CN112651966A - 一种基于acyolov4_csp的印刷电路板微小缺陷检测方法 - Google Patents
一种基于acyolov4_csp的印刷电路板微小缺陷检测方法 Download PDFInfo
- Publication number
- CN112651966A CN112651966A CN202110062673.XA CN202110062673A CN112651966A CN 112651966 A CN112651966 A CN 112651966A CN 202110062673 A CN202110062673 A CN 202110062673A CN 112651966 A CN112651966 A CN 112651966A
- Authority
- CN
- China
- Prior art keywords
- csp
- printed circuit
- circuit board
- acyolov4
- image
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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
- G06T2207/30141—Printed circuit board [PCB]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及一种基于ACYOLOV4_CSP的印刷电路板微小缺陷检测方法。包括:步骤S1、利用LabelImg标注工具对高分辨率的原数据集的每张图片进行标注,即标注印刷电路板的缺陷类别和位置;标注完成后,对标注后的数据集进行预处理,得到训练集;步骤S2、将训练集喂给ACYOLOV4‑CSP网络,得到检测印刷电路板微小缺陷的ACYOLOV4‑CSP模型;步骤S3、利用检测印刷电路板微小缺陷的ACYOLOV4‑CSP模型对待检测印刷电路板图像进行检测,若有缺陷,将输出带检测框和类别信息的图像,若无缺陷,将输出和输入图像一样的结果图像。本发明能够实现对印刷电路板缺陷快速、准确地定位和分类,实现了速度与精度的最优平衡。
Description
技术领域
本发明涉及机器视觉领域、印刷电路板生产制造领域以及印刷电路板缺陷检测领域,尤其涉及一种基于ACYOLOV4_CSP的印刷电路板微小缺陷检测方法。
背景技术
印刷电路板(Printed Circuit Board, PCB)是电子工业的重要部件之一,为电子元器件的固定、装配、连接提供支撑,由于其可高密度化、可组装性、可维护性等优点,被广泛应用在通信电子设备、军用武器系统、计算机等领域。对印刷电路板进行缺陷检测,能及时发现印刷电路板的缺陷,避免影响后续使用,甚至引发安全问题,为产品的质量控制提供了保障。
现有的印刷电路板缺陷检测主要分为人工检测、传统视觉检测和基于深度学习的缺陷检测。人工检测需要耗费大量的人力、时间,效率低下。传统视觉检测主要是借助阈值化操作和形态学操作将待检测样品与无缺陷标准样品进行配准,其对图像的质量要求严格,往往受到硬件环境的限制。基于深度学习的缺陷检测主要是利用现有的性能较好的目标检测器,根据缺陷检测需要,设计合适的检测网络。这类方法的可扩展性强,能应对较为复杂的缺陷,且泛化能力好。现有的目标检测方法主要分为两大类,一类是二阶段检测框架,这类框架将目标检测问题视为分类任务,首先利用候选区域网络(Region ProposalNetwork)生成候选框,然后对候选框分类和回归,代表算法有:R-CNN、Fast R-CNN、FasterR-CNN、R-FCN、Mask R-CNN等。另一类是一阶段检测框架,这类框架将目标检测问题视为回归问题,将图片输入到网络,直接生成对应的分类和回归框,无需候选区域网络,代表算法有:YOLO、YOLO 9000、SSD等。一般而言,二阶段的检测器精度高,但速度偏慢。一阶段的检测器速度快,但是精度不如二阶段检测器好。TTD-net采用基于深度学习的方法检测PCB微小缺陷,该网络使用二阶段检测器Faster R-CNN融合FPN和OHEM对印刷电路板微小缺陷检测,实现了最优的精度,但检测速度有待提高。现有方法基于其他轻量级的网络,如基于MoblieNet的检测方法,对TTD-net速度进行了优化,但精度上有明显的下降。
