[发明专利]基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法

说明书

本发明公开了一种基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，首先将采集到的PCB电路板图像进行图像预处理，标注出图像中的锡膏区域，分别制作锡膏区域目标检测和语义分割数据集；然后使用改进的YOLOv7对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PSPNet训练语义分割训练集得到能精细分割锡膏区域的分割模型；测试时将图像先经定位模型检测出锡膏区域位置，传给分割模型后进一步分割出锡膏区域，最后计算分割出的锡膏区域面积来判断锡膏缺陷的类型。本发明能准确检测出锡膏的多锡、少锡、连锡缺陷类型，便于生产线根据缺陷类型及时调整给锡量，解决了锡膏印刷缺陷检查困难的难题，提升了PCB生产自动化和产品质量水平。

技术领域

本发明涉及PCB电路板缺陷检测领域，具体涉及一种基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法。

背景技术

在电子产品、电气产品的生产过程中，PCB电路板是其中重要的零部件，对PCB板的质量监测在生产质检中十分重要。其中，锡膏印刷机在印刷时容易出现错位的现象，导致各种锡膏缺陷，生产出的PCB电路板达不到质量要求。

传统的PCB质检主要由人工完成，工人在生产线上检查PCB电路板的生产情况，剔除不合格的产品，耗时长且工作量巨大，不利于自动化生产线的发展。此外，随着PCB技术的快速发展，PCB电路板的体积也在不断缩小，电路板上的锡膏区域尺寸也大幅减小，人工质检难以检查出小尺寸缺陷。基于自动化生产的需求和计算机视觉研究的深入，特别是深度学习技术的出现，相关技术在PCB质检中的应用逐渐展开，但面对PCB电路板目标密集且尺寸小的检测任务，现有检测方法仍普适性较差。

发明内容

为解决上述问题，本发明提供了一种基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，用于PCB电路板锡膏缺陷检测，可以关注到锡膏缺陷的边缘和轮廓，提高对PCB电路板上小目标缺陷检测的准确性，通过自动化检测方法检测出锡膏缺陷的多锡、少锡、连锡缺陷类型，及时调整生产线的给锡量，解决了锡膏印刷缺陷检查困难的难题，提升PCB板生产的自动化和产品质量水平。

实现本发明目的的技术方案如下：

一种基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法，包括如下步骤：

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，传给分割模型后进一步分割出锡膏区域，最后计算分割出的锡膏区域面积来判断锡膏缺陷的类型。

作为本发明再进一步的方案，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；

本发明在数据集制作阶段，采用RGB相机采集并进行数据预处理，可确保采集到高质量的图像数据并提高数据集制作的质量。

作为本发明再进一步的方案，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；