本发明涉及pcb板人工智能检测领域，尤其涉及一种适用于pcb板人工智能检测的数据库构建方法。
背景技术：
目前pcb行业大多采用aoi（外观检查机）和avi（光学线路检查机）进行检测，但是采用上述检测方法进行检测时，存在很多的问题，仅仅对规则性模板比对缺陷（重复、缺失）检测准确，还会因偏位等问题有较大准确性偏差，对于非规则性的常规缺陷，如开路，短路，残铜，缺口，偏孔，氧化，毛边，锡粉，锡渣，塞孔，擦花，绿油等上百种检测容易出现较大量假缺陷的情况，因此需要人工复检的进行缺陷核实，导致效率、准确率低，基于这种情况，引入了ai（人工智能）对aoi和avi检测的假缺陷进行再次复判，可以极大的提高缺陷检出准确率，大量去除aoi和avi检出真假点图片中混入的假点，进而提高整个检测准确性、大幅提升生产效率。
采用人工智能进行检测时，必不可少的是制作人工智能检测的训练数据，将训练数据库中的图片和标签作为训练数据提供给人工智能模型进行训练；现有的人工智能训练数据的制作是将缺陷图片进行标注后直接提供给人工智能模型进行训练的；现有的这种数据库构建方法存在较大的缺陷，由于各个厂家对缺陷的标准不同，有些厂家对某些缺陷是不同要求，各级客户对缺陷标准要求差异大，如毛边、偏孔、锡粉等，因此在生产检测过程中，需要构建各种不同的训练数据集，进而会增大不同级别不同客户训练数据制作的工作量。
技术实现要素：
本发明的目的是提供一种适用于pcb板人工智能检测的数据库构建方法，训练数据库由多个训练数据组构成，在使用时，可以选择不同级别或分类的数据组作为训练数据，以训练出满足不同需求的ai模型，如此可以适用不同客户不同标准的人工智能分级检测需求，降低训练数据制作的工作量。
为了实现以上目的，本发明采用的技术方案为：一种适用于pcb板人工智能检测的数据库构建方法，包括如下步骤：
①、训练图片和标签制作，将用于训练的缺陷pcb板制作成标注图片，形成训练图片集，并按照一个训练图片不少于一个标签进行标注，在进行标签标注时，按照缺陷的类别进行分类，并形成训练数据库；
②、从训练数据库中选取对应标准的缺陷数据，构成人工智能检测的模型训练集；
③、将模型训练集传给人工智能模型进行训练，并生成该标准的模型，存入模型数据库以供调用。
优选的，步骤①中，训练图片制作时，第一步先将有缺陷的pcb板制作成标注图片，第二步在图片中将缺陷部分用方框或圆框进行框定，并配上对应的标签进行标注，第三步采用xml、json、txt、csv或excel格式保存已标定的图片标注的图片像素信息，标定方框四个坐标位置信息或标定圆框中心坐标位置信息，缺陷类型信息，以及对应图片所在的路径信息，得到标签文件，第四步，将标签文件名前缀与图片文件名前缀一一对应，完成训练数据制作。
优选的，将标签按照缺陷类别分类后，针对同一个类别的不同缺陷等级再次进行分级标定。
本发明的有益效果为：
1、训练数据库由多个训练数据组构成，在使用时，可以选择不同级别或分类的数据组作为训练数据，以训练出满足不同需求的ai模型，如此可以适用不同客户不同标准的人工智能分级检测需求，降低训练数据制作的工作量。
2、在pcb板缺陷检测的时候，小缺陷很多，小缺陷占图片的比例有的很小，当前pcb板按照卷积神经网络直接分类的方法，不对目标进行框定，会造成非常高的缺陷漏失率和误判率，而申请文件对目标进行框定，可以降低缺陷漏失率和误判率。
3、在缺陷分类后，在对缺陷进行分级，如毛刺可以跟毛刺等级进行划分，如此可以更好的适应不同厂家需求，构建出适应性更广的人工智能检测数据库。
具体实施方式
为了使本领域技术人员更好地理解本发明的技术方案，下面对本发明进行详细描述，本部分的描述仅是示范性和解释性，不应对本发明的保护范围有任何的限制作用。