现今,YOLO 系列的最新版YOLOV4实现了COCO数据集上精度和速度的性能最优,不久后有学者提出Scaled-YOLOV4,该算法能够根据不同设备的计算资源,灵活地部署不同尺度的模型,不同scale的模型区别在于网络的深度和宽度,一般而言,算力强大的GPU设备会选取scale较大的模型,网络会更深更宽,精度相对也会高些,反之亦然。Scaled-YOLOV4提出对YOLOV4的backbone网络和neck网络进行CSP化,设计了YOLOV4-CSP模型,该模型较YOLOV4计算量更小,性能更优。本发明设计了一种融合非对称卷积的YOLOV4-CSP缺陷检测方法,实现对印刷电路板缺陷快速、准确地定位和分类,较其他方法而言,实现了速度与精度的最优平衡。本发明验证了融合非对称卷积后的ACYOLOV4-CSP算法在检测小物体缺陷的有效性,同时为工业上其他微小缺陷检测提供了参考。
发明内容
本发明的目的在于提供一种基于ACYOLOV4_CSP的印刷电路板微小缺陷检测方法,该方法实现对印刷电路板缺陷快速、准确地定位和分类,实现了速度与精度的最优平衡。
为实现上述目的,本发明的技术方案是:一种基于ACYOLOV4_CSP的印刷电路板微小缺陷检测方法,包括如下步骤:
步骤S1、利用LabelImg标注工具对高分辨率的原数据集的每张图片进行标注,即标注印刷电路板的缺陷类别和位置;标注完成后,对标注后的数据集进行预处理,得到训练集;
步骤S2、将训练集喂给ACYOLOV4-CSP网络,得到检测印刷电路板微小缺陷的ACYOLOV4-CSP模型;
步骤S3、利用检测印刷电路板微小缺陷的ACYOLOV4-CSP模型对待检测印刷电路板图像进行检测,若有缺陷,将输出带检测框和类别信息的图像,若无缺陷,将输出和输入图像一样的结果图像。
在本发明一实施例中,所述步骤S1具体实现如下:
S11、利用LabelImg标注工具对高分辨率的原数据集的每张图片进行标注,即标注印刷电路板的缺陷类别和位置;
S12、将标注后的数据集中的图像裁剪为预定大小图像;
S13、对裁剪后的数据集进行筛查;
S14、对筛查后的裁剪后的数据集进行包括添加高斯噪声、翻转、旋转的数据增强操作,生成最终的训练集。
在本发明一实施例中,所述步骤S2中,ACYOLOV4-CSP网络中YOLOV4-CSP集合CSPDarkNe53作为其基础特征提取网络,用CSPSPP、CSPPAN作为其特征增强网络,最后用YOLO Head进行分类和回归;ACYOLOV4-CSP网络中最小单元Conv是由普通卷积、归一化操作、激活函数组成;ACYOLOV4-CSP网络中ACBottleneck是由非对称卷积模块和其残差模块相加而得;ACYOLOV4-CSP网络中ACBottleneckCSP是在ACBottleneck的基础上加入残差模块;ACYOLOV4-CSP网络中BottleneckCSP2是由一系列的Conv模块、Bottleneck模块堆叠而成;ACYOLOV4-CSP的网络设计与YOLOV4-CSP的网络设计保持一致,并融合非对称卷积,即:在标准方形卷积核的基础上,增加了两个分支:水平方向一维卷积核和垂直方向一维卷积核;最后将方形卷积核、水平方向一维非对称卷积核、垂直方向一维非对称卷积核三个分支的卷积结果逐元素相加融合,替代原来的方形卷积核。
在本发明一实施例中,所述步骤S3中,待检测印刷电路板图像裁剪为预定大小图像后输入检测印刷电路板微小缺陷的ACYOLOV4-CSP模型进行预测,从而得到每个待检测印刷电路板图像对应的缺陷检测信息。
相较于现有技术,本发明具有以下有益效果:本发明方法能够对印刷电路板的微小缺陷实现快速、高精度的检测,对图像采集的要求较低,应对复杂的缺陷鲁棒性强,成本低廉,可扩展到工业上其他微小缺陷检测。
附图说明
图1为本发明方法流程图。
图2为本发明ACYOLOV4-CSP的检测框架图。
图3为ACYOLOV4-CSP的非对称卷积模块图。
图4为印刷电路板常见的6种缺陷。
图5为印刷电路板缺陷面积与图像大小占比分析。
图6为VOC格式标注文件示例。
图7为生成YOLO格式标注文件核心代码段。
图8为YOLO格式标注文件示例。
图9为pcb.yaml内容。
图10为印刷电路板6类缺陷检测性能。
图11为印刷版电路图像可视化检测结果。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明提供了一种基于ACYOLOV4_CSP的印刷电路板微小缺陷检测方法,包括如下步骤:
步骤S1、利用LabelImg标注工具对高分辨率的原数据集的每张图片进行标注,即标注印刷电路板的缺陷类别和位置;标注完成后,对标注后的数据集进行预处理,得到训练集;
步骤S2、将训练集喂给ACYOLOV4-CSP网络,得到检测印刷电路板微小缺陷的ACYOLOV4-CSP模型;
步骤S3、利用检测印刷电路板微小缺陷的ACYOLOV4-CSP模型对待检测印刷电路板图像进行检测,若有缺陷,将输出带检测框和类别信息的图像,若无缺陷,将输出和输入图像一样的结果图像。
