[发明专利]一种轻量级的PCB缺陷检测方法

权利要求书

1.一种轻量级的PCB缺陷检测方法，其特征在于：包括如下步骤：

S1：将待检测的PCB局部照片做显著性区域分割拼接成整体照片并做后期处理；

S2：将处理好的整体图像送入轻量级元器件检测网络，输出元器件检测结果；

S3：根据元器件检测结果，将具有文本的元器件图像送入文本识别模块，输出文本识别结果；

S4：根据输出的文本识别结果中每个元器件的信息，结合对比信息输出缺陷分析结果。

2.根据权利要求1所述的一种轻量级的PCB缺陷检测方法，其特征在于：所述步骤S1中整体照片的拼接过程为：

A1：采集PCB板生产线上高清局部图像并分割显著性区域；

A2：对采集到的显著性区域图像进行SIFT特征点的提取，然后使用RANSAC算法筛选可靠匹配点；

A3：计算采集到的匹配点之间的斜率和欧氏距离，利用K均值聚类提取数量最多的点堆作为最终匹配点，生成拼接图像。

3.根据权利要求1所述的一种轻量级的PCB缺陷检测方法，其特征在于：所述步骤S2中轻量级元器件检测网络对于图像的处理过程为：

B1：使用PCB板生产线上高清图像切割成的图片库，训练轻量级PCB元器件检测网络，直至网络收敛；

B2：将完整的拼接图像送入训练好的轻量级PCB元器件检测网络，通过改进的轻量级结构和残差层，并统一两个分支的特征通道数，输出特征图；

B3：将输出的特征图送入RPN区域建议网络，并使用CAROI Pooling代替原始ROIPooling，得到目标区域；

B4：根据输出的目标区域，采用改进的Faster R-CNN目标检测算法预测输出对应区域拥有目标的概率，然后通过回归，调整和细化边界框；

B5：根据步骤B4中元器件目标检测结果，从而输出各元器件位置与类别信息。

4.根据权利要求1所述的一种轻量级的PCB缺陷检测方法，其特征在于：所述步骤S3的具体过程为：

C1：使用MJSynth图像库，训练轻量级文本识别网络，直至网络收敛；

C2：根据步骤S2输出的元器件信息，将包含文本的元器件图像送入训练好的轻量级文本识别网络，通过STN转换层和改进高效轻量级网络PeleeNet，输出图像深度纹理特征；

C3：将输出的图像深度纹理特征图送入循环神经网络层，并引入Dense layer结构，输出预测的特征序列的标签分布；

C4：使用注意力机制模块AM，将输出的标签分布转换为最终的文本识别结果。

5.根据权利要求1所述的一种轻量级的PCB缺陷检测方法，其特征在于：所述步骤S4中缺陷分析的具体过程为：

D1：根据步骤S3输出的元器件信息，进行单电路板的正反面对比，检测是否出现缺陷；

D2：根据步骤S3输出的元器件信息，进行相同类型电路板的不同板之间的对比，检测是否出现缺陷；

D3：根据步骤S3输出的元器件信息，利用传统的图像处理方法统计每一个元器件的引脚数量，并在软件上显示出来，根据对比信息判断元器件是否存在缺陷。

6.根据权利要求3所述的一种轻量级的PCB缺陷检测方法，其特征在于：所述步骤B2中轻量级PCB元器件检测网络对于拼接图像的具体处理过程为：将原始PeleeNet结构变为两个任务分支，第一个在原始平均池化层之前的3x3卷积层改为1x3和3x1卷积层，使用两个一维卷积核来替换3x3提取特征，另一个分支使用1×1大小和1x3加3x1大小的卷积核来提取特征，然后统一两任务通道数，对两个通道进行融合。

7.根据权利要求3所述的一种轻量级的PCB缺陷检测方法，其特征在于：所述步骤B3中使用Context-Aware ROI Pooling代替Faster RCNN中原始的ROI Pooling，采用双线性反卷积核上采样，扩大小建议框的特征区域。