[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

说明书

本发明涉及印刷电路板图像分析领域与深度学习技术领域，尤其涉及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。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，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，可以有效识别出大量缺陷电路板中可被接受的PCB电路板，并给出模型判别的理由解释，提高识别带虚假缺陷PCB的准确率，解决了PCB缺陷识别准确率较低和对假缺陷错判率较高的问题。

技术领域

本发明涉及印刷电路板图像分析领域与深度学习技术领域，尤其涉及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。

背景技术

传统PCB行业的缺陷检测中，由机器通过传统图像处理技术的缺陷检测排除有缺陷的PCB电路板，同时也会排除大量仅有少量可接受缺陷的PCB电路板。为了在被机器检测出存有缺陷的PCB电路板中筛选出可被接受的电路板，往往需要人工来识别处理，效率极低。这无疑加大了工作负担，进而降低了生产效率，也有可能出现误诊、漏诊的情况。

由于深度学习的快速发展以及大量的PCB数据集的涌现，通过深度学习进行PCB缺陷图像识别已经成为了一种可行的方法，这在很大程度地解决了上述问题。最为常用的当属卷积神经网络。神经网络越深层，网络的识别率越高，因此，增加神经网络的深度能够提高PCB缺陷检测的准确性。然而神经网络的预测能力仍十分有限，随着神经网络的深度增加，网络越难训练，可能会出现梯度消失、梯度爆炸或者是退化问题，并且传统的卷积神经网络在面对复杂多种的PCB缺陷图像时也存在图像识别准确率较低的问题。

发明内容

针对背景技术提出的问题，本发明的目的在于提出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，可以有效识别出大量缺陷电路板中可被接受的PCB电路板，并给出模型判别的理由解释，提高识别带虚假缺陷PCB的准确率，解决了由于深度卷积神经网络可能出现的梯度消失、梯度爆炸问题而导致PCB缺陷识别准确率较低和对假缺陷错判率较高的问题。

本发明的另一目的在于提出一种识别系统，能够应用于PCB行业的缺陷检测中，有效控制质量异常，减少人力成本。

本发明的另一目的在于提出一种计算机可读存储介质，所述计算机可读存储介质上存储有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程序，程序被处理器执行时实现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的步骤。

为达此目的，本发明采用以下技术方案：

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，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；

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。