CN110060238B - 基于深度学习的pcb板标注印刷质量检测方法 - Google Patents
基于深度学习的pcb板标注印刷质量检测方法 Download PDFInfo
- Publication number
- CN110060238B CN110060238B CN201910256467.5A CN201910256467A CN110060238B CN 110060238 B CN110060238 B CN 110060238B CN 201910256467 A CN201910256467 A CN 201910256467A CN 110060238 B CN110060238 B CN 110060238B
- Authority
- CN
- China
- Prior art keywords
- image
- pcb
- layer
- standard
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000007639 printing Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000003708 edge detection Methods 0.000 claims abstract description 6
- 239000010410 layer Substances 0.000 claims description 86
- 238000011176 pooling Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 238000007650 screen-printing Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30141—Printed circuit board [PCB]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明基于深度学习的PCB板标注印刷质量检测方法，对获取的PCB板原图像进行高斯滤波、转为灰度图、边缘检测、孔洞填充、最佳阈值二值化分割等一系列预处理，能够有效提高识别检测效率；使用大津算法对图像进行最佳阈值分割得到二值化图像，提高了本发明的测试精度；对图像样本数据进行有效采集、扩充，增加了样本的代表性，防止因数据少而导致模型过拟合现象，使训练所得的模型尽可能小地受到无关因素的影响，增强了模型的鲁棒性，使深度学习网络训练时间更短，收敛速度更快；通过深度神经网络对图像进行目标特征高效提取，可有效避免传统人工神经网络特征提取方法导致的容易过拟合、训练耗时长、参数调整难度大等缺陷。
Description
技术领域
本发明涉及图像检测技术领域，具体涉及基于深度学习的PCB板标注印刷质量检测方法。
背景技术
随着电子信息技术的高速发展，PCB板作为信息技术的基石，扮演着越来越重要的作用，趋于高密度化发展。在PCB板的生产过程中，为了给使用者提供明确指示，需要在PCB板的上下两表面印刷上相应的标志图案和文字代号等，例如元件标号和标称值、元件外廓形状和厂家标志、生产日期等等。该过程采用丝网印刷工艺，又称为丝印工艺。PCB板丝印层即文字层，它的作用是为了方便电路的安装和维修等。在标注印刷过程中，难免会出现绿油入孔、线路油薄、不过油、绿油杂物、网纹等印刷不符合标准的情况。随着PCB板的需求量不断增加，PCB板朝着高精密、微小化的模式发展，传统的标注印刷检测方式的弊端日渐明显，人工检测效率十分低下，检测质量也受到人为、环境等多干扰因素影响，导致了检测成本过高，检测精度无法得到有效保证。
发明内容
针对现有技术的不足，本发明的目的是提供一种识别准确度高、检测效率高的基于深度学习的PCB板标注印刷质量检测方法。
为了实现上述目的，本发明采用的技术方案如下：基于深度学习的PCB板标注印刷质量检测方法，包括以下步骤：
（1）对标准PCB板图像进行预处理：挑选没有丝印缺陷的PCB板作为标准PCB板，拍摄标准PCB板图像，并对标准PCB板图像进行预处理，得到标准PCB板的预处理图像信息；
（2）标准图像信息样本数据扩充处理：将标准PCB板的预处理图像信息作为标准图像信息样本，对标准图像信息样本数据进行扩充处理，得到扩充的标准图像信息样本数据；
（3）构建深度学习特征数据库：将扩充的标准图像信息样本数据输入到深度神经网络模型，提取标准PCB板的图像目标信息特征，将数据集每个样本信息作为SVM训练集，构成深度学习特征数据库；
