[发明专利]一种PCB文字区域缺陷检测方法

说明书

本发明公开了一种PCB文字区域缺陷检测方法。该方法包括以下步骤：S1获取标准图像子区域图像，将标准图像拆分为便于处理的小图像；S2使用已训练好的文字检测模型筛选包含文字的标准子区域图像；S3利用一种快速定位方法获取和标准子区域图像对应的测试子区域图像，并标注数据构建训练数据集；S4搭建模型，并使用训练数据集训练模型；S5将标准文字区域图像和测试文字区域图像送入训练好的网络，获得预测结果；S6根据网络预测结果判断子区域图像是否含有缺陷。利用本发明，能够准确地检测PCB文字区域的缺陷，排除了文字不一致时的误判。本发明可广泛用于工业视觉中PCB板相关的缺陷检测系统中。

技术领域

本发明涉及数字图像处理、模式识别和统计学习等技术领域，尤其涉及一种PCB文字区域缺陷检测方法。

背景技术

PCB(Printed Circuit Board)，中文名称为印制电路板，又称印刷线路板，是重要的电子部件，是电子元器件的支撑体，是电子元器件电器连接的载体。PCB板本身是否存在缺陷将直接影响使用该PCB电路板的设备性能，所以对于PCB电路板的缺陷检测显得尤为必要。PCB缺陷种类较多，包含露铜、板污、线路刮伤、阻焊过薄、防焊偏移、文字模糊等十几种缺陷，不同的缺陷形状、大小、颜色、位置均不一样，导致检出困难，尤其是文字区域。文字作为PCB板上的标识区域，在PCB板面上占有相当大一部分比重。有作为元件型号标识的固定文字区域，还有作为版本号或者生产日期标识的可变文字区域。文字区域的缺陷主要包含两种类型：一种是文字本身的缺陷，如文字模糊、文字缺失；另一种是其他类型的缺陷，比如露铜、脏污等。当前现有的一些缺陷检测技术中，大部分是基于差影法，通过对比标准图像和测试图像的特征差异或者连通域的差异，若不一致则认为有缺陷，不一致区域即为缺陷位置；另一种是基于深度学习的方法，深度学习包含两种思路，一种是基于目标检测的思路，把缺陷当做一种目标来进行检测；另一种是基于分割的思想，对图像区域每个像素进行分类判断，再经过连通域等后处理来定位缺陷。文字相比其他区域特殊的地方在于不能简单地把差异的地方当做缺陷，差异也可能是文字内容的差异，不一定是缺陷。针对文字的缺陷，现有方法大部分使用文字识别、或者文字特征模板的比对来判断是否有差异，以此来检测文字缺陷。无论是传统的方法还是深度学习方法，这两种方法对于文字区域会存在以下问题：无法将真正的缺陷和文字内容差异区分开来。当文字占比较大时，检测准确度明显下降，所以需要对文字区域部分做特殊处理，以此来更进一步提升缺陷检测的准确率。

发明内容

本发明的目的在于提供一种PCB文字区域缺陷检测方法，以解决上述技术问题。

为了实现上述目的，本发明提出的一种PCB文字区域缺陷检测方法包括以下步骤：

步骤S1，获取标准图像子区域图像，将标准图像裁剪为便于处理的小块图像；

步骤S2，使用已训练好的文字检测模型筛选包含文字的所述标准子区域图像；

步骤S3，获取和所述标准子区域图像对应的测试子区域图像。结合PCB图像内容较规整的特点，采用基于边缘特征的匹配方法粗对位，进一步采用归一化互相关NCC作为图像相似度判断准则进行精对位。标注获取的图像对构成训练集；

步骤S4，搭建所述模型并训练模型。所述模型结合了文字检测和分割的方法，对所述图像进行文字和缺陷的像素级别分类；

步骤S5，将所述标准文字区域图像和测试文字区域图像在通道方向做连接，送入训练好的网络，获得预测结果；

步骤S6，根据所述预测结果，结合PCB设计文件的位置信息、预测缺陷区域的大小等判断是否含有缺陷。

本发明中提出的PCB文字区域缺陷包括但不限于：阻焊过薄、防焊偏移、板污、露铜、文字不清、字符模糊、文字缺失、文字偏移上焊盘。

本发明提出一种PCB文字区域缺陷检测方法。本发明所述方法对于提高计算机视觉PCB缺陷检测的准确性和鲁棒性具有重要意义，其主要优点如下：