用于线路板画胶质量检测的神经网络的训练方法与流程

本发明涉及深度学习和神经网络技术领域，且更为具体地，涉及一种用于线路板画胶质量检测的神经网络的训练方法、基于深度神经网络的线路板画胶质量检测方法、训练系统、检测系统和电子设备。

背景技术：

计算机主板是微机最基本的也是最重要的部件之一。计算机的主板对电脑性能来说影响很大，因此，针对于计算机主板的每个步骤都至关重要。计算机主板一般为矩形线路板，其上安装有组成计算机的主要电路系统，一般有bios芯片、i/o控制芯片、键盘和面板控制开关接口、指示灯插接件、扩充插槽、主板及插卡的直流电源供电插件等元件，在进行主板的制作过程中，为了减少在产品使用过程中因冷热变化、跌落、振动等等因素导致元件的失效机率，延长产品的使用寿命，通常需要使用点胶机在线路板的表面上画胶以通过胶水将电子元件器固定于线路板上。因此，点胶机的画胶质量如何极大程度地影响了电子元器件的贴装质量。

在现有的线路板制成中，通过人工来控制点胶机的工作模式并通过人眼来判断是否点胶存在误差。一方面，人工判断点胶质量的模式效率低下，且容易出错；另一方面，人眼很难对点胶的细节做出准确的分析判断。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展为线路板画胶质量的检测问题提供了新的解决思路和方案。

技术实现要素：

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于线路板画胶质量检测的神经网络的训练方法、基于深度神经网络的线路板画胶质量检测方法、训练系统、检测系统和电子设备，其利用对抗学习的思想基于计算机辅助线路板画胶图案对用于线路板画胶质量检测的卷积网络进行训练，训练出来的卷积神经网络和空间注意力网络能够分别聚焦于提取线路板画胶图像的全局特征和局部特性，并结合全局特征和局部特征生成画胶质量的检测结果，以提高检测的准确率。

根据本申请的一个方面，提供了一种用于线路板画胶质量检测的神经网络的训练方法，其包括：

获取线路板画胶图像作为第一训练集和计算机辅助线路板画胶图像作为第二训练集；

将所述第一训练集输入第一卷积神经网络以获得分类特征图；

将所述分类特征图通过第一空间注意力网络以获得注意力特征图；

将所述第二训练集输入第二卷积神经网络以获得参考分类特征图；

将所述参考分类特征图输入第二空间注意力网络以获得参考注意力特征图；

将所述分类特征图和所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量；

将所述参考分类特征图和所述参考注意力特征图级联后进行空间最大值池化并通过全连接层以获得参考分类特征向量；

计算所述分类特征向量和所述参考分类特征向量之间的l1距离损失函数值；

将所述分类特征向量通过softmax分类函数以获得分类损失函数值；以及

基于所述l1距离损失函数值和所述分类损失函数值更新所述第一卷积神经网络和所述第一空间注意力网络。

在上述用于线路板画胶质量检测的神经网络的训练方法中，将所述第一训练集输入第一卷积神经网络以获得分类特征图，包括：将所述第一训练集中的线路板画胶图像转化为灰度图像并输入第一卷积神经网络以获得分类特征图。

在上述用于线路板画胶质量检测的神经网络的训练方法中，将所述分类特征图和所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量，包括：将所述分类特征图和所述注意力特征图转化为相同尺度；以及，将具有相同尺度的所述分类特征图和所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量。

在上述用于线路板画胶质量检测的神经网络的训练方法中，基于所述l1距离损失函数值和所述分类损失函数值更新所述第一卷积神经网络和所述第一空间注意力网络，包括：基于所述l1距离损失函数值和所述分类损失函数值的加权和迭代地更新所述第一卷积神经网络和所述第一空间注意力网络。

