[发明专利]一种工厂PCB板缺陷检测中正负样本数据平衡方法

说明书

本发明公开了一种工厂PCB板缺陷检测中正负样本数据平衡方法，是一种基于对抗生成网络的PCB板正负样本分类中的数据平衡方法，该方法主要包括如下步骤：采集、整理并分类数据集；设计编码器，由五层卷积层构成，编码器从输入图像中提取特征；设计转换器，由八个残差块构成，将特征向量由源域转换到目标域；设计解码器，由五层反卷积层构成；设计判别器，由七层卷积层构成；设计损失函数，损失函数包括四部分；准备训练集用于模型训练；将得到的权重文件用于测试集，合成需要扩增的负样本。本发明鲁棒性强、适用面广、合成效果优越。借助于循环一致条件，达到规范模型的作用，在一定程度上灵活控制合成图像形状与纹理的生成效果。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于对抗生成网络的工厂 流水线产品中的正负样本平衡方法。

背景技术

印刷电路板(Printed Circuit Board,PCB)焊机主要用于电子行业的设 备上，工业对于PCB板有较高质量要求，因此，需要对PCB板的质量进行检 测。PCB板具有高密度、高精度、高可靠性等特点。随着PCB板层数增加， 密度增加，PCB板体积减小，使得PCB板质量检测更加困难。

在生产线上，由于焊接工艺不成熟、人工操作失误等原因，往往导致出 现焊接缺陷等质量问题，极大影响产品的使用。

在过去，基于视觉检测技术的自动光学检测(Automated Optical Inspection,AOI)技术广泛应用在电路板的生产过程。AOI技术通过相机对 PCB板扫描获取到PCB板焊点区域的图像，提取相应焊点的特征，根据提取 的特征与数据库中的标准特征对比，确定焊接缺陷类型并标示，再等待相关 人员处理。

传统检测方法存在低效问题，人工智能的出现为大规模PCB板缺陷检测 提供了可能，提出采用计算机视觉的方法对PCB板进行缺陷检测。分析输入 的图像的特征，利用卷积神经网络训练，得到具有较高分类准确率的PCB板 分类模型，从而实现快速、准确地判断PCB测试样本是否存在缺陷。

训练样本的正负样本不平衡问题是卷积神经网络应用在生产生活中的常 见问题。正负样本不平衡不仅会影响到神经网络训练时的收敛速度，而且在 训练过程中，模型会侧重于样本数量更多的正样本，而忽视样本数目较少的 负样本，训练得到的模型在测试时的泛化能力也会大大降低。

实际工业中所获取到的PCB数据集里，正负样本存在严重倾斜，完好的 正样本图像与存在缺陷的负样本图像在数量上相差多个数量级，所以解决正 负样本不平衡问题对于获得高精度的PCB缺陷检测模型至关重要。

一般而言，通常解决正负样本不平衡可以从算法层面和数据层面上入手。 若是从算法层面入手，对待正负样本不平衡，可以增加负样本错分的惩罚代 价，并将此惩罚代价体现在目标函数中。由于PCB缺陷检测项目中，没有缺 陷的正样本数量与存在缺陷的负样本在数量上相差多个数量级，调试超参数 时选取一个合适的惩罚参数值困难度很高。

从数据层面出发，利用数据重采样使得训练集样本趋于平衡状态。对负 样本上采样，不断复制负样本，直到达到与正样本一致数目。对正样本下采 样，批处理训练中，对于每批随机抽取的样本，限制正样本数。PCB缺陷检 测项目中，具有缺陷的负样本数量才上千张，而无缺陷的正样本数量达十万 数量级，可见正负样本不平衡问题是很严重的，所以若是仅靠复制负样本以 期待达到数据集平衡，也许会导致模型过拟合。

因此，现有技术需要进一步改进和完善。

发明内容

本发明的目的在于克服现有技术的不足，提供一种解决工厂流水线产品 缺陷检测中正负样本严重不平衡的数据平衡法。

本发明的目的通过下述技术方案实现：

一种工厂PCB板缺陷检测中正负样本数据平衡方法，该平衡方法主要包 括如下具体步骤：