[发明专利]一种基于改进ResNet34网络的PCB板表面缺陷分类方法

权利要求书

1.一种基于改进ResNet34网络的PCB板表面缺陷分类方法，其特征在于，具体按照以下步骤实施：

步骤1：建立PCB板表面缺陷数据集，将数据集按一定比例分成训练集、测试集；

步骤2：对原有的ResNet34网络进行改进，加入通道注意力机制和空间注意力机制，并将改进后的ResNet34网络取名为ResNetAttention；

步骤3：对ResNetAttention网络进行迁移学习，加载PASCAL VOC开源数据集上的部分预训练权重；

步骤4：对进行迁移学习后的ResNetAttention网络使用步骤1中的训练集进行正式训练，更新ResNetAttention网络的各层参数；

步骤5：训练完毕，利用训练好的ResNetAttention网络对PCB板表面缺陷进行分类。

2.根据权利要求1所述的基于改进ResNet34网络的PCB板表面缺陷分类方法，其特征在于：所述步骤1中，收集PCB板表面缺陷图像，将图像人工分为断路、短路、缺口、毛刺、针孔、露铜6类；在分类好的缺陷数据集基础上，对每类图像进行平移、旋转操作进行扩充，并按9：1的比例将数据集划分为训练集、测试集。

3.根据权利要求1所述的基于改进ResNet34网络的PCB板表面缺陷分类方法，其特征在于：所述步骤2中，在原有的ResNet网络第一个卷积层之后和最后一个全连接层之前加入通道注意力机制和空间注意力机制，通道注意力机制表示如下：假设输入特征图X的大小为H×W×C，H、W、C分别表示输入特征图X的高、宽、通道数，通道注意力机制就可以表示为一个1×1×C的三维向量S，三维向量S中的每一个值代表输入特征图X对应通道的权重，经过通道注意力机制后的输出特征图Y如下，输出特征图Y的大小也为H×W×C：

Y_H×W×C＝X_H×W×C*S_1×1×C

空间注意力机制表示如下：假设输入特征图X的大小为H×W×C，H、W、C分别表示输入特征图的高、宽、通道数，空间注意力机制可以表示为一个H×W×1的三维向量G，三维向量G中的每一个值代表输入特征图X对应每一行特征的权重，经过空间注意力机制后输出特征图Y如下，输出特征图Y的大小也为H×W×C：

Y_H×W×C＝X_H×W×C*G_H×W×1。

4.根据权利要求1所述的基于改进ResNet34网络的PCB板表面缺陷分类方法，其特征在于：所述步骤3中，PASCAL VOC是一个开源数据集，包含有1000种类别的图像数据，并包含各个网络对这些图像数据训练完毕的权重系数，迁移学习过程就是使用未训练网络加载已训练完毕网络的权重系数；由于PASCAL VOC开源数据集中已训练完毕网络目标有1000种类别，而本分类网络目标只有6种类别，因此无法完全加载所有权重系数，只能加载除最后一层全连接层外的其他层系数，最后一层全连接层系数应赋默认值0。

5.根据权利要求1所述的基于改进ResNet34网络的PCB板表面缺陷分类方法，其特征在于：所述步骤4中，对断路、短路、缺口、毛刺、针孔、露铜6类缺陷进行量化，分别标记为1、2、3、4、5、6，采用多分类交叉熵函数作为网络损失函数，根据网络预测值和真值的差值进行反向传播，对ResNetAttention网络的各层参数进行更新，将步骤1中的训练集重复放入网络训练。

6.根据权利要求1所述的基于改进ResNet34网络的PCB板表面缺陷分类方法，其特征在于：所述步骤5中，将步骤1中的测试集当作输入图像，利用训练好的ResNetAttention网络对输入图像进行分类，并输出分类置信度。