根据本申请的另一方面，提供了一种基于深度神经网络的线路板画胶质量检测方法，其包括：

获取待检测的线路板画胶图像；

将所述线路板画胶图像输入根据权利要求1到4中任意一项所述的用于线路板画胶质量检测的神经网络的训练方法所训练的第一卷积神经网络、第一空间注意力网络、全连接层和softmax函数，所述softmax函数的输出为表示所述线路板画胶质量合格的第一概率和所述线路板画胶质量不合格的第二概率；以及

基于所述第一概率和所述第二概率确定所述线路板画胶质量是否合格。

根据本申请的再一方面，提供了一种用于线路板画胶质量检测的神经网络的训练系统，其包括：

训练集获取单元，用于获取线路板画胶图像作为第一训练集和计算机辅助线路板画胶图像作为第二训练集；

分类特征图生成单元，用于将所述训练集获取单元获得的所述第一训练集输入第一卷积神经网络以获得分类特征图；

注意力特征图生成单元，用于将所述分类特征图生成单元获得的所述分类特征图通过第一空间注意力网络以获得注意力特征图；

参考分类特征图生成单元，用于将所述训练集获取单元获得的所述第二训练集输入第二卷积神经网络以获得参考分类特征图；

参考注意力特征图生成单元，用于将所述参考分类特征图生成单元获得的所述参考分类特征图输入第二空间注意力网络以获得参考注意力特征图；

分类特征向量生成单元，用于将所述分类特征图生成单元获得的所述分类特征图和所述注意力特征图生成单元获得的所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量；

参考分类特征向量生成单元，用于将所述参考分类特征图生成单元获得的所述参考分类特征图和所述参考注意力特征图生成单元获得的所述参考注意力特征图级联后进行空间最大值池化并通过全连接层以获得参考分类特征向量；

距离损失函数值计算单元，用于计算所述分类特征向量生成单元获得的所述分类特征向量和所述参考分类特征向量生成单元获得的所述参考分类特征向量之间的l1距离损失函数值；

分类损失函数值计算单元，用于将所述分类特征向量生成单元获得的所述分类特征向量通过softmax分类函数以获得分类损失函数值；以及

参数更新单元，用于基于所述距离损失函数值计算单元获得的所述l1距离损失函数值和所述分类损失函数值计算单元获得的所述分类损失函数值更新所述第一卷积神经网络和所述第一空间注意力网络。

在上述用于线路板画胶质量检测的神经网络的训练系统中，所述分类特征图生成单元，进一步用于：将所述第一训练集中的线路板画胶图像转化为灰度图像并输入第一卷积神经网络以获得分类特征图。

在上述用于线路板画胶质量检测的神经网络的训练方法中，所述分类特征向量生成单元，包括：尺度转化子单元，用于将所述分类特征图和所述注意力特征图转化为相同尺度；以及，池化子单元，将具有相同尺度的所述分类特征图和所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量。

在上述用于线路板画胶质量检测的神经网络的训练系统中，所述参数更新单元，进一步用于：基于所述l1距离损失函数值和所述分类损失函数值的加权和迭代地更新所述第一卷积神经网络和所述第一空间注意力网络。

根据本申请的又一方面，提供了一种基于深度神经网络的线路板画胶质量检测系统，其包括：

图像获取单元，用于获取待检测的线路板画胶图像；

分类单元，用于将所述图像获取单元获得的所述线路板画胶图像输入如上所述的用于线路板画胶质量检测的神经网络的训练方法所训练的第一卷积神经网络、第一空间注意力网络、全连接层和softmax函数，所述softmax函数的输出为表示所述线路板画胶质量合格的第一概率和所述线路板画胶质量不合格的第二概率；以及

检测结果生成单元，用于基于所述分类单元获得的所述线路板画胶质量合格的第一概率和所述线路板画胶质量不合格的第二概率以获得所述线路板画胶质量是否合格的检测结果。

根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于线路板画胶质量检测的神经网络的训练方法或者如上所述的基于深度神经网络的线路板画胶质量检测方法。

