CN112651964A - 一种基于深度学习的目标检测方法 - Google Patents
一种基于深度学习的目标检测方法 Download PDFInfo
- Publication number
- CN112651964A CN112651964A CN202110045523.8A CN202110045523A CN112651964A CN 112651964 A CN112651964 A CN 112651964A CN 202110045523 A CN202110045523 A CN 202110045523A CN 112651964 A CN112651964 A CN 112651964A
- Authority
- CN
- China
- Prior art keywords
- qualified
- probability
- target
- target area
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 238000013135 deep learning Methods 0.000 title claims abstract description 42
- 230000005540 biological transmission Effects 0.000 claims abstract description 15
- 238000005520 cutting process Methods 0.000 claims abstract description 4
- 238000012797 qualification Methods 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000003466 welding Methods 0.000 abstract description 6
- 230000009471 action Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 150000003071 polychlorinated biphenyls Chemical class 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06T2207/30152—Solder
Abstract
本发明公开了一种基于深度学习的目标检测方法,包括:确定包含待检测的目标区域;将所述目标区域输入到基于深度学习预先训练的检测网络中,进行前向传播,获得所述第一合格概率;对所述目标区域进行切割操作,获得多个点位;确定包含待检测的目标区域后,可以将目标区域输入到基于深度学习预先检测的检测网络中,进行前位传送,获得第一合格概率,确定目标图片的关键区域,将关键目标区域输入到基于深度学习预先检测的检测网络中,进行前位传送,获得第二合格概率,根据第一合格概率和第二合格概率,确定目标检测区域是否合格,达到对目标检测的目的,将深度学习技术应用到IC引脚焊点质量检测中,提高了对目标区域检测的准确率。
Description
技术领域
本发明涉及电子检测技术领域,特别是涉及一种基于深度学习的目标检测方法。
背景技术
随着生产技术水平的提高和电子产业的快速发展,印刷电路板PCB上的集成电路元件变得越来越精细。在一整块PCB上,任何一个引脚焊点的缺陷都会导致整个电子设备出现异常甚至是故障。PCB上的引脚焊点的可靠性是电子产品实际产生过程中需关注的一个重要问题。
目前主要是通过特征提取对引脚焊点质量进行检测。
特征提取需要大量的专业先验知识,需要有丰富经验的专业人员进行操作,而且,因为引脚焊点的目标检测区域大小较小,对引目标检测进行特征提取具有较大的困难,缺乏针对性,很难提取到有效特征,容易产生错误,对目标检测区域的检测准确率较低。
发明内容
(一)解决的技术问题
本发明的目的是提供一种基于深度学习的目标检测方法,以提高对目标检测区域的准确率。
(二)技术方案
为解决上述技术问题,本发明提供如下技术方案:
一种基于深度学习的目标检测方法,包括:确定包含待检测的目标区域;将所述目标区域输入到基于深度学习预先训练的检测网络中,进行前向传播,获得所述第一合格概率;对所述目标区域进行切割操作,获得多个点位;分别将每个点位输入到基于深度学习的检测网络中,进行前位传播,获得每个点位属于关键区域的合格概率;将合格概率最高的点位确定为所述目标区域的关键区域;将所述关键目标区域输入到基于深度学习的目标检测中,进行前位传播,获得所述第二合格概率;根据所述第一合格概率和所述第二合格概率,确定所述目标检测区域是否合格。
进一步的,对所述目标区域进行点位操作,获得多个点位,包括:通过预设的滚动口对所述目标区域进行点位操作,获得多个点位。
进一步的,所述滚动口的宽度与所述目标区域的宽度相同。
进一步的,所述根据所述第一合格概率和所述第二合格概率,确定所述检测区域是否合格,包括:根据所述第一合格概率、所述第二合格概率及以下公式确定所述第一合格概率和第二合格概率;根据所述第一合格概率和第二合格概率与预设的参数值大小关系,确定所述目标检测区域是否合格,所述公式为:T=(1-ρ)P1+ρP2,其中,P1为第一合格概率,P2为第二合格概率,ρ为影响参数,N为训练样本数量。
