[发明专利]基于规范化卷积注意力机制的PCB真假点识别与可解释方法

权利要求书

1.一种基于规范化卷积注意力机制的PCB真假点识别与可解释方法，其特征在于，包括以下步骤：

数据获取步骤：将PCB真假缺陷图数据集进行预处理，并将预处理后的数据集分为训练数据集与测试数据集；

模型构建步骤：构建基于规范化卷积注意力机制的PCB识别与可解释的神经网络模型，所述神经网络模型的卷积层包括自上而下的多注意力机制模块、特征规范化模块和对比解释模块，包括以下步骤：

基于所述多注意力机制模块生成包含多个关键局部特征的样本综合特征图；基于所述特征规范化模块生成样本的标准化特征图，所述标准化特征图包括样本标准特征图和累计平均特征图；基于所述对比解释模块对样本标准特征图和累计平均特征图进行对比以进行类别判断并给出模型判断原因；

所述多注意力机制模块由多通道的分步注意力卷积层组成，每个分步注意力卷积层均包括BN层、Relu层和三维卷积层，随着注意力的提高，卷积核分别由1*1*1到2*2*2到3*3*3，将一张图片分成多个注意力特征图通道，通道之间有距离限制，每个通道分别提取不同部位的关键局部特征，最后取各通道的特征图的峰值加权合并得到包含多个关键局部特征的样本综合特征图；

所述特征规范化模块位于特征图的输出层，所述特征规范化模块包括二维互相关层、BN层和Relu层，能将得到的样本综合特征图进行规范化对准，得到并输出有标准位姿的样本标准特征图和累计平均特征图；

其中，包含的二维互相关算法公式为：

其中，f为输入特征图，f(x,y)为输入特征图中的每个点，t是指与输入特征图作互相关运算的模板图，指模板图的平均值，指输入特征图与模板图对应部分的平均值，u与v指模板图在x轴与y轴的移动单位；

所述对比解释模块包括交叉对比层、Flatten层、3层全连接层、Softmax层和可解释输出模块，所述3层全连接层分别为含有128个神经元的H1、含有100个神经元的H2和含有10个神经元的H3，判别结果的输出层为Softmax层，解释结果输出层为自定义的专家系统解释器；

模型训练步骤：设置得到的神经网络模型的超参数；

将标注好的训练数据集导入到设置好超参数的神经网络模型中进行训练学习，采用随机梯度下降算法和类高斯分布损失算法训练模型；

模型在运算时输出分类预测结果，并生成对应PCB真假分类缺陷的标准化特征图，对比标准化特征图后给出对单样本判断的原因即判断逻辑解释，通过判断逻辑解释的准确性来进行人工调整神经网络以再次优化模型，待模型充分收敛后保存，导出模型结构和权重参数，得到训练好的神经网络模型；

数据测试步骤：用神经网络模型对测试数据集中的PCB真假点数据进行识别测试，得到最终的真假点分类结果和对每次判断的自解释输出。

2.根据权利要求1所述的基于规范化卷积注意力机制的PCB真假点识别与可解释方法，其特征在于，所述模型训练步骤中，所述神经网络模型通过类高斯分布损失算法进行梯度下降，所述类高斯分布损失算法用于引导所述多注意力机制模块找到准确的局部关键特征位置，类高斯分布损失算法的公式为：

其中，Aexp指以e为底的指数函数，(x₀,y₀)表示局部关键点位置，(x,y)为当前点位置，σ_X为X总体的标准差，σ_Y为Y总体的标准差。

3.根据权利要求1所述的基于规范化卷积注意力机制的PCB真假点识别与可解释方法，其特征在于，所述数据获取步骤包括：

收集AOI设备检测出的带缺陷的PCB实物图，通过人工分类出其中的真缺陷与假缺陷图，做好真假标签标注，将收集好的PCB缺陷图输入到预处理系统中；

通过图像膨胀与腐蚀以及二值化对PCB缺陷图进行处理。

4.根据权利要求1所述的基于规范化卷积注意力机制的PCB真假点识别与可解释方法，其特征在于，所述模型训练步骤还包括经过多次实验调整神经网络模型的超参数，所述超参数包括模型的隐藏层层数、选用的激活函数和深度可分离卷积核数量。