一种适用于pcb板人工智能检测的数据库构建方法，包括如下步骤：
①、训练图片和标签制作，第一步先将avi、aoi设备检测后输出有真缺陷的pcb板制作成图片，第二步在图片中将缺陷部分用方框、圆形进行框定标注，并配上对应的标签分类分级进行标定，第三步采用xml、json、txt、csv或excel格式保存已标定图片标注的图片像素信息，标定方框四个坐标位置信息或圆形标定信息，缺陷类型信息，以及对应图片所在的路径信息，h代表毛刺缺陷作为标签文件，第四步，将标签文件名前缀与图片文件名前缀一一对应，完成训练数据的制做；
②、选择能满足不同客户需求的训练图片和标签传给ai模型进行训练，并集合一个模型数据库。
标签文件包含训练图片所在目录名称(如train_images文件夹)、该标签文件对应训练图片名称(如缺陷.jpg)、训练图片路径(如c:\users\admin\desktop\train_images\缺陷.jpg)、图片像素信息(如宽400，高400，位深度3)、缺陷种类名(可用任意英文字母表示缺陷种类比如可以用s表示短路，n可以表示缺口)、标定框左上角坐标位置(如x:142,y:118）、标定框的长和宽(如w:179，h:160)。
根据客户的需求构建不同的模型数据库，具体如下：
试验例1
甲客户仅对开路、短路、残铜、缺口、偏孔和氧化等缺陷有标准要求，因此在生产甲客户的基板检测时，将训练数据库中关于开路、短路、残铜、缺口、偏孔和氧化的数据调出并使之集合，形成甲客户的训练数据,将训练数据传给ai模型进行训练，并集合成甲客户的人工智能检测模型数据库。
试验例2
乙客户仅对开路、短路、残铜、缺口、锡渣、塞孔和擦花缺陷有标准要求，因此在生产甲客户的基板检测时，将训练数据库中关于开路、短路、残铜、缺口、锡渣、塞孔和擦花的数据调出并使之集合，形成甲客户的训练数据，将训练数据传给ai模型进行训练，并集合成乙客户的人工智能检测模型数据库。
试验例3
丙客户仅对开路、短路、残铜、缺口、和毛边缺陷达到3级以上的缺陷有标准要求,因此在生产丙客户的基板检测时，将训练数据库中关于开路、短路、残铜、缺口、和毛刺缺陷达到3级以上的缺陷调出并使之集合，形成丙客户的训练数据，将训练数据传给ai模型进行训练，并集合成丙客户的人工智能检测模型数据库。
试验例4
丁客户仅对开路、短路、残铜、缺口、毛边、锡粉达到5级以上、锡渣、塞孔达到2及以上和擦花的缺陷有标准要求，因此在生产丙客户的基板检测时，将训练数据库中关于开路、短路、残铜、缺口、毛边、锡粉达到5级以上、锡渣、塞孔达到2及以上和擦花的缺陷的缺陷调出并使之集合，形成丁客户的训练数据，将训练数据传给ai模型进行训练，并集合成丁客户的人工智能检测模型数据库。
通过上述试验例1-4可知，通过本申请的数据库构建，无需针对某个客户要求进行单独的数据库构建，只需从数据总库中调用相关的数据形成训练数据即可，相比现有的方法，极大的降低了数据库构建的时间，同时也降低了数据库构建的成本。
在进行分组分类的过程中，可以有多种划分方式，比如是硬性要求缺陷和非硬性要求缺陷，讲硬性要求缺陷统一划为一个分类组，将非硬性要求缺陷单独分组和分级，如此可以更好的起到分组分类训练数据库的构建。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实例的说明只是用于帮助理解本发明的方法及其核心思想，以上所述仅是本发明的优选实施方式，应当指出，由于文字表达的有限性，而客观上存在无限的具体结构，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将发明的构思和技术方案直接应用于其它场合的，均应视为本发明的保护范围。