（4）检测：采用步骤（1）的方法对待测PCB板图像进行预处理，得到待测PCB板的预处理图像信息，将待测PCB板的预处理图像信息输入到训练完成的深度学习模型中，提取待测PCB板的图像目标信息特征，作为SVM测试集，用SVM的方法将步骤（3）中的训练集和测试集结果进行分类，检测待测PCB板标注印刷的质量。
进一步地，所述步骤（1）的具体子步骤如下：
步骤1.1）、采用彩色摄像头拍摄标准PCB板图像，对标准PCB板图像进行高斯滤波，获得滤波后的图像；
步骤1.2）、将滤波后的图像转换为灰度图，获得滤波后的灰度图；
步骤1.3）、通过边缘检测获得灰度图中PCB板匹配区域的边界，并根据该边界从滤波图像中获得PCB板匹配子图像；
步骤1.4）、运用孔洞填充算法对焊盘及其他干扰信息数据进行图像填充；
步骤1.5）、采用大津算法计算二值化阈值，对图像进行最佳阈值二值化分割，得到标准PCB板的预处理图像信息。
进一步地，所述步骤（2）的具体子步骤如下：
步骤2.1）、将标准PCB板的预处理图像信息作为标准图像信息样本；
步骤2.2）、对图像样本数据进行扩充处理，通过对图像样本进行仿射变换、透视变换、颜色抖动、对比度增强、叠加噪声的操作引入轻微的扰动而实现数据扩充，得到扩充的标准图像信息样本数据。
进一步地，所述步骤（3）中的深度卷积神经网络包括输入层、隐藏层和输出层；其中，所述输入层和输出层均为单层；所述隐藏层包括：第一层卷积层C1，卷积核96*11*11，步长为4，扩展边缘值为0；第二层池化层P1，池化核96*3*3，步长为2；第三层卷积层C2，卷积核256*5*5，扩展边缘值为2；第四层池化层P2，池化核256*3*3，步长为2；第五层卷积层C3，卷积核384*3*3，扩展边缘为1；第六层卷积层C4，卷积核384*3*3，扩展边缘值1；第七层卷积层C5，卷积核256*3*3，扩展边缘值1；第八层池化层P5，池化核256*3*3，步长为2；第九层全连接层F6和第十层全连接层F7。
进一步地，所述步骤（3）中构建深度学习特征数据库的具体步骤为：所述输出层与第十层全连接层F7相连，其维度与待识别图像分类数保持一致，使用Ubuntu操作系统，基于Caffe深度学习框架，将扩充的标准图像信息样本数据输入到深度卷积神经网络模型，经过深度卷积神经网络学习训练后得到标准PCB板的图像目标信息特征，将数据集每个样本信息对应一个行向量，作为SVM训练集，同时对其贴上相应样本训练集标签，由此构建深度学习特征数据库。
进一步地，所述深度卷积神经网络激活函数用Sigmoid函数，激活函数在隐藏层中卷积层使用，每个卷积层都连接修正线性单元，完成卷积层数据的线性激活，在全连接层增加了防止过拟合的正则化策略，利用随机梯度下降法对误差进行反向传播修正权值，学习过程中不断修正更新神经网络权值参数，使网络达到全局最优，构建深度神经网络模型。
本发明基于深度学习的PCB板标注印刷质量检测方法，通过对获取的标准PCB板原图像进行高斯滤波、转为灰度图、边缘检测、孔洞填充、最佳阈值二值化分割等一系列预处理，能够有效提高识别检测效率；通过使用Otsu（大津算法）对图像进行最佳阈值分割得到二值化图像，提高了本发明的测试精度，具备检测的实时性；通过对图像样本数据进行有效采集、扩充，增加了样本的代表性，对深度学习网络训练过程中权值参数修正起到极大帮助，防止因数据少而导致模型过拟合现象，使训练所得的模型尽可能小地受到无关因素的影响，增强了模型的鲁棒性，使深度学习网络训练时间更短，收敛速度更快；通过有效扩充样本数据使测试过程合理避免了背景信息和亮度信息带来对检测结果的不良影响，抗背景干扰和抗光照条件能力强，识别准确性高；通过深度神经网络对图像进行目标特征高效提取，可有效避免传统人工神经网络特征提取方法导致的容易过拟合、训练耗时长、参数调整难度大、不易操作等缺陷；本发明检测方法，操作方便，识别准确率可达95%以上。
附图说明
图1是本发明提供的PCB板标注印刷质量检测方法的主流程示意图；
图2是本发明提供的图像预处理的流程示意图；
图3是本发明提供的深度神经网络模型图。
具体实施方式
下面的实施例可以帮助本领域的技术人员更全面地理解本发明，但不可以以任何方式限制本发明。
实施例
参照图1-3，基于深度学习的PCB板标注印刷质量检测方法，包括以下步骤：
（1）对标准PCB板图像进行预处理：具体子步骤如下：
步骤1.1）、挑选没有丝印缺陷的PCB板作为标准PCB板，采用彩色摄像头拍摄标准PCB板图像，对标准PCB板图像进行高斯滤波，获得滤波后的图像；
步骤1.2）、将滤波后的图像转换为灰度图，获得滤波后的灰度图；
