CN115937175A - 一种电路板表面缺陷检测方法、系统、设备及存储介质 - Google Patents

Abstract

本发明提供一种电路板表面缺陷检测方法、系统、设备及存储介质，涉及缺陷检测技术领域，所述方法包括步骤：(1)对无缺陷的电路板表面图像进行数据扩充处理和图像增强处理，以形成图像数据集；(2)基于图像数据集对无监督异常检测模型进行训练；(3)将待检测的电路板表面图像输入训练后的无监督异常检测模型进行异常分数计算，以获取异常分数校验矩阵；(4)基于异常分数校验矩阵对待检测的电路板表面图像进行缺陷判定和缺陷位置判定。本发明利用无监督异常检测技术进行缺陷检测，无需人工缺陷标注，不会引入人工缺陷标注带来的训练数据噪声，无监督异常检测模型鲁棒性较好，能够完成多种不同的电路板缺陷检测任务。

Description

一种电路板表面缺陷检测方法、系统、设备及存储介质

技术领域

本发明涉及缺陷检测技术领域，具体而言，涉及一种电路板表面缺陷检测方法、系统、设备及存储介质。

背景技术

在工业生产领域，电路板是被广泛使用的电子元器件。电路板生产制造复杂且繁琐，制造过程中容易引入各种各样的产品缺陷，并且产品缺陷的类型多种多样，在颜色种类、形状大小、颜色深浅上表现不一。

在实际产线质量把控过程中，出于整体产品良率考虑，需要评估产品缺陷的严重性，判断产品缺陷所属的缺陷类型，缺陷类型包括可允收的产品缺陷和不可允收的产品缺陷，对于不可允收的产品缺陷，则需要对电路板进行报废，对于可允收的产品缺陷，则可以将电路板流到后道制程处理。所以对电路板进行精确的缺陷检测，并且结合缺陷检测结果准确评估缺陷严重程度，对于工厂成本控制至关重要。

目前，很多电路板生产厂商已经引入了AOI(Automatic Optical Inspection，自动光学检测)进行电路板表面图像采集，再通过模板匹配的方式进行缺陷的检测，最后通过人工进行缺陷类型的判断。随着深度学习技术的发展，越来越多的电路板生产厂商采用深度学习有监督模型的方式取代人工进行缺陷类型的判断。但上述方法仍然存在一些问题。其一是有监督模型的训练需要大量的人工进行缺陷标注，并且大规模的人工缺陷标注存在易出错、耗时长、效率低等问题。其二，受制于有监督模型的可迁移性不佳的特点，训练后的模型无法识别未标注、未参与模型训练的电路板或缺陷类型。然而，在实际工业生产过程中，电路板缺陷类型是复杂多样的。因此，主流的基于深度学习的有监督模型在缺陷自动检测任务上的实用性较差、效率较低。

发明内容

本发明实施例提供一种电路板表面缺陷检测方法、系统、设备及存储介质，利用无监督异常检测技术进行缺陷检测，避免对电路板缺陷进行大量、细致的标注，减少人力资源的消耗；与此同时，减少人工标注误差带来的训练数据噪声，解决了已有的基于模板匹配的缺陷检测方案鲁棒性较差的问题，能够完成多种不同的电路板的缺陷检测任务。

在第一方面，本发明实施例中提供一种电路板表面缺陷检测方法，所述方法包括以下步骤：

(1)采集无缺陷的电路板表面图像P₁，并且对所述电路板表面图像P₁进行数据扩充处理和图像增强处理，以形成图像数据集；

(2)基于所述图像数据集对无监督异常检测模型进行训练，所述无监督异常检测模型包括网络结构相同的第一主干网络和第二主干网络；

(3)获取待检测的电路板表面图像P₂，并且将所述电路板表面图像P₂输入训练后的所述无监督异常检测模型进行异常分数计算，以获取异常分数校验矩阵Ω；

(4)基于所述异常分数校验矩阵Ω对电路板表面图像P₂进行缺陷判定和缺陷位置判定。

于上述实施例中，利用基于异常分数校验能够快速进行缺陷判定和缺陷定位，无需人工进行缺陷标注，因此不会引入人工缺陷标准带来的训练数据噪声，训练后的模型鲁棒性较好，能够完成多种不同的电路板缺陷检测任务。

