[发明专利]基于YOLOv5卷积神经网络的电子元器件表面缺陷检测方法

说明书

本发明公开了一种基于YOLOv5卷积神经网络的电子元器件表面缺陷检测方法，包括如下步骤，利用高速工业相机采集工电子元器件表面缺陷图像；利用图像标注具LabelImg对电子元器件表面图像进行缺陷位置和类型的标注，构建缺陷数据集；对构建的训练数据集D进一步进行数据扩充，得到扩充后的训练数据集Dk；基于YOLOv5卷积神经网络基本框架，构建用于缺陷检测的深度学习网络模型；用训练数据集Dk来训练所述深度学习网络模型；获取电子元器件生产流水线上多路摄像头所采集的电子元器件表面图像，然后输入到训练好的深度学习网络模型中，进行缺陷检测，得到检测结果；本发明所提出的自动化电子元器件外观缺陷检测方法的检测效率更高，检测速度更快，泛化能力更强。

技术领域

本发明涉及电子元器件表面缺陷检测技术领域，具体为基于YOLOv5卷积神经网络的电子元器件表面缺陷检测方法。

背景技术

电子元器件生产是电子信息制造业中最基础也是最核心的一环。目前，随着电子信息技术的高速发展，对电子元器件的质量和性能要求也日益提升。而在电子元器件生产线上的各个环节中，由于设备的差异性以及自然磨损，不可避免的会生产出一些带有表面缺陷的电子元器件。因此，如何高效并及时的发现并剔除这些有缺陷的电子元器件，对保证后端产品质量以及性能发挥有着非常关键的作用，是生产过程中不可或缺的一环。

在早期，针对这种电子元器件表面缺陷，主要是依靠人工抽样目检的方式，通过肉眼来观察是否存在缺陷。这种方式易受检测工人的主观影响，缺乏规范性，从而导致容易出现漏检或误检，并且需要大量的人工参与，人力成本高而效率又十分低下。

后来，随着计算机和图像处理技术的发展，开始出现通过CCD相机采集光学图像，然后输入计算机通过传统图像处理算法和机器学习方法来进行自动化检测的设备。这种方法虽然在一定程度上实现了自动化检测，有效提升了检测效率，但是由于传统的图像处理算法是依靠手工设计的特征来进行模板匹配或基于SVM进行分类的操作方式，这种方法的场景适应能力差，检测性能不稳定，易受手工设计特征优劣的影响，并且计算速度慢，检测效率低。

最近，随着深度学习技术的发展，开始出现基于深度神经网络的电子元器件缺陷检测方法。中国专利(CN113267508A)中公开了一种电子元器件缺陷检测设备和检测方法，该方法通过利用多个神经网络来提取电子元器件的缺陷图像特征，然后再通过数据对比模块来进行电子元器件的缺陷检测。这个方法虽然利用神经网络来自动提取图像特征进一步提升了缺陷检测效率和性能，但是该方法中多个神经网络模型的组合使用，增加了模型的复杂度，影响了模型的检测速度。另外通过数据对比的方式来进行缺陷检测，限制了检测模型的泛化能力。因此，亟需一种检测效率更高，检测速度更快，泛化能力更强的自动化电子元器件外观缺陷检测方法。。

发明内容

针对背景技术中提到的问题，本发明的目的是提供一种基于YOLOv5卷积神经网络的电子元器件表面缺陷检测方法，以解决背景技术中提到的问题。

本发明的上述技术目的是通过以下技术方案得以实现的：

基于YOLOv5卷积神经网络的电子元器件表面缺陷检测方法，具体包括以下步骤：

(1)利用高速工业相机采集工厂流水线上不同种类的电子元器件表面缺陷图像；

(2)利用图像标注工具LabelImg对电子元器件表面图像进行缺陷位置和类型的标注，构建缺陷数据集，并将其分为训练数据集D和测试数据集T；

(3)由于生产过程中出现缺陷的电子元器件数量较少，为了得到足够多的缺陷样本用于训练深度学习网络模型，避免发生过拟合现象，同时增强网络的鲁棒性，对2)中构建的训练数据集进一步进行数据扩充，得到扩充后的训练数据集Dk；

(4)基于YOLOv5卷积神经网络基本框架，构建用于缺陷检测的深度学习网络模型；

(5)用步骤(3)中得到的训练数据集Dk来训练步骤(4)中构建的深度学习网络模型；