以下为本发明的具体实现过程。
如图1所示,本发明方法分为图像处理、模型训练、图像识别三大块。该方法是基于采集好的高分辨率图像(例如3034×1586)进行印刷电路板微小缺陷检测。首先需要利用LabelImg标注工具对高分辨率的原数据集的每张图片进行人工标注,标注内容为印刷电路板的缺陷类别和位置。标注完成后,考虑到微小缺陷占整个图像的比例不足0.1%,且高分辨率图像会耗费较高的计算资源和较长的训练时间,需要将原数据集的图像裁剪为合适大小(例如600×600)图像,并生成对应的标注文件。另外,本方法对裁剪后的数据集进行添加高斯噪声、翻转、旋转等数据增强操作,生成最终的训练集。然后将训练集喂给ACYOLOV4-CSP网络,得到适用于检测印刷电路板微小缺陷的ACYOLOV4-CSP模型。最后利用该模型对印刷电路板进行检测,若有缺陷,将输出带检测框和类别信息的图像,若无缺陷,将输出和输入图像一样的结果图像。
1、图像处理:
(1)对采集的原高分辨率图像进行缺陷信息标注,包括缺陷的类别和位置。
(2)将标注后的数据集(含图像和对应的标注文件)裁剪为适应ACYOLOV4-CSP网络训练和检测的大小(例如600×600)。
(3)对裁剪后的图像和标注文件进行检查,删掉裁剪后截断缺陷的不合理图像及标注文件。
(4)对裁剪后的图像按概率做添加高斯噪声、翻转、旋转、平移、随机调整亮度、随机调整对比度等数据增强操作,生成增强后的图像和其对应的标注文件。
2、模型训练:
(1)将经由图像处理模块生成的数据集喂给ACYOLOV4-CSP网络进行训练。
(2)YOLOV4-CSP是对YOLOV4的特征提取网络进行CSP化以减少模型计算量的改良模型。YOLOV4是YOLO(You Only Look Once: Unified, Real-Time Object Detection)系列的最新版本。2015年,Joseph Redmon和Ali Farhadi等人提出基于单阶段网络的目标检测器YOLOV1,其检测速度性能好。在2017年CVPR上,Joseph Redmon和Ali Farhadi发表YOLOV2,进一步提高了检测的精度和速度。2018年3月,全新YOLOV3版被推出,新版本又提升了精度和速度,在实现相近性能时,YOLOV3比SSD速度提高3倍,比RetinaNet速度提高近4倍。2020年4月,Alexey Bochkovskiy和Chien-Yao Wang接棒Joseph Redmon,提出YOLOV4实现精度和速度的性能最优。
(3)YOLO将目标检测任务当作一个“回归”问题来处理,使用单个神经网络,对一张图片进行端到端检测,输出该图像对应的目标框的位置、类别和目标框的置信度。YOLOV4-CSP集合了优秀的CSPDarkNe53作为其基础特征提取网络,用CSPSPP、CSPPAN作为其特征增强网络,最后用YOLO Head进行分类和回归。YOLOV4检测流程如下:
1)将图像大小调整为预定义的宽和高作为神经网络的输入 ;
2)运行神经网络,得到该图片的预测框,包含预测框的位置、置信度、类别概率;
3)进行非极大值抑制,筛选边界框;
4)输出筛选后的预测框信息。
(4)YOLOV4借鉴CSPNet网络的思想将YOLOV3中的Backbone DarkNe53优化为CSPDarkNe53,并采用Mosaic数据增强、Mish激活函数、Ciou-loss等技术,达到了在MS COCO最优的检测结果。YOLOV4-CSP算法是基于YOLOV4在其加强特征提取网络模块SPP替换为SPP-CSP,优化网络的特征提取,实现更好的特征融合。在YOLOV4-CSP的基础上,我们提出在特征提取网络融合非对称卷积,加强方形卷积核(3×3规模)的特征表达能力,设计了ACYOLOV4-CSP模型,该模型更有利于微小缺陷的检测,从而达到更优的精度。ACYOLOV4-CSP的检测框架如图2所示。
ACYOLOV4-CSP特征提取网络的最小单元Conv是由普通卷积、归一化操作、激活函数组成。ACBottleneck是由非对称卷积模块和其残差模块相加而得,ACBottleneckCSP是在ACBottleneck的基础上加入残差模块,BottleneckCSP2也是由一系列的Conv模块、Bottleneck模块堆叠而成,特征加强网络CSPSPP和CSPPAN与YOLOV4-CSP的设计保持一致。YOLOV4-CSP将残差连接的思想体现地淋漓尽致,CSP的大量使用减少了计算量并强化了网络的特征处理能力。ACYOLOV4-CSP的设计沿袭了YOLOV4-CSP的这种优势,并融合了非对称卷积,加强网络的表征能力。ACYOLOV4-CSP的非对称卷积模块如图3所示,在标准方形卷积核的基础上,增加了两个分支,为水平方向一维卷积核和垂直方向一维卷积核,最后将方形卷积核、水平方向一维非对称卷积核、垂直方向一维非对称卷积核三个分支的卷积结果逐元素相加融合,替代原来的方形卷积核,以此增强卷积核的中心骨架表征能力,实现模型性能的提升。