与现有技术相比，本申请提供的一种用于线路板画胶质量检测的神经网络的训练方法、基于深度神经网络的线路板画胶质量检测方法、训练系统、检测系统和电子设备，其利用对抗学习的思想基于计算机辅助线路板画胶图案对用于线路板画胶质量检测的卷积网络进行训练，训练出来的卷积神经网络和空间注意力网络能够分别聚焦于提取线路板画胶图像的全局特征和局部特性，并结合全局特征和局部特征生成画胶质量的检测结果，以提高检测的准确率。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1图示了根据本申请实施例的用于线路板画胶质量检测的神经网络的训练方法的应用场景图；

图2图示了根据本申请实施例的用于线路板画胶质量检测的神经网络的训练方法的流程图；

图3图示了根据本申请实施例的用于线路板画胶质量检测的神经网络的训练方法的系统架构示意图；

图4图示了根据本申请实施例的用于线路板画胶质量检测的神经网络的训练方法中，将所述分类特征图和所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量的流程图；

图5图示了根据本申请实施例的基于深度神经网络的线路板画胶质量检测方法的流程图；

图6图示了根据本申请实施例的用于线路板画胶质量检测的神经网络的训练系统的框图。

图7图示了根据本申请实施例的用于线路板画胶质量检测的神经网络的训练系统中分类特征向量生成单元的框图。

图8图示了根据本申请实施例的基于深度神经网络的线路板画胶质量检测系统的框图。

图9图示了根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述

如前所述，计算机主板是微机最基本的也是最重要的部件之一，针对于计算机主板的每个步骤都至关重要。在进行主板的制作过程中，通常需要使用点胶机在线路板的表面上画胶以通过胶水将电子元件器固定于线路板上。因此，点胶机的画胶质量如何极大程度地影响了电子元器件的贴装质量。在现有的线路板制成中，通过人工来控制点胶机的工作模式并通过人眼来判断是否点胶存在误差。一方面，人工判断点胶质量的模式效率低下，且容易出错；另一方面，人眼很难对点胶的细节做出准确的分析判断。

近年来，随着计算机视觉技术的发展，通过卷积神经网络提取图像中的特征从而检测图像内的对象是否符合预设要求的技术越发成熟，由于线路板的胶水会呈现出特定的图案，因此，线路板画胶质量的检测问题可以转化为基于计算机视觉的线路板的画胶图案的分类问题。

更具体地，在实际应用过程中，一方面，线路板的画胶理想图案可通过计算机仿真软件(例如，cad软件)设计出来，因此，可利用对抗学习的思想基于计算机辅助线路板画胶图案对用于线路板画胶质量检测的卷积网络进行训练。另一方面，线路板的画胶团中，特定位置的画胶图案取决于被贴附的电子元器件的形状，例如，如果被贴附的电子元器件为圆形，则优选地对应的画胶图案也为圆形，这就需要在训练卷积神经网络时，还需要能够关注图像细节。

针对上述问题，本申请发明人在本申请的神经网络的架构中，引入注意力神经网络，从而能够关注图像的细节部分，提取出能够反应图像中部分特性形状的画胶图案的视觉表示的特征。也就是，在通过卷积神经网络对线路板的画胶质量进行检测时，不仅要关注画胶图案的全局特征还需要关注画胶图案的局部特征，以结合全局特征和局部特征来进行分类。这样，训练出来的卷积神经网络和空间注意力网络能够分别聚焦于提取线路板画胶图像的全局特征和局部特性，并结合全局特征和局部特征生成画胶质量的检测结果。

