[发明专利]一种基于改进ResNet34网络的PCB板表面缺陷分类方法

说明书

本发明公开了一种基于改进ResNet34网络的PCB板表面缺陷分类方法，具体实施内容为：本发明首先建立PCB板表面缺陷数据集，将数据集按9：1分成训练集、测试集；然后对原有的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；对ResNetAttention网络进行迁移学习，加载PASCAL VOC数据集上的预训练权重；对进行迁移学习后的ResNetAttention网络使用训练集进行正式训练，得到ResNetAttention网络各层参数大小；训练完毕，使用测试集测试ResNetAttention网络分类性能指标，并与原ResNet34网络进行对比。该方法提高了PCB缺陷分类准确率，解决了传统人工PCB缺陷检测工作效率低、劳动强度大的问题。

技术领域

本发明涉及PCB板表面缺陷领域，具体涉及深度学习领域一种基于改进ResNet34网络的PCB板表面缺陷分类方法。

背景技术

印刷电路板(PCB)，是集成电路(IC)中较为基础的部件，自上个世纪50年代以来，集成复杂度由小规模发展到如今的特大规模，PCB在民用产品(如智能手机、便携电脑)或军用精密产品(如无人机)上的使用都极为广泛。随着制造技术越来越复杂，业界对PCB产品的工艺质量控制提出了更高的要求。然而由于生产过程天气等恶劣因素的不确定性和制作机器故障以及人为因素所造成的误差等影响，导致在过程中难免会出现同一批次质量不同的现象，如果不对这些因素进行最小限度的控制和最大程度的检测，所造成的损失是难以估量的，并且会对企业造成更大的影响。

目前，PCB板表面缺陷分类仍以人工分类为主，这种方式易受检测人员主观性影响大，检测费时费力，无法满足产品的工业自动化生产需求。另一方面，随着深度学习和数字图像处理技术不断的发展，基于这两种技术实现PCB板表面缺陷分类成为一种更好的选择。

本发明针对现有技术的不足，提出了一种基于改进ResNet34网络的PCB板表面缺陷分类方法，首先建立PCB板表面缺陷数据集，将数据集按9：1分成训练集、测试集；然后对原有的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；对ResNetAttention网络进行迁移学习，加载PASCAL VOC开源数据集上的部分训练权重；对进行迁移学习后的ResNetAttention网络使用训练集进行正式训练；训练完毕，使用测试集测试ResNetAttention网络分类性能指标，并与原ResNet34网络进行对比。该方法提高了PCB缺陷分类准确率，解决了传统人工PCB缺陷检测工作效率低、劳动强度大的问题。

本发明所采用的技术方案是，一种基于改进ResNet34网络的PCB板表面缺陷分类方法，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，使用步骤1中的测试集测试ResNetAttention网络分类性能指标，并与原ResNet34网络进行对比。

至此，实现了基于改进ResNet34网络的PCB板表面缺陷分类方法。

本发明的有益效果是：