作为本申请一些可选实施方式，对所述电路板表面图像P₁进行数据扩充处理的流程如下：

(1.1)对所述电路板表面图像P₁进行旋转处理，以获取若干电路板旋转图像P₁₁；

(1.2)分别对所述电路板表面图像P₁和电路板旋转图像P₁₁进行翻转处理，以获取若干电路板翻转图像P₁₂。

于上述实施例中，通过对电路板表面图像P₁进行数据扩充处理，能够增加图像数据集中图像的数量和种类，缩短图像采集时间，提高无监督异常检测模型训练的准确性。

作为本申请一些可选实施方式，对所述电路板表面图像P₁进行图像增强处理的流程如下：

(1.3)采用自适应对比度增强算法分别对所述电路板旋转图像P₁₁和电路板翻转图像P₁₂进行对比度增强处理；

(1.4)基于对比增强处理后的电路板旋转图像P₁₁和电路板翻转图像P₁₂，以形成图像数据集。

作为本申请一些可选实施方式，基于所述图像数据集对无监督异常检测模型进行训练的流程如下：

(2.1)将图像数据集输入无监督异常检测模型，通过第一主干网络和第二主干网络进行特征提取处理，以获得第一特征图和第二特征图；

(2.2)基于第一特征图和第二特征图进行损失函数计算，并且对第二主干网络进行梯度下降优化处理；

(2.3)重复步骤(2.1)～步骤(2.2)，直至模型收敛。

于上述实施例中，将所述电路板表面图像P₂输入训练后的所述无监督异常检测模型进行异常分数计算的流程如下：

(3.1)将所述电路板表面图像P₂输入训练后的所述无监督异常检测模型，通过第一主干网络和第二主干网络进行特征图提取；

(3.2)计算特征图各点的损失函数值，并且将各点的损失函数值作为各点的异常分数，以获得特征图的异常分数矩阵L；

(3.3)基于特征图的异常分数矩阵L进行插值处理，以获得异常分数校验矩阵Ω，其中，异常分数校验矩阵Ω与电路板表面图像P₂的尺寸相同；

(3.4)对异常分数校验矩阵Ω进行求积处理，以获得各点最终的异常分数Ω_i,j，其中，i、j为点坐标。

于上述实施例中，通过无监督异常监督模型进行异常分数计算能够快速进行缺陷异常检测，提高电路板表面缺陷检测的效率。

作为本申请一些可选实施方式，基于所述异常分数矩阵对电路板表面图像P₂进行缺陷以及缺陷位置判断的流程如下：

(4.1)计算异常分数Ω_i,j的最大值Ω(I)，并且判断最大值Ω(I)是否大于预设阈值τ

(4.2)如果大于预设阈值τ，则判定电路板表面图像P₂存在缺陷，并且对电路板表面图像P₂进行缺陷自动标注，反之，则判定电路板表面图像P₂不存在缺陷。

于上述实施例中，通过对异常分数Ω_i,j进行判定，能够快速判定电路板表面图像P₂不存在缺陷，判定逻辑简单，因此能够提高电路板表面缺陷判定的效率。

作为本申请一些可选实施方式，对电路板表面图像P₂进行缺陷自动标注的流程如下：

(4.21)基于异常分数校验矩阵Ω生成掩码区域M，并且在掩码区域M中，将异常分数校验矩阵Ω中所有大于预设阈值τ的点赋值为N₁，小于或等于预设阈值τ的点赋值为N₂；