基于此，本申请提出了一种用于线路板画胶质量检测的神经网络的训练方法，其包括：获取线路板画胶图像作为第一训练集和计算机辅助线路板画胶图像作为第二训练集；将所述第一训练集输入第一卷积神经网络以获得分类特征图；将所述分类特征图通过第一空间注意力网络以获得注意力特征图；将所述第二训练集输入第二卷积神经网络以获得参考分类特征图；将所述参考分类特征图输入第二空间注意力网络以获得参考注意力特征图；所述分类特征图和所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量；将所述参考分类特征图和所述参考注意力特征图级联后进行空间最大值池化并通过全连接层以获得参考分类特征向量；计算所述分类特征向量和所述参考分类特征向量之间的l1距离损失函数值；将所述分类特征向量通过softmax分类函数以获得分类损失函数值；以及，基于所述l1距离损失函数值和所述分类损失函数值更新所述第一卷积神经网络和所述第一空间注意力网络。

基于此，本申请还提出了一种基于深度神经网络的线路板画胶质量检测方法，其包括：获取待检测的线路板画胶图像；将所述线路板画胶图像输入如上所述的用于线路板画胶质量检测的神经网络的训练方法所训练的第一卷积神经网络、第一空间注意力网络、全连接层和softmax函数，所述softmax函数的输出为表示所述线路板画胶质量合格的第一概率和所述线路板画胶质量不合格的第二概率；以及，基于所述第一概率和所述第二概率确定所述线路板画胶质量是否合格。

图1图示了根据本申请实施例的用于线路板画胶质量检测的神经网络的训练方法和基于深度神经网络的线路板画胶质量检测方法的应用场景图。

如图1所示，在该应用场景的训练阶段中，通过摄像头(例如，如图1中所示意的c)采集包含待检测的线路板画胶图像作为第一训练集，并将计算机上的仿真软件设计出来的计算机辅助线路板画胶图像作为第二训练集。然后，将所述第一训练集和所述第二训练集输入至部署有用于线路板画胶质量检测的神经网络的训练算法的服务器中(例如，如图1中所示意的s)，其中，所述服务器能够基于用于线路板画胶质量检测的神经网络的训练算法以所述第一训练集、第二训练集对用于线路板画胶质量检测的神经网络进行训练。

在通过如上所述的用于线路板画胶质量检测的神经网络的训练算法训练好所述神经网络后，可基于所述神经网络对线路板画胶的质量进行检测。

进一步地，如图1所示，在该应用场景的检测阶段，通过摄像头(例如，如图1中所示意的c)获取包含待检测的线路板画胶的图像；然后，将所述图像输入至部署有基于深度神经网络的线路板画胶质量检测算法的服务器中(例如，如图1中所示意的s)，其中，所述服务器能够基于深度神经网络的线路板画胶质量检测算法中的训练完成的第一卷积神经网络、第一空间注意力网络、全连接层和softmax分类函数对所述线路板图像进行处理，所述softmax分类函数的输出为表示所述线路板画胶质量合格的第一概率和所述线路板画胶质量不合格的第二概率，从而基于所述第一概率和所述第二概率可确定所述线路板画胶质量是否合格。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性方法

图2图示了用于线路板画胶质量检测的神经网络的训练方法的流程图。如图2所示，根据本申请实施例的用于线路板画胶质量检测的神经网络的训练方法，包括：s110，获取线路板画胶图像作为第一训练集和计算机辅助线路板画胶图像作为第二训练集；s120，将所述第一训练集输入第一卷积神经网络以获得分类特征图；s130，将所述分类特征图通过第一空间注意力网络以获得注意力特征图；s140，将所述第二训练集输入第二卷积神经网络以获得参考分类特征图；s150，将所述参考分类特征图输入第二空间注意力网络以获得参考注意力特征图；s160，所述分类特征图和所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量；s170，将所述参考分类特征图和所述参考注意力特征图级联后进行空间最大值池化并通过全连接层以获得参考分类特征向量；s180，计算所述分类特征向量和所述参考分类特征向量之间的l1距离损失函数值；s190，将所述分类特征向量通过softmax分类函数以获得分类损失函数值；s200，以及，基于所述l1距离损失函数值和所述分类损失函数值更新所述第一卷积神经网络和所述第一空间注意力网络。

