本發(fā)明屬于圖像識別領(lǐng)域，特別是基于高分辨率圖像的電路板缺陷檢測。

背景技術(shù)：

1、當(dāng)前針對帶元器件電路板的外觀缺陷的檢測主要采用的是基于深度學(xué)習(xí)的參考法檢測方案，而該檢測方法存在著以下兩個缺點。缺陷檢測準(zhǔn)確率不高：現(xiàn)有檢測方法在針對復(fù)雜電路板檢測時，由于電路板元器件密集、集成度高，電路板圖像中各器件背景復(fù)雜，使用常規(guī)檢測方法進行缺陷檢測難度較大，準(zhǔn)確性不高。

2、小目標(biāo)元器件識別準(zhǔn)確率不高：在元器件識別時，現(xiàn)有方法對小目標(biāo)元器件識別較難，特別是電阻電容較為密集時，存在大量的識別錯誤和漏識別，進而影響了小目標(biāo)元器件缺陷檢測的準(zhǔn)確性。

技術(shù)實現(xiàn)思路

1、通過結(jié)合圖像處理技術(shù)和目標(biāo)檢測技術(shù)，使用高分辨率相機對復(fù)雜電路板進行高清成像，改進數(shù)據(jù)集生成和目標(biāo)檢測方式，基于yolov8目標(biāo)識別模型進行結(jié)構(gòu)改進，以提升模型對小目標(biāo)元器件的識別準(zhǔn)確性，進一步提升對電路板缺陷檢測的準(zhǔn)確性。

2、本發(fā)明技術(shù)方案為一種基于高分辨率圖像的電路板缺陷檢測方法，該方法包括：

3、步驟1：構(gòu)建數(shù)據(jù)集；

4、步驟1.1：采集電路板的正視圖，并對電路板中的元件進行標(biāo)注，標(biāo)注元件包括：芯片、電阻、電容、鉭電容、電解電容、二極管、三極管、led燈、電感、晶振、保險絲；

5、步驟1.2：對電路板正視圖進行切片，相鄰切片有重疊；

6、步驟1.3：根據(jù)步驟1.1的標(biāo)注對步驟1.2中各元件的切片進行標(biāo)注；

7、步驟2：建立yolov8識別模型；

8、yolov8識別模型包括依次串聯(lián)的主干網(wǎng)絡(luò)、頸網(wǎng)絡(luò)、頭部網(wǎng)絡(luò)，所述主干網(wǎng)絡(luò)對輸入圖像進行特征提取后得到多個不同尺寸的特征圖；所述頸網(wǎng)絡(luò)首先將主干網(wǎng)絡(luò)得到的特征圖進行對齊，再融合各特征圖，得到全局信息，然后將得到的全局信息再與主干網(wǎng)絡(luò)得到的部分特征圖融合；將融合了全局信息的特征圖和未融合全局信息的特征圖一起作為頸網(wǎng)絡(luò)的輸出，傳輸給頭部網(wǎng)絡(luò)，頭部網(wǎng)絡(luò)輸出識別結(jié)果；

9、步驟3：采用步驟1得到的數(shù)據(jù)集對建立的yolov8識別模型進行訓(xùn)練；

10、步驟4：采用訓(xùn)練完成的yolov8識別模型對待檢測的電路板中各元件進行識別，得到識別結(jié)果，將識別結(jié)果與標(biāo)準(zhǔn)電路板進行對別，獲得待檢測電路板是否有元件錯誤或缺失。

11、進一步的，所述步驟2建立yolov8識別模型中頸網(wǎng)絡(luò)具體結(jié)構(gòu)為：

12、主干網(wǎng)絡(luò)輸出4個尺度的特征，分別為：特征b5、特征b4、特征b3、特征b2，采用第一特征對齊模塊對這四個特征進行對齊，然后輸入給第一信息融合模塊，信息融合模塊輸出第一全局信息，將第一全局信息分別與特征b4、特征b3進行融合，對應(yīng)得到特征p4、特征p3；

