[发明专利]基于多层卷积网络的贴片电阻微空洞与焊点特征提取方法

权利要求书

1.基于多层卷积网络的贴片电阻微空洞与焊点特征提取方法，其特征在于，包括以下步骤：

S1、构建微空洞、焊点训练数据集和测试数据集；

S2、基于残差多尺度跳跃连接网络(RMSC-Net)对微空洞进行检测；

S3、基于循环卷积神经网络(RU-Net)对焊点进行检测；

S4、用训练好的模型进行检测，得到检测结果。

2.根据权利要求1所述的基于多层卷积网络的贴片电阻微空洞与焊点特征提取方法，其特征在于，所述步骤S1具体包括以下步骤：

S11、设置CT设备的加速电压，靶功率和放大倍数，以获取贴片电阻微空洞和焊点清晰的图像；

S12、通过CT设备采集样品图片数据，对采集到的贴片电阻微空洞及焊点数据进行标注，使每一个标注文件包含图像中微空洞和焊点的特征和位置信息；

S13、通过裁剪、旋转和改变亮度的方式提高网络的泛化性，达到数据增强的效果；

S14、将增强后的微空洞与焊点的训练数据分别输入到RMSC-Net和RU-Net中进行训练，RMSC-Net提取微空洞的特征，RU-Net提取焊点的特征；

S15、通过二值交叉熵损失函数调整神经元的权值，将两个网络输出的结果进行融合，最终实现对微空洞和焊点的特征提取。

3.根据权利要求2所述的基于多层卷积网络的贴片电阻微空洞与焊点特征提取方法，其特征在于，所述步骤S11具体为：

在二维X射线检测模式时，将CT设备的加速电压和靶功率分别设置为100KV和4W，根据样品的大小来设置放大倍数，放大倍数在10-50倍之间；

CT设备采集的图像分辨率为1004×1004，为了使各个网络的输出图像与输入图像尺寸一致，在1004×1004像素图像的上下左右都填充2个像素得到1008×1008的图像；

由于CT图像的边缘偏白，所以采用(255，255，255)对图像进行预处理填充。

4.根据权利要求1所述的基于多层卷积网络的贴片电阻微空洞与焊点特征提取方法，其特征在于，所述步骤S2具体包括以下步骤：

S21、RMSC-Net架构包括卷积层、池化层、残差层、多尺度跳跃连接层和上采样层；将CT设备采集的X射线图像及其对应的微空洞标签，包括数据增强后的图像与对应标签，均输入到卷积层中，采用的卷积层是两个分别具有64个卷积核；每个卷积层是filter size为3×3，padding为1的卷积操作，批量归一化和LeakyReLU激活函数的复合函数，LeakyReLU激活函数定义为：

LeakyReLU(x)＝max(0,x)+negative_slope*min(0,x)

S22、卷积层后再通过filter size为2的最大池化层获得图像的高级语义特征，去除X射线图像的冗余信息，最大池化后紧接着两个分别具有128个卷积核的卷积层；编码器共有4个最大池化层，前三个最大池化后的特征图数量都翻倍；为减小计算量，最后一个池化层之后的特征图数量保持不变；最后一个池化层之后是瓶颈阶段，采用残差连接，解决了梯度弥散或梯度爆炸的问题；将残差模块定义为：

y_out＝F(x_in,{W_i})+x_in

其中，x_in和y_out分别是所考虑层的输入和输出向量，函数F(x_in,{W_I})表示待学习的残差映射。