[发明专利]基于深度学习PCB缺陷两阶段检测方法

说明书

本申请公开了一种基于深度学习PCB缺陷两阶段检测方法，包含：利用浅层神经网络作第一阶段的检测，包括获取PCB图像模块、CNN模块、FPN模块、PCB特征融合模块、特征掩膜模块、center‑ness模块、HCL模块、PCB缺陷分类模块、缺陷框回归模块、NCC差异修正模块、NMS模块、PCB缺陷库模块等；利用深层神经网络作第二阶段的检测，包括CNN模块、DropMax特征增强模块、融合特征提取模块、分类模块、分类loss模块、归一化模块、缺陷类型模块、缺陷分级等模块等，生成PCB待测板缺陷检测的最终结果。本申请利用深度学习的神经网络技术，充分利用PCB的标准板信息进行PCB缺陷检测，检测速度快、准确性高。

技术领域

本申请涉及缺陷检测技术领域，特别涉及一种基于深度学习PCB缺陷两阶段检测方法。

背景技术

印刷电路板(Printed Circuit Board，PCB)是电子设备必不可少的组成部分，如电脑、手机、冰箱等。现代电子设备性能的优劣，不但受电子元器件本身质量和性能的影响，而且在很大程度上取决于PCB质量的好坏，特别是二维PCB是整个电子电路的基础，是关系到后续电子产品质量的第一道关键环节，也关系到电子系统质量和生产周期的重要环节。随着电子信息领域的高速发展，各种设备生产厂商对于电路板的要求越来越高，不只是追求更高性能和效率，对电路板的良品率和产能还有更加严格的要求。

在对电路板的良品率和产能更加严格的场景下，PCB制造的精度和质量要求也越来越高。对视觉特征不太显著且通常微小稀疏的PCB缺陷数据，如何进行PCB缺陷检测亟需解决。

在相关技术中，二维PCB检测的传统做法是采用人工检测和飞针检测。人工检测是雇佣工人在生产线上对生产完毕的电路板在灯光下用眼睛观察电路板的各个区域，找出电路板的缺陷。人工检测的检测结果不稳定，容易产生漏检，并且效率低下、人工成本上升。飞针检测是按照设计图纸检测焊点之间的连通性，是一种物理检测方法。它用探针来取代针床，使用多个由马达驱动的、能够快速移动的电气探针同器件的引脚进行接触并进行电气测量。飞针检测测试时间长，并且可能对PCB造成损伤，精度和适应范围受限。

利用人工智能方法进行自动检测是当前工业智造的发展趋势，它不仅可以改进复杂的检测设备，也可以将工人从生产线的机械劳动中解放出来，将劳动力用于其他更需要的地方，目前需要一种可以将PCB检测与人工智能结合的技术。

发明内容

本申请提供一种基于深度学习PCB缺陷两阶段检测方法，充分利用PCB的标准板的信息，利用深度学习的神经网络技术，进行PCB缺陷两阶段的检测，得到PCB待测板的缺陷检测结果，检测速度快，准确性高。

本申请第一方面实施例提供一种基于深度学习PCB缺陷两阶段检测方法，包括以下步骤：获取PCB标准板图片和PCB待测板图片；参考所述PCB标准板图片，构建检测所述PCB待测板缺陷的PCB缺陷检测浅层神经网络；基于所述PCB缺陷检测浅层神经网络，进行所述PCB待测板的缺陷特征提取、特征融合、PCB板特征的掩模，对所述PCB待测板的缺陷进行初步检测、分类和回归；基于所述PCB待测板图片的缺陷，利用预先构建的浅层分类和分级网络对所述PCB待测板的缺陷进行分类和分级，生成所述PCB待测板缺陷的初步检测结果；构建检测所述PCB待测板缺陷的PCB缺陷检测深层神经网络，基于所述PCB缺陷检测浅层神经网络初步检测的所述PCB待测板图片缺陷，学习和强化弱的特征，消除模型对部分视图信息的过拟合，融合特征提取，精化PCB待测板缺陷的分类与分级，生成所述PCB待测板缺陷检测的最终结果。