是否存在缺陷，以及缺陷类型；

当分类模型输出的缺陷信息与样本图像标注的缺陷信息差异最小化时，分类模型训练结束。

作为另一种可能的情况，缺陷检测装置100，还包括：

第一展示模块，用于若被测电路板存在缺陷，在控制界面展示拍摄图像。

第二获取模块，用于获取对拍摄图像进行人工缺陷类型标注得到的缺陷信息。

第一生成模块，用于根据拍摄图像和缺陷信息，生成第一训练样本。

训练模块，用于采用第一训练样本对分类模型进行训练。

作为另一种可能的情况，缺陷检测装置100，还包括：

第二展示模块，用于从不存在缺陷的被测电路板中选取部分电路板，在控制界面展示选取的部分电路板的拍摄图像。

第二生成模块，用于对选取的部分电路板，获取相应拍摄图像人工标注的缺陷信息，以生成用于对分类模型进行训练的第二训练样本。

作为另一种可能的情况，缺陷检测装置100，还包括：

控制模块，用于若被测电路板存在缺陷，对生产线进行控制，以将存在缺陷的被测电路板置于设定区域内。

需要说明的是，前述对缺陷检测方法实施例的解释说明也适用于该实施例的缺陷检测装置，此处不再赘述。

本申请实施例的缺陷检测装置，通过获取被测电路板的拍摄图像；将拍摄图像与标准图像对应像素进行像素信息差分，得到对应像素的差分值，其中，标准图像是对未存在缺陷的参考电路板进行拍摄得到的，将拍摄图像各像素的像素信息与对应像素的差分值进行合成，得到输入图像，将输入图像输入经过训练的分类模型，以根据分类模型的输出，确定被测电路板的缺陷信息，其中，分类模型已经学习得到各类缺陷的电路板对应的输入图像的图像特征。由于分类模型已经学习得到各类缺陷的电路板对应的输入图像的图像特征，因此，通过将该差分值增加到拍摄图像的像素信息中进行图像特征提取，能够丰富分类模型的输入数据，有助于提高被测电路板缺陷检测的精度和效率。

为了实现上述实施例，本申请还提出一种计算机设备，包括：包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述实施例中所述的电路板的缺陷检测方法。

为了实现上述实施例，本申请还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例中所述的电路板的缺陷检测方法。

图7示出了适于用来实现本申请实施方式的示例性计算机设备的框图。图7显示的计算机设备12仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(industrystandardarchitecture；以下简称：isa)总线，微通道体系结构(microchannelarchitecture；以下简称：mac)总线，增强型isa总线、视频电子标准协会(videoelectronicsstandardsassociation；以下简称：vesa)局域总线以及外围组件互连(peripheralcomponentinterconnection；以下简称：pci)总线。

计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(randomaccessmemory；以下简称：ram)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(compactdiscreadonlymemory；以下简称：cd-rom)、数字多功能只读光盘(digitalvideodiscreadonlymemory；以下简称：dvd-rom)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(localareanetwork；以下简称：lan)，广域网(wideareanetwork；以下简称：wan)和/或公共网络，例如因特网)通信。如图7所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的电路板的缺陷检测方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。