(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 202210123688.7 (22)申请日 2022.02.10 (71)申请人 北京航空航天大 学杭州创新研究院 地址 310000 浙江省杭州市滨江区长河街 道创慧街18号 (72)发明人 牟许东　余建波　程训　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 专利代理师 杜杨 (51)Int.Cl. G06T 7/00(2017.01) G06K 9/62(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) (54)发明名称 PCB缺陷检测模型训练方法、 装置、 电子设备 和存储介质 (57)摘要 本申请提供一种PCB缺陷检测模型训练方 法、 装置、 电子设备和存储介质， 通过采集PCB的 表面图像， 对表面图像进行预处理得到表面缺陷 图像， 对表面缺陷图像中的缺陷进行标注， 得到 标注信息。 将携带标注信息的表 面缺陷图像划分 为训练图像和测试图像， 利用携带标注信息的训 练图像对构建的神经网络模型进行训练， 并利用 测试图像队训练得到的神经网络模 型进行测试， 在测试结果满足预设要求时， 停止训练并得到用 于进行PCB表面缺陷检测的检测模型。 该方法利 用标注的表 面缺陷图像训练得到模 型， 得到的模 型可以用于后续的缺陷检测应用中， 可以提高检 测准确度的同时， 提高检测方案的泛化 性。 权利要求书2页 说明书11页 附图9页 CN 114494223 A 2022.05.13 CN 114494223 A 1.一种PCB缺陷检测模型训练方法， 其特 征在于， 所述方法包括： 采集PCB的表面图像， 对所述表面图像进行 预处理得到表面 缺陷图像； 对所述表面 缺陷图像中的缺陷进行 标注， 得到标注信息； 将携带标注信息的表面 缺陷图像划分为训练图像和 测试图像； 利用携带标注信 息的训练图像对构建的神经网络模型进行训练， 并利用测试图像对训 练得到的神经网络模型进 行测试， 在测试结果满足预设要求时， 得到用于进 行PCB表面缺陷 检测的检测模型。 2.根据权利要求1所述的PCB缺陷检测模型训练方法， 其特征在于， 所述神经网络模型 包括依次连接的特征提取模块、 通道注意力机制模块、 双向特征融合模块和预测子网络模 块； 所述利用携带 标注信息的训练图像对构建的神经网络模型进行训练的步骤， 包括： 将携带标注信 息的训练图像导入构建的神经网络模型包括的特征提取模块， 得到所述 训练图像对应的构成金字塔结构的多层特 征图； 利用所述通道注意力 机制模块对所述金字塔结构中的上层特征图进行增强处理， 并针 对每相邻两层特征图， 从下至上将下层特征图与上层特征图进行融合处理， 得到构成金字 塔结构的多层融合图； 利用所述双向特 征融合模块对所述多层融合图进行双向空间特 征融合； 将经过双向空间特征融合处理后的多层融合图输入所述预测子网络模块， 输出所述训 练图像中PCB的缺陷信息 。 3.根据权利要求2所述的PCB缺陷检测模型训练方法， 其特征在于， 所述利用所述通道 注意力机制模块对所述金字塔结构中的上层特 征图进行增强处 理的步骤， 包括： 针对所述金字塔结构中的任一上层特征图， 利用所述通道注意力 机制模块将该上层特 征图与下一层的经 过上采样的特 征图进行 逐像素相减， 得到 差分特征图； 对所述差分特 征图进行全局平均池化处 理， 得到全局特 征； 分别采用多个不同的激活函数对所述全局特 征进行激活 处理， 得到各通道的激活值； 利用所述激活值乘以所述上层特征图的原始特征， 得到所述上层特征图增强后的特征 图。 4.根据权利要求2所述的PCB缺陷检测模型训练方法， 其特征在于， 所述针对每相邻两 层特征图， 从下至上将下层特征图与上层特征图进行融合处理， 得到构成金字塔结构的多 层融合图的步骤， 包括： 按所述多层特征图中的自下向上的顺序进行处理， 将下层特征图和位于其上一层的特 征图进行融合处 理， 得到融合图； 对所述融合图进行上采样处理， 并将所述融合图和位于其上一层的特征图进行融合处 理， 得到融合图， 直至处理至所述多层特征图中的最顶层的特征图为止， 得到构成金字塔结 构的多层融合图。 5.根据权利要求2所述的PCB缺陷检测模型训练方法， 其特征在于， 所述利用所述双向 特征融合模块对所述多层融合图进行双向空间特 征融合的步骤， 包括： 以所述多层融合图中的中间层融合图为基准， 将所述中间层融合图之下的融合图进行 上采样处理、 将所述中间层融合图之上 的融合图进行下采样处理， 以调整至与所述中间层权　利　要　求　书 1/2 页 2 CN 114494223 A 2融合图相同的分辨 率和通道数后进行融合； 依次分别从所述中间层融合图上采样和下采样以恢复至各个融合图原 始的分辨 率。 6.根据权利要求1所述的PCB缺陷检测模型训练方法， 其特征在于， 所述对所述表面图 像进行预处理得到表面 缺陷图像的步骤， 包括： 对所述表面图像进行旋转和平 移处理， 以调整所述表面图像中PCB的方位； 对所述表面图像进行亮度调整以及去噪处 理。 7.根据权利要求1 ‑6任意一项所述的PCB缺陷检测模型训练方法， 其特征在于， 所述方 法还包括： 获取待检测PCB的待测图像； 将所述待测图像输入至训练完成的检测模型进行检测， 得到所述待检测PCB的表面缺 陷信息， 所述表面 缺陷信息包括 缺陷类别和缺陷位置 。 8.一种PCB缺陷检测模型训练装置， 其特 征在于， 所述装置包括： 预处理模块， 用于采集PCB的表面图像， 对所述表面图像进行预处理得到表面缺陷图 像； 标注模块， 用于对所述表面 缺陷图像中的缺陷进行 标注， 得到标注信息； 划分模块， 用于将携带 标注信息的表面 缺陷图像划分为训练图像和 测试图像； 训练模块， 用于利用 携带标注信息的训练图像对构建的神经网络模型进行训练， 并利 用测试图像对训练得到的神经网络模型进行测试， 在测试结果满足预设要求时， 得到用于 进行PCB表面 缺陷检测的检测模型。 9.一种电子设备， 其特征在于， 包括一个或多个存储介质和一个或多个与存储介质通 信的处理器， 一个或多个存储介质存储有处理器可执行 的机器可执行指令， 当电子设备运 行时， 处理器执行所述机器可 执行指令， 以执 行权利要求1 ‑7中任意一项所述的方法步骤。 10.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时实现权利要求1 ‑7中任意一项所述的方法步骤。权　利　要　求　书 2/2 页 3 CN 114494223 A 3