论文部分内容阅读
印制线路板(Printed Circuit Board,PCB)几乎被应用于所有电子产品中,随着电子、通信、计算机等产业的高速发展,PCB产品也朝着高性能、高复杂度、高密度的方向日益发展,一个高效、准确的PCB缺陷检测系统已经成为PCB行业的迫切需求。自动光学检测(Automated Optical Inspection,AOI)以机器视觉为基础,结合电子学、数字图像处理、光电检测和计算机技术,在精密工业器件检测领域发展迅速。相比传统的人工检测和电检测,AOI方法不会对PCB造成任何影响,且检测精度高、速度快,国内外也都积极开展基于AOI的PCB缺陷检测的相关研究。本文将机器视觉及深度学习技术应用到PCB缺陷检测中,主要针对PCB上的碳油区域缺陷检测进行深入研究,论文主要研究工作如下:(1)PCB配准算法设计。基于Mark点边缘模型的匹配,设计Mark点选取准则并使用边缘检测算子对边缘进行建模、搜索匹配,根据配准像素点对计算全局仿射变换矩阵,最终实现了PCB待测图和标准图的整图配准;(2)针对碳油区域,进行重定位并基于二值图像的距离变换和Snake模型提取图像骨架,通过骨架对比实现缺陷检测,达到了92.04%的检测准确率;(3)针对传统方法的局限性,借助深度学习方法,结合HRNet和Dense Net设计了特征提取网络,并通过计算分类损失和类激活映射得到定位热点图;(4)使用生成式对抗网络构建了深度学习PCB碳油缺陷检测数据集,同时引入公开的变化检测数据集,借助迁移学习方式,实现弱监督下PCB碳油缺陷检测和定位,并分别在变化检测和缺陷检测中达到了99.1%和98.7%的准确率。