(4.22)基于赋值为N₁的点生成点坐标数组A，并且基于点坐标数组A在垂直方向和水平方向的极值生成自动标注框体B。

于上述实施例中，通过缺陷自动标注能够快速进行缺陷定位，并且能够形象地展示缺陷的大小、形状。

在第二方面，本发明提供一种电路板表面缺陷检测系统，所述系统包括：

图像数据集生成单元，所述图像数据集生成单元用于采集无缺陷的电路板表面图像P₁，并且对所述电路板表面图像P₁进行数据扩充处理和图像增强处理，以形成图像数据集；

模型训练单元，所述模型训练单元基于所述图像数据集对无监督异常检测模型进行训练，所述无监督异常检测模型包括网络结构相同的第一主干网络和第二主干网络；

异常分数校验矩阵生成单元，所述异常分数校验矩阵生成单元用于获取待检测的电路板表面图像P₂，并且将所述电路板表面图像P₂输入训练后的所述无监督异常检测模型进行异常分数计算，以获取异常分数校验矩阵Ω；

缺陷判定单元，所述缺陷判定单元基于所述异常分数校验矩阵Ω对电路板表面图像P₂进行缺陷判定和缺陷位置判定。

在第三方面，本发明提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述一种电路板表面缺陷检测方法。

在第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述一种电路板表面缺陷检测方法。

本发明的有益效果如下：本发明利用无监督异常检测技术进行缺陷检测，无需人工缺陷标注，因此不会引入人工缺陷标准带来的训练数据噪声，训练后的模型鲁棒性较好，能够完成多种不同的电路板缺陷检测任务。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1是根据本发明的实施例所述电路板表面缺陷检测方法的流程图；

图2是根据本发明的实施例所述无监督异常检测模型输出的掩码区域和自动标注框体示例图；

图3是根据本发明的实施例所述无监督异常检测模型输出的掩码区域和自动标注框体的实例图。

具体实施方式

为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。

同样应当理解的是，为了简化本发明揭示的表述，从而帮助对至少一个发明实施例的理解，前文对本发明实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本发明对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

实施例1

本发明提供一种电路板表面缺陷检测方法，请参阅图1，所述方法包括：

(1)采集无缺陷的电路板表面图像P₁，并且对所述电路板表面图像P₁进行数据扩充处理和图像增强处理，以形成图像数据集；

于本发明实施例中，对所述电路板表面图像P₁进行数据扩充处理的流程如下：

(1.1)对所述电路板表面图像P₁进行旋转处理，以获取若干电路板旋转图像P₁₁；

(1.2)分别对所述电路板表面图像P₁和电路板旋转图像P₁₁进行翻转处理，以获取若干电路板翻转图像P₁₂。

于本发明实施例中，对所述电路板表面图像P₁进行图像增强处理的流程如下：

(1.3)采用自适应对比度增强算法(ACE增强算法)分别对所述电路板旋转图像P₁₁和电路板翻转图像P₁₂进行对比度增强处理；其中，自适应对比度增强算法为现有算法，因此不再赘述。

(1.4)基于对比增强处理后的电路板旋转图像P₁₁和电路板翻转图像P₁₂，以形成图像数据集。

本发明实施例中，数据扩充处理是对电路板表面图像P₁进行旋转和翻转，其中，旋转是指将图片旋转0°、90°、180°、270°，图片翻转是指对图片进行水平和垂直的镜像翻转，包括无翻转、水平翻转、垂直翻转以及水平和垂直翻转；图像增强处理是对旋转和翻转处理后的图像进行自适应对比增强处理，使得图像轮廓更加清晰，图像背景和线路前景区别更大，使得后期检测更加准确。

(2)基于所述图像数据集对无监督异常检测模型进行训练，所述无监督异常检测模型包括网络结构相同的第一主干网络和第二主干网络；

于本发明实施例中，基于所述图像数据集对无监督异常检测模型进行训练的流程如下：

(2.1)将图像数据集输入无监督异常检测模型，通过第一主干网络和第二主干网络进行特征提取处理，以获得第一特征图和第二特征图；

其中，所述第一主干网络为预训练模型，具有一定特征提取能力。所述第二主干网络的网络结构与第一主干网络完全相同，可以为VGG、ResNet、DenseNet、MobileNet等网络模型，并且选择第一主干网络和第二主干网络低、中、高三个特征层进行后续的特征提取。