3、图像识别:
(1)将待检测图像裁剪为合适大小的子图像后利用训练好的模型,进行预测;
(2)得到每个子图像对应的缺陷检测信息。
实施例:
本发明方法所使用的计算机的操作系统为Ubuntu16.04,显卡为NVIDIA RTX 20808G。该方法使用的原数据集为PCB缺陷公开数据集(http://robotics.pkusz.edu.cn/resources/dataset/)。为方便评估性能,经过裁剪、翻转等操作生成的数据集和该链接(https://pan.baidu.com/s/1eAxDF4txpgMInxbmNDX0Zw)分享的数据集一致。方法执行主要分为以下几步:
1、数据集的分析及准备
原数据集包含693张图像,涵盖6类常见的印刷电路板的微小缺陷:漏钻孔(missing_hole)、老鼠咬伤(mouse_bite)、开路(open_circuit)、短路(short)、线条不均匀(spur)、杂铜(spurious_copper)。常见6类缺陷如图4(a)-图(f)所示。
经过裁剪、翻转等数据增强操作生成的数据集有10668张图像,各类分布均匀,对缺陷面积占比发现,有超过99%的缺陷占图像大小不足0.1,这为缺陷检测带来了挑战,缺陷面积占比分布如图5所示。
实施例中数据集的标注文件采用VOC格式,其示例如图6所示,需要将其转化为支持YOLO模型训练的格式,其转化代码的核心部分如图7所示。
VOC格式标注文件xmin、xmax、ymin、ymax经过convert()函数会转化为数值为0-1之间的中心点坐标,以及数值0-1之间的回归框的width、height表示,一张图对应一个txt文件。具体内容如图8所示(图8对应图7VOC格式的标注文件),每一行对应一个回归框的信息,第一列是对应类别的数字索引,第二列是回归框的x坐标,第三列是回归框的y坐标,第四、第五列对应回归框的宽和高。
2、训练文件的配置
本实例采用的ACYOLOV4-CSP网络是采用PyTorch框架实现,其配置文件对应不同的网络深度和宽度分为yolov4s-mish.yaml、yolov4l-mish.yaml、yolov4m-mish.yaml、yolov4x-mish.yaml。yaml文件具有简洁、易实现的特点,仅需改变depth_multiple和width_multiple就可控制网络的深度和宽度。考虑到数据集小、最大化利用计算资源等因素,本实施例的配置文件是yolov4s-mish.yaml。适应到印刷电路板缺陷数据集,需要做如下修改:
(1)将训练类别改为印刷电路板缺陷数据集的类别数,即6。
在yolov4s-mish.yaml设置,nc = 6。
(2)创建与印刷电路板缺陷数据集相适应的pcb.yaml文件,文件内容包括训练集、验证集、测试集的路径,缺陷类别数、缺陷类别名称,pcb.yaml文件如图9所示。
3、训练模型
准备好数据和配置文件后,进行训练参数的设置,batch_size设为8,lr0设为0.01,采用权重衰减策略,weight_decay设为0.0005,momentum设为0.937。本实例没有加载预训练权重,从头开始训练,使用单个GPU训练,训练epoch设为200轮,训练时间约为7.6h,训练指令为python train.py –device 0 。
4、测试模型
本实例采用目标检测的常用衡量指标precision、recall、mAP来评估模型,其中mAP的IOU阈值取常用的0.5。在预先划分的测试集上进行测试,分类输出precision、recall、AP@0.5,测试指令为python test.py –-verbose。在测试集上各类的precision、recall、AP如图10所示。本专利提出的方法在测试集的性能为94.1% precision、98.9%recall、98.6% mAP,单张图像的检测时间为4.8ms,实现精度与速度的最优平衡。
5、检测印刷版电路图像
对单张图像进行印刷电路板微小缺陷检测的指令为python detect.py 1.jpg。模型会对输入图像进行识别,保存含检测信息的图片,其可视化如图11(a)-图11(f)所示,其中类别后接的数值是算法判断的置信度,越接近1,代表算法对预测结果越有信心。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (4)