步骤1.3）、通过边缘检测获得灰度图中PCB板匹配区域的边界，并根据该边界从滤波图像中获得PCB板匹配子图像；
步骤1.4）、运用孔洞填充算法对焊盘及其他干扰信息数据进行图像填充；
步骤1.5）、采用大津算法计算二值化阈值，对图像进行最佳阈值二值化分割，得到标准PCB板的预处理图像信息；
（2）标准图像信息样本数据扩充处理：具体子步骤如下：
步骤2.1）、将标准PCB板的预处理图像信息作为标准图像信息样本；
步骤2.2）、对图像样本数据进行扩充处理，通过对图像样本进行仿射变换、透视变换、颜色抖动、对比度增强、叠加噪声的操作引入轻微的扰动而实现数据扩充，得到扩充的标准图像信息样本数据；
（3）构建深度学习特征数据库：将扩充的标准图像信息样本数据输入到深度神经网络模型，提取标准PCB板的图像目标信息特征，将数据集每个样本信息作为SVM训练集，构成深度学习特征数据库；
（4）检测：采用步骤（1）的方法对待测PCB板图像进行预处理，得到待测PCB板的预处理图像信息，将待测PCB板的预处理图像信息输入到训练完成的深度学习模型中，提取待测PCB板的图像目标信息特征，作为SVM测试集，用SVM的方法将步骤（3）中的训练集和测试集结果进行分类，检测待测PCB板标注印刷的质量。
上述步骤1.1）中，对拍摄获得的图像进行高斯滤波处理，高斯滤波是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到，‘gaussian’Gaussian lowpass filter为高斯低通滤波算子，有两个参数，hsize表示模板尺寸，默认值为[3 3]，sigma为滤波器的标准值，单位为像素，默认值为0.5，在Matlab中其函数调用格式为：H = fspecial(‘gaussian’,hsize,sigma)；
上述步骤1.2）中，将滤波后的图像进一步灰度化处理，通过调用Matlab中的rgb2gray函数得以实现；
上述步骤1.3）中，将灰度化后的图像调用OpenCV的findContours函数进行边缘检测提取，由此得到的图像视作主要分析区域，即PCB板目标匹配子图像；
上述步骤1.4）中，将目标匹配好的子图像进行孔洞填充，通过Matlab中的imfill函数调用来得以实现；
上述步骤1.5）中对标准PCB板图像的二值化阈值处理时，运用孔洞填充算法减少焊盘及其让干扰信息对检测结果的影响，选取合适的分割阈值是二值化的重要步骤，过高的阈值会导致一些真实边缘的丢失，过低的阈值又会产生一些无谓的虚假边缘，采用Otsu（大津算法）可得出该标准PCB板的最佳阈值，基于最佳阈值对图像进行二值化分割，获得最佳阈值分割后的标准图像信息；
采用Otsu（大津算法）其输入为标准PCB板的图像信息，输出为对应标准PCB板最佳二值化阈值和最佳阈值分割后的图像，包括以下步骤：
步骤1.51）：用某一假定灰度值t将图像分成两组；
步骤1.52）：当两组的类间方差最大时，此灰度值t就是图像二值化的最佳阈值；
步骤1.53）：设图像有M个灰度值，取值范围在0~M-1,在此范围内选取灰度值t；
步骤1.54）：将图像分为G0和G1两组，G0包含的灰度值在0~t,G1包含的像素灰度值在t+1~M-1；
步骤1.55）：用N表示图像像素总数，ni表示灰度值为i的像素的个数；
步骤1.56）：每一个灰度值i出现的概率为Pi=ni/N,假设G0和G1两组像素的个数在整体图像中所占的百分比为
, 
,两组平均灰度值为
, 
,可得概率和平均灰度值：
步骤1.57）：计算图像的总平均灰度u、间类方差g(t)以及最佳阈值T：
经过以上一系列图像处理后，得到最佳阈值分割二值化图像。
上述步骤（3）中的深度神经网络模型训练过程为：采用深度卷积神经网络，将获得的PCB图像剪裁成尺寸为227*227的图片输入卷积神经网络，卷积层C1用96*11*11的卷积核对输入的图片卷积，步长为４，生成96*55*55的特征图，由卷积层C1生成的特征图输入池化层P1，池化层P1用96*3*3的池化核对输入的特征图进行池化压缩，步长为2，生成96*27*27的特征图，由池化层P1生成的特征图输入卷积层C2，卷积层C2采用256*5*5的卷积核对输入的图片卷积，扩展边缘值为2，后生成256*27*27的特征图，由卷积层C2生成的特征图输入池化层P2，池化层P2采用256*3*3的池化核对输入的特征图池化，池化核步长为2,生成256*13*13的特征图，由池化层P2生成的特征图输入卷积层C3，卷积层C3采用384*3*3的卷积核对输入的特征图卷积，扩展边缘值为1，生成384*13*13的特征图，由卷积层C3生成的特征图输入卷积层C4，卷积层C4采用384*3*3的卷积核对输入的图片卷积，扩展边缘值为1，生成384*13*13的特征图，由卷积层C4生成的特征图输入卷积层C5，卷积层C5采用256*3*3的卷积核对输入的图片卷积，扩展边缘值为1，生成256*13*13的特征图，由卷积层C5生成的特征图输入池化层P5，池化层P5采用256*3*3的池化核对输入的特征图池化，池化核步长为2，生成256*6*6 