进一步的,所述第一合格概率和第二合格概率包含三个积蓄层和两个全连接层。
进一步的,包括:目标区域确定模块,用于确定包含待检测的目标区域,第一合格概率获得模块,用于将所述目标区域输入到基于深度学习预先训练的检测网络中,进行前位传送,获得所述第一合格概率;关键目标区域确定模块,用于确定所述目标区域的关键区域;第二合格概率获得模块,用于将所述关键目标区域输入到基于深度学习预先训练的检测网络中,进行前位传送,获得所述第二合格概率,第一合格概率和第一合格概率确定模块,用于根据所述第一合格概率和所述第二合格概率,确定所述目标区域是否合格;所述关键区域确定模块,包括:点位获得子模块,用于对所述目标区域进行点位操作,获得多个点位;合格概率获得子模块,用于分别将每个点位输入到基于深度学习预先训练的检测网络中,进行前位传送,获得每个点位属于关键目标区域的概率;关键目标区域确定子模块,用于将合格概率最高的点位确定为所述目标区域的关键区域。
进一步的,具体用于:通过预设的滑动窗口对所述目标图片进行点位操作,获得多个点位。
进一步的,所述合格概率确定模块,具体用于:根据所述第一合格概率、所述第二合格概率及以下公式确定所述合格概率;根据所述合格概率与预设参数值的大小关系,确定所述目标区域是否合格;所述公式为:T=(1-ρ)P1+ρP2;其中,P1为第一合格概率,P2为第二合格概率,ρ为影响参数。
(三)附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种基于深度学习的目标检测方法的实施流程图。
有益效果:应用本发明实施例所提供的技术方案,确定包含待检测的目标区域后,可以将目标区域输入到基于深度学习预先检测的检测网络中,进行前位传送,获得第一合格概率,确定目标图片的关键区域,将关键目标区域输入到基于深度学习预先检测的检测网络中,进行前位传送,获得第二合格概率,根据第一合格概率和第二合格概率,确定目标检测区域是否合格,达到对目标检测的目的,将深度学习技术应用到IC引脚焊点质量检测中,提高了对目标区域检测的准确率。
(四)具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1所示,一种基于深度学习的目标检测方法,包括:确定包含待检测的目标区域;将所述目标区域输入到基于深度学习预先训练的检测网络中,进行前向传播,获得所述第一合格概率;对所述目标区域进行切割操作,获得多个点位;分别将每个点位输入到基于深度学习的检测网络中,进行前位传播,获得每个点位属于关键区域的合格概率;将合格概率最高的点位确定为所述目标区域的关键区域;将所述关键目标区域输入到基于深度学习的目标检测中,进行前位传播,获得所述第二合格概率;根据所述第一合格概率和所述第二合格概率,确定所述目标检测区域是否合格。
优选的,对所述目标区域进行点位操作,获得多个点位,包括:通过预设的滚动口对所述目标区域进行点位操作,获得多个点位。
优选的,所述滚动口的宽度与所述目标区域的宽度相同。
优选的,所述根据所述第一合格概率和所述第二合格概率,确定所述检测区域是否合格,包括:根据所述第一合格概率、所述第二合格概率及以下公式确定所述第一合格概率和第二合格概率;根据所述第一合格概率和第二合格概率与预设的参数值大小关系,确定所述目标检测区域是否合格,所述公式为:T=(1-ρ)P1+ρP2,其中,P1为第一合格概率,P2为第二合格概率,ρ为影响参数,N为训练样本数量。
优选的,所述第一合格概率和第二合格概率包含三个积蓄层和两个全连接层。
优选的,包括:目标区域确定模块,用于确定包含待检测的目标区域,第一合格概率获得模块,用于将所述目标区域输入到基于深度学习预先训练的检测网络中,进行前位传送,获得所述第一合格概率;关键目标区域确定模块,用于确定所述目标区域的关键区域;第二合格概率获得模块,用于将所述关键目标区域输入到基于深度学习预先训练的检测网络中,进行前位传送,获得所述第二合格概率,第一合格概率和第一合格概率确定模块,用于根据所述第一合格概率和所述第二合格概率,确定所述目标区域是否合格;所述关键区域确定模块,包括:点位获得子模块,用于对所述目标区域进行点位操作,获得多个点位;合格概率获得子模块,用于分别将每个点位输入到基于深度学习预先训练的检测网络中,进行前位传送,获得每个点位属于关键目标区域的概率;关键目标区域确定子模块,用于将合格概率最高的点位确定为所述目标区域的关键区域。
优选的,具体用于:通过预设的滑动窗口对所述目标图片进行点位操作,获得多个点位。
优选的,所述合格概率确定模块,具体用于:根据所述第一合格概率、所述第二合格概率及以下公式确定所述合格概率;根据所述合格概率与预设参数值的大小关系,确定所述目标区域是否合格;所述公式为:T=(1-ρ)P1+ρP2;其中,P1为第一合格概率,P2为第二合格概率,ρ为影响参数。