1.一种基于ACYOLOV4_CSP的印刷电路板微小缺陷检测方法,其特征在于,包括如下步骤:
步骤S1、利用LabelImg标注工具对高分辨率的原数据集的每张图片进行标注,即标注印刷电路板的缺陷类别和位置;标注完成后,对标注后的数据集进行预处理,得到训练集;
步骤S2、将训练集喂给ACYOLOV4-CSP网络,得到检测印刷电路板微小缺陷的ACYOLOV4-CSP模型;
步骤S3、利用检测印刷电路板微小缺陷的ACYOLOV4-CSP模型对待检测印刷电路板图像进行检测,若有缺陷,将输出带检测框和类别信息的图像,若无缺陷,将输出和输入图像一样的结果图像。
2.根据权利要求1所述的一种基于ACYOLOV4_CSP的印刷电路板微小缺陷检测方法,其特征在于,所述步骤S1具体实现如下:
S11、利用LabelImg标注工具对高分辨率的原数据集的每张图片进行标注,即标注印刷电路板的缺陷类别和位置;
S12、将标注后的数据集中的图像裁剪为预定大小图像;
S13、对裁剪后的数据集进行筛查;
S14、对筛查后的裁剪后的数据集进行包括添加高斯噪声、翻转、旋转的数据增强操作,生成最终的训练集。
3.根据权利要求1所述的一种基于ACYOLOV4_CSP的印刷电路板微小缺陷检测方法,其特征在于,所述步骤S2中,ACYOLOV4-CSP网络中YOLOV4-CSP集合CSPDarkNe53作为其基础特征提取网络,用CSPSPP、CSPPAN作为其特征增强网络,最后用YOLO Head进行分类和回归;ACYOLOV4-CSP网络中最小单元Conv是由普通卷积、归一化操作、激活函数组成;ACYOLOV4-CSP网络中ACBottleneck是由非对称卷积模块和其残差模块相加而得;ACYOLOV4-CSP网络中ACBottleneckCSP是在ACBottleneck的基础上加入残差模块;ACYOLOV4-CSP网络中BottleneckCSP2是由一系列的Conv模块、Bottleneck模块堆叠而成;ACYOLOV4-CSP的网络设计与YOLOV4-CSP的网络设计保持一致,并融合非对称卷积,即:在标准方形卷积核的基础上,增加了两个分支:水平方向一维卷积核和垂直方向一维卷积核;最后将方形卷积核、水平方向一维非对称卷积核、垂直方向一维非对称卷积核三个分支的卷积结果逐元素相加融合,替代原来的方形卷积核。
4.根据权利要求1所述的一种基于ACYOLOV4_CSP的印刷电路板微小缺陷检测方法,其特征在于,所述步骤S3中,待检测印刷电路板图像裁剪为预定大小图像后输入检测印刷电路板微小缺陷的ACYOLOV4-CSP模型进行预测,从而得到每个待检测印刷电路板图像对应的缺陷检测信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110062673.XA CN112651966A (zh) | 2021-01-18 | 2021-01-18 | 一种基于acyolov4_csp的印刷电路板微小缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110062673.XA CN112651966A (zh) | 2021-01-18 | 2021-01-18 | 一种基于acyolov4_csp的印刷电路板微小缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112651966A true CN112651966A (zh) | 2021-04-13 |
Family
ID=75368276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110062673.XA Pending CN112651966A (zh) | 2021-01-18 | 2021-01-18 | 一种基于acyolov4_csp的印刷电路板微小缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651966A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240671A (zh) * | 2021-06-16 | 2021-08-10 | 重庆科技学院 | 一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法 |
CN113312999A (zh) * | 2021-05-19 | 2021-08-27 | 华南农业大学 | 一种自然果园场景下的柑橘木虱高精度检测方法及装置 |
