[发明专利]一种基于MobileNet的SMT缺陷分类算法

权利要求书

1.一种基于MobileNet的SMT缺陷分类算法，其特征在于，包括以下步骤：

步骤一：通过视觉系统进行拍照采集PCB板上所要检测的缺陷位置的图片，不同检测部位各采集缺陷图片；

步骤二：把采集到的不同类别的缺陷图片进行归类制作成数据集，把数据

整理好后划分为train和val数据集，前者用于训练模型的数据，后者用于验证构建的模型准确性；

步骤三：使用train数据集和val数据集分别制作tfrecord数据格式文件

train.tfrecords和val.tfrecords；

步骤四：进行训练MobileNet模型，当模型训练收敛后，进行SMT的缺

陷分类，训练的数据集包括若干个样本图像和每个样本图像所对应的缺陷标注信息，其中标注信息包含图像的分类类别，分类类别包括短路、反向、高翘、焊接不良、立碑、撞件、缺件、位移、锡少、空焊；

步骤五：模型训练完成后，通过该MobileNet模型对采集到的SMT图片

进行缺陷分类，若异常，则根据短路、反向、高翘、焊接不良、立碑、撞件、缺件、位移、锡少、空焊类别显示元器件的相应位置到上位机界面，若正常则显示OK；

步骤六：若发生数据模型的更新则要进行新数据的迭代，同时为了兼容性，

还需进行模型的预测。

2.根据权利要求1所述的一种基于MobileNet的SMT缺陷分类算法，其特征在于，所述步骤四中MobileNet的核心思想是将传统卷积分解为深度可分离卷积与1 x 1卷积。

3.根据权利要求2所述的一种基于MobileNet的SMT缺陷分类算法，其特征在于，所述深度可分离卷积是指输出特征图的每个channel都对应一个卷积核，这样输出的特征的每个channel只与输入特征图对应的channel相关，具体的输入一个K×M×N的特征图，其中K为特征图的通道数，M、N为特征图的宽高，假设传统卷积需要一个大小为C×K×3×3的卷积核来得到输出大小为C×M′×N′的新的特征图，而深度可分离卷积则是首先使用K个大小为3×3的卷积核分别对输入的K个channel进行卷积得到K个特征图，为DepthWise Conv部分，然后再使用大小为C×K×1×1的卷积来得到大小为C×M′×N′的输出，为PointWise Conv部分。

4.根据权利要求2所述的一种基于MobileNet的SMT缺陷分类算法，其特征在于，所述深度可分离卷积操作能够降低模型的大小和计算量，且在性能上能够与标准卷积相当，假设输入特征图大小为：C_in×H_in×W_in，使用卷积核为K×K，输出的特征图大小为C_out×H_out×W_out，对于标准的卷积，其计算量

A为： K×K×C_int×C_out×H_out×W_out

对于分解后的深度可分离卷积，计算量可通过DW部分和PW部分计算量的和B得到，公式如下：

K×K×C_int×H_out×W_out+C_int×C_out×H_out×W_out

因此相比于标准卷积，深度可分离卷积的计算量降低了：

B/A=1/C_out+1/K² 由上式可知，对于一个大小为3×3的卷积核，计算量降低了7-9倍。

5.根据权利要求1所述的一种基于MobileNet的SMT缺陷分类算法，其特征在于，所述算法模型使用了DepthWise Conv降低了参数和计算量，通过调整不同参数会对计算速度和准确率产生不同影响。