(2.2)基于第一特征图和第二特征图进行损失函数计算，并且对第二主干网络进行梯度下降优化处理；

具体的，第一主干网络和第二主干网络提取的第一特征图和第二特征图分别表示为

和

张量维度为(Wⁿ,Hⁿ)，n为选定的低、中、高三个特征层之一。

对

和

进行损失函数计算的流程如下：

首先，基于各特征层计算各点的损失函数值：

然后，计算各特征层总的损失函数之和：

其中，I为输入的电路板表面图像P₁；

然后，对

和

进行归一化处理：

(2.3)重复步骤(2.1)～步骤(2.2)，直至模型收敛。

最后，计算总的损失函数值为：

L(I)＝∑_nα_nLⁿ(I),s.t.α_n≥0  (4)

其中，α_n表示第n个特征层对异常检测的影响，根据实际情况进行设置，一般设置为1。

(3)获取待检测的电路板表面图像P₂，并且将所述电路板表面图像P₂输入训练后的所述无监督异常检测模型进行异常分数计算，以获取异常分数校验矩阵Ω；

于本发明实施例中，将所述电路板表面图像P₂输入训练后的所述无监督异常检测模型进行异常分数计算的流程如下：

(3.1)将所述电路板表面图像P₂输入训练后的所述无监督异常检测模型，通过第一主干网络和第二主干网络进行特征图提取，其中，电路板表面图像P₂的高度和宽带为：W×H，通过第一主干网络和第二主干网络获得特征图

和

(3.2)计算特征图各点的损失函数值，并且将各点的损失函数值作为各点的异常分数，以获得特征图的异常分数矩阵L；

即先采用公式(3)对

和

进行归一化处理，再采用公式(1)计算各点的损失函数值

并且将损失函数值

作为第n层在(i,j)点的异常分数；

(3.3)采用最邻近插值函数对特征图的异常分数矩阵L进行插值处理，以获得异常分数校验矩阵Ω，其中，异常分数校验矩阵Ω与电路板表面图像P₂的尺寸相同，即高度和宽度为W×H；

(3.4)对异常分数校验矩阵Ω进行求积处理，以获得各点最终的异常分数Ω_i,j，其中，i、j为点坐标。

具体的，异常分数Ω_i,j：

其中，upsample即为所述的最邻近插值函数，所述最邻近插值函数为现有技术，因此不再赘述。

(4)基于所述异常分数校验矩阵Ω对电路板表面图像P₂进行缺陷判定和缺陷位置判定。

于本发明实施例中，基于所述异常分数矩阵对电路板表面图像P₂进行缺陷以及缺陷位置判断的流程如下：

(4.1)计算异常分数Ω_i,j的最大值Ω(I)，并且判断最大值Ω(I)是否大于预设阈值τ；

其中，异常分数Ω_i,j的最大值Ω(I)：

Ω(I)＝max({Ω_i,j(I)|1≤i≤W,1≤j≤H}) (6)

(4.2)如果大于预设阈值τ，则判定电路板表面图像P₂存在缺陷，并且对电路板表面图像P₂进行缺陷自动标注，反之，则判定电路板表面图像P₂不存在缺陷。

具体的，对电路板表面图像P₂进行缺陷自动标注的流程如下：

(4.21)基于异常分数校验矩阵Ω生成掩码区域M，并且在掩码区域M中，将异常分数校验矩阵Ω中所有大于预设阈值τ的点赋值为N₁，小于或等于预设阈值τ的点赋值为N₂；