CN113344847A (zh) * | 2021-04-21 | 2021-09-03 | 安徽工业大学 | 一种基于深度学习的长尾夹缺陷检测方法及系统 |
CN113506239A (zh) * | 2021-05-21 | 2021-10-15 | 冶金自动化研究设计院 | 一种基于跨阶段局部网络的带钢表面缺陷检测方法 |
CN113506243A (zh) * | 2021-06-04 | 2021-10-15 | 联合汽车电子有限公司 | Pcb焊接缺陷检测方法、装置及存储介质 |
CN113836850A (zh) * | 2021-11-26 | 2021-12-24 | 成都数之联科技有限公司 | 模型获得方法及系统及装置及介质及产品缺陷检测方法 |
CN114113137A (zh) * | 2021-11-10 | 2022-03-01 | 佛山科学技术学院 | 一种薄膜材料的缺陷检测系统及其方法 |
CN117409261A (zh) * | 2023-12-14 | 2024-01-16 | 成都数之联科技股份有限公司 | 一种基于分类模型的元件角度分类方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6261390A (ja) * | 1985-09-11 | 1987-03-18 | 興和株式会社 | プリント基板検査方法およびその装置 |
CN111709909A (zh) * | 2020-05-12 | 2020-09-25 | 安徽艾睿思智能科技有限公司 | 基于深度学习的通用印刷缺陷检测方法及其模型 |
CN111709489A (zh) * | 2020-06-24 | 2020-09-25 | 广西师范大学 | 一种基于改进YOLOv4的柑橘识别方法 |
CN111929329A (zh) * | 2020-07-30 | 2020-11-13 | 广东寰球智能科技有限公司 | 玻璃幕墙智能检测方法、系统及存储介质 |
CN111985365A (zh) * | 2020-08-06 | 2020-11-24 | 合肥学院 | 一种基于目标检测技术的秸秆焚烧监测方法和系统 |
-
2021
- 2021-01-18 CN CN202110062673.XA patent/CN112651966A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6261390A (ja) * | 1985-09-11 | 1987-03-18 | 興和株式会社 | プリント基板検査方法およびその装置 |
CN111709909A (zh) * | 2020-05-12 | 2020-09-25 | 安徽艾睿思智能科技有限公司 | 基于深度学习的通用印刷缺陷检测方法及其模型 |
CN111709489A (zh) * | 2020-06-24 | 2020-09-25 | 广西师范大学 | 一种基于改进YOLOv4的柑橘识别方法 |
CN111929329A (zh) * | 2020-07-30 | 2020-11-13 | 广东寰球智能科技有限公司 | 玻璃幕墙智能检测方法、系统及存储介质 |
CN111985365A (zh) * | 2020-08-06 | 2020-11-24 | 合肥学院 | 一种基于目标检测技术的秸秆焚烧监测方法和系统 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344847A (zh) * | 2021-04-21 | 2021-09-03 | 安徽工业大学 | 一种基于深度学习的长尾夹缺陷检测方法及系统 |
CN113344847B (zh) * | 2021-04-21 | 2023-10-31 | 安徽工业大学 | 一种基于深度学习的长尾夹缺陷检测方法及系统 |
CN113312999A (zh) * | 2021-05-19 | 2021-08-27 | 华南农业大学 | 一种自然果园场景下的柑橘木虱高精度检测方法及装置 |
CN113312999B (zh) * | 2021-05-19 | 2023-07-07 | 华南农业大学 | 一种自然果园场景下的柑橘木虱高精度检测方法及装置 |
CN113506239A (zh) * | 2021-05-21 | 2021-10-15 | 冶金自动化研究设计院 | 一种基于跨阶段局部网络的带钢表面缺陷检测方法 |
CN113506239B (zh) * | 2021-05-21 | 2024-06-04 | 冶金自动化研究设计院 | 一种基于跨阶段局部网络的带钢表面缺陷检测方法 |
