(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 202211219124.X (22)申请日 2022.10.08 (71)申请人 南通如东依航电子 研发有限公司 地址 226000 江苏省南 通市如东县河口镇 关口村八组19号 (72)发明人 雷海虹　 (74)专利代理 机构 济宁仁礼信知识产权代理事 务所(普通 合伙) 37383 专利代理师 朱英民 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于神经网络的PCB缺陷识别方法 (57)摘要 本发明涉及数据处理技术领域， 具体涉及一 种基于神经网络的PCB缺陷识别方法。 该方法包 括： 获取每个PCB板的表面图像以及对应的目标 图像； 将表 面图像以及目标图像分别输入卷积层 中得到多个描述向量、 分割图像以及多个目标描 述向量； 构建每个卷积层的损失函数从而得到综 合损失函数； 获取每个网络参数的基准关注度； 获取所有训练中网络参数的取值构成第一序列； 每次训练对应的损失函数构成第二序列， 根据第 一序列与第二序列得到调整系数； 基于调整系数 与基准关注度得到网络参数的关注度权重进而 得到更新梯度， 基于更新梯度对神经网络训练， 基于训练完成的神经网络中检测实际缺陷区域； 网络的可靠性更高， 从而保障进行缺陷识别时的 准确性更高。 权利要求书1页 说明书6页 附图1页 CN 115294115 A 2022.11.04 CN 115294115 A 1.一种基于神经网络的PCB缺陷识别方法， 其特 征在于， 该 方法包括以下步骤： 获取每个PCB板的表面图像， 通过人工标注得到每个表面图像 中的缺陷区域， 将缺陷区 域的所有像素点的像素值置零得到目标图像； 所述表面图像输入卷积层中得到多个描述向 量和分割图像， 所述目标图像输入卷积层得到多个目标描述向量； 基于每个卷积层对应的描述向量和目标描述向量构建每个卷积层的损失函数； 根据 所 有卷积层的损失函数 得到综合损失函数； 在任意一次训练中， 获取所述表面图像输入任意卷积层的特征描述值， 以及所述目标 图像输入相同卷积层的目标特征描述值， 获取所述特征描述值与所述目标特征描述值的差 值为特征描述值变化量； 根据所有卷积层的特征描述值变化量得到对应网络参数的基准关 注度； 获取所有训练中网络参数的取值构 成第一序列； 每次训练对应的损失函数构 成第二序 列， 根据所述第一序列与所述第二序列得到调整系 数； 基于所述调整系 数与所述基准关注 度得到网络参数的关注度权 重； 根据所述关注度权重得到网络参数的更新梯度， 基于更新梯度对神经网络训练， 将PCB 板的表面图像输入训练完成的神经网络中得到实际缺陷区域； 其中， 所述基于每个卷积层对应的描述向量和目标描述向量构建每个卷积层的损失函 数的步骤， 包括： 计算每个描述向量与目标描述向量对应数据的差值， 获取每个差值出现的概率， 获取 所述概率的对数， 所有数据对应的所述概率与所述概率的对数的乘积之和为所述损失函 数。 2.根据权利要求1所述的一种基于神经网络的PCB缺陷识别方法， 其特征在于， 所述根 据所有卷积层的损失函数 得到综合损失函数的步骤， 包括： 获取分割图像与标签图像之间的交叉熵损失函数， 以及所有卷积层对应损失函数的 和， 所有损失函数的和与所述交叉熵损失函数的求和为所述综合损失函数。 3.根据权利要求1所述的一种基于神经网络的PCB缺陷识别方法， 其特征在于， 所述根 据所有卷积层的特 征描述值变化量得到对应网络参数的基准关注度的步骤， 包括： 获取每个卷积层对应特征描述之变化量的变化量均值， 计算网络参数对应变化量均值 的求和， 根据每个网络参数对应的变化量均值与所有变化量均值的求和的比值得到对应网 络参数的基准关注度。 