的特征图，由池化层P5生成的特征图输入全连接层F6、F7，F6和F7全连接层都输出4096*1*1的特征图，所述深度卷积神经网络激活函数用Sigmoid函数，激活函数在卷积层使用，每个卷积层都连接修正线性单元（ReLu），完成卷积层数据的线性激活，在全连接层增加了防止过拟合的正则化策略（Dropout），利用随机梯度下降法对误差进行反向传播修正权值，学习过程中不断修正更新神经网络权值参数，使网络达到全局最优，构建深度神经网络模型；所述输出层与第7层全连接层相连，其维度与待识别图像分类数保持一致；
上述步骤（4）中PCB板的标注丝印质量检测过程包括以下步骤：对标准PCB板的预处理图像信息进行丝印标注有效目标特征提取，逐层输出具有代表性的特征，数据集每个样本信息对应一个行向量，作为SVM训练集，同时对其贴上相应样本训练集标签构建深度学习特征数据库；对待测PCB板图像进行预处理，得到待测PCB板的预处理图像信息，将待测PCB板的预处理图像信息扩充完毕后输入到深度神经网络模型中，提取待测PCB板的图像目标信息特征，并贴上相应测试集标签，作为SVM测试集，用SVM的方法将测试集和训练集结果进行分类，判断待测PCB板的标注印刷质量。
由此可知，本发明实施实例提供的一种PCB板标注印刷质量的检测方法，通过拍摄标准PCB板和待测PCB板的图像，获取PCB板图像；高斯图像滤波；获得滤波后的图像；灰度化获得滤波后的图像；边缘检测，获得PCB匹配区域子图像；孔洞填充，获得填充完毕后图像；采用Otsu(大津算法)计算二值化阈值，进行图像最佳阈值二值化分割；图像样本数据扩充；深度神经网络学习训练；目标特征提取；构建SVM训练集和测试集，使用SVM的方法进行结果分类，从而判定PCB板的标注印刷质量，以达到质量检测的目的。相比于现有技术，本发明技术方案能提高识别效率和准确率，节省人力成本，抗背景干扰和光照条件能力强，避免背景颜色与不同亮度对识别结果的影响，通用性高。
虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (2)
1.基于深度学习的PCB板标注印刷质量检测方法，其特征在于，包括以下步骤：
（1）对标准PCB板图像进行预处理：具体子步骤如下：
步骤1.1）、采用彩色摄像头拍摄标准PCB板图像，对标准PCB板图像进行高斯滤波，获得滤波后的图像；
步骤1.2）、将滤波后的图像转换为灰度图，获得滤波后的灰度图；
步骤1.3）、通过边缘检测获得灰度图中PCB板匹配区域的边界，并根据该边界从滤波图像中获得PCB板匹配子图像；
步骤1.4）、运用孔洞填充算法对焊盘及其他干扰信息数据进行图像填充；
步骤1.5）、采用大津算法计算二值化阈值，对图像进行最佳阈值二值化分割，得到标准PCB板的预处理图像信息；
（2）标准图像信息样本数据扩充处理：具体子步骤如下：
步骤2.1）、将标准PCB板的预处理图像信息作为标准图像信息样本；
步骤2.2）、对图像样本数据进行扩充处理，通过对图像样本进行仿射变换、透视变换、颜色抖动、对比度增强、叠加噪声的操作引入轻微的扰动而实现数据扩充，得到扩充的标准图像信息样本数据；
（3）构建深度学习特征数据库：将扩充的标准图像信息样本数据输入到深度卷积神经网络模型，提取标准PCB板的图像目标信息特征，将数据集每个样本信息作为SVM训练集，构成深度学习特征数据库；
所述步骤（3）中的深度卷积神经网络包括输入层、隐藏层和输出层；其中，所述输入层和输出层均为单层；所述隐藏层包括：第一层卷积层C1，卷积核96*11*11，步长为4，扩展边缘值为0；第二层池化层P1，池化核96*3*3，步长为2；第三层卷积层C2，卷积核256*5*5，扩展边缘值为2；第四层池化层P2，池化核256*3*3，步长为2；第五层卷积层C3，卷积核384*3*3，扩展边缘为1；第六层卷积层C4，卷积核384*3*3，扩展边缘值1；第七层卷积层C5，卷积核256*3*3，扩展边缘值1；第八层池化层P5，池化核256*3*3，步长为2；第九层全连接层F6和第十层全连接层F7；
