(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 202211137464.8 (22)申请日 2022.09.19 (71)申请人 广东炬森智能装备有限公司 地址 510000 广东省广州市黄埔区瑞 泰路7 号自编一栋一楼10 3房 (72)发明人 罗炳军　苏显斌　陈东海　郭伟　 汤锦升　杨志伟　 (74)专利代理 机构 佛山市禾才知识产权代理有 限公司 4 4379 专利代理师 张晓婷 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06T 7/00(2017.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于规范化卷积注意力机制的PCB真假点识 别与可解释方法 (57)摘要 本发明涉及印刷电路板图像分析领域与深 度学习技术领域， 尤其涉及一种基于规范化卷积 注意力机制的PCB真假点识别与可解释方法。 一 种基于规范化卷积注意力机制的PCB真假点识别 与可解释方法， 包括以下步骤： 数据获取步骤： 将 PCB真假缺陷图数据集进行预处理， 并将预处理 后的数据集 分为训练数据集与测试数据集； 模型 构建步骤： 构建基于规范化卷积注意力机制的 PCB识别与可解释的神经网络模型。 所述基于规 范化卷积注意力机制的PCB真假点识别 与可解释 方法， 可以有效识别出大量缺陷电路板中可被接 受的PCB电路板， 并给出模型判别的理由解释， 提 高识别带虚假缺陷PCB的准确率， 解决了PCB缺陷 识别准确率较低和对假 缺陷错判率较高的问题。 权利要求书3页 说明书8页 附图4页 CN 115496945 A 2022.12.20 CN 115496945 A 1.一种基于规范化卷积注意力机制的PCB 真假点识别与可解释方法， 其特征在于， 包括 以下步骤： 数据获取步骤： 将PCB真假缺陷图数据集进行预处理， 并将预处理后的数据集分为训练 数据集与测试 数据集； 模型构建步骤： 构建基于规范化卷积注意力机制的PCB识别与可解释的神经网络模型； 模型训练步骤： 设置得到的神经网络模型的超参数； 将标注好的训练数据集导入到设置好超参数的神经网络模型中进行训练学习， 采用随 机梯度下降算法和类高斯分布损失算法训练模型； 模型在运算时输出分类预测结果， 并生成对应PCB真假分类缺陷的标准化特征图， 对比 标准化特征图后给出对单样本判断的原因即判断逻辑解释， 通过判断逻辑解释的准确性来 进行人工调整神经网络以再次优化模型， 待模型充分收敛后保存， 导出模型结构和权重参 数， 得到训练好的神经网络模型； 数据测试步骤： 用神经网络模型对测试数据集中的PCB真假点数据进行识别测试， 得到 最终的真假 点分类结果和对每次判断的自解释输出。 2.根据权利要求1所述的基于规范化卷积注意力 机制的PCB真假点识别与 可解释方法， 其特征在于， 所述模型构建步骤中， 所述神经网络模型 的卷积层包括自上而下 的多注意力 机制模块、 特 征规范化模块和对比解释模块， 包括以下步骤： 基于所述多注意力机制模块 生成包含多个关键局部特 征的样本综合特 征图； 基于所述特征规范化模块生成样本的标准化特征图， 所述标准化特征图包括样本标准 特征图和累计平均特 征图； 基于所述对比解释模块对样本标准特征图和累计平均特征图进行对比以进行类别判 断并给出模型判断原因。 3.根据权利要求2所述的基于规范化卷积注意力 机制的PCB真假点识别与 可解释方法， 其特征在于， 所述多注意力机制模块由多通道的分步注意力卷积层组成， 每个分步注意力 卷积层均包括BN层、 Relu层和三维卷积层， 随着注 意力的提高， 卷积核分别由1*1*1到2*2*2 到3*3*3， 将一张图片分成多个注意力 特征图通道， 通道之间有距离限制， 每个通道分别提 取不同部位的关键局部特征， 最后取各通道的特征图的峰值加权合并得到包含多个关键局 部特征的样本综合特 征图。 