[发明专利]基于Faster-RCNN模型的元器件弱缺陷高精度检测方法

说明书

本发明公开了一种基于Faster‑RCNN模型的元器件弱缺陷高精度检测方法，包括：1)元器件图像采集；2)对原始图像进行双线性插值，得到为原图两倍大小的超尺度图；3)对原图进行特征提取，得到原图特征；对超尺度图做特征提取，得到超尺度图特征；4)对超尺度图特征进行最大值下采样，与原图特征对齐；5)将超尺度图特征与原图特征进行拼接融合；6)将融合后的特征图输入检测头，进行缺陷的定位及分类。本发明基于Faster‑RCNN模型对电子元器件缺陷检测，加强了对弱缺陷的检测能力，缓解了现有技术对元器件弱缺陷检测精度不高的问题，提高了元器件缺陷的整体检测精度。

技术领域

本发明涉及工业电子元器件缺陷检测的技术领域，尤其是指一种基于Faster-RCNN模型的元器件弱缺陷高精度检测方法。

背景技术

人工筛选是工业产品最早的检测方法，但是这种方法准确性不高，实时性差，效率低，成本高，受人工经验和主观因素影响大，而基于机器视觉的自动化检测方法可以很大程度地克服上述弊端，在电子元器件产品的自动化生产中表现卓越。通过料盘、转盘、高速相机、光源等设备的配合，可以组成电子元器件缺陷检测的硬件机构。及时检测出外观缺陷可以有效提高电子元器件的整体质量，延长使用寿命，增强企业的竞争能力。

目前基于机器视觉的检测法可以分为图像处理方法、传统机器学习方法和深度学习方法。图像处理方法通常需要人工设计特征，高度依赖经验，且对不同任务的泛化能力不强，已逐渐退出人们的研究视野。随着工业视觉检测性能要求的不断提高，基于传统机器学习的检测方法已经难以满足现代工业精度高，速度快的要求。深度学习方法在检测精度和速度上均优于传统机器学习方法。然而，通用的深度学习方法backbone下采样率大，容易丢失细节信息，不利于弱缺陷的检测，现有方法通过深浅层特征图融合和特征金字塔网络来检测弱缺陷，然而，极弱缺陷可能只有十几个像素，经过浅层网络提取后，仍然丢失了许多有用的细节信息，无法应对极弱缺陷的检测。

因此，目前的所用的检测方法都难以应对广泛存在于工业产品中的弱缺陷，无法满足现代工业的超高精度检测需求。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于Faster-RCNN模型的元器件弱缺陷高精度检测方法，实现工业产品的高精度自动检测，提高工业电子元器件的整体质量，增强企业竞争力。

为实现上述目的，本发明所提供的技术方案为：基于Faster-RCNN模型的元器件弱缺陷高精度检测方法，包括以下步骤：

1)采集待检测元器件的原始图像；

2)对步骤1)的原始图像进行双线性插值，得到为原始图像两倍大小的超尺度图；

3)将原始图像作为Faster-RCNN模型第一流的输入，经过整个特征提取模块进行特征提取，得到包含高级语义信息的原图特征；

将超尺度图作为Faster-RCNN模型第二流的输入，经过特征提取模块的前三层网络进行特征提取，保留超尺度图中有利于弱缺陷检测的细节信息，得到超尺度图特征；

4)对超尺度图特征进行最大值下采样，与原图特征大小对齐；

5)将上一步得到的超尺度图特征与原图特征拼接，使用1*1的卷积核将拼接后的特征图进行通道变换和融合；

6)将上一步融合后的特征图输入Faster-RCNN模型的检测头，进行元器件缺陷的定位及分类，输出缺陷检测信息。

进一步，在步骤1)中，将待检测元器件放在料盘中，料盘经过抖动后将元器件有序地放到透明的圆盘上，圆盘将待检测元器件送至相机处，采用硬件触发的方式，控制光源打光以及相机拍摄，得到待检测元器件的原始图像。

进一步，在步骤2)中，对原始图像进行双线性插值，将图像尺度放大为原来的两倍，得到超尺度图，以放大弱缺陷的面积，使得Faster-RCNN模型更容易发现弱缺陷；