图3图示了根据本申请实施例的用于线路板画胶质量检测的神经网络的训练方法的架构示意图。如图3所示，在所述训练方法的网络架构中，首先，将获取的第一训练集(例如，如图3中所示意的in1)通过第一卷积神经网络(例如，如图3中所示意的cnn1)，以获得分类特征图(例如，如图3中所示意的fc)；接着，将所述分类特征图通过第一空间注意力网络(例如，如图3中所示意的atn1)以获得注意力特征图(例如，如图3中所示意的fa)；接着，将获取的第二训练集(例如，如图3中所示意的in2)通过第二卷积神经网络(例如，如图3中所示意的cnn2)，以获得参考分类特征图(例如，如图3中所示意的frc)；接着，将所述参考分类特征图输入第二空间注意力网络(例如，如图3中所示意的atn2)以获得参考注意力特征图(例如，如图3中所示意的fra)；接着，将所述分类特征图和所述注意力特征图级联后进行空间最大值池化并通过全连接层(例如，如图3中所示意的fcl1)以获得分类特征向量(例如，如图3中所示意的vc)；接着，将所述参考分类特征图和所述参考注意力特征图级联后进行空间最大值池化并通过全连接层(例如，如图3中所示意的fcl2)以获得参考分类特征向量(vrc)；接着，通过距离损失函数值(例如，如图3中所示意的圈l)计算所述分类特征向量和所述参考分类特征向量之间的l1距离损失函数值；接着，将所述分类特征向量通过softmax分类函数(例如，如图3中所示意的圈s)以获得分类损失函数值；然后，基于所述l1距离损失函数值和所述分类损失函数值更新所述第一卷积神经网络和所述第一空间注意力网络和所述全连接层。

在步骤s110中，获取线路板画胶图像作为第一训练集和计算机辅助线路板画胶图像作为第二训练集。如前所述，在本申请的技术方案中，利用对抗学习的思想基于计算机辅助线路板画胶图案对用于用于线路板画胶质量检测的卷积网络进行训练，这里，计算机辅助线路板画胶图像为线路板的画胶理想图像，也就是，计算机辅助线路板画胶图像具有理想的画胶图案。

为了训练还需要获取实际的线路板画胶图像。例如，在本申请的一个具体示例中，可通过将画胶线路板放在摄像头的视场范围内，通过摄像头采集到所述画胶线路板的图像以构成所述第一训练集。

在步骤s120中，将所述第一训练集输入第一卷积神经网络以获得分类特征图。也就是，利用所述第一卷积神经网络提取出第一训练集中各线路板画胶的图像中的深度隐含特征，以获得所述第一特征图。特别地，在本申请的技术方案中，所述线路板画胶图像中所述画胶图案更多地表现于所述图像的纹理特征层面。本领域普通技术人员应知晓，卷积神经网络在提取特征方面，前一到三层提取的是形状、边缘、角落等特征，后四到六层提取的是纹理特征。因此，优选地，在本申请的技术方案中，所述第一卷积神经网络包含4到6层卷积层。

为了促进第一卷积神经网络提取出所述画胶图案的纹理特征。在将所述第一训练集输入到所述第一卷积神经网络前，可对所述第一训练集中的图像进行预处理。特别地，在本申请的技术方案中，可对所述线路板画胶图像进行灰度化处理，即，如果线路板画胶图像为彩色图像，将其转化为灰度图像。

也就是，在本申请一个具体的示例中，将所述第一训练集输入第一卷积神经网络以获得分类特征图的过程，包括：将所述第一训练集中的线路板画胶图像转化为灰度图像并输入第一卷积神经网络以获得分类特征图。

应可以理解，灰度图更聚焦于表现纹理特征，即，通过转化为灰度图使得所述第一卷积神经网络能够更容易地捕捉到线路板画胶图像中的纹理特征，即，画胶图案。

在步骤s130中，将所述分类特征图通过第一空间注意力网络以获得注意力特征图。应可以理解，线路板的画胶团中，特定位置的画胶图案取决于被贴附的电子元器件的形状，例如，如果被贴附的电子元器件为圆形，则优选地对应的画胶图案也为圆形，这就需要在训练卷积神经网络时，还需要能够关注图像细节。在本申请的神经网络的架构中，引入空间注意力机制，从而能够关注图像的细节部分，提取出能够反应图像中部分特性形状的画胶图案的视觉表示的特征。