4.根据权利要求2所述的基于规范化卷积注意力 机制的PCB真假点识别与 可解释方法， 其特征在于， 所述特征规范化模块位于特征图的输出层， 所述特征规范化模块包括二维互 相关层、 BN层和Relu层， 能将得到的样 本综合特征图进 行规范化对准， 得到并输出有 标准位 姿的样本标准特 征图和累计平均特 征图； 其中， 包含的二维互相关算法公式为： 其中， f为输入特征图， f(x,y)为输入特征图中的每个点， t是指与输入特征图作互相关 运算的模板图， 指模板图的平均值， 指输入特 征图与模板图对应部分的平均值， u与v权　利　要　求　书 1/3 页 2 CN 115496945 A 2指模板图在x轴与y轴的移动单位。 5.根据权利要求2所述的基于规范化卷积注意力 机制的PCB真假点识别与 可解释方法， 其特征在于， 所述对比解释模块包括交叉对比层、 Flatten层、 3层全 连接层、 Softmax层和可 解释输出模块， 所述3层全连接层分别为含有128个神经元的H1、 含有100个神经元的H2和含 有10个神经元的H3， 判别结果的输出层为Softmax层， 解释结果输出层为自定义的专家系统 解释器。 6.根据权利要求2所述的基于规范化卷积注意力 机制的PCB真假点识别与 可解释方法， 其特征在于， 所述模型训练步骤中， 所述神经网络模型通过类高斯分布损失算法进行梯度 下降， 所述类高斯分布损失算法用于引导所述多注意力机制模块找到准确的局部关键特征 位置， 类高斯分布损失算法的公式为： 其中， Aexp指以e为底的指数函数， (x0,y0)表示局部关键点位置， (x,y)为当前点位置， σX为X总体的标准差， σY为Y总体的标准差 。 7.根据权利要求1所述的基于规范化卷积注意力 机制的PCB真假点识别与 可解释方法， 其特征在于， 所述数据获取步骤 包括： 收集AOI设备检测出的带缺陷的PCB实物图， 通过人工分类出其中的真缺陷与假缺陷 图， 做好真假标签标注， 将收集 好的PCB缺陷图输入到预处 理系统中； 通过图像膨胀与腐蚀以及二 值化对PCB缺陷图进行处 理。 8.根据权利要求1所述的基于规范化卷积注意力 机制的PCB真假点识别与 可解释方法， 其特征在于， 所述模型训练步骤还包括经过多次实验调整神经网络模型 的超参数， 所述超 参数包括模型的隐藏层 层数、 选用的激活函数和深度可分离卷积核数量。 9.一种识别系统， 其特征在于， 执行如权利要求1～8任意一项所述的基于规范化卷积 注意力机制的PCB真假 点识别与可解释方法， 包括： 数据获取模块， 用于将PCB真假缺陷图数据集进行预处理， 并将预处理后的数据集分为 训练数据集与测试 数据集； 模型构建模块， 用于构建基于规范化卷积注意力机制的PCB识别与可解释的神经网络 模型； 模型训练模块， 用于设置得到的神经网络模型的超参数； 还用于将标注好的训练数据 集导入到设置好超参数的神经网络模型中进 行训练学习， 采用随机梯度下降算法和类高斯 分布损失算法训练模型； 还用于模型在运算时输出分类预测结果， 并生成对应P CB真假分类 缺陷的标准化特征图， 对比标准化特征图后给出对单样本判断的原因即判断逻辑解释， 通 过判断逻辑解释的准确性来进 行人工调整神经网络以再次优化模型， 待模 型充分收敛后保 存， 导出模型 结构和权 重参数， 得到训练好的神经网络模型； 数据测试模块， 用于使用神经网络模型对测试数据集中的PCB真假点数据进行识别测 试， 得到最终的真假 点分类结果和对每次判断的自解释输出。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有基于规 范化卷积注意力机制的PCB真假点识别与可解释方法程序， 所述基于规范化卷积注意力机权　利　要　求　书 2/3 页 3 CN 115496945 A 3