所述步骤（3）中构建深度学习特征数据库的具体步骤为：所述输出层与第十层全连接层F7相连，其维度与待识别图像分类数保持一致，使用Ubuntu操作系统，基于Caffe深度学习框架，将扩充的标准图像信息样本数据输入到深度卷积神经网络模型，经过深度卷积神经网络学习训练后得到标准PCB板的图像目标信息特征，将数据集每个样本信息对应一个行向量，作为SVM训练集，同时对其贴上相应样本训练集标签，由此构建深度学习特征数据库；
（4）检测：采用步骤（1）的方法对待测PCB板图像进行预处理，得到待测PCB板的预处理图像信息，将待测PCB板的预处理图像信息输入到训练完成的深度学习模型中，提取待测PCB板的图像目标信息特征，作为SVM测试集，用SVM的方法将步骤（3）中的训练集和测试集结果进行分类，检测待测PCB板标注印刷的质量。
2.根据权利要求1所述的基于深度学习的PCB板标注印刷质量检测方法，其特征在于，所述深度卷积神经网络的激活函数用Sigmoid函数，激活函数在隐藏层中卷积层使用，每个卷积层都连接修正线性单元，完成卷积层数据的线性激活，在全连接层增加了防止过拟合的正则化策略，利用随机梯度下降法对误差进行反向传播修正权值，学习过程中不断修正更新神经网络权值参数，使网络达到全局最优，构建深度神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910256467.5A CN110060238B (zh) | 2019-04-01 | 2019-04-01 | 基于深度学习的pcb板标注印刷质量检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910256467.5A CN110060238B (zh) | 2019-04-01 | 2019-04-01 | 基于深度学习的pcb板标注印刷质量检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110060238A CN110060238A (zh) | 2019-07-26 |
| CN110060238B true CN110060238B (zh) | 2022-04-19 |
Family
ID=67317949
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910256467.5A Expired - Fee Related CN110060238B (zh) | 2019-04-01 | 2019-04-01 | 基于深度学习的pcb板标注印刷质量检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110060238B (zh) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110675370A (zh) * | 2019-09-04 | 2020-01-10 | 武汉理工大学 | 一种基于深度学习的焊接模拟器虚拟焊缝缺陷检测方法 |
| CN110705570B (zh) * | 2019-09-20 | 2022-06-21 | 桂林电子科技大学 | 一种图像特征识别方法 |
| CN111415325B (zh) * | 2019-11-11 | 2023-04-25 | 杭州电子科技大学 | 一种基于卷积神经网络的铜箔基板缺陷检测方法 |
| CN111091534A (zh) * | 2019-11-19 | 2020-05-01 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于目标检测的pcb板缺陷检测与定位方法 |
| CN110992317B (zh) * | 2019-11-19 | 2023-09-22 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于语义分割的pcb板缺陷检测方法 |
| CN111103307A (zh) * | 2019-11-19 | 2020-05-05 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的pcb板缺陷检测方法 |
| CN113066389A (zh) * | 2019-12-26 | 2021-07-02 | 杭州海康威视数字技术股份有限公司 | 发光二极管(led)灯板处理方法及装置 |
| CN111210421B (zh) * | 2020-01-10 | 2023-12-01 | 苏州杰锐思智能科技股份有限公司 | 锂电池表面缺陷图像批量生成方法及系统 |
