(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 202210085176.6 (22)申请日 2022.01.25 (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 孙晓鹏　郑剑锋　周海翔　高寅冲　 唐文祺　 (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 杨闯 (51)Int.Cl. G06T 7/00(2017.01) G06T 5/00(2006.01) G06T 5/20(2006.01) G06T 7/11(2017.01)G06T 7/136(2017.01) G06T 7/33(2017.01) G06V 10/80(2022.01) G06V 10/75(2022.01) G06V 10/44(2022.01) G06V 10/28(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进的全 卷积神经网络的PCB缺陷 检测方法 (57)摘要 本发明涉及图像处理技术领域， 尤其涉及一 种基于改进的全卷积神经网络的PCB缺陷检测方 法， 包括S1、 采集标准和待测PCB图像； S2、 对图像 进行灰度变换； S3、 对图像进行高斯滤波、 对数变 换、 最大类方差法阈值 分割； S4、 采用归一化互相 关模板匹配； S5、 对图像二值化后做差影运算； S6、 对图像形态学处理； S7、 将图像输入改进的全 卷积神经网络模 型。 本发明在第四卷积层后引入 了连续空洞卷积模块， 增大了感受野的同时解决 了普通空洞卷积损失信息连续性的问题； 传统的 跳级结构因其上采样率偏大， 得到的图片效果不 理想， 本发 明在上采样层之后引入了改进的跳级 结构， 降低了上采样率， 从而得到多尺度融合的 特征， 以提高图像的分辨 率。 权利要求书1页 说明书6页 附图3页 CN 114494184 A 2022.05.13 CN 114494184 A 1.一种基于改进的全卷积神经网络的PCB缺陷检测方法， 其特 征在于， 包括以下步骤： S1、 图像采集： 采集标准PCB图像和待测PCB图像； S2、 图像灰度变换： 对 采集的标准PCB图像和待测PCB图像进行 灰度变换； S3、 图像预处理： 首先对步骤S2的灰度变换后的图像进行高斯滤波， 其次采用对数变换 来增强图像的对比度， 最后采用最大类方差法来进行阈值分割； S4、 图像配准： 采用归一 化互相关模板匹配法进行图像的配准； S5、 差影运 算处理： 将标准PCB图像与待测PCB图像二 值化后做差影运 算； S6、 形态学处 理： 对差影运 算后的图像进行 先腐蚀后膨胀的处 理， 还原缺陷的特 征； S7、 将处理后的PCB图像输入改进的全卷积神经网络模型， 通过特征融合来识别出待测 PCB图像的缺陷目标。 2.根据权利要求1所述的基于改进的全卷积神经网络的PCB缺陷检测方法， 其特征在 于： 所述改进的全卷积神经网络模型是在全卷积神经网络模型的第四卷积层、 上采样和 softmax分类 器之间分别插 入空洞卷积模块和跳级结构模块。 3.根据权利要求2所述的基于改进的全卷积神经网络的PCB缺陷检测方法， 其特征在 于： 所述空洞卷积模块是由扩张率分别为1、 2、 4的连续空洞卷积模块组成。 4.根据权利要求2所述的基于改进的全卷积神经网络的PCB缺陷检测方法， 其特征在 于： 所述跳级结构模块是将所述上采样的反卷积倍数设置为8、 4和2。权　利　要　求　书 1/1 页 2 CN 114494184 A 2一种基于改进的全卷积神经 网络的PCB缺陷检测方 法 技术领域 [0001]本发明涉及图像处理技术领域， 尤其涉及一种基于改进的全卷积神经网络的PCB 缺陷检测方法。 背景技术 [0002]PCB裸板常见的有毛刺、 缺 口、 短路、 断路四种缺陷类型， 张智杰等人的 《一种并行 不对称空洞卷积模块》 采用的是一种并行不对称的空洞卷积， 相较与传统的空洞卷积， 其提 高了网络模型的特征表达能力， 但得到的输出图像依然不够精细； 同时， 传统的神经网络模 型具有5层卷积层和池化层， 所以普通的跳级结构输出分别 执行32倍、 16倍和8倍反卷积操 作， 其上采样率偏大， 所以图片本身的效果并不理想 。 发明内容 [0003]本发明所要解决的技术问题是： 解决传统的空洞卷积损失信息连续性的问题； 解 决跳级结构上采样率偏大， 图像分辨 率低的问题。 [0004]本发明所采用的技术方案是： 一种基于改进的全卷积神经网络的PCB缺陷检测方 法包括以下步骤： [0005]S1、 图像采集： 采集标准PCB图像和待测PCB图像； [0006]S2、 图像灰度变换： 对 采集的标准和待测PCB图像进行 灰度变换； [0007]采用加权均值法对图像灰度变换， 加权平均值法是将RGB彩色图像三通道的分量 值分别取一个权值， 然后进行加权平均， 即： [0008]Gray(i， j)＝ωR*R(i， j)+ωG*G(i， j)+ωB*B(i， j)  (1) [0009]其中， ωR、 ωG、 ωB分别为R， G， B的权值， 取不同的值形成不同的灰度图像； [0010]S3、 图像预处理： 首先对步骤S2的灰度变换后的图像进行高斯滤波， 其次采用对数 变换来增强图像的对比度， 最后采用最大类方差法来进行阈值分割； [0011]使用二维高斯分布函数作为图像平 滑滤波器： [0012] [0013]其中， (x， y)代表像素的模板坐标， 模板的中心位置为原点， σ 为正态分布的标准偏 差， 模板的大小取决于图像分辨 率的大小。 [0014]其次， 就是采用对数变换来增强图像的对比度， 即： [0015]s＝c*log(1+r)    (3) [0016]其中， r为输入图像的灰度值， s为输出图像的灰度值， c为常数； [0017]最后， 采用最大类方差法来进行阈值分割， 即为图片亮度的一个黑白分界值， 通过 判断两部分像素值的最大 方差来确定最佳阈值， 即： [0018]g＝ωo×ω1( μo‑μ1)     (4) [0019]其中， g为最大方差值， ω0为背景的像 素点数占整幅图像的比例， ω1为前景的像 素说　明　书 1/6 页 3 CN 114494184 A 3