更具体地，在本申请实施例中，将所述分类特征图通过第一空间注意力网络以获得注意力特征图的过程，包括：首先，将所述分类特征图输入所述第一空间注意力网络以获得空间注意力图，所述空间注意力图相当于掩码其表征所述分类特征图中不同区域应该被注意的权重。然后，将所述空间注意力图与所述分类特征图进行按像素位置点乘，以获得所述注意力特征图。

在步骤s140中，将所述第二训练集输入第二卷积神经网络以获得参考分类特征图。也就是，利用所述第二卷积神经网络提取出第二训练集中各计算机辅助线路板画胶的图像中画胶图案在纹理层面的特征，以获得所述参考分类特征图。优选地，所述第二卷积网络与所述第一卷积网络的网络结构相一致，来减少所述分类特征图和所述参考分类特征图在特征提取过程中所引起的差异。并且，当所述第一卷积神经网络与所述卷积神经网络具有相一致的结构时，所述分类特征图与所述参考分类特征图之间具有相一致的尺度，便于后续计算。

在步骤s150中，将所述参考分类特征图输入第二空间注意力网络以获得参考注意力特征图。应可以理解，利用空间注意力网络所获得的所述参考注意力特征图能够更为聚焦于反映所述参考特征图中特定空间位置的特征。

在步骤s120和步骤s130中，通过所述第一卷积神经网络和所述第一空间注意力网络对所述第一训练集中的线路板画胶图像进行处理，以获得所述分类特征图和所述注意力特征图，其中，所述分类特征图表征所述线路板画胶图案在全局空间上的特征分布，所述注意力特征图表示所述线路板画胶图案在布局空间的特征分布。在步骤s130和步骤s140中，通过所述第二卷积神经网络和所述第二空间注意力网络对所述第二训练集中的线路板画胶图像进行处理，以获得所述参考分类特征图和所述参考注意力特征图，其中，所述参考分类特征图表征所述线路板画胶图案在全局空间上的特征分布，所述参考注意力特征图表示所述线路板画胶图案在布局空间的特征分布。

应可以理解，相较于第一训练集而言，所述第二训练集拥有优化的样本空间，因此，可利用所述第一训练集和所述第二训练集并基于对抗训练的思想对用于线路板画胶质量检测的神经网络进行训练。

在步骤s160中，将所述分类特征图和所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量。也就是，通过全连接层利用所述线路板画胶图案的全局特征和局部特征的组合以获得所述分类特征向量。

具体地，在本申请实施例中，将所述分类特征图和所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量的过程，包括：将所述分类特征图和所述注意力特征图转化为相同尺度，通过将分类特征图和所述注意力特征图转化为相同尺度，便于促进所述分类特征图和所述注意力特征图的特征分布的一致性。然后，将具有相同尺度的所述分类特征图和所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量。

图4图示了根据本申请实施例的用于线路板画胶质量检测的神经网络训练方法中，将所述分类特征图和所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量的流程图。如图4所示，将所述分类特征图和所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量，包括：s310，将所述分类特征图和所述注意力特征图转化为相同尺度；以及，s320，将具有相同尺度的所述分类特征图和所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量。

在步骤s170中，将所述参考分类特征图和所述参考注意力特征图级联后进行空间最大值池化并通过全连接层以获得参考分类特征向量。也就是，也就是，通过全连接层利用所述线路板画胶图案的全局特征和局部特征的组合以获得所述参考分类特征向量。

