[0003] 本发明的目标是针对现有技术的不足之处,提供一种无需良品图像作为比较基准的电子元器件外观不良品的自动检测方法及装置,以提高电子元器件在线检测的鲁棒性。
[0004] 为了实现上述目的,设计一种基于深度学习技术的电子元器件外观不良品的自动检测方法,该首先通过离线训练过程获得深度学习检测模型,然后在获得上述深度学习检测模型的基础上,对电子元器件不良品实现在线的自动检测,具体设计步骤如下:
[0005] 步骤1:数据集收集与标记。收集一类电子元器件不良品样本图像,将其按表面凹点、划痕、擦伤、孔洞、污点、毛刺进行分类标记;同时收集一类含字符或含有随机噪声的电子元器件良品样本图像进行标记。因为电子元器件表面经常会印刷字符,这是正常的,但是存在字符和缺陷容易混合、较难区分的情形,从而被误判为不良品图像;在图像采集过程中会引入随机噪声,这是正常的,但它会和某些类型的不良品特征相似,从而被误判为不良品图像。将收集的上述两类样本图像作为数据集。
[0006] 步骤2:对数据集的样本图像进行数据增强。将数据集中所有样本图像按翻转、剪裁、缩放、降噪的方式扩展样本数量,按9:1的比例划分出训练集和验证集。
[0007] 步骤3:构建卷积神经网络模型。该网络结构第一层为卷积层,是16个感受野大小为5×5的卷积核,步长为1,边缘填充为2,该层输出为16通道、尺寸为224×224的特征图;
[0008] 第二层采用重叠的最大池化层,是感受野大小为2×2的卷积核,步长为2,边缘填充为1,该层输出为16通道,尺寸为112×112的特征图;
[0009] 第三层采用并联结构的卷积层,包含左分支的一个卷积层和右分支的两个级联结构的卷积层。其中左分支的卷积层是32个感受野大小1×1的卷积核,步长为1,边缘填充为0;右分支两个级联的卷积层,上级卷积层是32个受野大小为3×3的卷积核,步长为1,边缘填充为1;下级卷积层是32个受野大小为3×3的卷积核,步长为1,边缘填充为1。最后将左右两个分支的输出进行拼接,该层输出为64个通道,尺寸为112×112的特征图;
[0010] 第四层采用最大池化层,是感受野大小为2×2的卷积层,步长为2,边缘填充为1,该层输出为64通道,尺寸为56×56的特征图;
[0011] 第五层采用并联结构的卷积层,包含左分支的一个卷积层和右分支的两个级联结构的卷积层。其中左分支的卷积层是64个感受野大小为1×1的卷积核,步长为1,边缘填充为0;右分支两个级联的卷积层,上级卷积层是64个感受野大小为3×3的卷积核,步长为1,边缘填充为1;下级卷积层是64个感受野大小为3×3的卷积核,步长为1,边缘填充为1。最后将左右两个分支的输出进行拼接,该层输出为128通道,尺寸为56×56的特征图;
[0012] 第六层采用最大池化层,是感受野大小为2×2的卷积层,步长为2,边缘填充为1,该层输出为128通道,尺寸为28×28的特征图;
[0013] 第七层是全连接层,用于将上层的多维特征图转换成一维的特征图进行输出;
[0014] 第八层为softmax分类层,用于计算输出属于每一类的概率。
[0015] 步骤4:获得深度学习检测模型。将数据集样本图片大小缩放为224×224×3,输入到上述卷积神经网络模型中进行迭代训练。迭代训练过程中,每次从训练样本中提取100个样本参与训练并进行批量归一化。设置迭代周期数,每迭代一个周期,将验证样本集输入模型中识别准确率。如果最后的准确率不满足要求,可增加迭代周期数,对参数进行微调重新训练。迭代训练的目的是使验证集获得最高的分类精确度,即该模型对数据集中标记过的类别特征能最高程度地自动识别,此时模型的权重参数为最优权重参数,此最优权重参数下的模型为深度学习检测模型。
[0016] 步骤5:采集实际待检测电子元器件彩色外观图像。在获得上述深度学习检测模型的基础上,对电子元器件不良品实现在线的自动检测。通过CCD/CMOS摄像机对电子元器件产品进行扫描,采集电子元器件彩色外观图像。
[0017] 步骤6:将步骤5采集得到的彩色外观图像输入到深度学习检测模型中进行图像类别的识别。在一般的AOI光学自动检测系统中,通常都是对图像先进行滤波等预处理以消除随机噪声,然后再进行图像类别识别。本方法不需要经过滤波等预处理步骤,因为在数据集中已经放置了随机噪声样本作为类别被自动识别。识别的结果用于判断输入的图像是表面凹点、划痕、擦伤、孔洞、污点、毛刺这类不良品图像,还是为含字符、随机噪声这类良品图像。
[0018] 步骤7:将深度学习检测模型识别为表面凹点、划痕、擦伤、孔洞、污点、毛刺这类不良品进行生产线上的自动剔除,从而提高产品品质。
[0019] 与现有技术相比,本发明的有益效果是:
[0020] 本发明的电子元器件外观不良品自动检测方法可以克服AOI光学检测系统中需要以良品图像为比较模板并通常需要人工设计缺陷特征的缺点,能利用深度学习技术自动地从预先标记好的样本数据集中学习特征,具有很强的适应性。