| CN111429405B (zh) * | 2020-03-04 | 2023-05-12 | 清华大学深圳国际研究生院 | 基于3d cnn的锡球缺陷检测方法及装置 |
| CN111583157B (zh) * | 2020-05-13 | 2023-06-02 | 杭州睿琪软件有限公司 | 图像处理方法、系统及计算机可读存储介质 |
| CN111709910A (zh) * | 2020-05-18 | 2020-09-25 | 扬州小纳熊机器人有限公司 | 一种基于卷积神经网络的pcb板缺陷检测算法 |
| CN111797737A (zh) * | 2020-06-22 | 2020-10-20 | 重庆高新区飞马创新研究院 | 遥感目标检测方法及装置 |
| CN112034708A (zh) * | 2020-08-26 | 2020-12-04 | 贵州和盛食品开发有限公司 | 一种面条加工附加自调节系统 |
| CN112116580B (zh) * | 2020-09-22 | 2023-09-05 | 中用科技有限公司 | 用于摄像头支架的检测方法、系统及设备 |
| CN112200797B (zh) * | 2020-10-28 | 2024-04-05 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于pcb噪声标注数据的有效训练方法 |
| CN112347950B (zh) * | 2020-11-11 | 2024-04-05 | 湖北大学 | 基于深度学习的pcb板镭射标靶识别方法及系统 |
| CN113554054A (zh) * | 2021-06-04 | 2021-10-26 | 奕目(上海)科技有限公司 | 基于深度学习的半导体芯片金线缺陷分类方法及系统 |
| CN114266846B (zh) * | 2021-12-25 | 2024-06-14 | 福州大学 | 一种用于目标检测模型的自学习填充方法 |
| CN114529561A (zh) * | 2022-02-22 | 2022-05-24 | 成都数之联科技股份有限公司 | 线路图像与背景板图像的分割方法及系统及装置及介质 |
| CN115965848B (zh) * | 2023-03-13 | 2023-05-23 | 腾讯科技（深圳）有限公司 | 一种图像处理方法和相关装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1620603A (zh) * | 2002-01-23 | 2005-05-25 | 马雷纳系统有限公司 | 采用红外热成像法进行缺陷检测和分析 |
| KR101688458B1 (ko) * | 2016-04-27 | 2016-12-23 | 디아이티 주식회사 | 깊은 신경망 학습 방법을 이용한 제조품용 영상 검사 장치 및 이를 이용한 제조품용 영상 검사 방법 |
| CN107122701A (zh) * | 2017-03-03 | 2017-09-01 | 华南理工大学 | 一种基于图像显著性和深度学习的交通道路标志识别方法 |
| CN108596871A (zh) * | 2018-03-08 | 2018-09-28 | 中北大学 | 一种基于深度学习的bga气泡缺陷图像检测方法 |
| CN108615401A (zh) * | 2018-06-11 | 2018-10-02 | 西安电子科技大学 | 基于深度学习的室内非均匀光线车位状况识别方法 |
-
2019
- 2019-04-01 CN CN201910256467.5A patent/CN110060238B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1620603A (zh) * | 2002-01-23 | 2005-05-25 | 马雷纳系统有限公司 | 采用红外热成像法进行缺陷检测和分析 |
| KR101688458B1 (ko) * | 2016-04-27 | 2016-12-23 | 디아이티 주식회사 | 깊은 신경망 학습 방법을 이용한 제조품용 영상 검사 장치 및 이를 이용한 제조품용 영상 검사 방법 |
| CN107122701A (zh) * | 2017-03-03 | 2017-09-01 | 华南理工大学 | 一种基于图像显著性和深度学习的交通道路标志识别方法 |
