[发明专利]一种基于改进MASK RCNN的FPC缺陷检测方法

说明书

本发明公开了一种基于改进MASK RCNN的FPC缺陷检测方法，步骤如下：S1.ROI处理和图像裁剪，采集目标检测图像，对FPC原始图像数据预处理，裁剪成适合网络输入的小图像；S2.对预处理后的图像进行数据增强处理，扩大模型训练的数据集；S3.人工标注；S4.确定特征图block横向堆叠次数N，针对FPC缺陷检测的种类和数量，确定特征图block横向堆叠次数N；S5.模型训练，将标注好的图像数据集送进改进MAKS RCNN网络模型进行训练；S6.对训练好的FPC缺陷检测模型进行性能评估；S7.参数优化微调，结合S6的评估结果，对模型进行进一步的优化。本发明实现了FPC缺陷的自动检测，且通过掩膜分割图像缺陷可得到缺陷大小，方便工作人员复判，大幅度降低了企业检测成本。

技术领域

本发明涉及柔性电路板缺陷检测与图像分割技术领域，尤其是一种基于改进MASKRCNN的FPC缺陷检测方法。

背景技术

柔性印制电路板简称FPC（Flexible Printed Circuit Board），具有厚度薄、重量轻、可自由弯曲折叠的特点。与传统电路板相比，FPC占用空间少，可以大幅度降低封装尺寸和重量，以满足电子产品的高度集成化，可移动性的要求，可实现电路的立体空间布线，增强产品的可靠性，降低组装成本。因为FPC材料特殊、集成度高、工艺复杂，制造过程很容易受设备、人员、环境等因素的影响而产生缺陷。

MASK RCNN网络是一个基于RCNN网络改进的实例分割模型，可以在目标检测的同时精确分割出对应目标的像素。MASK RCNN的特征提取主要由残差网络与特征金字塔网络组成，将提取的特征图送入RPN网络筛选候选框，最后由分类分支、检测分支和掩膜分支完成目标检测和分割，MASK RCNN实例分割网络对于PCB检测虽然有着不错的检测精度和分割精度；但是FPC相对于PCB，具有图像种类多、数量多、位置随机、特征信息少、缺陷小等缺陷特性；传统图像处理方法难以实现对此类FPC缺陷图像的精准检测和分割，MASK RCNN网络模型也难以对FPC的缺陷进行准确的检测、分类和分割，基于此，急需一种基于改进MASKRCNN的FPC缺陷检测方法解决上述问题。

发明内容

本发明的目的是克服现有技术的不足，本发明提供了一种基于改进MASK RCNN的FPC缺陷检测方法，实现FPC主要缺陷的自动检测、分类和分割，节约企业人工成本的同时，大幅度提高缺陷检测的效率。

本发明的技术方案：

包括如下步骤：

S1. ROI处理和图像裁剪，采集现场的目标检测图像，对FPC原始图像数据进行预处理，预处理包括ROI处理和图像裁剪；

S2.对预处理后的图像进行数据增强处理；

S3.人工标注，对增强处理后的图像数据进行人工标注，再划分数据集；

S4.确定特征图block横向堆叠次数N，其中针对要识别的FPC缺陷种类和数量，确定特征图block横向堆叠次数N；

S5.模型训练，将标注好的图像数据送入改进MASK RCNN网络模型训练，训练出FPC缺陷检测模型；

S6.对训练好的FPC缺陷检测模型进行性能评估；

S7.参数优化微调，结合S6的评估结果，对FPC缺陷检测模型进一步的优化微调。

进一步的，S5具体包括如下步骤：

S51：将RPN网络anchor的像素面积设置为{8²，16²，32²，64²，256²}，anchor的宽高比设置为{3:4，1:1，3:1}，anchor的步长设置为4；

S52：使用EfficientNet作为主干特征提取网络提取特征；