13、將特征b5、特征p4、特征p3輸入給第二特征對齊模塊，第二特征對齊模塊的輸出連接第二信息融合模塊，第二信息融合模塊輸出第二全局信息，將第二全局信息分別于特征p4、特征b5進行融合，對應(yīng)得到特征n4、特征n5，將特征n4、特征n5、特征p3作為頸網(wǎng)絡(luò)的輸出。

14、進一步的，所述步驟4的具體方法為：

15、步驟4.1：對待待檢測的電路板進行切片，相鄰切片有重疊；

16、步驟4.2：采用訓(xùn)練好的yolov8識別模型對各切片中的元件進行識別，得到所有切片中各元件的預(yù)測框和各預(yù)測框的置信度；

17、步驟4.3：按照置信度對所有預(yù)測框進行排序，獲得排序列表；

18、步驟4.4：將置信度最大的預(yù)測框定為s，并將其從排序列表中移出；

19、步驟4.5：計算s與其余預(yù)測框的重疊度，將排序列表中重疊度iou低于閾值的預(yù)測框進行保留，更新排序列表；同時，將s添加到結(jié)果列表中；

20、步驟4.6：重復(fù)步驟4.4和步驟4.5，直到排序列表為空，最終得到結(jié)果列表為識別結(jié)果。

21、進一步的，所述步驟4.5中重疊度iou的具體計算方法為：

22、

23、其中，a為檢測框。

24、本發(fā)明針對基于經(jīng)典yolov8網(wǎng)絡(luò)的電路板可見光圖像元器件目標(biāo)檢測中，存在小型元器件引發(fā)的缺陷識別準(zhǔn)確率不高的問題，設(shè)計了一種基于切片方式的訓(xùn)練和檢測方案，并提出了基于yolov8網(wǎng)絡(luò)改進的電路板缺陷檢測方法。通過搭建實驗平臺構(gòu)建數(shù)據(jù)集，對所提出的方案和方法進行了實驗驗證，結(jié)果表明模型針對小目標(biāo)的檢測效果得到提升，算法能夠輸出缺陷檢測結(jié)果。本發(fā)明能夠檢測出復(fù)雜電路板的元器件丟失和錯焊缺陷。

技術(shù)特征：

1.一種基于高分辨率圖像的電路板缺陷檢測方法，該方法包括：

2.如權(quán)利要求1所述的一種基于高分辨率圖像的電路板缺陷檢測方法，其特征在于，所述步驟2建立yolov8識別模型中頸網(wǎng)絡(luò)具體結(jié)構(gòu)為：

3.如權(quán)利要求1所述的一種基于高分辨率圖像的電路板缺陷檢測方法，其特征在于，所述步驟4的具體方法為：

4.如權(quán)利要求1所述的一種基于高分辨率圖像的電路板缺陷檢測方法，其特征在于，所述步驟4.5中重疊度iou的具體計算方法為：

技術(shù)總結(jié)
本發(fā)明公開了一種基于高分辨率圖像的電路板缺陷檢測方法，屬于圖像識別領(lǐng)域。本發(fā)明針對基于經(jīng)典YOLOv8網(wǎng)絡(luò)的電路板可見光圖像元器件目標(biāo)檢測中，存在小型元器件引發(fā)的缺陷識別準(zhǔn)確率不高的問題，設(shè)計了一種基于切片方式的訓(xùn)練和檢測方案，并提出了基于YOLOv8網(wǎng)絡(luò)改進的電路板缺陷檢測方法。通過搭建實驗平臺構(gòu)建數(shù)據(jù)集，對所提出的方案和方法進行了實驗驗證，結(jié)果表明模型針對小目標(biāo)的檢測效果得到提升，算法能夠輸出缺陷檢測結(jié)果。本發(fā)明能夠檢測出復(fù)雜電路板的元器件丟失和錯焊缺陷。

技術(shù)研發(fā)人員：諶航天,方黎勇,謝燦,朱洋溢
受保護的技術(shù)使用者：電子科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2