4.根据权利要求1所述的一种基于神经网络的PCB缺陷识别方法， 其特征在于， 所述根 据所述第一序列 与所述第二序列得到调整系数的步骤， 包括： 获取所述第 一序列与 所述第二序列之间的偏相关系数， 将所述偏相关系数的绝对值加 1得到所述调整系数。 5.根据权利要求1所述的一种基于神经网络的PCB缺陷识别方法， 其特征在于， 所述基 于所述调整系数与所述基准关注度得到网络参数的关注度权 重的步骤， 包括： 所述调整系数与所述基准关注度的乘积为所述关注度权 重。 6.根据权利要求1所述的一种基于神经网络的PCB缺陷识别方法， 其特征在于， 所述根 据所述关注度权 重得到网络参数的更新梯度的步骤， 包括： 获取所述网络参数的梯度， 所述梯度与所述关注度权 重的乘积为所述更新梯度。权　利　要　求　书 1/1 页 2 CN 115294115 A 2一种基于神经 网络的PCB缺陷识别方 法 技术领域 [0001]本发明涉及数据处 理技术领域， 具体涉及一种基于神经网络的PCB缺陷识别方法。 背景技术 [0002]随着社会经济的发展， 自动化控制需求随之提高， PCB印刷板作为实现自动化控制 的重要部件之一， 其质量的好坏直接影响自动化系统的运行效果， 因而P CB板生产过程中需 对其质量进 行严格把控。 由于P CB板上缺陷信息相较于非缺陷信息较少， 缺陷信息很容易淹 没在非缺陷信息中， 因而就会导致网络不能较好的学习到缺陷信息。 同时缺陷信息中有些 缺陷信息对缺陷识别的贡献较大， 有些缺陷信息对缺陷识别的贡献较小， 因而需根据缺陷 信息对缺陷识别的贡献情况来控制各缺陷信息的关注情况。 [0003]网络中每个网络参数学习各个特征的能力不同， 有些网络参数对缺陷特征的学习 能力较强， 有些网络参数对一些非缺陷特征 的学习能力较强， 因此当所有网络参数采用同 一关注度进行 学习运算时， 会导 致检测出的缺陷准确性较低。 发明内容 [0004]为了解决上述技术问题， 本发明的目的在于提供一种基于神经网络的PCB缺陷识 别方法， 该 方法包括以下步骤： 获取每个PCB 板的表面图像， 通过人工标注得到每个表面图像中的缺陷区域， 将缺 陷区域的所有像素点的像素值置零得到目标图像； 所述表面图像输入卷积层中得到多个描 述向量和分割图像， 所述目标图像输入卷积层得到多个目标描述向量； 基于每个卷积层对应的描述向量和目标描述向量构建每个卷积层的损失函数； 根 据所有卷积层的损失函数 得到综合损失函数； 在任意一次训练中， 获取所述表面图像输入任意卷积层的特征描述值， 以及所述 目标图像输入相同卷积层的目标特征描述值， 获取所述特征描述值与所述目标特征描述值 的差值为特征描述值变化量； 根据所有卷积层的特征描述值变化量得到对应网络参数的基 准关注度； 获取所有训练中网络参数的取值构成第一序列； 每次训练对应的损失函数构成第 二序列， 根据所述第一序列与所述第二序列得到调整系 数； 基于所述调整系 数与所述基准 关注度得到网络参数的关注度权 重； 根据所述关注度权重得到网络参数的更新梯度， 基于更新梯度对神经网络训练， 将PCB板的表面图像输入训练完成的神经网络中得到实际缺陷区域。 [0005]优选的， 所述基于每个卷积层对应的描述向量和目标描述向量构建每个卷积层的 损失函数的步骤， 包括： 计算每个描述向量与目标描述向量对应数据的差值， 获取每个差值出现的概率， 获取所述概率的对数， 所有数据对应的所述概率与所述概率的对数的乘积之和为所述损失 函数。说　明　书 1/6 页 3 CN 115294115 A 3