(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 202210722138.7 (22)申请日 2022.06.24 (71)申请人 常州大学 地址 213164 江苏省常州市武进区滆湖中 路21号 (72)发明人 陈树越　王佳宏　 (74)专利代理 机构 常州市英 诺创信专利代理事 务所(普通 合伙) 32258 专利代理师 张秋月 (51)Int.Cl. G06V 10/25(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于深度学习的PCB焊 接缺陷检测方法 (57)摘要 本发明涉及缺陷检测技术领域， 尤其涉及一 种基于深度学习的PCB焊接缺陷检测方法， 包括 对数据集中PCB图像做一个增扩处理， 完成数据 格式和尺寸的转换， 并划分数据集； 利用K ‑Means 算法确定回归的先验框数量， 并通过缩放公式确 定锚框大小； 对NECK区域感受野进行调整， 在 Backbone区完成下采样时添加一个SE模 块； 将转 化完成的数据文件输入到训练函数中训练， 设置 训练参数。 本发明解决当下PCB缺陷检测效率低 和精度低的问题， 通过深度学习训练不断加深机 器对缺陷的识别能力， 利用K ‑Means算法对锚框 大小的确定， 通过锚框缩放公式， 精确定位缺陷 部位， 从而提高缺陷的检测率， 防止劣质电路板 的流出。 权利要求书1页 说明书3页 附图3页 CN 115100393 A 2022.09.23 CN 115100393 A 1.一种基于深度学习的PCB焊接缺陷检测方法， 其特 征在于， 包括以下步骤： S1、 对数据集中PCB图像做一个增扩处 理， 完成数据格式和尺寸的转换， 并划分数据集； S2、 利用K ‑Means算法确定回归的先验框数量， 并通过缩放公式确定锚框大小； S3、 对NECK区域感受野进行调整， 在 Backbone区完成下采样时添加一个SE模块； S4、 将转化完成的数据文件输入到改进Yo lov5s网络中训练， 设置训练参数。 2.根据权利要求1所述的基于深度学习的PCB焊接缺陷检测方法， 其特征在于， 所述先 验框数量是基于1 ‑IOU的K‑means算法重新计算锚框尺寸， 生成9组锚框， 分别为[12,31] [13,15][16,26][20,13][3 3,66][38,48][45,54][5 6,34][81,87]。 3.根据权利要求1所述的基于深度学习的PCB焊接缺陷检测方法， 其特征在于， 所述缩 放公式为： x′1＝Ax1   (1) 式中， xi为第i组锚框(按锚框宽度尺寸从小到大排序)的宽度， i＝2,3...9； x ′i为缩放 后的锚框宽度； A为锚框缩小倍数， A＝0.65； yi为第i组锚框的高度； y ′i为缩放后的锚框高 度。 4.根据权利要求1所述的基于深度学习的PCB焊接缺陷检测方法， 其特征在于， 所述对 NECK区域 感受野进行调整是将NECK区域 感受野的19*19特征分支删除， 加入一个152*152特 征分支。 5.根据权利要求1所述的基于深度学习的PCB焊接缺陷检测方法， 其特征在于， 所述训 练参数包括： 迭代次数 epoch为200， img‑size为608*608。权　利　要　求　书 1/1 页 2 CN 115100393 A 2一种基于深度学习的PCB焊接缺陷检测方 法 技术领域 [0001]本发明涉及缺陷检测技术领域， 尤其涉及一种基于深度学习的PCB焊接缺陷检测 方法。 背景技术 [0002]印刷电路板(PCB)是所有电子器件的基本组成部分， 多年来已经发展成一个复杂 的组件。 当前PCB在生产过程中存在缺失孔、 鼠标咬伤、 开路、 短路、 断路、 杂散和伪铜等缺 陷， 不仅影响PCB外形， 也会损 害PCB使用性能。 传 统的基于机器视觉检测缺陷， 在检测的过 程中将待测P CB图像与预先指 定的标准模板比较， 检测流程繁琐且易受环境影响， 无论是从 检测速度和精度上都无法适应快速的生产 环节。 基于深度学习的目标检测方法可以简单化 分为以R‑CNN系列为代表的two ‑stage算法和以SSD或YOL O为代表的one ‑stage算法， 将缺陷 检测问题转化为分类回归问题。 基于深度学习的PCB缺陷检测是通过海量数据集进行学习 训练， 从中寻找缺陷规律并保存参数， 当更改待检目标时， 只需加入新的数据集学习训练即 可， 与传统机器学习方法比较， 基于深度学习的方法适应性更强且检测速度、 精度更快更 高， 能够适应快速的生产检测环 节。 发明内容 [0003]针对现有算法的不足， 本 发明解决当下PCB缺陷检测效率低和精度低的问题， 通过 深度学习训练不断加深 机器对缺陷的识别能力， 利用K ‑Means算法对锚框大小的确定， 通过 锚框缩放公式， 精确定位 缺陷部位， 从而提高缺陷的检测率， 防止劣质电路板的流出。 [0004]本发明所采用的技术方案是： 一种基于深度学习的PCB焊接缺陷检测方法包括以 下步骤： [0005]S1、 对数据集中PCB图像做一个增扩处理， 完成数据格式和尺寸 的转换， 并划分数 据集； [0006]S2、 利用K ‑Means算法确定回归的先验框数量， 并通过缩放公式确定锚框大小； [0007]进一步的， 利用基于1 ‑IOU的K‑means算法重新计算锚框尺寸， 生成9组锚框， 分别 为[12,31][13,15][16,26][20,13][3 3,66][38,48][45,54][5 6,34][81,87]。 [0008]进一步的， 缩放公式为： [0009]x′1＝Ax1  (1) [0010] [0011] [0012]式中， xi为第i组锚框(按锚框宽度尺寸从小到大排序)的宽度， i＝2,3...9； x ′i为 缩放后的锚 框宽度； A为锚 框缩小倍数， A＝0.65； yi为第i组锚 框的高度； y ′i为缩放后的锚 框 高度。说　明　书 1/3 页 3 CN 115100393 A 3