| CN108596871A (zh) * | 2018-03-08 | 2018-09-28 | 中北大学 | 一种基于深度学习的bga气泡缺陷图像检测方法 |
| CN108615401A (zh) * | 2018-06-11 | 2018-10-02 | 西安电子科技大学 | 基于深度学习的室内非均匀光线车位状况识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| Detecting Defects in PCB using Deep Learning via Convolution Neural Networks;V. A. Adibhatla 等;《2018 13th International Microsystems, Packaging, Assembly and Circuits Technology Conference (IMPACT)》;20190128;202-205 * |
| 少缺陷样本的PCB焊点智能检测方法;卢盛林 等;《焊接学报》;20090619;第30卷(第05期);76-79 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110060238A (zh) | 2019-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110060238B (zh) | 基于深度学习的pcb板标注印刷质量检测方法 | |
| CN106650721B (zh) | 一种基于卷积神经网络的工业字符识别方法 | |
| CN108108761B (zh) | 一种基于深度特征学习的快速交通信号灯检测方法 | |
| CN107545239B (zh) | 一种基于车牌识别与车辆特征匹配的套牌检测方法 | |
| CN110992329B (zh) | 一种产品表面缺陷检测方法、电子设备及可读存储介质 | |
| CN111160352B (zh) | 一种基于图像分割的工件金属表面文字识别方法及系统 | |
| CN113077453B (zh) | 一种基于深度学习的电路板元器件缺陷检测方法 | |
| CN108596166A (zh) | 一种基于卷积神经网络分类的集装箱箱号识别方法 | |
| CN109886978B (zh) | 一种基于深度学习的端到端告警信息识别方法 | |
| CN107103317A (zh) | 基于图像融合和盲反卷积的模糊车牌图像识别算法 | |
| CN107506765B (zh) | 一种基于神经网络的车牌倾斜校正的方法 | |
| CN104598885A (zh) | 街景图像中的文字标牌检测与定位方法 | |
| CN108268871A (zh) | 一种基于卷积神经网络的端到端的车牌识别方法和系统 | |
| CN111209858A (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
| CN109190625A (zh) | 一种大角度透视变形的集装箱箱号识别方法 | |
| CN109872326B (zh) | 基于深度强化网络跳跃连接的轮廓检测方法 | |
| CN112364883B (zh) | 基于单阶段目标检测和deeptext识别网络的美式车牌识别方法 | |
| CN112149535A (zh) | 一种结合SegNet和U-Net的车道线检测方法和装置 | |
| CN112307919A (zh) | 一种基于改进YOLOv3的单证图像中数字信息区域识别方法 | |
| CN112686104A (zh) | 基于深度学习的多声部乐谱识别方法 | |
| CN113392930A (zh) | 基于多层次分治网络的交通标志目标检测方法 | |
| CN115082922A (zh) | 基于深度学习的水表数字图片处理方法及系统 | |
| US20040022440A1 (en) | Method and apparatus for image processing | |
| CN113283441A (zh) | 一种贴片电阻上的印刷字符识别方法、装置、终端及介质 | |
| CN116630828B (zh) | 基于地形环境适配的无人机遥感信息采集系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220419 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |