一种基于深度学习的PCB检测方法及系统

本发明涉及工业缺陷检测领域，尤其涉及一种基于深度学习的pcb检测方法及系统。

背景技术：

1、近年来，工业生产领域的生产量也如海啸般递增，但同时也给行业带来许多挑战，包括缺陷检测、异常产品排查等问题。针对于这类型检测，目前一般都采用人工检测方式，但人工排查方式强度大，效率低。还有就是一些采用传统基于特征的及其视觉算法(纹理特征，颜色特征，形状特征等)的缺陷检测系统，但是当缺陷轻微的时候，往往造成漏检，即无法察觉比较轻微的缺陷特征，这样就会造成缺陷检测的不准。印刷电路板(pcb)本质上是一种通过机械支撑和电气连接的电子元器件板卡。它是所有电子产品设计过程中的基本组成部分，多年来已发展成为一个非常复杂的组件，在pcb的缺陷检测中，同样存在一般工业检测中的缺陷。

技术实现思路

1、有鉴于此，为了解决现有pcb检测方法中检测效率低和检测精度低的技术问题，第一方面，本发明提出一种基于深度学习的pcb检测方法，所述方法包括以下步骤：

2、获取pcb图片并对所述pcb图片进行缺陷信息和位置信息的标记，得到pcb缺陷数据集；

3、对所述pcb缺陷数据集进行数据增强，得到预处理后的数据集；

4、基于所述预处理后的数据集对预构建的检测模型进行训练，得到训练完成的检测模型；

5、将待测图片输入至所述训练完成的检测模型，得到缺陷图片；

6、将所述缺陷图片映射至所述待测图片上，并结合位置信息判断是否属于pcb板上的缺陷，得到最终判断结果。

7、其中，该方案是结合位置信息进一步判断是否属于pcb板上的缺陷，相比于只是对图片的二分类判断，更能够保证缺陷判断准确。

8、在一些实施例中，还包括：

9、将所述训练完成的检测模型部署至边缘端设备上。

10、通过该优选步骤，将检测过程直接部署在边缘端设备，无需将数据上传，提高缺陷检测效率。

11、在一些实施例中，还包括：

12、根据预处理后的数据集划分验证集；

13、基于所述验证集对所述训练完成的检测模型进行验证，结合检测指标对检测模型进行调整。

14、通过该优选步骤，利用验证集来验证本发明中检测模型的有效性和准确性。

15、在一些实施例中，所述检测指标包括准确率和召回率。

16、在一些实施例中，所述获取pcb图片并对所述pcb图片进行缺陷信息和位置信息的标记，得到pcb缺陷数据集这一步骤，其具体包括：

17、对pcb板进行扫描处理，得到pcb图片及组件相关信息；

18、对所述pcb图片进行标记并根据缺陷信息和位置信息进行图片采样，得到采样图片；

19、结合所述采样图片和所述pcb图片构建pcb缺陷数据集。

20、通过该优选步骤，利用位置信息和缺陷信息进行图片采样和训练数据集的构建，使得整个方案不仅仅是关注于缺陷的二分类，还结合位置信息进行判断，即检测时引入pcb板上的组件信息，可以有效提高检测精度。

21、在一些实施例中，所述基于所述预处理后的数据集对预构建的检测模型进行训练，得到训练完成的检测模型这一步骤，其具体包括：

22、将所述预处理后的数据集输入至预构建的检测模型；

23、所述预构建的检测模型采用自编码器的结构；

24、基于编码器提取样本特征，并通过二分类判断图片是否为缺陷图片，得到训练检测结果；

25、结合所述训练检测结果和实际标记，对所述预构建的检测模型进行参数调整，得到训练完成的检测模型。

26、通过该优选步骤，利用预设的损失函数进行调参，直至损失值达到预设范围内。

27、在一些实施例中，所述数据增强的方式包括水平翻转和按预设角度旋转。

28、第二方面，本发明还提出了一种基于深度学习的pcb检测系统，所述系统包括：

29、标记模块，用于获取pcb图片并对所述pcb图片进行缺陷信息和位置信息的标记，得到pcb缺陷数据集；

30、预处理模块，用于对所述pcb缺陷数据集进行数据增强，得到预处理后的数据集；

31、训练模块，基于所述预处理后的数据集对预构建的检测模型进行训练，得到训练完成的检测模型；

32、二分类判断模块，用于将待测图片输入至所述训练完成的检测模型，得到缺陷图片；

33、映射判断模块，用于将所述缺陷图片映射至所述待测图片上，并结合位置信息判断是否属于pcb板上的缺陷，得到最终判断结果。

34、本发明还提出了一种基于深度学习的pcb检测装置，包括：

35、至少一个处理器；

36、至少一个存储器，用于存储至少一个程序；

37、当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种基于深度学习的pcb检测方法。

38、基于上述方案，本发明提供了一种基于深度学习的pcb检测方法及系统，用现代计算机视觉技术来解决工业生产中的缺陷检测问题，降低了人力成本的同时也提高了准确率；采用深度学习的技术，以及结合位置信息的判断，可以很好地分辨出传统缺陷检测系统所无法识别的较为轻微，不易察觉的缺陷，同时对于复杂的背景信息具有更强的鲁棒性。

技术特征：

1.一种基于深度学习的pcb检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述一种基于深度学习的pcb检测方法，其特征在于，还包括：

3.根据权利要求1所述一种基于深度学习的pcb检测方法，其特征在于，还包括：

4.根据权利要求3所述一种基于深度学习的pcb检测方法，其特征在于，所述检测指标包括准确率和召回率。

5.根据权利要求1所述一种基于深度学习的pcb检测方法，其特征在于，所述获取pcb图片并对所述pcb图片进行缺陷信息和位置信息的标记，得到pcb缺陷数据集这一步骤，其具体包括：

6.根据权利要求1所述一种基于深度学习的pcb检测方法，其特征在于，所述基于所述预处理后的数据集对预构建的检测模型进行训练，得到训练完成的检测模型这一步骤，其具体包括：

7.根据权利要求1所述一种基于深度学习的pcb检测方法，其特征在于，所述数据增强的方式包括水平翻转和按预设角度旋转。

8.一种基于深度学习的pcb检测系统，其特征在于，包括：

9.一种基于深度学习的pcb检测装置，其特征在于，包括：

技术总结
本发明公开了一种基于深度学习的PCB检测方法及系统，该方法包括：获取PCB图片并对所述PCB图片进行缺陷信息和位置信息的标记，得到PCB缺陷数据集；对所述PCB缺陷数据集进行数据增强，得到预处理后的数据集；基于所述预处理后的数据集对预构建的检测模型进行训练，得到训练完成的检测模型；将待测图片输入至所述训练完成的检测模型，得到缺陷图片；将所述缺陷图片映射至所述待测图片上，并结合位置信息判断是否属于PCB板上的缺陷，得到最终判断结果。该系统包括：标记模块、预处理模块、训练模块、二分类判断模块和映射判断模块。通过使用本发明，能够实现高检测精度和高检测效率的PCB缺陷检测。本发明可广泛应用于工业缺陷检测领域。

技术研发人员：马锦华,吴维焕,张皓,褚宏伟
受保护的技术使用者：中山大学
技术研发日：
技术公布日：2024/3/21