应用本发明实施例所提供的技术方案,确定包含待检测的目标区域后,可以将目标区域输入到基于深度学习预先检测的检测网络中,进行前位传送,获得第一合格概率,确定目标图片的关键区域,将关键目标区域输入到基于深度学习预先检测的检测网络中,进行前位传送,获得第二合格概率,根据第一合格概率和第二合格概率,确定目标检测区域是否合格,达到对目标检测的目的,将深度学习技术应用到IC引脚焊点质量检测中,提高了对目标区域检测的准确率。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于深度学习的目标检测方法,其特征在于,包括:确定包含待检测的目标区域;将所述目标区域输入到基于深度学习预先训练的检测网络中,进行前向传播,获得所述第一合格概率;对所述目标区域进行切割操作,获得多个点位;分别将每个点位输入到基于深度学习的检测网络中,进行前位传播,获得每个点位属于关键区域的合格概率;将合格概率最高的点位确定为所述目标区域的关键区域;将所述关键目标区域输入到基于深度学习的目标检测中,进行前位传播,获得所述第二合格概率;根据所述第一合格概率和所述第二合格概率,确定所述目标检测区域是否合格。
2.根据权利要求1所述的一种基于深度学习的目标检测方法,其特征在于,对所述目标区域进行点位操作,获得多个点位,包括:通过预设的滚动口对所述目标区域进行点位操作,获得多个点位。
3.根据权利要求2所述的一种基于深度学习的目标检测方法,其特征在于,所述滚动口的宽度与所述目标区域的宽度相同。
4.根据权利要求1至3任一项所述的一种基于深度学习的目标检测方法,其特征在于,所述根据所述第一合格概率和所述第二合格概率,确定所述检测区域是否合格,包括:根据所述第一合格概率、所述第二合格概率及以下公式确定所述第一合格概率和第二合格概率;根据所述第一合格概率和第二合格概率与预设的参数值大小关系,确定所述目标检测区域是否合格,所述公式为:T=(1-ρ)P1+ρP2,其中,P1为第一合格概率,P2为第二合格概率,ρ为影响参数,N为训练样本数量。
5.根据权利要求1至3任一项所述的一种基于深度学习的目标检测方法,其特征在于,所述第一合格概率和第二合格概率包含三个积蓄层和两个全连接层。
6.根据权利要求1所述的一种基于深度学习的目标检测方法,其特征在于,包括:目标区域确定模块,用于确定包含待检测的目标区域,第一合格概率获得模块,用于将所述目标区域输入到基于深度学习预先训练的检测网络中,进行前位传送,获得所述第一合格概率;关键目标区域确定模块,用于确定所述目标区域的关键区域;第二合格概率获得模块,用于将所述关键目标区域输入到基于深度学习预先训练的检测网络中,进行前位传送,获得所述第二合格概率,第一合格概率和第一合格概率确定模块,用于根据所述第一合格概率和所述第二合格概率,确定所述目标区域是否合格;所述关键区域确定模块,包括:点位获得子模块,用于对所述目标区域进行点位操作,获得多个点位;合格概率获得子模块,用于分别将每个点位输入到基于深度学习预先训练的检测网络中,进行前位传送,获得每个点位属于关键目标区域的概率;关键目标区域确定子模块,用于将合格概率最高的点位确定为所述目标区域的关键区域。
7.根据权利要求6所述的一种基于深度学习的目标检测方法,其特征在于,所述点位获得子模块,具体用于:通过预设的滑动窗口对所述目标图片进行点位操作,获得多个点位。
8.根据权利要求6至7任一项所述的一种基于深度学习的目标检测方法,其特征在于,所述合格概率确定模块,具体用于:根据所述第一合格概率、所述第二合格概率及以下公式确定所述合格概率;根据所述合格概率与预设参数值的大小关系,确定所述目标区域是否合格;所述公式为:T=(1-ρ)P1+ρP2;其中,P1为第一合格概率,P2为第二合格概率,ρ为影响参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110045523.8A CN112651964A (zh) | 2021-01-10 | 2021-01-10 | 一种基于深度学习的目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110045523.8A CN112651964A (zh) | 2021-01-10 | 2021-01-10 | 一种基于深度学习的目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112651964A true CN112651964A (zh) | 2021-04-13 |
Family
ID=75368353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110045523.8A Pending CN112651964A (zh) | 2021-01-10 | 2021-01-10 | 一种基于深度学习的目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651964A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114066843A (zh) * | 2021-11-12 | 2022-02-18 | 烟台大学 | 一种ct脑图像分割及血肿测量方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107123117A (zh) * | 2017-04-26 | 2017-09-01 | 广东工业大学 | 一种基于深度学习的ic引脚焊点质量检测方法及装置 |