在步骤s180中，计算所述分类特征向量和所述参考分类特征向量之间的l1距离损失函数值。也就是，计算所述分类特征向量与所述参考分类特征向量之间在高维特征空间中的距离。相应地，基于所述l1距离损失函数值并通过反向传播更新所述第一卷积神经网络和所述第一空间注意力网络，可促使所述第一卷积神经网络提取线路板画胶图像中线路板画胶图案的全局纹理特征和所述第一空间注意力网络提取线路板画胶图像中线路板画胶图案的局部纹理特征。

在步骤s190中，将所述分类特征向量通过softmax分类函数以获得分类损失函数值。也就是，以分类损失函数值促进第一卷积神经网络和第一空间注意力网络对于线路板画胶质量合格和不合格形状相关联的图形要素的特征提取，这样，可以从图像信息方面提高图像中线路板画胶形状的质量检测效果。

在步骤s200中，基于所述l1距离损失函数值和所述分类损失函数值更新所述第一卷积神经网络和所述第一空间注意力网络。

具体地，在本申请实施例中，基于所述l1距离损失函数值和所述分类损失函数值更新所述第一卷积神经网络和所述第一空间注意力网络，包括：基于所述l1距离损失函数值和所述分类损失函数值的加权和迭代地更新所述第一卷积神经网络和所述第一空间注意力网络。

综上，本申请实施例的用于线路板画胶质量检测的神经网络训练方法被阐明，其利用对抗学习的思想基于计算机辅助线路板画胶图案对用于线路板画胶质量检测的卷积网络进行训练，训练出来的卷积神经网络和空间注意力网络能够分别聚焦于提取线路板画胶图像的全局特征和局部特性，并结合全局特征和局部特征生成画胶质量的检测结果，以提高检测的准确率。

根据本申请的另一方面，还提供了一种基于深度神经网络的线路板画胶质量检测方法。

图5图示了根据本申请实施例的基于深度神经网络的线路板画胶质量检测方法的流程图。如图5所示，根据本申请实施例的基于深度神经网络的线路板画胶质量检测方法，包括：s410，获取待检测的线路板画胶图像；s420，将所述线路板画胶图像输入如上所述的用于线路板画胶质量检测的神经网络的训练方法所训练的第一卷积神经网络、第一空间注意力网络、全连接层和softmax函数，所述softmax函数的输出为表示所述线路板画胶质量合格的第一概率和所述线路板画胶质量不合格的第二概率；以及，s430，基于所述第一概率和所述第二概率确定所述线路板画胶质量是否合格。

示例性系统

图6图示了根据本申请实施例的用于线路板画胶质量检测的神经网络的训练系统的框图。

如图6所示，根据本申请实施例的用于线路板画胶质量检测的神经网络的训练系统600，包括：训练集获取单元610，用于获取线路板画胶图像作为第一训练集和计算机辅助线路板画胶图像作为第二训练集；分类特征图生成单元620，用于将所述训练集获取单元610获得的所述第一训练集输入第一卷积神经网络以获得分类特征图；注意力特征图生成单元630，用于将所述分类特征图生成单元620获得的所述分类特征图通过第一空间注意力网络以获得注意力特征图；参考分类特征图生成单元640，用于将所述训练集获取单元610获得的所述第二训练集输入第二卷积神经网络以获得参考分类特征图；参考注意力特征图生成单元650，用于将所述参考分类特征图生成单元640获得的所述参考分类特征图输入第二空间注意力网络以获得参考注意力特征图；分类特征向量生成单元660，用于将所述分类特征图生成单元620获得的所述分类特征图和所述注意力特征图生成单元630获得的所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量；参考分类特征向量生成单元670，用于将所述参考分类特征图生成单元640获得的所述参考分类特征图和所述参考注意力特征图生成单元650获得的所述参考注意力特征图级联后进行空间最大值池化并通过全连接层以获得参考分类特征向量；距离损失函数值计算单元680，用于计算所述分类特征向量生成单元660获得的所述分类特征向量和所述参考分类特征向量生成单元670获得的所述参考分类特征向量之间的l1距离损失函数值；分类损失函数值计算单元690，用于将所述分类特征向量生成单元660获得的所述分类特征向量通过softmax分类函数以获得分类损失函数值；以及，参数更新单元700，用于基于所述距离损失函数值计算单元680获得的所述l1距离损失函数值和所述分类损失函数值计算单元690获得的所述分类损失函数值更新所述第一卷积神经网络和所述第一空间注意力网络。

