[发明专利]基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法

权利要求书

1.基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，其特征在于，包括以下步骤：

步骤一、数据集制作，将采集到的PCB电路板图像进行图像预处理，标注出图像中的锡膏区域，分别制作PCB板锡膏区域的目标检测数据集和语义分割数据集；

步骤二、定位模型训练，使用改进的YOLOv7对锡膏区域目标检测数据集进行训练并得到用于检测电路板图像中锡膏区域位置的定位模型，用于实现对锡膏区域的粗定位；

步骤三、分割模型训练，将锡膏区域语义分割数据集作为输入用于PSPNet模型训练，得到能精细分割锡膏区域的分割模型；

步骤四、缺陷类型判断，测试时将图像先经定位模型检测出锡膏区域大致位置，将该区域输入到分割模型中进一步对锡膏区域进行分割，最后计算分割出的锡膏区域面积来判断锡膏缺陷的类型。

2.根据权利要求1所述的基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，其特征在于，所述步骤一中，具体包括以下步骤：

a、在PCB生产线用RGB相机采集PCB电路板图像；

b、对采集图像进行预处理，包括图像去噪、裁剪变换、数据增强的操作，用标注工具分别对锡膏区域进行位置标注和像素级标注，制作锡膏区域的目标检测数据集和语义分割的数据集，并划分训练集和测试集。

3.根据权利要求1所述的基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，其特征在于，所述步骤二中，具体包括以下步骤：

a、基于深度学习Pytorch框架搭建改进的YOLOv7模型，并设置超参数：学习率、最大迭代次数、训练批量大小、优化器参数、损失函数；

b、将制作好的锡膏区域目标检测训练集输入所述搭建好的改进YOLOv7模型进行训练，得到能对锡膏区域进行粗定位的定位模型。

4.根据权利要求1所述的基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，其特征在于，所述步骤三中，具体包括以下步骤：

a、基于深度学习Pytorch框架搭建PSPNet模型，并设置超参数：学习率、最大迭代次数、训练批量大小、优化器参数、损失函数；

b、将制作好的锡膏区域语义分割训练集输入所述搭建好的PSPNet模型进行训练，得到能进一步精细分割锡膏区域的分割模型。

5.根据权利要求1所述的基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，其特征在于，所述步骤四中，具体包括以下步骤：

a、将所述测试集输入YOLO定位模型中，实现对锡膏区域的粗定位；

b、将定位模型的输出结果按照识别出的锡膏区域进行裁剪，作为PSPNet分割模型的输入；

c、利用训练好的PSPNet分割模型对所述裁剪后的锡膏区域进一步精细分割；

d、计算分割出的锡膏区域面积并根据面积阈值判断锡膏缺陷的类型。

6.根据权利要求1所述的基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，其特征在于，所述的锡膏区域目标检测数据集和语义分割数据集制作方法为，利用LabelImg标注软件对锡膏区域进行矩形框选制作目标检测数据集，利用Labelme标注软件对锡膏区域进行像素级标注制作语义分割数据集。

7.根据权利要求1所述的基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，其特征在于，所述的改进的YOLOv7模型，具体包括，将原始YOLOv7模型中的主干特征提取网络改进为轻量级的MobileNetV2，并增加4倍下采样层，主干特征提取网络将提取出四个有效特征层，相应地PAN模块进行特征融合和检测头预测时也增加一个尺度的特征块。

8.根据权利要求1所述的基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，其特征在于，所述的缺陷类型有多锡、少锡、连锡。

9.根据权利要求1所述的基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，其特征在于，标准锡膏面积为S，冗余面积为r1，锡膏面积小于(S-r1)像素面积的判定为少锡，锡膏面积大于(S+r1)像素面积的判定为连锡，面积介于两者之间的判定为多锡。