(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211141693.7 (22)申请日 2022.09.20 (71)申请人 广东炬森智能装备有限公司 地址 510000 广东省广州市黄埔区瑞 泰路7 号自编一栋一楼10 3房 (72)发明人 罗炳军　苏显斌　陈东海　郭伟　 汤锦升　杨志伟　 (74)专利代理 机构 佛山市禾才知识产权代理有 限公司 4 4379 专利代理师 梁永健 (51)Int.Cl. G06T 7/00(2017.01) G06T 5/00(2006.01) G06T 5/10(2006.01) G06T 7/90(2017.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种适用于PCB板真假缺陷的识别方法及系 统 (57)摘要 本发明涉及图像处理技术领域， 尤其涉及一 种适用于PCB板真假缺陷的识别方法及系统， 其 方法包括： 将包含PCB真假缺陷的数据集进行预 处理， 将预处理后的数据集随机分为训练数据集 与测试数据集； 构建基于多信号图卷积神经网络 的PCB真假缺陷识别模型， 并设置超参数和配置 关系； 将训练数据集导入PCB真假缺陷识别模型 中， 采用随机梯度下降算法、 L2正则化算法和交 叉熵损失函数， 对PCB真假缺陷识别模型进行模 型训练至收敛， 得到PCB真假缺陷的训练分类预 测结果； 将测试数据集导入收敛后的PCB真假缺 陷识别模型， 得到PCB真假缺陷的测试分类预测 结果； 将训练分类预测结果与测试分类预测结果 进行对比， 若对比结果符合配置关系， 则将PCB真 假缺陷识别模型投入实际应用。 权利要求书3页 说明书7页 附图4页 CN 115482215 A 2022.12.16 CN 115482215 A 1.一种适用于PCB板真假 缺陷的识别方法， 其特 征在于， 包括以下步骤： S1、 将包含PCB真假缺陷的数据集进行预处理， 将预处理后的数据集随机分为训练数据 集与测试 数据集， 其中数据集包括PCB实际缺陷图和PCB标准 缺陷图； S2、 构建基于多信号图卷积神经网络的PCB真假缺陷识别 模型， 并设置超参数和配置关 系； S3、 将训练数据集导入PCB真假缺陷识别模型中， 采用随机梯度下降算法、 L2正则化算 法和交叉熵损失函数， 对PCB真假缺陷识别模型进行模型训练至收敛， 得到PCB真假缺陷的 训练分类预测结果， 其中训练分类预测结果包括训练损失值和训练准确率； S4、 将测试数据集导入收敛后的PCB真假缺陷识别模型， 采用随机梯度下降算法、 L2正 则化算法和交叉熵损失函数， 对PCB真假缺陷识别模型进行模型测试， 得到PCB真假缺陷的 测试分类预测结果， 其中训练分类预测结果包括测试损失值和 测试准确率； S5、 将训练分类预测结果与测试分类预测结果进行对比， 若对比结果符合配置关系， 则 将PCB真假缺陷识别模型投入实际应用； 若对比结果不符合配置 关系， 则根据配置 关系调节 超参数， 重复步骤S3 ‑S5。 2.根据权利 要求1所述的一种适用于PCB板真假缺陷的识别方法， 其特征在于， 在S1中， 所述将包 含PCB真假 缺陷数据集进行 预处理， 包括以下步骤： S11、 完成图像配准步骤： 对PCB实际缺陷图和PCB标准缺陷图进行灰度化处理， 再将灰 度化处理后的PCB实际缺陷图和PCB标准缺陷图通过二维卷积操作后得到一个二维特征矩 阵； 再求得该二维特征矩阵最大值的参数坐标O1， 以该参数坐标O1为中心， 在三通道的PCB 标准缺陷图中截取 出与PCB实际缺陷图相同维度大小的图片作为标准Cam图像； S12、 去除标准Cam图像中不必要信息步骤： 将标准Cam图像导入到HSV颜色模型中进行 读取， 通过设定标准Cam图像中PCB通孔的颜色数值范围获取色块区域； 再将该色块区域的 颜色替换为 黑色， 输出黑 化Cam图像； S13、 生成傅里叶变换频谱图像步骤： 将黑化Cam图像通过二维离散傅里叶变换操作得 到傅里叶变换 频谱图， 其中二维离 散傅里叶变换公式如下： 其中， f(x， y)表示输入图像的数据分布， M、 N分别为原始图像的长和宽， u、 v分别为确定 正余弦的频率。 