[发明专利]一种基于MobileNet的SMT缺陷分类算法

说明书

本发明公开了一种基于MobileNet的SMT缺陷分类算法，包括：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；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；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；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；步骤六：若发生数据模型的更新则要进行新数据的迭代，为了兼容性，还需进行模型的预测。本发明所述的一种基于MobileNet的SMT缺陷分类算法，可以降低计算量，提升运算速度，调试较方便，替代了更多的人工检测，具有很好的适用性。

技术领域

本发明涉及生产加工质量在线检测与预测领领域，特别涉及一种基于MobileNet的SMT缺陷分类算法。

背景技术

随着印刷电路板安装的表面贴片技术SMT的广泛应用，并向着密度更高和器件更小的方向发展，不同的针对SMT的图像检测方法应运而生。目前常用的有人工目检、飞针测试和在线测试自动光学检测等。

人工目检是一种用肉眼检测的方法。飞针测试是一种机器检査方式，它是以两根探针对元器件加电的方法来实现检测的，能够检测元器件失效、性能不良等缺陷。自动光学检测AOI是基于光学原理来对焊接生产中遇到的常见缺陷进行检测的设备。当自动检测时，机器通过CCD自动扫描PCB板，采集图像，测试的焊点与数据库中的合格的参数进行比较，经过图像处理，检查出PCB上缺陷，并通过显示器或自动标志把缺陷标示出来，供维修人员修整。该图像处理过程通过传统的图像比对算法进行缺陷检测，该方法对图像要求较高，影响因素较多，会造成检测准确度较低，人工目检受人主观因素影响，具有很高的不确定性。飞针测试方式对插装PCB和部分尺寸元器件贴装的密度不高的PCB比较实用，但是，元器件的小型化和产品的高密度化使这种检测方式的不足表现明显。自动光学检测AOI的方式检测速度快，可以放到产线上的不同位置，便于及时在线发现故障和缺陷，使生产检测合二为一。之前使用较多的是基于词袋模型的物体分类方法，该方法从自然语言处理中引入，即一句话可以用一个装了词的袋子表示其特征，袋子中的词为句子中的单词、短语或字。对于图像而言，词袋方法需要构建字典，但是，传统图像分类方法由多个阶段构成，框架较为复杂。

为此，我们提出一种基于MobileNet的SMT缺陷分类算法，该算法是基于深度学习的分类算法，本专利通过对图像进行分类来识别不同元器件的异常，来标记出相应位置的缺陷，基于深度学习的图像分类方法，可以通过有监督或无监督的方式学习层次化的特征描述，能够取代手工设计或选择图像特征的工作，同时，端到端的 CNN 模型结构可一步到位，而且大幅度提升了分类准确率。

发明内容

本发明的主要目的在于提供一种基于MobileNet的SMT缺陷分类算法，可以有效解决背景技术中的问题。

为实现上述目的，本发明采取的技术方案为：

一种基于MobileNet的SMT缺陷分类算法，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大量的缺陷图片；

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，后者主要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