在一个示例中，在上述训练系统600中，所述分类特征图生成单元620，进一步用于：将所述第一训练集中的线路板画胶图像转化为灰度图像并输入第一卷积神经网络以获得分类特征图。

在一个示例中，在上述训练系统600中，如图7所示，所述分类特征向量生成单元660，包括：尺度转化子单元661，用于将所述分类特征图和所述注意力特征图转化为相同尺度；以及，池化子单元662，用于将所述尺度转化子单元661获得的具有相同尺度的所述分类特征图和所述注意力特征图级联后进行空间最大值池化并通过全连接层以获得分类特征向量。

在一个示例中，在上述训练系统600中，所述参数更新单元700，进一步用于：基于所述距离损失函数值计算单元680获得的所述l1距离损失函数值和所述分类损失函数值计算单元690获得的所述分类损失函数值的加权和迭代地更新所述第一卷积神经网络和所述第一空间注意力网络。

这里，本领域技术人员可以理解，上述训练系统600中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的用于线路板画胶质量检测的神经网络的训练方法描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的训练系统600可以实现在各种终端设备中，例如用于线路板画胶质量检测的服务器等。在一个示例中，根据本申请实施例的训练系统600可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该训练系统600可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该训练系统600同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该训练系统600与该终端设备也可以是分立的设备，并且该训练系统600可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

根据本申请的另一方面，还提供了一种基于深度神经网络的线路板画胶质量检测系统。

图8图示了根据本申请实施例的基于深度神经网络的线路板画胶质量检测系统的框图。如图8所示，根据本申请实施例的基于深度神经网络的线路板画胶质量检测系统800，,包括：图像获取单元810，用于获取待检测的线路板画胶图像；分类单元820，用于将所述图像获取单元810获得的所述线路板画胶图像输入如上所述的用于线路板画胶质量检测的神经网络的训练方法所训练的第一卷积神经网络、第一空间注意力网络、全连接层和softmax函数，所述softmax函数的输出为表示所述线路板画胶质量合格的第一概率和所述线路板画胶质量不合格的第二概率；以及，检测结果生成单元830，用于基于所述分类单元820获得的所述线路板画胶质量合格的第一概率和所述线路板画胶质量不合格的第二概率以获得所述线路板画胶质量是否合格的检测结果。

这里，本领域技术人员可以理解，上述检测系统800中的各个单元和模块的具体功能和操作已经在上面参考图5的基于深度神经网络的线路板画胶质量检测方法描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的检测系统800可以实现在各种终端设备中，例如用于线路板画胶质量检测的服务器等。在一个示例中，根据本申请实施例的检测系统800可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该检测系统800可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该检测系统800同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该检测系统800与该终端设备也可以是分立的设备，并且该检测系统800可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性电子设备

下面，参考图9来描述根据本申请实施例的电子设备。

图9图示了根据本申请实施例的电子设备的框图。

如图9所示，电子设备包括10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的用于线路板画胶质量检测的神经网络的训练方法，或者基于深度神经网络的线路板画胶质量检测方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如距离损失函数值、分类损失函数值等各种内容。

在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

该输入系统13可以包括例如键盘、鼠标等等。

该输出系统14可以向外部输出各种信息，包括线路板画胶质量检测结果等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图9中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于线路板画胶质量检测的神经网络的训练方法，或者基于深度神经网络的线路板画胶质量检测方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的用于线路板画胶质量检测的神经网络的训练方法，或者基于深度神经网络的线路板画胶质量检测方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、系统、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、系统、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的系统、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。