(4.22)基于赋值为N₁的点生成点坐标数组A，并且基于点坐标数组A在垂直方向和水平方向的极值生成自动标注框体B。

于本发明实施例中，在获得所述插值后的异常分数校验矩阵Ω之后，由于异常分数校验矩阵Ω大小和电路板表面图像P1相同，因此直接输出异常分数校验矩阵Ω对应特征图作为自动标注的掩码区域M，之后判断异常分数校验矩阵Ω中所存储值大于预设阈值τ的值，大于该预设阈值τ的点赋值为255，之后初始化一个空数组用于存储，利用CHAIN_APPROX_NONE方法判断某点和其附近的点是否满足条件，如果满足则将该点坐标(i,j)存储在数组中，返回包含包围的点坐标的数组A即为自动标注区域坐标点，可选地利用CHAIN_APPROX_SIMPLE方法压缩垂直水平方向和对角线方向的元素，只保留该方向上的终点坐标，即上下左右4个方向的极值Aimin、Ajmin、Aimax、Ajmax。因此自动标注框体B即为Aimin、Ajmin、Aimax、Ajmax组成的数组，请参阅图2、图3。

实施例2

本发明提供一种电路板表面缺陷检测系统，所述系统包括：

图像数据集生成单元，所述图像数据集生成单元用于采集无缺陷的电路板表面图像P1，并且对所述电路板表面图像P1进行数据扩充处理和图像增强处理，以形成图像数据集；

模型训练单元，所述模型训练单元基于所述图像数据集对无监督异常检测模型进行训练，所述无监督异常检测模型包括网络结构相同的第一主干网络和第二主干网络；

异常分数校验矩阵生成单元，所述异常分数校验矩阵生成单元用于获取待检测的电路板表面图像P2，并且将所述电路板表面图像P2输入训练后的所述无监督异常检测模型进行异常分数计算，以获取异常分数校验矩阵Ω；

缺陷判定单元，所述缺陷判定单元基于所述异常分数校验矩阵Ω对电路板表面图像P2进行缺陷判定和缺陷位置判定。

实施例3

本发明提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器运行时执行实施例1所述的一种电路板表面缺陷检测方法。

本实施例提供的计算机设备可以实现执行实施例1所述的方法，为避免重复，在此不再赘述。

实施例4

本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现实施例1所述的一种电路板表面缺陷检测方法。

本实施例提供的计算机可读存储介质可以实现执行实施例1所述的方法，为避免重复，在此不再赘述。

其中，所述处理器可以是中央处理器(CPU，Central Processing Unit)，还可以是其他通用处理器、数字信号处理器(digital signal processor)、专用集成电路(Application Specific Integrated Circuit)、现成可编程门阵列(Fieldprogrammablegate array)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的数据，实现发明中电路板表面缺陷检测系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等。此外，存储器可以包括高速随机存取存储器、还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡，安全数字卡，闪存卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

电路板表面缺陷检测系统如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序可存储于一计算机可读存介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码、对象代码形式、可执行文件或某些中间形式等。所述计算机可读取介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存储器、点载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。

本发明已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

Claims (10)