3.根据权利 要求2所述的一种适用于PCB板真假缺陷的识别方法， 其特征在于， 在S1中， 所述将预处理后的数据集 随机分为训练数据集与测试数据集， 其中， 所述预处理后的数据 集包括PCB实际缺陷图 以及对应的黑化Cam图像和傅里叶变换频谱图， 所述训练数据集占所 述预处理后的数据集总数的80％， 所述测试 数据集占所述预处 理后的数据集总数的20％。 4.根据权利 要求3所述的一种适用于PCB板真假缺陷的识别方法， 其特征在于， 在S2中， 所述PCB真假缺陷识别模型包括第一并联层、 第二并联层、 第三合并层、 第四全连接层和多 个残差连接结构， 所述残差连接结构用于对维度不相同的层进行跳跃 连接。 5.根据权利 要求4所述的一种适用于PCB板真假缺陷的识别方法， 其特征在于， 在S2中， 所述超参数包括多信号图卷积神经网络的学习率、 L2正则化参数和Batch_size， 其中权　利　要　求　书 1/3 页 2 CN 115482215 A 2Batch_size表示单次传递给程序用以训练的参数个数。 6.根据权利 要求5所述的一种适用于PCB板真假缺陷的识别方法， 其特征在于， 在S3中， 所述L2正则化 算法， 包括以下步骤： S31、 通过正则化项公式缓解模型 过拟合的问题， 所述 正则化项公式如下 所示： 其中， 表示交叉熵损失函数， 表示模型预测样本 是正例的概率， y表示样 本标签， 如果样 本属于正例， 则y的取值为1， 否则y的取值为0； λ表 示 L2正则化 参数； w表示神经网络中隐藏层的权 重参数； S32、 将黑化Cam图像和傅里叶变换频谱图均输入到神经网络进行一次正向计算， 并将 该正向传播的结果标记为 S33、 将正向传播的结果 与标签y均代入交叉熵损失函数， 并求得其交叉熵损失函数的 梯度， 沿梯度下降方向一 步步优化网络参数； S34、 通过计算公式获得查全率， 所述计算公式如下 所示： 其中， R表示 查全率， TP为混淆矩阵中的真正例， FN 为混淆矩阵中的真反例。 7.根据权利 要求6所述的一种适用于PCB板真假缺陷的识别方法， 其特征在于， 在S3中， 所述交叉熵损失函数如下： 其中， 表示模型预测样 本是正例的概率， y表 示样本标签， 如果样 本属于正例， 则y的取 值为1， 否则y的取值 为0。 8.根据权利 要求7所述的一种适用于PCB板真假缺陷的识别方法， 其特征在于， 在S4中， 所述对PCB真假 缺陷识别模型进行模型训练， 包括以下步骤： S41、 初始化超参数； S42、 所述第一并联层采用膨胀系数分别为1、 2、 3的锯齿状排列的空洞卷积核， 对PCB实 际缺陷图和对应的黑 化Cam图像分别提取 大范围缺陷特 征； S43、 所述第二并联层采用二维卷积核， 对PCB实际缺陷图和对应的傅里叶变换频谱图 分别提取小范围缺陷特 征； S44、 所述第 三合并层采用二维卷积核， 将所述第一并联层和输出的大范围缺陷特征所 述第二并联层输出的小范围缺陷特 征进行合并， 得到合并的缺陷特 征； S45、 所述第四全连接层对合并的缺陷特征， 结合随机梯度下降算法、 L2正则化算法和 交叉熵损失函数进行分析， 得到训练损失值和训练准确率。 9.根据权利 要求8所述的一种适用于PCB板真假缺陷的识别方法， 其特征在于， 在S5中， 所述根据配置关系调节超参数， 包括以下： 配置关系一： 当测试损失值与训练损失值之差大于0.005时， 对当前学习率递乘0.99， 反之则不调整L2正则化 参数；权　利　要　求　书 2/3 页 3 CN 115482215 A 3