(19)中华 人民共和国 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 202111632258.X (22)申请日 2021.12.28 (71)申请人 北京科技大 学 地址 100083 北京市海淀区学院路3 0号 (72)发明人 彭开香　汪倩　马亮　 (74)专利代理 机构 北京市广友专利事务所有限 责任公司 1 1237 代理人 张仲波　付忠林 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 5/00(2006.01) G06K 9/62(2022.01) G06V 10/774(2022.01) (54)发明名称 一种基于重验证检测的PCB板缺陷检测方法 (57)摘要 本发明公开了一种基于重验证检测的PCB板 缺陷检测方法， 包括： 采集PCB板图像， 构建训练 集和测试集； 在SSD中引用MobileNet， 对SSD 进行 改进， 并利用训练集对改进后的网络进行训练， 得到PCB板缺陷检测模型； 对测试集中的PCB板图 像进行一级检测； 对一级检测检测出的有缺陷样 本进行二级检测； 根据一级检测和二级检测的检 测结果对检测阈值进行自适应调整， 在循环训练 中， 以误差作为负反馈， 构成模型训练的自适应 优化闭环反馈， 增加二级检测和一级检测结果不 一致的训练权重， 最终在误差收敛时得到最优检 测模型， 利用其实现缺陷检测。 本发明可准确检 测PCB板缺陷， 且防止过拟合现象发生。 权利要求书2页 说明书7页 附图3页 CN 114387230 A 2022.04.22 CN 114387230 A 1.一种基于 重验证检测的PCB板缺陷检测方法， 其特 征在于， 包括： 采集PCB板图像， 对采集的PCB板图像进行预处理， 并对预处理后的PCB板图像进行预设 类型的缺陷标注， 构建原始图像集； 对所述原始图像集进行数据增广， 得到增广后的图像 集， 并将增广后的图像集划分为训练集和 测试集； 在SSD网络中引用MobileNet网络结构， 对SSD网络进行改进， 并利用所述训练集对改进 后的网络进行训练， 得到PCB板缺陷检测模型； 基于所述PCB板缺陷检测模型对测试集中的PCB板图像进行一级检测； 基于PCB板缺陷检测模型， 对一级检测检测出的有缺陷样本进行二级检测； 根据一级检测和二级检测的检测结果对检测阈值进行自适应调整， 在循环训练中， 以 误差作为负反馈， 构成模型训练的自适应优化闭环反馈， 增加 二级检测和一级检测结果不 一致的训练权 重， 最终在误差收敛时得到最优检测模型； 基于最优检测模型， 根据待检测PCB板图像对待检测PCB板进行缺陷检测。 2.如权利要求1所述的基于重验证检测的PCB板缺陷检测方法， 其特征在于， 所述采集 PCB板图像， 对采集的PCB板图像进行预 处理， 并对 预处理后的PCB板图像进 行预设类型的缺 陷标注， 构建原 始图像集， 包括： 利用可见光摄像头采集PCB板图像； 其中， 在采集PCB板图像时， 要求芯片占整张图像的 面积不小于 60％， 且标识号和引脚清晰可 见； 采用直线检测算法， 利用检测和生成出的完整线段， 对采集的PCB板图像进行旋转、 缩 放和对齐的统一化处理； 采用双值滤波法对P CB板图像进 行图像增强处理； 之后进 行图像二 值化， 生成PCB板图像对应的黑白图像， 便 于检测； 对生成的黑白图像进行 预设类型的缺陷标注， 构建原 始图像集。 3.如权利要求2所述的基于重验证检测的PCB板缺陷检测方法， 其特征在于， 所述直线 检测算法为Can nyLines直线检测算法。 4.如权利要求2所述的基于重验证检测的PCB板缺陷检测方法， 其特征在于， 对生成的 黑白图像进行 预设类型的缺陷标注时采用的工具为 labelImg软件。 5.如权利要求2所述的基于重验证检测的PCB板缺陷检测方法， 其特征在于， 对所述原 始图像集进行 数据增广， 得到增广后的图像集， 包括： 将带有缺陷的图像截取成带alpha通道的PNG图片； 采用在原始图像集背景中随机贴图 的方式， 对原始图像集进行过采样化的扩充， 同时根据随机贴图的位置重新生成对应的标 注文件， 得到增广后的图像集。 6.如权利 要求1所述的基于重验证检测的PCB板缺陷检测方法， 其特征在于， 所述在SSD 网络中引用Mobi leNet网络结构， 对S SD网络进行改进， 包括： 将原有的SSD300基础网络中backbone部分从VGG16替换为MobileNet  v1， 在Mobilenet 的conv13后面添加8个卷积层， 然后总共抽取6层用作检测。 7.如权利要求6所述的基于重验证检测的PCB板缺陷检测方法， 其特征在于， 利用所述 训练集对改进后的网络进行训练， 包括： 在CPU上， 利用所述训练集对改进后的网络进行训练； 并将改进后的网络的后处理部分 的NMS替换为soft ‑NMS； 检测时不直接删除所有IOU大于阈值的框， 而是降低其置信度， 且仅 保留不超过10个置信度较高的检测框 。权　利　要　求　书 1/2 页 2 CN 114387230 A 28.如权利要求7所述的基于重验证检测的PCB板缺陷检测方法， 其特征在于， 在将图像 集中的PCB板图像输入PCB板缺陷检测模型之前， 所述方法还 包括： 将图像集中原有的19 20×1080的样本图像， 逐张裁 剪为1500×900大小。 9.如权利要求8所述的基于重验证检测的PCB板缺陷检测方法， 其特征在于， 所述对一 级检测检测出的有缺陷样本进行二级检测， 包括： 在GPU上， 利用所述PCB板缺陷检测模型， 对一级检测中存在检测框的PCB板图像进行二 级检测， 并在检测算法后处 理部分去掉 NMS。 10.如权利要求1所述的基于重验证检测的PCB板缺陷检测方法， 其特征在于， 所述根据 一级检测和二级检测的检测结果对检测阈值进行自适应调整， 在循环训练中， 以误差作为 负反馈， 构成模型训练的自适应优化闭环反馈， 增加 二级检测和 一级检测结果不一致的训 练权重， 包括： 根据一级检测和二级检测对测试集的准确率， 对检测阈值进行自适应调整， 若漏检率 高， 则相应升高阈值， 若误检率高， 则相应降低阈值； 在循环训练中， 以误差作为负反馈， 构 成模型训练的自适应优化闭环反馈， 增加二级检测后出现 “假缺陷样本 ”、“缺陷种类不一 致”以及“无缺陷样本 ”的训练权 重。权　利　要　求　书 2/2 页 3 CN 114387230 A 3