WO2020048119A1 (en) * | 2018-09-04 | 2020-03-12 | Boe Technology Group Co., Ltd. | Method and apparatus for training a convolutional neural network to detect defects |
CN112129783A (zh) * | 2020-09-22 | 2020-12-25 | 广州番禺职业技术学院 | 基于深度学习的透明药瓶底部缺陷检测装置与检测方法 |
-
2021
- 2021-01-10 CN CN202110045523.8A patent/CN112651964A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107123117A (zh) * | 2017-04-26 | 2017-09-01 | 广东工业大学 | 一种基于深度学习的ic引脚焊点质量检测方法及装置 |
WO2020048119A1 (en) * | 2018-09-04 | 2020-03-12 | Boe Technology Group Co., Ltd. | Method and apparatus for training a convolutional neural network to detect defects |
CN112129783A (zh) * | 2020-09-22 | 2020-12-25 | 广州番禺职业技术学院 | 基于深度学习的透明药瓶底部缺陷检测装置与检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114066843A (zh) * | 2021-11-12 | 2022-02-18 | 烟台大学 | 一种ct脑图像分割及血肿测量方法 |
CN114066843B (zh) * | 2021-11-12 | 2023-08-25 | 烟台大学 | 一种ct脑图像分割及血肿测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105184778A (zh) | 一种检测方法及装置 | |
CN107220442A (zh) | 一种用于pcb的差分过孔对检测工具 | |
CN110880175B (zh) | 一种焊点缺陷检测方法、系统以及设备 | |
CN109272502B (zh) | 基于温度场效应的pcb硬件安全检测方法 | |
CN104880162A (zh) | 一种检测pcb中钻孔偏移程度的方法 | |
CN105426917A (zh) | 一种元件分类方法及装置 | |
CN111681235B (zh) | 一种基于学习机制的ic焊点缺陷检测方法 | |
CN112651964A (zh) | 一种基于深度学习的目标检测方法 | |
CN113222913B (zh) | 一种电路板缺陷检测定位方法、装置和存储介质 | |
US7516383B2 (en) | Method and apparatus for analyzing delay in circuit, and computer product | |
CN116152244A (zh) | 一种smt缺陷检测方法、系统 | |
CN112102242A (zh) | 一种基于轻量级网络的pcb元器件检测方法 | |
CN111421954B (zh) | 智能判定回馈方法及装置 | |
CN101201371B (zh) | 印刷电路检测装置和方法 | |
US11531138B2 (en) | Processes and systems for correlating well logging data | |
CN108830347B (zh) | 电路板的跟踪管理方法、装置及电子设备 | |
CN101684999B (zh) | 一种数据格式转换方法 | |
TWI732296B (zh) | 依據標準值建立檢測模型以確認焊接狀態之系統及方法 | |
CN112581447A (zh) | 一种基于全局缺陷和局部缺陷的fpc软板线路检测方法 | |
CN116975081A (zh) | 一种日志诊断集更新方法、装置、设备及存储介质 | |
CN111208409B (zh) | 一种自动检测差分信号过孔附近回流地孔的方法和装置 | |
CN114240928B (zh) | 板卡质量的分区检测方法、装置、设备及可读存储介质 | |
CN116128829A (zh) | 异形孔检测方法、装置、电子设备及存储介质 | |
CN103984519B (zh) | 用于检验数字乘法器的方法和装置 | |
US20210072215A1 (en) | System and method for building detection model based on standard value to confirm soldering status |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210413 |