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。
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: