CN115719326A - Pcb板缺陷检测方法及装置 - Google Patents
Pcb板缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN115719326A CN115719326A CN202110973563.9A CN202110973563A CN115719326A CN 115719326 A CN115719326 A CN 115719326A CN 202110973563 A CN202110973563 A CN 202110973563A CN 115719326 A CN115719326 A CN 115719326A
- Authority
- CN
- China
- Prior art keywords
- image
- pcb
- defect
- detected
- network model
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种PCB板缺陷检测方法及装置，其中方法包括：获得待测PCB板图像和标准PCB板图像；将所述待测PCB板图像和标准PCB板图像进行比对，确定缺陷位置局部图像；将所述缺陷位置局部图像输入训练好的改进GoogleNet网络模型，识别PCB板的缺陷类型，其中所述改进GoogleNet网络模型是根据历史缺陷位置局部图像进行训练的，所述改进GoogleNet网络模型是对GoogleNet网络的Inception结构进行改进后得到的。本发明可以进行PCB板缺陷检测，提高检测效率和准确率，降低维护成本。
Description
技术领域
本发明涉及缺陷检测技术领域，尤其涉及PCB板缺陷检测方法及装置。
背景技术
随着PCB板精度越来越高，密度越来越大，板中一些线路缺陷愈发难以发现。现有技术中通常采用人工检测、传统图像处理或自动光学检测的方法进行PCB板缺陷检测，然而，人工检测中准确度容易受工人的主观影响，速度较慢，长时间工作容易引起主观误差；传统图像处理容易受到同时出现多个误差的影响，且图像容易受噪声污染对检测结果产生影响，无法保证准确度；自动光学检测法虽然检测准确度较高，但是其需要针对不同类型的PCB板即不同缺陷设计相应的算法流程，过程较为复杂同时设备太过昂贵，维护成本较高。
因此，亟需一种可以克服上述问题的PCB板缺陷检测方案。
发明内容
本发明实施例提供一种PCB板缺陷检测方法，用以进行PCB板缺陷检测，提高检测效率和准确率，降低维护成本，该方法包括：
获得待测PCB板图像和标准PCB板图像；
将所述待测PCB板图像和标准PCB板图像进行比对，确定缺陷位置局部图像；
将所述缺陷位置局部图像输入训练好的改进GoogleNet网络模型，识别PCB板的缺陷类型，其中所述改进GoogleNet网络模型是根据历史缺陷位置局部图像进行训练的，所述改进GoogleNet网络模型是对GoogleNet网络的Inception结构进行改进后得到的。
本发明实施例提供一种PCB板缺陷检测装置，用以进行PCB板缺陷检测，提高检测效率和准确率，降低维护成本，该装置包括：
图像获得模块，用于获得待测PCB板图像和标准PCB板图像；
位置确定模块，用于将所述待测PCB板图像和标准PCB板图像进行比对，确定缺陷位置局部图像；
缺陷识别模块，用于将所述缺陷位置局部图像输入训练好的改进GoogleNet网络模型，识别PCB板的缺陷类型，其中所述改进GoogleNet网络模型是根据历史缺陷位置局部图像进行训练的，所述改进GoogleNet网络模型是对GoogleNet网络的Inception结构进行改进后得到的。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述PCB板缺陷检测方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述PCB板缺陷检测方法的计算机程序。
本发明实施例与现有技术中利用人工检测、传统图像处理、自动光学检测风方法进行PCB板缺陷检测的技术方案相比，通过获得待测PCB板图像和标准PCB板图像；将所述待测PCB板图像和标准PCB板图像进行比对，确定缺陷位置局部图像；将所述缺陷位置局部图像输入训练好的改进GoogleNet网络模型，识别PCB板的缺陷类型，其中所述改进GoogleNet网络模型是根据历史缺陷位置局部图像进行训练的，所述改进GoogleNet网络模型是对GoogleNet网络的Inception结构进行改进后得到的。本发明实施例无需进行人工检测也无需针对不同类型PCB板设计不同流程算法，只需对GoogleNet网络的Inception结构进行改进得到改进GoogleNet网络模型，根据历史缺陷位置局部图像对改进GoogleNet网络模型进行训练，然后将待测PCB板图像和标准PCB板图像进行比对确定缺陷位置局部图像后输入训练好的改进GoogleNet网络模型，即可实现PCB板缺陷的检测，克服了PCB板小型化、高精度、高密度造成缺陷检测困难的问题，提高了检测效率和准确率，有效降低维护成本。
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。在附图中：
图1为本发明实施例中PCB板缺陷检测方法示意图；
图2为本发明实施例中另一PCB板缺陷检测方法示意图；
图3为本发明实施例中待测PCB板图像和标准PCB板图像比对方法示意图；
图4为本发明具体实施例中缺陷二值化图像；
图5～图6为本发明具体实施例中缺陷位置局部图像；
图7为本发明实施例中改进GoogleNet网络模型训练方法示意图；
图8为本发明实施例中GoogleNet网络的Inception结构的改进方法示意图；
图9为本发明实施例中改进GoogleNet网络模型结构图；
图10为本发明实施例中PCB板缺陷检测装置结构图；
图11是本发明实施例的计算机设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
为了进行PCB板缺陷检测，提高检测效率和准确率，降低维护成本，本发明实施例提供一种PCB板缺陷检测方法，如图1所示，该方法可以包括：
步骤101、获得待测PCB板图像和标准PCB板图像；
步骤102、将所述待测PCB板图像和标准PCB板图像进行比对，确定缺陷位置局部图像；
步骤103、将所述缺陷位置局部图像输入训练好的改进GoogleNet网络模型，识别PCB板的缺陷类型，其中所述改进GoogleNet网络模型是根据历史缺陷位置局部图像进行训练的，所述改进GoogleNet网络模型是对GoogleNet网络的Inception结构进行改进后得到的。
由图1所示可以得知，本发明实施例与现有技术中利用人工检测、传统图像处理、自动光学检测风方法进行PCB板缺陷检测的技术方案相比，通过获得待测PCB板图像和标准PCB板图像；将所述待测PCB板图像和标准PCB板图像进行比对，确定缺陷位置局部图像；将所述缺陷位置局部图像输入训练好的改进GoogleNet网络模型，识别PCB板的缺陷类型，其中所述改进GoogleNet网络模型是根据历史缺陷位置局部图像进行训练的，所述改进GoogleNet网络模型是对GoogleNet网络的Inception结构进行改进后得到的。本发明实施例无需进行人工检测也无需针对不同类型PCB板设计不同流程算法，只需对GoogleNet网络的Inception结构进行改进得到改进GoogleNet网络模型，根据历史缺陷位置局部图像对改进GoogleNet网络模型进行训练，然后将待测PCB板图像和标准PCB板图像进行比对确定缺陷位置局部图像后输入训练好的改进GoogleNet网络模型，即可实现PCB板缺陷的检测，克服了PCB板小型化、高精度、高密度造成缺陷检测困难的问题，提高了检测效率和准确率，有效降低维护成本。
实施例中，获得待测PCB板图像和标准PCB板图像；将所述待测PCB板图像和标准PCB板图像进行比对，确定缺陷位置局部图像。
本实施例中，如图2所示，PCB板缺陷检测方法还包括：
步骤201、对所述待测PCB板图像进行中值滤波处理；
步骤202、利用拉普拉斯算子对中值滤波处理后的待测PCB板图像进行锐化处理；
将所述待测PCB板图像和标准PCB板图像进行比对，包括：将锐化处理后的待测PCB板图像和标准PCB板图像进行比对。
本实施例中，如图3所示，将所述待测PCB板图像和标准PCB板图像进行比对，确定缺陷位置局部图像，包括：
步骤301、对待测PCB板图像和标准PCB板图像进行视觉差分处理，得到缺陷差分图像；
步骤302、根据预设灰度阈值，对所述缺陷差分图像进行二值化处理，得到缺陷二值化图像；
步骤303、对所述缺陷二值化图像进行边缘检测，得到缺陷轮廓信息；
步骤304、根据所述缺陷轮廓信息，利用轮廓外接矩形算法确定缺陷位置处外接矩形框的中心点坐标；
步骤305、根据所述中心点坐标，在待测PCB板图像上截取缺陷位置局部图像。
具体实施时，在生产现场使用灵敏度高、成像质量高以及噪声低的工业CCD相机拍摄高分辨率的待测PCB板图像。对待测PCB板图像进行灰度化之后进行中值滤波处理，从而减少噪声污染。然后，利用拉普拉斯算子对中值滤波处理后的待测PCB板图像进行锐化处理，从而可以突出缺陷边缘。将锐化处理后的待测PCB板图像和标准PCB板图像进行比对，首先对待测PCB板图像和标准PCB板图像进行视觉差分处理，即逐像素相减进行差分定位，得到缺陷差分图像，然后根据预设灰度阈值对缺陷差分图像进行二值化处理，得到缺陷二值化图像，如图4所示。对缺陷二值化图像进行边缘检测，得到缺陷轮廓信息，其中边缘检测方法可以采用canny边缘检测算法。进而根据缺陷轮廓信息，利用轮廓外接矩形算法确定缺陷位置处外接矩形框的中心点坐标并根据中心点坐标，在待测PCB板图像上截取缺陷位置局部图像。具体的，通过轮廓外接矩形算法可定位出缺陷位置，并通过该缺陷的外接矩形框的信息可以找出中心点坐标。以该中心坐标截取一定像素大小的矩形区域，即可获得原图中缺陷的局部图，也即缺陷位置局部图像，如图5～图6所示，其中图5为短路的缺陷位置局部图像，图6为断路的缺陷位置局部图像。
实施例中，将所述缺陷位置局部图像输入训练好的改进GoogleNet网络模型，识别PCB板的缺陷类型，其中所述改进GoogleNet网络模型是根据历史缺陷位置局部图像进行训练的，所述改进GoogleNet网络模型是对GoogleNet网络的Inception结构进行改进后得到的。
本实施例中，如图7所示，所述改进GoogleNet网络模型按如下方式根据历史缺陷位置局部图像进行训练：
步骤701、对历史缺陷位置局部图像进行数据增强处理；
步骤702、将数据增强处理后的历史缺陷位置局部图像进行旋转处理，平移处理，变换亮度处理，增加噪声处理其中之一或任意组合，生成训练数据集；
步骤703、根据所述训练数据集，对改进GoogleNet网络模型进行训练。
具体实施时，对历史缺陷位置局部图像进行数据增强处理，从而增加数据量，然后将数据增强处理后的历史缺陷位置局部图像进行旋转处理，平移处理，变换亮度处理，增加噪声处理等，从而丰富数据集，使得训练出的网络满足平移不变性、旋转不变性和鲁棒性等需求。根据训练数据集对改进GoogleNet网络模型进行训练。
本实施例中，根据所述训练数据集，对改进GoogleNet网络模型进行训练，包括：
根据所述训练数据集，利用交叉熵损失作为改进GoogleNet网络模型梯度下降的损失函数，训练改进GoogleNet网络模型的参数。
本实施例中，如图8所示，按如下方式对GoogleNet网络的Inception结构进行改进：
步骤801、利用2个3×3卷积核替换Inception结构中的5×5卷积核；
步骤802、利用3×3卷积核和空洞卷积核替换Inception结构中的池化层，其中所述空洞卷积核为3×3且空洞率为2的卷积核；
本实施例中，对GoogleNet网络的改进该包括：
利用7×7卷积层替换GoogleNet网络末尾结构中的7×7平均池化层；
在原GoogleNet网络的Inception结构的全连接层后面增加一层1×1×6的全连接层。
具体实施时，改进GoogleNet网络模型如图9所示，使用2个3×3的卷积核代替GoogleNet网络的Inception结构中的5×5卷积核，从而可以有效降低模型训练参数数量，并且保持该部分的感受野不变。将原来的池化层删去，使用3×3卷积核和3x3且空洞率＝2的空洞卷积核代替，使Inception结构增加了相当于7×7的尺度卷积核来计算该层的输出，可以融合更多不同尺度的特征信息。将GoogleNet网络末尾结构中的7×7平均池化层改为7×7卷积层，可以使网络在最后融合更多特征信息。将在原GoogleNet网络Inception结构的全连接层后面再加上一层全连接层，使输出的维度为需要分类的种类数。在训练网络过程中，将网络的两个辅助分类器的损失占比设置为0.3。在使用改进GoogleNet网络模型进行训练参数时，首先将准备好的历史缺陷位置局部图像预处理成GoogleNet网络输入层的尺寸大小，例如224×224，然后使用交叉熵损失用于改进GoogleNet网络模型梯度下降的损失函数，最后使用24张图片作为一个Mini-Batch，并使网络迭代30次来训练模型参数。整个网络训练完整过程如表1所示，输入224×224×3大小的图像最终输出一个1×1×6的张量，其中“6”是所需要分类的缺陷种类数量。
表1
| 类型 | 大小 | 个数 | 步长 | 输出大小 |
| 卷积层 | 7x7 | 64 | 2 | 112x112x64 |
| 最大池化层 | 3x3 | 2 | 56x56x64 | |
| 卷积层 | 3x3 | 192 | 1 | 56x56x192 |
| 最大池化层 | 3x3 | 2 | 28x28x192 | |
| Inception层 | 28x28x256 | |||
| Inception层 | 28x28x480 | |||
| 最大池化层 | 3x3 | 2 | 14x14x480 | |
| Inception层 | 14x14x512 | |||
| Inception层 | 14x14x512 | |||
| Inception层 | 14x14x512 | |||
| Inception层 | 14x14x528 | |||
| Inception层 | 14x14x832 | |||
| 最大池化层 | 3x3 | 2 | 7x7x832 | |
| Inception层 | 7x7x832 | |||
| Inception层 | 7x7x1024 | |||
| 卷积层 | 7x7 | 1024 | 1 | 1x1x1024 |
| Dropout层 | 1x1x1024 | |||
| 全连接层 | 1x1x1000 | |||
| 全连接层 | 1x1x6 | |||
| 输出层 | 1x1x6 |
本发明实施例不需要专门工人进行人工检测，使用在线视觉检测的方法进行计算机识别。针对高精度，高密度的PCB板线路缺陷不明显问题，本发明的视觉检测方法可以精确定位出缺陷位置，并识别出缺陷类型。解决了传统专门针对每个缺陷设计的检测算法，导致算法复杂，冗余，并且鲁棒性差的问题。本发明实施例通过视觉检测的方法对PCB裸板的导线缺陷进行识别与定位，结合传统视觉处理与卷积神经网络的各自优势，使得PCB裸板导线缺陷检测更加精准，克服了PCB板小型化、高精度、高密度造成缺陷检测困难的问题。不需要设计相应缺陷的检测算法，使用视觉差分定位法定位出缺陷位置坐标，根据该坐标截取缺陷区域，获得精准的ROI区域，并输入到缺陷分类网络中，识别出缺陷种类。使用传统图像处理定位缺陷位置，并使用目标分类网络识别缺陷，相比于直接训练目标检测网络算法结构更加简单，且算法定位更加准确，运行效率高。改进了卷积神经网络结构，使模型训练更加迅速和准确，从而使缺陷识别分类更加精准。
基于同一发明构思，本发明实施例还提供了一种PCB板缺陷检测装置，如下面的实施例所述。由于这些解决问题的原理与PCB板缺陷检测方法相似，因此PCB板缺陷检测装置的实施可以参见方法的实施，重复之处不再赘述。
图10为本发明实施例中PCB板缺陷检测装置的结构图，如图10所示，该PCB板缺陷检测装置包括：
图像获得模块1001，用于获得待测PCB板图像和标准PCB板图像；
位置确定模块1002，用于将所述待测PCB板图像和标准PCB板图像进行比对，确定缺陷位置局部图像；
缺陷识别模块1003，用于将所述缺陷位置局部图像输入训练好的改进GoogleNet网络模型，识别PCB板的缺陷类型，其中所述改进GoogleNet网络模型是根据历史缺陷位置局部图像进行训练的，所述改进GoogleNet网络模型是对GoogleNet网络的Inception结构进行改进后得到的。
一个实施例中，按如下方式对GoogleNet网络的Inception结构进行改进：
利用2个3×3卷积核替换Inception结构中的5×5卷积核；
利用3×3卷积核和空洞卷积核替换Inception结构中的池化层，其中所述空洞卷积核为3×3且空洞率为2的卷积核。
综上所述，本发明实施例与现有技术中利用人工检测、传统图像处理、自动光学检测风方法进行PCB板缺陷检测的技术方案相比，通过获得待测PCB板图像和标准PCB板图像；将所述待测PCB板图像和标准PCB板图像进行比对，确定缺陷位置局部图像；将所述缺陷位置局部图像输入训练好的改进GoogleNet网络模型，识别PCB板的缺陷类型，其中所述改进GoogleNet网络模型是根据历史缺陷位置局部图像进行训练的，所述改进GoogleNet网络模型是对GoogleNet网络的Inception结构进行改进后得到的。本发明实施例无需进行人工检测也无需针对不同类型PCB板设计不同流程算法，只需对GoogleNet网络的Inception结构进行改进得到改进GoogleNet网络模型，根据历史缺陷位置局部图像对改进GoogleNet网络模型进行训练，然后将待测PCB板图像和标准PCB板图像进行比对确定缺陷位置局部图像后输入训练好的改进GoogleNet网络模型，即可实现PCB板缺陷的检测，克服了PCB板小型化、高精度、高密度造成缺陷检测困难的问题，提高了检测效率和准确率，有效降低维护成本。
基于前述发明构思，如图11所示，本发明还提出了一种计算机设备1100，包括存储器1110、处理器1120及存储在存储器1110上并可在处理器1120上运行的计算机程序1130，所述处理器1120执行所述计算机程序1130时实现前述PCB板缺陷检测方法。
基于前述发明构思，本发明提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现前述PCB板缺陷检测方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种PCB板缺陷检测方法，其特征在于，包括：
获得待测PCB板图像和标准PCB板图像；
将所述待测PCB板图像和标准PCB板图像进行比对，确定缺陷位置局部图像；
将所述缺陷位置局部图像输入训练好的改进GoogleNet网络模型，识别PCB板的缺陷类型，其中所述改进GoogleNet网络模型是根据历史缺陷位置局部图像进行训练的，所述改进GoogleNet网络模型是对GoogleNet网络的Inception结构进行改进后得到的。
2.如权利要求1所述的PCB板缺陷检测方法，其特征在于，还包括：
对所述待测PCB板图像进行中值滤波处理；
利用拉普拉斯算子对中值滤波处理后的待测PCB板图像进行锐化处理；
将所述待测PCB板图像和标准PCB板图像进行比对，包括：将锐化处理后的待测PCB板图像和标准PCB板图像进行比对。
3.如权利要求1所述的PCB板缺陷检测方法，其特征在于，将所述待测PCB板图像和标准PCB板图像进行比对，确定缺陷位置局部图像，包括：
对待测PCB板图像和标准PCB板图像进行视觉差分处理，得到缺陷差分图像；
根据预设灰度阈值，对所述缺陷差分图像进行二值化处理，得到缺陷二值化图像；
对所述缺陷二值化图像进行边缘检测，得到缺陷轮廓信息；
根据所述缺陷轮廓信息，利用轮廓外接矩形算法确定缺陷位置处外接矩形框的中心点坐标；
根据所述中心点坐标，在待测PCB板图像上截取缺陷位置局部图像。
4.如权利要求1所述的PCB板缺陷检测方法，其特征在于，所述改进GoogleNet网络模型按如下方式根据历史缺陷位置局部图像进行训练：
对历史缺陷位置局部图像进行数据增强处理；
将数据增强处理后的历史缺陷位置局部图像进行旋转处理，平移处理，变换亮度处理，增加噪声处理其中之一或任意组合，生成训练数据集；
根据所述训练数据集，对改进GoogleNet网络模型进行训练。
5.如权利要求4所述的PCB板缺陷检测方法，其特征在于，根据所述训练数据集，对改进GoogleNet网络模型进行训练，包括：
根据所述训练数据集，利用交叉熵损失作为改进GoogleNet网络模型梯度下降的损失函数，训练改进GoogleNet网络模型的参数。
6.如权利要求1所述的PCB板缺陷检测方法，其特征在于，按如下方式对GoogleNet网络的Inception结构进行改进：
利用2个3×3卷积核替换Inception结构中的5×5卷积核；
利用3×3卷积核和空洞卷积核替换Inception结构中的池化层，其中所述空洞卷积核为3×3且空洞率为2的卷积核。
7.一种PCB板缺陷检测装置，其特征在于，包括：
图像获得模块，用于获得待测PCB板图像和标准PCB板图像；
位置确定模块，用于将所述待测PCB板图像和标准PCB板图像进行比对，确定缺陷位置局部图像；
缺陷识别模块，用于将所述缺陷位置局部图像输入训练好的改进GoogleNet网络模型，识别PCB板的缺陷类型，其中所述改进GoogleNet网络模型是根据历史缺陷位置局部图像进行训练的，所述改进GoogleNet网络模型是对GoogleNet网络的Inception结构进行改进后得到的。
8.如权利要求7所述的PCB板缺陷检测装置，其特征在于，按如下方式对GoogleNet网络的Inception结构进行改进：
利用2个3×3卷积核替换Inception结构中的5×5卷积核；
利用3×3卷积核和空洞卷积核替换Inception结构中的池化层，其中所述空洞卷积核为3×3且空洞率为2的卷积核。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至6任一所述方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110973563.9A CN115719326A (zh) | 2021-08-24 | 2021-08-24 | Pcb板缺陷检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110973563.9A CN115719326A (zh) | 2021-08-24 | 2021-08-24 | Pcb板缺陷检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115719326A true CN115719326A (zh) | 2023-02-28 |
Family
ID=85254105
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110973563.9A Pending CN115719326A (zh) | 2021-08-24 | 2021-08-24 | Pcb板缺陷检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115719326A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116297524A (zh) * | 2023-04-07 | 2023-06-23 | 苏州矽行半导体技术有限公司 | 一种有图像晶圆的多模态检测方法 |
-
2021
- 2021-08-24 CN CN202110973563.9A patent/CN115719326A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116297524A (zh) * | 2023-04-07 | 2023-06-23 | 苏州矽行半导体技术有限公司 | 一种有图像晶圆的多模态检测方法 |
| CN116297524B (zh) * | 2023-04-07 | 2023-11-14 | 苏州矽行半导体技术有限公司 | 一种有图像晶圆的多模态检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110992317B (zh) | 一种基于语义分割的pcb板缺陷检测方法 | |
| CN107228860B (zh) | 一种基于图像旋转周期特性的齿轮缺陷检测方法 | |
| CN112508846B (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
| CN110930390B (zh) | 基于半监督深度学习的芯片管脚缺失检测方法 | |
| CN109472271B (zh) | 印刷电路板图像轮廓提取方法及装置 | |
| CN109671078B (zh) | 一种产品表面图像异常检测方法及装置 | |
| CN114998314B (zh) | 一种基于计算机视觉的pcb电路板缺陷检测方法 | |
| CN116777907A (zh) | 一种钣金件质量检测方法 | |
| CN108918093B (zh) | 一种滤光片镜面缺陷检测方法、装置及终端设备 | |
| CN109584215A (zh) | 一种电路板在线视觉检测系统 | |
| CN115690102B (zh) | 缺陷检测方法、装置、电子设备、存储介质和程序产品 | |
| CN110706224A (zh) | 基于暗场图像的光学元件弱划痕检测方法、系统和装置 | |
| CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
| CN115953373B (zh) | 玻璃缺陷检测方法、装置、电子设备及存储介质 | |
| CN113066088A (zh) | 工业检测中的检测方法、检测装置和存储介质 | |
| CN114862817A (zh) | 一种电路板金手指区域缺陷检测方法及系统及装置及介质 | |
| CN115690670A (zh) | 一种晶圆瑕疵智能识别方法和系统 | |
| CN111882547A (zh) | 一种基于神经网络的pcb漏件检测方法 | |
| CN115937175A (zh) | 一种电路板表面缺陷检测方法、系统、设备及存储介质 | |
| CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| 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 | |
| CN111223078A (zh) | 瑕疵等级判定的方法及存储介质 | |
| CN117152165B (zh) | 感光芯片缺陷的检测方法、装置、存储介质及电子设备 | |
| CN115719326A (zh) | Pcb板缺陷检测方法及装置 | |
| CN115937059A (zh) | 具有生成式训练模型的零件检查系统 |
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 |