(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 202210452115.9 (22)申请日 2022.04.27 (71)申请人 合肥综合 性国家科 学中心人工智能 研究院 （安徽省人工智能实验室） 地址 230000 安徽省合肥市望江西路5 089 号， 中国科学技术大学先进技术研究 院未来中心B120 5-B1208 (72)发明人 许镇义　余程凯　曹洋　康宇　 赵云波　 (74)专利代理 机构 合肥天明专利事务所(普通 合伙) 34115 专利代理师 苗娟 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/762(2022.01)G06V 10/40(2022.01) G06V 10/20(2022.01) G06K 9/62(2022.01) G06T 7/00(2017.01) G06N 3/04(2006.01) (54)发明名称 印刷电路板的微小缺陷检测方法及存储介 质 (57)摘要 本发明的一种印刷电路板的微小缺陷检测 方法及存储介质， 包括以下步骤， S1、 获取PCB缺 陷样本数据并进行数据预处理； S2、 在PCB训练集 的边界框 上使用k‑means聚类来找到符合要 求的 anchor尺度； S3、 采用多尺度特征金字塔结构提 取特征， 对主干卷积网络中得到自底向上的特征 图进行上采样， 得到自顶向下的特征图， 然后将 其与自底向上的特征图逐元素相加得到最终的 特征图； S4、 通过计算损 失， 训练网络参数。 本发 明通过数据增强技术提供深度学习所需要的充 足训练数据， 利用k ‑means聚类设计合理的锚点 尺度， 再将特征金字塔与Faster  R‑CNN网络相结 合， 加强了不同层次特征图之间的关系， 从而实 现对PCB微小缺陷的检测。 本发明提高检测效率， 并且能够适应多种缺陷检测， 适应性强。 权利要求书2页 说明书6页 附图2页 CN 114743070 A 2022.07.12 CN 114743070 A 1.一种印刷电路板的微小缺陷检测方法， 其特 征在于， 包括以下步骤， S1、 获取PCB缺陷样本数据并对进行 数据预处 理； S2、 在PCB训练集的边界框上使用k ‑means聚类来找到符合要求的anc hor尺度； S3、 采用多尺度特征金字塔结构提取特征， 对主干卷积网络中得到自底向上的特征图 进行上采样， 得到 自顶向下 的特征图， 然后将其与自底向上 的特征图逐元素相加得到最终 的特征图； S4、 通过计算损失， 训练网络参数。 2.根据权利要求1所述的印刷电路板的微小缺陷检测方法， 其特征在于： 所述S1获取 PCB缺陷样本数据并对进行 数据预处 理， 具体包括， S11： 获取PCB缺陷样本数据集； S12： 利用数据增强技术增加 样本数据量， 提高模型的泛化能力， 包括添加高斯噪声、 改 变光线、 旋转图像、 翻转、 随机 裁剪和移位； S13： 设置一个阈值， 丢弃在随机 裁剪阶段被截断的缺陷边界框 。 3.根据权利 要求2所述的印刷电路板的微小缺陷检测方法， 其特征在于： 所述S2、 在PCB 训练集的边界框上使用k ‑means聚类来找到符合要求的anc hor尺度； 具体包括： S21： 定义 k‑means聚类中的距离度量尺度如下： d(box,cent roid)＝1‑IoU(box,cent roid) S22： 获得所有训练数据的缺 陷边界框的宽高数据， 然后进行k ‑means聚类计算， 其中每 一轮都重新计算所有边界框和聚类中心的IoU和误差d， 将 每个边界框归入d最小的那一类， 然后将每一类中所有边界框宽高的中值大小作为该类新的聚类中心尺寸； 重复上述步骤直 到所有边界框的分类不再 更新， 最后输出计算得到的k个聚类中心， 也 就是k个锚点尺度。 4.根据权利要求3所述的印刷电路板的微小缺陷检测方法， 其特征在于： 所述步骤S3、 采用多尺度特征金字塔结构提取特征， 对主干卷积网络中得到自底向上的特征图进行上采 样， 得到自顶向下的特征图， 然后将其与自底向上的特征图逐元素相加得到最 终的特征图； 具体包括： S31： 使用ResNet ‑101作为主干卷积网络来提取特征， 在ImageNet分类集上对ResNet ‑ 101模型进行 预训练； S32： ResNet ‑101有5个残差块{conv2_x,conv3_x,conv4_x,conv5_x}， 对于这些残差块 的输出记为{C2,C3,C4,C5}； 对conv5_x的输出C5使用向上采样2倍的方法来构建自顶向下 的特征图， 通过逐元素相加将上采样得到的自顶向下特征图与相应的自底向上的特征图连 接起来， 得到最终的特 征图； S33： 在每个合并的特征图上添加一个3 ×3卷积层， 生成最终的特征图； 最后的特征图 集合记为{P2,P3,P4,P5}， 分别对应空间大小相同的{C2,C 3,C4,C5}。 5.根据权利要求3所述的印刷电路板的微小缺陷检测方法， 其特征在于： 所述S4、 通过 计算损失， 训练网络参数， 具体包括： S41： 对于RPN的训练， 损失L1分为分类损失rpn_l oss_cls与边界框回归rpn_l oss_bbox； 权　利　要　求　书 1/2 页 2 CN 114743070 A 2Lcls＝‑[pi*log(pi)+(1‑pi*)log(1‑pi)] 其中pi表示第i个anchor预测为真实标签 的概率， pi*当为正样本时为1， 当为负样本时 为0， ti＝[tx,ty,tw,th]表示预测第i个anchor的边界框回归参数， ti*＝[tx*,ty*,tw*,th*]表 示第i个anchor对于的真实边界框回归参数， Ncls表示一个mini ‑batch中的样本数量， Nreg表 示anchor位置的个数； S42： 对于Fast  R‑CNN部分的训练， 有两个输出， 分别为p＝{p0,...,pk}和边界框回归偏 移量 那么损失L2也分为分类损失fast_rcnn_loss_cls和边界框回归 fast_rcn n_loss_bbox； L2(p， u， tu， v)＝Lcls(p， u)+λ[u≥1]Lloc(tu， v) Lcls(p， u)＝‑log(pu) 其中， p表示 分类器预测的softmax 概率分布， u对应目标真实类别标签， tu对应边界框回 归器预测的对应类别u的回归参数， v对应真实目标的边界框回归参数(vx， vy， vw， vh)， [u≥ 1]表示艾弗森括 号； S43： 根据损失， 进行参数调整， 训练网络 。 6.一种计算机可读存储介质， 存储有计算机程序， 所述计算机程序被处理器执行时， 使 得所述处理器执行如权利要求1至 5中任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 114743070 A 3