1.一种电路板表面缺陷检测方法，其特征在于，所述方法包括以下步骤：

(1)采集无缺陷的电路板表面图像P₁，并且对所述电路板表面图像P₁进行数据扩充处理和图像增强处理，以形成图像数据集；

(2)基于所述图像数据集对无监督异常检测模型进行训练，所述无监督异常检测模型包括网络结构相同的第一主干网络和第二主干网络；

(3)获取待检测的电路板表面图像P₂，并且将所述电路板表面图像P₂输入训练后的所述无监督异常检测模型进行异常分数计算，以获取异常分数校验矩阵Ω；

(4)基于所述异常分数校验矩阵Ω对电路板表面图像P₂进行缺陷判定和缺陷位置判定。

2.根据权利要求1所述的一种电路板表面缺陷检测方法，其特征在于，对所述电路板表面图像P₁进行数据扩充处理的流程如下：

(1.1)对所述电路板表面图像P₁进行旋转处理，以获取若干电路板旋转图像P₁₁；

(1.2)分别对所述电路板表面图像P₁和电路板旋转图像P₁₁进行翻转处理，以获取若干电路板翻转图像P₁₂。

3.根据权利要求2所述的一种电路板表面缺陷检测方法，其特征在于，对所述电路板表面图像P₁进行图像增强处理的流程如下：

(1.3)采用自适应对比度增强算法分别对所述电路板旋转图像P₁₁和电路板翻转图像P₁₂进行对比度增强处理；

(1.4)基于对比增强处理后的电路板旋转图像P₁₁和电路板翻转图像P₁₂，以形成图像数据集。

4.根据权利要求1所述的一种电路板表面缺陷检测方法，其特征在于，基于所述图像数据集对无监督异常检测模型进行训练的流程如下：

(2.1)将图像数据集输入无监督异常检测模型，通过第一主干网络和第二主干网络进行特征提取处理，以获得第一特征图和第二特征图；

(2.2)基于第一特征图和第二特征图进行损失函数计算，并且对第二主干网络进行梯度下降优化处理；

(2.3)重复步骤(2.1)～步骤(2.2)，直至模型收敛。

5.根据权利要求4所述的一种电路板表面缺陷检测方法，其特征在于，将所述电路板表面图像P₂输入训练后的所述无监督异常检测模型进行异常分数计算的流程如下：

(3.1)将所述电路板表面图像P₂输入训练后的所述无监督异常检测模型，通过第一主干网络和第二主干网络进行特征图提取；

(3.2)计算特征图各点的损失函数值，并且将各点的损失函数值作为各点的异常分数，以获得特征图的异常分数矩阵L；

(3.3)基于特征图的异常分数矩阵L进行插值处理，以获得异常分数校验矩阵Ω，其中，异常分数校验矩阵Ω与电路板表面图像P₂的尺寸相同；

(3.4)对异常分数校验矩阵Ω进行求积处理，以获得各点最终的异常分数Ω_i,j，其中，i、j为点坐标。

6.根据权利要求5所述的一种电路板表面缺陷检测方法，其特征在于，基于所述异常分数矩阵对电路板表面图像P₂进行缺陷以及缺陷位置判断的流程如下：

(4.1)计算异常分数Ω_i,j的最大值Ω(I)，并且判断最大值Ω(I)是否大于预设阈值τ；

(4.2)如果大于预设阈值τ，则判定电路板表面图像P₂存在缺陷，并且对电路板表面图像P₂进行缺陷自动标注，反之，则判定电路板表面图像P₂不存在缺陷。

7.根据权利要求6所述的一种电路板表面缺陷检测方法，其特征在于，对电路板表面图像P₂进行缺陷自动标注的流程如下：

(4.21)基于异常分数校验矩阵Ω生成掩码区域M，并且在掩码区域M中，将异常分数校验矩阵Ω中所有大于预设阈值τ的点赋值为N₁，小于或等于预设阈值τ的点赋值为N₂；

(4.22)基于赋值为N₁的点生成点坐标数组A，并且基于点坐标数组A在垂直方向和水平方向的极值生成自动标注框体B。

8.一种电路板表面缺陷检测系统，其特征在于，所述系统包括：

图像数据集生成单元，所述图像数据集生成单元用于采集无缺陷的电路板表面图像P₁，并且对所述电路板表面图像P₁进行数据扩充处理和图像增强处理，以形成图像数据集；

模型训练单元，所述模型训练单元基于所述图像数据集对无监督异常检测模型进行训练，所述无监督异常检测模型包括网络结构相同的第一主干网络和第二主干网络；

异常分数校验矩阵生成单元，所述异常分数校验矩阵生成单元用于获取待检测的电路板表面图像P₂，并且将所述电路板表面图像P₂输入训练后的所述无监督异常检测模型进行异常分数计算，以获取异常分数校验矩阵Ω；

缺陷判定单元，所述缺陷判定单元基于所述异常分数校验矩阵Ω对电路板表面图像P₂进行缺陷判定和缺陷位置判定。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1-7中任一项所述一种电路板表面缺陷检测方法。

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上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述一种电路板表面缺陷检测方法。

Images