[发明专利]基于深度学习的PCB缺陷自动检测方法

说明书

本发明公开了一种基于深度学习的PCB缺陷自动检测方法，步骤如下：(1)对原始数据进行预处理，作数据格式和尺寸转换，完成数据集划分；(2)对预处理后的图像进行数据增强处理；(3)将增强后的数据输入到一种新的微小缺陷检测网络，训练出缺陷检测模型；(4)将训练后得到的模型进行性能评估；(5)参照步骤(4)评估的结果，对模型开展进一步的优化。本发明实现了PCB板缺陷的自动检测与目标识别，解决了PCB缺陷检测时效率低和精度低的问题，在节约人工成本的同时，大幅度提高缺陷检测的效率和可靠性；本发明提出的缺陷自动检测方法易于扩展到其它领域的微小缺陷检测，如织物缺陷检测和金属表面缺陷检测。

技术领域

本发明属于印制板缺陷检测与小目标识别领域，具体涉及一种基于深度学习的PCB缺陷自动检测方法。

背景技术

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。PCB广泛应用于除最简单的电子产品外的所有产品中，据2019年全球单面印刷电路板市场分析报告估计，到2025年印刷电路板市场将达到850亿美元。然而，当前，确保PCB产品质量的视觉缺陷检测通常是PCB制造的最大成本。近年来，自动光学检测(AOI)系统已经取代了大部分的人工检测，提高了检测精度，但其误检率和漏检率仍然过高。

PCB缺陷检测主要存在三个难题，首先，电子产品中存在各种各样的PCB，不同的PCB具有不同复杂程度的布线设计规则，导致通用算法很难与各种PCB兼容，因此传统PCB缺陷检测方法可能会出现不稳定的情况；其次，PCB缺陷的种类和特征通常会有所不同；第三，在工业上收集大量PCB缺陷样品非常困难，导致某些传统方法的数据不平衡。PCB缺陷可分为两类：功能缺陷和外观缺陷。功能缺陷会严重影响PCB的性能，导致PCB的非正常使用，这些缺陷是最严重的缺陷。外观缺陷主要影响PCB的外观，但从长远来看，由于散热和电流分布异常，也会损害PCB的性能。在这两类缺陷中，有六类缺陷是工业生产中经常出现的，包括缺孔、鼠咬、开路、短路、骨刺和余铜。当前工业生产缺陷检测广泛依赖于自动光学检测和人工检测，无论是检测精度，还是人工失误都可能会带来较大的后果。实现PCB缺陷的自动识别与检测，对于节约人工成本，降低检测错误率都有着深远的影响。

发明内容

本发明的目的在于提供一种基于深度学习的PCB缺陷自动检测方法，解决PCB缺陷检测时效率低和精度低的问题，实现六大主要缺陷的自动检测和目标识别，在节约人工成本的同时，大幅度提高缺陷检测的效率和可靠性。

实现本发明目的的技术解决方案为：一种基于深度学习的PCB缺陷自动检测方法，步骤如下：

(1)对原始数据进行预处理，作数据格式和尺寸转换，完成数据集划分；

(2)对预处理后的图像进行数据增强处理；

(3)将增强后的数据输入到微小缺陷检测网络，训练出缺陷检测模型；

(4)将训练后得到的模型进行性能评估；

(5)结合步骤(4)评估的结果，对模型进行进一步的优化。

本发明与现有技术相比，其显著优点为：(1)本发明提出了一种新的微小缺陷检测网络，该网络能更好地学习微小缺陷检测的特征，解决了传统检测方法存在的一些问题；(2)本发明将深度学习算法与特征金字塔变换相结合来解决PCB缺陷检测问题，将上、下特征图相关联；(3)本发明实现了PCB缺陷的自动检测与识别，节约人工成本；(4)本发明故障检测率较高，能够达到95％以上，大幅度提升传统方法的可靠性和高效性。

附图说明

图1为本发明基于深度学习的PCB缺陷自动检测方法流程图。

具体实施方式

如图1所示，一种基于深度学习的PCB缺陷自动检测方法，步骤如下：