CN113506243A (zh) * | 2021-06-04 | 2021-10-15 | 联合汽车电子有限公司 | Pcb焊接缺陷检测方法、装置及存储介质 |
CN113240671A (zh) * | 2021-06-16 | 2021-08-10 | 重庆科技学院 | 一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法 |
CN114113137A (zh) * | 2021-11-10 | 2022-03-01 | 佛山科学技术学院 | 一种薄膜材料的缺陷检测系统及其方法 |
CN113836850A (zh) * | 2021-11-26 | 2021-12-24 | 成都数之联科技有限公司 | 模型获得方法及系统及装置及介质及产品缺陷检测方法 |
CN117409261A (zh) * | 2023-12-14 | 2024-01-16 | 成都数之联科技股份有限公司 | 一种基于分类模型的元件角度分类方法及系统 |
CN117409261B (zh) * | 2023-12-14 | 2024-02-20 | 成都数之联科技股份有限公司 | 一种基于分类模型的元件角度分类方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112651966A (zh) | 一种基于acyolov4_csp的印刷电路板微小缺陷检测方法 | |
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN110992317B (zh) | 一种基于语义分割的pcb板缺陷检测方法 | |
US20230306577A1 (en) | Cross-scale defect detection method based on deep learning | |
CN111179253A (zh) | 一种产品缺陷检测方法、装置与系统 | |
CN110021005A (zh) | 电路板瑕疵筛选方法及其装置与计算机可读取记录介质 | |
CN114549512A (zh) | 一种电路板缺陷检测方法、装置、设备及介质 | |
CN111079815B (zh) | 一种面向废线路板拆解的高值电子器件自动识别方法 | |
CN116052193B (zh) | Rpa界面动态表格的拾取和匹配方法及系统 | |
CN113221947A (zh) | 一种基于图像识别技术的工业质检方法及系统 | |
CN113780423A (zh) | 一种基于多尺度融合的单阶段目标检测神经网络及工业品表面缺陷检测模型 | |
CN113627435A (zh) | 一种瓷砖的瑕疵检测与识别方法及系统 | |
CN116071315A (zh) | 一种基于机器视觉的产品可视缺陷检测方法及系统 | |
CN113506281B (zh) | 一种基于深度学习框架的桥梁裂缝检测方法 | |
CN113205511B (zh) | 基于深层神经网络的电子元器件批量信息检测方法及系统 | |
CN114782967A (zh) | 一种基于代码可视化学习的软件缺陷预测方法 | |
CN114387230A (zh) | 一种基于重验证检测的pcb板缺陷检测方法 | |
CN112381794B (zh) | 一种基于深度卷积生成网络的印刷缺陷检测方法 | |
CN115719326A (zh) | Pcb板缺陷检测方法及装置 | |
CN117437227A (zh) | 一种图像生成及缺陷检测方法、装置、介质、设备及产品 | |
CN116205881A (zh) | 一种基于轻量级语义分割的数码喷印图像缺陷检测方法 | |
CN116563230A (zh) | 焊缝缺陷识别方法及系统 | |
CN116012354A (zh) | 片式电容丝印缺陷检测方法、装置、设备及存储介质 | |
Nahar et al. | Computer aided system for inspection of assembled PCB | |
Hu et al. | Printed Circuit Board (PCB) Surface Micro Defect Detection Model Based on Residual Network with Novel Attention Mechanism. |
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 |